计算估计峰值旁瓣电平和综合旁瓣电平和其自相关函数的不同复杂通信信号的优值因子，并在情况下部分最小化模糊函数体积的界限。基于该程序是 PHD Vladimir Kyovtorov 上的 AMBIGUITY FUNCTION 算法

关于估计状态的方法的综述，主要是随机数据的选择方法

SQPSK仿真-采样+频偏估计+滑动相关 .rar

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。