统计估计不稳定性

从理论到实践:LMMSE信道估计中自相关矩阵的两种工程实现 本文深入探讨了LMMSE信道估计中自相关矩阵的两种工程实现方法:频域变换法和统计建模法。通过详细的MATLAB代码示例和对比分析,帮助工程师和研究人员解决实际应用中的核心挑战,提升信道估计的准确性和效率。 阅读详情

作者:chen_h
微信号 & QQ:862251340
微信公众号:coderpai


参数

参数是模型用于约束其预测的任何参数。通常,参数是有助于描述数据集或者分布的数据。例如,正太分布的均值是一个参数;实际上,我们说正太分布时通过其均值和方差来参数化的。如果我们采用从正太分布中抽取的一组样本的均值,我们得到分布均值的估计。类似的,一组观察值的平均值是对基础分布参数的估计(通常认为是正太的)。其他参数包括中值,与另一个系列的相关系数,标准偏差以及数据集的每个其他测量值。

你永远不知道,你只是估计

当你取数据集的平均值时,你不知道真正的平均值。你已从所拥有的数据中尽可能的估算出均值。估计可能会被取消。对于你估计的任何参数都是如此。要真正理解发生了什么,你需要通过查看其稳定性、标准误差、置信区间来确定你的估计有多好。

估计不稳定

每当我们考虑一组观察时,我们对参数的计算只能是估计。它会随着我们进行更能多测量或者随着时间的推移而改变,我们会得到新的观察结果。我们可以通过查看参数在参数数据的不同子集时如何变化来量化我们估计中的不确定性。利润,标准偏差描述了一组的平均值和每个观察的平均值的差异,即每个观察本身的平均值。在金融应用程序中,数据通常按时间顺序排列。在这种情况下,我们可以估计不同时间点的参数;比如,前 30 天。通过观察这个移动估计在我们改变时间窗口时波动的程度,我们可以计算估计参数的不稳定性。

# We'll be doing some examples, so let's import the libraries we'll need
import numpy as np
import matplotlib.pyplot as plt
import pandas as pd

例子:均值和标准差

首先,让我们看一下正太分布的一些样本。我们知道分布的均值为 0 ,标准差为 1;但是如果我们从观察中测量参数,我们将只得到大约 0 和 大约 1;我们可以看到这些估计如何随着我们采取越来越多的样本而改变;

# Set a seed so we can play with the data without generating new random numbers every time
np.random.seed(123)

normal = np.random.randn(500)
print(np.mean(normal[:10]))
print(np.mean(normal[:100]))
print(np.mean(normal[:250]))
print(np.mean(normal))

# Plot a stacked histogram of the data
plt.hist([normal[:10], normal[10:100], normal[100:250], normal], normed=1, histtype='bar', stacked=True);
plt.ylabel('Frequency')
plt.xlabel('Value');

plt.show()
-0.26951611032632805
0.027109073490359778
-0.020616059111720507
-0.038643973513210604

在这里插入图片描述

print(np.std(normal[:10]))
print(np.std(normal[:100]))
print(np.std(normal[:250]))
print(np.std(normal))
1.236304801499023
1.128240470477961
1.0174604368340197
1.0032028561568238

请注意,尽管平均值和标准偏差越接近 0 和 1 的概率随着样本数量的增加而增加,但我们并不总是通过获取更多数据点来获得更好的估计值。无论我们的期望是什么,我们总能获得不同的结果,我们的目标通常是计算结果与预期显着不同的概率。

对于时间序列数据,我们通常只关心数据的连续子集。移动平均线(也称为运行或者滚动)将前 n 个数据点的平均值分配给每个时间点。下面,我们计算股票价格的 90 天移动平均线,并绘制它以查看它如何变化。开始时没有结果,因为我们首先必须累积至少 90 天的数据。

