如果
G
G
G是
t
×
u
t\times u
t×u矩阵,而
F
F
F是
q
×
u
q\times u
q×u矩阵,即
G
G
G和
F
F
F有相同的列数,则这两个矩阵的Khatri-Rao积记为
F
∗
G
F*G
F∗G,并定义为
F
∗
G
=
[
f
1
⊗
g
1
,
f
2
⊗
g
2
,
…
,
f
u
⊗
g
u
]
F*G=[f_1\otimes g_1,f_2\otimes g_2,…,f_u\otimes g_u]
F∗G=[f1⊗g1,f2⊗g2,…,fu⊗gu]
给定
N
N
N个
m
×
r
m\times r
m×r矩阵
A
i
,
i
=
1
,
2
,
…
,
N
A_i,i=1,2,…,N
Ai,i=1,2,…,N,它们组成矩阵组
{
A
}
N
\{A\}_N
{A}N该矩阵组与
N
×
l
N\times l
N×l矩阵
B
B
B的Kronecker积称为广义Kronecker积,定义为
{
A
}
N
⊗
B
=
[
A
1
⊗
b
1
A
2
⊗
b
2
⋮
A
N
⊗
b
N
]
\{A\}_N \otimes B=
式中,
b
i
b_i
bi是矩阵
B
B
B的第
i
i
i个行向量。
与两个矩阵的Kronecker积不同,广义Kronecker积是多个矩阵组成的矩阵组与另一个矩阵的Kronecker积。
显然,若每一个矩阵
A
i
A_i
Ai相同,则广义Kronecker积简化为一般的左Kronecker积。
例
令
则广义Kronecker积为
(1)若
{
A
}
\{A\}
{A}的每一个矩阵为
m
1
×
n
1
m_1\times n_1
m1×n1矩阵,
{
B
}
\{B\}
{B}的每一个矩阵为
m
2
×
n
2
m_2\times n_2
m2×n2矩阵,并且
{
C
}
\{C\}
{C}的每一个矩阵为
m
3
×
n
3
m_3\times n_3
m3×n3矩阵,则
(
{
A
}
⊗
{
B
}
)
⊗
{
C
}
=
{
A
}
⊗
(
{
B
}
⊗
{
C
}
)
(\{A\}\otimes \{B\})\otimes \{C\}=\{A\}\otimes (\{B\}\otimes \{C\})
({A}⊗{B})⊗{C}={A}⊗({B}⊗{C})
(2)广义Kronecker积与矩阵直和之间存在以下关系:
{
A
}
N
⊗
I
N
=
⨁
i
=
1
N
A
i
\{A\}_N \otimes I_N = \bigoplus_{i=1}^NA_i
{A}N⊗IN=i=1⨁NAi
(3)若
{
A
}
E
=
[
A
1
E
A
2
E
⋮
A
N
E
]
\{A\}E=
则
(
{
A
}
E
)
⊗
(
{
B
}
F
)
=
(
{
A
}
⊗
{
B
}
)
(
E
⊗
F
)
(\{A\}E)\otimes (\{B\}F)=(\{A\}\otimes \{B\})(E\otimes F)
({A}E)⊗({B}F)=({A}⊗{B})(E⊗F)
(4)令
{
A
(
0
)
}
,
{
A
(
1
)
}
,
…
,
{
A
(
p
−
1
)
}
\{A^{(0)}\},\{A^{(1)}\},…,\{A^{(p-1)}\}
{A(0)},{A(1)},…,{A(p−1)}为
p
p
p个矩阵组,并且第
k
k
k个矩阵组有
N
k
=
m
k
N_k=m^k
Nk=mk个矩阵,即
{
A
(
k
)
}
N
k
\{A^{(k)}\}_{N_k}
{A(k)}Nk。定义
R
=
{
A
(
p
−
1
)
}
m
p
−
1
⊗
{
A
(
p
−
2
)
}
m
p
−
2
⊗
{
A
(
1
)
}
m
⊗
A
(
0
)
