Question

从协方差矩阵（3x3 COVAR）和相应的平均值（3x1 OMEGA）开始，我可以生成可信区域（1-sigma和2-sigma）的等高线图。这样做，我也会产生负值（估计值），这是我需要避免的。

换句话说，我可以从上述多变量分布中抽样

samples = mvnrnd(OMEGA,COVAR,10000); %%将导致10000x3数据集。

现在从这个示例中，我想删除包含负值的整个行。我需要特定行中的所有条目仅为正数。我想到了摆脱这些负面价值的两种方法： 1）简单地消除包含单个否定条目OR的行 2）将所有负值替换为0.0 以下是我的代码......

这就是我的尝试......

samples = mvnrnd(OMEGA,COVAR,100000);
flag=1;
for iRow=1:length(samples)
a=samples(iRow,:);
%       if (~any(a<0)&&flag==1)
%               flag=0;
%               data=a;
%       elseif (~any(a<0)&&flag==0)   %eliminating row 
%               data=[data;a];
%       end



        if flag==1
            flag=0;a(a<0)=0;data=a; % replacing by 0.0
    else
            a(a<0)=0;data=[data;a];
    end
end

执行这段代码后，我再次计算数据的均值和协方差，但只能发现它们有很多不同......

％新均值和新协方差

OMEGA = mean(data);
COVAR = cov(data);

有人能建议我采取更好的方法吗？这个想法是通过消除负值（非物理）来减小协方差矩阵（误差）的幅度。然后可以从这些新值绘制轮廓图（平均值和cov mat）并仅限制到第一象限（即参数的唯一正值）。

提前谢谢。

Answer 1

更改后的数据集的均值和方差与原始值不同，因为您要删除最初属于分布的值。假设您有一系列数字，如-4，-5,2,8,9，平均值为2.现在如果完全删除负面部分，则平均值将变为19/3，如果替换负值零，平均值将变为19/5。这也是你的情况。

但是，您可以通过将第二种方法移除负值来最小化这些值之间的差异，使它们成为0.您的代码可以在两种情况下正常工作。但是，您可能希望使用下面的代码，因为它会更快，更优化：

方法1（完全删除负面行）

%Turns out there is a 1 line solution to this as well
data = samples(~any(samples < 0, 2), :);

%Define an anonymous function that finds out which rows have a negative values
%fn = @(x) any(samples(x, :) < 0);
%Now run this function over all the rows of the samples
%neg_rows = arrayfun(fn, 1:size(samples, 1));
%Change the dataset to remove the negative rows
%data = samples(~neg_rows, :);

方法2（使所有负值为0）

data = samples; % Copies all the samples to data
data(data < 0) = 0; % Makes all the negative values in data 0

现在，您可以比较新数据集的均值和协方差，看看哪种方法可以获得最佳结果。

如何使用MATLAB从数据中删除负估计

1 个答案: