精华内容
下载资源
问答
  • 参数化方法与非参数化方法

    千次阅读 2016-07-03 00:22:00
    区分参数化方向与非参数化方法的最快捷方式是, 参数化方法的参数数量是固定的, 不随着训练样本数量的变化而变化. 例如MLP, CNN, SVM等算法都是参数化方法. 而k近邻, decision tree等, 都是非参数化方法. Decision ...

    Parametric and non-parametric methods.
    区分参数化方向与非参数化方法的最快捷方式是, 参数化方法的参数数量是固定的, 不随着训练样本数量的变化而变化. 例如MLP, CNN, SVM等算法都是参数化方法. 而k近邻, decision tree等, 都是非参数化方法. Decision tree 也是非度量(non-metric)方法.

    参数化方法的计算资源消耗一般比非参数化方法小, 但它已经对数据的分布形式做出了假设. 非参数化方法更灵活, 但计算资源的消耗会随着样本数量的增加而增加.

    转载于:https://www.cnblogs.com/dengdan890730/p/5636387.html

    展开全文
  • 显然,当假设模型实际非常接近的情况下,参数化方法相对于非参数化方法能提供更为精确的谱估计值;但是,在研究信号的信息极少甚至没有的应用中,功率谱密度估计的非参数化方法仍然有用。 谱估计参数化...

     

     

     

    非参数化方法对研究的信号除了平稳性假设外没有作任何假设。参数化或基于模型的谱估计方法均假设信号满足函数形式已知的模型,然后对假设中模型的参数进行估计。从估计模型中可以获得感兴趣的信号谱特性。显然,当假设模型与实际非常接近的情况下,参数化方法相对于非参数化方法能提供更为精确的谱估计值;但是,在研究信号的信息极少甚至没有的应用中,功率谱密度估计的非参数化方法仍然有用。

    谱估计参数化方法分为两种——连续谱和离散谱。本章的有理谱参数化方法是连续谱类中研究的热点,我们主要讨论参数的估计方法,需要知道或选择谱模型的结构或阶数。

     

    l  简约原理(Parsimony Principle):Better estimate may be obtained by using an appropriate data model with fewer unknowns.

    l  奥卡姆剃刀(Occam's razor):one should not make more assumptions than the minimum needed

     

    如果模型选错了,功率谱的估计将永远有偏。所以要想使用参数化方法,拥有对数据模型的正确的先验知识很有必要。

     

    4.3.1 有理功率谱

    有理谱密度为 的一个有理函数,即两个关于的多项式比值:

    其中,。由微积分中的Weierstrass定理可知,当上式中阶数p、q选的足够大时,任意的连续功率谱密度都可以由其逼近,这也是有理谱成为连续谱类热点的原因,此模型引起很多研究者的兴趣。

    由于 ,由上面所示模型建立功率谱密度可以进行如下形式分解

    是一个标量,A和B是多项式:

    模型也可以在Z域得到类似表示:

    因此,可以把谱分解为:

    其中,

     的零点和极点均关于单位圆成对出现

    l  以上内容被称为谱分解定理(Spectral Factorization)

     

    4.3.2 三个经典的信号模型:ARMA,AR,MA

    4.3.2.1 模型的基本结构

    任意有理谱密度能和一个信号联系起来,该信号可由功率为的白噪声通过一个传输函数为

    的有理滤波器得到。

    利用 。该滤波器在时域可以表示为

    其中,是方差为的白噪声。因此,通过谱分解定理,谱 的参数化模型可以变为信号自身的模型à谱估计问题可以简化信号的建模问题。

    满足的信号x(n)称为自回归滑动平均模型(Autoregressive Moving Average),记为ARMA或 信号。如果B(z)=1,即q=0,那么x(n)为自回归信号,记为AR或 ;如果A(z)=1,即p=0,那么x(n)为滑动平均信号,记为MA或 。

    l  假设对任意 , 均有限,那么没有任何零点恰好在单位圆上

    l  若模型中A(z)的所有零点(模型的极点)都严格在单位圆内,则对应的模型是稳定的

    l  若模型中B(z)的所有零点(模型的零点)都严格在单位圆内,则对应的模型具有最小相位。

    l  AR模型对有尖峰的建模较好;MA模型对有波谷的建模较好;ARMA能对既有尖峰又有波谷的进行建模。

    由无穷级数的性质可知:

    l  一个模型可以等价于一个无穷阶数的AR模型

    l  一个模型可以等价于一个无穷阶数的MA模型

     

