1) M-estimate
M-估计
1.
The M-estimate of the local linear regression with variable bandwiths;
变窗宽局部线性回归中的M-估计
2.
A comparative study on M-estimate in the robust statistics and the anisotropic diffusion equation proposed by Perona and Malik is given in the paper.
通过比较研究Perona和Malik提出的各向异性扩散方程与稳健统计学中的M-估计,从理论上揭示了各向异性扩散的数学本质,可视为M-估计在图像处理领域的一种典型应用。
2) M-estimation
M-估计
1.
Although M-estimation as the object function can be used to solve the problem,its corresponding influence function is determined by the absolute value of gross error and it is a key problem to choose initial parameters.
虽然以M-估计作为目标函数可以解决这个问题,但由于其对应的影响函数由残差绝对值决定,因此如何选择初始参数值成为一个关键问题。
2.
This method is based on M-estimation.
针对存在粗差或异常数据点时,最小二乘定位方法会产生定位错误的情况,本文提出了基于M-估计的稳健标靶球定位方法。
3) M-estimator
M-估计
1.
Progressive Nature of a Repression Bootstrap M-Estimator in Nonlinear Models;
非线性回归自助M-估计的渐进性质
2.
M-estimator of Generalized Linear Model;
广义线性模型的M-估计
3.
The M-estimator combined with the Huber function is used to con-struct the weighting forgetting factor as a reci.
在迭代的每一步,均利用M-估计器和Huber函数相结合构造作为更新偏差函数的遗忘因子。
4) M-Estimate
M估计
1.
An Algorithm of Multi-Sensors Weighted Fusion Based on M-Estimate Applied in Single-Point Positioning;
基于M估计的多传感器加权融合法在单点定位中的应用
2.
Multi-Sensor Data Robust Weighted Fusion Algorithm Simulation Based on M-estimate;
基于M估计的多传感器数据稳健加权融合算法仿真
3.
M-estimate Based Kalman Filter with Immunity to Outliers;
基于M估计的抗野值卡尔曼滤波方法
5) M estimation
M估计
1.
For improving the accuracy, real-time property and reliability in GNSS real time single point navigation and positioning, three algorithms(Least squares estimation, M estimation and robust Kalman filter estimation) based on residual analysis for gross errors in real time observation were analyzed and compared.
在利用卫星导航定位系统进行单点导航定位时,为了进一步提高导航定位的精度、实时性和可靠性,针对实时观测信息中存在粗差问题,基于残差分析理论,比较分析了最小二乘法、M估计、抗差滤波估计方法在GNSS单点导航定位中参数估计问题。
6) M-estimation
M估计
1.
Research of Adaptively H_∞ Filter Based on M-estimation;
基于M估计的H_∞自适应滤波技术研究
2.
Parameter Identification Based on M-estimation and Iterative Algorithm in the Case of Non-Gaussian Noise;
非高斯噪声下系统参数M估计及其递推算法
3.
Application of M-estimation in medical images registration
M估计在医学图像配准中的应用
补充资料：Bayes估计量
Bayes估计量
Bayesian estimator
Bayes估计量【Bayesi助始廿ma.件;D自狱.。眨..界..] 用BayeS方法(Bayesian aPProach)由观察值对一未知参数所作的估计.统计问题使用这样的方法时，一般都假定未知参数所0 gR“是一具有给定先验分布7r=武do)的随机变量，决策空间D与集合0重合.且损失L(0，d)表示变量0与估计d的偏离.因此，函数L勿，d)通常假定为有形式L勿，d)=a(e)又(口一d)，其中又是误差向量0一d的某个非负函数，若k二1，则常取又勿一d)={0一d}“(“>0).最有用且在数学上最方便的是平方损失函数L(口，d)=}‘一d1’.对这一损失函数，Bayes估计量(Ba卿决策函教(Bavesian dedsion function))占’二亡厂(x)定义为使最小总损失 !;‘p‘二·“，一，‘薯必，“一”‘·’2’〕口‘么，叮‘““，达到的函数，或与之等价，了是使最小条件损失 ，母‘E{[口一占(x)]2+“)达到的函数，由此推出，在平方损失函数的场合，B竹es估计量与后验均值占‘(x)=E勿{x)相等，而Bayesj双险(Bayes risk)为 。‘二，占‘)二E!D矿夕}x)]‘此处O(0}劝是后验分布的方差: o(口{x)二任{{口一E(0{x)12!，、}. 例设二=(x，，，二，戈)，这里x，，，二，x。为具正态分布N勿，。’)的独立同分布变量，护己知，而未知参数0有正态分布N扭，铲).因为当x给定时口的后验分布为正态N(拜。，T:一、其中 n又。2一十“下一2 灿。二一—，，。一二n口‘一奋了一_ n口一汁~下且万=(x，十一+凡)/。，可知在平方损失函数{分一引’之下，Bayes估计量为占’(x)=线，而Bayes风险则为《二犷六伽铲十护).AH川畔即撰[补注]
说明：补充资料仅用于学习参考，请勿用于其它任何用途。
参考词条