parzen窗估计如何进行结果分析_Parzen窗方法的分析和研究
对Parzen窗/PNN算法的学习和研究报告姓名:吴潇学号:13337551、Parzen窗方法综述、发展历史及现状模式识别领域的非参数估计方法大致可以分为两类。第一种类型是先估计出概率密度函数的具体形式,然后再利用这个估计出来的概率密度函数对样本进行分类。第二种类型是,不估计具体的概率密度函数,而直接根据样本进行分类。Parzen窗方法就是属于第一种类型的非参数估计方法,概率神经网络(PNN)是
对
Parzen
窗
/PNN
算法的学习和研究报告
姓名:吴潇
学号:
1333755
1
、
Parzen
窗方法综述、发展历史及现状
模式识别领域的非参数估计方法大致可以分为两类。
第一种类型是先估计出概率密度函
数的具体形式,然后再利用这个估计出来的概率密度函数对样本进行分类。第二种类型是,
不估计具体的概率密度函数,
而直接根据样本进行分类。
Parzen
窗方法就是属于第一种类型
的非参数估计方法,概率神经网络(
PNN
)是它的一种实现方式。
Parzen
窗方法的基本思想
是利用一定范围内的各点密度的平均值对总体密度函数进行估计。
Parzen
窗(
Parzen window
)又称为核密度估计(
kernel density estimation
)
,是概率论中
用来估计未知概率密度函数的非参数方法之一。该方法由
Emanuel
Parzen
于
1962
年在
The
Annals
of
Mathematical
Statistics
杂志上发表的论文“
On
Estimation
of
a
Probability
Density
Function
and
Mode
”
中首次提出。
Nadaraya
和
Watson
最早把这一方法用于回归法中。
Specht
把这一方法用于解决模式分类的问题,
并且在
1990
年发表的论文
“
Probabilistic neural
networks
”
中提出了
PNN
网络的硬件结构。
Ruppert
和
Cline
基于数据集密度函数聚类算法
提出了修订的核密度估计方法,对
Parzen
窗做了一些改进。
Parzen
窗方法虽然是在上个世纪
60
年代提出来的,
已经过去了
45
年的时间,
看上去是
一种很
“古老”
的技术,
但是现在依然有很多基于
Parzen
窗方法的论文发表。
这说明
Parzen
窗方法的确有很强的生命力和实用价值,虽然它也存在很多缺点。
2
、
Parzen
窗方法和概率神经网络
Parzen
窗方法就是基于当样本个数
n
非常大的时候,
有公式
更多推荐
所有评论(0)