基于支持向量機的概率密度估計及其在分布估計算法中的應用.pdf

1、概率密度的估計既是傳統(tǒng)的概率論與數(shù)理統(tǒng)計的重點，也是統(tǒng)計學習理論的重要研究內(nèi)容。概率密度的估計具有廣泛的應用，它不僅是信息熵理論的基礎，還可以應用到音頻及視頻信號的無損壓縮中。但實際應用中，概率密度服從的分布通常是未知的。我們可以得到的數(shù)據(jù)是由這些未知分布產(chǎn)生的樣本點，可以用這些樣本點對實際的概率密度進行估計預測。對概率密度的估計一般分為參數(shù)估計和非參數(shù)估計。參數(shù)估計是在知道樣本點服從的分布的前提下對密度中的未知參數(shù)進行估計，它的準確性

2、對分布函數(shù)具有強烈依賴性。此外，參數(shù)估計還具有其他的一些局限性。例如對高斯分布可以很好的估計未知參數(shù)，但對混合高斯分布的密度就得不到很好的結果?；谥С窒蛄繖C的概率密度不僅能夠解決以往估計基于大數(shù)樣本的問題，而且克服了參數(shù)估計的局限性。 本文在統(tǒng)計學習理論和支持向量機的基礎上，對一維基于支持向量機的概率密度估計進行擴展并結合不敏感損失函數(shù)的方法，求得仿真效果較好的二維概率密度。此外，還討論了高維密度的求解模型。然后針對現(xiàn)在的分布