matlab畫一個一維高斯分佈和似然估計
n=5;m=0;s=1;x=s*randn(n,1)+m;mh=mean(x);sh = std(x,1);
X=linspace(-4,4,100);Y=exp(-(X-m).^2./(2*s^2))/(2*pi*s);
Yh=exp(-(X-mh).^2./(2*sh^2))/(2*pi*sh);
figure(1);clf;hold on;
plot(X,Y,'r-',X,Yh,'b--',x,zeros(size(x)),'ko');
legend('True','Estimated')
其中std()
函式:
std(A):
std(A)函式求解的是最常見的標準差,此時除以的是N-1。
std (A,flag):
這裡flag代表的是用哪一個標準差函式,如果取0,則代表除以N-1,如果是1代表的是除以N,
std(A,flag,dim):
第三個引數代表的是按照列求標準差還是按照行求標準差,std(A,1,1)代表的是按照列求標準差,std(A,1,2)代表的是按照行求標準差。
結果:
相關推薦
matlab畫一個一維高斯分佈和似然估計
n=5;m=0;s=1;x=s*randn(n,1)+m;mh=mean(x);sh = std(x,1); X=linspace(-4,4,100);Y=exp(-(X-m).^2./(2*s^2))
matlab:畫二維高斯分佈密度函式圖
首先,把二維正態分佈密度函式的公式貼這裡 這隻圖好大啊~~ 但是上面的那個是多維正態分佈的密度函式的通式,那個n階是對稱正定方陣叫做協方差矩陣,其中的x,pi,u都是向量形式。雖然這個式子很酷,但是用在matlab裡畫圖不太方面,下面換一個 這個公式與上面的
matlab練習程式(生成多維高斯分佈概率密度函式)
clear all; close all; clc; randn('seed',0); %%一維高斯函式 mu=0; sigma=1; x=-6:0.1:6; y=normpdf(x,mu,sigma); plot(x,y); figure; %%二維或多維高斯函式 m
python 多維高斯分佈資料生成
import numpy as np import matplotlib.pyplot as plt def gen_clusters(): mean1 = [0,0] cov1 = [[1,0],[0,10]] data = np.random.multi
二維高斯分佈(Two-dimensional Gaussian distribution)的引數分析
最近在看高斯混合模型(Gaussian Mixture Model, GMM),涉及到高斯分佈的引數。為此特意回顧了概率論的二維高斯分佈的相關概念,並分析了引數對二維高斯分佈曲面的影響。 1、多維高斯分佈的概率密度函式 多維變數X
影象處理 二維高斯分佈
為X,Y的相關係數!為0;σ1=σ2=σ 二維高斯曲面的公式(x,y代表畫素的模板座標,模板中心位置為原點) 根據這個公式,我們可以計算得到不同σ的高斯模板。下面是C語言程式實現: 當σ即半徑為0.7時: #include "stdafx.h" #include
Python 影象處理: 生成二維高斯分佈蒙版
在影象處理以及影象特效中,經常會用到一種成高斯分佈的蒙版,蒙版可以用來做影象融合,將不同內容的兩張影象結合蒙版,可以營造不同的藝術效果。 I=M∗F+(1−M)∗B 這裡I 表示合成後的影象,F 表示前景圖,B 表示背景圖,M 表示蒙版,或者直接用
協方差矩陣與二維高斯分佈
多維高斯分佈: f(x)=1(2π)d2|Σ|−12exp[−12(x−μ)TΣ−1(x−μ)]f(x)=1(2π)d2|Σ|−12exp[−12(x−μ)TΣ−1(x−μ)] 協方差矩陣是一個對稱
如何生成指定均值和協方差矩陣的二維高斯分佈資料
廢話不多說,先貼程式碼。function y= main_generate_data()clcclear close all%%%%%%%%%%%%%%%%%%%%%%%%%生成實驗資料集rand('state',0)sigma_matrix1=eye(2);sigma_
