生成具有增强的复杂广义高斯随机变量协方差矩阵 Ta = [2*s 0; 0 2*s]; 和形状参数 c，其中 c = 1 对应于高斯情况。 x = cggd_rand(c,s,N) 用圆形生成复杂样本的向量 1xN 具有形状参数 c 和方差 2*s 的高斯分布。 [x,xa] = cggd_rand(c,s,N) 生成一个额外的增广矩阵 2xN， xa = [x;conj(x)]。 样本是根据以下结果生成的： Mike Novey、T. Adali 和 A. Roy“复杂的广义高斯分布--- 表征、生成和估计” IEEE 翻译Signal Proc.，第 58 卷。第 3 期，2010 年 3 月

复杂广义高斯分布 (CGGD) 的一种非常快速有效的形状参数估计实现。 它可以应用于雷达图像、磁共振成像、无线通信和傅立叶变换数据，其中复值数据是这些领域固有的。 如果你在你的研究中使用了这个实现，你应该在你的论文或报告中引用我们的工作。 冷相光等。 “SAR图像中复杂广义高斯分布的快速形状参数估计。” IEEE Geoscience and Remote Sensing Letters, Institute of Electrical and Electronics Engineers (IEEE), 2020, pp. 1–5, doi:10.1109/lgrs.2019.2960095

广义高斯分布参数估计(GGD)。 这是对广义高斯分布中两个参数alpha,beta的估计方法，对自然图像的大量统计特征就符合这一分布。 参数估计

基于广义高斯分布的彩色图像检索

实现对符合广义高斯分布样本的广义高斯参数的估计，利用Newton–Raphson迭代方法实现参数的数值解。

供参考，用matlab实现广义高斯分布建模，附这一方法的入门文献

这是对广义高斯分布中两个参数alpha,beta的估计方法，对自然图像的大量统计特征就符合这一分布。