稳健的电力系统状态估计器对于监控应用至关重要。 根据我们的经验，我们发现使用投影统计的鲁棒广义最大似然（GM）估计是文献中最好的方法之一。 它对多个交互和一致的不良数据、不良杠杆点、不良零注入以及某些类型的网络攻击具有鲁棒性。 此外，其计算效率高，适合在线应用。 除了 GM 估计器的良好击穿点外，它在高斯或其他厚尾非高斯测量噪声下具有很高的统计效率。 使用 SCADA 测量的 GM 估计器的原始版本是由 Mili 和他的同事在 1996 年提出的 [1]。 通过在 [R2] 中使用 Givens 旋转增强了其数值稳定性。 在 [R3] 中，GM 估计器被扩展为同时估计变压器抽头位置和系统状态。 错误的零注射也得到了解决。 在 [R4] 中，提出了 GM 估计器来处理动态状态估计中的创新和观察异常值以及测量损失。 在这里，我们想与所有研究人员分享 GM 估计器的 Matlab 代码。 我们还

论文研究-基于三次样条的利率期限结构估计中的节点选择.pdf,  将节点逐点删除方法应用于上海证券交易所交易的国债的利率期限结构拟合中样条函数的节点选择上, 并对利率期限结构进行了拟合.对基于节点逐点删除方法所得到的节点选择与较常用的5年和8年、7年和14年这两种节点选择进行了比较,样本外预测结果显示,基于节点逐点删除方法所得到的模型对短中长期国债的预测效果都比已有模型好,提高了期限结构定价的准确性.

介绍 作者： Thomas V. Wiecki，Imri Sofer，Mads L.Pedersen，Michael J.Frank 接触： ， ， ， 网站： Github： 邮件列表： 版权： 该文档已放置在公共领域。 执照： HDDM是根据BSD 2许可证发行的。 版本： 0.7.8 目的 HDDM是用于漂移扩散模型（通过PyMC）的分层贝叶斯参数估计的python工具箱。 漂移扩散模型被广泛用于心理学和认知神经科学中以研究决策。 查看有关如何入门的。 可以在下面以及部分和找到更多信息。 特征 使用DDM参数的分层贝叶斯估计（通过PyMC）允许同时估计主题和组参数，其中假定单个主题是从组分布中得出的。 因此，与使用个别受试者最大可能性（即DMAT或fast-dm ）的其他方法相比，当测量的RT值较少时，HDDM应产生更好的估计。 针对速度进行了高度优

该代码中使用的算法从以下引用： S Gillijns 等人“什么是集成卡尔曼滤波器以及它的工作情况如何？” 2006 年美国控制会议论文集，美国明尼苏达州明尼阿波利斯，2006 年 6 月 14-16 日，第 4448-4453 页。

【达摩老生出品，必属精品，亲测校正，质量保证】 资源名：MATLAB_Simulink_OFDM_FFT_信道估计和均衡_信道估计采用LS估计 资源类型：matlab项目全套源码 源码说明： 全部项目源码都是经过测试校正后百分百成功运行的，如果您下载后不能运行可联系我进行指导或者更换。 适合人群：新手及有一定经验的开发人员

基于最大熵算法的均匀线阵的DOA估计，能够很好地区分出信号的来波方向，对DOA估计有进一步的了解，加深阵列信号处理的知识

目标微动特性和微多普勒特征分析在真假目标识别方面发挥了重要作用。由于微动目标雷达回波具有非线性、多分量性等特征,需要相应的具有高分辨力、低交叉项、大的动态范围的分析工具,才能较好地揭示目标微多普勒特征。稀疏分解方法中的匹配追踪(MP)具有频域高分辨能力,对于信号细微特征提取具有很好的效果。研究了基于匹配追踪的微多普勒频率估计问题,该方法可以准确提取出目标微多普勒频率,为后续的目标识别提供了重要的依据。

传统的子空间盲信道估计收敛速度缓慢且需要大量接收信号才能保证估计性能良好，就此问题提出了一种新的基于虚拟载波（VC）的MIMO-OFDM系统的盲信道估计算法。该算法是传统子空间算法与块矩阵思想的结合，在每个OFDM符号中提取一组子矢量来降低维度。而后又在盲信道估计算法中加入导频序列形成新的半盲信道估计算法。通过计算机模拟仿真发现，新提出的盲信道和半盲信道估计算法在信道估计性能和收敛性方面均表现较好。

人姿势估计opencv 使用OpenPose MobileNet在OpenCV中执行人体姿势估计 如何使用 使用网络摄像头进行测试 python openpose.py 用图像测试 python openpose.py --input image.jpg 使用--thr增加置信度阈值 python openpose.py --input image.jpg --thr 0.5 笔记： 我修改了以使用由提供的Tensorflow MobileNet Model ，而不是来自CMU OpenPose的Caffe Model 。 来自OpenCV example的原始openpose.py仅使用超过200MB的Caffe Model ，而Mobilenet只有7MB。 基本上，我们需要更改cv.dnn.blobFromImage并使用out = out[:, :19, :, :] cv

目前,基于微机械系统(MEMS)的行人航迹推算(PDR)室内导航定位系统都会面临步长估计的问题，因此提出了一种基于模糊逻辑的非线性步长估计方法。首先采用非线性步长估计方法模型，然后以步频、身高、体重作为逻辑系统输入变量设计模糊逻辑控制器，得到可变的步长估计系数，从而实现对步长动态估算。通过对30 m以内多次室内行走的实验结果分析表明，基于模糊逻辑的步长估计方法平均步长准确率可达到92%，与传统的步长估计算法相比提高约9%，有效提高了步长估计精度。