导读:本文包含了最大非高斯估计论文开题报告文献综述及选题提纲参考文献，主要关键词:Class,A噪声,非高斯噪声,最大似然估计,快速傅里叶变换
最大非高斯估计论文文献综述
蒋宇中,应文威,刘月亮[1]（2013）在《非高斯噪声模型参数的最大似然快速估计》一文中研究指出研究了C1ass A统计物理模型,对该模型的参数估计提出了一种最大似然方法,利用FFT的优势降低运算量,通过对观测数据进行分类计算以保证精度要求,并设计了初始值估计方案.仿真实验表明,该方法精度高,迭代次数少,有较高的应用价值.(本文来源于《应用科学学报》期刊2013年02期）
王平波,蔡志明[2]（2009）在《非高斯AR序列参数的最大似然估计》一文中研究指出自回归模型参数的最小二乘估计应用于非高斯数据,有效性便不复存在,而充分利用了概率密度信息的最大似然估计却仍然是该问题的有效估计.使用混合高斯自回归模型描述该类估计问题之后,讨论了其克拉美-罗限,导出了非高斯自回归序列参数的最大似然估计,给出Newton-Raphson迭代解法,并且探讨了如何加快这一迭代算法的收敛和如何将估计算法应用于实际数据两个细节问题.最后给出一组仿真实例,对比检验了最大似然估计和最小二乘估计的效果.(本文来源于《武汉理工大学学报(交通科学与工程版)》期刊2009年03期）
王想,邓光明,蒋远营[3]（2009）在《零均值高斯AR(p)模型参数的最小化残差平方和(RSS)下条件最大似然估计及其最优性》一文中研究指出文章简捷地求取了零均值高斯模型参数的最小化残差平方和下的条件最大似然估计量,讨论了参数估计量的相合性、渐近正态性等最优性质。(本文来源于《统计与决策》期刊2009年06期）
李军侠,水鹏朗[4]（2007）在《基于广义高斯最大似然估计的小波域类LMMSE滤波算法》一文中研究指出基于小波系数服从广义高斯分布,该文采用最大似然(ML)准则估计普通图像在子带上的系数方差。该文提出的估计子是一个子带自适应因子和一个β次幂均值的乘积。与最近提出的SI-AdaptShr,LAWMAP和其它一些算法相比,所提出的算法取得了更好的去噪效果。进一步,一种简化的算法产生用于去除SAR图像的斑点噪声。这种新算法可以大大减少运算量,对大尺度的SAR图像后处理有帮助。(本文来源于《电子与信息学报》期刊2007年12期）
陈群[5]（2006）在《一类推广的Pickands型估计量的分布的渐近正态展开及非平稳弱相依高斯序列次最大值的位置和高度的联合分布》一文中研究指出本文主要由两部分构成,分别对一类推广的Pickands型估计量的分布的渐近正态展开及非平稳弱相依高斯序列次最大值的位置和高度的联合分布进行了探讨。 第一部分,Pickands于1975年提出了Pickands型估计量,1997年彭提出了一类推广的Pickands型估计量 其中k_i=k_i(n),i=1,2,3,4满足 X_1,X_2,……,X_n相互独立,有公共的分布函数F(x),X_(1,n)≤X_(2,n)≤……≤X_(n,n)是其顺序统计量,本文获得了在c>1/d的条件下P_(n(c,d))的分布的渐近正态展开。 第二部分,在条件下,得到了(3.1)中的非平稳弱相依高斯序列{η_i}的次最大值的位置和高度的联合极限分布。(本文来源于《西南大学》期刊2006-03-01）
王刚[6]（2005）在《基于最大非高斯估计的独立分量分析理论研究》一文中研究指出近几年来,独立分量分析(Independent Component Analysis, ICA)已经成为信号处理和神经网络等领域的研究热点。由于具有优异的盲辨识、特征提取和表示能力,ICA已经日益广泛的应用于远程通信、语音提取(盲辨识)、图像增强和生理信号处理等领域。和基于非线性去相关(Nonlinear Decorrelation)原理的最大似然估计(Maximum Likelihood Estimation, MLE)、最小互信息(Minimum Mutual Information, MMI)等的多元ICA估计不同,最大非高斯估计(Maximum Nongaussianity Estimation)是典型的一元目标函数方法。其思想是通过寻找观测信号的某种线性变换,使得输出信号的非高斯性极大,从而实现潜在独立分量的提取。和非线性去相关方法比较,最大非高斯估计的原理简单、实现灵活,其中基于负熵近似的快速不动点算法(FastICA)已经成为当前最为流行的ICA算法之一。本文重点研究最大非高斯估计的相关理论问题,包括估计的唯一性,算法的收敛性,独立性约束分析和非线性激活函数,独立分量的排序和子空间的选择,具有时间结构信息的信号源的估计等。论文的主要贡献在于以下几个方面:1.最大非高斯估计的唯一性估计的唯一性是最大非高斯估计的关键,是对应算法及其应用可行性的保证。最大非高斯估计的唯一性要求在满足ICA的基本约束条件下,目标函数的极大非高斯点和独立源之间存在一一对应关系。