核函数的带宽选取matlab,核密度估计 Kernel Density Estimation (KDE) MATLAB

核密度估计 Kernel Density Estimation (KDE) MATLAB

对于已经得到的样本集, 核密度估计是一种可以求得样本的分布的概率密度函数的方法:

通过选取核函数和合适的带宽, 可以得到样本的 distribution probability, 在这里核函数选取标准正态分布函数, bandwidth 通过 AMISE 规则选取

具体原理及定义: 传送门 https://en.wikipedia.org/wiki/Density_estimation

MATLAB 代码实现如下:

% Kernel Density Estimation

% 只能处理正半轴密度function[t,y_true,tt,y_KDE]=KernelDensityEstimation(x)

%clear

%x=px_last;

%x=px_last_tu;

%%

% 参数初始化

Max = round(max(x)); % 数据中最大值

Min = round(min(x)); % 数据中最小值

Ntotal = length(x); % 数据个数

tt = 0 : 0.1 : Max; % 精确 x 轴

t = 0 : Max; % 粗略 x 轴

y_KDE = zeros(10 * Max+1, 1); % 核密度估计值

sum1 = 0; % 求和的中间变量

%%

% 计算带宽 hR=1/(2*sqrt(pi));

m2=1;

h=3;

%h=(R)^(1/5)/(m2^(2/5)*R^(1/5)*Ntotal^(1/5));

%%

% 计算核密度估计fori=0:0.1:Max

forj=1:Ntotal

sum1=sum1+normpdf(i-x(j));

end

y_KDE(round(i*10+1))=sum1/(h*Ntotal);

sum1=0;

end

sum2 = sum(y_KDE)*0.1; % 归一化 KDE 密度fori=0:0.1:Max

y_KDE(round(i*10+1))=y_KDE(round(i*10+1))/sum2;

end

%%

% 计算真实密度的分布y_true=zeros(Max+1,1);

fori=0:Max

forj=1:Ntotal

if(x(j)=i)

y_true(i+1)=y_true(i+1)+1;

end

end

y_true(i+1)=y_true(i+1)/Ntotal;

end

%%

% 绘图

% figure(1) % 真实密度的分布图象%bar(t,y_true);

%axis([MinMax+10max(y_true)*1.1]);

%

% figure(2) % 核密度估计的密度分布图象%plot(tt,y_KDE);

%axis([MinMax0max(y_true)*1.1]);

给定测试数据:

data = [1,2,3,4,5,2,1,2,4,2,1,4,7,4,1,2,4,9,8,7,10,1,2,3,1,0,0,3,6,7,8,9,4]

样本的条形统计图和 KDE 密度分布图分别如下, 可以看到 KDE 可以较好的还原样本的分布情况:

真实概率分布图

KDE 密度分布图

来源: https://www.cnblogs.com/olivermahout/p/10295813.html