% 基于 PCA 的故障检测％ % 输入：z0 [N x 2] = 训练数据% z1 [N x 2] = 测试数据% 其中： N = 样本数％ % 此代码可视化 PCA 如何计算% 用于故障检测中的多元数据。 % 它还使用 MATLAB 的 ks密度% 估计数据 PDF，以便计算% 基于 T^2 的控制上限。 ％ % simpledata.mat 具有样本温度 [K] % 和浓度 [mol/L] 数据来自% 模拟 CSTR 的含量。 ％ % 输出是原始数据的图， % 归一化数据和 PCA 投影数据。 % 另外，环代表基于 T^2 的% 不同用户的控制上限 - % 定义的置信水平被绘制。 ％ % 您可以在第 77 行编辑置信限。 ％ % 此代码用于教育目的。 ％ % 加载 simpledata.mat 并运行以下命令： % >> pcabased_fault_detection(train,

提出一种图分析方法用于动态人群场景异常状态检测.使用自适应Mean shift算法对场景速度场进行非参数概率密度估计聚类,聚类结果构成以聚类中心为顶点、各聚类中心之间距离为边权重的无向图.通过分析图顶点的空间分布及边权重矩阵动态系统的预测值与观测值之间的离散程度,对动态场景中的异常事件进行检测和定位.使用多个典型动态场景视频数据库进行对比实验,结果表明图分析方法适应性强、可有效监控动态人群场景中的异常状态.

东华大学机器学习核密度估计大作业 第一部分是一个三维的彩色KDE估计图（最好用MATLAB画）；第二部分是测试图片的运动目标二值图像检测结果（运动员用白色像素，背景用黑色）

核密度估计参考教案： 根据从一个总体中抽出的样本取估计总体分布的密度函数，在应用上有重要的意义。 关于密度函数的参数估计就是在假定该随即变量的密度函数的形式已知的前提下，对密度函数的参数进行估计。

要做的第一件事： 运行教程代码，tutorial.m 文档： http://2000.jukuin.keio.ac.jp/shimazaki/res/kernel.html 另见 sskernel 优化固定内核带宽和 sshist 直方图优化。 % [y,t,optw,gs,C,confb95,yb] = ssvkernel(x,t,W) % % 函数 `ssvkernel' 返回优化的内核密度估计% 使用具有本地适应数据的带宽的高斯核函数。 % ％ 例子： % >> x = 0.5-0.5*log(rand(1,1e3)); t = linspace(0,3,500); % >> [y,t,optw] = ssvkernel(x,t); % 此示例在点处生成内核密度估计值 y 的向量使用局部自适应带宽，在向量t中指定的百分比，optw %（正态密度函数的标准偏差）。 % % >> s

为多维域实现 Rosenblatt-Parzen 密度估计器。 它可以实现不同的带宽选择（Silverman 插件是渐近最优的，留一法估计会导致在较小样本中可能更合适的结果）。 实现了几个功能（引导、对数似然计算等）。 如果出现任何错误，请告诉我。

基于人群密度估计和Lucas-Kanade光流的行人计数

计算一组数据之间的互信息，利用了核密度估计函数

针对风电功率预测问题，在现有预测方法和概率性区间预测的基础上，提出基于深度学习分位数回归的风电功率概率预测方法。该方法采用Adam随机梯度下降法在不同分位数条件下对长短期记忆神经网络(LSTM)的输入、遗忘、记忆、输出参数进行估计，得出未来200 h内各个时刻风电功率的概率密度函数。根据美国PJM网上的风电功率实际数据的仿真结果表明，所提方法不仅能得出较为精确的点预测结果，而且能够获得风电功率完整的概率密度函数预测结果。与神经网络分位数回归相比，其精度更高，且在同等置信度下的预测区间范围更小。

可靠且极快的一维数据核密度估计器； 假设为高斯核并自动选择带宽； 与许多其他实现不同，这个实现不受问题的影响由具有广泛分离模式的多模态密度引起（参见示例）。 这多模态密度的估计不会恶化，因为我们从不假设数据的参数模型（如经验法则中使用的模型）。 输入： 数据 - 构建密度估计的数据向量； n - 用于均匀离散化的网格点数间隔 [MIN, MAX]; n 必须是 2 的幂； 如果 n 不是 2 的幂，则n 向上取整为 2 的下一个幂，即 n 设置为 n=2^ceil(log2(n))； n 的默认值为 n=2^12； MIN, MAX - 定义构建密度估计的区间 [MIN,MAX]； MIN 和 MAX 的默认值是： MIN=min(data)-Range/10 和 MAX=max(data)+Range/10，其中 Range=max(data)-min(data)； 输出： 带宽 - 最