1) bias-allowable estimation
容偏估计
1.
By assuming that the intensity and duration of the target maneuver are finite,we introduce the idea of bias-allowable estimation.
在假定目标的机动时间与强度均有限时,提出了容偏估计的思想,将稳态误差系数约束连同区域极点、估计误差方差上界指标一起构成估计系统的约束指标集,寻求使得稳态误差系数尽可能小的滤波器,以使得对机动目标跟踪的系统偏差尽可能小。
2) admissible linear unbiased estimate class
可容许线性无偏估计类
1.
So the admissible linear unbiased estimate class of Sβ is given.
对(y,Xβ,k∑i=1iθVi),Vi>0,i=1,2,…,k,首先给出了Sβ的线性无偏估计ΨT不可容许的充要条件,然后得出了Sβ的线性无偏估计ΨT可容许的充要条件,从而,在此基础上给出了Sβ的可容许线性无偏估计类。
3) unbiased estimation
无偏估计
1.
[Results] The values monitored were of logarithmic normal distribution; unbiased estimations of mean and standard deviation of MLE were 34.
[结果]该现场劳动卫生测定资料服从对数正态分布;MLE均值和标准差无偏估计分别为3 4。
2.
By using the theory of judgement as a starting point the condition of unbiased estimation was offered so as to obtain the unbiased estimation of the parameter when loss was strictly convex .
本文主要从判决理论的观点出发，给出使用无偏估计的条件，求参数的无偏估计，在损失为严凸的情况下，先找一个完全统计量，再找任一无偏估计＾ｇ（ Ｘ） ，计算条件期望 Ｅ（＾ｇ｜ Ｔ） 即可。
3.
Unbiased estimation performance for finite snapshots is discussed in this paper.
关于累量域估计的研究以前主要着重于渐进性能的研究,包括渐近无偏估计及渐近方差。
4) biased estimation
有偏估计
1.
Study on the Restricted Biased Estimation in the Linear Model;
线性模型中的约束型有偏估计的研究
2.
iscusses the problem of linear biased estimation of the parent mean.
本文讨论母体均值的线性有偏估计问题，给出了在均方误差意义下线性有偏估计优于样本均值的充要条件。
3.
To linear regression models Y=Xβ+ε,E(ε)=0,Cov(ε)=σ2V,V>0,the necessary and sufficient condition that biased estimation β*h=(XTV-1X+hI)-1(XTV-1Y+β*) is an admissible estimation is obtained and β*h condition that is superior to ridge estimation is also given.
对于线性回归模型Y=Xβ+,εE(ε)=0,Cov(ε)=σ2V,V>0,给出了回归系数的有偏估计βh*=(XTV-1X+hI)-1(XTV-1Y+β*)(h>0)优于岭估计的条件以及在二次损失下可容许的充要条件。
5) bias estimation
偏差估计
1.
Research on joint data association and bias estimation method in radar networks;
雷达组网中联合数据关联与偏差估计方法研究
2.
Taking Earth Centered Earth Fixed(ECEF) coordinate as common grid,this paper discusses bias estimation in 3-D sensor network according to the superposition of the same target in different sensors,the linearized measurement equation of range,range gain,azimuth and elevation deviation of each sensor can be derived via the first order Taylor series expansion.
采用地心地固坐标系作为统一坐标系,研究了3-D传感器组网中的偏差估计问题,根据同一目标位置在各个传感器探测中的迭合条件,运用一阶泰勒展式推导出各个传感器的距离、距离增益、方位角、仰角偏差的线性化公式,利用最小二乘法在线估计出各个偏差量,并实时进行修正,仿真结果验证上述方法的有效性。
6) frequency offset estimation
频偏估计
1.
A Low-Complexity Blind Carrier Frequency Offset Estimation with Virtual Subcarriers for MIMO-OFDM Systems;
MIMO-OFDM系统中基于虚子载波的低复杂度盲频偏估计
2.
Heter-cycle abutted cyclic prefix based OFDM frequency offset estimation;
一种基于双周期结构的OFDM频偏估计方法
3.