R=\{A^{(p-1)}\}_{mp-1} \otimes \{A^{(p-2)}\}_{mp-2} \otimes \{A^{(1)}\}_m \otimes A^{(0)}
R={A(p−1)}mp−1⊗{A(p−2)}mp−2⊗{A(1)}m⊗A(0)
则矩阵
R
R
R具有稀疏矩阵分解形式
R
=
∏
k
=
0
p
−
1
[
⨁
i
=
0
m
p
−
k
−
1
−
1
(
I
n
k
⊗
A
i
p
−
k
−
1
)
]
R=\prod_{k=0}^{p-1}[\bigoplus_{i=0}^{m^{p-k-1}-1}(I_{n^k} \otimes A_i^{p-k-1})]
R=k=0∏p−1[i=0⨁mp−k−1−1(Ink⊗Aip−k−1)]
(5)若每一个矩阵
A
i
(
k
)
A_i^{(k)}
Ai(k)为酉(或者仿酉)矩阵,则
R
R
R是酉(或者仿酉)炬阵。
(6)若
m
=
n
m=n
m=n,使得
A
i
(
k
)
,
i
=
0
,
1
,
…
,
m
k
−
1
,
k
=
0
,
1
,
…
,
p
−
1
A_i^{(k)},i=0,1,…,m^k-1,k=0,1,…,p-1
Ai(k),i=0,1,…,mk−1,k=0,1,…,p−1均为正方矩阵,则
d
e
t
(
R
)
=
∏
k
=
0
p
−
1
∏
i
=
0
m
k
−
1
[
d
e
t
(
A
i
(
k
)
)
]
m
k
det(R)=\prod_{k=0}^{p-1}\prod_{i=0}^{m^k-1}[det(A_i^{(k)})]^{m^k}
det(R)=k=0∏p−1i=0∏mk−1[det(Ai(k))]mk
(1)矩阵之和的向量化
v
e
c
(
A
+
B
)
=
v
e
c
(
A
)
+
v
e
c
(
B
)
vec(A+B)=vec(A)+vec(B)
vec(A+B)=vec(A)+vec(B)
(2)转置矩阵的向量化
v
e
c
(
A
T
)
=
K
p
q
v
e
c
(
A
)
vec(A^T)=K_{pq}vec(A)
vec(AT)=Kpqvec(A)
(3)两个矩阵
A
m
×
n
,
B
n
×
p
A_{m\times n},B_{n\times p}
Am×n,Bn×p的向量化
v
e
c
(
A
B
)
=
(
I
s
⊗
A
)
v
e
c
(
B
)
=
(
B
T
⊗
I
p
)
v
e
c
(
A
)
vec(AB)=(I_s\otimes A)vec(B)=(B^T\otimes I_p)vec(A)
vec(AB)=(Is⊗A)vec(B)=(BT⊗Ip)vec(A)
=
(
B
T
⊗
A
)
v
e
c
(
I
q
)
=(B^T\otimes A)vec(I_q)
=(BT⊗A)vec(Iq)
(4)三个矩阵
A
m
×
n
,
B
n
×
p
,
C
p
×
q
A_{m\times n},B_{n\times p},C_{p\times q}
Am×n,Bn×p,Cp×q的向量化
v
e
c
(
A
B
C
)
=
(
C
T
⊗
A
)
v
e
c
(
B
)
vec(ABC)=(C^T\otimes A)vec(B)
vec(ABC)=(CT⊗A)vec(B)
(5)矩阵的Kronecker乘幂
A
[
k
+
1
]
=
A
⊗
A
[
k
]
A^{[k+1]}=A\otimes A^{[k]}
A[k+1]=A⊗A[k]
(6)矩阵乘积的Kronecker乘幂
(
A
B
)
[
k
]
=
A
[
k
]
B
[
k
]
(AB)^{[k]}=A^{[k]}B^{[k]}
(AB)[k]=A[k]B[k]
(7)三个矩阵乘积的迹
t
r
(
A
B
C
)
=
(
v
e
c
(
A
)
)
T
(
I
p
⊗
B
)
v
e
c
(
C
)
tr(ABC)=(vec(A))^T(I_p\otimes B)vec(C)
