DMPE允许使用直接模态参数估计和稳定图来识别模态参数（频率，阻尼和模态振幅）以及合成的频率响应函数。 该算法适用于多自由度系统和大频率范围的情况。 识别顺序的选择和物理极点的选择通过使用频率和阻尼收敛准则的稳定图来辅助。 有关更多信息，请运行示例文件“test_dmpe.m”。

k－近邻法的错误率 最近邻法和k-近邻法的错误率上下界都是在一倍到两倍贝叶斯决策方法的错误率范围内。 在k >1的条件下，k-近邻法的错误率要低于最近邻法。 在k →∞的条件下，k-近邻法的错误率等于贝叶斯误差率。 *

郑兆宁;向大威.水声信号被动检测与参数估计理论.科学出版社.1983郑兆宁 向大威.水声信号被动检测与参数估计理论[M].北京:科学出版社

EM算法进行GMM参数估计的Python实现-附件资源

利用ARMA、AR、MA模型-以及周期图等进行系统参数估计，ARIMA 预测模型 训练集和预测集 ARIMA模型全称为自回归积分滑动平均模型(Autoregressive Integrated Moving Average Model,简记ARIMA)，是由博克思(Box)和詹金斯(Jenkins)于70年代初提出一著名时间序列（Time-series Approach）预测方法 [1] ，所以又称为Box-Jenkins模型、博克思-詹金斯法。其中ARIMA（p，d，q）称为差分自回归移动平均模型，AR是自回归， p为自回归项； MA为移动平均，q为移动平均项数，d为时间序列成为平稳时所做的差分次数。所谓ARIMA模型，是指将非平稳时间序列转化为平稳时间序列，然后将因变量仅对它的滞后值以及随机误差项的现值和滞后值进行回归所建立的模型。ARIMA模型根据原序列是否平稳以及回归中所含部分的不同，包括移动平均过程（MA）、自回归过程（AR）、自回归移动平均过程（ARMA）以及ARIMA过程。

模式识别中非参数估计理论，包括窗估计、kNN，NN等

参数估计 function [mu, sigma] = Bayesian_parameter_est(train_patterns, train_targets, sigma)

等离子体鞘对线性调频脉冲信号参数估计的影响

实施 Carnegie-Mellon STATLIB/Applied Statistics AS-99 以拟合约翰逊曲线 pdf，由以下人员开发： Hill, ID, R. Hill 和 RL Holder，1976 年。AS 99 算法：按矩拟合约翰逊曲线，应用统计，卷。 25，第 2 期，180-189。 [gamma,delta,lambda,xi,jctype,fault_msg]=cmu_as99_johnson_pdf_off_line(x) 输入： 样本观测值的 x 向量 输出： AS-99 中的参数名称。 约翰逊曲线参数： AS-99 哈恩-夏皮罗伽马伽马δ eta xi epsilon 拉姆达 拉姆达 Johnson 曲线类型和错误状态：jctype、fault_msg

论文研究-Heckman-Tobit模型的半参数估计.pdf,  Heckman-Tobit模型可以同时处理样本选择问题和删失数据问题，是一个重要的微观计量模型.本文根据结果变量的条件生存函数所满足的性质，提出Heckman-Tobit模型的一种半参数估计方法.这种方法通过积分的形式，有效地利用了结果变量整个条件分布的信息.在一些正则性条件下，本文证明了所提出的半参数估计量的相合性和渐近正态性.其渐近性质的成立不依赖于扰动项的具体分布.数值模拟实验的结果表明，本文的半参数估计量具有优越的有限样本性质，且当扰动项服从非正态分布时优于最大似然估计量.