MUSIC算法参数估计的均方根误差（RMSE）

现代信号分析与处理技术_第1讲_参数估计方法.pdf

针对近场源三维参数估计效率低下及信号源的载波频率估计较少的情况,提出了一种基于均匀圆阵(UCA)的近场源四维参数估计快速算法,利用UCA的中心对称结构构造出两个相关序列,其中一个为利用错位相乘构造的相关序列,使之含有信号源的方位角、俯仰角以及载波的频率信息,而另外一个构造的相关序列则含有信号源的距离参数,这样两个相关序列的相位就包含信号的4-D参数信息.首先对利用错位相乘构造的相关序列利用最小二乘方法给出方位角、俯仰角和频率的估计,然后再利用另一个序列估计出距离参数.仿真结果表明该算法和3-D MUSIC算法性能相当,但由于所提算法无需三维搜索和特征分解,因而计算更加简单利于工程实时实现.

核密度非参数估计的matlab代码ICA-R-估计 参考： M. Hallin & C. Mehta (2015)。 非对称独立分量分析的 R 估计。 美国统计协会杂志，110(509)，218-232 独立分量分析 (ICA) 是一种多变量统计方法，其中将观察到的信号去卷积或分离为独立的潜在源信号。 在 ICA 模型中，观察到的 m 向量满足 , 其中 是一个非奇异维混合矩阵和 是一个向量，其分量 S_k(t) 具有成对独立分布（超过 t=1,2,...）。 ICA 的一个主要目标是从观察到的 X 向量中估计混合矩阵 ()。 将混合矩阵的准确估计的逆应用于观察到的混合 X 向量允许恢复 ICA 模型中的源信号。 在这个项目中，我们为混合矩阵提出了一个单步 R 估计器，旨在针对具有重尾分布的源信号和其他类型的噪声（相对于混合矩阵的现有估计器）实现更大的鲁棒性。 此外，我们能够通过半参数程序阐明 R 估计量的渐近特性，例如其极限分布。 评估 R 估计器首先需要 获得混合矩阵的初步估计量 L0，以实现根 n 一致性和 为各个未观察到的独立源信号指定单变量分布 f:=(f1,...,fm)

针对实拍运动模糊图像的复原问题，分析了实拍图像与仿真模糊图像的差异特征，提出一种适用于实拍图像退化参数估计的方法。首先退化图像的倒谱，选用倒谱灰度极小值得绝对值作为阈值把倒谱变为二值图像，再去除中心的十字亮线；然后用点到直线的距离公式计算出二值图像的亮条纹方向，即得运动模糊图像；最后以退化图像中心为旋转轴，将运动模糊方向旋转至水平方向，用差分自相关法计算模糊尺度。把估计的点扩散函数（PSF）代入维纳滤波算法复原实拍图像，复原效果证明参数估计结果正确。

阵列信号处理的课程报告，包括常用算法代码（MVDR,SVD,LCMP,LMS,ULA）和个人理解，对应的参考书是外国人写的那本阵列信号处理

最近邻分类器(NN) 假设i.i.d.样本集 对于样本 ，NN采用如下的决策： 相当于采用 近邻方法估计后验概率，然后采用最大后验概率决策。 分类一个样本的计算复杂度： （采用欧氏距离）

参数估计 参数估计有两类方法: 将参数作为非随机量处理，如矩法估计、最大似然估计； 将参数作为随机变量，贝叶斯估计就属此类。 5.1 统计推断概述 i w ) ( i x p w r i w ) ( i x p w r { } ) , , , ( 2 1 ¢ q q q = q D q m i L r 如果已知 类的概密 的函数类型，即知道 类的 概型，但不知道其中的参数或参数集 ， 可采用参数估计的方法 ，当解得这些参数 后 也就确定了。 确定未知参数

向量自回归模型（简称VAR模型）是一种常用的计量经济模型；该例子是VAR（1）模型的代码，可以参考vars包。

介绍 作者： Thomas V. Wiecki，Imri Sofer，Mads L.Pedersen，Michael J.Frank 接触： ， ， ， 网站： Github： 邮件列表： 版权： 该文档已放置在公共领域。 执照： HDDM是根据BSD 2许可证发行的。 版本： 0.7.8 目的 HDDM是用于漂移扩散模型（通过PyMC）的分层贝叶斯参数估计的python工具箱。 漂移扩散模型被广泛用于心理学和认知神经科学中以研究决策。 查看有关如何入门的。 可以在下面以及部分和找到更多信息。 特征 使用DDM参数的分层贝叶斯估计（通过PyMC）允许同时估计主题和组参数，其中假定单个主题是从组分布中得出的。 因此，与使用个别受试者最大可能性（即DMAT或fast-dm ）的其他方法相比，当测量的RT值较少时，HDDM应产生更好的估计。 针对速度进行了高度优