    4.3.2.2 模型的协方差结构

    我们期望推导由参数a、b和表示的ARMA过程协方差表达式。这种表达式使用由数据得到的协方差估值代替协方差的真值,为ARMA参数估计提供了简便方法。

    可以写为:

    将上式与 相乘并取数学期望得:

    由于滤波器是渐近稳定和因果的,所以可得:

    因此

    因此ARMA模型求完期望之后右面变为:

    因此协方差结构为:

    通常,是关于系数a,b的非线性函数,由于s<0时,因此对于 时,上式可化简为如下AR系数估计器:

     

     

    4.3.3 AR信号

    在ARMA类中,自回归(全极点)信号是应用中最常使用的一种类型,通过令,A多项式的零点接近于单位圆,AR方程可以模拟具有尖锐峰的谱。这是一个非常重要的特性,因为窄带谱在现实中很常见。另外,AR模型参数估计问题可以通过解线性方程组得到,并能确保估计得到的AR多项式的稳定性。

    AR谱有两种估计方法,第一种是基于上一节推出的协方差和AR参数线性关系的Yule-Walker方法,第二种是使用时域方程 得到的AR参数的最小二乘解。在第二种方法中,我们将看到,“最小二乘方法”与线性预测问题的紧密联系。

     

    4.3.3.1 Yule-Walker方法

    对于AR信号,q=0,B(z)=1,因此当k>0时,有如下关系成立:

    联立上式,将方程组写成矩阵形式:

    称上式为Yule-Walker方程或正则方程,如果相关序列r已知,则可以求解待估计参数

    对正则方程进行变换,去掉第一行

    拆分

    其解为,一旦求出,那么由被去掉的第一行就能求出

    l  当我们只有有限个数据时,只能求得 的估计值,可以使用估计值获得对的估计值

    是正定矩阵则求解出来的由组成的多项式A(z)的根在单位圆之内

    是Toeplitz&Hermitian矩阵,能利用结构寻找快速算法

    l  为强调对阶数p的依赖关系可以将正则方程写成

     

     

    4.3.3.2 Yule-Walker方程的阶递推解法

     

    因为在多数应用中,缺少真正关于阶数n的先验信息,所以可以选择遍历不同阶数的AR模型——对 求解Yule-Walker方程组,使用一般求解 的方法,计算量要达到 ,要减小计算量,需要充分利用上一节讨论的特殊代数结构。

    Yule-Walker方程组中的是高度结构化的,可以使用Levinson-Durbin算法(LDA)以复杂度完成的求解计算;此外Delsarte-Genin算法(DGA),也称Split-Levinson算法在实信号下比LDA快一倍。

    两种算法都是以阶数p的递推形式求解,且仅要求其中的矩阵是正定、Hermitian和Toeplitz的。

     

    4.3.3.3 最小二乘方法

    最小二乘方法是基于时域关系的最小二乘(Least-squares,LS)最小化准则,可以通过与AR估计器关系密切的线性预测问题来推导最小二乘估计器。

    l  最小二乘思想:预测值和真实值在向量空间中欧式距离最小,且最小时误差向量与真实值正交。

    首先把Yule-Walker方程和线性预测问题联系起来,假设是p阶AR过程,那么满足:

    其中,我们认为是由前p个样本的线性预测,为相应预测误差。

    在非理想情况下可能无法获知参数的真值,此时满足:

    由最小二乘LS的思想可知,使预测误差方差最小化的矢量即为AR系数向量,此时满足 ,方差仅由白噪声产生,而无人为预测误差。

    由之前在中的定义

    对上式中求导,并令求导结果等于0,

    最小值对应的为:

    与之相对应的最小预测误差为:

    上面两个式子其实就是之前所示得Yule-Walker方程对应的第一行和拆出来得低一阶得正则方程:

    由此可见,Yule-Walker方程可以看作是利用之前最近的p个样本来求其最佳线性预测问题的解。为此AR模型有时也被称作线性预测模型。

    最小二乘AR估计方法就是基于上述最小化问题的有限样本近似解。已知一有限的观测集,我们通过有限样本代价函数近似最小化

     

    假设当n<1和n>N时x(n)=0,最小化的矢量为:

    从代价函数可以看出,的定义依赖于 的选择。

    l  若 得到所谓的自相关法

    l  若 即去除了式中所有的零值,得到所谓协方差法,又叫协方差LS法或LS法

    l  若,叫做前加窗方法

    l  若,叫做后加窗方法

     

     

    AR估计中最小二乘LS和Yule-Walker的区别与联系

    注意到,将稍作处理就能得到有限样本估计值,由此最小二乘方法可以认为是Yule-Walker方程的近似解。

    l  有偏估计值,是Toeplitz矩阵

    l  无偏估计值,不是Toeplitz矩阵,不可以用LDA和DGA求解

    因此,LS自相关法与Yule-Walker法等效,LS协方差法与Yule-Walker法的区别随着N的增加而减少

     

    l  对于大样本来说AR参数的Yule-Walker方法与LS估计几乎一致;对于中小样本来说,YW与协方差LS表现略有不同,由YW方法估计的AR模型总能保证是稳定的,而估计的LS模型可能不稳定。

    l  LS方法比YW方法更精确,即LS比YW估计出的参数更接近真实值,这个原因暂时还在研究中,一种假说是在 之外中对应的零元素导致YW估计有偏,同时N不远大于n时,偏差可能很大。

     

    4.3.4 求解超定方程的LS计算方法

     

    4.3.4.1 Frobenius norm

    Let  denote the vector space of all matrices of size  (with  rows and   columns) with entries in the field .

    For all matrix  in  ,

    where  are the singular values of  .

     

    4.3.4.2 线性最小二乘(LLS)

    直接求解正则方程 ,得

     

    4.3.4.3 数值解对噪声更鲁棒的QR Decomposition LS Mehtod

    使用辅助变换(householder transformation),我们能找到一个正交的酉矩阵Q,使得,

    因此

     

    其中,R是一个上三角方阵,最小二乘解为:

     

    4.3.4.4 总体最小二乘(Total Least Square)

    l  在LLS中,得到最小二乘解得方法是使得 中

    l  在TLS中,得到最小二乘解得方法是使得 中

     

    低信噪比条件下,TLS比LS估计的准确;高信噪比下,二者结果接近。

    TLS和RLS的图解

     

    4.3.4.5 使用奇异值分解(SVD)计算最小二乘LS

    对A进行SVD分解:

    0矩阵使得矩阵A可以非满秩,若A是满秩的,则,其中

     叫做矩阵A的特征值,r是矩阵A的秩。最小二乘解如下:

     

    4.3.4.6 使用奇异值分解(SVD)计算总体最小二乘TLS

    表示矩阵的奇异值分解

    分块表示为

     

     

    4.3.5 MA信号

    MA模型基于以下几点原因在谱估计实际工程中使用受限:

    l  MA模型具有全零点结构,阶数低时很难模拟窄带尖峰谱

    l  MA适合模拟的平坦峰和尖锐的谷(零点),但实际应用中这种谱不常见

    l  MA参数估计问题通常是非线性的,求解起来比线性的AR参数估计要困难

    l  MA和ARMA估计问题面临的问题很相似,因此更常采用较为一般的ARMA模型代替MA

     

     

    4.3.6 ARMA信号

    4.3.6.1 修正的Yule-Walker方法

    用于估计ARMA谱密度的修正YW方法由两部分组成:

    第一步

    利用估计AR系数

     

    对于 ,将写成矩阵形式:

    如果Q=p,则上式为由n个方程构成的含有n个未知变量的方程组,这就是在AR情况下成立的广义YW方程组,称这些方程构成了修正的Yule-Walker方程组。在这之中若使用样本估值 代替理论协方差,可以得到:

    由这些方程组可以解出 称它们是的修正Yule-Walker估值,上式的方阵非奇异,具有快速算法。

     

    增加Q值,充分利用信号更长时间的协方差的意义:若ARMA模型中的零点严格位于单位圆内,,那么由Modified Yule-Walker估计的参数具有合理的精确度,然而,当ARMA模型中的零点和极点间隔很近且在单位圆附近时,由MYW得到的估计值非常不准确,这种具有几乎重合的零极点且零极点模值接近1的ARMA模型与窄带信号相对应。由于信号在频域越集中,时域就越发散,因此窄带信号的协方差序列衰减很慢。这意味着我们增加延迟序列协方差矩阵的信息能提高系数估值的精确度。

     

    通过选择Q>p就可以利用附加信息,并且由此得到超定方程组。由于超定方程组一般不存在精确阶。因此此时应用LS或者TLS求解方程:

    这里的‘hat’符号表示由ACS估计值代替真实值后的ACS矩阵和矢量。上式的加权最小二乘解可由下式给出:

     阶正定加权阵,Q>p的情况下,由导出的AR估值称为超定MYW估值。

    加权阵的适当选择也能够增加AR系数估值的精确度,当 时可以得到常规最小二乘估值,精确度的提高可以通过选择对角元素为正且递减的对角阵来得到,这样的反映了高ACS延迟股指中降低的置信度。

    STOICA等人已经推导出了最优加权阵,在所有可能的中该最优加权使的协方差最小。可惜,该最优加权依赖于ARMA的参数,因此,为了使用最优加权法,需要使用两步“bootstrap”。

    l  第一步,选择一个固定的来得到初始参数估计值

    l  第二步,使用这些初始估值来获得最优化

    最优加权的收益相比计算最优加权矩阵的计算开销而言较小,因此,精确度的提高主要通过时增加Q值来实现。

     

    第二步

    用估计的AR系数和ACS估计值在中估计系数

    一旦得到了AR估值,我们就可以转到ARMA谱中MA部分的估计问题,因为MA部分功率谱密度可由下式给出:

    因此估计出就足以描述MA的谱。

    令当 时

    表示MA部分的协方差,考虑

    可以得到:

    将上一步计算出的 和的估值代入上式,得到估计器:

    最后ARMA的谱公式如下:

    由于不能保证上式中的分子对所有 全为正,因此这种方法可能导致负的ARMA谱估值

     

    4.3.6.2 两步最小二乘方法(Two Stage Least Square Method)

    如果噪声序列 已知,那么ARMA模型中的参数估计问题将是一个简单的输入输出系统参数估计问题(系统辨识)。最简单的方法就是最小二乘方法

    第一步:得到噪声序列估值

    使用阶数L较高的 来拟合,可以使用YW方程来求解估计 

    因此噪声序列可以估计为:

    第二部:系统辨识

     ,

     

    观测方程:

    则最小二乘解为:

    QRLS也同样适用于此最小二乘解法,这个方法在ARMA的零点在单位圆附近时,产生不稳定解。

     

    4.3.7 超分辨谱分析——MUSIC算法和Pisarenko算法

     

    核心思想:接收到的信号中要么是真实信号,要么是噪声,那么,我们只要能找到噪声并将之排出,剩下的就是信号了。

    MUSIC算法假定输入序列是由一组角频率为 的正弦信号组成的,那么真实角频率必是如下方程的解

    其中,

    是由天线阵结构决定的,阵元数为M,阵元数也可以看作是延迟单元的个数。假设阵元接收的是长度为M的序列 ,MUSIC算法先计算其 的自相关矩阵

    n从M开始是为了保证中没有0值。

    接下来对自相关矩阵R作特征值分解(Eigendecomposition),分解完后由R的特征向量组成如下矩阵的列,并将之划分为四块:

    左上角大小的方阵对应K个较大特征值,是信号;右下角大小的仿真对应(M-K)个较小的特征值,是噪声。

    就是由特征向量为列组成的方阵的右下角矩阵。

    相当于将信号与噪声作互相关,即是互相关的功率谱。

    由于要利用接收序列中的噪声,因此正弦信号频率分量个数K必须要比阵元数M少才可以,不能等于,否则无法分解出; 当阵元数仅比信号数多一个的时候,即 时,此时是MUSIC算法的特例,叫做Pisarenko算法(Pisarenko harmonic decomposition)。

     

    4.3.8 仿真对比各种参数化谱估计方法

    l  原始信号的周期图

    l  Yule-Walker方法

    l  Levinson-Durbin递推方法    

     

    l  Burg方法

    l  协方差法

    l  改进的协方差法

    l  超分辨MUSIC方法

     

     

     

     

     

    展开全文
  • 针对含有参数化和非参数化的高阶非线性系统,设计了一种重复学习控制方案.假设未知时变参数和参考信号的共同周期是已知的,通过参数重组技巧,将所有未知时变项合并为一个周期时变向量.将改进Backstepping方法与分段...
  • Heap Pollution带可变参数方法与非具体化参数安全漏洞可变的非具体化参数的方法对可变的非具体化参数消除提示警告 Heap Pollution 像ArrayList,ArrayList被参数化类型是非具体化类型。一个非具体化类型在运行

     原文

    本页涵盖以下主题:

    • Heap Pollution
    • 带可变参数方法与非具体化参数
    • 安全漏洞可变的非具体化参数的方法
    • 对可变的非具体化参数消除提示警告

    Heap Pollution

    像ArrayList<Number>,ArrayList<String>被参数化类型是非具体化类型。一个非具体化类型在运行时完全是不可以用的。在编译的时候,编译器经历一个类型擦除过程,在这个过程中,会擦除参数类型类型被参数化信息,这样保证在泛型出现之前应用程序和java库能够很好的二进制兼容。

               当一个被参数化变量指向一个非参数化对象的时候,Heap Pollution就发生了,

            

        List l = new ArrayList<Number>();
        List<String> ls = l;       // unchecked warning
        l.add(0, new Integer(42)); // another unchecked warning
        String s = ls.get(0);      // ClassCastException is thrown

    在类型擦除过程中,类型ArrayList<Number>和List<String>分别成为ArrayList和List

    这个变量ls被参数化List<String>,当l引用赋给它,编译器生成了未检查警告?

     

    编译时,在add语句里编译器生成另一个未检查警告,因为编译器无法知道变量l参照ArrayList<Number>类型还是List<String>类型,可是在get语句里编译器没能产生警告或者错误,在调用get方法,本想取到一个String对象,结果抛出aClassCastException异常

     

    当静态类型List<Number> l赋给静态类型List<String>的时候,Heap Pollution发生了,但为什么这样赋呢?主要是因为保护不支持泛型javaSE版本向后兼容

     

    另外,当add方法调用时,and方法形式参数是String,实际参数是Integer,因此,Heap Pollution 也发生了,编译器仍然允许这个方法调用,是因为类型擦除时,and方法第二个形式参数变成了Object,Integer是Object子类型,因此编译器允许这样做。

     

    可变参数方法和非具体形式参数

    看看下面这个方法ArrayBuilder.addToList 的例子,这是个可变的参数的方法,主要将T类型的对象放入ListlistArg

     

     

    import java.util.*;
    
    public class ArrayBuilder {
    
      public static <T> void addToList (List<T> listArg, T... elements) {
        for (T x : elements) {
          listArg.add(x);
        }
      }
    
      public static void faultyMethod(List<String>... l) {
        Object[] objectArray = l;  // Valid
        objectArray[0] = Arrays.asList(new Integer(42));
        String s = l[0].get(0);    // ClassCastException thrown here
      }
    
    }
    import java.util.*;
    
    public class HeapPollutionExample {
    
      public static void main(String[] args) {
    
        List<String> stringListA = new ArrayList<String>();
        List<String> stringListB = new ArrayList<String>();
    
        ArrayBuilder.addToList(stringListA, "Seven", "Eight", "Nine");
        ArrayBuilder.addToList(stringListA, "Ten", "Eleven", "Twelve");
        List<List<String>> listOfStringLists = new ArrayList<List<String>>();
        ArrayBuilder.addToList(listOfStringLists, stringListA, stringListB);
    
