问题的一般提出: 统称为估计，简记为 。 为 的估计量、 （ ）为 的估计值。 值 （ ）来估计未知参数 。称 （ ） 要构造一个适当的统计量 （ ），用它的观察 是相应的一个样本值。点估计问题就是 待估计的参数， 是 的一个样本， 设总体 的分布函数 为已知

2.3.1精度估算的目的和方法 个·目的一—求推算元素边长、方位角、坐标的中误差。 方法——公式估算和程序估算

1 概率密度估计 2 最大似然估计 例 1 均值和方差的无偏与有偏估计 什么是高斯分布 ML 的全局最优？ 二元函数局部最优条件 例 2 3 最大后验概率估计 例 3 4 贝叶斯估计 例 4 5 期望最大化 EM EM 在高斯混合模型中的应用

Part 1 经验估值法 Part 2 相对估值法 Part 3 绝对估值法 Part 4 风险资本法 Part 5 DEVA法 Part 6 期权定价法

经验估值法 相对估值法 绝对估值法 风险资本法 DEVA法 期权定价法

 矩估计(The Method of Moments)  极大似然估计（The Method of Maximum Likelihood）  估计量的评选标准  区间估计

针对由于焊接残余应力、磁场噪声等干扰,造成磁记忆检测在焊缝早期隐性损伤位置定量评价上的困难,提出基于粒子群算法优化的最大似然估计磁记忆梯度定量模型.通过对预制未焊透缺陷的Q235焊接试件进行焊缝疲劳拉伸实验,同步对比扫描电镜和X射线检测结果,发现磁记忆信号梯度对早期隐性损伤位置反应比较敏感,并获得了梯度随着与隐性损伤的距离增大而减小的衰减变化规律,构建隐性损伤位置参数与磁记忆梯度的非线性函数,考虑磁场噪声对隐性损伤定位结果的影响,引入最大似然估计建立目标函数,进一步考虑目标函数的非线性容易陷入局部极值而非全局极值的问题,采用具有全局搜索能力的粒子群算法对目标函数进行优化,建立基于粒子群最大似然估计的焊缝隐性损伤位置磁记忆定量模型,验证结果表明定位误差仅为3.48%,为实际工程中利用磁记忆技术及时发现早期隐性损伤并精确定位提供了新的思路

针对传统算法在抗光照变化影响、大位移光流和异质点滤除等方面的不足,从人类视觉认知机理出发,提出了一种基于机器学习和生物模型的运动自适应V1-MT (motion-adaptive V1-MT,MAV1MT)序列图像光流估计算法.首先,引入基于ROF模型的结构纹理分解(structure-texture decomposition,STD)技术,有效解决了光照和色彩变化的影响.其次,利用多V1细胞加权组合及非线性正则化模拟MT细胞模型,并结合岭回归训练学习得到运动自适应的权重,解决对目标的运动速度感知问题.最后,引入由粗到精的增强方法和图像金字塔局部运动估计采样,将V1-MT运动估计模型应用于实际大位移视频序列.理论分析和实验结果表明,新方法能更加拟合人眼视觉信息处理特性,对视频序列具有普适、有效、鲁棒的运动感知性能

本题中所使用的长度单位为 E(=30.24cm)；容积单 位为 G(=3.785L(升)). 某些州的用水管理机构需估计公众的用水速度 (单位是 G/h)和每天总用水量的数据。许多地方没有测 量流入或流出水箱流量的设备，而只能测量水箱中的 水位(误差不超过 5%). 当水箱水位低于某最低水位 L 时，水泵抽水，灌入水箱内直至水位达到某最高水位 H 为止。但是也无法测量水泵的流量，因此在水泵启 动时无法立即将水箱中的水位和水量联系起来。水泵 一天灌水 1~2 次，每次约 2h. 试估计在任意时刻(包括 水泵灌水期间)t 流出水箱的流量 f(t)，并估计一天的总 用水量

专题一：ARCH 模型的有关专门问题 一、 ARCH 模型的估计检验问题 (一）ARCH 模型的估计 估计 ARCH 模型的常用方法是极大似然估计。对于回归模型