% PPT 例2 一维正态密度与二维正态密度 syms x y; s=1; t=2;
mu1=0; mu2=0; sigma1=sqrt((1+s^2)); sigma2=sqrt((1+t^2));
x=-6:0.1:6;
f1=1/sqrt(2*pi*sigma1)*exp(-(x-mu1).^2/(2*sigma1^2)); f2=1/sqrt(2*pi*sigma2)*exp(-(x-mu2).^2/(2*sigma2^2)); plot(x,f1,'r-',x,f2,'k-.')
rho=(1+s*t)/(sigma1*sigma2);
f=1/(2*pi*sigma1*sigma2*sqrt(1-rho^2))*exp(-1/(2*(1-rho^2))*((x-mu1)^2/sigma1^2-2*rho*(x-mu1)*(y-mu2)/(sigma1*sigma2)+(y-mu2)^2/sigma2^2)); ezsurf(f)
-6
-4-20246
x
44798133900177/281474976710656 exp(-5/2 x 2+3 x y-y 2)
y
% % The daily log returns on the stock have a mean of 0.05/year and a standard deviation of 0.23/year. These can be converted to rates per trading day by deviding by 253 and sqrt(253), respectively.
Question 1: What is the probability that the value of the stock will be below $950,000 at the close day of at least one of the next 45 trading days?
clear;
niter=1.0E5; % number of iterations
below=repmat(0,1,niter); % set up storage
randn('seed',0);
for i=1:niter
r=normrnd(0.05/253,0.23/sqrt(253),1,45); % generate random numbers
logPrice=log(1.0E6)+cumsum(r);
minlogP=min(logPrice); % minmum price over next 45 days
below(i)=sum(minlogP end Pro=mean(below) % P29 随机相位正弦波仿真 % 1 time simulation w=2; N=1000; mu=2; sigma=3; s=rand('state'); A=mu+sigma*randn(1,N); % A=normrnd(mu,sigma,1,N) theta=-pi+2*pi*rand(1,N); t=1:N; x=A.*cos(w*t+theta); capmu=mean(x) tao=1 x1=A.*cos(w*(t+tao)+theta); capgamma=mean((x-capmu).*(x1-capmu)) % m time simulation clear; w=2; N=1000; mu=2; sigma=3; m=500;capmu1=[];capgamma1=[]; for i=1:m s=rand('state'); A=mu+sigma*randn(1,N); theta=-pi+2*pi*rand(1,N); t=1:N; x=A.*cos(w*t+theta); capmu=mean(x); capmu1=[capmu1,capmu]; tao=1; x1=A.*cos(w*(t+tao)+theta); capgamma=mean((x-capmu).*(x1-capmu)); capgamma1=[capgamma1,capgamma]; end plot(1:m,capmu1,'*',1:m,capgamma1,'o') capmu=mean(capmu1); capgamma=mean(capgamma1); err1=mean((capmu1-0).^2); gamma=(sigma^2+mu^2)*cos(w*tao)/2; err2=mean((capgamma1-gamma).^2); [capmu,capgamma; err1, err2] % 输出： 0.0058 -2.7005 0.0065 0.0736 % P37 例3.1.1 p1=poisscdf(5,10) p2=poisspdf(0,10) [p1,p2] %输出 p1 =0.0671 p2 =4.5400e-005 ans =0.0671 0.0000 % P43 例3.2.1 p3=poisspdf(9,12) % 输出 p3 = 0.0874 % P43 例3.2.2 p4=poisspdf(0,12) % 输出 p4 = 6.1442e-006 % P39-40(Th3.1.1) Solve the difference equation system, find the solution % 输入： syms p0 p1 p2 ; S=dsolve('Dp0=-lamda*p0','Dp1=-lamda*p1+lamda*p0','Dp2=-lamda*p2+lamda*p1', 'p0(0) = 1','p1(0) = 0','p2(0) = 0'); [S.p0,S.p1,S.p2] % 输出： ans = [exp(-lamda*t), exp(-lamda*t)*t*lamda, 1/2*exp(-lamda*t)*t^2*lamda^2] % P43 泊松过程仿真 % simulate 10 times clear; m=10; lamda=1; x=[]; for i=1:m s=exprnd(lamda,'seed',1); x=[x,exprnd(lamda)]; t1=cumsum(x); end [x',t1'] %输出： ans = 0.6509 0.6509 2.4061 3.0570 0.1002 3.1572 0.1229 3.2800 0.8233 4.1033 0.2463 4.3496 1.9074 6.2570 0.4783 6.7353 1.3447 8.0800 0.8082 8.8882 %输入： N=[]; for t=0:0.1:(t1(m)+1) if t N=[N,0]; elseif t N=[N,1]; elseif t N=[N,2]; elseif t N=[N,3]; elseif t N=[N,4]; elseif t N=[N,5]; elseif t N=[N,6]; elseif t N=[N,7]; elseif t N=[N,8]; elseif t N=[N,9]; else N=[N,10]; end end plot(0:0.1:(t1(m)+1),N,'r-') %输出： % simulate 100 times clear; m=100; lamda=1; x=[]; for i=1:m s= rand('seed'); x=[x,exprnd(lamda)]; t1=cumsum(x); end [x',t1'] N=[]; for t=0:0.1:(t1(m)+1) if t N=[N,0]; end for i=1:(m-1) if t>=t1(i) & t end end if t>t1(m) N=[N,m]; end end plot(0:0.1:(t1(m)+1),N,'r-') % 输出： % P48 非齐次泊松过程仿真 % simulate 10 times clear; m=10; lamda=1; x=[]; for i=1:m s=rand('seed'); % exprnd(lamda,'seed',1); set seeds x=[x,exprnd(lamda)]; t1=cumsum(x); end [x',t1'] N=[]; T=[]; for t=0:0.1:(t1(m)+1) T=[T,t.