1、频率估计：计算公式：m_axis_data_tuser* fs/COUNT=82*250M/1024= 20.0195MHz 2、幅度估计：如果输入的是复信号，最后输出的值是信号幅度的有效值。如果输入的是实信号，最后输出的值是信号幅度的有效值的一半。

基于空间尺度的模糊核估计，用于盲运动去模糊

直方图估计(不同窗宽的比较） 模拟数据来自N(0,1),样本量300，最优窗宽0.52 窗宽较小 最优窗宽

大数据-算法-非参数回归模型中的核估计.pdf

用于函数估计的非参数方法大致上有三种：核方法、局部多项式方法、样条方法。 非参的函数估计的优点在于稳健，对模型没有什么特定的假设，只是认为函数光滑，避免了模型选择带来的风险；但是，表达式复杂，难以解释，计算量大是非参的一个很大的毛病。所以说使用非参有风险，选择需谨慎。 写论文时整理的，

传统的暗通道先验已成功地运用于单一图像去模糊问题,但是,当模糊图像具有显著噪声时,暗通道先验无法对模糊核估计起到作用.因此,得益于分数阶计算能够有效地抑制信号的噪声并对信号的低频部分进行增强,将分数阶计算理论与模糊图像的暗通道先验相结合,提出一种基于改进的暗通道先验的运动模糊核估计方法.首先,结合最大后验估计算法与分数阶暗通道先验,构建出运动模糊图像的核估计模型;其次,利用半二次方分裂法解决模型的非凸问题;最后,根据粗糙-精细的策略,利用多尺度迭代框架估计出准确图像的模糊核,进而利用非盲去模糊的方法求解清晰图像.实验结果表明:在有无显著噪声的模糊图像中,所提出的算法虽然所需计算时间较长,但是能够获得较为准确的模糊核,并且能够减少图像噪声以及振铃伪影,提高清晰图像估计的质量;此外,对于不同类型的模糊图像,所提出的算法也同样适用.

§1.2.核密度估计

核密度估计（窗宽及核的比较） 窗宽小：偏差小，但方差大。表现为不够光滑。

互信息 I(X,Y) 衡量两个随机变量 X 和 Y 之间的依赖程度（根据概率论）。当 X 和 Y 相互独立时，Is 为非负且等于 0。 条件互信息 I(X,Y|Z) 是给定 Z 值的 I(X,Y) 的期望值。 首先对数据进行 copula 变换，然后使用高斯核估计边缘和联合概率分布。 可用于基因调控网络的构建和验证（参见例如http://www.biomedcentral.com/1471-2105/7/S1/S7 ）给定基因表达数据。 这个数量是稳健的，可以追踪数据中的非线性依赖和间接交互。

深度卷积神经网络的运动模糊去除核估计