拉丁超立方抽样-对数正态分布

  • 0、拉丁超立方抽样的理论基础
    • 0.1、概况
    • 0.2、基本原理
    • 0.3、基本步骤
  • 1、导入库和基本准备
  • 2、生成(具有对数正态分布的随机变量)参数的随机数
  • 3、将生成的随机数输出到Excel中
  • 4、将生成的随机数输出到图像中
  • 5、代码肯定可以实现抽样,若需一步一步的更详尽解释,请“挪步”佐佑思维公众号→免费、有问必答!
  • 6、 ★佐佑思维二维码★

0、拉丁超立方抽样的理论基础

0.1、概况

拉丁超立方体采样(LHS)最早由McKay等提出,并由Iman和Conover进一步发展,在很多领域中具有广泛的应用性。

拉丁超立方抽样也是一种分层抽样,在蒙特∙卡罗抽样方法的基础上对采样策略进行了改进,从而做到在保持统计显著性的同时减小采样规模。根据对每个超立方体内样本点的确定方式不同,可将拉丁超立方抽样技术分为:

  • 中值拉丁超立方抽样法
  • 拉丁超立方重要抽样法
  • 含随机排序法的拉丁超立方抽样

笔者重点介绍含随机排序法拉丁超立方抽样法的基本原理。

0.2、基本原理

拉丁超立方抽样的关键是对累积概率分布进行分层,累积概率在0到1之间,分成相等的间隔块后,根据间隔块的概率值得到样本区间。然后从每个样本区间中随机抽取样本,于是以抽样点代表每个区间的值。
根据n个随机变量x1x_1x1​, x2x_2x2​,∙∙∙, xkx_kxk​,∙∙∙, xnx_nxn​建立nnn维向量空间,每个随机变量都遵循一定的概率分布,xkx_kxk​的累积概率分布函数可以表示为
yk=f(x)y_{k}=f\left ( x \right ) yk​=f(x)

0.3、基本步骤

假设在每一维向量空间中抽取N个样本,得到拉丁超立方抽样模拟的步骤为:

  1. 将每一维向量空间分成N份,根据式上式的反函数求得对应区间,使得每个区间具有相同的概率;
  2. 在每一维的每个区间中随机选取一个点作为采样点;
  3. 对每一维空间选出的样本点进行随机排序组成各自向量;
  4. 将上面采集到的样本向量进行组合就得到一个k×Nk×Nk×N的样本矩阵。

如下图所示,累积概率分布函数曲线被分成三个区间,每个区间都抽取一个样本,每个区间都有样本取出,且一旦取出后,这个区间将不再被抽样。

避免了在抽样量较少时可能出现的“聚集”问题,样本可以更加准确反映输入概率分布,实际应用时具有高效性。

1、导入库和基本准备

如前正态分布的抽样博客。

相对于生成生态分布随机变量的抽样方法及代码,仅仅需要改变生成部分即可,故本文仅仅展示了修改部分代码,其他部分请参见博文《对应于正态分布的拉丁超立方抽样

2、生成(具有对数正态分布的随机变量)参数的随机数

代码转第6条

3、将生成的随机数输出到Excel中

如前正态分布的抽样博客。

注意参数个数-D的变化对代码的影响

4、将生成的随机数输出到图像中

如前正态分布的抽样博客。

注意参数个数-D的变化对代码的影响

5、代码肯定可以实现抽样,若需一步一步的更详尽解释,请“挪步”佐佑思维公众号→免费、有问必答!

6、 ★佐佑思维二维码★

对应于对数正态分布的拉丁超立方抽样——Python版相关推荐

  1. 对应于正态分布的拉丁超立方抽样——Python版

    拉丁超立方抽样-正态分布 0.拉丁超立方抽样的理论基础 0.1.概况 0.2.基本原理 0.3.基本步骤 1.导入库和基本准备 2.生成两个(具有正态分布的随机变量)参数的随机数 2.1.生成第一个参 ...

  2. 论文复现:模拟风电不确定性——拉丁超立方抽样生成及缩减场景(Matlab全代码)

    风电出力的不确定性主要源于预测误差,而研究表明预测误差(e)服从正态分布且大概为预测出力的10%.本代码采用拉丁超立方抽样实现场景生成[1,2].基于概率距离的快速前代消除法实现场景缩减[3],以此模 ...

