1) mixing matrix estimation
混合矩阵估计
1.
This paper proposes a new method based on mixing matrix estimation for underdetermined blind speech separation, aiming at speech signals under weak sparseness.
针对语音信号的弱稀疏性,提出一种新的基于混合矩阵估计的欠定语音盲分离方法。
2.
A new sparseness-based method was proposed for mixing matrix estimation,in the case of poor sparseness of speech signals with increasing number of sources.
针对源信号增多导致语音信号稀疏性变差的问题,提出一种新的基于稀疏性的混合矩阵估计方法,利用主分量分析(PCA)检测只有一个源信号存在的时频点并用于估计混合矩阵,从而提高了估计性能,特别适用于欠定语音盲分离。
2) matrix estimation
矩阵估计
1.
Based on generalized least square (GLS) model, a dynamic origindestination (OD) matrix estimation algorithm with sliding window is established.
基于广义最小二乘模型建立了一种带滑动窗的动态起点 迄点(OD)矩阵估计算法,可通过对路段交通量和行程时间的检测来估计时变的OD数据。
3) Matrix of estimator
估计矩阵
4) mixing matrix
混合矩阵
1.
Based on the independency of source signals,an algorithm to estimate the mixing matrix with the mixed signals and the separated signals is proposed,in which one operation of inverse matrix is omitted.
利用源信号的统计独立性提出了一种由混合信号和分离信号估计混合矩阵的算法,避免了一次矩阵求逆运算。
2.
With the basic theory of Neutrino Oscillation in adiabatic approximation, we deduced the eigenvalue of mass squire matrix M 2, the mixing matrix of Neutrino, the probability of Neutrino Oscillation in matter.
应用微子振荡的基本理论，推导出绝热近似下在物质中三代中微子的质量平方矩阵Ｍ２ 的本征值，物质中的中微子混合矩阵，物质中的中微子振荡几率。
5) OD matrix estimation
OD矩阵估计
1.
OD matrix estimation model based on the second order statistics of road flow was given based on the traditional OD matrix estimation model.
在构建OD矩阵模型时,充分考虑路网中一定连续期内各路段流量的二阶统计量和出行者路径选择的随机性,提出了一种基于路段流量二阶统计量的OD矩阵估计模型,解决了观测路段的相关性和OD矩阵估计求解的不确定性问题。
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。
参考词条