卷积神经网络在图像分类中基于泊松分布的算法综述

poissrnd(2,5,1) %生成 5 个随机数排列的列向量，一般用这种格式 poissrnd(2,5) %生成 5 行 5 列的随机数矩阵 poissrnd(2,[5,4]) %生成一个 5 行 4 列的随机数矩阵 %注：上述语句生成的随机数所服从的参数为(2)的泊松分布 生成的随机数大致的分布。 x=poissrnd(2,100000,1); hist(x,50); 其他离散分布还有超几何分布(Hyper-geometric, 函数是 hygernd)等，详细见 Matlab 帮 助文档。 （六）特殊连续分布 这里我将 Matlab 中没有对应函数的分布称为特殊分布。有多种方法可以用于生产服从 这些分布的随机数。这里主要介绍两种 常见的。 1．逆 CDF 函数法 如果我们已知某特定一维分布的 CDF 函数，经过如下几个步骤即可生成符合该分布的 随机数。（其中数学推导等在此处略去，详见相关数学书籍） 1. 计算 CDF 函数的反函数： 2. 生成服从(0,1)区间上均匀分布的初始随机数 a 3. 令 x= ，则 x 即服从我们需要的特定分布的随机数。 为了更形象解说这种方法，这里选取柯西（Cauchy）分布作为例子。有时也称其为洛 仑兹分布或者 Breit-Wigner 分布。柯西分布有一大特点就是，它是肥尾（Fat-tail，又译作 胖尾）分布。在金融市场中，肥尾分布越来越受到重视，因为在传统的正态分布基本不考虑 像当前次贷危机等极端情况，而肥尾分布则能很好地将很极端的情形考虑进去。