1) entropy spectral estimation
熵谱估计
1.
Based on linear prediction theory, an optimal method for reflection coefficient estimation is proposed and simultaneously the performance of the algorithm is also analyzed by adopting entropy spectral estimation.
基于观测数据特征结构的考虑,在针对性分析传统参数谱估计方法的基础上结合线性预测理论提出了参数模型反射系数估计的优化方法,以熵谱估计的形式对算法作了进一步研究,并通过仿真实验验证了优化算法的改善性能及工程可实现性。
2) maximum entropy spectrum estimation
最大熵谱估计
1.
It has been found, traditional spectrum estimation way is useless in insect’s song, but the method of maximum entropy spectrum estimation based on Burg has the advantage of high disti.
采用最大熵谱估计法处理昆虫鸣声信号获取昆虫鸣声特征参数,并采用Burg算法实现信号处理。
2.
The maximum entropy spectrum estimation method is used to analyze the spectrum of echoes,and then the center frequency of echo is calculated.
论述了最大熵谱估计的原理、方法及其在复合材料粘接质量超声检测中的应用。
3) Maximum Entropy Spectrum Estimation
极大熵谱估计
1.
Maximum Entropy Spectrum Estimation Applied to Analyze Harmonics of Power System;
用极大熵谱估计法进行电力谐波分析
4) maximum entropy spectral estimation
最大熵谱估计
1.
Compared with classical spectral estimation method,maximum entropy spectral estimation method has the ad- vantage of high resolution and is especially suitable for short time series.
最大熵谱估计方法和古典谱估计方法相比,具有分辨率高,特别适用于短时同序列等优点,近年来发展迅速。
2.
Aimed at the singularity that dynamic process simulation output for antitank missile systems is of the short sequences and low signal-to-noise ratio,the method of applying maximum entropy spectral estimation to verify the validity of simulation models for missile systems is presented in this paper.
针对反坦克导弹系统动态过程仿真的输出具有短时序、低信噪比的特点,研究了应用最大熵谱估计验证导弹系统仿真模型有效性的方法,并结合某型号反坦克导弹制导系统的仿真数据和理论计算数据给出了最大熵谱估计的应用结果。
3.
A method based on maximum entropy spectral estimation is introduced that is useful in validating simulation models for missile systems.
给出了基于最大熵谱估计的统计推断验模方法，该方法可以定量地给出导弹系统动态性能数据的真实谱密度的置信区间估计，据此能够对仿真模型有效地进行定量分析。
5) MESE
最大熵谱估计
1.
Analysis and Prediction of Short Time Series Based on MESE;
基于最大熵谱估计的短时间序列分析与预测方法的研究
2.
In order to improve the analysis precision and accuracy of the real-time non-stationary signal in the fault diagnosis of electromechanical device,the maximum entropy spectrum estimation(MESE) method is used to estimate the spectrum of the non-stationary signal.
采用基于最大熵谱估计(MESE)的方法对机电设备故障诊断中的实时工程非平稳信号进行频谱估计,以期进一步提高其分析精度和准确性,并与传统的谱分析方法进行了对比。
3.
The wavelet signal reconstruction and MESE are used in the fault diagnosis of the mine hoister.
利用小波信号重构与最大熵谱估计对矿井提升机进行了故障诊断,结果表明,基于小波信号重构和最大熵谱估计的故障诊断方法具有较高的故障分辨率,能够在频域上更加合理地判断故障信号,从而正确地判断矿井提升机减速箱的早期故障。
6) maximum entropy estimation
最大熵谱估计
1.
Based on modern spectral estimation, the principle of maximum entropy estimation is discussed.
以现代谱估计为基础,详细论述了最大熵谱估计的基本原理。
2.
That is to say,it can satisfy the four approximate equivalent conditions for maximum entropy estimation simultaneously.
