2) Minimum Bias Estimator
最小偏倚估计
3) Best Linean Minimum Bias Estimator
最佳线性最小偏倚估计
4) UMVIQUE
一致最小方差不变二次无偏估计
1.
In the paper,the MINQE(U,I) of variance components is given,and the necessary and sufficient conditions for the MINQE(U,I) to be UMVIQUE have been obtained.
给出了生长曲线模型中方差分量的无偏不变最小模二次估计,并且讨论了它成为一致最小方差不变二次无偏估计的充要条件。
2.
d, and meanwhile, the necessary and sufficient condition is obtained for the LSE to be UMVIQUE.
在准正态情形与独立同分布情形下,分别给出了一个推广增长曲线模型中协差阵 的最小二乘估计,并得到了最小二乘估计成为一致最小方差不变二次无偏估计的充要条件。
3.
condition for the MINQE(U,I) to be the UMVIQUE.
在椭球等高分布情形下给出了扩展增长曲线模型中协差阵的最小模估计 ,并得到了最小模估计成为一致最小方差不变二次无偏估计以及一致最小方差不变二次无偏估计存在的充要条件。
5) UMVE
无偏最小方差估计
1.
A logarithm detector based on Unbiased Minimum-variance(UMVE) is presented.
利用无偏最小方差估计(UMVE)算法分析了UMVE对数单元平均恒虚警检测器的性能。
2.
A new CFAR detector(UMVEM-CFAR) based on Unbiased Minimum-variance Estimation(UMVE) is presented in this paper.
基于无偏最小方差估计(UMVE)算法,提出了一种新的恒虚警检测器(UMVEM-CFAR)。
3.
False Alarm Rate(CFAR) detector(FUCAP) based on Fuzzy logic,Unbiased Minimum-Variance Estimation(UMVE) and Cell Averaging(CA) is presented in this paper.
基于模糊逻辑,无偏最小方差估计(UMVE)和单元平均(CA)提出一种新的恒虚警检测器(FUCAP)。
6) UMVUE
一致最小方差无偏估计
1.
Judgement and Solution Methods of UMVUE;
一致最小方差无偏估计的判定及其求法
2.
The maximum likelihood estimate and uniformly minimal variance unbiased estimate (UMVUE) of MTTF were made on the one-unit system whose lifetime was assumed to be on GAMMA distribution.
讨论寿命服从单参数GAMMA分布单元平均寿命的极大似然估计和一致最小方差无偏估计;应用BASU定理求出了单元可靠度及串联系统可靠度的一致最小方差无偏估计。
3.
In this paper,they were obtained,the MLE,UMVUE and Bayesiun estimate of N .
设随机变量Ｘ服从１，２，…，Ｎ上的均匀分布，（Ｘ１，Ｘ２，…，Ｘｎ）为来自Ｘ的一组简单随机样本，推导出了Ｎ的极大似然估计、一致最小方差无偏估计及Ｂａｙｅｓ估计，并在极大似然估计的基础上给出了Ｎ的区间估计及检验统计量，最后通过一个实例说明了上述方法的应用。
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