标签：转化 isp dash 自己 logs ima enter html jpg
作者：桂。
时间：2017-03-11 06:45:46
链接：http://www.cnblogs.com/xingshansi/p/6533840.html
声明：欢迎转载，不过记得注明出处哦~
未完待续
|
数据拟合中，最常用的两个就是曲线拟合（curve fitting）与分布拟合（distribution fitting），打算写四篇博文对该问题进行整理，不求面面俱到，只希望串出一个思路，篇目如下： 1）常用拟合函数理论推导及代码实现； 2）常用混合分布的理论推导及代码实现； 3）曲线拟合与分布拟合的转化关系； 4）MATLAB中cftool、dfittool拟合工具的使用； 内容为自己的学习整理，其中借鉴他人的地方，最后一并给出链接。 |
本文仅介绍几种自己日常使用的分布，并以Normal distribution为例交代推导过程及代码实现，其他可类推。
A-瑞利分布(Rayleigh distribution)
表达式：
$f(x) = \frac{x}{{{\sigma ^2}}}{e^{ - \frac{{{x^2}}}{{2{\sigma ^2}}}}}$
其中$\sigma > 0$，
B-正态分布（Normal distribution）
表达式：
$f(x) = \frac{1}{{\sqrt {2\pi } \sigma }}{e^{ - \frac{{{{(x - \mu )}^2}}}{{2{\sigma ^2}}}}}$
C-对数正态分布（Log-Normal distribution）
表达式：
$f(x) = \frac{1}{{x\sqrt {2\pi } \sigma }}{e^{ - \frac{{{{(\ln x - \mu )}^2}}}{{2{\sigma ^2}}}}}$
D-拉普拉斯分布（Laplace distribution）
$f(x) = \frac{1}{{2b}}{e^{ - \frac{{\left| {x - \mu } \right|}}{b}}}$
具体细节，可点击如下链接：
A-问题描述
根据随机过程一文的分析可知，曲线拟合解决的问题是：确定函数+随机噪声，拟合出确定函数的表达式。
B-原理推导
收到
C-代码实现
收到
A-问题描述
分布拟合解决的问题是：随机过程，拟合处随机过程的统计特性。
B-原理推导
收到
C-代码实现
收到
参考：
标签：转化 isp dash 自己 logs ima enter html jpg
原文地址：http://www.cnblogs.com/xingshansi/p/6533840.html