  3. 模拟光伏不确定性——拉丁超立方抽样生成及缩减场景(Matlab全代码)

    光伏出力的不确定性主要源于预测误差,而研究表明预测误差(e)服从正态分布且大概为预测出力的10%.本代码采用拉丁超立方抽样实现场景生成[1,2].基于概率距离的快速前代消除法实现场景缩减[3],以此模 ...

  4. 试验设计——拉丁超立方抽样

    目录 1 性质 2 原理 3 实现 4 结果​ 1 性质 当我们要对某个昂贵函数或者一些试验数据建立代理模型时,前期实验设计对于初始采样点的选取尤为重要,如何尽可能用少量点能够得到空间填冲效果好的初始 ...

  5. 拉丁超立方抽样 Latin hypercube sampling,java 代码

    生成随机样本时,若是简单的随机抽样,会有数据过度聚集的问题,拉丁超立方抽样解决了这个问题. 下面用图说明两者的区别: 图中可以看出,简单随机抽样中的数据大部分在中间,而拉丁立方抽样则均匀产生在各个小区 ...

  6. 基于拉丁超立方抽样的风,光,负荷场景生成方法 风电功率场景生成 ,光伏功率场景生成,负荷场景生成

    基于拉丁超立方抽样的风,光,负荷场景生成方法 风电功率场景生成 ,光伏功率场景生成,负荷场景生成 通过后向场景削减BR得到典型场景及其概率 提供参考文献,完美复现! 语言:MATLAB ID:6430 ...

  7. 拉丁超立方抽样的Python实现

    一.什么是拉丁超立方抽样     拉丁超立方采样是一种分层的蒙特卡洛采样方法,适用于多维空间均匀采样,适合于样本数较少的情况下使用.[1]     采样思想为:假设系统有m个因素,每个因素有n个水平. ...

  8. matlab 超拉丁,拉丁超立方抽样 专注matlab代码下载 Downma.com 当码网

    拉丁超立方抽样 关注次数: 95 下载次数: 9 文件大小: 60K 下载需要积分: 2 代码分类: 开发平台: matlab 上传会员: yhcpp 下载代码 预览代码 Downma.com:专注M ...

  9. 模拟负荷不确定性——拉丁超立方抽样生成及缩减场景(Matlab全代码)

    与风电.光伏不确定性不同,负荷不确定性的分布函数.预测误差有别于风电.光伏出力的不确定性,本代码通过拉丁超立方抽样和快速前代消除法模拟了负荷的不确定性,并提供了如何修改分布函数/概率密度函数的思路. ...

最新文章

  1. union和union all有什么区别
  2. 计算机组装与维护 授课计划,计算机课程教学计划
  3. springMVC---处理模型数据方法 *
  4. DevExperience(1801)
  5. java弹窗_弹出窗口总结 - 王道JAVA - CSDNBlog
  6. hive内部表和外部表的区别_3000字揭秘Greenplum的外部数据加载——外部表
  7. Rational Rose安装使用教程
  8. CE教程第八步之多级指针
  9. 智慧运维:基于 BIM 技术的可视化管理系统
  10. Urlrewrite地址重写
  11. Windows 10 不同版本WHQL认证驱动数字签名兼容问题
  12. 计算机桌面左侧在显示器里面,电脑屏幕显示偏左怎么解决
  13. C/C++后端开发学习路线总结(附带实习学习经历分享)
  14. C++ 复合梯形法、复合辛普森法求解定积分
  15. 彻底读懂行为经济学名著《思考,快与慢》
  16. win10快速关机_WIN10系统这几个关机方式,值得收藏
  17. Python计算空间二面角
  18. 光会码数,没有结论?试试这5种分析方法
  19. 【Vue.js】892- Vue 3.0 进阶之动态组件探秘
  20. VDS三个月暴涨60倍,他却宁愿摊摊手放走暴富机会

热门文章

  1. 《Java从小白到大牛》第29章:项目实战1:开发PetStore宠物商店项目
  2. python爬取新浪微博内容_python新浪微博爬虫,爬取微博和用户信息 (含源码及示例)...
  3. 声网在线K歌房解决方案:一站式接入版权曲库与K歌组件
  4. C语言关于指针,gets()和gets_s()函数的理解
  5. tlc5620输出三角波流程图_基于TLC5620 DAC波形发生器的设计——锯齿波、三角波
  6. 线上服务器CPU负载过高的问题解决过程
  7. 2023年最新Kali安装教程(超详细,手把手教你下载安装kali虚拟机)
  8. Unity PureMVC框架案例
  9. InvalidateRect()与Invalidate()的用法(转)
  10. php的fn_alert,fn+q是什么