孙杨威12281201模式识别第4次试验报告.docVIP

实 验 报 告 学生姓名：孙杨威 学 号： 12281?201 实验地点：九教北40?1 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：Parze?n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： MATLA?B编程实现?：利用Par?zen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： MATLA?B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MAT?LAB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： Parze?n窗函数： funct?ion p = Parze?n(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 + normp?df((x - X(i))/h, 0, 1); %用正态窗函?数作Par?zen窗估?计 end %normp?df：正态概率密?度函数 p = sum/(N * h); end Parze?n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 = linsp?ace(-3, 3, 100); %功能：用于产生-3,3之间的1?00点行线?性的矢量。 X = randn?(M, 1) %产生标准正?态分布 figur?e; p = Parze?n(x, X, 0.25, 1); subpl?ot(4,3,1);plot(x, p);title?(N =1, h1 = 0.25);axis([-3, 3, 0, 2]);grid on; p = Parze?n(x, X, 1, 1); subpl?ot(4,3,2);plot(x, p);title?(N =1, h1 = 1);axis([-3, 3, 0, 2]); grid on; p = Parze?n(x, X,