基于矩阵特征值分解的功率谱估计包括特征向量估计和MUSIC估计，这两种估计方法均为非参数估计方法-Based on Eigenvalue Decomposition of power spectral estimation, including estimation and MUSIC eigenvector estimates, these two estimation methods are non-parameter estimation

为了对空间辐射源进行精确定位" 建立了基于任意阵列对多目标源进行二维DOA估计的数学模型。将 MUSIC算法推广到三维空间阵列可以对辐射源进行二维高精度测向,但由于其需要估计接收数据的协方差矩阵和进行特征分解, 因而其计算量较大。利用多级维纳滤波器的前向递推获得信号子空间和噪声子空间，不需要估计协方差矩阵和对其进行特征分解，从而降低了MUSIC算法的计算量。将文中的方法应用于任意阵列的二维DOA估计中进行计算机仿真和实际侧向系统性能验证,实验结果均表明该方法达到了MUSIC算法的性能,但与常规M

　针对特征空间波束合成器,采用对数据矩阵进行奇异值分解,利用奇异值和奇异值矢量计算最优权矢量,完成波束合成-Feature space beam synthesizer, using the singular value decomposition of the data matrix, singular values ​ ​ and singular value vector to calculate the optimal weight vector, and compl

无穷维潜在特征选择（ILFS） 潜在特征模型广泛使用于数据的小模块分解的过程。这些模型的贝叶斯非参数变量在潜在特征上使用了IBP先验，使特征的数量由数据决定。本研究提出了一种一般化的IBP——距离依赖IBP，用来建模不可交换数据。这种模型依赖于数据点之间定义的距离，倾向于使相邻近的数据共享更多的特征。距离测度的选择不同可以带来不同的依赖关系。