用matlab实现kn近邻估计法，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，并进行比较

好的，我明白了您的问题。以下是用MATLAB实现kn近邻估计法生成正态随机信号并绘制概率密度函数曲线的代码：

clear all; clc;

% 参数设置
N = [1 16 256 10000]; % 信号长度
kN = [1 5 10 50]; % kn近邻估计法中的k值
mu = 0; % 均值
sigma = 1; % 标准差

% 生成正态随机信号
for i = 1:length(N)
    x{i} = normrnd(mu, sigma, [1, N(i)]);
end

% 计算概率密度函数并绘图
for i = 1:length(N)
    for j = 1:length(kN)
        % kn近邻估计法
        [f, xi] = ksdensity(x{i}, 'NumPoints', N(i), 'Bandwidth', kN(j)/N(i));
        % 绘图
        subplot(length(N), length(kN), (i-1)*length(kN)+j);
        plot(xi, f);
        title(sprintf('N=%d, kN=%d', N(i), kN(j)));
    end
end

上述代码中，我们先设置了信号长度N、kN近邻估计法中的k值、均值和标准差，然后通过循环生成不同长度的正态随机信号。接着，我们使用ksdensity函数计算概率密度函数，并绘制不同kN与不同N的下所获得的估计概率密度函数的曲线，最后将每个子图的标题设置为对应的N和kN值。

运行上述代码，即可得到不同kN与不同N下所获得的估计概率密度函数的曲线，并进行比较。