1) fast Kernel Density Estimation
快速核密度估计
2) Kernel density estimation
核密度估计
1.
A multimodal background model based on binning kernel density estimation;
基于分箱核密度估计的非参数多模态背景模型
2.
Small target tracking in forward looking infrared imagery based on kernel density estimation
基于核密度估计的前视红外小目标跟踪
3.
A bandwidth selection with recursive method for kernel density estimation and its application
核密度估计中递归方法选择窗宽及其应用
3) kernel density estimator
核密度估计
1.
This paper analyses the disadvantages of the existing intrusion detection technology and discusses the advantages of intrusion detection based on outlier mining,a new intrusion detection method based on kernel density estimator called IDKD is proposed.
通过分析现有入侵检测技术的不足,探讨基于孤立点挖掘的入侵检测技术的优势,提出一种基于核密度估计的入侵检测方法。
2.
Then two outlier measures and algorithms based on kernel density estimator are proposed which can identify outliers in a s.
对分布演化数据流上连续异常检测问题,进行形式化地阐述,提出了两个基于核密度估计的异常检测定义和算法,并通过大量真实数据集的实验,表明该算法具有良好的高效性和可扩展性,完全适应数据流应用的需求。
4) Kernel density estimate
核密度估计
1.
A new fast algorithm was presented to accelerate the computation of mutual information of images based on kernel density estimate.
针对基于核密度估计的图像互信息估计法运算量很大的问题,提出了一种快速互信息估计算法。
2.
This paper aims to improve the large sample character of the kernel density estimate.
本文旨在讨论并改进独立样本核密度估计的大样本性质 。
5) density kernel estimators
密度核估计
1.
In this paper, the consistency of p-power mean density kernel estimators and rate of consistency for martingle difference sequence under some conditions are proved.
在一定的条件下给出了鞅差序列的密度核估计的p阶相合性及一致相合性,并讨论了 其收敛速度。
6) Kernel density estimation
内核密度估计
1.
Based on the study on data distribution characteristics, a new robust statistics method,kernel density estimation, coupled with bootstrap method is introduced to acquire the representative values of silica dioxide content and the standard deviations for imported iron ores.
对我国近两年490批次、23个进口国的进口铁矿中SiO2含量进行了总体统计分析,在数据统计分布特征研究基础上,使用内核密度估计对进口铁矿SiO2含量进行数据多态性分析,使用自举法对原始数据样本值重复取样以获得稳健的SiO2含量代表值估计及标准偏差,并证明以自举法重新取样样本分布的均值与标准偏差作为有限单次样本代表值是合理、有效的。
2.
In online-planning,kernel density estimation is used to estimate data distribution of the new dataset by retrieved random sample,and the method of computing confidence interval of estimated distribution is provided to help system determine accurate degree of estimation.
现有方法是利用一个插入前的计划过程,可以较好地执行批量插入操作,可是该方法要求获得所有新数据,关键在于获得新数据较准确的数据分布,提出一种在线计划的批量插入操作,不需要等待所有的数据接收完毕才开始执行计划过程,而是根据获得新数据的样本,利用内核密度估计方法,较准确地估计新数据分布,并且还提供了计算估计分布置信区间的方法,如果估计分布的置信区间超过系统给定的阈值就可以执行计划操作。
补充资料：功率谱密度估计
随机信号的功率谱密度用来描述信号的能量特征随频率的变化关系。功率谱密度简称为功率谱，是自相关函数的傅里叶变换。对功率谱密度的估计又称功率谱估计。平稳随机信号x(t)的（自）功率谱Sxx(ω)定义为
(1)
式中rxx(τ)为平稳随机信号的自相关函数。
对于离散情况，功率谱表示为
(2)
式中T为离散随机信号的抽样间隔时间。
当利用随机信号的 N个抽样值来计算其自相关估值时，即可得到功率谱估计为
(3)
可见，随机信号的功率谱与自相关函数互为傅里叶变换的关系，这两个函数分别从频率域和时间域来表征随机信号的基本特征。按上式计算功率谱估值，其运算量往往很大，通常采用快速傅里叶变换算法，以减少运算次数。
计算信号功率谱的方法可以分为两类：一为线性估计方法，有自相关估计、自协方差法及周期图法等。另一类为非线性估计方法，有最大似然法、最大熵法等。线性估计方法是有偏的谱估计方法，谱分辨率随数据长度的增加而提高。非线性估计方法大多是无偏的谱估计方法，可以获得高的谱分辨率。
参考书目
何振亚：《数字信号处理的理论与应用》，人民邮电出版社，北京，1983。
A. V. Oppenheim, R. W. Schafer, Digital Signal Processing Prentice-Hall, Inc., Englewood Cliffs,New Jersey,1975.
(1)
式中rxx(τ)为平稳随机信号的自相关函数。
对于离散情况，功率谱表示为
(2)
式中T为离散随机信号的抽样间隔时间。
当利用随机信号的 N个抽样值来计算其自相关估值时，即可得到功率谱估计为
(3)
可见，随机信号的功率谱与自相关函数互为傅里叶变换的关系，这两个函数分别从频率域和时间域来表征随机信号的基本特征。按上式计算功率谱估值，其运算量往往很大，通常采用快速傅里叶变换算法，以减少运算次数。
计算信号功率谱的方法可以分为两类：一为线性估计方法，有自相关估计、自协方差法及周期图法等。另一类为非线性估计方法，有最大似然法、最大熵法等。线性估计方法是有偏的谱估计方法，谱分辨率随数据长度的增加而提高。非线性估计方法大多是无偏的谱估计方法，可以获得高的谱分辨率。
参考书目
何振亚：《数字信号处理的理论与应用》，人民邮电出版社，北京，1983。
A. V. Oppenheim, R. W. Schafer, Digital Signal Processing Prentice-Hall, Inc., Englewood Cliffs,New Jersey,1975.
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