1) kernel probability density estimation
核概率密度估计
1.
Second,1D texture model of the original ASM is extended to 2D texture model which is based on the kernel probability density estimation model.
其一,首先用Adaboost方法在图像中检测到人脸区域,然后在人脸区域中检测到瞳孔的位置,为ASM中的点分布模型粗略地定位好初始位置;其二,将原始ASM方法中的关键点的1D纹理模型改进为基于核概率密度估计模型的2D纹理模型。
2) probability density estimation
概率密度估计
1.
Research of multi-class Bayesian algorithm based on one-class SVM probability density estimation;
基于一类SVM概率密度估计的多分类贝叶斯算法研究
2.
The MPNN is a three-layer network: the first layer consists of invariable sample set,dynamic signal is moved into the second layer,and condition probability density estimation of sample set is the output of the third layer.
针对机电设备早期故障难以识别的问题,提出了一种动态的概率密度估计方法———滑动概率神经网络,用以跟踪分析测量信号的概率密度变化过程,及时发现早期故障。
3.
Then,probability density estimation algorithm is used to estimate distribution functions of these features.
针对MASK、MFSK和MPSK调制,选取截获接收机输出信号的瞬时幅度、时频脊线和差分基带信号作为分类特征,利用概率密度估计算法求取分类特征的分布函数,通过构造支持矢量机分类器确定分布函数的峰值个数,从而在多种噪声背景下实现了信号调制类型的自动分类。
4) density estimation
概率密度估计
1.
A new method for density estimation was developed based on the Support Vector Machine(SVM).
介绍了基于支持向量机的概率密度估计。
2.
the image pixel density estimation.
该方法将图像视作像素点在图像平面和颜色空间的混合空间中的分布,并利用高维线性滤波器对图像进行分析,即进行像素点的概率密度估计。
6) wavelet probability density estimation
小波概率密度函数估计
1.
An algorithm for blind source separation based on wavelet probability density estimation;
基于小波概率密度函数估计的盲信号分离算法
补充资料：功率谱密度估计
随机信号的功率谱密度用来描述信号的能量特征随频率的变化关系。功率谱密度简称为功率谱，是自相关函数的傅里叶变换。对功率谱密度的估计又称功率谱估计。平稳随机信号x(t)的（自）功率谱Sxx(ω)定义为
(1)
式中rxx(τ)为平稳随机信号的自相关函数。
对于离散情况，功率谱表示为
(2)
式中T为离散随机信号的抽样间隔时间。
当利用随机信号的 N个抽样值来计算其自相关估值时，即可得到功率谱估计为
(3)
可见，随机信号的功率谱与自相关函数互为傅里叶变换的关系，这两个函数分别从频率域和时间域来表征随机信号的基本特征。按上式计算功率谱估值，其运算量往往很大，通常采用快速傅里叶变换算法，以减少运算次数。
计算信号功率谱的方法可以分为两类：一为线性估计方法，有自相关估计、自协方差法及周期图法等。另一类为非线性估计方法，有最大似然法、最大熵法等。线性估计方法是有偏的谱估计方法，谱分辨率随数据长度的增加而提高。非线性估计方法大多是无偏的谱估计方法，可以获得高的谱分辨率。
参考书目
何振亚：《数字信号处理的理论与应用》，人民邮电出版社，北京，1983。
A. V. Oppenheim, R. W. Schafer, Digital Signal Processing Prentice-Hall, Inc., Englewood Cliffs,New Jersey,1975.
(1)
式中rxx(τ)为平稳随机信号的自相关函数。
对于离散情况，功率谱表示为
(2)
式中T为离散随机信号的抽样间隔时间。
当利用随机信号的 N个抽样值来计算其自相关估值时，即可得到功率谱估计为
(3)
可见，随机信号的功率谱与自相关函数互为傅里叶变换的关系，这两个函数分别从频率域和时间域来表征随机信号的基本特征。按上式计算功率谱估值，其运算量往往很大，通常采用快速傅里叶变换算法，以减少运算次数。
计算信号功率谱的方法可以分为两类：一为线性估计方法，有自相关估计、自协方差法及周期图法等。另一类为非线性估计方法，有最大似然法、最大熵法等。线性估计方法是有偏的谱估计方法，谱分辨率随数据长度的增加而提高。非线性估计方法大多是无偏的谱估计方法，可以获得高的谱分辨率。
参考书目
何振亚：《数字信号处理的理论与应用》，人民邮电出版社，北京，1983。
A. V. Oppenheim, R. W. Schafer, Digital Signal Processing Prentice-Hall, Inc., Englewood Cliffs,New Jersey,1975.
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