        ArrayBuilder.faultyMethod(Arrays.asList("Hello!"), Arrays.asList("World!"));
      }
    }

    javaSE 7的编译器对这个方法ArrayBuilder.addToList 生成下面的警告

    warning: [varargs] Possible heap pollution from parameterized vararg type T

    当编译器遇到可变的方法,它将可变的形式参数为数组,在java语言里,不允许参数化数组的创建,对这ArrayBuilder.addToList方法,编译器将可变形式参数T... elements转化为形式参数T[] elements数组。因为类型擦涂的原因,编译器最终转化为形式参数Object[] elements,因此,Heap Pollution是有可能的。更多信息,请看下一节。

    带有潜在安全漏洞可变的非具体化形式参数的方法

    该方法arraybuilder.faultymethod表明为什么编译器警告您对这几种方法

    这个方法把一个可变的非具体形式参数赋给了一个Object类型数组objectArgs

    Object[] objectArray = l;
    
    

    这个语句潜伏了一个Heap Pollution问题

    在这个语句编译器不生成未检查警告,在List<String>... l转化为List[] l.的时候已经提示未检查警告,这个l是这个List[]类型,是Object[]子类型,因此这句是对的。

    因此,当你赋任意类型List对象到objectArray数组的元素,如下所示:

     objectArray[0] = Arrays.asList(new Integer(42));

    编译器不会警告或者报错

    假设你用用下面的语句调用ArrayBuilder.faultyMethod

    ArrayBuilder.faultyMethod(Arrays.asList("Hello!"), Arrays.asList("World!"));
    在运行时,JVM在下面语句抛出a ClassCastException异常
    String s = l[0].get(0);    // ClassCastException thrown here

    可变的非具体化形式参数的方法消除警告

    如果你定义了可变的参数化方法,并且能保证该方法体不会抛出ClassCastException异常,你可以通过下面一些选项来消除警告

    •  添加下面的注解
    @SafeVarargs
    • 添加下面的注解
    @SuppressWarnings({"unchecked", "varargs"})
    • 使用编译选项
    -Xlint:varargs
    


    例如:下面ArrayBuilder类有两个另外的addToList2 and addToList3方法

    public class ArrayBuilder {
    
      public static <T> void addToList (List<T> listArg, T... elements) {
        for (T x : elements) {
          listArg.add(x);
        }
      }
    
      @SuppressWarnings({"unchecked", "varargs"})
      public static <T> void addToList2 (List<T> listArg, T... elements) {
        for (T x : elements) {
          listArg.add(x);
        }
      }
    
      @SafeVarargs
      public static <T> void addToList3 (List<T> listArg, T... elements) {
        for (T x : elements) {
          listArg.add(x);
        }
      }
    
      // ...
    
    }public class HeapPollutionExample {
    
      // ...
    
      public static void main(String[] args) {
    
        // ...
    
        ArrayBuilder.addToList(listOfStringLists, stringListA, stringListB);
        ArrayBuilder.addToList2(listOfStringLists, stringListA, stringListB);
        ArrayBuilder.addToList3(listOfStringLists, stringListA, stringListB);
    
        // ...
    
      }
    }


     在这个例子,编译器生成下面警告:

    • addToList:

                在方法定义:[unchecked] Possible heap pollution from parameterized vararg type T

                在方法调用:[unchecked] unchecked generic array creation for varargs parameter of type List<String>[]

    • addToList2:

                在方法调用:[unchecked] unchecked generic array creation for varargs parameter of type

         在方法定义:没有警告

    • addToList3:

               在方法定义和调用都没有警告

    注意:在java SE 5和6,程序员保证他调用的方法不会Heap Pollution发生,如果这个方法不是这个程序员写的,程序员很难保证,在java SE 7中,写这个方法程序员保证没有Heap Pollution发生

     

     

     

     

     



     


     

     

     

     

     