^3]; % time is adjusted, cumulative intensity function is t^3. if t N=[N,0]; end for i=1:(m-1) if t>=t1(i) & t N=[N,i]; end end if t>t1(m) N=[N,m]; end end plot(T,N,'r-') % output ans = 0.4220 0.4220 3.3323 3.7543 0.1635 3.9178 0.0683 3.9861 0.3875 4.3736 0.2774 4.6510 0.2969 4.9479 0.9359 5.8838 0.4224 6.3062 1.7650 8.0712 x 105 10 times simulation 100 times simulation % P50 复合泊松过程仿真 % simulate 100 times clear; niter=100; % iterate number lamda=1; % arriving rate t=input('Input a time:','s') for i=1:niter rand('state',sum(clock)); x=exprnd(lamda); % interval time t1=x; while t1 x=[x,exprnd(lamda)]; t1=sum(x); % arriving time end t1=cumsum(x); y=trnd(4,1,length(t1)); % rand(1,length(t1)); gamrnd(1,1/2,1,length(t1))); frnd(2,10,1,length(t1))); t2=cumsum(y); end [x',t1',y',t2'] X=[]; m=length(t1); for t=0:0.1:(t1(m)+1) if t X=[X,0]; end for i=1:(m-1) if t>=t1(i) & t X=[X,t2(i)]; end end if t>t1(m) X=[X,t2(m)]; end end plot(0:0.1:(t1(m)+1),X,'r-') 跳跃度服从[0,1]均匀分布情形跳跃度服从)2/1,1( 分布情形 0102030405060708090 跳跃度服从t（10）分布情形 %% Simulate the probability that sales revenue falls in some interval. (e.g. example 3.3.6 in teaching material) clear; niter=1.0E4; % number of iterations lamda=6; % arriving rate (unit:minute) t=720; % 12 hours=720 minutes above=repmat(0,1,niter); % set up storage for i=1:niter rand('state',sum(clock)); x=exprnd(lamda); % interval time n=1; while x x=x+exprnd(1/lamda); % arriving time if x>=t n=n; else n=n+1; end end z=binornd(200,0.5,1,n); % generate n sales y=sum(z); above(i)=sum(y>432000); end pro=mean(above) Output: pro =0.3192 %% Simulate the loss pro. For a Compound Poisson process clear; niter=1.0E3; % number of iterations lamda=1; % arriving rate t=input('Input a time:','s') below=repmat(0,1,niter); % set up storage for i=1:niter rand('state',sum(clock)); x=exprnd(lamda); % interval time n=1; while x x=x+exprnd(lamda); % arriving time if x>=t n=n; else n=n+1; end end r=normrnd(0.05/253,0.23/sqrt(253),1,n); % generate n random jumps y=log(1.0E6)+cumsum(r); minX=min(y); % minmum return over next n jumps below(i)=sum(minX end pro=mean(below) Output: t=50, pro=0.45 % P86-87 (Example 5.1.5) markov chain chushivec0=[0 0 1 0 0 0] P=[0,1/2,1/2,0,0,0;1/2,0,1/2,0,0,0;1/4,1/4,0,1/4,1/4,0;0,0,1,0,0,0,;0,0,1/2,0, 0,1/2;0,0,0,0,1,0] jueduivec1=chushivec0*P jueduivec2=chushivec0*(P^2) % find 1 to n absolute-vector chushivec0=[0 0 1 0 0 0]; P=[0,1/2,1/2,0,0,0;1/2,0,1/2,0,0,0;1/4,1/4,0,1/4,1/4,0;0,0,1,0,0,0,;0,0,1/2,0, 0,1/2;0,0,0,0,1,0]; n=10 t=1/6*ones([1 6]); jueduivec=repmat(t,[n 1]); for k=1:n jueduiveck=chushivec0*(P^k); jueduivec(k,1:6)=jueduiveck end % Comparing two neighbour absolute-vectors n=70; jueduivecn=chushivec0*(P^n) n=71; jueduivecn=chushivec0*(P^n) % Replace the first distribution, Comparing two neighbour absolute-vectors once more chushivec0=[1/6 1/6 1/6 1/6 1/6 1/6]; P=[0,1/2,1/2,0,0,0;1/2,0,1/2,0,0,0;1/4,1/4,0,1/4,1/4,0;0,0,1,0,0,0,;0,0,1/2,0, 0,1/2;0,0,0,0,1,0]; n=70; jueduivecn=chushivec0*(P^n) n=71; jueduivecn=chushivec0*(P^n) % 赌博问题模拟（带吸收壁的随机游走：结束1次游走所花的时间及终止状态） a=5; p=1/2; m=0; while m<100 m=m+1; r=2*binornd(1,p)-1; if r==-1 a=a-1; else a=a+1; end if a==0|a==10 break; end end [m a] % 赌博问题模拟（带吸收壁的随机游走：结束N次游走所花的平均时间及终止状态分布规律）% p=q=1/2 p=1/2; m1=0; m2=0; N=1000; t1=0;t2=0; for n=1:1:N m=0; a=5; while a>0 & a<10 m=m+1; r=2*binornd(1,p)-1; if r==-1 a=a-1; else a=a+1; end end if a==0 t1=t1+m; m1=m1+1; else t2=t2+m; m2=m2+1; end end fprintf('The average times of arriving 0 and 10 respectively are %d,%d.