搜索资源列表
the-maximum-likelihood-estimate
- 1、 极大似然估计 尝试用0~24阶多项式拟合，并用5折交叉验证选择最佳模型（多项式阶数及其系数，给出类似课件中的图），并画出最佳模型的拟合效果图（类似图1，蓝色点为训练样本、红色点为测试样本、绿色线为模型预测），给出该模型的测试误差。 2、 岭回归 多项式阶数为24，正则系数λ的取值范围为exp(-19)到exp(20)，采用并用5折交叉验证选择最佳模型。实验结果要求同1。 -1, the maximum likelihood estimate of 0 to 24 try-o
weijidaima
- 用于多项式误差评估模型，可以用来评价多项式的偏差程度以及精确程度。-Error evaluation model for polynomial
dxqqpwm-PWM-.mdl
- 单相全桥PWM整流模型，多次验证表明，该模型动态响应快，静态误差小，完全符合要求。-The single-phase full bridge PWM rectifier model, verified the model many times, fast dynamic response, static error is small, fully meet the requirements.
ModelEvaluatTargetLocatPrec
- 以地基分布式有源雷达组网系统为讨论对象,在具体分析了4种系统定位误差的相互关系的基础上,给出了一种 基于ECEF转换法的系统目标综合定位精度评估模型,并利用典型的雷达参数,对2D与3D混合的雷达组网系统的实际目标 综合定位精度进行了仿真和对比分析,得到了一些对雷达组网系统的实际部署优化处理有参考价值的结论。 -The land-based distributed active radar network system is taken as discussion object.On
moxingyuece3
- 高速铁路路基沉降是一个复杂的系统过程,涉及不同时期、不同工况,选用单一的预测模型不足以反映路基整体的变形规律.Logistic模型及Verhulst模型的曲线均为S形,可以反映全过程的地基沉降与时间的关系.针对路基填筑期和降水期两个时段利用MATLAB软件编制程序计算模型参数,得到Logistic模型和灰色Verhulst模型,进而求得两者的最优加权组合模型.对比结果表明:在路基填筑期由两者的最优加权组合模型预测得到的结果与实测结果较吻合,拟合精度高于单一模型 而在降水期Verhulst模型的预
CHAOGAOSI
- 研究表明超高斯分布更加贴近语音信号的实际分布，然而语音信号很难用单一的概率密度 函数准确描述，针对这一情况，提出了一种用超高斯混合模型对语音信号幅度谱建模的新方法，并推导了 基于此模型的幅度谱最小均方误差估的估计式。仿真结果表明：与传统的短时谱估计算法相比，该算法不 仅能够进一步提高增强语音的信噪比，而且可以有效减小增强语音的失真度，提高增强语音的主观感知 质量。 -Recent research indicates that the speech spectral ampli
Laplace
- 传统的短时谱估计语音增强算法通常假设语音谱分量相互独立，没有考虑语音谱分量间的相关性。针对这 一问题，该文提出一种新的基于多元Laplace分布模型的短时谱估计算法。首先，假设语音的离散余弦变换(DCT) 系数服从多元Laplace分布，以此利用谱分量间的相关性；在此基础上，利用多元随机矢量的高斯尺度混合模型表 示，推导得到语音DCT系数矢量的最小均方误差(MMSE)估计的解析表达式；并进一步推导了基于该分布模型的 语音存在概率，对最小均方误差估计子进行修正。实验结果表明，该算法
image_processing
- 本代码在MATLAB中采用均方误差和测度两种评价参数对维纳滤波和L-R算法复原的加入噪声的运动模型和高斯模型的图像复原效果进行了比较-The code in MATLAB using the mean square error and two evaluation parameters measure the effect of exercise on the model image restoration Wiener filtering and restoration LR algorith
Monte-Carlo-
- 利用蒙特卡洛仿真算法检验在不同模型下，滤波平均误差、均方根误差的统计结果，得到随机误差，进行滤波分析。-Monte Carlo simulation algorithm testing under different models, statistical results filtered average error, root mean square error, the random error filtering analysis.
