最大似然估计教程 Maximum Likelihood Estimation

本程序首先产生了一个信号，然后对其进行延时，之后计算他们之间的互相关函数，找出其中的最大点，它的下标减去信号长度，即为时延。

% ************************************************ % 一个数组信号参数最大似然估计问题% % 课程 EEL6537 的练习题和研究课题 12-02-22 孙磊 bitsunlei@126.com % 最后修改时间：2012 年 2 月 24 日% % 这是EEL6537问题集Ex1.1的模拟解% 这个问题是将估计器误差与其 CRB 进行比较。 % ％原始问题是： % 考虑数据集% x_l = \beta a_vec s_l + e_l, l = 1,...,L, % 其中 x_l 表示第 l 个 M \times 1 个数据向量， % a_vec = [1 1 ... 1]^T（M\times 1 向量） % \beta 是一个要估计的复数值未知标量% {s_l} 是已知信号波形% e_l 表示第 l 个误差向量，iid,\sim

《Approximating Mutual Information by Maximum Likelihood Density Ratio Estimation》互信息在各种数据处理任务中是有用的，如特征选择或独立的组件分析..本文提出了一种基于密度比函数最大似然估计的相互信息逼近方法。我们的方法称为最大似然互信息（MLMI），具有几个有吸引力的特性，例如不涉及密度估计，它是一个单一的过程，全局最优解可以有效地计算，并且交叉验证可用于模型选择。数值实验表明，MLMI与现有方法相比具有较好的优越性。

该文档包含生成模型、判别模型的区别，高斯判别模型与LR之间的关系，NB以及基于拉普拉斯平滑处理的NB的例子，EM算法流程及例子，最后以一个常见的垃圾邮件分类为例解释说明贝叶斯算法。

matlab编写的，基于最大似然估计算法，计算一组数值的值，计算平均值，估计值，方差，标准差

针对非线性最小二乘法在国内目标运动分析中应用较少的现状,首先在二维平面内推导出关于纯方位目标运动状态的极大似然估计的计算公式并给出了基于高斯-牛顿迭代算法的计算过程及步骤,随后分析了极大似然估计的性能和迭代算法的收敛性。仿真计算的结果表明:当迭代初值与目标真实状态充分接近时,用所推导出的计算公式能够快速稳定地得到关于目标运动状态的极大似然估计,迭代算法形式简洁,计算量校该研究成果可应用于舰艇作战系统目标被动跟踪定位软件。

它适用于似然函数是显式的情况。

基于MATLAB的模式识别的参数估计的最大似然估计，处理水环境分类问题，共分为5类，最后利用贝叶斯决策得出五类总的识别率。

极大似然估计的实现，极大似然估计的实仿真程序，锚的坐标计算。