PR上机实验3.docVIP

模式识别上机实验3: 密度的非参数估计 专业：数学与应用数学 学号： 姓名: 理论：已知一维样本，给出非参数密度估计的Parson窗算法。 实践：分别产生1、16、256和16384个服从一维标准正态分布的样本， 分别就窗宽为，，窗函数为高斯函数的情形估计所给样本的密度函数并画出图形。 分别就时用近邻方法估计所给样本的密度函数并画出图形。 1、实验过程 窗函数为高斯函数时，即正态函数为： 其图像为： 图1 再利用Parzen窗法的基本公式 上式中N分别取1、16、256和16384，分别取0.25,1和4，可得到结果 图2 根据图1和图2，我们可以清楚地了解到针对不同数目的样本总数，小窗过宽或者过窄都会造成较大的误差。以N=16为例就可以清晰地看到当h1=0.25时图象粗糙，在h1=4时得到的图象就比较光滑，跟标准正态分布密度图象比较相符。 邻近估计 题意要求分别就时用近邻方法估计所给样本的密度函数并画出图形。 根据邻近估计的基本公式，取可得 这里是的样本是一维的，取 ，根据MATLAB程序语言，可得图3 图3 通过编程实现和分析上图，可以这种近邻估计也能很好实现概率密度函数的估计，最后的一个图很清晰的可以看到标准正态分布概率曲线的样子，这要求样本数目很大，达到第四幅图的样子用了16384个样本。 2、实验代码 MATLAB代码如下： 三个常用窗函数 chuanghanshu.m function fu=chuanghanshu(u,t) if t==1 if abs(u)=1/2 fu=1; else fu=0; end elseif t==2 fu=exp(-(u^2)/2)/sqrt(2*pi); elseif t==3 fu=exp(-abs(u)); end 绘制三个常用窗函数图像huizhiCHS.m u=-5:0.1:5;N=size(u); for i=1:N(2) fu1(i)=chuanghanshu(u(i),1); fu2(i)=chuanghanshu(u(i),2); fu3(i)=chuanghanshu(u(i),3); end subplot(1,3,1),plot(u,fu1); subplot(1,3,2),plot(u,fu2); subplot(1,3,3),plot(u,fu3); Parzen窗法 Parzen.m function px=Parzen(X,h1) syms x; N=size(X);N=N(2); hN=h1/sqrt(N); for i=1:N pNx(i)=chuanghanshu((x-X(i))/hN,2)/hN/N; ezplot(pNx(i));hold on; plot(X(i),0,*);hold on; end px=sum(pNx);ezplot(px);hold off; 邻近法 KNLJ.m function KNLJ(X,h1) x=linspace(min(X)-0.5,max(X)+0.5,100);step=(max(X)-min(X))/100; N=size(X);N=N(2); SX=sort(X);px=0; for i=1:100 absX=sort(abs(SX-x(i)));d=absX(h1); px(i)=1/(sqrt(N)*2*d); end plot(x,px,r);hold off; 方窗邻近法 KNLJ.m function px=FCKNLJ(X,h1) x=linspace(min(X)-0.5,max(X)+0.5,100); N=size(X);N=N(2); SX=sort(X);px=0; for i=1:N-h1+1 XI=SX(i:i+h1-1); u=(x-mean(XI))./(max(XI)-mean(XI)+1/2); for j=1:100 if abs(u(j))=1 pNx(j)=1/(max(XI)-min(XI)+1)/(N-h1+1); else pNx(j)=0; end end plot(x,pNx);hold on; plo