    展开全文
  • 非参数化估计

    2019-10-09 10:24:32
    参数估计与非参数估计 前面介绍了3中常用的参数估计的方法,分别是:极大似然估计、最大后验估计和贝叶斯估计。参数估计方法都是用已知的概率分布函数与拟合数据,然后估计出概率分布的参数。但是有时候数据的概率...
    参数估计与非参数估计

    前面介绍了3中常用的参数估计的方法,分别是:极大似然估计、最大后验估计和贝叶斯估计。参数估计方法都是用已知的概率分布函数与拟合数据,然后估计出概率分布的参数。但是有时候数据的概率分布函数未知或者概率分布函数不能很好的拟合数据,这个时候就可以用非参数估计数据的概率密度函数。

    非参数估计

    非参数估计适用于:已知样本所属类别,但是样本的概率密度函数未知(也就是样本的分布未知)的情况。
    非参数估计的基本思想:通过样本xx 周围的区域RR 来估计xx的概率密度p(x)p(x)
    非参数估计的目的:通过样本集XX估计出样本空间中任意一点的概率密度p^(x)\hat{p}(x)
    在这里插入图片描述
    在这里插入图片描述在这里插入图片描述

    在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述在这里插入图片描述

    在这里插入图片描述

    展开全文
  • 通过对反问题的病态性问题进行分析,将Tikhonov正则化方法引入到同步电机参数的辨识中。在仿真中设置多个测试场景,仿真结果表明,传统的最小二乘参数辨识法相比,所提方法能克服系统的病态性并有效地对电机参数...
  • 为此提出一种参数化的形态学分水岭图像分割方法,首先依据黏性液体淹没图像地貌的流溢特性,建立梯度级结构元素大小之间的函数关系,并以此对梯度地貌进行参数化修正。对低梯度地貌采用较大尺寸结构元素进行闭运算,...
  • 泛型是Java编程语言的功能,允许程序员编写参数化的代码。 最初创建它们是为了解决集合的某些问题。 因此,术语“泛型集合”现在通常一起使用。 要了解泛型,让我们看看它如何解决集合问题。 考虑以下代码,该代码...
  • 针对线性判别分析(LDA) 的“小样本”和要求数据须服从高斯分布的问题, 提出一种基于非参数化最大间隔准则(NMMC) 的雷达目标识别方法. 首先, 利用自相关小波变换提取目标高分辨距离像(HRRP) 的非平稳特征, 将其HRRP...
  • 为了降低参数化模型对测量结果的影响,提出一种不依赖相机内部参数的摄影测量方法。结合垂线法和Zeiss实验室标定方法,设计了一种针对大视场相机的非参数标定方法。经过不同图像间同名点匹配和平差初值确定后,便可...
  • 随着大功率射频微波器件的不断推广应用,以及无线通信市场...最后重点对三种线性参数化行为模型的数学形式作了详细推演,介绍了参数提取方法和应用实例,展望了基于矢量测量的线性行为建模技术的未来发展研究方向。
  • 针对传统单幅图像深度估计线索不足及深度估计精度不准的问题,提出一种基于非参数化采样的单幅图像深度估计方法。该方法利用非参数化的学习手段,将现有RGBD数据集中的深度信息迁移到输入图像中去。首先计算输入图像...
  • Java中静态方法与非静态方法的区别

