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.

Parzen窗估计 定义窗函数：假设Rn是一个d维的超立方体。令hn为超立方体一条边的长度，则体积： 立方体窗函数为： 中心在原点的单位超立方体

本程序是有关泊松过程的模拟、检验及参数估计

基于四元数的L阵（若想要均匀线阵，只需要改方向矢量矩阵）DOA和极化参数联合估计算法，估计四个参数，有图。

复杂噪声环境下基于LVD的LFM信号参数估计