我有一个向量 y 包含 1440 个值（值在 0-1 之间），看起来像一个高斯分布。
因此，我想找到最适合的高斯分布来建立模型。
x=1:1440;
[sigma_,mu_] = gaussfit(x,y);
norm = normpdf(x,mu_,sigma_);
我的问题是 norm 中的值远小于 y 中的值，即 norm 中的值大约为 10-3 而 y 中的值介于 0 1 之间。
然后我必须添加一个额外的步骤，以便将 norm 中的值标准化为 0 到 1。
norm_data = (norm - min(norm)) / ( max(norm) - min(norm) );
我的程序正确吗？ （估计 sigma 和 mu，normpdf，归一化） 有没有办法直接拟合表达概率的原始数据？
y可以下载here
【问题讨论】：
标签： matlab normalization curve-fitting gaussian
假设你正在使用这个gaussfit，如果你检查函数的头部：
% REMARKS:
% The function does not always converge in which case try to use initial
% values sigma0, mu0. Check also if the data is properly scaled, i.e. p.d.f
% should approx. sum up to 1
这意味着在拟合之前，您需要确保 sum(y)==1+err 犯了一些小错误。
您的y 有一个sum(y) 和470.1964，与1 相差甚远。规范化您的数据，使总和在拟合之前等于 1。
编辑
事实上，如果数据不是，函数确实会进行规范化（或多或少，它接受 0.5-1.5 范围内的数据）。并且工作得很好。由于y在函数内部被规范化，如果你想比较结果norm和y你需要规范化y或者去规范化norm。
% normalize y
plot(x,norm,x,y./sum(y))
% denormalize norm
plot(x,norm*sum(y),x,y)
在任何一种情况下（但规模不同）：
【讨论】：
y 应该很简单。请注意，如果您正在处理统计数据，y 必须被规范化，否则它在概念上是错误的。
[0 1] 范围。因为gaussfit 不需要y 正好有1 个pdf（它可以在0.5 到1.5 之间），如果你按照我展示的那样缩放它，然后乘以sum(y) 会更好。在您发布的示例中，这无关紧要，但对于 y 的其他值而言，这将很重要。
gaussfit(x,y) 将归一化的高斯拟合到数据。如果您的数据未标准化，则无法正常工作。如何正确安装的问题已回答here！
【讨论】：