### MATLAB 中 `randn` 和 `normrnd` 的比较 #### 函数定义与用途 在 MATLAB 中，`randn` 是用于生成标准正态分布（均值为 0，标准差为 1）随机数的内置函数[^1]。另一方面，`normrnd` 则是 Statistics and Machine Learning Toolbox 提供的一个更通用的功能，允许指定任意均值和标准差来生成正态分布随机数。 对于需要生成具有特定参数（如非零均值或非常规标准差）的正态分布样本的情况，可以使用 `mu + sigma * randn(...)` 或者直接调用 `normrnd(mu, sigma,...)` 来实现相同的效果。 #### 使用方式对比 当利用 `randn` 创建自定义均值 (`μ`) 和标准差 (`σ`) 的数据集时，通常会先通过乘法调整尺度再加法平移位置： ```matlab % Using randn to generate a custom normal distribution with mean mu and std dev sigma y_randn = mu + sigma * randn(n_samples, 1); ``` 相比之下，`normrnd` 可以更加直观地接受这些参数作为输入，并返回相应的随机数组： ```matlab % Directly using normrnd to specify the desired parameters of the normal distribution y_normrnd = normrnd(mu, sigma, n_samples, 1); ``` 这两种方法都能有效地模拟期望中的概率密度曲线形状，但在实际应用中可能会因为内部算法的不同而导致细微差异。 #### 性能考量 就性能而言，在大多数情况下两者之间的速度差别不大。然而，如果考虑大规模仿真或者计算资源有限的情况下，则可能需要注意两者的效率问题。一般来说，由于 `randn` 属于核心库的一部分，因此往往执行得更快一些；而 `normrnd` 虽然提供了更多的灵活性，但由于依赖额外工具箱的支持，有时会在初始化阶段引入一定的开销。 #### 输出验证 为了确保所使用的任何一种方法都正确无误地实现了目标分布特性，建议绘制直方图并叠加理论上的 PDF 曲线来进行视觉检验。这可以通过下面的方式完成： ```matlab figure; histogram(y_randn,'Normalization','pdf'); hold on; x_values = linspace(min(y_randn), max(y_randn)); plot(x_values,normpdf(x_values,mu,sigma),'r-'); % Theoretical pdf overlayed title('Histogram comparison between generated data and theoretical model') legend({'Generated Data', 'Theoretical Model'}) xlabel('Value'), ylabel('Density') grid minor ``` 上述代码片段适用于基于任一方法产生的变量 `y_*` 进行绘图分析。