做OFDM系统的时间同步的几种算法分别在slowfadingchannel和fastfadingchannel下的仿真及性能比较（MSEvsSNR）：（1）最大似然数法；
[1][2][4][5]（2）Schmidl&Cox;符号同步算法；
[3][4][5]（3）Minn符号同步算法；
[4][5]（4）Park符号同步算法；
[4][5]（5）基于循环前缀的盲目符号同步算法。
[6]
[1][2][4][5]（2）Schmidl&Cox;符号同步算法；
[3][4][5]（3）Minn符号同步算法；
[4][5]（4）Park符号同步算法；
[4][5]（5）基于循环前缀的盲目符号同步算法。
[6]
2023/8/16 15:25:49
9.7MB
1
论了非高斯alpha稳定分布噪声环境中的自适应滤波及其近十几年来的研究进展。
以alpha稳定分布的线性理论和参数的最大似然估计理论为基础，发展形成了线性滤波和非线性滤波两大类算法。
相对于高斯环境下的滤波，新滤波算法在脉冲噪声中的韧性得到显著提高。
最后分别给出了两类算法在谐波恢复中的应用实例。
以alpha稳定分布的线性理论和参数的最大似然估计理论为基础，发展形成了线性滤波和非线性滤波两大类算法。
相对于高斯环境下的滤波，新滤波算法在脉冲噪声中的韧性得到显著提高。
最后分别给出了两类算法在谐波恢复中的应用实例。
2023/6/1 1:55:54
415KB
1
Frontier是一款专门用于完成随机前沿分析的软件，它可以用最大似然法估计随机前沿成本模型(StochasticFrontierCostModel)和随机前沿生产模型(StochasticFrontierProductionModel)。
本文主要引见SFA的专用分析工具Frontier4.1的大致用法。
主要来自英文的说明，以方便读者
本文主要引见SFA的专用分析工具Frontier4.1的大致用法。
主要来自英文的说明，以方便读者
2023/3/7 22:32:43
24.6MB
1
本程序为matlab程序。
em算法，指的是最大期望算法（ExpectationMaximizationAlgorithm，又译期望最大化算法），是一种迭代算法，在统计学中被用于寻觅，依赖于不可观察的隐性变量的概率模型中，参数的最大似然估计。
em算法，指的是最大期望算法（ExpectationMaximizationAlgorithm，又译期望最大化算法），是一种迭代算法，在统计学中被用于寻觅，依赖于不可观察的隐性变量的概率模型中，参数的最大似然估计。
2018/8/19 23:04:08
2KB
1
内含本人的所有系统辨识的资料：书：系统辨识及应用（作者：李言俊）报告：三篇经典的实验报告程序：包含所有辨识方法，最小二乘一次递推算法，ELS,GLS,遗忘因子法，限定记忆法，最大似然法.....
2017/4/20 7:22:37
4.11MB
1
模式识别中贝叶斯算法判别身高体重matlab实现1）应用单个特征进行实验：以（a）身高或者（b）体重数据作为特征，在正态分布假设下利用最大似然法或者贝叶斯估计法估计分布密度参数，建立最小错误率Bayes分类器，写出得到的决策规则，将该分类器应用到测试样本，调查测试错误情况。
在分类器设计时可以调查采用不同先验概率（如0.5对0.5,0.75对0.25,0.9对0.1等）进行实验，调查对决策规则和错误率的影响。
2）应用两个特征进行实验：同时采用身高和体重数据作为特征，分别假设二者相关或不相关，在正态分布假设下估计概率密度，建立最小错误率Bayes分类器，写出得到的决策规则，将该分类器应用到训练/测试样本，调查训练/测试错误情况。
比较相关假设和不相关假设下结果的差异。
在分类器设计时可以调查采用不同先验概率（如0.5vs.0.5,0.75vs.0.25,0.9vs.0.1等）进行实验，调查对决策和错误率的影响。
3）自行给出一个决策表，采用最小风险的Bayes决策重复上面的某个或全部实验。
在分类器设计时可以调查采用不同先验概率（如0.5对0.5,0.75对0.25,0.9对0.1等）进行实验，调查对决策规则和错误率的影响。
2）应用两个特征进行实验：同时采用身高和体重数据作为特征，分别假设二者相关或不相关，在正态分布假设下估计概率密度，建立最小错误率Bayes分类器，写出得到的决策规则，将该分类器应用到训练/测试样本，调查训练/测试错误情况。
比较相关假设和不相关假设下结果的差异。
在分类器设计时可以调查采用不同先验概率（如0.5vs.0.5,0.75vs.0.25,0.9vs.0.1等）进行实验，调查对决策和错误率的影响。
3）自行给出一个决策表，采用最小风险的Bayes决策重复上面的某个或全部实验。
2016/6/25 22:06:17
669KB
1
利用100个男女训练集样本，使用贝叶斯分类器判别男女。
1.采用最大似然法和贝叶斯估计的方法获得密度函数，设定不同的先验概率，观察判别结果正确率。
2.分别在男女相关不相关的情况下分析结果正确率。
3.设定不同的风险，采用最小风险的Bayes决策反复上面实验。
1.采用最大似然法和贝叶斯估计的方法获得密度函数，设定不同的先验概率，观察判别结果正确率。
2.分别在男女相关不相关的情况下分析结果正确率。
3.设定不同的风险，采用最小风险的Bayes决策反复上面实验。
2018/9/4 4:21:32
702KB
1
在日常工作中，钉钉打卡成了我生活中不可或缺的一部分。然而，有时候这个看似简单的任务却给我带来了不少烦恼。
每天早晚，我总是得牢记打开钉钉应用，点击"工作台"，再找到"考勤打卡"进行签到。有时候因为工作忙碌，会忘记打卡，导致考勤异常，影响当月的工作评价。而且，由于我使用的是苹果手机，有时候系统更新后，钉钉的某些功能会出现异常，使得打卡变得更加麻烦。
另外，我的家人使用的是安卓手机，他们也经常抱怨钉钉打卡的繁琐。尤其是对于那些不太熟悉手机操作的长辈来说，每次打卡都是一次挑战。他们总是担心自己会操作失误，导致打卡失败。
为了解决这些烦恼，我开始思考是否可以通过编写一个全自动化脚本来实现钉钉打卡。经过一段时间的摸索和学习，我终于成功编写出了一个适用于苹果和安卓系统的钉钉打卡脚本。
2024-04-09 15:03
15KB