parzen窗概率密度估计 matlab,核密度估计(parzen窗密度估计)
matlab中提供了核平滑密度估计函数ksdensity(x):
[f, xi] = ksdensity(x)
返回矢量或两列矩阵x中的样本数据的概率密度估计f。 该估计基于高斯核函数,并且在等间隔的点xi处进行评估,覆盖x中的数据范围。
ksdensity估计单变量数据的100点密度,或双变量数据的900点密度。
ksdensity适用于连续分布的样本。
也可以指定评估点:
[f,xi] = ksdensity(x,pts) specifies points (pts) to evaluate f. Here, xi and pts contain identical values。
核密度估计方法:
代码实现,对比:
clear all;
clc;
n=100;
% 生成一些正态分布的随机数
x=normrnd(0,1,1,n);
minx = min(x);
maxx = max(x);
dx = (maxx-minx)/n;
x1 = minx:dx:maxx-dx;
h=0.5;
f=zeros(1,n);
for j = 1:n
for i=1:n
f(j)=f(j)+exp(-(x1(j)-x(i))^2/2/h^2)/sqrt(2*pi);
end
f(j)=f(j)/n/h;
end
plot(x1,f);
%用系统函数计算比较
[f2,x2] = ksdensity(x);
hold on;
plot(x2,f2,'r'); %红色为参考
PRML上核密度估计(parzen窗密度估计)的实现:
%% Demonstrate a non-parametric (parzen) density estimator in 1D
%%
% This file is from pmtk3.googlecode.com
function parzenWindowDemo2
% setSeed(2);
%[data, f] = generateData;
% http://en.wikipedia.org/wiki/Kernel_density_estimation
data = [-2.1 -1.3 -0.4 1.9 5.1 6.2]';
f = @(x) 0;
n = numel(data);
domain = -5:0.001:10;
kernels = {'gauss', 'unif'};
for kk=1:2
kernel = kernels{kk};
switch kernel
case 'gauss', hvals = [1, 2];
case 'unif', hvals = [1, 2];
end
for i=1:numel(hvals)
h = hvals(i);
figure;
hold on
handle=plot(data, 0.01*ones(1,n), 'x', 'markersize', 14);
set(handle,'markersize',14,'color','k');
g = kernelize(h, kernel, data);
plot(domain,g(domain'),'-b');
if strcmp(kernel, 'gauss')
for j=1:n
k = @(x) (1/h)*gaussProb(x,data(j),h^2);
plot(domain, 0.1*k(domain'), ':r');
end
end
title(sprintf('%s, h=%5.3f', kernel, h), 'fontsize', 16);
%printPmtkFigure(sprintf('parzen-%s-%d', kernel, h));
end
%placeFigures('nrows',3,'ncols',1,'square',false);
end
end
function [data, f] = generateData
mix = [0.35,0.65];
sigma = [0.015,0.01];
mu = [0.25,0.75];
n = 50;
%% The true function, we are trying to recover
f = @(x)mix(1)*gaussProb(x, mu(1), sigma(1)) + mix(2)*gaussProb(x, mu(2), sigma(2));
%Generate data from a mixture of gaussians.
model1 = struct('mu', mu(1), 'Sigma', sigma(1));
model2 = struct('mu', mu(2), 'Sigma', sigma(2));
pdf1 = @(n)gaussSample(model1, n);
pdf2 = @(n)gaussSample(model2, n);
data = rand(n,1);
nmix1 = data <= mix(1);
data(nmix1) = pdf1(sum(nmix1));
data(~nmix1) = pdf2(sum(~nmix1));
end
function g = kernelize(h,kernel,data)
%Use one gaussian kernel per data point with smoothing parameter h.
n = size(data,1);
g = @(x)0;
%unif = @(x, a, b)exp(uniformLogprob(structure(a, b), x));
for i=1:n
switch kernel
case 'gauss', g = @(x)g(x) + (1/(h*n))*gaussProb(x,data(i),h^2);
%case 'unif', g = @(x)g(x) + (1/n)*unif(x,data(i)-h/2, data(i)+h/2);
case 'unif', g = @(x)g(x) + (1/(h*n))*unifpdf(x,data(i)-h/2, data(i)+h/2);
end
end
end
function setupFig(h)
figure;
hold on;
axis([0,1,0,5]);
set(gca,'XTick',0:0.5:1,'YTick',[0,5],'box','on','FontSize',16);
title(['h = ',num2str(h)]);
scrsz = get(0,'ScreenSize');
left = 20; right = 20;
lower = 50; upper = 125;
width = scrsz(3)-left-right;
height = (scrsz(4)-lower-upper)/3;
set(gcf,'Position',[left,scrsz(4)/2,width, height]);
end
function p = gaussProb(X, mu, Sigma)
% Multivariate Gaussian distribution, pdf
% X(i,:) is i'th case
% *** In the univariate case, Sigma is the variance, not the standard
% deviation! ***
% This file is from pmtk3.googlecode.com
d = size(Sigma, 2);
X = reshape(X, [], d); % make sure X is n-by-d and not d-by-n
X = bsxfun(@minus, X, rowvec(mu));
logp = -0.5*sum((X/(Sigma)).*X, 2);
logZ = (d/2)*log(2*pi) + 0.5*logdet(Sigma);
logp = logp - logZ;
p = exp(logp);
end
function x = rowvec(x)
% Reshape a matrix into a row vector
% Return x as a row vector. This function is useful when a function returns a
% column vector or matrix and you want to immediately reshape it in a functional
% way. Suppose f(a,b,c) returns a column vector, matlab will not let you write
% f(a,b,c)(:)' - you would have to first store the result. With this function you
% can write rowvec(f(a,b,c)) and be assured that the result is a row vector.
