slicesample

切片取样

折叠所有页面

句法

RND = slicesample（初始，NSAMPLES， 'PDF'，PDF） RND = slicesample（初始，NSAMPLES， 'logpdf'，logpdf） [RND，neval] = slicesample（初始，...） [RND，neval] = slicesample（初始，...，名称，值）

描述

RND= slicesample（初始，NSAMPLES， 'PDF'，PDF格式）生成NSAMPLES使用切片采样方法随机样本（见算法）。PDF格式给出目标概率密度函数（pdf）。初始是包含随机样本序列的初始值的行矢量或标量。

RND= slicesample（初始，NSAMPLES'logpdf'，logpdf）生成使用PDF的对数样本。

[RND，neval] = slicesample（初始，...）返回发生在切片取样功能评估的平均数量。

[RND，neval] = slicesample（初始，...，名称，值）生成随机样品与由一个或多个指定的附加选项名称，值对参数。

输入参数

`初始`	初始点，标量或行向量。组`初始`所以`PDF（初始）`是一个严格的正标量。`长度（初始）`是每个样品的维数。

NSAMPLES

正整数，样本的数量slicesample产生。

PDF格式

处理，以产生所述概率密度函数的函数，与指定@。PDF格式可未标准化，这意味着它不需要集成到1。

logpdf

处理，以产生所述概率密度函数的对数的函数，以指定@。logpdf可以是一个非标准化的PDF的对数。

名称 - 值对参数

指定可选的用逗号分隔的对名称，值参数。名称是参数的名称和值是对应的值。名称必须出现引号内。您可以按照任何顺序指定多个名称和值对参数名1，值1，...，NameN，值N。

“燃尽”

非负整数，采样的数目来生成和产生所述样本以返回之前丢弃。切片采样算法是马尔可夫链，其平稳分布正比于的PDF格式论据。组燃尽到足够高的值，您认为马尔科夫链大约达到平稳后燃尽样本。

默认：0

'瘦'

正整数，其中slicesample每丢弃薄 - 1样品并返回下。切片采样算法是马尔可夫链，因此将样品序列相关。为了减少序列相关，选择一个较大的值瘦。

默认：1

'宽度'

当前样本，正的值的标量或矢量周围的间隔的宽度。slicesample开始于这个时间间隔和搜索包含的点的适当区域PDF格式计算结果为一个足够大的值。

如果宽度是一个标量，并将样品具有多个维度，slicesample使用宽度每个维度。
如果宽度是一个向量，它应具有的长度相同初始。

默认：10

输出参数

RND

NSAMPLES-通过-长度（初始）矩阵，其中每行是一个样本。

neval

标量，每样功能评估的平均数。neval包括燃尽和瘦评价，不只是样品的评价在返回RND。因此功能评价的总数是

neval *（* NSAMPLES薄+燃尽）。

例子

全部收缩

生成随机样本多式联运密度

开立真实脚本

此示例示出了如何从多峰密度使用产生随机样本slicesample。

定义一个函数成比例的多峰密度。

RNG默认％用于重现F = @（X）EXP（-x。^ 2/2）。*（1 +（SIN（3 * X））。^ 2）*。...（1 +（COS（5 * X）^ 2））;面积=积分（F，-5,5）;

生成密度2000个样品，采用了老化的1000时期，并保持五分之一的样品。

N = 2000;X = slicesample（1，N，'PDF'，F，'瘦'5，“燃尽”，1000）;

画出样本的直方图。

[binheight，bincenter] = HIST（X，50）;H =巴（bincenter，binheight，'HIST'）;h.FaceColor = [0.8 0.8 1];

缩放密度具有相同面积的直方图，并将其添加直方图。

保持上H = GCA;XD = h.XLim;的Xgrid = linspace（XD（1），XD（2），1000）;binwidth =（bincenter（2）-bincenter（1））;Y =（N * binwidth /面积）* F（的Xgrid）;图（的Xgrid，Y，'R'，'行宽'2）保持离

样品似乎符合理论分布好，所以燃尽价值似乎足够了。

提示

有用于选择合适的值没有明确的建议燃尽，瘦，要么宽度。选择的起始值燃尽和瘦，并且提高它们，必要时给予必要的独立性和边缘分布。见尼尔[1]用于调整的效果的细节宽度。

算法

在随机样本序列中的每个点，slicesample通过选择“切片”的密度的下一个点，以形成围绕上一个点，其中密度高于某个值的附近。因此，采样点不是独立的。在序列中的相邻点往往是更靠近在一起比它们将是从独立的值的样本。出于多种目的，点的整个集合可被用作从所述目标分布的样品。然而，当这种类型的序列相关性是一个问题，燃尽和瘦参数可以帮助减少相关。

slicesample使用切片采样尼尔的算法[1]。对于数值稳定性，将其转换一个PDF格式功能成logpdf功能。该算法调整支撑区域为每个级别，称为“踏出”和“入步”，由万博1manbetx尼尔建议。