模式識別第六講-概率密度估計

第三章概率密度函數(shù)的估計

1前一章我們討論了各種決策規(guī)則，在設計分類器時，總是假定先驗概率和類條件密度函數(shù)是已知的。在實際工作中，先驗概率和類條件密度函數(shù)都可能未知。2利用樣本設計分類器的方法有兩種：從樣本中估計先驗概率和類條件密度函數(shù)，然后設計Bayes分類器2）不作估計，直接利用樣本設計分類器

在用第一種方法時，需要從收集的樣本中去估計先驗概率和類條件密度函數(shù)。這就要用到估計理論。討論如何估計（估計的方法），估計的好壞。3從樣本中估計概率密度函數(shù)時，有以下一些情況：概率密度估計參數(shù)估計(分布形式已知，但參數(shù)要估計)非參數(shù)估計(分布形式未知，直接估計密度函數(shù))最大似然估計(把待估參數(shù)看作是確定的)貝葉斯估計(把待估參數(shù)看作是隨機的)43.1常數(shù)參數(shù)的估計

一般要估計的參數(shù)可能是標量、向量、矩陣。不失一般性，假定待估參數(shù)是向量。在最大似然估計中，把待估參數(shù)看作是確定的常數(shù)。而貝葉斯估計則把看作是隨機變量，它的先驗密度是已知的。5一.最大似然估計

令是隨機向量x的密度函數(shù)中的向量參數(shù)（其分量是標量）。記x的密度函數(shù)為，令是觀測x所得到的N個樣本。在估計問題中，這些樣本本身也是隨機變量，可以用一個聯(lián)合密度函數(shù)表示。假定這些樣本是獨立的。是的函數(shù)。它是的似然函數(shù)。6只要導數(shù)存在，使似然函數(shù)最大的可以通過解下面的似然方程或對數(shù)似然方程得到：的最大似然估計是，在N個觀測樣本的基礎上，選擇這樣的，它使似然函數(shù)最大。換句話說，選擇的應使落在（樣本）的附近小區(qū)域內的概率最大。N個觀測樣本7由于對數(shù)函數(shù)是單調增的，所以這兩個方程完全是等價的。哪個用時方便，就用哪個。例1：計算機通道輸出請求出現(xiàn)率的估計假定計算機的某一通道輸出請求的時間間隔T按如下的指數(shù)函數(shù)分布：假定觀察了N個請求，間隔時間為，希望估計參數(shù)的大小（稱為到達率、出現(xiàn)率）8解：輸出請求間的間隔假定為獨立的。似然函數(shù)（聯(lián)合密度函數(shù)）為而（對數(shù)似然方程）

∴9例2：多元正態(tài)密度函數(shù)均值的估計。（上面的例子估計了一個標量參數(shù)，本例估計一個向量參數(shù)。）已知隨機向量x是正態(tài)分布的，協(xié)方差矩陣K已知，均值m未知。給出N個樣本x(1)

，x(2)

，…，x(N)

，求均值的最大似然估計。解：似然函數(shù)是樣本的聯(lián)合密度函數(shù)10對數(shù)似然函數(shù)為樣本聯(lián)合密度函數(shù)的對數(shù)：將上式對m求導并令它等于0，有∵K是一個常數(shù)矩陣，∴即均值的最大似然估計等于樣本均值。113.2貝葉斯估計

最大似然估計把待估參數(shù)看作確定的量。貝葉斯估計和貝葉斯決策是一樣的思路。一.貝葉斯估計

如果對待估參數(shù)有一些先驗知識，這時可以把待估參數(shù)看作一個隨機向量，用一個密度函數(shù)來刻畫，那么這時可以使用貝葉斯估計。12引入一個連續(xù)的損失函數(shù)，定義條件風險為：而13使最小的估計稱貝葉斯估計。是一樣的。用符號“”是為了表示是一個隨機向量。14二.常用的損失函數(shù)，均方估計和最大后驗估計

為了求貝葉斯估計，我們需要先定義（先給出）損失函數(shù)的形式。不同的損失函數(shù)會帶來不同的貝葉斯估計值。下面分析兩種常用的損失函數(shù)的形式。平方誤差損失函數(shù)和均方估計

,誤差的二次函數(shù)15而為了得到使最小的，只要∴即估計是的后驗密度的均值。這個估計稱為均方估計，因為它使均方誤差最小。16求解均方估計的步驟可以歸納如下：確定的先驗分布；求而利用貝葉斯公式，求的后驗分布由樣本集，求聯(lián)合分布；17均勻損失函數(shù)和最大后驗估計

