联合似然估计论文_吴军,陈斌,康国良

导读:本文包含了联合似然估计论文开题报告文献综述、选题提纲参考文献及外文文献翻译,主要关键词:模型,尺度,信道,位置,无源,高度计,均值。

联合似然估计论文文献综述

吴军,陈斌,康国良[1](2017)在《大规模MIMO系统中联合最强用户冲突解决的最大似然信道估计方案》一文中研究指出在多小区大规模多输入多输出(MIMO)系统中,针对各小区复用相同导频序列进行信道估计存在有导频污染问题,提出了一种大规模MIMO系统中联合最强用户冲突解决的最大似然(ML)信道估计算法。该方法联合最强用户冲突解决(SUCR)算法和循环前缀的最大似然信道估计算法,先在小区用最强用户冲突解决方案减轻用户之间的竞用相同导频的干扰,减少竞争导频的用户数,提高系统的成功接入用户数数量,然后再用循环前缀的最大似然的信道估计算法,对处理后的导频序列的信道进行信道估计,以获得较为准确的信道状态信息。仿真结果表明,提出的算法对比分析传统ML算法和MMSE算法能够得到更好的归一化均方误差和系统能量效率,并且可以较明显地减轻导频污染对信道估计的影响。(本文来源于《科技广场》期刊2017年12期)

管张均,简亦单[2](2017)在《基于最大似然估计的雷达高度计海面参数联合反演》一文中研究指出对合成孔径雷达高度计的参数反演问题进行了研究。根据合成孔径雷达高度计的海面回波模型,推导了利用最大似然估计反演海面参数的算法流程,并确定了联合反演时海面参数的估计顺序,然后在给定的仿真参数下对海面参数的反演流程进行了仿真。仿真得到的参数估计值满足指标要求,显示了算法的良好性能。分析结果对雷达高度计的系统设计和挂飞试验都有一定的参考意义。(本文来源于《海洋技术学报》期刊2017年06期)

杨少凡,郭中源,郭圣明,贾宁,黄建纯[3](2017)在《Kalman滤波参数的最大联合似然估计及其在水下目标跟踪中的应用》一文中研究指出0引言Kalman滤波(KF)~([1-3])是一种最优估计方法并且广泛应用于水下目标定位跟踪领域。在一些应用中,若先验信息不精确以至于不能准确地描述真实的统计噪声水平,那么KF估计将不是最优估计甚至导致发散。在本文中,引入合作的引导目标,应用最大联合似然训练算法来自动选取更优的系统噪声参数,对Kalman跟踪系统进行监督训练,进一步提高了(本文来源于《中国声学学会2017年全国声学学术会议论文集》期刊2017-09-22)

赵拥军,赵勇胜,赵闯[4](2016)在《基于马尔科夫键蒙特卡洛抽样的最大似然时差-频差联合估计算法》一文中研究指出该文针对无源定位中参考信号真实值未知的时差-频差联合估计问题,构建了一种新的时差-频差最大似然估计模型,并采用马尔科夫链蒙特卡洛(MCMC)方法求解似然函数的全局极大值,得到时差-频差联合估计。算法通过生成时差-频差样本,并统计样本均值得到估计值,克服了传统互模糊函数(CAF)算法只能得到时域和频域采样间隔整数倍估计值的问题,且不存在期望最大化(EM)等迭代算法的初值依赖和收敛问题。推导了时差-频差联合估计的克拉美罗界,并通过仿真实验表明,算法在不同信噪比条件下的估计精度优于CAF算法和EM算法,且计算复杂度较低。(本文来源于《电子与信息学报》期刊2016年11期)

瞿孟虹,何晓霜,游凌[5](2015)在《同频混合信号参数联合最大似然递归估计》一文中研究指出为提高成对载波多址(PCMA)模式下参数估计精度,简化实现流程,提出一种混合信号条件下频偏、相偏、信道联合估计算法。该算法基于最大似然准则,利用数据辅助技术,推导出联合参数估计显性表达式,并给出递归求解方法。对该算法估计性能进行的定量分析表明,估计性能逼近混合信号条件下克拉美罗界(Cramer-Rao bound),能适应频率选择性信道。计算机仿真结果验证了该算法的有效性。(本文来源于《电子科技大学学报》期刊2015年03期)

吴刘仓,马婷,詹金龙[6](2013)在《基于StN分布联合位置,尺度与偏度模型的极大似然估计》一文中研究指出在社会,经济领域中异方差数据的大量存在表明方差建模与均值建模同等重要,而相对于对称分布,有偏分布更能获得准确有效的信息,对偏度建模,了解影响偏度的因素具有理论与实际意义.基于以上两点,文中提出了于Skew-t-Normal(StN)偏态分布的联合位置,尺度与偏度模型,并研究了该模型参数的极大似然估计,模拟和实例研究结果表明该模型和方法是有用和有效的.(本文来源于《高校应用数学学报A辑》期刊2013年04期)