tr(ABC)=(vec(A))T(Ip⊗B)vec(C)
(8)四个矩阵乘积的迹
t
r
(
A
B
C
D
)
=
(
v
e
c
(
D
T
)
)
T
(
C
T
⊗
A
)
v
e
c
(
B
)
tr(ABCD)=(vec(D^T))^T(C^T\otimes A)vec(B)
tr(ABCD)=(vec(DT))T(CT⊗A)vec(B)
=
(
v
e
c
(
D
)
)
T
(
A
⊗
C
T
)
v
e
c
(
B
T
)
=(vec(D))^T(A\otimes C^T)vec(B^T)
=(vec(D))T(A⊗CT)vec(BT)
(9)矩阵内积的迹等于两个矩阵的向量化函数的内积,即
t
r
(
A
T
D
)
=
(
v
e
c
(
A
)
)
T
v
e
c
(
D
)
tr(A^TD)=(vec(A))^Tvec(D)
tr(ATD)=(vec(A))Tvec(D)
(10)Khatri-Rao积的结合律
A
∗
(
D
∗
F
)
=
(
A
∗
D
)
∗
F
A*(D*F)=(A*D)*F
A∗(D∗F)=(A∗D)∗F
(11)Khatri-Rao积
A
∗
B
A*B
A∗B与
B
∗
A
B*A
B∗A之间的关系
A
∗
B
=
K
n
n
(
B
∗
A
)
A*B=K_{nn}(B*A)
A∗B=Knn(B∗A)
(12) Kronecker 积与Khatri-Rao积的乘积
(
A
⊗
B
)
(
F
∗
G
)
=
A
F
∗
B
G
(A\otimes B)(F*G)=AF*BG
(A⊗B)(F∗G)=AF∗BG
Kronecker积最直接的应用是求解矩阵方程组
A
X
B
=
C
AXB=C
AXB=C
式中,
A
A
A和
X
X
X分别是
m
×
n
m\times n
m×n和
n
×
p
n\times p
n×p矩阵,而
B
B
B和
C
C
C的维数分别是
p
×
q
p\times q
p×q和
m
×
q
m\times q
m×q。
利用向量化算符,定义
x
=
v
e
c
(
X
)
x=vec(X)
x=vec(X)和
c
=
v
e
c
(
C
)
c=vec(C)
c=vec(C),则方程组可以用矩阵的Kronecker积改写为
(
A
⊗
B
T
)
x
=
c
(A\otimes B^T)x = c
(A⊗BT)x=c
一旦解向量
x
x
x求出后,即可利用向量的矩阵化算符得到原矩阵方程组的解矩阵
X
=
u
n
v
e
c
(
x
)
X=unvec(x)
X=unvec(x)。
考查观测过程 y ( n ) y(n) y(n),它是一个 p p p维随机向量,即 y ( n ) = [ y 1 ( n ) , y 2 ( n ) , … , y p ( n ) ] T y(n)=[y_1(n),y_2(n),…,y_p(n)]^T y(n)=[y1(n),y2(n),…,yp(n)]T。随机向量的累积量有两种不同的定义选择。
除了使用状态空间模型外,随机向量过程
y
(
n
)
y(n)
y(n)也可视为一个线性多信道系统的输出,该系统的冲激响应矩阵为
H
(
n
,
k
)
H(n,k)
H(n,k),输入为随机向量
e
(
n
)
e(n)
e(n)。具体地说,
y
(
n
)
y(n)
y(n)可表征为
y
(
n
)
=
∑
k
=
−
∞
∞
H
(
n
,
k
)
e
(
n
)
(1)
y(n)=\sum_{k=-\infty}^{\infty}H(n,k)e(n) \tag{1}
y(n)=k=−∞∑∞H(n,k)e(n)(1)
其中,
y
(
n
)
∈
R
n
y
,
e
(
n
)
∈
R
n
e
y(n)\in R^{n_y},e(n)\in R^{n_e}
y(n)∈Rny,e(n)∈Rne和