ESPRIT based frequency offset estimation for interleaved OFDMA uplink systems;
基于ESPRIT算法的子载波交织型OFDMA上行链路频偏估计
补充资料：线性最小二乘估计
以误差的平方和最小为准则根据观测数据估计线性模型中未知参数的一种基本参数估计方法。1794年德国数学家C.F.高斯在解决行星轨道预测问题时首先提出最小二乘法。它的基本思路是选择估计量使模型（包括静态或动态的，线性或非线性的）输出与实测输出之差的平方和达到最小。这种求误差平方和的方式可以避免正负误差相抵，而且便于数学处理（例如用误差的绝对值就不便于处理）。线性最小二乘法是应用最广泛的参数估计方法，它在理论研究和工程应用中都具有重要的作用，同时它又是许多其他更复杂方法的基础。线性最小二乘法是最小二乘法最简单的一种情况，即模型对所考察的参数是线性的。线性动态模型为
yk＝xθ＋εk式中数据向量xk＝[yk-1，yk-2,...,yk-n，uk-1，uk-2,...，uk-n]T；参数向量θ＝[-a1,-a2,...,-an，b1,b2,...,bn]T；εk为误差；n为模型阶数；N为数据长度（N≥2n）。
选择估计准则
使J为最小的参数估计，称为模型的线性最小二乘估计，用符号孌LS表示。可以得出
孌LS＝(XTX)-1XTY式中矩阵XT＝[xn+1，xn+2,...,xnn+N]；向量Y＝[yn+1，yn+2，...,ynn+N]T。
孌LS是数据的线性函数，因此称为线性最小二乘估计。它的突出优点是：对于任何一组数据，只要孌LS存在，不要求了解误差序列{εk}的统计特性，便能按照J求出孌LS；算法很简单。
孌LS存在的条件是矩阵(XTX)满秩,这要求{uk}为n阶持续激励输入。
当误差序列{εk}是零均值的白噪声,并对输入、输出功率加以适当的限制时，孌LS是渐近无偏的强一致性估计,即当N →∞时,。但是对于有限的数据,上述结论不能成立,而且通常误差{εk}也不是白噪声,故一般情况下孌LS是有偏估计，这是它的缺点。为了克服这个缺点，可以采用其他改进的估计算法，例如广义最小二乘估计、辅助变量估计和极大似然估计等。
上述单输入单输出系统的线性最小二乘估计算法还可推广到多输入多输出系统，并且有相应的递推估计算法。
参考书目
G.C.哥德温、R.L.潘恩著，张永光、袁震东译：《动态系统辨识：试验设计与数据分析》，科学出版社，北京，1983。(G.C.Goodwin and R.L. Payne，DynamicSystem Identification: Experi-ment Design and Data Analysis, Academic Press, NewYork,1977.)
yk＝xθ＋εk式中数据向量xk＝[yk-1，yk-2,...,yk-n，uk-1，uk-2,...，uk-n]T；参数向量θ＝[-a1,-a2,...,-an，b1,b2,...,bn]T；εk为误差；n为模型阶数；N为数据长度（N≥2n）。
选择估计准则
使J为最小的参数估计，称为模型的线性最小二乘估计，用符号孌LS表示。可以得出
孌LS＝(XTX)-1XTY式中矩阵XT＝[xn+1，xn+2,...,xnn+N]；向量Y＝[yn+1，yn+2，...,ynn+N]T。
孌LS是数据的线性函数，因此称为线性最小二乘估计。它的突出优点是：对于任何一组数据，只要孌LS存在，不要求了解误差序列{εk}的统计特性，便能按照J求出孌LS；算法很简单。
孌LS存在的条件是矩阵(XTX)满秩,这要求{uk}为n阶持续激励输入。
当误差序列{εk}是零均值的白噪声,并对输入、输出功率加以适当的限制时，孌LS是渐近无偏的强一致性估计,即当N →∞时,。但是对于有限的数据,上述结论不能成立,而且通常误差{εk}也不是白噪声,故一般情况下孌LS是有偏估计，这是它的缺点。为了克服这个缺点，可以采用其他改进的估计算法，例如广义最小二乘估计、辅助变量估计和极大似然估计等。
上述单输入单输出系统的线性最小二乘估计算法还可推广到多输入多输出系统，并且有相应的递推估计算法。
参考书目
G.C.哥德温、R.L.潘恩著，张永光、袁震东译：《动态系统辨识：试验设计与数据分析》，科学出版社，北京，1983。(G.C.Goodwin and R.L. Payne，DynamicSystem Identification: Experi-ment Design and Data Analysis, Academic Press, NewYork,1977.)
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