英文原版的信息论与信息估计理论的介绍，很经典，值得品味

已知现有图像尺寸128*128，及范围在1.1-1.9之间的9个不同拉伸系数，在对现有的图像进行不同拉伸后，测试将图像转到频域对拉伸变换后的图像进行重采样因子(拉伸系数)估计，算法通过将对图像的每一行进行二阶差分信号的方差估计，然后对其进行傅里叶变换映射到频域，针对DFT信号中尖峰的位置估计重采样因子。 通过频率估计拉伸字数，并求取估计误差，记录估计正确数量 适合研究插值算法、FFT算法应用的新手小白

stable分布的概率密度函数、参数估计、随机数产生以及累计密度函数,

用最大似然数法进行参数估计，进行边缘分布拟合

DML algorithm针对DOA估计

对信号进行相应的操作，比如前期进行检测和估计，然后进行调制。本书基于随机过程，研究了各种估计算法，线性滤波算法是最基本算法之一，对研究非线性算法有着很好的铺垫作用

burg算法对现代谱进行估计伯格算法（burg algorithm)一种直接由已知的时间信号序列计算功率谱估计值的递推算法。由于是J．P·伯格提出的，故得名伯格算法。

波动性已被用作预测伴随资产的风险的间接手段。 波动性解释了回报的变化。 预测波动性一直是金融系统中的一个刺激问题。 该研究检查了不同的波动率估计量并确定了有效的波动率估计量。 该研究描述了预测技术相对于各种波动率估算器的准确性。 波动率估计方法包括Close、Garman-Klass、Parkinson、Roger-Satchell和Yang-Zhang方法，预测是通过ARIMA技术完成的。 该研究评估了各种波动率估计器的效率和偏差。 基于 ME、RMSE、MAE、MPE、MAPE、MASE、ACF1 等各种误差测量参数的比较分析给出了预测的准确性，并使用最佳波动率估计器。 在 10 年的时间里对五个波动率估计器进行了分析，并对波动率预测进行了严格审查，该研究将帕金森估计器视为最有效的波动率估计器。 基于各种误差测量参数，在通过 ARIMA 技术进行预测时，帕金森估计器被认为是比任何其他基于 RMSE、MPE 和 MASE 的估计器更准确的估计器。 该研究表明，基于 MAE 和 RMSE 的值，预测值是准确的。 本研究是为了满足交易者、期权从业者和股票市场的各种参与者对了解有效波动率估计器以高精度预测波动率的需求而进行的。

最大后验估计讲得很好，很容易理解二值特征时MAP 的重要性。 其中的例子很形象。

基于卫星通信快速、准确捕获载波频率的需求，提出了一种根据反余弦函数的大载波频偏估计算法。
通过详细的理论推导和仿真验证，表明了该算法抗噪声能力强、频偏估计范围大、估计精度高以及易于实现
的良好性能。