\n',[t1/m1,t2/m2]); fprintf('The frequencies of arriving 0 and 10 respectively are %d,%d.\n',[m1/N, m2/N]); % verify: fprintf('The probability of arriving 0 and its approximate respectively are %d,%d.\n', [5/10, m1/N]); fprintf('The expectation of arriving 0 or 10 and its approximate respectively are %d,%d.\n', [5*(10-5)/(2*p), (t1+t2)/N ]); % p~=q p=1/4; m1=0; m2=0; N=1000; t1=zeros(1,N);t2=zeros(1,N); for n=1:1:N m=0;a=5; while a>0 & a<15 m=m+1; r=2*binornd(1,p)-1; if r==-1 a=a-1; else a=a+1; end end if a==0 t1(1,n)=m; m1=m1+1; else t2(1,n)=m; m2=m2+1; end end fprintf('The average times of arriving 0 and 10 respectively are %d,%d.\n',[sum(t1,2)/m1,sum(t2,2)/m2]); fprintf('The frequencies of arriving 0 and 10 respectively are %d,%d.\n',[m1/N, m2/N]); % verify: fprintf('The probability of arriving 0 and its approximate respectively are %d,%d.\n', [(p^10*(1-p)^5-p^5*(1-p)^10)/(p^5*(p^10-(1-p)^10)), m1/N]); fprintf('The expectation of arriving 0 or 10 and its approximate respectively are %d,%d.\n',[5/(1-2*p)-10/(1-2*p)*(1-(1-p)^5/p^5)/(1-(1-p)^10/p^10), (sum(t1,2)+sum(t2,2))/N]); p t a 0 t a % 应用随机过程（04年第一版）P125(example 5.29) 连续时间马尔可夫链PPT P29(例2) Solve the Kolmogorov difference equation,find the transation probabilities 输入： clear; syms p00 p01 p10 p11 lamda mu; P=[p00,p01;p10,p11]; Q=[-lamda,lamda;mu,-mu] P*Q 输出： ans = [ -p00*lamda+p01*mu, p00*lamda-p01*mu] [ -p10*lamda+p11*mu, p10*lamda-p11*mu] 输入： [p00,p01,p10,p11]=dsolve('Dp00=-p00*lamda+p01*mu','Dp01=p00*lamda-p01*mu','Dp10=-p10*lamda+p11*mu','Dp11=p10*lamda-p11*mu','p00(0)=1,p01(0)=0,p10(0)=0,p11(0)=1') 输出： p00 = mu/(mu+lamda)+exp(-t*mu-t*lamda)*lamda/(mu+lamda) p01 = (lamda*mu/(mu+lamda)-exp(-t*mu-t*lamda)*lamda/(mu+lamda)*mu)/mu p10 = mu/(mu+lamda)-exp(-t*mu-t*lamda)*mu/(mu+lamda) p11 = (lamda*mu/(mu+lamda)+exp(-t*mu-t*lamda)*mu^2/(mu+lamda))/mu % BPATH1 Brownian path simulation: for…end randn('state',100) % set the state of randn T = 1; N = 500; dt = T/N; dW = zeros(1,N); % preallocate arrays ... W = zeros(1,N); % for efficiency dW(1) = sqrt(dt)*randn; % first approximation outside the loop ... W(1) = dW(1); % since W(0) = 0 is not allowed for j = 2:N dW(j) = sqrt(dt)*randn; % general increment W(j) = W(j-1) + dW(j); end plot([0:dt:T],[0,W],'r-') % plot W against t xlabel('t','FontSize',16) ylabel('W(t)','FontSize',16,'Rotation',0) % BPATH2 Brownian path simulation: vectorized randn('state',100) % set the state of randn T = 1; N = 500; dt = T/N; dW = sqrt(dt)*randn(1,N); % increments W = cumsum(dW); % cumulative sum plot([0:dt:T],[0,W],'r-') % plot W against t xlabel('t','FontSize',16) ylabel('W(t)','FontSize',16,'Rotation',0) W(t) t %BPATH3 Function along a Brownian path randn('state',100) % set the state of randn T = 1; N = 500; dt = T/N; t = [dt:dt:1]; M = 1000; % M paths simultaneously dW = sqrt(dt)*randn(M,N); % increments W = cumsum(dW,2); % cumulative sum U = exp(repmat(t,[M 1]) + 0.5*W); Umean = mean(U); plot([0,t],[1,Umean],'b-'), hold on% plot mean over M paths plot([0,t],[ones(5,1),U(1:5,:)],'r--'), hold off% plot 5 individual paths xlabel('t','FontSize',16) ylabel('U(t)','FontSize',16,'Rotation',0,'HorizontalAlignment','right') legend('mean of 1000 paths','5 individual paths',2) aveerr = norm((Umean - exp(9*t/8)),'inf') % sample error % 输出： t aveerr = 0.0504 贝叶斯分类器的matlab实现 贝叶斯分类原理： 1)在已知P(Wi)，P(X|Wi)(i=1,2)及给出待识别的X的情况下，根据贝叶斯公式计算出后验概率P(Wi|X) ; 2)根据1)中计算的后验概率值，找到最大的后验概率，则样本X属于该类 举例： 解决方案： 但对于两类来说，因为分母相同，所以可采取如下分类标准： %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% %%% %By Shelley from NCUT，April 14th 2011 %Email:just_for_h264@https://www.doczj.com/doc/e418080707.html, %此程序利用贝叶斯分类算法，首先对两类样本进行训练， %进而可在屏幕上任意取点，程序可输出属于第一类，还是第二类%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% %%% clear; close all %读入两类训练样本数据 load data %求两类训练样本的均值和方差 u1=mean(Sample1); u2=mean(Sample2); sigm1=cov(Sample1); sigm2=cov(Sample2); %计算两个样本的密度函数并显示 x=-20:0.5:40; y= -20:0.5:20; [X,Y] = meshgrid(x,y); F1 = mvnpdf([X(:),Y(:)],u1,sigm1); F2 = mvnpdf([X(:),Y(:)],u2,sigm2); P1=reshape(F1,size(X)); P2=reshape(F2,size(X)); figure(2) surf(X,Y,P1) hold on surf(X,Y,P2) shading interp colorbar title('条件概率密度函数曲线'); %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% %% %以下为测试部分 %利用ginput随机选取屏幕上的点（可连续取10个点） 第三章随机过程 本节首先介绍利用matlab现有的库函数根据实际需要直接产生均分分布和高斯分布随机变量的方法，然后重点讲解蒙特卡罗算法。 一、均匀分布的随机数 利用MATLAB库函数rand产生。rand函数产生（0，1）内均匀分布的随机数，使用方法如下： 1）x=rand(m)；产生一个m×m的矩阵，所含元素取值均为在（0，1）内均匀分布的随机数。 2）x=rand(m，n)；产生一个m×n的矩阵，所含元素取值均为在（0，1）内均匀分布的随机数。 3）x=rand；产生一个随机数。 举例：1、产生一个5×5服从均匀分布的随机矩阵，所含元素取值均为在（0，1）内均匀分布的随机数。 x=rand(5) 2、产生一个5×3服从均匀分布的随机矩阵，所含元素取值均为在（0，1）内均匀分布的随机数。 x=rand(5,3) 二、高斯分布的随机数 randn函数产生均值为0，方差为1的高斯分布的随机数，使用方法如下： 1）x=randn(m)；产生一个m×m的矩阵，所含元素都是均值 为0，方差为1的高斯分布的随机数。 2）x=randn(m，n)；产生一个m×n的矩阵，所含元素都是均值为0，方差为1的高斯分布的随机数。 3）x=randn；产生一个均值为0，方差为1的高斯分布的随机数。 举例：1、产生一个5×5的矩阵，所含元素都是均值为0，方差为1的高斯分布的随机数。 x=randn(5) 2、产生一个5×3的矩阵，所含元素都是均值为0，方差为1的高斯分布的随机数。 x=randn(5,3) 3、产生一个5×3的矩阵，所含元素都是均值为0，方差为4的高斯分布的随机数。 x=2×randn(5,3) 三、蒙特卡罗仿真 1、蒙特卡罗算法 蒙特卡罗估计是指通过随机实验估计系统参数值的过程。蒙特卡罗算法的基本思想：由概率论可知，随机实验中实验的结果是无法预测的，只能用统计的方法来描述。故需进行大量的随机实验，如果实验次数为N，以 N表示事件A发 A 生的次数。若将A发生的概率近似为相对频率，定义为 N N。 A 这样，在相对频率的意义下，事件A发生的概率可以通过重 山东财政学院 2009—2010学年第 1 学期期末考试《应用随机过程》试卷(A ) （考试时间为120分钟） 参考答案及评分标准 考试方式： 闭卷 开课学院 统计与数理学院 使用年级 07级 出题教师 张辉 一． 判断题（每小题2分，共10分，正确划√，错误划ⅹ） 1. 严平稳过程一定是宽平稳过程。（ⅹ ） 2. 非周期的正常返态是遍历态。（√ ） 3. 若马氏链的一步转移概率阵有零元，则可断定该马氏链不是遍历的。（ⅹ ） 4. 有限马尔科夫链没有零常返态。（√ ） 5．若状态i 有周期d, 则对任意1≥n , 一定有：0)(?nd ii p 。（ⅹ ） 二． 填空题（每小题5分，共10分） 1. 在保险公司的索赔模型中，设索赔要求以平均每月两次的速率的泊松过程到达保险公司，若每次赔付金额是均值为10000元的正态分布，一年中保险公司的平均赔付金额是＿＿240000元＿＿＿。 2．若一个矩阵是随机阵，则其元素满足的条件是：（1）任意元素非负（2）每行元素之和为1。 三． 简答题（每小题5分，共10分） 1． 简述马氏链的遍历性。 答：设) (n ij p 是齐次马氏链{}1,≥n X n 的n 步转移概率，，如果对任意 I j i ∈,存在不依赖于i 的极限0)(?=j n ij p p ，则称齐次马氏链{}1,≥n X n 具有遍历性。 2． 非齐次泊松过程与齐次泊松过程有何不同？ 答：非齐次泊松过程与齐次泊松过程的不同在于：强度λ不再是常数，而是与t 有关，也就是说，不再具有平稳增量性。它反映了其变化与时间相关的过程。如设备的故障率与使用年限有关，放射物质的衰变速度与衰败时间有关，等等。 四． 计算、证明题（共70分） 1. 请写出C —K 方程，并证明之. （10分） 解： 2. 写出复合泊松过程的定义并推算其均值公式. （15分） 解：若{}0),(≥t t N 是一个泊松过程，是Λ,2,1,=i Y i 一族独立同分布的随机变量，并且与{}0),(≥t t X 也是独立的， )(t X =∑=t N i i Y 1，那么{}0),(≥t t X 复合泊松过程 基本操作 -5/(4.8+5.32)^2 area=pi*2.5^2 x1=1+1/2+1/3+1/4+1/5+1/6 exp(acos(0.3)) a=[1 2 3;4 5 6;7 8 9] a=[1:3,4:6,7:9] a1=[6: -1:1] a=eye(4) a1=eye(2,3) b=zeros(2,10) c=ones(2,10) c1=8*ones(3,5) d=zeros(3,2,2)； r1=rand(2, 3) r2=5-10*rand(2, 3) r4=2*randn(2,3)+3 arr1=[1.1 -2.2 3.3 -4.4 5.5] arr1(3) arr1([1 4]) arr1(1:2:5) arr2=[1 2 3; -2 -3 -4;3 4 5] arr2(1,:) arr2(:,1:2:3) arr3=[1 2 3 4 5 6 7 8] arr3(5:end) arr3(end) 绘图 x=[0:1:10]; y=x.^2-10*x+15; plot(x,y) x=0:pi/20:2*pi y1=sin(x);y2=cos(x); plot(x,y1,'b-'); hold on; plot(x,y2,‘k--’); legend (‘sin x’,‘cos x’); x=0:pi/20:2*pi; y=sin(x); figure(1) plot(x,y, 'r-') grid on 以二元函数图 z = xexp(-x^2-y^2) 为例讲解基本操作，首先需要利用meshgrid 函数生成X-Y平面的网格数据，如下所示： xa = -2:0.2:2; ya = xa; [x,y] = meshgrid(xa,ya); z = x.*exp(-x.^2 - y.^2); mesh(x,y,z); 建立M文件 function fenshu( grade ) if grade > 95.0 disp('The grade is A.'); else if grade > 86.0 disp('The grade is B.'); else 应用随机过程试题及答案 一．概念简答题（每题5 分，共40 分） 1. 写出卡尔曼滤波的算法公式 2. 写出ARMA（p,q）模型的定义 3. 简述Poisson 过程的随机分流定理 4. 简述Markov 链与Markov 性质的概念 5. 简述Markov 状态分解定理 6．简述HMM 要解决的三个主要问题得分B 卷（共9 页）第2 页7. 什么是随机过程，随机序列？8．什么是时齐的独立增量过程？二．综合题（每题10 分，共60 分） 1 ．