搜索资源列表
-
0下载：
本程序已被本人整理到WORD文档中，编程语言为MATLAB，本文设计的滤波器采用傅里叶级数展开法。模拟的杂波的功率谱密度采用BVURG法，概率密度函数的估计采用直方图估计法，设计参数皆在文档中表明。此程序已经验证是正确可执行的，并能生成图形，值得下载！-This program has been organized into WORD document I, the programming language MATLAB, the filter designed in this paper Fo
-
-
0下载：
hurst指数
This the source code associated with the web page
http://www.bearcave.com/misl _tech/wavelets/hurst/index.html
There are the following sub-directories in this directory:
hurst
This is the "main" directory, which contains
-
-
0下载：
自适应核密度估计运动检测方法 提出一种自适应的核密度(kernel density estimation, KDE)估计运动检测算法. 算法首先提出一种自适应前景、背景阈值的双阈值选择方法, 用于像素素分类. 该方法用双阈值能克服用单阈值分类存在的不足, 阈值的选择能自适应进行, 且能适应不同的场景. 在此基础上, 本文提出了基于概率的背景更新模型, 按照像素的概率来更新背景, 并利用帧间差分背景模
-Adaptive kernel density estimation motion det
-
-
1下载：
基于高斯线性的概率密度函数滤波估计，以此为蓝本有很多改进或类似的算法，比如CDKF-PHD等-Based on Gaussian probability density function of the linear filter estimation, there are a lot of improvements as a blueprint or similar algorithms, such CDKF-PHD, etc.
-
-
0下载：
基于k近邻估计法的非参数概率密度估计论文及源代码的如何实现-K-nearest neighbor nonparametric probability density estimation method based on the estimated
-
-
0下载：
核函数估计(一元，高斯核函数)，包括带宽优化-kernel density estimation (KDE) is a non-parametric way to estimate the probability density function of a random variable.
-
-
0下载：
要对单变量正态分布以及分类分布两种概率分布 模型，分别采用最大似然（ML），最大后验（MAP）以及贝叶斯估计（Bayes）的 方法进行概率密度估计。 -In this paper, the maximum likelihood (ML), maximum a posteriori (MAP) and Bayesian estimation (Bayes) methods are used to estimate the probability density of two kinds of pr
-
-
0下载：
常用的盲分离算法有二阶统计量方法、高阶累积量方法、信息最大化（
Infomax
）以及独
立成分分析（
ICA
）等。这些方法取得最佳性能的条件总是与源信号的概率密度函数假设有关，
一旦假设的概率密度与实际信号的密度函数相差甚远，分离性能将大大降低。本文提出采用
核函数密度估计的方法进行任意信号源的盲分离，并通过典型算例与几种盲分离算法进行了
性能比较，验证了方法的可行性。(The commonly used blind separation algorithms include
-
-
0下载：
本实验的目的是学习Parzen窗估计和k最近邻估计方法。在之前的模式识别研究中，我们假设概率密度函数的参数形式已知，即判别函数J(.)的参数是已知的。本节使用非参数化的方法来处理任意形式的概率分布而不必事先考虑概率密度的参数形式。在模式识别中有躲在令人感兴趣的非参数化方法，Parzen窗估计和k最近邻估计就是两种经典的估计法。(The purpose of this experiment is to study the Parzen window estimation and the k nea
-
