获得非高斯噪声环境衰落信道中正交空时分组码(OSTBC)的性能估计，对OSTBC的成对差错概率(PEP)进行了研究．基于物理统计Middleton Class A噪声模型，通过将非高斯Class A分布变换成条件高斯分布，给出空间依赖时间独立条件下OSTBC系统中噪声信号的联合概率密度函数．利用矩母函数(MGF)分析法推导Class A噪声环境下最大似然接收机的成对差错概率的上界．对不同衰落信道中系统误符号率(SER)性能的仿真研究表明，在Class A噪声环境下，OSTBC系统性能随噪声脉冲性的增强而下

自适应鲁棒性卡尔曼滤波算法在卫星姿态估计中的应用

聚醚醚酮 第3版“参数估计和反问题”的示例和练习的MATLAB代码。 有关这本书的更多信息（包括勘误表），请参阅 该存储库包含由Richard Aster，Brian Borchers和Clifford Thurber撰写的第三版“参数估计和逆问题”（2018）的MATLAB代码。 “示例”目录中的代码将为教科书重新创建相应的基于MATLAB的示例，包括图形。 练习的辅助文件（如果需要）位于“练习”目录的相应子目录中。 要运行此代码，必须将“ Lib”目录添加到用户的MATLAB路径。

对于频率估计，采用了插值法，其中信号参数，采样的条件都可以非常灵活的设置

深度对象姿态估计（DOPE） - ROS推断（CoRL 2018） Deep Object Pose Estimation - ROS Inference 这是官方的 DOPE ROS 包，用于检测和 6-DoF 对来自 RGB 相机的已知物体的姿态估计。 该网络已经在以下 YCB 对象上进行了训练：饼干盒、糖盒、番茄汤罐、芥末瓶、盆栽肉罐和明胶盒。 有关更多详细信息，请参阅我们的 CoRL 2018 论文和视频。 注意：以下说明仅适用于推理。 还提供了培训代码，但不支持。 2020 年 3 月 16 日更新 - 添加了一个 wiki（感谢 @saratrajput） 03/07/2019 - ROS 界面更新（感谢 Martin Günther） 11/06/2019 - 添加了漂白 YCB 权重安装 我们已经在 Ubuntu 16.04 和 18.04 上进行了测试使用 ROS Kinetic 和 Lunar，使用 NVIDIA Titan X 和 RTX 2080ti，使用 python 2.7。 该代码可能适用于其他系统。 以下步骤描述了本机安装。 或者，使用

为了解决在复杂背景以及人流密集且互相遮挡的场景下, 对人流密度进行估计精度低的问题, 提出了基于YOLOv3增强模型融合的方法进行人流密度估计. 首先将数据集分别进行头部标注和身体标注, 生成头部集和身体集. 然后用这两个数据集分别训练两个YOLOv3增强模型YOLO-body和YOLO-head, 最后使用这两个模型在相同的测试数据集上推理, 将其输出结果进行极大值融合. 结果表明基于YOLOv3增强模型融合的方法, 与原始目标检测方法和密度图回归的方法相比精度提高了4%, 且具有较好的鲁棒性.

学了一学期的matlab，本来想全部的资源上传的，只是传不上去，所以先传点回归分析与参数估计的

很多高校图书馆没有此书。此书的价值在于参考文献中引用了很多IEEE（上世纪八九十年代）中的文章，相当于一本综述。 12.1节中的某些说法窃以为是以讹传讹。实践出真知，忌人云亦云。

自抗扰控制技术 估计补偿不确定因素的控制技术 自抗扰控制技术 估计补偿不确定因素的控制技术

SOC估计常用的算法 （1）开路电压法 随着放电电池容量的增加，电池的开路电压降低。可以根据一定的充放电倍率时电池组的开路电压和SOC的对应曲线，通过测量电池组开路电压的大小，插值估算出电池SOC的值