例子:非正态基础分布

如果基础数据不正太分布会发生什么呢?一个含义是这是非常具有欺骗性的。因此,测试数据的正常性非常重要。我们将以 Jarque-Bera 测试为例。

#Generate some data from a bi-modal distribution
def bimodal(n):
    X = np.zeros((n))
    for i in range(n):
        if np.random.binomial(1, 0.5) == 0:
            X[i] = np.random.normal(-5, 1)
        else:
            X[i] =  np.random.normal(5, 1)
    return X
            
X = bimodal(1000)

#Let's see how it looks
plt.hist(X, bins=50)
plt.ylabel('Frequency')
plt.xlabel('Value')
plt.show()
print('mean:', np.mean(X))
print('standard deviation:', np.std(X))

在这里插入图片描述

mean: 0.009847581282146528
standard deviation: 5.060708740105227

果然,平均值对数据中发生的事情的信息量非常大。我们已将所有数据合并为单一估算,并且丢失了大量信息。如果我们假设它是正太分布的,那么这分布应该是正确的。

mu = np.mean(X)
sigma = np.std(X)

N = np.random.normal(mu, sigma, 1000)

plt.hist(N, bins=50)
plt.ylabel('Frequency')
plt.xlabel('Value');

plt.show()

在这里插入图片描述

我们将使用 Jarque-Bera 测试来测试我们的数据,看它是否正太分布。显著的 p 值表示非正太。

from statsmodels.stats.stattools import jarque_bera

jarque_bera(X)
(142.12550136207705,
 1.3735343038981241e-31,
 -0.007644415681800414,
 1.1531707484649847)

果然这个值 < 0.05,我们说 X 是非正太的。这使得我们免于意外制作的可怕预测。

例子:sharpe ratio

一个通常用于描述资产和投资组合表现的统计数据是夏普比率,它衡量投资组合所获得的每单位额外风险的额外回报,相对于无风险回报来说。

R=E[ra−rb]Var(ra−rb)R = \frac{E[r_{a} - r_{b}]}{\sqrt{Var(r_{a} - r_{b})}}R=Var(ra​−rb​)​E[ra​−rb​]​

其中,rar_{a}ra​ 是我们资产的回报,rbr_{b}rb​ 是无风险回报,与均值和标准差一样,我们可以计算滚动夏普比率,以了解我们的估计如何随着时间变化。

def sharpe_ratio(asset, riskfree):
    return np.mean(asset - riskfree)/np.std(asset - riskfree)

start = '2012-01-01'
end = '2015-01-01'
# Use an ETF that tracks 3-month T-bills as our risk-free rate of return
treasury_ret = get_pricing('BIL', fields='price', start_date=start, end_date=end).pct_change()[1:]
pricing = get_pricing('AMZN', fields='price', start_date=start, end_date=end)
returns = pricing.pct_change()[1:] # Get the returns on the asset

# Compute the running Sharpe ratio
running_sharpe = [sharpe_ratio(returns[i-90:i], treasury_ret[i-90:i]) for i in range(90, len(returns))]

# Plot running Sharpe ratio up to 100 days before the end of the data set
_, ax1 = plt.subplots()
ax1.plot(range(90, len(returns)-100), running_sharpe[:-100]);
ticks = ax1.get_xticks()
ax1.set_xticklabels([pricing.index[i].date() for i in ticks[:-1]]) # Label x-axis with dates
plt.xlabel('Date')
plt.ylabel('Sharpe Ratio');

在这里插入图片描述

夏普比率看起来相当不稳定,很明显,仅将其报告为单一值对于预测未来价值并不是很有帮助。相反,我们可以计算上述数据的均值和标准差,然后看看它是否有助于我们预测接下来 100 天的夏普比率。

# Compute the mean and std of the running Sharpe ratios up to 100 days before the end
mean_rs = np.mean(running_sharpe[:-100])
std_rs = np.std(running_sharpe[:-100])

# Plot running Sharpe ratio
_, ax2 = plt.subplots()
ax2.set_xticklabels([pricing.index[i].date() for i in ticks[:-1]]) # Label x-axis with dates
ax2.plot(range(90, len(returns)), running_sharpe)

