目前,我正在制作一个程序来生成具有给定丢失率的丢失位。
假设我有位数输入 N=1000,其中 N
位中丢失的位数遵循 binomial distribution .假设每个比特丢失的概率 p=20%,并且比特丢失是独立的。因此,对于 1000 位和 20% 的丢失率,您将得到以下高斯分布:reference均值为 Np,方差为 Np(1-p)。我们可以通过使用蒙特卡洛模拟来实现它。据我所知,我在 here 得到.
我不知道如何在 C/C++ 中实现该方案。您能否向我建议如何使用输入生成位错误是总位和概率错误。这是我在 C/C++ 中的尝试,但它看起来不像理论:
int* bitloss(int* orbit,int size_orbit,int loss_percent) {
int* out_bitstream=(int*)malloc(sizeof(int)*size_orbit);
int randval ;
std::random_device rd;
std::mt19937 generator(rd());
generator.seed( rd() );
std::uniform_int_distribution<> distribution(0, 100);
for(int i=0;i<size_orbit,i++) {
rand_loss = distribution(generator);
if(randval<((int)lossbitprob*100))
out_bitstream[i]=-1;
else out_bitstream[i]=orbit[i];
}
return out_bitstream;
}
最佳答案
如果样本数量(size_orbit)足够大,earlier post的代码:
for(int i=0;i<size_orbit,i++)
{
randval = (double)rand()/(double)RAND_MAX;
if(randval<loss_percent)
out_bitstream[i]=-1;
else out_bitstream[i]=orbit[i];
}
应该(没有变化)收敛到规定的理论结果。 也就是说,如果您要使用以下方法计算直方图:
int histogram[size_orbit+1] = {0};
for (int j=0; j<number_of_experiments; j++)
{
int count = 0;
for (int i=0; i<size_orbit; i++)
{
if (out_bitstream[i] == -1)
count++;
}
histogram[count]++;
}
那么每个实验中比特丢失总数的相对发生率应该收敛于均值为Np,方差为Np(1-p)的高斯分布。或者换句话说,每个实验中的损失位数可能看起来“好像”是由以下过程生成的:
double mean = size_orbit * loss_percent; // Np
double variance = size_orbit * loss_percent * (1.0 - loss_percent); // Np(1-p)
double sigmarandom = sqrt(std::max(0.0, variance));
std::normal_distribution<double> distribution(mean,sigmarandom);
int lossbitcount = round(distribution(generator));
关于c++ - 如何使随机损失位服从高斯分布,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/24164295/