D-S合成方法作用的对象是基本概率指派（basic probability assign，BPA），如何生成BPA是D-S理论应用中重要且有待解决的首要步骤。针对生成BPA提出一种基于核密度估计（kernel density estimation，KDE）的BPA生成方法：训练数据用于构建基于最优化窗宽的核密度估计的数据属性模型；然后利用训练数据的核密度模型计算测试数据的密度—距离—分布值Tri-D（density-distance-distribution），通过嵌套式的方法分配Tri-D值获取测试数据对应的BPA；最后D-S合成BPA得到最终判断，通过分类准确率来判断BPA生成方法的有效性。实验通过在UCI数据集上与其他方法的分类准确率对比验证了提出方法的有效性。

提出一种风速预测偏差修正方法。建立基于非参数核密度估计的风速修正模型，利用预测点之前一段时间内风速的初始预测误差来估计预测时刻的预测误差，从而对初始风速预测结果进行修正；结合数值天气预报法建立风速相位误差修正模型，有效减小风速预测的相位误差，在一定程度上防止风速突变拐点处“误修正”的出现。某地区实际风速数据的预测仿真结果表明，所提方法可有效降低初始风速预测偏差。

用于密度估计算法的PyTorch实现

11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）

基于卷积神经网络的多尺度融合特征图在人群密度估计中的应用.pdf

具有对角带宽矩阵的快速准确的最先进的双变量核密度估计器。 核被假定为高斯核。 两个带宽参数都是经过优化选择的使用/假设数据的参数模型或任何“经验法则”。 与许多其他程序不同，这个程序在估计具有广泛分离模式的多模态密度时不会出现准确性故障（参见示例）。 输入： data - 具有连续数据的 N x 2 数组n - 计算密度的 n x n 网格的大小n 必须是 2 的幂，否则 n=2^ceil(log2(n)); 默认值为 2^8； MIN_XY,MAX_XY - 计算密度的边界框的限制； 格式是： MIN_XY=[lower_Xlim,lower_Ylim] MAX_XY=[upper_Xlim,upper_Ylim]。 dafault 限制计算如下： MAX=max(数据,[],1); MIN=min(data,[],1); 范围=最大值-最小值； MAX_XY=MAX+范围/4； MI

均值漂移谱聚类(MSSC)算法为模式识别聚类任务提供了一种较新的方案. 然而由于其内嵌均值漂移 过程的时间复杂度与样本容量呈平方关系, 其在大数据集环境的实用性受到大大削弱. 利用快速压缩集密度 估计器(FRSDE)替代Parren窗密度估计式(PW)并融合基于图的松弛聚类(GRC)方法, 提出了快速均值漂移谱聚 类(FMSSC)算法. 相比原MSSC, 该算法的总体渐进时间复杂度与样本容量呈线性关系, 并具有自适应性和便捷性.

皮德尔菲 使用神经密度估计器和模拟的自适应采集，进行无密度估计的无似然推理。 已实现的方法在中进行了详细描述，并且紧密基于 ， 和 。 如果您使用此代码，请引用这些文件！ 安装： 该代码在python3中。 Tensorflow 1（最稳定，请参见下文）和Tensorflow 2版本可以按以下方式安装： Tensorflow 1（稳定） 可以在master分支上找到它，并具有以下依赖关系： （<= 1.15） （> = 3.0.2） （如果需要MPI） 您可以通过以下方式安装要求和此软件包， pip install tensorflow==1.15 pip install git+https://github.com/justinalsing/pydelfi.git （ tensorflow-gpu==1.15用于GPU加速而不是tensorflow==1.15 ）

这里面是UCF的人群密度数据集，适合做人群密度估计这方面的算法研究

快速核密度估计定理和大规模图论松弛聚类方法.pdf