matlab实现隐马尔可夫模型相关算法，backward算法，forward算法，viterbi算法，附带参数估计的笔记。

本教程涵盖 MATLAB 编程，以模拟微分方程模型并优化参数以匹配测量。 在本练习中，模型使用 ODE 积分器 (ode15s) 进行仿真，并使用 fmincon 或 fminsearch 进行优化。 还计算参数的置信区间。

核密度非参数估计的matlab代码交叉验证 在我目前的课程“数据分析和解释”中，我们的课程讲师是图像处理专家，我们已经完成了关于这个主题的几个有趣的作业，并在 MATLAB 中实现了它们。 其中之一是 PDF 估计器，我们在其中比较了各种非参数估计技术，如直方图和核密度估计，并实现了交叉验证程序，这是机器学习的一种应用。 在另一个问题中，我们获得了部分人脑的两个 {\it Magentic Resonance Images} (MRI)，这些图像是通过 MRI 机器的不同设置获得的。 在将图像转换为双阵列后，我们被要求以不同的量移动第二张图像，并为每个图像计算第一张图像和第二张图像的移位版本的相关系数 (CC) 和二次互信息 (QMI)。 主要的一点是在几次绘图后意识到 QMI 是一个比 CC 强得多的指标，并分析为什么会这样。 问题陈述： 我们已经通过最大似然在课堂上广泛地看到了参数 PDF 估计。 在许多情况下， 然而，PDF 的家族是未知的。 这种情况下的估计称为非参数密度估计。 我们在课堂上研究了一种这样的技术，即直方图，我们还分析了它的比率 的收敛。 还有另一种流行的非参数密

概率密度函数非参数估计matlab代码代码-Matlab 2017a / Python 3.7-MSAL（多标准优化主动学习）算法 主动学习选择最关键的实例，并通过与Oracle的交互来获取它们的标签。 选择信息量大或代表性的未标记实例可能会导致采样偏差或聚类依赖性。 在本文中，我们提出了一种考虑实例的信息性，代表性和多样性的多标准优化主动学习（MSAL）算法。 信息性是通过soft-max预测的熵来衡量的，而代表性是通过非参数估计所获得的概率密度函数来衡量的。 两者的复用被用作优化目标，以减少模型不确定性并探索未标记数据的分布。 多样性是通过选定的关键实例之间的差异来衡量的。 这用作阻止选择过于相似的实例的约束。 实验在Matlab R2017a软件上进行。 DOI：10.1109 / ACCESS.2019.2914263 WOS：000470246900001

自适应控制---遗忘因子递推最小二乘参数估计 自适应控制---遗忘因子递推最小二乘参数估计

该资源是李竹渝、鲁万波和龚金国编著的《经济、计量中的非参数估计技术》一书的电子版，该书是学习非参数核估计非常经典的入门书籍，书中详细介绍了相关的方法和案例，其中附录中也有相应的程序。

一元正态总体参数估计的回顾

基于SVD_TSL算法的ARMA模型的参数估计

这是一种演化的粒子滤波算法，与标准的粒子滤波算法不同，这个算法可以取得很好的滤波精度

给出了对指数分布总体未知参数的有效估计方法和对未知参数所作假设的一致最优势检验。