深度学习中的不确定性量化 此回购包含文献调查和基线的实现，以用于深度学习中的预测不确定性估计。 文献调查 不确定性估算的基本背景 埃夫隆（B. Efron）和蒂布希拉尼（R. Tibshirani）。 “用于标准误差，置信区间和其他统计准确性度量的引导方法。” 统计科学，1986年。 R. Barber，EJ Candes，A。Ramdas和RJ Tibshirani。 “用折刀+进行预测性推论。” arXiv，2019年。 B.埃夫隆。 “ Jackknife-bootstrap之后的标准错误和影响功能。” 皇家统计学会杂志：B系列（方法论），1992年。 J.罗宾斯和A. Van Der Vaart。 “自适应非参数置信集。” 统计年鉴，2006年。 V. Vovk等人，“跨等角预测分布”。 JMLR，2018年。 M. H Quenouille。，“时间序列相关

3、递推线性最小方差估计——卡尔曼滤波 卡尔曼滤波的准则与线性最小方差估计相同 估值同样是量测值的线性函数 只要包括初始值在内的滤波器初值选择正确，它的估值也是无偏的 计算方法——递推形式

基于马尔可夫模型与GARCH模型的不足，提出了一类新的混合预测模型。

讨论自相关多途时延估计方法.分析了自相关多途时延估计方法的估计精度,并将其与MLE估计器进行了比较;并针对实际情况讨论了海面波动对多途时延的影响.用自相关法对一组海上试验的数据进行了处理,并对处理结果进行了分析.理论分析与实际数据处理表明,自相关法是工程中进行多途时延估计的较好方法.

svd算法matlab代码高维设计差分私有估计器 高维差分私有鲁棒均值估计器的MATLAB实现。 先决条件 用于在较大矩阵上进行特征值计算的MATLAB软件包 算法实现 dpCode目录包含各种差分私有均值估计算法的实现代码。 dpFilterGaussianMean.m ：本文提出的新型差分私有算法的主要实现 filterGaussianMean.m ：通过过滤实现稳健的均值估计，取自，并在ICML 2017的论文中进行了描述 dpWinsorizedMean.m ：的差分私有dpWinsorizedMean.m Mean（算法1）的实现 privateQuantile.m ：实用程序函数，包含来自的privateQuantile算法（算法2）的实现 laplaceSample.m ：实用函数，通过逆CDF采样从Laplace分布中提取噪声样本 我们的算法仅需要前两个文件，而后两个文件则来自的DP Winsorized均值参考算法。 最后一个文件（ laplaceSample.m ）是两种算法中使用的Laplace机制的实用程序实现。 重现性 compareDPMeanEstimat

针对近场源三维参数估计效率低下及信号源的载波频率估计较少的情况,提出了一种基于均匀圆阵(UCA)的近场源四维参数估计快速算法,利用UCA的中心对称结构构造出两个相关序列,其中一个为利用错位相乘构造的相关序列,使之含有信号源的方位角、俯仰角以及载波的频率信息,而另外一个构造的相关序列则含有信号源的距离参数,这样两个相关序列的相位就包含信号的4-D参数信息.首先对利用错位相乘构造的相关序列利用最小二乘方法给出方位角、俯仰角和频率的估计,然后再利用另一个序列估计出距离参数.仿真结果表明该算法和3-D MUSIC算法性能相当,但由于所提算法无需三维搜索和特征分解,因而计算更加简单利于工程实时实现.

本教程结合了TopoToolbox、南极制图工具和一些可视化工具来解决冰下流量堆积图并很好地显示它们。

研究了利用扩展卡尔曼滤波器(extended kalman filter，EKF)对永磁同步电机(permanent magnet synchronous motor，PMSM)矢量控制系统进行参数精确估计的方法。通过引入定子电流和电压，在线估计电机的定子磁链、电机转速和转子位置，进而实现永磁同步电机的无传感器控制。仿真结果表明EKF准确地观测了电机转速和磁链，所构建的无速度传感器矢量控制系统具有良好的控制性能。

该程序是估计相干函数的一种新方法。 它基于 MVDR，比在 MATLAB 中实现的经典 Welch 方法可靠得多。 有 2 个程序：一个名为 coherence_MVDR.m 的主程序和一个名为说明.m 的示例，它调用主函数来展示它是如何工作的。 还包括我们发表的关于该算法的 2 篇论文。

LTE 系统在下行采用了OFDM 技术。OFDM 技术将高速数据流调制到相互正交的N 路子载波上，因此易受频偏的影响，尤其在多普勒频偏较大的高速环境下会受到严重的干扰。本文依托LTE 系统，提出一种针对高速铁路场景的信道估计方法，在基于最小二乘（least squares，LS）估计的基础上，针对高速移动环境提出相应的处理方法，包括基于循环前缀（cyclic prefix，CP）的频偏估计和时域能量集中等处理，仿真分析结果表明，与传统方法相比更适合高速场景，在车速达到500 km/h时仍然保持良好的误码率，具有一定的实用价值。