一维对称流动随机过程n Y , 0 1 0, , n n k k Y Y X ? ? ? ? 1 ( 1) ( 1) , 2 k k k X p x p x ? ? ? ? ? 具有的概率分布为且1 2 , , ... X X 是相互独立的。试求1 Y 与2 Y 的概率分布及其联合概率分布。 2. 已知随机变量Y 的密度函数为其他而且，在给定Y=y 条件下，随机变量X 的条件密度函数为? ? 其他试求随机变量X 和Y 的联合分布密度函数( , ) f x y . 得分B 卷（共9 页）第3 页 3. 设二维随机变量( , ) X Y 的概率密度为( ,其他试求p{x<3y} 4．设随机过程( ) c o s 2 , ( , ) , X t X t t ? ? ? ? ? ? X 是标准正态分布的随机变量。试求数学期望( ) t E X ，方差( ) t D X ，相关函数1 2 ( , ) X R t t ，协方差1 2 ( , ) X C t t 。B 卷（共9 页）第4 页5 ．设马尔科夫链的状态空间为I={0,1}, 一步转移概率矩阵为 作业：在下列条件下，求待定样本x=(2,0)T的类别，画出分界线，编程上机。 1、二类协方差不等 Matlab程序如下： >> x1=[mean([1,1,2]),mean([1,0,-1])]',x2=[mean([-1,-1,-2]),mean([1,0,-1])]' x1 = 1.3333 x2 = -1.3333 >> m=cov([1,1;1,0;2,-1]),n=cov([-1,1;-1,0;-2,-1]) m = 0.3333 -0.5000 -0.5000 1.0000 n = 0.3333 0.5000 0.5000 1.0000 >> m1=inv(m),n1=inv(n) m1 = 12.0000 6.0000 6.0000 4.0000 n1 = 12.0000 -6.0000 -6.0000 4.0000 >> p=log((det(m))/(det(n))) p = >> q=log(1) q = >> x=[2,0]' x = 2 >> g=0.5*(x-x1)'*m1*(x-x1)-0.5*(x-x2)'*n1*(x-x2)+0.5*p-q g = -64 （说明：g<0,则判定x=[2,0]T属于ω1类） （化简矩阵多项式0.5*(x-x1)'*m1*(x-x1)-0.5*(x-x2)'*n1*(x-x2)+0.5*p-q，其中x1,x2已知，x 设为x=[ x1,x2]T,化简到(12x1-16+6x2）(x1-4/3)+(6x1-8+4x2) -(12x1+16-6x2)(x1+4/3)-(-6x1-8+4x2)x2， 下面用matlab化简，程序如下） >> syms x2; >> syms x1; >> w=(12*x1-16+6*x2)*(x1-4/3)+(6*x1-8+4*x2)*x2-(12*x1+16-6*x2)*(x1+4/3)-(-6*x1-8+4*x2)*x 2,simplify(w) w = 中山大学移动学院本科生实验报告 （2015学年春季学期） 课程名称：通信原理 任课教师：刘洁 教学助理（TA ）：朱焱 1、 实验要求 1.产生窄带随机过程和其概率谱密度 2.产生多个窄带随机过程 3.求出窄带随机过程的均值和自相关函数 2、 设计思路 00)()sin(2) f t b t f t p p - 对于第一个实验： 首先便是要搞懂如何产生一个窄带随机过程，按照TA 的提示，循序而进，从定义出发，获得答案。按照上面的结构框图 ，由公式： t t b t t a t X 00sin )(cos )()(ωω-= 可以较为轻松的得到窄带随机过程（先产生高斯白噪声g = randn(1,1001)，产生低通[b,a] = butter(1,wn)的B/A 系数，由Y = filter （B ，A ,X ），得到a （t ）和 b （t ），之后zt = a(t)cos(wt) - b(t)sin(wt)，通过这个公式就容易了，再通过plot(zt);便可以得到窄带随机过程），后面的两个实验，是基于第一个实验来做的； 对第二个实验： 加入for 循环，生成五个窄带随机过程，并且利用subplot 画小图。 对第三个实验： 产生窄带随机过程，利用函数mean 和xcorr 两个函数分别产生均值和 自相关函数。 3、运行与测试 Lab1：产生窄带随机过程和其概率谱密度 在command命令框里写入：zhaidai，这是基于随机过程的莱斯表达式，产生一个1000个点的高斯窄带随机过程，和其概率谱密度（基本呈现正态分布）。 Lab2：产生多个窄带随机过程 --------------------------------------装----------------------------------------订 ---------------------------------------线-------------------------------------- 第 - 1 - 页 共 -3- 页 2005-2006学年秋季学期《 随机分析 》课程期末考试试题B 说明：学生必须将答案全部写在答题纸上，凡写在试题上的一律无效。学生可随身携带计算器。 一、填空题（每小题3分，共计10×3＝30分） 1）随机变量()2~,X N μδ，则其矩母函数()=t g 。 2）(){}0,≥t t N 为以参数2=λ的Possion 过程，则()()}{=2211＝且＝N N P 。 3）设Poisson 过程(){}0,≥t t N 的强度为3，n X 表示过程第1-n 次与第n 次事件的 时间间隔，则}{=n X E ， }{=n X D 。 4）设某刊物邮购部的顾客数是平均速率为6的Poisson 过程，订阅1年、2年、3年的概率分别21， 31和6 1，且相互独立。订阅一年时，可得1元手续费。以()t X 记在[]t ,0得到的总手续费。则()}{=t X E ＝ ，()}{= t X D ＝ 。 5）考虑状态0，1，2的一个Markov 链{}0,≥n X n ，其一步转移概率矩阵为 ????? ??=1.08.01.04.02.04.06.03.01.0P ，初始分布为2.0,5.0,3.0210===p p p ，则 ()====1,0,1210X X X P 。 6）已知状态为1，2，3，4的齐次Markov 链{}0,≥n X n 及其一步转移概率矩阵为 实验一 Bayes 分类器设计 【实验目的】 对模式识别有一个初步的理解，能够根据自己的设计对贝叶斯决策理论算法有一个深刻地认识，理解二类分类器的设计原理。 【实验条件】 Matlab 软件 【实验原理】 根据贝叶斯公式，给出在类条件概率密度为正态分布时具体的判别函数表达式，用此判别函数设计分类器。数据随机生成，比如生成两类样本（如鲈鱼和鲑鱼），每个样本有两个特征（如长度和亮度），每类有若干个（比如50个）样本点，假设每类样本点服从二维正态分布，随机生成具体数据，然后估计每类的均值与协方差，在下列各种情况下求出分类边界。先验概率自己给定，比如都为0.5。如果可能，画出在两类协方差不相同的情况下的分类边界。 若第一类的样本为{}12,,n x x x ，则第一类均值的估计为1 1?n k k x n μ==∑，协方差的估计为1 1???()()n T k k k x x n μμ=∑=--∑。则在两类协方差不相同的情况下的判别函数为： 判别边界为g1(x)-g2(x)=0，是一条一般二次曲线（可能是椭圆、双曲线、抛物线等）。 【实验内容】 1、 自动随机生成两类服从二维正态分布的样本点 2、 计算两类样本的均值和协方差矩阵 3、 按照两类协方差不相同情况下的判别函数，求出判别方程曲线。 4、 通过修改不同的参数（均值、方差、协方差矩阵），观察判别方程曲线的变化。 