用matlab实现K近邻估计法，2.，生成均值为0，方差为1，长度为N(N=1,16,256,10000)的一维正态随机信号。 绘制再不同kN与不同N的下所获得的估计概率密度函数的曲线，

以下是用MATLAB实现K近邻估计法的示例代码：

% 生成正态随机信号
N = 10000; % 信号长度
signal = randn(N,1);

% 计算不同kN与不同N下的概率密度函数
kN = [1, 3, 5, 10]; % K近邻估计中的K值
n = [1, 16, 256, 10000]; % 信号长度
figure;
for i = 1:length(n)
    for j = 1:length(kN)
        % 计算概率密度函数
        x = linspace(-5, 5, 100);
        pdf = zeros(length(x), 1);
        for k = 1:length(x)
            dist = abs(signal - x(k));
            [~, idx] = sort(dist);
            idx = idx(1:kN(j));
            pdf(k) = kN(j) / (n(i) * 2 * mean(dist(idx)));
        end
        subplot(length(n), length(kN), (i-1)*length(kN)+j);
        plot(x, pdf);
        title(['N=', num2str(n(i)), ', kN=', num2str(kN(j))]);
    end
end

运行上述代码，会生成一个包含多个子图的图像，每个子图表示不同kN与不同N下的估计概率密度函数的曲线。其中，x轴表示信号值，y轴表示概率密度。可以通过观察图像来了解K近邻估计法在不同参数下的表现。