第1章绪论1.1什么叫数理统计学1.2数理统计的若干基本概念1.3统计量习题一第2章抽样分布及若干预备知识2.1引言2.2正态总体样本均值和样本方差的分布*2.3次序统计量的分布2.4X2分布，t分布和F分布2.5统计量的极限分布*2.6指数族2.7充分统计量*2.8完全统计量习题二第3章点估计3.1引言3.2矩估计3.3极大似然估计*3.4一致最小方差无偏估计3.5Cramer-Rao不等式习题三第4章区间估计4.1区间估计的基本概念4.2枢轴变量法——正态总体参数的置信区间4.3枢轴变量法——非正态总体参数的置信区间4.4Fisher的信仰推断法4.5容忍区间与容忍限习题四第5章参数假设检验5.1假设检验的若干基本概念5.2正态总体参数的假设检验5.3假设检验与区间估计*5.4一致最优检验与无偏检验5.5似然比检验

第1章绪论1.1合成孔径雷达概况1.2发展历程1.2.1国外SAR发展历程1.2.2我国SAR发展历程1.3发展趋势1.4主要应用1.4.1军事领域1.4.2民用领域1.5内容安排第2章合成孔径雷达2.1概述2.2SAR成像基本原理2.2.1距离向分辨率与脉冲压缩技术2.2.2方位向分辨率与合成孔径原理2.2.3点目标信号回波模型2.2.4SAR成像处理与算法2.3SAR成像的几何特性2.3.1斜距图像的比例失真2.3.2透视收缩与顶底位移2.3.3雷达阴影2.3.4雷达视差与立体观察第3章雷达目标电磁散射计算3.1概述3.1.1电磁散射基本计算方法3.1.2严格的经典解法3.1.3近似求解方法3.2等效电磁流计算3.2.1等效电磁流奇异性的消除3.2.2等效电磁流的分析与计算3.3多次散射的计算3.3.1几何/物理光学混合算法3.3.2存在多重散射的条件和遮挡关系的判断3.3.3几何光学/等效电磁流混合算法3.3.4GO/PO混合方法的应用3.4腔体结构电磁散射RCS计算3.4.1复射线近轴近似电磁散射算法3.4.2计算实例3.5复杂目标电磁散射的计算3.5.1复杂目标几何建模3.5.2复杂目标电磁散射混合计算第4章合成孔径雷达图像特征分析4.1概述4.2SAR图像辐射特征4.2.1SAR图像回波强度的概率分布4.2.2辐射分辨率4.3SAR图像噪声特征4.4SAR图像目标几何特征4.4.1点目标4.4.2线目标4.4.3面目标4.5SAR图像灰度统计特征4.5.1幅度特征4.5.2直方图特征4.5.3统计特征4.6SAR图像纹理特征4.6.1方向差分特征4.6.2灰度共现特征4.6.3小波纹理能量特征第5章合成孔径雷达图像分割5.1概述5.2阈值分割法5.2.1基于遗传算法的二维最大熵阈值分割法5.2.2二维模糊熵阈值分割法5.2.3双阈值分割算法5.3基于马尔可夫随机场模型的分割法5.3.1吉布斯MEF分割模型5.3.2吉布斯MRF分割算法5.3.3多尺度MRF图像分割5.4基于多尺度几何分析的分割法5.4.1基于Contourlet变换的SAR图像分割5.4.2基于Wedgelet变换的SAR图像分割5.5分割评价方法5.5.1分割质量评价5.5.2适用情况分析第6章合成孔径雷达图像目标分类6.1概述6.1.1分类流程6.1.2评价标准6.2概率密度函数估计6.2.1单-密度函数6.2.2混合密度函数6.2.3有限混合密度函数的逼近能力6.3参数估计6.3.1极大似然估计6.3.2EM算法6.4最小距离分类法6.5最大后验概率分类法6.6支持向量机分类法6.6.1支持向量机原理6.6.2支持向量机分类法6.7隐马尔可夫优化分类法6.7.1HMM原理6.7.2HMOC模型第7章合成孔径雷达图像目标识别7.1概述7.1.1识别方法7.1.2自动目标识别系统7.2基于电磁特性的目标识别7.3典型目标识别7.3.1道路识别7.3.2机场识别7.3.3MSTAR坦克识别第8章合成孔径雷达图像融合8.1概述8.1.1图像融合概念8.1.2融合效果评价8.2SAR图像与可见光图像融合8.2.1提升小波变换8.2.2基于提升小波变换区域统计特性的融合算法8.3SAR图像与多光谱图像融合8.3.1主成分分析方法8.3.2基于主成分分析的SAR与多光谱图像融合8.4多波段SAR图像融合8.4.1基于atrous算法方向滤波器组的多波段SAR图像灰度融合8.4.2多波段SAR图像伪彩色融合第9章合成孔径雷达图像压缩9.1概述9.1.1第一代和第二代压缩技术9.1.2多尺度方向分析技术9.2SAR图像压缩中的典型特征9.2.1纹理特征9.2.2变换域系数统计特征9.3SAR图像Non-SWMDA压缩方法9.3.1不可分离小波的提升实现9.3.2基于块分割的二叉树编码方案设计9.4SAR图像压缩效果评价9.4.1保真度准则9.4.2特征衡量标准

