距离估计器 使用双端读取估计两个核苷酸序列片段之间的距离

Deep convolutional neural networks as an estimator of porosity i

ARFIMA(p,d,q) 最大似然估计量： - 惠特尔估计- 精确的最大似然估计器 - 以及其他一些可能有用的功能，包括预测。我还没有实现预测误差带计算（从截图中可以判断）。 要求： - 统计工具箱-优化工具箱-Kevin Sheppard 的 MFE 工具箱 http://www.kevinsheppard.com/wiki/MFE_Toolbox 可选要求： -Simone Fatichi 的 ARFIMA(p,d,q) 模拟器（MATLAB Central FileExchange #25611） 后者是测试算法性能所必需的（在 arfima_test 中实现）。 注意：这一次，有一个 C/MEX 文件来加速这个过程，没有 .m 等效文件。它用几个编译器（LCC 和 MS VC++ 2008）编译，证明对我来说是稳定的。 计划进一步更新： -其他估计算法-文档-

Theil-Sen 估计器，也称为 Sen 斜率估计器、斜率选择、单中值法或 Kendall 稳健线拟合法，是一种稳健线性回归方法，通过成对的两维样本点。 它以 Henri Theil 和 Pranab K. Sen 的名字命名，他们分别于 1950 年和 1968 年发表了关于该方法的论文。 它可以有效地计算，并且对异常值不敏感； 对于偏斜和异方差数据，它可以比简单的线性回归准确得多，并且即使对于正态分布的数据也能与简单的最小二乘法竞争。 它被称为“用于估计线性趋势的最流行的非参数技术”。 PS：如何使用的示例代码可以在 .mfile 中找到 注意：此代码只能用于二维情况。 这是对==>的回应http://www.mathworks.nl/support/solutions/zh-CN/data/1-FERW6X/index.html?product=ML&solution=1-F

警告！ 这不是一个完全有效的模型。 学生应该调整它并添加相关的过滤，以使算法实用，即转子磁通应假设为不可访问。 尽管如此，控制系统的基本结构，包括 MRAS，可以提供一个方便的起点。 祝你好运！

A two-dimensional (2D) direction-of-arrival (DOA) estimation method for coherently distributed sources has been proposed in highly real-time situation using only one snapshot. Ulizing two uniform linear arrays (ULAs), the proposed algorithm firstly construct four equivalent matrices with rotational structures using one snapshot, and then a total equivalent covariance is extended by the four matrices..Finally, two rotational invariance matrices can been calculate by ESPRIT-like algorithm, and

位置估计有两个部分，position_estimator_inav和local_position_estimator。其中默认使用前者，两者都使用了外部位置估计工具，包括GPS，光流，激光雷达等。

贪心算法的matlab程序代码clad-estimator-mip-bnb 通过 MATLAB 代码和详细的 B&B 算法使用混合整数规划精确计算截尾最小绝对偏差估计器 对于通用框架，请参阅存储库 clad-estimator-mip 的 README。 这是相同代码的变体，可用于 MATLAB 版本 <R2014a，也可在没有 CPLEX 商业求解器的情况下使用。 我已经基于 Tomsovic 教授的通用 B&B 代码实现了详细的分支定界 (B&B) 代码，为 CLAD 估计器 MIP 优化模型定制。 该代码有 4 处改进，它们是： 深度优先搜索 (DFS)。 分支为 10（首先尝试 1，然后为二进制变量尝试 0）。 使用贪婪规则实现分支优先级。 来自 OPTI 工具箱的 LP 求解器 CLP。 建议参考： Bilias、Yannis 和 Florios、Kostas 和 Skouras、Spyros，截尾最小绝对偏差估计器的精确计算（2013 年 12 月 28 日）。 SSRN 提供： 此代码只需要 MATLAB 工作安装和免费的 OPTI 优化工具箱 主要例程是 Script_

核密度非参数估计的matlab代码ICA-R-估计 参考： M. Hallin & C. Mehta (2015)。 非对称独立分量分析的 R 估计。 美国统计协会杂志，110(509)，218-232 独立分量分析 (ICA) 是一种多变量统计方法，其中将观察到的信号去卷积或分离为独立的潜在源信号。 在 ICA 模型中，观察到的 m 向量满足 , 其中 是一个非奇异维混合矩阵和 是一个向量，其分量 S_k(t) 具有成对独立分布（超过 t=1,2,...）。 ICA 的一个主要目标是从观察到的 X 向量中估计混合矩阵 ()。 将混合矩阵的准确估计的逆应用于观察到的混合 X 向量允许恢复 ICA 模型中的源信号。 在这个项目中，我们为混合矩阵提出了一个单步 R 估计器，旨在针对具有重尾分布的源信号和其他类型的噪声（相对于混合矩阵的现有估计器）实现更大的鲁棒性。 此外，我们能够通过半参数程序阐明 R 估计量的渐近特性，例如其极限分布。 评估 R 估计器首先需要 获得混合矩阵的初步估计量 L0，以实现根 n 一致性和 为各个未观察到的独立源信号指定单变量分布 f:=(f1,...,fm)

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