Step3：单级倒立摆动力学非线性方程组 Step4：化成状态空间描述。 4、最小二乘应用——单级倒立摆

复杂广义高斯分布 (CGGD) 的一种非常快速有效的形状参数估计实现。 它可以应用于雷达图像、磁共振成像、无线通信和傅立叶变换数据，其中复值数据是这些领域固有的。 如果你在你的研究中使用了这个实现，你应该在你的论文或报告中引用我们的工作。 冷相光等。 “SAR图像中复杂广义高斯分布的快速形状参数估计。” IEEE Geoscience and Remote Sensing Letters, Institute of Electrical and Electronics Engineers (IEEE), 2020, pp. 1–5, doi:10.1109/lgrs.2019.2960095

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

RLC 电路状态空间模型和使用 ODE45 求解。 阅读帮助文件。

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)