绝对是好东西啊！基于极大似然估计的三维定位算法，输入参考点的坐标以及观察点的距离，通过极大似然估计算法计算出观察点的坐标，附送支持矩阵运算的C++类库！

哈工大研究生课程讲义高斯分布参数的极大似然估计，EM算法

陈希孺院士的经典书籍。
《广义线性模型的拟似然法(陈希孺文集)》是一本广义线性模型理论的入门用书，内容除了广义线性模型的建模方法外，主要是关于广义线性模型的几种基本统计推断形式（极大似然估计、假设检验和拟似然估计）的大样本理论，最后一章讲述了广义线性模型的模型选择和诊断。
引言1第1章建模问题51.1一维广义线性回归61.2多维广义线性回归18第2章广义线性回归极大似然估计的大样本理论432.1向量函数导数442.2自然联系492.3非自然联系752.4拟似然估计100第3章GLM参数的假设检验1313.1Wald检验1323.2约束检验1353.3似然比检验139第4章模型的选择与诊断1434.1p值或拟合优度1444.2模型选择1524.3诊断问题

陈希孺院士的经典书籍。
《高等数理统计学》的定位是“基于测度论的数理统计学基础教科书”，内容除预备知识外，主要是关于几种基本统计推断方式（点估计、区间估计、似设检验）的大小样本理论和方法，另有一章讲述线性模型的初步理论。
《高等数理统计学》的最大特色是习题及其提示的安排，占了近半的篇幅，其中除少量选摘自有关著作外，大半属作者自创，有很高的参考学习价值。
《高等数理统计学》可作为高等学校数理统计专业的教材，也可供相关专业人员作为参考用书。
总序序第1章预备知识1．1样本空间与样本分布族1．2统计决策理论的基本概念1．3统计量1．4统计量的充分性附录因子分解定理的证明第2章无偏估计与同变估计2．1风险一致最小的无偏估计2．2cramer-Rao不等式2．3估计的容许性2．4同变估计附录第3章Bayes估计与Minimax估计3．1Bayes估计——统计决策的观点3．2Bayes估计——统计推断的观点3．3Minimax估计第4章大样本估计4．1相合性4．2渐近正态性4．3极大似然估计4．4次序统计量第5章假设检验的优化理论5．1基本概念5．2一致最优检验5．3无偏检验5．4不变检验第6章大样本检验6．1似然比检验6．2拟合优度检验6．3条件检验、置换检验与秩检验第7章区间估计7．1求区间估计的方法7．2区间估计的优良性7．3容忍区间与容忍限7．4区间估计的其他方法和理论第8章线性统计模型8．1最小二乘估计8．2检验与区间估计8．3方差分析和协方差分析附录矩阵的广义逆习题

包括神经网络，模糊识别，优化算法，极大似然估计，最小二乘等，理论与实践并重。

核估计方法与EM算法课件，极大似然估计是参数估计的重要方法，但极大似然估计不易求解。
课件引见一种重要的算法-EM算法。
并详细解释EM算法并附有R语言代码。

朴素贝叶斯估计朴素贝叶斯是基于贝叶斯定理与特征条件独立分布假设的分类方法。
首先根据特征条件独立的假设学习输入/输出的联合概率分布，然后基于此模型，对给定的输入x，利用贝叶斯定理求出后验概率最大的输出y。
具体的，根据训练数据集，学习先验概率的极大似然估计分布以及条件概率为Xl表示第l个特征，由于特征条件独立的假设，可得条件概率的极大似然估计为根据贝叶斯定理则由上式可以得到条件概率P(Y=ck|X=x)。
贝叶斯估计用极大似然估计可能会出现所估计的概率为0的情况。
后影响到后验概率结果的计算，使分类产生偏差。
采用如下方法处理。
条件概率的贝叶斯改为

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。