在本文中，我们研究了多输入多输出（MIMO）和正交频分复用（OFDM）系统中的信道频率响应（CFR）矩阵和干扰加噪声协方差矩阵（ICM）估计，以抑制同信道干扰在接收方。 我们采用最小二乘准则执行初始CFR估计。 然后，我们在时域中估计干扰加噪声的自相关函数，而不是直接在频域中估计ICM。 自相关函数估计包括两个步骤。 首先，我们给出了残差样本自相关函数（SAFR）的期望与真实自相关函数之间的内在关系，该函数实际上是线性变换。 基于此，我们提出了一种补偿方法。 当导频OFDM符号数量小时，这种补偿将带来显着的性能提升。 其次，由于不能保证补偿后的SAFR是自相关序列（ACS），这会使获得的ICM损失具有正半确定性质，因此我们利用半定值编程（SDP）来找到最接近补偿后SAFR的ACS。 SDP以其双重形式解决，从而大大降低了复杂性。 最后，估算的ICM被重新利用以修改CFR估算。 估计的CFR和ICM在应用于干扰抑制合并接收机中时，表现出出色的干扰抑制性能。

协方差矩阵的估计 两种方法的实现（Python） “股票收益协方差矩阵的改进估计及其在投资组合选择中的应用/ Ledoit and Wolf 2001”（ “大尺寸协方差矩阵的直接非线性收缩估计/ Ledoit and Wolf 2017”

LOAM SLAM中用于非线性优化的方法《On Degeneracy of Optimization-based State Estimation Problems》，大家可以详细阅读，有需要的可以下载。同时可以参照博客https://blog.csdn.net/i_robots/article/details/108724606

项目中包括锂电池模型建立、参数辨识与验证、SOC估计采用扩展卡尔曼滤波(EKF)，使用了两种方式实现： Simulinks(EKF only) 脚本(包含EKF和UKF)

文库普利卜 什么是藤蔓copulas？ 藤蔓copulas是一类灵活的依赖模型，由双变量构建模块组成（例如，参见）。 您可以在上找到出版物和其他材料的完整列表。 什么是vinecopulib？ 是基于藤蔓copula模型的仅头文件C ++库。 它提供了流行的核心功能的高性能实现，尤其是针对藤蔓copula和双变量copula模型的推理算法。 与VineCopula相比，优势在于 一个具有R和Python接口的独立C ++库， 更时尚的API 运行时间更短，内存消耗更低，尤其是在高尺寸环境中， 非参数和多参数系列。 地位 版本已于2020年11月23日发布。尽管我们尽了最大努力设计了一个用户友好的API，但该库仍处于积极开发中，预计将有所变化。 我们还在研究R和Python的接口。 接触 如果您对库有任何疑问，请随时打开问题或发送邮件至info@vinecopulib.org 。

Classification,Parameter Estimation and State Estimation An Engineering Approach Using MATLAB

论文Deep Learning-Based Channel Estimation for Beamspace mmWave Massive MIMO Systems源码。 这是Python版本的源码。 适合人群：人工智能、通信类研究人员。

人体姿态检测总结，Deep Learning-Based Human Pose Estimation: A Survey

Least-squares estimation of transformation parameters between two point patterns。 相似变换相当于等距变换和均匀缩放的一个复合，即为： 左上角2*2矩阵为旋转部分，右上角为平移因子。它有四个自由度，即旋转、x方向平移、y方向平移和缩放因子s。相似变换后长度比、夹角保持不变，其与相似三角形类似。 虽然相似变换和仿射变换的变换矩阵一样，但是其定义不一样。因为相似变换中不存在倾斜变换（也叫错切变换、剪切变换、偏移变换）、翻转变换，而仿射变换中存在。

matlab录入语音信号代码 作者 标题 丹尼尔·莫雷诺·曼萨诺（Daniel Moreno Manzano） 音高估计和发声检测 在本文中，我将解释两种不同方法的发展，以便在语音音频中找到音高，首先区分有声和无声部分。 这些算法将在MATLAB:copyright:中开发。 首先，将对数据进行分析，以便在音频文件数据库中找到要使用的重要参数，并希望了解如何以人的声音音高工作。 在每种方法中，将提出对该思想的简要解释。 此外，还将解释重要的代码部分并公开一些结果。 介绍 两种算法以及分析中处理数据的方式都相同。 音频文件将在32 ms的窗口中进行评估，这是检测仅在浊音部分而不是清音部分的音调的最佳方法。 使用fda_ue数据库（测试数据库）时，窗口将以15 ms的周期移动；使用ptdb_tug数据库（ train数据库）时，窗口将以10 ms的周期ptdb_tug 。 我选择的信号处理方法是： 自相关 零交叉+倒谱 要求：在本项目中，将其视为实验是很重要的，以便了解音高处理和估算。 数据 可以通过下一个Google云端硬盘链接获取所使用的数据： 为了在不更改代码的情况下工作，预定义的目录方案是 . ├──