搜索资源列表
jidashirandituicanshuguji
- v(k)随机信号，输入信号为幅值为M序列程序.利用极大似然递推进行参数辨识，文件的*m文件，可以直接运行，能直接辨识出参数，绘制误差曲线等，程序中带有详细注释。-v (k) random signal, the input signal amplitude for the M series for the process. the use of recursive maximum likelihood parameter identification, documentation* m file
Analyzing-Spatially-varying-Blur
- 我们提出一种新方法用于单幅图像的空间变化模糊识别,在图像中的每个局部小块，这个局部模糊被选择在一个候选PSFS有限集中间，用一个极大似然方法。我们打算用广义似然减少参数的数量，用广义奇异值分解限制计算值，但是要对图像做出适当的边界假设。-We present a new approach for spatially varying blur identification using a single image. Within each local patch in the image,
garchfit
- garchfit函数的用法，用于ARMA参数的拟合，给出参数的极大似然估计值。-The function of the usage of garchfit for ARMA parameter fitting, given the parameters of a great likelihood estimate.
kafangcanshuguji
- 总体X服从非中心卡方分布，求两个参数的极大似然估计 输入：样本数据 输出：参数估计值n，v 内有详细说明-Overall X obey non-central chi-square distribution, find the two parameters MLE
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
WSN_LOCALIZATION_SIMULATION
- 用MATLAB语言仿真无线传感器网络中三边定位法、极大似然值定位法、质心定位法和泰勒级数展开定位法-Using MATLAB simulation of wireless sensor networks trilateral positioning method, maximum likelihood value positioning method, centroid location positioning method and Taylor series expansion method
em-algorithm
- em算法论文 EM算法为有限混合模型的极大似然估计提供了一个标准框架。本文简单推 导了有限混合高斯分布的EM算法，并针对其收敛速度慢的缺点设计了一种有效 选取参数初始值的方法，数值实验表明，该方法有助于EM算法以较快的速度在 参数真值附近收敛。-em algorithm papers
DVB-T-TimingaChannelEstimation
- DVB-T 2k模式定时估计Matlab仿真。重新修改了程序。包括DVB-T信号产生，瑞利多径信道衰减，高斯噪声加入。 定时估计的粗定时用极大似然法，细定时用分散导频。首先确定导频模式，再通过相邻导频相关确定定时偏差。此方法适用于瑞利多径信道，高斯信道，也适用于莱斯多径信道。 信道估计利用DVB-T导频，LS估计，导频位置的时间插值，非导频位置频率插值，非常有效。 该程序经过多次运行无误，不足之处在于变量使用不规范，注释简单，读程序很费劲哈。 其特点是均采用经典算法，简单有效为主，对
ML
- 最大似然法（Maximum Likelihood，ML）也称为最大概似估计，也叫极大似然估计，是一种具有理论性的点估计法，此方法的基本思想是：当从模型总体随机抽取n组样本观测值后，最合理的参数估计量应该使得从模型中抽取该n组样本观测值的概率最大，而不是像最小二乘估计法旨在得到使得模型能最好地拟合样本数据的参数估计量。-Maximum likelihood method (Maximum Likelihood, ML), also known as maximum likelihood estim
EMSeg
- EM 算法是求参数极大似然估计的一种方法，它可以从非完整数据集中对参数进行估计，是一种非常简单实用的学习算法。这种方法可以广泛地应用于处理缺损数据、截尾数据以及带有噪声等所谓的不完全数据，可以具体来说，我们可以利用EM算法来填充样本中的缺失数据、发现隐藏变量的值、估计HMM中的参数、估计有限混合分布中的参数以及可以进行无监督聚类等等。-Expectation Maximization image segmentation Input: ima: gr
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.)
yubaocha
- 产生预报差和极大似然估计值估计参数的变化值并画出图线(The prediction error and maximum likelihood estimation are used to estimate the change values of parameters and draw lines.)
copula 的极大似然估计
- 计算极大似然值copula，matlab代码(Calculate the maximum likelihood value)