让我们学习信号检测与估计这门课程 认识信号检测与估计这门课程

通信系统信号检测与估计的详细讲述，电子与通信教材

描述了一种用于估计车辆驾驶员的转弯、制动或加速的行为来避免车辆与任意对象发生碰撞的算法。原2010 Model-Based Threat Assessment for Avoiding Arbitrary Vehicle Collisions.pdf

介绍了一种基于运动轨迹的插值信道估计方法，把插值问题转化为求解均匀加速运动轨迹问题．相对于其他线性插值及二次插值的插值信道估计方法，该方法具有计算复杂度低，算法简单，可以实时计算等特点．通过仿真表明，在低车速时，该算法的误比特率性与线性插值方法基本相同；而在中高车速时，该算法的误比特率性能要明显优于线性插值信道估计方法，与二次插值信道估计方法的性能基本相同．

高斯混合模型是有效的描述数据集合分布的手段，高斯混合模型中各个单高斯模型的均值、方差和权重的估计，实际上是样本空间下的参数估计问题。参数估计的方法有很多，相比较而言，EM算法是MLE（Maximum Likelihood Estimation）原理下的针对不完备数据集合的回归分析算法，它是由E步和M步迭代循环，直至误差小于给定门限为止。因此本文采用了一种基于EM方法的高斯混合模型参数估计的方法对运动人体姿态进行建模，可以较准确的对模型进行参数估计。对典型姿态建模之后还可以解决对姿态的识别问题。

基于matlab语言的电力系统最小二乘法状态估计算法-毕业设计(完整版)资料.doc

官方代码自动下载的模型，跑得时候一直出问题，重新下载以后就可以运行了。这里打包一下整个工程，备份一波。

根据伪 随机噪声 IPN)序列的相关特性 ，介绍一种 OFDM 系统中在时域利用 PN序列的循环相 关对信道进行 估计的算法 ，并利用周期序列的循环卷积特性对接收数据进行频域均衡 。最后列出其 FPGA设计流程和仿真图形。

桑普利 2018年5月29日：0.3版 Sampyl是一个使用MCMC方法从概率分布中采样的软件包。 类似于使用theano来计算梯度的PyMC3，Sampyl使用来计算梯度。 但是，您可以自由编写自己的梯度函数，而不必使用autograd。 该项目的开始是通过仅使用Python和numpy定义模型来使用MCMC采样器的方式。 Sampyl当前包括以下采样器： 大都会-哈丁斯 哈密​​顿量 坚果 片 对于每个采样器，您传入一个函数，该函数计算要从中采样的分布的对数概率。 对于汉密尔顿和NUTS采样器，还需要梯度对数概率函数。 如果安装了autograd，则将自动计算梯度。 否则，采样器将接受gradient log-p函数，无论是否安装了autograd，都可以使用它们。 它仍在积极开发中，即将推出更多功能！ 依存关系 适用于Python 2或3。 当前， 和是唯一的依赖项。 要使

多元高斯混合的自由分裂和合并期望最大化算法。 该算法适用于估计混合参数和化合物数量 用法------ [M , S , P ,logl] = fsmem_mvgm(Z , [option] , [M0] , [S0] , [P0]); 输入项------ Z 测量 (dx N) M0 初始平均向量。 M0可以是（dx 1 x K）（默认[来自Z的基尼随机元素]） S0 初始协方差矩阵。 S0 可以是 (dxdx K)（默认 [cov(Z)/40]） P0 初始混合概率（1 x 1 x K）：（默认 [1/Kini]） 选项Kini 初始化合物数（默认 [5]） Kmax 最大化合物数（默认 [15]） maxite_fsmem fsmem 主循环的最大迭代次数（默认 [100]） maxite_fullem 主循环内完整 EM 的最大迭代次数（默认 [100]） maxite_pa