1) M Estimator
M 估计
1.
Strong Consistency of M Estimator in Linear Model;
本文研究线性模型中回归参数 M 估计的强相合性,与专著[1]中相应结论比较,我们给出了一个较弱的充分条件,将有界性条件推广到无界情形。
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-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
4) M estimation
M估计
5) 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.
The weak consistences of M-estimation on partial linear models are studied in this paper.
为得到部分线性模型中未知函数和未知系数的稳健估计,讨论了部分线性模型的M估计,用局部线性方法给出常系数的初估计,再用平均方法给出常系数的M估计,用两步方法给出函数系数的M估计,并进一步证明了未知函数和参数估计的弱一致性。
6) 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。
参考词条
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。