% This file is from pmtk3.googlecode.com
x = x(:)';
end
function y = logdet(A)
% Compute log(det(A)) where A is positive-definite
% This is faster and more stable than using log(det(A)).
%
%PMTKauthor Tom Minka
% (c) Microsoft Corporation. All rights reserved.
% This file is from pmtk3.googlecode.com
try
U = chol(A);
y = 2*sum(log(diag(U)));
catch % #ok
y = 0;
warning('logdet:posdef', 'Matrix is not positive definite');
end
end
对比发现与MATLAB自带的函数的估计结果仍有一定的差异?
参考:
parzen窗概率密度估计 matlab,核密度估计(parzen窗密度估计)相关推荐
- 核密度估计 matlab,核密度估计(kde)的工具箱
kde工具箱(matlab) @kde Contents.m README.txt TODO.txt adjustBW.dll adjustBW.m adjustBW.mexglx adjustPoi ...
- parzen窗估计如何进行结果分析_Parzen窗方法的分析和研究
1333755 第 1 页 对 Parzen 窗 /PNN 算法的学习和研究报告 姓名:吴潇 学号: 1333755 1 . Parzen 窗方法综述.发展历史及现状 模式识别领域的非参数估计方法大致 ...
- parzen窗估计如何进行结果分析_Parzen窗方法的分析和研讨
对 Parzen 窗 /PNN 算法的学习和研究报告 姓名:吴潇 学号: 1333755 1 . Parzen 窗方法综述.发展历史及现状 模式识别领域的非参数估计方法大致可以分为两类.第一种类型是先 ...
- 核密度聚类(一)核函数、核密度估计、核密度聚类
核密度聚类 当问题需要自动地确定聚类数目时,传统的KMeans等聚类方法不在适用.因此,使用"核概率密度估计"的思路自行设计了两种聚类方法.本文收录: 核是什么 核密度估计 基于核 ...
- matlab程序 地震 相干噪声_地震台站台基噪声功率谱概率密度函数Matlab实现
地震台站台基噪声功率谱概率密度函数 Matlab 实现 谢江涛 林丽萍 谌 亮 赵 敏 [摘 要] 摘要 选取 2015 年四川数字测震台网中筠连和华蓥山地震台记录的垂 直分向连续波形数据,利用 Ma ...
- Matlab GUI自定义提示窗(对话框)
Matlab GUI自定义提示窗/对话框 前言 1. 采用警告窗口 2. 采用消息窗口为模板,自定义logo 3. 自定义提示窗口字体的大小 4. 将窗口字体据中显示 总结 欢迎学习交流! 邮箱: z ...
- matlab设置固定的窗宽窗位,【经验谈】如何设定窗宽窗位,附正常人体组织CT值...
让学习成为一种习惯! 医学影像服务中心拥有500病例征象+讲座 一般CT机可显示的CT值范围为-1000-+1000共2000个密度等级,而人的肉眼仅能识别16个灰阶,若把2000个CT值分成16个灰 ...
- matlab 功率谱密度 汉宁窗_信号处理的基本概念
传感器类型: 根据传感器各构成部分工作方式的不同,可将传感器分成不同的类型:依据接收方式不同,有相对式和绝对式(惯性式)之分:依据机电转换输出量的不同又有发电机型和参数型两种类型.测量电路可输出不同的 ...
- matlab 功率谱密度 汉宁窗_信号系统的一些基本概念
泄露 截断会使谱分析精度受到影响.如果时域信号是周期性的,而截断又按整周期取数,信号截断不会产生问题,因为每周期信号都能代表整个周期信号变化情况.若不是整周期截取数据,则截断将使信号波形两端产生突变, ...
最新文章
- AngularJS和DataModel
- UA OPTI570 量子力学1 电磁波与光子
- VTK:Utilities之Scalars
- python ssl_Python3 ssl模块不可用的问题
- 首批国家应用数学中心:广东独占2家
- Java 算法 找素数
- doc转docx文件会乱吗_利用python将doc文件转换为docx
- mysql主流版本2020_mysql高级2020.7.12-2020.7.13
- PHP 实现文件下载实例
- FLASH缓动导航制作方法.
- 基于单片机智能自动浇花控制系统设计(毕业设计)
- 【剑指offer】19. 二叉树的镜像
- tplink怎么进去_如何进入路由器设置界面 如何登陆无线路由器
- 计算机断电硬盘数据会丢失吗,为什么突然停电后电脑硬盘数据会丢失?
- Python实现简单的神经网络
- APP安全测试点分析
- 【C语言/入门游戏】猜数字,关机指令游戏及go to语句
- java技术交流群532101200
- 基于Filament引擎的Animoji效果实现
- 基于HTML仿oppo手机商城电商项目的设计与实现6个页面