2) Multivariate density estimation
多变量密度估计
3) 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
4) 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。
5) 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 。
6) 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。
补充资料：辅助变量估计
在模型误差为相关噪声的情况下通过引入辅助变量矩阵对线性最小二乘估计的一种改进。对于单输入单输出线性差分方程模型
它的线性最小二乘估计量为
式中θ为参数真值,Ξ＝[εn+1，εn+2...，εn+N]T,εk 为误差。在{εk}为相关噪声的情况下线性最小二乘估计 孌LS的后一项始终不为0,即孌LS与真值θ之间始终存在偏差量。为此引入新的估计量
式中W 称为辅助变量矩阵，它满足两个条件：随着观测数据长度的增加,依概率趋于一个满秩矩阵;而依概率趋于0。满足这两个条件的估计量孌IV称为辅助变量估计，它在误差序列{εk}为相关噪声的条件下，能得到趋于真值θ的弱一致性收敛的估计量。关键在于如何具体构造辅助变量矩阵。人们已经提出几种不同的构造方案,证明它们满足上述两个条件是很难的,但是在实际应用中已取得较好的效果。
辅助变量估计算法的计算量比线性最小二乘算法增加不多。在误差为相关噪声的情况下，估计精度较线性最小二乘估计有明显改善。它也有相应的递推估计算法。
它的线性最小二乘估计量为
式中θ为参数真值,Ξ＝[εn+1，εn+2...，εn+N]T,εk 为误差。在{εk}为相关噪声的情况下线性最小二乘估计 孌LS的后一项始终不为0,即孌LS与真值θ之间始终存在偏差量。为此引入新的估计量
式中W 称为辅助变量矩阵，它满足两个条件：随着观测数据长度的增加,依概率趋于一个满秩矩阵;而依概率趋于0。满足这两个条件的估计量孌IV称为辅助变量估计，它在误差序列{εk}为相关噪声的条件下，能得到趋于真值θ的弱一致性收敛的估计量。关键在于如何具体构造辅助变量矩阵。人们已经提出几种不同的构造方案,证明它们满足上述两个条件是很难的,但是在实际应用中已取得较好的效果。
辅助变量估计算法的计算量比线性最小二乘算法增加不多。在误差为相关噪声的情况下，估计精度较线性最小二乘估计有明显改善。它也有相应的递推估计算法。
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