多元高斯分布计算

多元高斯分布计算

Multivariate Gaussian Distribution

2009-04-28

该程序实现多元高斯分布计算。高斯分布，也称正态分布，又称常态分布。对于随机变量X，其概率密度函数如图所示。称其分布为高斯分布或正态分布，记为N（μ，σ2），其中为分布的参数，分别为高斯分布的期望和方差。当有确定值时，p(x)也就确定了，特别当μ=0，σ2=1时，X的分布为标准正态分布。μ正态分布最早由棣莫佛于1730年在求二项分布的渐近公式时得到；后拉普拉斯于1812年研究极限定理时也被引入；高斯（Gauss）则于1809年在研究误差理论时也导出了它。高斯分布的函数图象是一条位于x轴上方呈钟形的曲线，称为高斯分布曲线，简称高斯曲线。 Calculates samples from a multivariate Gaussian distribution.

基于多高斯分布的背景生成算法

Background Generation Algorithm Based on Gaussian Distributions

邵叶秦 任明武 杨静宇

提出一种基于序列图像的改进的多高斯分布背景生成算法。该算法在用多高斯分布背景中每个像素建模的基础上，把每个像素对应的若干个高斯分布分成可靠分布和不可靠分布，依据序列图像中每幅当前图像的像素值创建新分布、更新已有分布和删除过时分布来更新背景模型，并实时生成不含运动目标的背景图像。算法定量分析了实验数据，结果证明，该算法具有良好的自适应能力和稳定性。

分数阶微分滤波器及高斯分布参数估计

Fractional-Order Differentiation Filter and Estimation of Gaussian

Distribution Parameters

李远禄 于盛林 郑罡

设计了一种分数阶微分滤波器．利用此滤波器可实现信号的分数阶微分，使得分数阶微分计算简单化．首先，采用此滤波器获得高斯分布的分数阶微分；然后，通过对高斯分布的分数阶微分的分析，建立了高斯分布的分数阶微分的过零点与微分阶数之间的关系和高斯分布的分数阶微分的最大值与微分阶数之间的关系；最后，得到了一种估计高斯分布参数的新方法．

基于复数小波域广义高斯分布模型的纹理图像检索

Texture Image Retrieval Based on Generalized Gaussian Distribution Model

in the Complex Wavelet Domain

蔡蕾 王珂 张立保

由于在频域用能量参数来表示图像的特征矢量缺乏准确性，而且实数离散小波变换具有平移变化性和弱的方向选择性，为此针对以上问题提出了一种基于复数小波域广义高斯分布模型的纹理图像检索方法。该方法首先利用双树复数小波变换系数的统计特性来建立广义高斯分布的统计模型；然后基于该模型提取图像的特征矢量；最后利用Kullback—Leibler distance（KLD）测度算法进行纹理图像检索。对Brodatz图像库的仿真表明，新方法较双树复数小波算法的查准率提高6．96％，较基于Gabor纹理特征检索法的查准率提高了18．8％。同时复数小波系数统计模型具有旋转不变性。新方法对今后的纹理图像检索具有重要的理论与实际意义。

相关非高斯分布杂波的建模与仿真

蒋咏梅 陆铮

对数正态分布，韦伯分布，Ｋ－分布是三种适于描述叶簇背景杂波的非高斯分布模型，快速，准确地模拟叶簇背景杂波，对大积累角ＵＷＢ ＳＡＲ体制中叶簇覆盖人造目标检测与识别的算法研究是十分重要的。讨论了上述三种相关非高斯分布杂波的建模与仿真，在三种非高斯分布与高斯分布的相关系数之间的非线

性关系的基础上，利用修正的零记忆非线性变换（ＺＭＮＬ），模拟产生了三种相关的非高斯分布随机序列。仿真结果证明了这种方法是有

一种基于高斯分布的SVM核选择方法

A Kernel Selection Approach based on the Gauss Distribution

郭金玲 王文剑

核选择是支撑向量机（Support Vector Machine，SVM）研究中的核心问题之一。提出了一种基于数据分布特征的SVM核函数及其参数选择的方法。首先分析了确定数据分布特征的重要性，然后给出了判断数据呈高斯分布的方法，并探讨了SVM核函数及其参数选择与数据分布的相关性。数值实验说明了本文提出的方法的可行性与有效性。

一种广义高斯分布随机变量生成算法

An algorithm for generalized Gaussian random variable creation

杨家轩 贾传荧 史国友

为方便获得任意参数的广义高斯分布随机变量，基于伽玛分布推导出广义高斯分布随机变量的生成算法，利用变换法和舍选抽样法，给出伽玛分布随机变量的生成方法．该算法计算简单，通过调整分布参数值，可产生具有任何形状参数和任何方差的广义高斯分布随机变量．仿真结果表明，该算法的抽选效率达75％，随机变量估计参数与真实参数相符．对生成的随机数的检验结果表明，随机数服从广义高斯分布．

基于高斯序列乘积和的相干非高斯分布杂波模拟新方法

A New Method for Simulation of Coherent Non-Gaussian Distributed

Clutter Based on Sum-products of Gaussian Variables

杨俊岭 黄晓斌 万建伟

提出了一种全新的相干K分布杂波模拟方法。相比经典的零记忆非线性变换（ZMNL）和球不变随机过程（SIRP）法，该方法的优点是能产生自相关函数（ACF）为任意复数的杂波序列，且不需要进行矩阵求逆和非线性变换，运算速度得到显著改善。仿真结果证明了这种方法的有效性。

采用高斯概率分布和支持向量机的说话人确认

Speaker Verification Based on Gaussian Probability Distribution and SVM

郭武 戴礼荣 王仁华

在采用支持向量机的说话人确认中，将语音特征参数相对于通用背景模型各高斯分量的概率分布作为支持向量机输入，在线性核函数的情况下，系统能取得与广义线性判别式序列核函数（GLDS）几乎相同的识别率，同时该高斯概率分布算法能够与混合高斯背景模型、广义线性判别式序列核函数的得分进行融合，进一步提高识别性能．在2006年NIST SRE 1conv4w-1conv4w数据库上，融合后的系统相对于基线的混合高斯模型最多有25％的等错误率下降．

蛋白质-DNA复合物晶体结构数据的高斯分布检验

Gauss distribution test on crystal structural data of DNA-protein complex

崔向军 蔡禄

在最新NDB数据库中蛋白质-DNA复合物晶体结构数据的基础上，应用x^2检验的方法对DNA动力学结构关键参数的数据分布进行检验，结果表明，各参数分布均是非高斯分布．数据分布曲线的偏斜度和峭度表明x^2检验的结果是正确的．

本文来源：https://www.bwwdw.com/article/st8o.html