1) optimal Bayesian estimation
最优贝叶斯估计
1.
Based on study to the principle of discrete system\'s optimal Bayesian estimation,and according to different approximation techniques of posterior density,the authors categorize these approximation approaches into three types: function approximation,sampling-based approximation,and Gaussian sum approximation.
从离散系统的最优贝叶斯估计原理出发,根据对后验密度近似计算方法不同,将近似方法分为3类:函数近似方法、采样近似法和高斯和近似法。
2) Bayesian least squares estimate
贝叶斯最小均方估计
3) Bayesian least squares estimator
贝叶斯最小平方估计
4) Bayesian least squares(BLS)estimator
贝叶斯最小平方(BLS)估计
5) bayes estimation
贝叶斯估计
1.
A Stochastic Temporal Reasoning Method Based on Bayes Estimation in Situation Assessment;
态势估计中一种基于贝叶斯估计的统计时间推理方法
2.
Denoising method based on GHM multiwavelets and Bayes estimation;
基于GHM多小波和贝叶斯估计的图像去噪算法
3.
Based on the prior distribution of MTBF and MTTR, using the Bayes formula to acquire their posterior distribution, consequent, the value of MTBF and MTTR is acquired by Bayes estimation, and it is more actual in the field.
在计算网络的有效性时,MTBF和MTTR值是非常重要的参数,针对目前MTBF和MTTR的值主要是由设备厂商提供的,并且获得这些参数时有一定的困难,提出应用贝叶斯估计对网络部件的MTBF和MTTR进行求解,依据MTBF和MTTR的先验分布,利用贝叶斯公式求出它们的后验分布,然后利用贝叶斯估计得到MTBF和MTTR的估计值,在现场运用中更加实际。
6) Bayesian estimation
贝叶斯估计
1.
Adaptive SAR image filtering based on wavelets and Bayesian estimation;
基于贝叶斯估计的非平稳SAR图像自适应小波滤波
2.
Algorithm for probabilistic link selection in wireless sensor networks using Bayesian estimation
基于贝叶斯估计的无线传感器网络链路选择算法
3.
Stationary wavelet denoising based on bayesian estimation
基于贝叶斯估计的平稳小波去噪
补充资料：广义最小二乘估计
用迭代的松弛算法对线性最小二乘估计的一种改进。线性最小二乘估计在模型误差为相关噪声时是有偏估计，即其估计值存在偏差。这时采用广义最小二乘估计能获得较精确的结果。
假设所讨论的单输入单输出系统的差分方程模型是
式中{uk}和{yk}分别是输入和输出序列：和是算子多项式,它们的系数是需要通过估计来求出的未知数;z-1是单位延迟算子；{ek}是误差序列，它是零均值平稳相关噪声序列。为了进行广义最小二乘估计可以从形式上把ek变换成，这里，它的系数也是未知的。如果{ek}具有有理谱密度,则可把{εk}当作白噪声序列来处理。这样就把系统模型变成
相应的估计准则是
广义最小二乘估计就是使估计准则J为极小的参数估计。多项式A(z-1)、B(z-1)和C(z-1)的系数都是未知的,所以不能用一个线性算法获得广义最小二乘估计。
广义最小二乘估计采用迭代的松弛算法：先行固定C(z-1)，估计A(z-1)和B(z-1),使J 趋于极小；然后固定A(z-1)和B(z-1),估计C(z-1),使 J 趋于极小。如此反复迭代，直至估计值收敛。这时每步只进行简单的线性最小二乘估计运算，迭代的初值取扗(z-1)=1。
广义最小二乘估计算法的估计精度高，已得到应用并获得不少成果。它的缺点在于：当信噪比较小时,J可能有多个局部极小点，估计结果不能保证收敛到全局最小点，即参数真值；它的计算量也比线性最小二乘估计增加很多。
这种算法也可推广到多输入多输出系统，并且有相应的近似递推估计算法。当误差{ek}为正态噪声序列时，这种算法还可以解释为极大似然估计的松弛算法。
参考书目
G.G.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，Dynamic System Identification：Experiment Design and Data Analysis, Academic Press, New York,1977.)
假设所讨论的单输入单输出系统的差分方程模型是
式中{uk}和{yk}分别是输入和输出序列：和是算子多项式,它们的系数是需要通过估计来求出的未知数;z-1是单位延迟算子；{ek}是误差序列，它是零均值平稳相关噪声序列。为了进行广义最小二乘估计可以从形式上把ek变换成，这里，它的系数也是未知的。如果{ek}具有有理谱密度,则可把{εk}当作白噪声序列来处理。这样就把系统模型变成
相应的估计准则是
广义最小二乘估计就是使估计准则J为极小的参数估计。多项式A(z-1)、B(z-1)和C(z-1)的系数都是未知的,所以不能用一个线性算法获得广义最小二乘估计。
广义最小二乘估计采用迭代的松弛算法：先行固定C(z-1)，估计A(z-1)和B(z-1),使J 趋于极小；然后固定A(z-1)和B(z-1),估计C(z-1),使 J 趋于极小。如此反复迭代，直至估计值收敛。这时每步只进行简单的线性最小二乘估计运算，迭代的初值取扗(z-1)=1。
广义最小二乘估计算法的估计精度高，已得到应用并获得不少成果。它的缺点在于：当信噪比较小时,J可能有多个局部极小点，估计结果不能保证收敛到全局最小点，即参数真值；它的计算量也比线性最小二乘估计增加很多。
这种算法也可推广到多输入多输出系统，并且有相应的近似递推估计算法。当误差{ek}为正态噪声序列时，这种算法还可以解释为极大似然估计的松弛算法。
参考书目
G.G.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，Dynamic System Identification：Experiment Design and Data Analysis, Academic Press, New York,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