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

em算法matlab代码投资者关系管理系统 这是用于估计具有独立体制的马尔可夫体制转换模型的代码。 该代码的相关论文为：内容：SIM_MRS.m-模拟独立状态的MRS模型MRS_EM.m-在给定数据的情况下，对MRS模型实施正向算法，反向算法和EM算法 与MATLAB_R2018b兼容

matlab开发-多项式概率分布估计。矩量法多项式概率分布估计

提出了一种电力系统多区域分布式状态估计方法，各区域估计器利用其数据采集与监视控制系统提供的量测数据进行本地状态估计，并通过平均一致性算法获取全局信息进行系统级状态估计。建立了基于拉格朗日乘子法的状态估计模型并设计了基于一致性的全局信息交换协议，给出了多区域分布式状态估计算法的实现流程。通过IEEE 14节点和118节点系统中的仿真算例验证了所提方法的正确性和有效性，并就估计精度和计算效率与现有状态估计方法进行了比较。仿真结果表明分布式状态估计方法可有效提高集中式状态估计系统的计算效率及可靠性，适用于结构更加复杂、量测数据体量更大电网的状态估计。