損失函數(shù)為當時，當時，這時18區(qū)域是，任意小，這樣，為使最小，積分項應最大。而積分項，所以應使最大，稱為最大后驗估計。由貝葉斯公式如果先驗概率是均勻的（在感興趣區(qū)），這時最大等價于最大。這時最大后驗估計即最大似然估計。19例5：正態(tài)分布均值的貝葉斯估計令x(1)

，x(2)

，…，x(N)是從已知協(xié)方差矩陣Kx和未知均值m的正態(tài)分布中抽取的。假定均值本身的分布為正態(tài)N(m0，Km)分布（先驗密度）利用貝葉斯公式，可得后驗密度，是正態(tài)的，其均值為20當都是一維時有：由于既是后驗密度的均值，也是后驗密度的最大值，所以既是均方估計也是最大后驗估計2122樣本均值和先驗均值的線性組合，系數(shù)和為1，且都是正的。23當N＝0時，全部由先驗均值定當時，由樣本均值定當樣本足夠多時，對、m0

的假設就不重要了，當時，先驗信息非?？煽?，由先驗均值定當時，先驗的推測不可靠，由樣本均值定24這節(jié)討論直接從樣本中估計密度函數(shù)的方法。主要介紹兩種方法：3.3概率密度函數(shù)估計的非參數(shù)方法（非參數(shù)估計）前兩節(jié)講的參數(shù)估計方法要求（假定）密度函數(shù)的形式是已知的。但實際工作中往往是：密度函數(shù)的形式不知道；密度函數(shù)的形式不是典型的常見分布，不能寫成某些參數(shù)的函數(shù)。25一.Parzen窗估計Parzen窗法KN近鄰法基本思路（以一維隨機變量的密度函數(shù)的估計為例）對隨機變量x，假定得到了N個獨立的樣本，x(1)，x(2)，…，x(N)，它的密度函數(shù)p(x)可以用一個直方圖近似，每一小區(qū)間的寬度為，中點為。26樣本落在小區(qū)間內的概率可以近似為如果樣本數(shù)足夠多，則概率（上述事件）可以用頻率（）近似。所以密度可以用近似。27把上述的思路一般化，定義如下的窗函數(shù)：

則是以為中心的x的函數(shù)。對落在內的樣本，其函數(shù)值均為，對落在方窗外的樣本，函數(shù)值為0。28這時一個樣本貢獻，共有K個，換個角度，即是N個窗的迭加。函數(shù)r稱為核函數(shù)，勢函數(shù)或者Parzen窗函數(shù)。核函數(shù)（窗函數(shù)）也可以是其它的形狀，常用的有2930矩形窗估計出的容易產生不連續(xù),而高斯窗估計出的要平滑些。為了滿足使估計出的是正的，而且積分為1（是密度函數(shù)），窗函數(shù)要滿足：31下面對上述方法作些分析。如果把區(qū)間2h（在多維時是體積V）固定，當樣本數(shù)越來越多時，概率，但得到的密度卻是區(qū)間的平均值，而非某一點的；要得到，而不是的平均值，則體積V（2h）

0，但當V

0時，若樣本數(shù)有限，則32實際上樣本數(shù)總是有限的，因此，不能使體積V（2h）無限小。

應該讓體積V

隨著可用樣本數(shù)N而改變。如何變呢？假定有N個樣本可以利用。這時有，下標N表示總樣本數(shù)。（一維時即）33若滿足以下三個條件：使空間平均密度點的頻率收斂于概率落在小區(qū)域內的樣本同總數(shù)相比是低階無窮大則收斂于

34滿足上述三個條件的區(qū)域序列的選擇：

Parzen窗方法選擇使以變化。

是窗函數(shù)，它隨著可用樣本數(shù)N的增多而變窄變高(按)。35可以證明在某些限制條件下，上述估計量是漸進無偏和均方一致的。KN近鄰估計方法的公式仍為KN近鄰估計選擇使KN

為N的某個函數(shù)（例如），而的選取是使它剛好包括的KN個近鄰。36Parzen窗法應用舉例假定待估計的未知概率密度函數(shù)是兩個均勻分布密度函數(shù)的混合，即：37如果采用正態(tài)窗函數(shù)并設那么就是一個以個樣本為中心的正態(tài)密度窗函數(shù)的一個平均，即：38參數(shù)h1影響窗寬?？紤]h1取0.25，1和4三個不同的數(shù)值，用隨機數(shù)發(fā)生器按給定的概率密度函數(shù)產生隨機樣本，然后用上式估計

，計算結果如下：3910.01.00.10.010.001n=1h1=0.25h1

=1h1

=4-202-202-2024010.01.00.10.010.001n=16-202-202-202h1=0.25h1=1h1=44110.01.00.10.010.001n=256h1=0.25h1