简要叙述概率密度函数估计法的基本原理以及其估计法能够收敛的基本条件，并介绍Parzen窗法和kn临近法的基本思路和特点

概率密度函数估计法的基本原理是利用已知的样本数据来估计未知的概率密度函数。估计方法可以分为参数估计和非参数估计两种。其中参数估计法假设概率密度函数的形式，如高斯分布等，然后通过最大似然估计等方法求解参数，从而得到概率密度函数。而非参数估计法则不对概率密度函数做出任何假设，直接利用样本数据进行估计。

概率密度函数估计法能够收敛的基本条件是样本数据足够多且随机性好，同时估计方法的选择也影响着估计结果的收敛性。

Parzen窗法是一种非参数估计法，其基本思路是将一个窗口函数中的样本数据作为一个整体来考虑，通过改变窗口大小和形状来估计概率密度函数。Parzen窗法的特点是可以估计任意形状的概率密度函数，但是窗口大小的选择对估计结果影响很大。

K近邻法（k-NN）是另一种非参数估计法，其基本思路是在样本数据中查找离待估计点最近的k个点，然后利用这些点的概率密度函数值的平均值来估计待估计点的概率密度函数。k-NN法的特点是对样本数据的分布不做任何假设，但是k值的选择也会对估计结果影响很大。同时，k-NN法在高维数据的处理上较为困难，需要进行维度缩减等处理。