提出了一种基于递推算法的严格最大熵谱估计方法,所获得的AR模型系数的估值,使反映前、后向预测误差的能量以及前、后向预测误差与信号之间的正交关系的一个综合目标函数极小化,即可以同时满足最大熵谱估计的4个近似等价条件。
补充资料：极大熵谱估计
估计平稳随机过程功率谱密度的方法，这种方法在外推时能使自相关函数在未知点的取值具有最大统计自由度。J.P.伯格于1967年首先提出这种方法并把它称为极大熵谱估计。极大熵谱估计最初应用于地球物理学领域地震记录数据的分析，后来在雷达、声纳、图像处理、语言分析以及生物医学等领域都有广泛的应用。
在统计学中，熵是对各种随机试验不确定程度的一种度量。概率分布的熵越大、试验的可能结果越不确定。伯格的思想是要在外推相关函数的每一步，都既能保证相关函数的已知部分不变，又能在新增加外推值之后使概率分布具有最大的熵；也就是在每步外推时不对未知点处自相关函数取值施加任何限制（即其取值具有最大统计自由度，不对它强加任何条件）。极大熵谱估计的这种特点能克服传统的功率谱估计方法分辨率不高的弱点。在理论上，过程的功率谱是自相关函数的傅里叶变换。传统的功率谱估计方法是将样本自相关函数乘以某种窗函数(即对自相关函数加权)，然后再作傅里叶变换。窗函数可以增加谱估计的稳定性并减少谱的泄漏，但窗函数会限制谱的分辨力。传统方法存在的问题实际上是由于它把没有观测到的数据（或其自相关函数）都看作为零，同时对已知部分的信息加以人为修改（加权）而引起的。而极大熵谱估计对已知的最大迟延以外的自相关函数进行合理的外推，因而能提高所求功率谱的分辨力，特别是在已知数据量较少时，其效果比传统方法更优。
假设一个平稳正态过程自相关函数的前N+1个迟延点的值r(0)，r(1)，...，r(N)已确知,需要求r(N+1)的值。以r(0)，r(1)，...,r(N+1)作为相关函数，则对应的N+2维正态分布的熵为
其中R(N+1)为相关阵：
因此使熵为最大就相当于使行列式 det[R(N+1)]为最大。可以使det[R(N+1)]对r(N+1)的偏导数为零,求出r(N+1)。将得到的r(N+1)代入R(N+2),同理可根据使det[R(N+2)]为最大的条件求出r(N+2)。再把求到的r(N+1)和r(N+2)代入R(N+3)中的相应元素,对det[R(N+3)]求极大可得到r(N+3)，依此类推。
与这种方法得到的自相关函数所对应的功率谱为
式中i=刧,Δt是x(t)的采样间隔,ω为频率,M+1为递推次数，而A屌(a0,...,aM)T中各元素可由R(M)A＝(1,0,...,0)T 求得，T表示转置。
实际计算时，由于只掌握x(t)的有限记录而无法得知自相关函数的精确值，因此只能用它的估计值替代。伯格在求取r和A（参数向量）的估值方面还提出一种递推算法，它可以避免矩阵求逆，充分利用数据所提供的信息，而且递推过程每步所对应的行列式detR都是非负定的。后来又有其他学者提出新的算法，克服伯格算法中的缺点（如所谓谱线分裂和谱峰漂移），但算法的变化并不改变极大熵的原则。
在统计学中，熵是对各种随机试验不确定程度的一种度量。概率分布的熵越大、试验的可能结果越不确定。伯格的思想是要在外推相关函数的每一步，都既能保证相关函数的已知部分不变，又能在新增加外推值之后使概率分布具有最大的熵；也就是在每步外推时不对未知点处自相关函数取值施加任何限制（即其取值具有最大统计自由度，不对它强加任何条件）。极大熵谱估计的这种特点能克服传统的功率谱估计方法分辨率不高的弱点。在理论上，过程的功率谱是自相关函数的傅里叶变换。传统的功率谱估计方法是将样本自相关函数乘以某种窗函数(即对自相关函数加权)，然后再作傅里叶变换。窗函数可以增加谱估计的稳定性并减少谱的泄漏，但窗函数会限制谱的分辨力。传统方法存在的问题实际上是由于它把没有观测到的数据（或其自相关函数）都看作为零，同时对已知部分的信息加以人为修改（加权）而引起的。而极大熵谱估计对已知的最大迟延以外的自相关函数进行合理的外推，因而能提高所求功率谱的分辨力，特别是在已知数据量较少时，其效果比传统方法更优。
假设一个平稳正态过程自相关函数的前N+1个迟延点的值r(0)，r(1)，...，r(N)已确知,需要求r(N+1)的值。以r(0)，r(1)，...,r(N+1)作为相关函数，则对应的N+2维正态分布的熵为
其中R(N+1)为相关阵：
因此使熵为最大就相当于使行列式 det[R(N+1)]为最大。可以使det[R(N+1)]对r(N+1)的偏导数为零,求出r(N+1)。将得到的r(N+1)代入R(N+2),同理可根据使det[R(N+2)]为最大的条件求出r(N+2)。再把求到的r(N+1)和r(N+2)代入R(N+3)中的相应元素,对det[R(N+3)]求极大可得到r(N+3)，依此类推。
与这种方法得到的自相关函数所对应的功率谱为
式中i=刧,Δt是x(t)的采样间隔,ω为频率,M+1为递推次数，而A屌(a0,...,aM)T中各元素可由R(M)A＝(1,0,...,0)T 求得，T表示转置。
实际计算时，由于只掌握x(t)的有限记录而无法得知自相关函数的精确值，因此只能用它的估计值替代。伯格在求取r和A（参数向量）的估值方面还提出一种递推算法，它可以避免矩阵求逆，充分利用数据所提供的信息，而且递推过程每步所对应的行列式detR都是非负定的。后来又有其他学者提出新的算法，克服伯格算法中的缺点（如所谓谱线分裂和谱峰漂移），但算法的变化并不改变极大熵的原则。
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