吴刘仓,马婷,戴琳[7](2013)在《基于StN分布下联合位置与尺度模型的极大似然估计》一文中研究指出在社会和经济等领域中存在大量的异方差数据,而且人们非常关注方差的变化,所以在研究社会经济现象时方差建模与均值建模同等重要;相对于对称分布,偏态分布更能获得更全面准确、更及时有效的信息,文章基于以上两点,研究提出基于偏t正态分布(StN)的联合位置与尺度模型,并给出该模型参数的极大似然估计,模拟和实例研究结果表明该模型和方法是有用和有效的.(本文来源于《应用数学》期刊2013年03期)

马婷,吴刘仓,黄丽[8](2013)在《基于偏正态分布联合位置、尺度与偏度模型的极大似然估计》一文中研究指出本文提出了基于偏正态分布联合位置、尺度与偏度模型,通过极大似然迭代算法给出了联合模型参数的估计方法,最后通过随机模拟和实例研究说明了提出的模型与方法的有效性。(本文来源于《数理统计与管理》期刊2013年03期)

吴刘仓,黄丽,戴琳[9](2012)在《Box-Cox变换下联合均值与方差模型的极大似然估计》一文中研究指出在提出Box-Cox变换下联合均值与方差模型的基础上,研究了该模型参数的估计问题。同时利用截面极大似然估计方法对变换参数λ进行估计,并对均值模型和方差模型的参数进行极大似然估计。通过随机模拟和实例研究,结果表明该模型和方法是有效和可行的。(本文来源于《统计与信息论坛》期刊2012年05期)

黄丽,吴刘仓[10](2011)在《基于对数正态分布下联合均值与散度广义线性模型的极大似然估计》一文中研究指出基于对数正态分布研究提出了联合均值与散度广义线性模型,给出了此模型参数的极大似然估计,模拟和实例显示该模型和方法是有用和有效的.(本文来源于《高校应用数学学报A辑》期刊2011年04期)

联合似然估计论文开题报告

(1)论文研究背景及目的

此处内容要求:

首先简单简介论文所研究问题的基本概念和背景,再而简单明了地指出论文所要研究解决的具体问题,并提出你的论文准备的观点或解决方法。

写法范例:

对合成孔径雷达高度计的参数反演问题进行了研究。根据合成孔径雷达高度计的海面回波模型,推导了利用最大似然估计反演海面参数的算法流程,并确定了联合反演时海面参数的估计顺序,然后在给定的仿真参数下对海面参数的反演流程进行了仿真。仿真得到的参数估计值满足指标要求,显示了算法的良好性能。分析结果对雷达高度计的系统设计和挂飞试验都有一定的参考意义。

(2)本文研究方法

调查法:该方法是有目的、有系统的搜集有关研究对象的具体信息。

观察法:用自己的感官和辅助工具直接观察研究对象从而得到有关信息。

实验法:通过主支变革、控制研究对象来发现与确认事物间的因果关系。

文献研究法:通过调查文献来获得资料,从而全面的、正确的了解掌握研究方法。

实证研究法:依据现有的科学理论和实践的需要提出设计。

定性分析法:对研究对象进行“质”的方面的研究,这个方法需要计算的数据较少。

定量分析法:通过具体的数字,使人们对研究对象的认识进一步精确化。

跨学科研究法:运用多学科的理论、方法和成果从整体上对某一课题进行研究。

功能分析法:这是社会科学用来分析社会现象的一种方法,从某一功能出发研究多个方面的影响。

模拟法:通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。

联合似然估计论文参考文献

[1].吴军,陈斌,康国良.大规模MIMO系统中联合最强用户冲突解决的最大似然信道估计方案[J].科技广场.2017

[2].管张均,简亦单.基于最大似然估计的雷达高度计海面参数联合反演[J].海洋技术学报.2017

[3].杨少凡,郭中源,郭圣明,贾宁,黄建纯.Kalman滤波参数的最大联合似然估计及其在水下目标跟踪中的应用[C].中国声学学会2017年全国声学学术会议论文集.2017

[4].赵拥军,赵勇胜,赵闯.基于马尔科夫键蒙特卡洛抽样的最大似然时差-频差联合估计算法[J].电子与信息学报.2016

[5].瞿孟虹,何晓霜,游凌.同频混合信号参数联合最大似然递归估计[J].电子科技大学学报.2015

[6].吴刘仓,马婷,詹金龙.基于StN分布联合位置,尺度与偏度模型的极大似然估计[J].高校应用数学学报A辑.2013

[7].吴刘仓,马婷,戴琳.基于StN分布下联合位置与尺度模型的极大似然估计[J].应用数学.2013

[8].马婷,吴刘仓,黄丽.基于偏正态分布联合位置、尺度与偏度模型的极大似然估计[J].数理统计与管理.2013

[9].吴刘仓,黄丽,戴琳.Box-Cox变换下联合均值与方差模型的极大似然估计[J].统计与信息论坛.2012

[10].黄丽,吴刘仓.基于对数正态分布下联合均值与散度广义线性模型的极大似然估计[J].高校应用数学学报A辑.2011

论文知识图

模型一维拟合结果3.8优化算法迭代过程Fig3.8...3参数逻辑斯蒂模型下的猜测系数3.7检测结果直方图Fig3.7...定时偏差系统的误码率分析窗口图5.3显示的是O...

标签:;  ;  ;  ;  ;  ;  ;  

联合似然估计论文_吴军,陈斌,康国良
下载Doc文档

猜你喜欢