三、相关系数的极大似然估计 极大似然估计有一个重要性质：设 的极 大似然估计是 ，而且变换 是一一 对应的，则 的极大似然估计就是 。 利用这一性质就可得到以下各相关系数的极大 似然估计。这里均假定 。

基于PaddlePaddle实现的密度估计模型CrowdNet预训练模型

基于导频的信道估计

33 基于随机矩阵理论和最小描述长度的机载前视阵雷达杂波自由度估计

ofdm信道估计，LS.LMMSE.SVD

在有电磁波信息链的条件下，飞行器通过单电磁矢量传感器接收来自基站的完全极化电磁波信号，并对该信号进行处理获得电磁波的波达角和极化角。本文提出了一种新的基于电磁矢量传感器的MUSIC极化-空域联合谱估计方法，此方法将极化空域导向矢量分解成矩阵旋转乘积的形式，并将其作进一步的演化成矩阵生成元的形式。最后用仿真验证了算法的有效性。

使用tensorflow编写的logistic回归算法，进行房价预测。使用了matplotlib绘制分类曲线，一个实例程序，方便机器学习入门。

考虑一个医学诊断问题，用快速生化检验筛查病人。根据下列似然函数，健 康者的检验返回结果接近0，受感染者的返回结果接近 1: p(xw)=N(μ=0,o=0.3) p(x/w₂)=N(μ=1,σ=0.1) 假设平均1万个患者中有1人受感染，且误诊的代价如下: (1)将健康者诊断为“感染者”:预计病人综合医疗费用为2万人民币。 (2) 将感染者诊断为“健康者”:预计由于误诊导致的医疗费用为 100 万人 民币。 根据下列准则，分析并确定决策规则: (a) 最大似然, (b)最大后验概率，(c)最小贝叶斯风险。讨论你的结果。 注意，可以使用 MATLAB 中的 solve 命令求解多项式的用符号表示的根， 用命令 subs 把符号表达式转换为数值。

这是百度“深度学习”训练营的“人流密度估计”竞赛赛题公布。

研究了带有预见信息的线性离散时间系统的状态观测器,并将其应用到预见控制系统.为了满足设计观测器的需要,首先导出了包含可预见的目标值信号和干扰信号的扩大误差系统,并由此得到最优预见控制器.在设计状态观测器时,通过改写输出方程充分利用了可预见的目标值信号和干扰信号.设计的状态观测器针对原系统是全维观测器,而针对扩大误差系统则是降维观测器.最后通过数值仿真证明了所设计的状态观测器的有效性.