一维数据的高效核密度估计器Kernel Density Estimator MATLAB开发

这个功能利用核平滑函数计算每个点的概率密度估计（PDE），并且用颜色表示每个点。输入x表示X轴上的位置，y表示Y轴上的位置。varargin可用于向scatter函数发送一组指令，支持MarkerSize参数，不支持MarkerColor参数。输出h返回创建的散点对象的句柄。例如，生成数据x = normrnd(10, 1, 1000, 1); y = x * 3 + normrnd(10, 1, 1000, 1); 使用scatter_kde(x, y, '填充', 'MarkerSize', 100); 添加颜色栏cb = colorbar(); cb.Label.String = '概率

无参密度估计，不同于优化L2误差的交叉验证（CV），拓扑密度估计（TDE）优化单峰类别的估计。在高度多模态分布的定性度量中，TDE表现优于CV，且速度更快，无需参数，仅需采样数据和内核选择（支持高斯、Epanechnikov和直方图）。

介绍了一种基于神经信号进行功率谱密度估计的方法。该方法接收神经信号向量作为输入，并输出相应的功率谱密度值，为神经信号分析提供了有效的频域特征。

在此研究中，我们使用高斯窗和方窗两种方法，对给定的男女生身高体重分布进行概率密度估计。同时，我们设计了基于贝叶斯最小错误率的分类器，用于有效地对测试样本进行性别分类。

这是高斯核平滑估计函数的局部线性版本： http : //www.mathworks.com/matlabcentral/fileexchange/loadFile.do? objectId=19195&objectType= FILE局部线性估计器改进了在数据收集过程中处理区域边缘的回归表现。

你做数据的时候，应该常常会遇到需要估计数据集的内在维度(id)的情况吧？尤其是聚类和降维相关问题时，内在维度估计重要。这款小工具箱挺不错，它实现了几种先进的内在维数估计技术，包括 MLE、MiND_ML、MiND_KL、DANCoFit 等。这些方法都有自己的独特优势，能你精准估计 id。它的代码实现都是用Matlab开发的，文档写得蛮清晰，操作起来也还不错。其实如果你做数据时，想快速找到最合适的 id 估计方法，可以试试看这个工具，它简直是数据科学家的好帮手。哦，对了，如果你想了解更多相关 R 语言的实现，也可以参考这个网址：http://www.maths.lth.se/matematik

该脚本利用Kozachenko-Leonenko方法对一维日期数据进行熵的点估计。

使用精确的一维黎曼求解器解决一维欧拉气体方程。该解决方案基于Fortran代码的学术教材。

请引用：Emre Güngör，Ahmet Özmen，使用高斯核的基于距离和密度的聚类算法，发表于《Expert Systems with Applications》第69卷，2017年，第10-20页，ISSN 0957-4174。详细信息请参阅原始文章链接：https://doi.org/10.1016/j.eswa.2016.10.022 （http://www.sciencedirect.com/science/article/pii/S095741630553X）。对于聚类数据集和/或形状集，您可以查看：https://cs.joensuu.fi/sipu/datasets/