matlab生成兩類服從高斯分佈的資料 mvnrnd
由於實驗需要,需要生成兩類模式的資料,同時這兩類資料要服從正態分佈(高斯分佈)。使用matlab來實現:mu = [2 3];SIGMA = [1 0; 0 2];r = mvnrnd(mu,SIGMA,100);plot(r(:,1),r(:,2),'r+');hold
兩個多維高斯分佈之間的KL散度推導
在深度學習中,我們通常對模型進行抽樣並計算與真實樣本之間的損失,來估計模型分佈與真實分佈之間的差異。並且損失可以定義得很簡單,比如二範數即可。但是對於已知引數的兩個確定分佈之間的差異,我們就要通過推導的方式來計算了。 下面對已知均值與協方差矩陣的兩個多維高斯分佈之間的KL散度進行推導。當然,因為便於分
【學習筆記】Pattern Recognition&Machine Learning [1.2] Probability Theory(2) 基於高斯分佈和貝葉斯理論的曲線擬合
高斯分佈不必贅述,這裡記錄個有意思的東西,即從高斯分佈和貝葉斯理論出發看曲線擬合(即選擇引數w)。 首先假設我們使用多項式擬合曲線,根據泰勒展開的方法,我們可以用有限項多項式在一定精度內擬合任何曲線。 &nb
二維高斯模糊和可分離核形式的快速實現
高斯模糊原理 基本概念 二維高斯模糊,或者說高斯濾波,是影象處理中非常常見的操作。操作的核心是使用一個從高斯分佈中取樣得到的掩膜,或者叫核,和輸入圖片中的每個畫素及其鄰域進行計算,結果儲存到輸出圖片中。假設高斯核視窗尺寸為 (2w+1)×(2w+1),
高斯分佈和二項分佈屬於指數分佈族的證明
(宣告:本文章內容整理自網際網路以及斯坦福大學機器學習公開課Andrew Ng老師的講義) 1、什麼是指數分佈族 1.1 基本描述 指數型分佈是一類重要的分佈族,在統計推斷中,指數型分
通過簡單例子來理解先驗分佈、後驗分佈、似然估計&&貝葉斯公式
這幾個概念可以用“原因的可能性”和“結果的可能性”的“先後順序”及“條件關係”來理解。下面舉例: 隔壁老王要去10公里外的一個地方辦事,他可以選擇走路,騎自行車或者開車,並花費了一定時間到達目的地。在這個事件中,可以
Matlab產生二維混合高斯分佈及隨機數
參考:https://ww2.mathworks.cn/help/stats/gmdistribution.random.html 修改如下: Create a gmdistribution object and generate random variates. De
matlab生成二維服從高斯分佈的資料
由於實驗需要,需要生成兩類模式的資料,同時這兩類資料要服從正態分佈(高斯分佈)。 使用matlab來實現: mu = [2 3]; SIGMA = [1 0; 0 2]; r = mvnrnd(mu,SIGMA,100); plot(r(:,1),r(:,2
python畫高斯分佈圖形
高斯分佈,也叫正態分佈,是一個在數學、物理及工程等領域都非常重要的概率分佈,在統計學的許多方面有著重大的影響力。 若隨機變數X服從一個數學期望為μ、方差為σ^2的正態分佈,記為N(μ,σ^2)。其概率密度函式為正態分佈的期望值μ決定了其位置,其標準差σ決定了分佈的寬度。當μ = 0,σ = 1時的正態分佈是
Matlab繪製三維曲面(以二維高斯函式為例)
寒假學習了一下Python下的NumPy和pymatlab,感覺不是很容易上手。來學校之後,決定繼續看完數字影象處理一書。還是想按照上學期的模式,邊看邊實現書中的演算法。上學期看的時候,是用C語言實現的,發現寫程式太耗時間了,所以決定還是學習下Matlab吧(寒假莫有學會Python中的那些庫應用。。。)
matlab實現復高斯分佈---語句和解釋
網上對於matlab如何產生均值為0,方差為1的復高斯分佈一般都會給出這個答案: s = sqrt(var/2)*(randn(1,K) +j*randn(1,K)) (答案1)