MSAL是一款用于在MATLAB环境中进行数据驱动的概率密度函数非参数估计的工具包。它提供了多种算法来实现灵活的数据分析和建模需求，适用于统计学、机器学习及信号处理等多个领域。
概率密度函数的非参数估计在Matlab代码中的应用涉及一种名为多标准优化主动学习（MSAL）算法的方法。这种算法的核心在于选择最具关键性的实例，并通过与Oracle系统的交互获取这些实例的标签信息。单纯地挑选具有高信息量或代表性的未标记样本可能导致采样偏差或是聚类依赖性问题。
本段落提出了一种新颖的策略，即多标准优化主动学习（MSAL）方法，旨在同时考虑所选实例的信息度、代表性以及多样性这三个因素。具体而言，信息度是通过软最大预测的熵来衡量；而代表性的评估则基于非参数估计所得的概率密度函数来进行。
这两个指标被合并为一个优化目标，以期减少模型不确定性，并促进探索未标记数据中的潜在分布模式。此外，为了防止选择过于相似的数据点，多样性也被引入作为约束条件——通过计算关键实例间的差异来实现这一目的。
研究在Matlab R2017a软件环境下进行实验验证。研究成果已发表并拥有DOI编号：10.1109/ACCESS.2019.2914263，且被WOS数据库收录（引用号为：WOS: 000470246900001）。
5星
