孙杨威12281201模式识别第四次试验报告.docVIP

实 验 报 告 学生姓名：孙杨威 学 号：实验地点：九教北401 实验时间：2014.10.30 实验名称： 概率密度函数估计（非参数方法） 实验原理： 非参数估计： 设样本x落入区域R的概率P p(x)为x的总体概率密度函数，若从概率密度函数为p(x)的总体中独立抽取N个样本x1,x2,…,xN，其中k个样本落入区域R的概率符合二项分布： 以证明，下式是P的一个较好的估计 设区域R足够小，其体积为V， 为概率密度函数p(x)的估计,p(x)连续且在R上无变化，则： 与样本数N、区域R的体积V、落入V中的样本数k有关，它是的一个空间平均估计 ① 当V固定的时候N增加, k也增加,当N→∞时，N→∞，此时P=k/N→1， 只反映了P(x)的空间平均估计，而反映不出空间的变化 ② N固定,体积变小，当V→0时 k＝0时： k≠0时： 所以起伏比较大,噪声比较大,需要对V进行改进. 实验三：Parzen窗口估计： 假设RN为一个d维的超立方体，hN为超立方体的长度 ∴超立方体体积为： ， d=1，窗口为一线段 d=2，窗口为一平面 d=3，窗口为一立方体 d3，窗口为一超立方体 ∵ ф(u) 是以原点x为中心的超立方体。 ∴在xi落入方窗时，则有 在VN内为1 不在VN内为0 落入VN的样本数为所有为1者之和 ∴ 密度估计 实验四：kN-近邻估计： KN近邻法的思想是以x为中心建立空舱，使v↑，直到捕捉到KN个样本为止，称KN-近邻估计 v的改进，样本密度大，VN ↓; 样本密度小，VN ↑; ∴P(x)的估计为： 实验内容： 实验三： MATLAB编程实现：利用Parzen窗法，估计单一正态分布和两个均匀分布 样本数N分别为1、16、256、 （无穷大用一个比较大的数据代替） 窗口宽度 分别为：0.25、1、4 画出实验结果图 实验四： MATLAB编程实现：利用 ，估计单一正态分布和两个均匀分布 样本数N分别为1、16、256、 （无穷大用一个比较大的数据代替） 近邻： 画出实验结果图 单一正态分布：标准正态分布 两个均与分布：混合概率密度函数 实验步骤： 利用MATLAB编程实现实验一到四 得出实验结果及结果图 对得出的实验结果进行分析 实验代码及分析： 实验三： Parzen窗函数： function p = Parzen(x, X, h1, N) % x为横坐标; X为样本; h1用来调节窗宽h; N为样本个数. h = h1 / sqrt(N); % h为窗宽. sum = zeros(1, 100); for i = 1:N sum = sum + normpdf((x - X(i))/h, 0, 1); %用正态窗函数作Parzen窗估计 end %normpdf：正态概率密度函数 p = sum/(N * h); end Parzen窗法估计单一正态分布： clc; close all; clear all; M = 128^2; %调整M的值可以改进精度 x = linspace(-3, 3, 100); %功能：用于产生-3,3之间的100点行线性的矢量。 X = randn(M, 1) %产生标准正态分布 figure; p = Parzen(x, X, 0.25, 1); subplot(4,3,1);plot(x, p);title(N =1, h1 = 0.25);axis([-3, 3, 0, 2]);grid on; p = Parzen(x, X, 1, 1); subplot(4,3,2);plot(x, p);title(N =1, h1 = 1);axis([-3, 3, 0, 2]); grid on; p = Parzen(x, X, 4, 1); subplot(4,3,3);plot(x, p);title(N =1, h1 = 4);axis([-3, 3, 0, 2]); grid on; p = Parzen(x, X, 0.25, 16); subplo