【实验程序】 clear all; close all; samplenum = 50;%样本的个数 n1(:,1) = normrnd(8,4,samplenum,1);%产生高斯分布的二维随机样本，第一个参数为均值，第二个为方差 n1(:,2) = normrnd(6,4,samplenum,1);%产生高斯分布的二维随机样本，第一个参数为均值，第二个为方差 n2(:,1) = normrnd(14,4,samplenum,1);%产生高斯分布的二维随机样本，第一个参数为均值，第二个为方差 n2(:,2) = normrnd(16,4,samplenum,1);%产生高斯分布的二维随机样本，第一个参数为均值，第二个为方差 scatter(n1(1:samplenum,1),n1(1:samplenum,2),'ro');%画出样本 hold on scatter(n2(1:samplenum,1),n2(1:samplenum,2),'g*');%画出样本 u1 = mean(n1);%计算第一类样本的均值 e1=0; for i=1:20 e1 = e1+(n1(i,:)-u1)'*(n1(i,:)-u1);%计算协方差矩阵 end; u2 = mean(n2);%计算第二类样本的均值 e2=0; for i=1:20 e2 = e2+(n2(i,:)-u2)'*(n2(i,:)-u2);%计算协方差矩阵 end; e2=e2/20;%计算协方差矩阵 e1=e1/20;%计算协方差矩阵 %-------------通过改变条件来完成不同的曲线--------- % e2 = e1; %-------------------------------------------------- u1 = u1'; u2 = u2'; scatter(u1(1,1),u1(2,1),'b+');%画出样本中心 scatter(u2(1,1),u2(2,1),'b+');%画出样本中心 line([u1(1,1),u2(1,1)],[u1(2,1),u2(2,1)]); %画出样本中心连线 %求解分类方程 W1=-1/2*inv(e1); w1=inv(e1)*u1; w10=-1/2*u1'*inv(e1)*u1-1/2*log(det(inv(e1)))+log(0.5);%假设w1的先验概率为0.5 W2=-1/2*inv(e2); w2=inv(e2)*u2; w20=-1/2*u2'*inv(e2)*u2-1/2*log(det(inv(e2)))+log(0.5);% 假设w2的先验概率为0.5 syms x y; fn = [x,y]*(W1-W2)*[x,y]'+(w1-w2)'*[x,y]'+w10-w20; ezplot(fn,[0,30]); 绘制样本曲线的MATLAB命令： t=1:50:100000; xt1=0.5*cos(0.5.*t+pi/3); subplot(2,2,1) plot(t,xt); axis([1 100000 -1 1]); title('样本曲线一，sita=pi/3'); xt2=0.5*cos(0.5.*t+pi/2); subplot(2,2,2); plot(t,xt); axis([1 100000 -1 1]); title('样本曲线二，sita=pi/2'); xt3=0.5*cos(0.5.*t+3*pi/4); subplot(2,2,3); plot(t,xt); axis([1 100000 -1 1]); title('样本曲线三，sita=3*pi/4'); xt3=0.5*cos(0.5.*t+3*pi/2); subplot(2,2,4); plot(t,xt); axis([1 100000 -1 1]); title('样本曲线四，sita=3*pi/2'); 四条样本曲线图： 选取第一条样本曲线对时间求均值： MATLAB 命令为： avX=sum(xt1)/length(t) avX = 0.0018 泊松过程的模拟： a 采用增量迭加法产生泊松过程 根据泊松过程是一个平稳增量随机过程，那么可知 1100()()()()()()()()n n n N t N t N t N t N t N t N t N t -=-+-+???+-+ 其中1()()()n n N t N t P λτ--= 假设某泊松过程的参数λ=3，时间最大为30，τ=1那么MTALAB 参数的样本曲线命令为 lamda=2;Tmax=30;hao=1; for j=1:4 i=1;N(1)= 0; while(i 习题 1. 设随机过程{(,),}X t t ω-∞<<+∞只有两条样本函数 12(,)2cos ,(,)2cos ,X t t X t t x ωω==--∞<<+∞ 且1221 (),()33P P ωω==，分别求： （1）一维分布函数(0,)F x 和(,)4F x π ； （2）二维分布函数(0,;,)4F x y π ； （3）均值函数()X m t ； （4）协方差函数(,)X C s t . 2. 利用抛掷一枚硬币一次的随机试验，定义随机过程 1 2 cos ()2t X t πωω?=??出现正面出现反面 且“出现正面”与“出现反面”的概率相等，各为1 2 ，求 1）画出{()}X t 的样本函数 2）{()}X t 的一维概率分布，1 (;)2F x 和(1;)F x 3）{()}X t 的二维概率分布121 (,1;,)2 F x x 3. 通过连续重复抛掷一枚硬币确定随机过程{()}X t cos ()2 t t X t t π?=? ?在时刻抛掷硬币出现正面 在时刻抛掷硬币出现反面 求：（1）1(,),(1,)2F x F x ； （2）121 (,1;,)2 F x x 4. 考虑正弦波过程{(),0}X t t ≥，()cos X t t ξω=，其中ω为正常数，~(0,1)U ξ. （1）分别求3,,,424t ππππωωωω = 时()X t 的概率密度(,)f t x . （2）求均值函数()m t ，方差函数()D t ，相关函数(,)R s t ，协方差函数(,)C s t . 5. 给定随机过程： ()X t t ξη=+ ()t -∞<<+∞ 其中r. v. (,)ξη的协方差矩阵为1334C ?? = ??? ， 求随机过程{(),}X t t -∞<<+∞的协方差函数. 6. 考虑随机游动{(),0,1,2,}Y n n = 简单分类器的MATLAB实现 摘要：本实验运用最小距离法、Fisher线形判别法、朴素贝叶斯法、K近邻法四种模式识别中最简单的方法处理两维两类别的识别问题，最后对实验结果进行了比较。 关键字：MATLAB 最小距离Fisher线形判别朴素贝叶斯K近邻法 一．M atlab语言简介 Matlab 语言(即Matrix 和Laboratory) 的前三位字母组合,意为“矩阵实验室”,Matlab 语言是一种具有面向对象程序设计特征的高级语言,以矩阵和阵列为基本编程单位。Matlab 可以被高度“向量化”,而且用户易写易读。传统的高级语言开发程序不仅仅需要掌握所用语言的语法,还需要对有关算法进行深入的分析。与其他高级程序设计语言相比,Matlab 在编程的效率、可读性以及可移植性等方面都要高于其他高级语言,但是执行效率要低于高级语言,对计算机系统的要求比较高。例如,某数据集是m*n的二维数据组，对一般的高级计算机语言来说，必须采用两层循环才能得到结果,不但循环费时费力,而且程序复杂;而用Matlab 处理这样的问题就快得多,只需要一小段程序就可完成该功能,虽然指令简单,但其计算的快速性、准确性和稳定性是一般高级语言程序所远远不及的。严格地说,Matlab 语言所开发的程序不能脱离其解释性执行环境而运行。 二．样本预处理 实验样本来源于1996年UCI的Abalone data，原始样本格式如下： 1 2 3 4 5 6 7 8 9 其中第一行是属性代码：1.sex 2.length 3.diameter 4.height 5.whole_weight 6.shucked_weight 7 .viscera weight 8. shell weight 9.age 原始样本是一个8维20类的样本集，就是根据Abalone的第一至第八个特征来预测第九个特征，即Abalone的年龄。为简单其见，首先将原始样本处理成两维两类别问题的样本。选取length和weiht作为两个特征向量，来预测第三个特征向量age.(age=6或者age=9)，我们将age=6的样本做为第一类，age=12的样本做为第二类。 