在多输入多输出-正交频分复用(MIMO-OFDM)系统中,通过联合估计信道矩阵和干扰协方差矩阵(ICM)的方法来抑制同信道干扰.首先,利用最小二乘法和残差估计方法获取信道矩阵和ICM的初始估计值;然后,基于Cholesky分解方法对ICM的估计值进行改善,并利用改善后的ICM估计值对信道矩阵估计值进行更新.该方法充分利用了时域和频域中的所有可用信息,提高了信道估计精度,较好地抑制了同信道干扰.仿真结果表明:与其他可实现的非迭代方法相比,该方法所得的信道频率响应估计均方误差性能增益高于2 d B;信干噪比(SINR)越大,比特误码率性能的改善程度越好,并且随着天线数的增多,性能增益也增大.
2023-02-27 15:37:25
658KB
1
协方差矩阵的估计
两种方法的实现（Python）
“股票收益协方差矩阵的改进估计及其在投资组合选择中的应用/ Ledoit and Wolf 2001”（
“大尺寸协方差矩阵的直接非线性收缩估计/ Ledoit and Wolf 2017”
2023-02-21 19:21:40
4KB
1
数据集 hwlp4 dat 中包含下述三维问题的数据。
(1)绘制数据集中每一对特征的二维散点图，并对数据的结构进行分析。
(2)估计数据的平均向量和协方差矩阵。协方差矩阵中非对角线项与(1)中的
散点终一致吗?为什么一致或不一致?
(3)使用你在(2)中估计的均值向量和协方差矩阵生成高斯分布的数据集。
(提示:可使用命令 mvnrnd)
(4)使用你在(3)中生成的数据集，重复做(1)。这里的散点图与(1)中的一致
吗?为什么一致或不一致?
讨论你的结果。=-===========================================================================================================================================================================================================================================================================
2022-12-10 16:27:40
409KB
1
高斯过程回归是基于贝叶斯理论和统计学习理论发展起来的一种全新机器学习方法, 适于处理高维数、小 样本和非线性等复杂回归问题. 在阐述该方法原理的基础上, 分析了其存在的计算量大、噪声必须服从高斯分布等 问题, 给出了改进方法. 与神经网络和支持向量机相比, 该方法具有容易实现、超参数自适应获取以及输出具有概率 意义等优点, 方便与预测控制、自适应控制、贝叶斯滤波等相结合. 最后总结了其应用情况并展望了未来发展方向.
2022-12-06 09:57:00
248KB
1
一种协方差矩阵自适应优化算法的说明文档和MATLAB实现。测试函数经测试可以运行。
2022-11-01 20:29:57
1.08MB
1