Windows Develop

Development Platform:
Java

MahalanobisEstimator.java：Code Content
							/*
 *    This program is free software; you can redistribute it and/or modify
 *    it under the terms of the GNU General Public License as published by
 *    the Free Software Foundation; either version 2 of the License, or
 *    (at your option) any later version.
 *
 *    This program is distributed in the hope that it will be useful,
 *    but WITHOUT ANY WARRANTY; without even the implied warranty of
 *    MERCHANTABILITY or FITNESS FOR A PARTICULAR PURPOSE.  See the
 *    GNU General Public License for more details.
 *
 *    You should have received a copy of the GNU General Public License
 *    along with this program; if not, write to the Free Software
 *    Foundation, Inc., 675 Mass Ave, Cambridge, MA 02139, USA.
 */
/*
 *    MahalanobisEstimator.java
 *    Copyright (C) 1999 Len Trigg
 *
 */
package weka.estimators;
import java.util.*;
import weka.core.*;
/** 
 * Simple probability estimator that places a single normal distribution
 * over the observed values.
 *
 * @author Len Trigg (trigg@cs.waikato.ac.nz)
 * @version $Revision: 1.4 $
 */
public class MahalanobisEstimator implements Estimator {
  /** The inverse of the covariance matrix */
  private Matrix m_CovarianceInverse;
  /** The determinant of the covariance matrix */
  private double m_Determinant;
  /**
   * The difference between the conditioning value and the conditioning mean
   */
  private double m_ConstDelta;
  /** The mean of the values */
  private double m_ValueMean;
  /** 2 * PI */
  private static double TWO_PI = 2 * Math.PI;
  /**
   * Returns value for normal kernel
   *
   * @param x the argument to the kernel function
   * @param variance the variance
   * @return the value for a normal kernel
   */
  private double normalKernel(double x) {
    
    Matrix thisPoint = new Matrix(1, 2);
    thisPoint.setElement(0, 0, x);
    thisPoint.setElement(0, 1, m_ConstDelta);
    return Math.exp(-thisPoint.multiply(m_CovarianceInverse).
		    multiply(thisPoint.transpose()).getElement(0, 0) 
		    / 2) / (Math.sqrt(TWO_PI) * m_Determinant);
  }
  
  /**
   * Constructor
   *
   * @param the number of possible symbols
   */
  public MahalanobisEstimator(Matrix covariance, double constDelta,
			      double valueMean) {
    
    m_CovarianceInverse = null;
    if ((covariance.numRows() == 2) && (covariance.numColumns() == 2)) {
      double a = covariance.getElement(0, 0);
      double b = covariance.getElement(0, 1);
      double c = covariance.getElement(1, 0);
      double d = covariance.getElement(1, 1);
      if (a == 0) {
	a = c; c = 0;
	double temp = b;
	b = d; d = temp;
      }
      if (a == 0) {
	return;
      }
      double denom = d - c * b / a;
      if (denom == 0) {
	return;
      }
      m_Determinant = covariance.getElement(0, 0) * covariance.getElement(1, 1)
	- covariance.getElement(1, 0) * covariance.getElement(0, 1);
      m_CovarianceInverse = new Matrix(2, 2);
      m_CovarianceInverse.setElement(0, 0, 1.0 / a + b * c / a / a / denom);
      m_CovarianceInverse.setElement(0, 1, -b / a / denom);
      m_CovarianceInverse.setElement(1, 0, -c / a / denom);
      m_CovarianceInverse.setElement(1, 1, 1.0 / denom);
      m_ConstDelta = constDelta;
      m_ValueMean = valueMean;
   }
  }
  /**
   * Add a new data value to the current estimator. Does nothing because the
   * data is provided in the constructor.
   *
   * @param data the new data value 
   * @param weight the weight assigned to the data value 
   */
  public void addValue(double data, double weight) {
    
  }
  /**
   * Get a probability estimate for a value
   *
   * @param data the value to estimate the probability of
   * @return the estimated probability of the supplied value
   */
  public double getProbability(double data) {
    
    double delta = data - m_ValueMean;
    if (m_CovarianceInverse == null) {
      return 0;
    }
    return normalKernel(delta);
  }
  /** Display a representation of this estimator */
  public String toString() {
    
    if (m_CovarianceInverse == null) {
      return "No covariance inversen";
    }
    return "Mahalanovis Distribution. Mean = "
      + Utils.doubleToString(m_ValueMean, 4, 2)
      + "  ConditionalOffset = "
      + Utils.doubleToString(m_ConstDelta, 4, 2) + "n"
      + "Covariance Matrix: Determinant = " + m_Determinant 
      + "  Inverse:n" + m_CovarianceInverse;
  }
  /**
   * Main method for testing this class.
   *
   * @param argv should contain a sequence of numeric values
   */
  public static void main(String [] argv) {
    
    try {
      double delta = 0.5;
      double xmean = 0;
      double lower = 0;
      double upper = 10;
      Matrix covariance = new Matrix(2, 2);
      covariance.setElement(0, 0, 2);
      covariance.setElement(0, 1, -3);
      covariance.setElement(1, 0, -4);
      covariance.setElement(1, 1, 5);
      if (argv.length > 0) {
	covariance.setElement(0, 0, Double.valueOf(argv[0]).doubleValue());
      }
      if (argv.length > 1) {
	covariance.setElement(0, 1, Double.valueOf(argv[1]).doubleValue());
      }
      if (argv.length > 2) {
	covariance.setElement(1, 0, Double.valueOf(argv[2]).doubleValue());
      }
      if (argv.length > 3) {
	covariance.setElement(1, 1, Double.valueOf(argv[3]).doubleValue());
      }
      if (argv.length > 4) {
	delta = Double.valueOf(argv[4]).doubleValue();
      }
      if (argv.length > 5) {
	xmean = Double.valueOf(argv[5]).doubleValue();
      }
      
      MahalanobisEstimator newEst = new MahalanobisEstimator(covariance,
							     delta, xmean);
      if (argv.length > 6) {
	lower = Double.valueOf(argv[6]).doubleValue();
	if (argv.length > 7) {
	  upper = Double.valueOf(argv[7]).doubleValue();
	}
	double increment = (upper - lower) / 50;
	for(double current = lower; current <= upper; current+= increment)
	  System.out.println(current + "  " + newEst.getProbability(current));
      } else {
	System.out.println("Covariance Matrixn" + covariance);
	System.out.println(newEst);
      }
    } catch (Exception e) {
      System.out.println(e.getMessage());
    }
  }
}

						