2) recursive kernel distribution estimator
递归核分布估计
3) Estimation of distribution
分布估计
1.
Discrete differential barebones particle swarm optimization based on estimation of distribution
基于分布估计的离散差分骨干粒子群优化
2.
A novel discrete particle swarm optimization algorithm based on estimation of distribution(EDPSO)is proposed by reasonably combining the ideas of PSO and EDAs.
本文提出了一种基于分布估计的离散粒子群优化算法。
3.
This paper will give a scheme of intelligent test paper based on the estimation of distribution of discrete particle swarm algorithm.
组卷问题是一个多重约束的组合优化问题,目前已有多种组卷策略、组卷算法都从某一方面或某几方面对智能组卷系统进行了改进和研究,并取得了一定的进展,文中基于分布估计离散粒子群算法进行了组卷。
4) Distribution estimation
分布估计
1.
Human Computer Cooperative Evolutionary Design Based on Distribution Estimation
基于分布估计的人机结合演化设计方法研究
2.
Proposes a adaptive fault tolerant contral method based on distribution estimation.
提出了一种基于分布估计的自适应容错控制方法。
5) distributed estimation
分布式估计
1.
In the distributed estimation fusion system, locally optimal estimation is made on the basis of the observation and then transferred by individual sensor to the fusion center where the fusion is performed.
分布式估计融合是多传感器系统研究的一项重要内容。
6) statistical distribution estimation
统计分布估计
补充资料：维纳核估计
用泛函级数模型逼近非线性系统的动态过程，又称白噪声估计方法。1887年V.沃尔泰拉引用一致收敛的泛函级数来逼近连续函数，这就是著名的沃尔泰拉级数。可以用沃尔泰拉级数来逼近一个非线性系统的输入输出关系。但是由于沃尔泰拉级数的核不是正交的，在估计这些核时不能简单地通过输入激励和系统的响应来得到结果。
1958年R.维纳建立一组正交核：
式中y(t)是系统的响应；Gm(m＝0,1,2,...）是一组泛函；当系统的激励u(t)是正态白噪声时,Gm是正交的;hm（τ1，...,τm)称为m 阶维纳核。前几阶维纳核hm满足下列等式：
其中P是输入白噪声u(t)的功率谱密度。
利用Gm的正交性和正态白噪声的性质可以通过不同的途径比较方便地得到hm的估计。最常用的是互相关方法，也就是利用输入和输出的互相关函数来估计hm。
前几阶核的估计是：
h0＝E [y(t)]
这种估计方法主要是利用正态白噪声的特殊性质，所以又称为白噪声估计方法。除此之外还可以利用其他的特殊函数，如拉盖尔多项式等来估计核，但是计算十分复杂。
图1是典型的一、二阶核计算方法。图中是在白噪声刺激（输入）下系统的响应曲线y(t)；响应曲线的零阶核h0（常数），即y(t)的期望值；y(t)减去期望值得到的零均值响应y0；y0与白噪声的互相关函数h1(τ),即一阶核；白噪声的刺激下一阶核的线性响应y2(t)；响应y(t)减去线性响应y2(t)得到的非线性响应y1(t);非线性响应与两个白噪声输入之间的互相关函数h2(τ1,τ2)，即二阶核。在τ1、τ2平面上的核状封闭曲线是h2(τ1，τ2)的等值线。
白噪声估计方法的重要性在于：两个系统一致（即有完全相同的输入输出关系）的充分必要条件是它们对正态白噪声输入有相同的响应。因此用正态白噪声估计出来的维纳核只要精度足够高，就可以作为系统的描述，并可用以预测对任何输入的响应。这种方法着眼于研究缺乏先验知识、机理不清的非线性系统，适用于研究黑箱。这种方法在生理系统的分析中得到成功的应用。例如在研究脊椎动物视网膜的过程中把刺激-响应试验(即功能辨识)和解剖学知识 （即结构辨识的先验知识）结合起来完成视网膜的建模和辨识。先辨识对视网膜的光刺激s和送入大脑的信号r之间的功能关系，这是完全的黑箱方法（图2虚线部分）。再利用解剖学知识，知道水平细胞H处于从光到神经中枢信息处理的通路中间,然后测量H的响应r1,原系统就分解成两个子系统。再将电流通入H并记录视网膜光感受器R 的响应就可证实从H到 R存在反馈。这样就把视网膜分解成三个子系统并能测出各自的特性。继续这种分解，逐步打开黑箱便得到完整的视网膜模型(图3)。图3中,r3为对双极细胞B的检测,r4为对无长突细胞A的检测。图4是用所测数据求得的视网膜模型一阶核和二阶核。
1958年R.维纳建立一组正交核：
式中y(t)是系统的响应；Gm(m＝0,1,2,...）是一组泛函；当系统的激励u(t)是正态白噪声时,Gm是正交的;hm（τ1，...,τm)称为m 阶维纳核。前几阶维纳核hm满足下列等式：
其中P是输入白噪声u(t)的功率谱密度。
利用Gm的正交性和正态白噪声的性质可以通过不同的途径比较方便地得到hm的估计。最常用的是互相关方法，也就是利用输入和输出的互相关函数来估计hm。
前几阶核的估计是：
h0＝E [y(t)]
这种估计方法主要是利用正态白噪声的特殊性质，所以又称为白噪声估计方法。除此之外还可以利用其他的特殊函数，如拉盖尔多项式等来估计核，但是计算十分复杂。
图1是典型的一、二阶核计算方法。图中是在白噪声刺激（输入）下系统的响应曲线y(t)；响应曲线的零阶核h0（常数），即y(t)的期望值；y(t)减去期望值得到的零均值响应y0；y0与白噪声的互相关函数h1(τ),即一阶核；白噪声的刺激下一阶核的线性响应y2(t)；响应y(t)减去线性响应y2(t)得到的非线性响应y1(t);非线性响应与两个白噪声输入之间的互相关函数h2(τ1,τ2)，即二阶核。在τ1、τ2平面上的核状封闭曲线是h2(τ1，τ2)的等值线。
白噪声估计方法的重要性在于：两个系统一致（即有完全相同的输入输出关系）的充分必要条件是它们对正态白噪声输入有相同的响应。因此用正态白噪声估计出来的维纳核只要精度足够高，就可以作为系统的描述，并可用以预测对任何输入的响应。这种方法着眼于研究缺乏先验知识、机理不清的非线性系统，适用于研究黑箱。这种方法在生理系统的分析中得到成功的应用。例如在研究脊椎动物视网膜的过程中把刺激-响应试验(即功能辨识)和解剖学知识 （即结构辨识的先验知识）结合起来完成视网膜的建模和辨识。先辨识对视网膜的光刺激s和送入大脑的信号r之间的功能关系，这是完全的黑箱方法（图2虚线部分）。再利用解剖学知识，知道水平细胞H处于从光到神经中枢信息处理的通路中间,然后测量H的响应r1,原系统就分解成两个子系统。再将电流通入H并记录视网膜光感受器R 的响应就可证实从H到 R存在反馈。这样就把视网膜分解成三个子系统并能测出各自的特性。继续这种分解，逐步打开黑箱便得到完整的视网膜模型(图3)。图3中,r3为对双极细胞B的检测,r4为对无长突细胞A的检测。图4是用所测数据求得的视网膜模型一阶核和二阶核。
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