svr圆参数估计，matlab写的，附带数据集，代码有详细的注释及说明，有利于读者深入了解SVR算法及操作流程

压缩感知应用于波达方向估计算法

为了有效地去除视频序列中的噪声,提高视频图像质量,提出了一种基于运动估计的视频降噪算法。该算法在由视频序列中的当前帧和前后多帧图像构建的图像层中,通过运动估计技术,沿着物体的运动轨迹进行时域帧间滤波。实验结果显示,本文提出的算法充分利用了视频序列的时域信息,可以有效去除视频序列中的噪声,同时可以很好地保持视频图像的细节。

随机微分方程的黑盒变分推断 Lotka-Volterra示例的Tensorflow实现在 ， ， 和 （ICML，2018）中进行了。 示例：Lotka-volterra 在这里，我们在本文的第5.1节中演示示例“具有未知参数的多个观察时间”的实现。 也就是说，在已知测量误差方差的情况下，二维Lotka-Volterra SDE的全参数推断观察到的离散时间步长为10。 系统要求 以下示例已使用tensorflow 1.5，numpy 1.14和python 3进行了测试。尚未在任何依赖项的更新和/或更高版本上进行严格测试。 如有任何相关问题，请参阅联系部分。 此示例还使用张量板（1.5）可视化训练。 这样，您应该在lotka_volterra_data.py中为张量板输出指定路径。 例如： PATH_TO_TENSORBOARD_OUTPUT = "~/Documents/my_

doa_mldoa_ML_似然估计DOA_极大似然DOA_似然doa_源码.zip

针对传统基于稀疏贝叶斯学习(sparse bayesian learning, SBL)的波达方向(direction of arrival，DOA)估计算法在低信噪比条件下性能不足的问题，提出了一种基于子空间拟合和块稀疏贝叶斯学习的离网DOA估计方法。首先对样本的协方差矩阵进行特征分解，获得信号的加权子空间，然后构造等价信号的稀疏表示模型并利用块稀疏贝叶斯算法进行参数求解，同时对于网格失配带来的建模误差，将空间域内的离散采样网格点作为动态参数，通过求解一个多项式，利用期望最大化算法迭代更新离散网格点的位置。仿真实验结果表明，相对于传统SBL算法，该方法具有更好的估计精度和空间分辨率。

C. Qian、L. Huang、M. Cao、HC So 和 J. Xie，“PUMA：用于 DOA 估计的 MODE 的改进实现”，IEEE 航空航天和电子系统汇刊，第一卷。 53号5，第 2128-2139 页，2017 年。 该代码比较了两种算法，即 MODE 和 PUMA，用于 DOA 估计。 它表明 PUMA 和 MODE 是同一优化问题的两种不同求解器，但 PUMA 的效果比 MODE 好得多。 MODE 甚至不适用于单源 DOA。

移动视界估计 (MHE) 中的长视界长度对于达到完整信息估计器的性能限制是可取的。 然而，传统的 MHE 技术在这方面存在许多缺陷。 首先，问题的复杂性至少与所选的地平线长度成线性比例，如果存在计算限制，这将限制选择长地平线。 二、没有监控约束活动/不活动，即使没有约束，也会导致进行冗余的约束最小化积极的。 在这个程序中，我们开发了一个多窗口移动地平线估计策略 (MW-MHE)，它利用约束不活动来减少长期估计问题中的问题规模。 使用无约束的完整信息近似计算到达成本估计器到达成本以保证技术的稳定性。 基于时间远程状态之间的敏感性开发了新的地平线长度选择标准。 开发是根据一般因果描述符系统进行的，其中包括作为特殊情况的标准状态空间表示。 通过一个例子展示了新估计算法的潜力用测量异常值过滤。 参考论文：Multiple Window Moving Horizo​​n Estimation； ht

移动地平线估计 (MHE) 是一种优化方法，它使用一系列随时间观察到的测量值，包含噪声（随机变化）和其他不准确因素，并生成未知变量或参数的估计值。 与卡尔曼滤波器等确定性方法不同，MHE 需要一种迭代方法，该方法依赖于线性规划或非线性规划求解器来寻找解决方案。 有关教程视频和有关使用这些文件的信息，请参见http://apmonitor.com/wiki/index.php/Main/Estimation 。

在比较OFDM信道的线性、高斯、三次样条、低通滤波、变换域和维纳插值的性能后，针对算法误差较大和计算复杂度的问题，给出2种在首尾子载波均插入导频时变换域的改进方法。仿真结果表明：改进的变换域插值的均方误差有显著减小，与维纳算法的性能接近，但复杂度降低。