H
(
n
,
k
)
∈
R
n
y
×
R
n
e
H(n,k)\in R^{n_y}\times R^{n_e}
H(n,k)∈Rny×Rne,且
X
×
Y
X\times Y
X×Y表示非空集合
X
X
X与
Y
Y
Y的积集合,即
X
×
Y
=
(
x
,
y
)
:
x
∈
x
∈
X
,
y
∈
Y
X\times Y={(x,y):x\in x\in X,y\in Y}
X×Y=(x,y):x∈x∈X,y∈Y。
假定
e
(
n
)
e(n)
e(n)与
e
(
m
)
,
n
≠
m
e(m),n≠m
e(m),n=m独立,即其累积量为多维Kronecker δ函数:
C
k
e
(
n
;
τ
1
,
…
,
τ
k
−
1
)
=
c
u
m
e
(
n
)
,
e
(
n
+
τ
1
)
,
…
,
e
(
n
+
τ
k
−
1
)
C_{ke}(n;\tau_1,…,\tau_{k-1})=cum{e(n),e(n+\tau_1),…,e(n+\tau_{k-1})}
Cke(n;τ1,…,τk−1)=cume(n),e(n+τ1),…,e(n+τk−1)
=
Υ
k
e
(
n
)
δ
(
τ
l
)
…
δ
τ
k
−
1
)
(2)
=\Upsilon_{ke}(n)\delta(\tau_l)…\delta\tau_{k-1}) \tag{2}
=Υke(n)δ(τl)…δτk−1)(2)
式中,输入累积量
Υ
k
e
(
n
)
\Upsilon_{ke}(n)
Υke(n)是一个有
n
e
k
n_e^k
nek元素的向量。
定理(多信道BBR公式)
对于由(1)式定义的线性向量过程
y
(
n
)
y(n)
y(n),若输入满足(2)式,且冲激响应矩阵
H
(
n
,
k
)
H(n,k)
H(n,k)是绝对可和的,即
∑
n
=
0
∞
∑
k
=
−
∞
∞
∣
H
(
n
,
k
)
∣
<
∞
\sum_{n=0}^{\infty}\sum_{k=-\infty}^{\infty}|H(n,k)| < \infty
n=0∑∞k=−∞∑∞∣H(n,k)∣<∞
则输出向量过程的
k
k
k阶累积量向量由BBR公式给出;并且当系统是时不变即
H
(
n
,
k
)
=
H
(
n
−
k
)
H(n,k)=H(n-k)
H(n,k)=H(n−k)以及
Υ
k
e
(
n
)
=
Υ
k
e
\Upsilon_{ke}(n)=\Upsilon_{ke}
Υke(n)=Υke时,
c
k
y
(
τ
1
,
.
.
.
,
τ
k
−
1
)
=
∑
i
=
−
∞
∞
[
H
(
i
)
⊗
H
(
i
+
τ
1
)
⊗
.
.
.
⊗
H
(
i
+
τ
k
−
1
)
]
Υ
k
e
c_{ky}(\tau_1,...,\tau_{k-1})=\sum_{i=-\infty}^{\infty}[H(i)\otimes H(i+\tau_1)\otimes ... \otimes H(i+\tau_{k-1})]\Upsilon_{ke}
cky(τ1,...,τk−1)=i=−∞∑∞[H(i)⊗H(i+τ1)⊗...⊗H(i+τk−1)]Υke
=
∑
i
=
−
∞
∞
[
⨂
l
=
0
l
−
1
H
(
i
+
τ
l
)
]
Υ
k
e
,
τ
0
=
0
=\sum_{i=-\infty}^{\infty}[\bigotimes_{l=0}^{l-1}H(i+\tau_l)]\Upsilon_{ke},\tau_0=0
=i=−∞∑∞[l=0⨂l−1H(i+τl)]Υke,τ0=0
利用Kronecker积还容易推导出多信道ARMA过程的累积量与多信道AR参数之间的线性法方程-多信道修正Yule-Walker(MYW)方程,它是辨识多信道ARMA模型的关键方程。