别的网站找到的中文版。Fundamentals of Statistical Signal Processing: Estimation Theory

Fundamentals+of+Statistical+Signal+Processing,+Volume+I+-+Estimation+Theory

核密度非参数估计的matlab代码Non_Parametric_Kernel_Density_Estimation 我们建议使用基于核密度估计 (KDE) 的方法进行分类。 这种非参数方法本质上以一种有原则的方式为每个类提供了成员资格的可能性。 该实现用于： [1] MU Ghani、F. Mesadi、SD Kanik、AO Argunsah、A. Hobbiss、I. Israely、D. Unay、T. Tasdizen 和 M. Cetin，“基于树突棘分类的形状和外观特征”，Journal of神经科学方法。 任何使用此代码的论文都应相应地引用 [1]。 该软件已经在Matlab R2013b下进行了测试。 解压压缩文件后，启动Matlab，然后可以在根目录下运行“KDE_JNeuMeth.m”。 如果报告错误，则您可能没有以下某些 MATLAB 工具箱。 请确保您已正确安装以下 MATLAB 工具箱： 统计和机器学习工具箱 生物信息学工具箱 如果您仍然有问题，您可以给我发电子邮件，或者我会尽力提供帮助。 照原样，该代码使用基于析取法线形状模型 (DNSM) 和定向梯度直方图

近年来，面部识别技术已经成为模式识别领域中的热门话题。 人脸是人类最重要的生物特征之一，其中包含许多重要信息，例如身份，性别，年龄，表情，种族等。 年龄是身份歧视的重要参考，年龄估计可以潜在地应用于人机交互，计算机视觉和商业智能。 本文解决了准确估计人类年龄的问题。 年龄估计系统通常由年龄特征提取和特征分类组成。 在特征提取部分，Gabor小波和局部二值模式（LBP）等众所周知的纹理描述符已用于特征提取。 在我们的方法中，我们使用卷积神经网络（CNN）提取面部特征。 通过建立基于丰富训练数据的多级CNN模型来获得卷积激活特征。在特征分类部分，将不同年龄划分为13个组，并使用支持向量机（SVM）分类器进行分类。 实验结果表明，在使用我们的老化数据库时，该方法的性能优于以前的方法。

MotioNet 该库提供的源代码[[Transaction on Graphics（ToG）2020]，这是一种运动学的深度神经网络，可以从单眼视频中重建3D骨骼人体运动。 基于通用运动表示设计的网络及其直接输出可以转换为bvh文件，而无需任何后处理步骤。 MotioNet：具有骨架一致性的单眼视频的3D人体运动重构：| | 先决条件 Linux 的Python 3 NVIDIA GPU + CUDA CuDNN 2D姿势检测工具（用于评估野生视频，现在支持： ） 根据您的Cuda版本，选择合适的版本并安装它，然后运行以下命令来安装其他软件包： pip install -r requirements.txt 快速开始 我们提供了一个预训练的模型和一些演示示例，这些示例演示了我们的框架是如何工作的。 为了运行演示，请从 下载1.预训练的模型并将其放置在./checkpoin

irt学习高等教材，外国指定教科书。Item_Response_Theory_Parameter_Estimation_Techniques_2ed (1).pdf

统计信号处理（估计理论），国外经典教材，英文版，分为上下两册，另一册为检测理论

基于PYTHON的人脸表情识别，识别表情包括高兴愤怒等

socmatlab代码SOC-Estimation-of-Li-ion-battery-using-Kalman-filter 这篇论文是 Frank Lewis 博士指导下的 UTA EE 5322 课程作业的一部分 参考会议论文。 访问 Matlab 文件进行验证。 以下代码用于验证。 数据 = xlsread('0deg1.xls'); k = 7000； A1 = 眼睛（2）； A2 = 眼睛（2）； H1 = [1,1]; H2 = [1,1]; x01 = [4.15;0]; x02 = [0;0]; xhat1=[4.26;0]; xhat2=[0.99;0]; P1 = 0.000000001眼（2）； P2 = 0.07眼（2）； Q1 = 0.0000001眼（2）； Q2 = 0.05眼（2）； G1 = 0.0000008眼睛（2）； G2 = 0.0015眼（2）； w=randint(2,7000); vk1 = rand(1,2); vk2 = rand(1,2); r1 = [0.5]; r2 = [0.8]; 对于 j = 1:k x1(:,j+1)=

国外经典教材中文译本