以前接触高斯函数觉得很奇怪，在许多领域里面高斯过程都是不可分割的一部分，图像里面有高斯滤波，卡尔曼滤波用的也是高斯等等，。在上了随机过程这门课以后，张灏老师非常详细的讲解了使用高斯过程的动机，最起码现在从一头雾水成了一知半解了吧，这部分内容还是挺有趣的，所以就将它记录一下，免得忘记了。课堂上，老师从三个方面讲述了学习高斯过程的动机。
一、从中心极限定理出发（Central Limit Theorem）
首先说明一下什么是大数定律和中心极限定理。
分别是独立同分布的随机变量，简称。
大数定律为，当样本数量趋近于无穷大的时候，他们的和除以总数趋近于均值：
中心极限定理说明当样本数量趋近于无穷大的时候，他们的和除以根号n趋近于一个均值为0，方差为1的高斯分布，，当然均值和方差的值是由于随机变量决定的，即，。
如何证明这两个定理呢？这里需要引入一个特征函数，了解傅里叶变换的人可以知道这就相当于对做傅里叶反变换。
设，所以
可以看到随着样本数量的增多，Y的特征函数随机性是在增加的。
大数定律的证明：
对进行泰勒展开：
其中是样本的均值，根据，所以可以得出在n趋向于无穷的情况下：
易得：
中心极限定理的证明：
前面一部分与上面的正面相似，只不过就是将n变成了根号n，为，对其进行泰勒展开，不过这回展开得到二阶项，为：
由于前面规定了均值为0，方差为1，所以上式的第二项为0，可以得出:
现在就需要证明是不是一个高斯过程的特征函数了，证明过程如下：
设随机变量~，则
将上式积分里面的e的指数进行配方，配方的要求是将有x的项都放在一起，配方的结果如下：
可以看到积分里面恰好是一个高斯函数，则它的积分为，则后面的积分加系数为1，综上所述：
所以若X的均值为0，方差为1，高斯过程的特征函数刚好就是，那么就可以得到结论就是中心极限定理的值趋近于高斯分布。这也可以说明了当随机变量的总和除以n的时候，变量的随机性都给抹杀了，而除以根号n，变量之间的关系还是存在的，并没有将随机性全部给抹去。
二、从最大熵的角度出发（Maximum Entropy）
熵在信息论里面是信息的度量，熵越大，信息的不确定性也就越大，熵的定义如下：
一般对数以2为底
在概率分布里面，均匀分布的时候熵是最大的，但是在实际过程中，如果自变量是从负无穷到正无穷，那么均匀分布就不好表示了，所以这里需要求一个最大熵，在自变量的区间从负无穷到正无穷的时候，熵的最大值，也就是最大熵的分布是怎样的呢？最大熵在不同的约束下有不同的最大分布，这里我们就约束到了二阶矩，最大熵就是求满足如下条件的所有概率密度函数的熵的最大值
1、，当x在支撑集外部时等号成立
2、
3、
4、
证明过程如下：
设，是X的概率密度函数，使用拉格朗日数乘法可以得到下式：
一般这个时候就是对上面的公式求导找出导数为0的点，这里G(f)不仅与有关，与其导数和x均有关，就相当于一个泛函，函数的函数，所以直接求导就不是那么容易的一件事情了，这里就使用了变分的方法。
将H(t)设置成为的函数，是极值函数或者是极值曲线（即让G达到最大值的函数），g是一个可微函数，t是一微量的参变量，其中:
所以在t=0处的导数为： (因为为极大值）,那么 (对数是以e为底）
由于导数是在t=0的时候为0，所以将t=0代入上式：
可以得到在约束到二阶矩的最大熵为高斯分布，不过一定得注意最大熵并不一定都是高斯分布，他与概率密度函数的约束有关。
三、从分子运动的角度（Molecular Dynamic）
想象一下比如说有n个分子，在一维的空间中运动，你会使用什么样的模型来描述它呢？由于分子之间存在相互碰撞，如果仅仅研究单个分子的运动是很难的，因为分子之间是相互影响的。爱因斯坦在1905年就提出了一个用统计模型来描述分子运动的方法。设一个模型为：
则分子的分布为：
（1）
分别对两个变量进行泰勒展开：
将两式分别带入方程（1）可以得到：
这是一个扩散方程，，通过它可以得到：
这就是一个高斯函数，由于自己的物理实在是不行，这个扩散方程就不细讲了。不过，可以知道的是许多噪声都来源于分子的热运动，所以这也能解释为何有时候噪声的设定会喜欢用高斯了。
总结
以上就是课上老师所讲的使用高斯过程的原因，当然里面还有许多细节部分还是需要推敲的，但我觉得能理解这些大概的就可以了，高斯过程是一个很奇妙的过程，它的性质也有很多，最重要的还是得去理解它本身的性质。后期有时间再记录高斯过程这个性质和它的变体吧。
参考
张灏老师的随机过程