处理后的样本： length weight age 第二章 1、简述基于最小错误率的贝叶斯决策理论；并分析在“大数据时代”，使用贝叶斯决策理论需要解决哪些问 题，贝叶斯决策理论有哪些优缺点，贝叶斯决策理论适用条件和范围是什么？举例说明风险最小贝叶斯决策理论的意义。 答：在大数据时代，我们可以获得很多的样本数据，并且是已经标记好的；要使用贝叶斯决策理论最重要的是确定类条件概率密度函数和相关的参数。 优缺点：贝叶斯决策的优点是思路比较简单，大数据的前提下我们可以得到较准确的先验概率， 因此如果确定了类条件概率密度函数，我们便可以很快的知道如何分类，但是在大数据的前提下，类条件概率密度函数的确定不是这么简单，因为参数可能会增多，有时候计算量也是很大的。 适用条件和范围： (1) 样本(子样)的数量(容量)不充分大，因而大子样统计理论不适宜的场合。 (2) 试验具有继承性，反映在统计学上就是要具有在试验之前已有先验信息的场合。用这种方法进 行分类时要求两点： 第一，要决策分类的参考总体的类别数是一定的。例如两类参考总体(正常状态Dl和异常状态D2)，或L类参考总体D1，D2，…，DL(如良好、满意、可以、不满意、不允许、……)。 第二，各类参考总体的概率分布是已知的，即每一类参考总体出现的先验概率P(Di)以及各类概率 密度函数P(x/Di)是已知的。显然，0≤P(Di)≤1，(i=l，2，…，L)，∑P(Di)=1。 说明风险最小贝叶斯决策理论的意义： 那股票举例，现在有A、B两个股票，根据市场行情结合最小错误率的风险选择A股（假设为0.55），而B股（0.45）；但是选着A股必须承担着等级为7的风险，B股风险等级仅为4；这时因遵循最 小风险的贝叶斯决策，毕竟如果A股投资的失败带来的经济损失可能获得收益还大。 2、教材中例2.1-2.2的Matlab实现. 2.1：结果： 深圳大学研究生课程：模式识别理论与方法 课程作业实验报告 实验名称：Bayes Classifier 实验编号：proj02-01 姓名：汪长泉 学号：2100130303 规定提交日期：2010年10月20日 实际提交日期：2010年10月20日 摘要：在深入掌握多维高斯分布性质，贝叶斯分类的基础上，用计算机编程实现一个分类两类模式样本的贝叶斯分类器。用matlab编程，并分析了实验结果，得出贝叶斯分类的一般结论。 1. 贝叶斯分类器 贝叶斯分类器的分类原理是通过某对象的先验概率，利用贝叶斯公式计算出其后验概率，即该对象属于某一类的概率，选择具有最大后验概率的类作为该对象所属的类。 1.1 两类情况 两类情况是多类情况的基础，多类情况往往是用多个两类情况解决的。 ① 用i ω,i =1, 2表示样本x （一般用列向量表示）所属的类别。 ② 假设先验概率()P ω1,()P ω2已知。(这个假设是合理的，因为如果先验概率未知，可以从训 练特征向量中估算出来，即如果N 是训练样本总数，其中有,N N 12个样本分别属于 2,1ωω，则相应的先验概率： ()/P N N ω≈11,2 ()/P N N ω≈2) ③ 假设（类）条件概率密度函数 (|),i p ωx i =1，2 已知，用来描述每一类中特征向量的分 布情况。如果类条件概率密度函数未知，则可以从可用的训练数据中估计出来。 1.2贝叶斯判别方法 贝叶斯分类规则描述为： 如果2(|)(|)P ωP ω>1x x ,则x ∈1ω 如果2(|)(|)P ωP ω<1x x ,则x ∈2ω （2-1-1） 贝叶斯分类规则就是看x ∈ω1的可能性大，还是x ∈2ω的可能性大。(|)i P ωx ， i =1,2解释为当样本x 出现时，后验概率(|)P ω1x 和(|)P ω2x 的大小从而判别为属于 1ω或属于2ω类。 1.3三种概率的关系――――贝叶斯公式 ()() (|)= () i i i p |P P p ωωωx x x （2-1-3） 其中，()p x 是x 的概率密度函数（全概率密度），它等于所有可能的类概率密度函数乘以相应的先验概率之和。 ()(|)()i i i p p P ωω==∑2 1 x x 随机过程数学建模分析 任何通信系统都有发送机和接收机，为了提高系统的可靠性，即输出信噪比，通常在接收机的输入端接有一个带通滤波器，信道内的噪声构成了一个随机过程，经过该带通滤波器之后，则变成了窄带随机过程，因此，讨论窄带随机过程的规律是重要的。 一、窄带随机过程。 一个实平稳随机过程X(t)，若它的功率谱密度具有下述性质： 中心频率为ωc，带宽为△ω=2ω0，当△ω<<ωc时，就可认为满足窄带条件。若随机过程的功率谱满足该条件则称为窄带随机过程。若带通滤波器的传输函数满足该条件则称为窄带滤波器。随机过程通过窄带滤波器传输之后变成窄带随机过程。 图1 为典型窄带随机过程的功率谱密度图。若用一示波器来观测次波形，则可看到，它接近于一个正弦波，但此正弦波的幅度和相位都在缓慢地随机变化，图2所示为窄带随机过程的一个样本函数。 图1 典型窄带随机过程的功率谱密度图 图2 窄带随机过程的一个样本函数 二、窄带随机过程的数学表示 1、用包络和相位的变化表示 由窄带条件可知,窄带过程是功率谱限制在ωc附近的很窄范围内的一个随机过程,从示波器观察(或由理论上可以推知):这个过程中的一个样本函数(一个实现)的波形是一个频率为?c且幅度和相位都做缓慢变化的余弦波。 写成包络函数和随机相位函数的形式： X(t)=A(t)*cos[ωc t+ Φ(t)] 其中:A(t)称作X(t)的包络函数; Φ(t)称作X(t)的随机相位函数。包络随时间做缓慢变化，看起来比较直观，相位的变化，则看不出来。 2、莱斯（Rice）表示式 任何一个实平稳随机过程X(t)都可以表示为： X(t)=A c(t) cosωc t-A S(t) sinωc t 其中同相分量： A c(t)= X(t) cosφt= X(t) cosωc t＋sinωc t=LP[X(t) *2cosωc t] 正交分量： A S(t) = X(t)sinφt=cosωc t— X(t) sinωc t= LP[-X(t) *2sinωc t] （LP[A]表示取A的低频部分）。A c(t)和A S(t)都是实随机过程，均值为0，方差等于X(t)的方差。 三、窄带随机过程仿真建模要求 1、用Matlab 编程仿真窄带随机信号：X(t)=(1+ A(t))*cos(ωc t+φ)+n(t)。其中包络A(t)频率为1KHz，幅值为l V。载波频率为：4KHz，幅值为l V，φ是一个固定相位，n(t)为高斯白噪声，采样频率设为16KHz。实际上，这是一个带有载波的双边带调制信号。 2、计算窄带随机信号的均值、均方值、方差、概率密度、频谱及功率谱密度、相关函数，用图示法来表示。 3、窄带系统检测框图如图3所示。 图3 窄带系统检测框图 实验报告 一． 实验目的 1、 掌握密度函数监督参数估计方法； 2、 掌握贝叶斯最小错误概率分类器设计方法。 二．实验内容 对于一个两类分类问题，设两类的先验概率相同，（12()()P P ωω=），两类的类条件概率密度函数服从二维正态分布，即 11(|)~(,)P N ω1x μΣ2(|)~(,)P N ω22x μΣ 其中，=[3,6]T 1μ，0.50=02???? ?? 1Σ，=[3,-2]T 2μ，20=02??????2Σ。 1） 随机产生两类样本； 2） 设计最大似然估计算法对两类类条件概率密度函数进行估计； 3） 用2）中估计的类条件概率密度函数设计最小错误概率贝叶斯分类器，实现对两类样本的分类。 三．实验原理 最大似然估计 1． 作用 在已知试验结果（即是样本）的情况下，用来估计满足这些样本分布的参数，把可能性最大的那个参数θ作为真实* θ的参数估计。 2. 离散型 设X 为离散型随机变量， 12=(,,...,)k θθθθ为多维参数向量，如果随机变量 1,...,n X X 相互独立且概率计算式为 {}1(;,...) i i i k P x p x θθX ==，则可得概率函数为 {}1111,...,(;,...)n n n i k i P x x p x θθ=X =X ==∏，在 12=(,,...,)k θθθθ固定时，上式表示11,...,n n x x X =X =的概率；当 11,...,n n x x X =X =已知的时候，它又变成 12=(,,...,)k θθθθ的函数，可以把它记为12111(,,...,)(;,...,)n k k i L p x θθθθθ==∏，称此函数为似然函数。