    千次阅读 2017-10-21 23:44:49
    静态方法与非静态方法之间的区别: (1)静态方法中只能调用静态成员或者静态方法,不能直接调用非静态成员或方法,如果需要调用,则需要先实例; (2)静态方法是在类中使用staitc修饰的方法,在类定义的时候已经被...
  • 构造方法: 1.权限修饰符 2其他修饰符 3.返回值类型 4.方法名 5.小括号 6.小括号内的参数 7.大括号 构造方法 1.要类名相同 2.无返回值 3.也不需要“void” 4.在类初始时调用。
  • 然后,自适应反步跟踪控制方案是开发,其中动态表面控制方法用于在后台解决“复杂性爆炸”问题设计程序,以及时变参数相关积分Lyapunov函数用于分析稳定性。 闭环系统。 半全局一致的极限有界所有闭环信号均得到...
  • 基于模块神经网络的飞艇线性参数估计 ... 发现估计的线性飞艇参数与用于开环仿真的DATCOM参数值一致。 这验证了该方法。 文章 DOI: : 《航空学报》,第124卷,第1273期,2020年3月,第409-428页
  • 1.构造方法的作用:用于对类的初始,如果你没有写任何的构造方法,系统会默认给你取一个无参的构造方法,如果写了含参数的构造方法,无参的方法需要自己添加,系统不会自动添加。所以好的习惯是无参有参的构造方法...
  • 论文研究-金融风险管理中ES度量的非参数方法的比较及其应用.pdf, 预期不足(ES)是近几年发展起来的用于测量和控制金融风险的量化工具.在金融时间序列中, 将两步核估计...
  • 非接触感应式静电测量仪表,读数要经过乘数k与...研究了超声测距技术用于非接触式静电测量一体设计的参数与精度要求和相对测距方法应用,进行了超声测距与非接触式静电测量一体原理与整机结构设计的可行性验证。
  • 基于自适应遗传算法, 提出一种多项式模型结构与参数的一体辨识方法. 针对组合线性系统, 首先将选 定的候选项原始序列输出序列进行相关度评估, 根据其大小排列进行遗传算法染色体结构的自适应编码; 在迭代...
  • 本发明涉及一种方法,尤其是一种用于强度归一的荧光显微镜学或内窥镜成像方法、一种暂时性计算机可读存储介质以及一种用于内窥镜或显微镜设备的控制器。背景技术:在现有技术中,作为手术显微镜、内窥镜或显微镜...
  • 回顾方法及加深 方法的定义 修饰符 返回类型 break和return的区别 方法参数列表(参数类型,参数名,…无限量) 异常抛出 方法的调用 静态方法 静态方法 ...//静态方法(+static): ...//静态方法:(没
  • 数组初始可变参数列表,参数类型可变,参数长度可变。 例如:hello(Object…args){} ...除此之外还有可变参数与非可变参数的组合,如果有重载的方法。例如:f(int a,Character…args){}和f(Character...
  • 非参数滤波

    2018-11-15 22:58:40
    这里主要讲两种非参数化方法,直方图和粒子滤波,不需要对后验密度进行强参数化假设,而且能够很好的表示复杂的多峰值置信度(即解决多模态,非高斯噪声,非线性问题,维度越高,粒子越多,维度爆炸)   卡尔曼...
  • 从零开始学java(十六)--静态初始与参数传值机制静态初始参数传值机制 静态初始块 构造方法用于对象的初始! 静态初始块,用于类的初始操作!类的初始在内存中的方法区载入类的信息的时候,这时候...
  • Swift要求类或者结构体中的存储属性(lazy的)在对象构造完毕后要有初始值语法: init(参数列表){ 初始代码 } 注意: 1.在Swift中类/结构体/枚举都需要构造方法 2.构造方法的作用仅仅是用于初始属性, 而不是...
  • 总体参数的确定方法

    2021-01-19 20:11:55
    现代仪器的质量指标仪器的主要结构参数之间有一定的制约关系。要使总目标好,实际上就是一个多目标优化问题。但是目前还没有见到对所有质量指标进行优化设计的例子,目前己发表的文献有以下几类。  1,对某一个...
  • 在现有参数化方法的基础上,根据球面平面参数化之间的差异,列出了一个关于角度的有效球面三角化的充要条件,使用LM算法通过对线性优化问题的求解,得到具有期望目标的球面参数化结果。并介绍算法的应用,给出...
  • 提出了一种新的线性特征抽取方法——隐空间中参数化直接鉴别分析。其主要思想是利用一核函数将原始输入空间线性变换到隐空间,针对在该隐空间中类内散布矩阵总是奇异等问题,利用参数化直接鉴别分析进行特征抽取...
  • 1.什么是参数化建模,他与非参的区别、优缺点?答:参数化设计是UG强调的设计理念。参数是参数化设计的核心概念,在一个模型中,参数是通过“尺寸”的形式来体现的。参数化设计的突出有点在于可以通过变更参数的方法...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 1,576
精华内容 630
关键字:

参数化方法与非参数化方法