参数估计与反演

递推最小二乘实现参数估计，对不确定的系统有良好的参数估计效果。

关于EM算法的介绍以及用它来对隐马尔科夫模型（HMM）的参数估计

optics算法matlab代码

介绍最小二乘法参数估计，计算系统参数模型的方法和原理，以及推导过程

实现对符合广义高斯分布样本的广义高斯参数的估计，利用Newton–Raphson迭代方法实现参数的数值解。

贝叶斯估计BayesEstimation是一种高效的参数估计方法，使用该方法可以更准确地估计后验概率。该方法包含实例代码和详尽的贝叶斯估计函数参考书籍：统计学习方法。在使用方法时，需要输入训练数据集X

在统计学中，估计量的相合性是指随着样本容量的增大，估计量会越来越接近被估计参数的真实值。 对于服从多元正态分布的总体，我们关心的参数通常是均值向量 和协方差矩阵 。如果 和 分别是 和 的

高斯混合模型是有效的描述数据集合分布的手段，高斯混合模型中各个单高斯模型的均值、方差和权重的估计，实际上是样本空间下的参数估计问题。参数估计的方法有很多，相比较而言，EM算法是MLE（Maximum

该文件利用EM算法实现了对高斯混合模型的最大似然参数估计，有文档说明。

很不错的AR模型参数估计和阶数估计，是基于Burg法的，阶数的准则可以自己选择，有'FPE', 'AIC', 'MDL', 'CAT'，还有功率谱估计