Modern-Surveying-Adjustment-error
- 现代测量平差原理及其模型误差分析，对最新的平差原理有较为详细的描述-Modern Surveying Adjustment error analysis theory and model
Microsoft-Word
- 误差到地面观测站的距离作为测量参数，模型的统计结果-Error to the ground stations distance as measurement parameters, statistical results of the model
JYlianghua2
- 均匀量化,利用matlab建立均匀量化的模型,及绘制量化误差曲线-Uniform quantization
CHANNEL
- 假设信号产生和传输信道模型为： 而抽头维纳滤波器为： 假设 的方差为0.27， 的方差为0.1，均值都为零。并且： ， 并假设权向量初始值为 ，分别使用步长0.015、0.025和0.05进行 LMS算法仿真。 分析：d(n)是子系统H1受到v1(n)激励产生的信号，而H2与加性噪声构成了加性噪声传输信道。将u(n)作为维纳滤波器的输入，且滤波器的期望响应为d(n)。问题就是如何求出滤波器的权系数使得估计误差e(n)在MMSE意义下最小。 -Estim
FdRLS
- 雷达数据处理对于观测的目标位置数据（称为点迹）进行滤波处理，自动形成航迹，并且可以对下一个目标的位置进行估计预测。利用最小二乘算法（LMS）进行滤波处理，得到了比较稳定的航迹估计。 最小二乘方法是参数估计中一种较为常见的参数估计方法。对于雷达观测数据，在我们假定已经精确知道航迹的运动学模型之后，通过建立观测方程，即可以对于模型的参数，如初速度，初始位置和加速度等进行最小均方误差估计。采用序贯最小二乘的方法可以对观测数据进行实时处理，已对待估计参数进行实时更新，然后利用观测模型可以对 数据进行
GARCH-model-forecast-
- 对NYSE股票日收盘价格，运用GARCH或者ARCH模型进行分析，并预测2012年5月1日到2012年5月9日的价格。将预测值与真实值对照，比较误差。-Closing stock price on the NYSE, using GARCH or ARCH models to analyze and predict the price May 1, 2012 to May 9, 2012 in. The predictive value and the true value control, m
PF-RMSE
- PF-RMSE 单变量非静态增长模型（UNGM模型）粒子滤波算法下，均方根误差分析仿真-Under PF-RMSE univariate non-static growth model (UNGM model) particle filter, root mean square error analysis and simulation
modulation
- 对现有数字调制方式识别类型有限的问题，提出一种基于星座图的分类算法。算法首先利用盲均衡技术克服信道的多径效应与系统问步误差，再对信号减法聚类，提取聚类中心与理想星座图模型进行匹配，从而实现MAsK、MPsK、MOAM等调制方式的识别。-Existing types of digital modulation recognition of limited problem, a classification algorithm based on the constellation. Firstly,
dianliceng2
- 关于GPS电离层模型的误差研究，用matlab编程仿真-Research on GPS ionospheric error model, using matlab simulation program
kaermanlvbo967456
- 卡尔曼滤波以最小均方误差为最佳估计准则，采用信号与噪声的状态空间模型，利用前一时刻的估计值和当前时刻的观测值来更新对状态变量的估计，求出当前时刻的估计值，算法根据建立的系统方程和观测方程对需要处理的信号做出满足最小均方误差的估计-Kalman filter to minimize the mean square error criterion for the best estimates, using the state space model of signal and noise, usin
Matlab
- 主要是用于BP网络上面的编程网络是1986年由Rumelhart和McCelland为首的科学家小组提出，是一种按误差逆传播算法训练的多层前馈网络，是目前应用最广泛的神经网络模型之一。BP网络能学习和存贮大量的输入-输出模式映射关系，而无需事前揭示描述这种映射关系的数学方程。它的学习规则是使用最速下降法，通过反向传播来不断调整网络的权值和阈值，使网络的误差平方和最小。BP神经网络模型拓扑结构包括输入（input）、隐层(hide layer)和输出层(output layer)。 -BP