当前位置：首页 > news >正文

使用马尔科夫蒙特卡洛方法对非常规的概率密度函数进行样本抽取

news 2026/6/18 3:45:17

马尔科夫蒙特卡洛（Markov Chain Monte Carlo，MCMC）方法是一种强大的工具，用于从复杂的概率分布中抽取样本。对于非常规的概率密度函数（PDF），MCMC方法尤其有用，因为这些分布可能难以直接采样。其中，Metropolis-Hastings算法是MCMC方法中最常用的一种。

Metropolis-Hastings算法的基本步骤

初始化：选择一个初始状态 \(x_0\)。
提议分布：选择一个提议分布 \(q(x'|x)\) ，用于生成候选样本 \(x'\) 。
接受率计算：计算接受率 \(\alpha\) ：

\(\alpha = \min\left(1, \frac{p(x') q(x|x')}{p(x) q(x'|x)}\right)\)

其中 \(p(x)\) 是目标分布。
采样决策：生成一个均匀分布的随机数 \(u\) 。如果 \(u < \alpha\)，则接受 \(x'\) 作为新的样本；否则，保持当前样本不变。
重复：重复上述步骤，直到获得足够多的样本。

MATLAB实现

使用Metropolis-Hastings算法从非常规概率密度函数中抽取样本的MATLAB示例。

定义目标分布

假设我们有一个非常规的概率密度函数 \(p(x)\)，例如：
\(p(x) = \frac{1}{Z} \exp\left(-\frac{(x-3)^2}{2} - \frac{(x+3)^2}{2}\right)\)
其中 \(Z\) 是归一化常数。

function p = target_pdf(x)% 目标概率密度函数p = exp(-((x-3).^2)/2 - ((x+3).^2)/2);
end

Metropolis-Hastings算法实现

function [samples, acceptance_rate] = metropolis_hastings(target_pdf, num_samples, initial_state, proposal_std)% 输入参数：% target_pdf - 目标概率密度函数% num_samples - 需要生成的样本数量% initial_state - 初始状态% proposal_std - 提议分布的标准差% 初始化samples = zeros(1, num_samples);current_state = initial_state;accepted = 0;% 提议分布为正态分布proposal_dist = @(x) normpdf(x, 0, proposal_std);% Metropolis-Hastings算法for i = 1:num_samples% 生成候选样本candidate = current_state + proposal_std * randn;% 计算接受率alpha = min(1, (target_pdf(candidate) * proposal_dist(current_state - candidate)) / ...(target_pdf(current_state) * proposal_dist(candidate - current_state)));% 决定是否接受候选样本if rand < alphacurrent_state = candidate;accepted = accepted + 1;end% 保存样本samples(i) = current_state;end% 计算接受率acceptance_rate = accepted / num_samples;
end

示例

% 参数设置
num_samples = 10000; % 需要生成的样本数量
initial_state = 0; % 初始状态
proposal_std = 1; % 提议分布的标准差% 调用Metropolis-Hastings算法
[samples, acceptance_rate] = metropolis_hastings(@target_pdf, num_samples, initial_state, proposal_std);% 显示结果
figure;
histogram(samples, 100);
title('Sampled Distribution');
xlabel('x');
ylabel('Frequency');disp(['Acceptance Rate: ', num2str(acceptance_rate)]);

参考代码使用马尔科夫蒙特卡洛方法对非常规的概率密度函数进行样本抽取 youwenfan.com/contentcnl/78939.html