似然函数值的大小意味着该样本值出现的可能性的大小，既然已经得到了样本值 11,...,n n x x X =X =，那么它出现的可能性应该是较大的，即似然 函数的值也应该是比较大的，因而最大似然估计就是选择使12(,,...,) k L θθθ达到最 大值的那个θ作为真实* θ的估计。 3. 连续型 设X 为连续型随机变量，其概率密度函数为1(;,...) i k f x θθ， 1,...n x x 为从该总体中 抽出的样本，同样的如果 1,...n x x 相互独立且同分布，于是样本的联合概率密度为12111(,,...,)(;,...,) n k k i L f x θθθθθ==∏。大致过程同离散型一样。 最大后验概率判决准则 先验概率 1() P ω和 2() P ω，类条件概率密度 1(|) P X ω和 2(|) P X ω，根据贝叶斯公 式1 (|)() (|)(|)() i i i c j j j p x P P X p X P ωωωωω== ∑，当 12(|)(|) P P ωω>x x 则可以下结论，在x 条件 下，事件 1ω出现的可能性大，将x 判定为1ω类。 精心整理基本操作 -5/(4.8+5.32)^2 area=pi*2.5^2 x1=1+1/2+1/3+1/4+1/5+1/6 exp(acos(0.3)) arr2(:,1:2:3) arr3=[12345678] arr3(5:end)arr3(end) 绘图 x=[0:1:10]; y=x.^2-10*x+15; plot(x,y) x=0:pi/20:2*pi y1=sin(x);y2=cos(x); plot(x,y1,'b-'); holdon; plot(x,y2,‘k--’); legend(‘sinx’,‘cosx’); x=0:pi/20:2*pi; y=sin(x); figure(1) plot(x,y,'r-') gridon 平面的ya=xa; 建立M function if disp( else if grade>86.0 disp('ThegradeisB.'); else if grade>76.0 disp('ThegradeisC.'); else if grade>66.0 disp('ThegradeisD.'); else disp('ThegradeisF.'); end end end end end function y=func(x) if abs(x)<1 y=sqrt(1-x^2); else y=x^2-1; end function summ(n) i=1; sum=0; while i=i+1; end str=[ end symsx diff(f) diff((x^2+y^2+z^2)^(1/2),x,2) 重积分 int(int(x*y,y,2*x,x^2+1),x,0,1) 级数 symsn; symsum(1/2^n,1,inf) Taylor展开式 求y=exp(x)在x=0处的5阶Taylor展开式 taylor(exp(x),0,6) 矩阵求逆 A=[0-6-1;62-16;-520-10] det(A) clc clear close all data=importdata('data.txt'); wholeData=data.data; %交叉验证选取训练集和测试集 cv=cvpartition(size(wholeData,1),'holdout',0.04);%0.04表明测试数据集占总数据集的比例 cvpartition(n,'holdout',p)创建一个随机分区，用于在n个观测值上进行保持验证。该分区将观察分为训练集和测试（或保持）集。参数p必须是标量，当0 if label{i,1}=='R' labelData(i,1)=1; elseif label{i,1}=='B' labelData(i,1)=2; else labelData(i,1)=3; end end trainLabel=labelData(training(cv),:); trainSampleNumber=size(trainLabel,1); testLabel=labelData(test(cv),:); %计算每个分类的样本的概率 labelProbability=tabulate(trainLabel); tabulate函数的功能是创建向量X信息数据频率表。其函数使用格式： tbl = tabulate(x) 创建的TBL（数据频率表）的结构：第一列：x的唯一值第二列：每个值的实例数量第三列：每个值的百分比 %P_yi,计算P(yi) P_y1=labelProbability(1,3)/100;（第一行，第三个元素） 实验报告 课程名称：模式识别 学院：电子通信与物理学院专业：电子信息工程 班级：电子信息工程2013-3姓名： 学号： 指导老师： 实验一Bayes 分类器设计 本实验旨在让同学对模式识别有一个初步的理解，能够根据自己的设计对贝叶斯决策理论算法有一个深刻地认识，理解二类分类器的设计原理。 1实验原理 最小风险贝叶斯决策可按下列步骤进行： (1)在已知)(i P ω，)(i X P ω，i=1,…，c 及给出待识别的X 的情况下，根据贝叶斯公式计算出后验概率： ∑==c j i i i i i P X P P X P X P 1)()() ()()(ωωωωω j=1,…，x (2)利用计算出的后验概率及决策表，按下面的公式计算出采取i a ,i=1,…，a 的条件风险 ∑==c j j j i i X P a X a R 1)(),()(ωωλ,i=1,2,…,a (3)对(2)中得到的a 个条件风险值)(X a R i ,i=1,…，a 进行比较，找出使其条件风险最小的决策k a ，即 则k a 就是最小风险贝叶斯决策。 2实验内容 假定某个局部区域细胞识别中正常（1ω）和非正常（2ω）两类先验概率分别为 正常状态：P （1ω）=； 异常状态：P （2ω）=。 现有一系列待观察的细胞，其观察值为x ： 已知类条件概率密度曲线如下图： )|(1ωx p )|(2ωx p 类条件概率分布正态分布分别为（-2，）（2,4）试对观察的结果进行分类。 3 实验要求 1) 用matlab 完成分类器的设计，要求程序相应语句有说明文字。 2) 根据例子画出后验概率的分布曲线以及分类的结果示意图。 3) 如果是最小风险贝叶斯决策，决策表如下： 最小风险贝叶斯决策表： 请重新设计程序，画出相应的后验概率的分布曲线和分类结果,并比较两个结果。 随机过程——马尔可夫过程的应用 年级：2013级 专 业： 通信工程3 班姓 名： 李毓哲 学 号： 1302070131 摘要：随机信号分析与处理是研究随机信号的特点及其处理方法的专业基础，是目标检测、估计、滤波灯信号处理理论的基础，在通信、雷达、自动检测、随机振动、图像处理、气象预报、生物医学、地震信号处理等领域有着广泛的应用，随着信息技术的发展，随机信号分析与处理的理论讲日益广泛与深入。 随机过程是与时间相关的随机变量，在确定的时刻它是随机变量。随机过程的具体取值称作其样本函数，所有样本函数构成的集合称作随机过程的样本函数空间，所有样本函数空间及其统计特性即构成了随机过程。通信工程中存在大量的随机现象和随机问题。如：信源是随机过程；信道不仅对随机过程进行了变换，而且会叠加随机噪声等。 马尔可夫过程是一类非常重要的随机过程。随着现代科学技术的发展，很多在应用中出现的马氏过程模型的研究受到越来越多的重视。在现实世界中，有很多过程都是马尔可夫过程，马尔可夫过程在研究质点的随机运动、自动控制、通信技术、生物工程等领域中有着广泛的应用。我们可以通过对马尔可夫过程的研究来分析马尔可夫信源的特性。 关键词：随机过程，马尔可夫过程，通信工程，应用 目录 一、摘要 二、随机过程 2.1 、随机过程的基本概念及定义 2.2 、随机过程的数学描述 2.3 、基于MATLAB的随机过程分析方法 三、马尔可夫过程 3.1 马尔可夫过程的概念 3.2 马尔可夫过程的数学描述 四、马尔可夫过程的应用 4.1 马尔可夫模型在通信系统中的应用 4.2 马尔可夫模型在语音处理的应用 4.3 马尔可夫模型的其他应用 五、结论 参考文献
相关主题
文本预览