动态估计

利用 MATLAB 实施测量程序，通过调整权重的大小实现稳健估计。

正态分布参数估计命令：[muhat, sigmahat, muci, sigmaci] = normfit(X, alpha) (默认alpha为0.05)其中：- muhat：均值点估计- sigmahat：标准差点估计- muci：均值区间估计- sigmaci：标准差区间估计

本研究中，我们介绍了一种基于外循环K和内循环大小n的动态条件期望方差估计方法。我们的代码使用Matlab开发，通过每阶段的估计和改进来优化n的计算。代码适用于T. Goda在2017年发表的文章中的Var-of-CE估计示例1、2和3。在多个阶段中，我们允许Var-of-CE估计值使用正在改进的n*，以提高估计精度和效率。在Goda的示例3中，我们观察到Var-of-CE估计的封闭形式方差降低了15%。具体实现包括代码调用脚本ANOVA_Multiple_n_ks_Var_Of_CE_Estimator.m。

从样本数据中得到的点估计值，虽然是总体参数的最佳猜测，但无法确定其与真实值之间的接近程度。例如，一项研究发现工作培训使小时工资提高了6.4%，但仅凭这一结果，我们无法得知若全体工人都参与培训，其影响是否会与之相符。由于总体参数未知，我们难以判断特定估计值的准确性。因此，我们需要借助概率陈述来构建区间估计，以更好地理解估计值的不确定性。

我们在这个示例中使用了两个传感器对状态(x)进行了测量。传感器1给出的测量值为x1=3，传感器2给出的测量值为x2=5。传感器1的噪声是零均值高斯噪声，方差为1；传感器2的噪声是零均值高斯噪声，方差为0.25。我们通过贝叶斯估计求解x及其方差的MMSE估计。根据附加的代码，我们得到状态x的期望值为4.6，方差为0.2。这个结果可能与卡尔曼滤波器的估计有关。

估计理论导论及其在谱分析中的应用。这是一个包含实验数据验证的MATLAB程序。参考书籍：《数字谱分析》，作者弗朗西斯·卡斯塔尼耶编辑。

给定信号向量“y”，计算其自相关函数的估计值。此方法从延迟1开始，直至延迟$p$，适用于实数或复数信号向量。

正态总体参数估计 命令：normfit(X, alpha) 显著性水平alpha缺省为0.05 返回值： muhat：均值点估计值 sigmahat：标准差点估计值 muci：均值的区间估计 sigmaci：标准差的区间估计

对于其他分布参数估计，可以采用两种方法：1. 当样本容量充分大时（n>50），根据中心极限定理，近似服从正态分布。2. 使用 MATLAB 工具箱中提供的特定分布函数进行估计：- [muhat, muci] = expfit(X,alpha)：在显著性水平 alpha 下，计算指数分布数据 X 的均值的点估计和区间估计。- [lambdahat, lambdaci] = poissfit(X,alpha)：在显著性水平 alpha 下，计算泊松分布数据 X 的参数的点估计和区间估计。- [phat, pci] = weibfit(X,alpha)：在显著性水平 alpha 下，计算 Weibull 分布数据 X 的参数的点估计和区间估计。

GestureGAN用于手势到手势的翻译任务。在给定的图像和新颖的手部骨骼情况下，GestureGAN能够生成相同人但不同手势的图像。此外，GestureGAN还支持跨视图图像翻译任务，能够在给定图像和语义图的情况下生成相同场景的不同视角图像。与其他最先进的图像到图像转换方法相比，GestureGAN框架展示了出色的性能。