和基于启发性分析等传统方法和结论比较,文中引入了线性化可行方向(Linear Feasible Direction, LFD)等约束优化概念和理论,首次给出了基于峭度的最大非高斯估计的唯一性证明,指出最大非高斯估计是独立源提取的充分和必要条件。研究还表明,对于多元目标函数方法中提出的核心问题——一比特匹配(“one-bit-matching”)猜想,最大非高斯估计的唯一性结论提供了一种简单而有效的分析和证明方法。2. FastICA算法的全局收敛性在解析FastICA算法基本原理的基础上,给出了算法的全局收敛性分析。其中以二维系统为例,首先给出所有的平衡点,结合收敛域和平衡点的对应关系,指出在满足ICA模型的基本假设条件下,FastICA算法不存在对应独立分量之外的伪解。研究表明,这一结论还可以直接推广到高维系统。其次,考虑实际系统并不能够严格满足ICA模型的基本约束,结合仿真实验分析,指出收敛门限设置和独立性约束对估计结果的影响。3.参数自适应FastICA算法非线性激活函数(Nonlinear Activation Function)和独立性约束密切相关,是ICA估计的关键因素之一。最大似然估计等研究表明,最好的非线性激活函数是对应源信号概率密度函数的得分函数(Score Function)。在传统FastICA算法中,要求先根据存在的先验知识选定合适的非线性激活函数,而且对于所有的甚至包含不同类型的源信号,通常采用固定的同一激活函数。为此,(本文来源于《国防科学技术大学》期刊2005-10-01）
刘伯芹,马尽文[7]（2003）在《混合高斯模型的熵惩罚最大似然估计与自动模型选择》一文中研究指出有限高斯混合模型是一种重要的概率模型,并在聚类分析,模式识别和信号处理等方面有着广泛的应用。在高斯(即正态)分量个数K未知时,仅仅根据样本数据来确定K是一个非常困难的问题。这实际上是一个模型选择问题,直接影响着应用的效果。为了解决这一模型选择问题,本文在一维混合高斯模型下提出了基于熵惩罚最大似然估计的梯度算法。实验表明这种算法能够在参数估计过程中自动实现模型选择,使得多余高斯分量的混合比例系数衰减为零。(本文来源于《第十一届全国信号处理学术年会（CCSP-2003）论文集》期刊2003-08-01）
马继涌,高文[8]（1999）在《基于最大交叉熵估计高斯混合模型参数的方法》一文中研究指出传统的基于最大似然估计高斯混合模型参数的方法是一种无导师的学习方法．该方法的主要缺点是学习算法在估计一类模式模型中的参数时只利用了该类模式中的训练样本，而未考虑其他类训练样本分布的影响，因此，这种方法的识别效果往往不够理想．该文提出了利用最大交叉熵估计高斯混合模型参数的方法，这种方法考虑了不同类之间的样本区分性．同时，为了提高获得全局最优解的可能性，文章给出一种利用进化规划求解最优参数的算法，并将这种方法用于非限定文本的话者识别．实验表明，该方法比传统的参数估计方法识别效果要好(本文来源于《软件学报》期刊1999年09期）
最大非高斯估计论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
自回归模型参数的最小二乘估计应用于非高斯数据,有效性便不复存在,而充分利用了概率密度信息的最大似然估计却仍然是该问题的有效估计.使用混合高斯自回归模型描述该类估计问题之后,讨论了其克拉美-罗限,导出了非高斯自回归序列参数的最大似然估计,给出Newton-Raphson迭代解法,并且探讨了如何加快这一迭代算法的收敛和如何将估计算法应用于实际数据两个细节问题.最后给出一组仿真实例,对比检验了最大似然估计和最小二乘估计的效果.
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
最大非高斯估计论文参考文献
[1].蒋宇中,应文威,刘月亮.非高斯噪声模型参数的最大似然快速估计[J].应用科学学报.2013
[2].王平波,蔡志明.非高斯AR序列参数的最大似然估计[J].武汉理工大学学报(交通科学与工程版).2009
[3].王想,邓光明,蒋远营.零均值高斯AR(p)模型参数的最小化残差平方和(RSS)下条件最大似然估计及其最优性[J].统计与决策.2009
[4].李军侠,水鹏朗.基于广义高斯最大似然估计的小波域类LMMSE滤波算法[J].电子与信息学报.2007
[5].陈群.一类推广的Pickands型估计量的分布的渐近正态展开及非平稳弱相依高斯序列次最大值的位置和高度的联合分布[D].西南大学.2006
[6].王刚.基于最大非高斯估计的独立分量分析理论研究[D].国防科学技术大学.2005
[7].刘伯芹,马尽文.混合高斯模型的熵惩罚最大似然估计与自动模型选择[C].第十一届全国信号处理学术年会（CCSP-2003）论文集.2003
[8].马继涌,高文.基于最大交叉熵估计高斯混合模型参数的方法[J].软件学报.1999