搜索资源列表
yei_wv41
- 利用贝叶斯原理估计混合logit模型的参数,二维声子晶体FDTD方法计算禁带宽度的例子,最小二乘回归分析算法。- Bayesian parameter estimation principle mixed logit model, Dimensional phononic crystals FDTD method calculation examples band gap, Least-squares regression analysis algorithm.
jtmgp
- 利用贝叶斯原理估计混合logit模型的参数,数据包传送源码程序,采用了小波去噪的思想。- Bayesian parameter estimation principle mixed logit model, Data packet transfer source program, Using wavelet denoising thought.
ty073
- 用于建立主成分分析模型,利用贝叶斯原理估计混合logit模型的参数,采用热核构造权重。- Principal component analysis model for establishing, Bayesian parameter estimation principle mixed logit model, Thermonuclear using weighting factor.
jt471
- 直线阵采用切比学夫加权控制主旁瓣比,具有丰富的参数选项,阵列信号处理的高分辨率估计。- Linear array using cut than learning laid upon the right control of the main sidelobe ratio, It has a wealth of parameter options, High-resolution array signal processing estimates.
2567
- 利用贝叶斯原理估计混合logit模型的参数,光纤无线通信系统中传输性能的研究,抑制载波型差分相位调制。- Bayesian parameter estimation principle mixed logit model, Fiber Transmission wireless communication system performance, Suppressed carrier type differential phase modulation.
bun_v15
- 利用贝叶斯原理估计混合logit模型的参数,相关分析过程的matlab方法,有CDF三角函数曲线/三维曲线图。- Bayesian parameter estimation principle mixed logit model, Correlation analysis process matlab method, There CDF trigonometric curve/3D graphs.
copula_functions
- 利用极大似然估计估计出copula函数参数后,求解常见的copula函数的对数似然值。(After estimating the parameters of the copula function by using the MLE, the log likelihood values of the common Copula Functions are solved.)
siso
- 自适应OFDM系统能根据信道估计得到信道的状态信息,自适应地调节发送端传输参数,从而提高系统的性能。其中OFDM是一种多载波调制技术,具有频谱利用率高、抗多径干扰、抗突发噪声差错等优点。 在VLC中引入自适应OFDM技术,可以提升系统的容量,提高传输质量,使系统具有更大灵活性,改善系统性能。在无线光通信领域对该技术的研究已成为个重要的方向。根据现有的研究人员所发表的文献,大多是基于基础性和理论性的研究,对可见光通信技术与自适应OFDM的研究甚少。(The adaptive OFDM syste
Nonparametric kernel density
- 计算数据的累计概率密度,采用三次样条插值计算分位点的值,区间预测,里面有具体程序及相关文献。(The cumulative probability density of the calculated data is calculated by three spline interpolation)
bus-14
- matpower 状态估计子程序 自动获取各个bus总线上的参数信息(matpower estimation)
myfunpareto
- 本文件用于广义帕累托分布及其参数的估计模拟(Pareto distribution parameter estimation)
CATS软件
- Cats是一个使用最大似然估计来使用多参数的时间序列(比如:连续的GPS)。该程序同时估计所有参数,但是分两部分来估计速度,线性部分包括一个offset and slope,突变(as form earthquakes)、正弦部分(包括年周期和半年周期),而非线性负分包括几个不同的噪声模型及其组合。(Cats is a time series (e.g., continuous GPS) using multiple parameters using maximum likelihood est
三步搜索法
- 本实验的目的是学习Parzen窗估计和k最近邻估计方法。在之前的模式识别研究中,我们假设概率密度函数的参数形式已知,即判别函数J(.)的参数是已知的。本节使用非参数化的方法来处理任意形式的概率分布而不必事先考虑概率密度的参数形式。在模式识别中有躲在令人感兴趣的非参数化方法,Parzen窗估计和k最近邻估计就是两种经典的估计法。(The purpose of this experiment is to study the Parzen window estimation and the k nea
Beyes
- 实验要求: 1. 以身高为例,画出男女生身高的直方图并做对比; 2. 采用最大似然估计方法,求男女生身高以及体重分布的参数; 3. 采用贝叶斯估计方法,求男女生身高以及体重分布的参数(假定方差已知,作业请注明自己选定的一些参数情况); 4. 采用最小错误率贝叶斯决策,画出类别判定的决策面。并判断某样本的身高体重分别为(160,45)时应该属于男生还是女生?为(178,70)时呢?(Experimental requirements: 1. take height as an exa
pattern recognize1
- 1. 以身高为例,画出男女生身高的直方图并做对比; 2. 采用最大似然估计方法,求男女生身高以及体重分布的参数; 3. 采用贝叶斯估计方法,求男女生身高以及体重分布的参数(假定方差已知,作业请注明自己选定的一些参数情况); 4. 采用最小错误率贝叶斯决策,画出类别判定的决策面。并判断某样本的身高体重分别为(160,45)时应该属于男生还是女生?为(178,70)时呢?(The program is used for classification of men and women in pa
卡尔曼作业第三次-史子纬
- 这种理论是在时间域上来表述的,基本的概念是:在线性系统的状态空间表示基础上,从输出和输入观测数据求系统状态的最优估计。这里所说的系统状态,是总结系统所有过去的输入和扰动对系统的作用的最小参数的集合,知道了系统的状态就能够与未来的输入与系统的扰动一起确定系统的整个行为。(This theory is expressed in the time domain. The basic concept is: on the basis of the state space representation o
sys6
- 滑膜观测器,功能性测试,观测器估计参数,估计不确定(Synovio observer, functional test, observer estimation parameter, estimation uncertainty)
1
- % 输入参数: % R(N-1×1): TDOA测量值 % Pbs(N×2): 基站的坐标,第一列为X,第二列为Y;参考基站坐标位于第一行 % 输出参数: % POS_ref(2X1):第一次WLS的估计结果,作为参考作最终定位结果的判决 % POS1(2X1) :定位结果1 % POS2(2X1) :定位结果2 % POS
仿真例题1
- 通过利用MATLAB S型函数实现对参数的自适应控制,即是说,估计参数收敛到真实值,输出误差收敛到0(By using the MATLAB S function to realize the adaptive control of the parameters, it is said that the estimated parameter converges to the real value, and the output error converges to 0.)
贝叶斯网络工具包
- 贝叶斯网络工具包安装教程 贝叶斯网络参数过程中最大似然估计的详细过程(BAYESIAN NETWORK (Bayesian network parameters maximum likelihood estimation process detailed process))