em算法matlab代码GP-SSM 高斯过程状态空间模型 介绍 这个Matlab工具箱实现了基于高斯过程学习（即识别）非线性动力学系统的状态空间模型的算法。 提议的方法有一些优点： 用户无需给出系统动力学的参数形式。 通过选择协方差函数来介绍关于动力学函数的平滑度的假设（请参阅Rasmussen和Williams的第4章，高斯机器学习过程，2006年）。 模型的复杂度和拟合度会自动进行权衡。 模型预测上的误差棒捕获由于数据稀缺或模棱两可而引起的不确定性。 特别是，此工具箱实现了以下两篇论文的算法： [1] R. Frigola，F。Lindsten，TBSchön和CE Rasmussen。 使用粒子MCMC的高斯过程状态空间模型中的贝叶斯推理和学习，神经信息处理系统（NIPS），2013年。 [2] R. Frigola，F。Lindsten，TBSchön和CE Rasmussen。 使用粒子随机近似EM识别高斯过程状态空间模型，2013年，已提交。 第一步 重要信息： GP-SSM代码需要机器学习的高斯过程（GPML）工具箱，该工具箱可在此处免费提供： 您需要运行两个不同的st

针对基于RSSI的无线传感器网络定位测距问题,在对数-常态分布模型下提出了一种混合滤波及最小二乘环境参数动态估计的测距算法。以锚节点作为参考节点,采用基于均值滤波、中值滤波和高斯滤波的混合滤波方法优化RSSI值,运用最小二乘法估计环境参数,再由盲节点与锚节点的RSSI混合滤波优化值计算二者之间的距离。仿真结果表明,混合滤波性能优于其它单一滤波方法,环境参数估计相对误差小于2.5%,空旷环境下100 m范围内测距相对误差小于10%,满足无线传感器网络定位测距要求。

东北大学应用数理统计第二章知识点总结——参数估计，知识点总结PDF版本 内容详见https://blog.csdn.net/qq_36770651/article/details/109829564

混合双参数指数分布的参数估计，刘捷，刘厚敏，混合指数分布是寿命数据分析中一个非常重要的统计模型．但是利用正规的统计方法如矩估计、极大似然估计等估计模型的参数往往比较

模式识别讲解非参数估计

matlab中分段函数代码分段线性递归神经网络（PLRNN）模型中的状态推断和参数估计 分段线性递归神经网络（PLRNN）模型中用于状态推断和参数估计的Matlab代码 该文件夹包含MatLab代码和来自 版权所有：:copyright:2017 Daniel Durstewitz。 该软件包根据GNU GPLv3和知识共享署名许可协议的条款进行分发。 使用任何出版物中的代码时，请注明出处，并引用以上参考文献。 --- PLRNN估计的主要代码： runPLRNN_WMexample.m：说明如何使用代码EMiter.m：针对PLRNN的EM迭代StateEstPLRNN.m：PLRNN的状态推断ExpValPLRNN.m：计算所有其他PLRNN期望值ParEstPLRNN.m：PLRNN的参数估计LogLikePLRNN.m：对数似然SimPLRNN.m：模拟PLRNN runPLRNN_DataExample.m：在ACC MSU记录数据上运行PLRNN估计 ---相同的代码，但包括外部回归变量的权重矩阵C： runPLRNN_C_example.m StateEstPLRNN_C.m ParEstP

由于测量噪声与观测阵统计相关使得纯方位系统伪线性后的最小二乘估计是有偏的。理论分析证明，构造适当的辅助变量可以消除这种偏倚。可以将前3个时刻的测量值的预测值作为辅助变量，从统计上解耦达到消除偏倚的目的。计算机仿真计算的结果表明，该方法相当稳定，受收敛问题的困扰较少，可以达到消除估计有偏的目的，同时提高了对目标参数估计的精度，因此该做法被验证是有效的。

一个 GUI 演示了 MCMC 如何估计损坏信号中的正弦参数（幅度、频率、化合物数量）

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

本文介绍含有一个或两个未知参数的正态分布