模型估计

matlab 的 AR 模型参数谱估计，算是信号里一个挺基础但蛮有用的工具了。主要是用yule-walker方程配上levinson-durbin算法搞定参数估计，整个过程也不复杂，尤其用 Matlab 现成的函数，基本上几行代码就能跑起来。 AR 建模的套路挺适合做功率谱估计的，像你要某段时间序列的频率成分，用这个方法还挺方便的。yule-walker那套思路本身就比较稳，加上levinson递推，效率也不错，是你不想自己推矩阵的时候，直接调用aryule这些函数，能省不少事。 想再深入了解的话，可以看看这几个链接： AR 模型功率谱估计的 Burg 算法优化，也是常用方法，比 yul

当残差服从均值为零的正态分布时，线性模型的响应变量y服从均值为β0+β1x的正态分布。

该函数实现了Andrews、DWK和H.-Y. Chen (1994)提出的AR(p)模型的近似中值无偏估计。该方法不依赖于任何工具箱，适用于经济统计研究。

在估计学生t回归模型时，假设模型为 y = X*beta + eps，其中eps服从学生的t分布（0, sigma, nu），这里nu > 2。采用最大似然估计法来确定参数。

利用MATLAB完整实现的AR模型功率谱估计，直接可运行。

包含3个.m文件：第一个文件使用CIR模型模拟期限结构，第二和第三个文件进行模拟并估计模型的参数。结果展示了200次运行的均值和标准差，验证滤波器的性能。详细信息请参考http://www.bankofcanada.ca/en/res/wp/2001/wp01-15a.pdf和/或Ren-Raw Chen和Louis Scott的文章“期限结构的多因素Cox-Ingersoll-Ross模型：来自卡尔曼滤波器模型的估计和测试”（房地产金融与经济杂志27，第2期，2003年，143-172页）。欢迎提出建议或评论。

CV_CT_IMM.rar 的资源挺适合研究目标跟踪的朋友，尤其是你想搞清楚多模型状态估计怎么跟卡尔曼滤波器结合的话。这东西用的是 IMM（交互多模型）算法，思路实在——准备好几个模型，比如匀速和匀速转弯，轮流上阵，哪个表现好就多给点权重。 压缩包里率有 Matlab 源码，还有仿真数据和实验图表。实现方式还挺清晰，关键步骤像模型预测、误差评估、贝叶斯融合这些也都覆盖到了。你要是对 动态系统状态估计、尤其是视觉里的那种行人或车的跟踪任务感兴趣，这包值得一看。 Kalman Filter 在这儿是基础构件，它自己就能滤噪融合传感器数据了。但加上 IMM 之后，估计效果更稳。尤其在轨迹突然变向或者

此代码基于 RIS（递归重要性采样）和 MSL（最大模拟似然）程序，可用于时空自回归概率模型的估计。

使用Matlab编写的仿真程序，用于数字信号处理中的AR参数模型功率谱估计。

核密度非参数估计的matlab代码ICA-R-估计参考： M. Hallin & C. Mehta (2015)。非对称独立分量分析的R估计。美国统计协会杂志，110(509)，218-232独立分量分析(ICA)是一种多变量统计方法，其中将观察到的信号去卷积或分离为独立的潜在源信号。在ICA模型中，观察到的m向量满足，其中是一个非奇异维混合矩阵，是一个向量，其分量S_k(t)具有成对独立分布（超过t=1,2,...）。ICA的一个主要目标是从观察到的X向量中估计混合矩阵()。将混合矩阵的准确估计的逆应用于观察到的混合X向量允许恢复ICA模型中的源信号。在这个项目中，我们为混合矩阵提出了一个单