# Plot its mean and the +/- 1 standard deviation lines
ax2.axhline(mean_rs)
ax2.axhline(mean_rs + std_rs, linestyle='--')
ax2.axhline(mean_rs - std_rs, linestyle='--')

# Indicate where we computed the mean and standard deviations
# Everything after this is 'out of sample' which we are comparing with the estimated mean and std
ax2.axvline(len(returns) - 100, color='pink');
plt.xlabel('Date')
plt.ylabel('Sharpe Ratio')
plt.legend(['Sharpe Ratio', 'Mean', '+/- 1 Standard Deviation'])

print('Mean of running Sharpe ratio:', mean_rs)
print('std of running Sharpe ratio:', std_rs)
Mean of running Sharpe ratio: 0.0646215053325
std of running Sharpe ratio: 0.0778015776531

在这里插入图片描述

在这种情况下,标准偏差约为范围的四分之一,因此该数据极不稳定。虽然我们仍然观察到查过一个标准偏差的数据,但是在向前看时考虑到这一点可以提供比仅适用均值更好的预测。我们还可以计算夏普比率的滚动均值来尝试和跟踪趋势;但在这种情况下,我们也应该记住标准偏差。

例子:移动平均线

假设你使用回滚窗口取平均值;你如何确定该估计的标准误差?让我们从一个显示 90 天移动平均线的例子开始。

# Load time series of prices
start = '2012-01-01'
end = '2015-01-01'
pricing = get_pricing('AMZN', fields='price', start_date=start, end_date=end)

# Compute the rolling mean for each day
mu = pd.rolling_mean(pricing, window=90)

# Plot pricing data
_, ax1 = plt.subplots()
ax1.plot(pricing) 
ticks = ax1.get_xticks()
ax1.set_xticklabels([pricing.index[i].date() for i in ticks[:-1]]) # Label x-axis with dates
plt.ylabel('Price')
plt.xlabel('Date')

# Plot rolling mean
ax1.plot(mu);
plt.legend(['Price','Rolling Average']);

在这里插入图片描述

这让我们可以看到均值的不稳定性 / 标准误差,并有助于预测数据的未来变化。我们可以通过计算滚动平均值的均值和标准差来量化这种可变性。

print 'Mean of rolling mean:', np.mean(mu)
print 'std of rolling mean:', np.std(mu)
Mean of rolling mean: 288.399003348
std of rolling mean: 51.1188097398

事实上,我们用来量化变异性的标准差本身就是一个变量。下面我们绘制滚动标准偏差(对于 90 天窗口),并计算器平均值和标准偏差。

# Compute rolling standard deviation
std = pd.rolling_std(pricing, window=90)

# Plot rolling std
_, ax2 = plt.subplots()
ax2.plot(std)
ax2.set_xticklabels([pricing.index[i].date() for i in ticks[:-1]]) # Label x-axis with dates
plt.ylabel('Standard Deviation of Moving Average')
plt.xlabel('Date')

print 'Mean of rolling std:', np.mean(std)
print 'std of rolling std:', np.std(std)
Mean of rolling std: 17.3969897999
std of rolling std: 7.54619079684

在这里插入图片描述

为了查看这个变化的标准偏差对我们的数据意味着什么,让我们再次绘制数据以及布林带:滚动平均值,一个滚动标准偏差(数据)高于平均值,一个标准偏差低于平均值。

请注意,尽管标准偏差为我们提供了有关数据传播的更多信息,但我们无法在不假设基础流程的特定分布的情况下为我们对未来观察的预期分配精确概率。

# Plot original data
_, ax3 = plt.subplots()
ax3.plot(pricing)
ax3.set_xticklabels([pricing.index[i].date() for i in ticks[:-1]]) # Label x-axis with dates

# Plot Bollinger bands
ax3.plot(mu)
ax3.plot(mu + std)
ax3.plot(mu - std);
plt.ylabel('Price')
plt.xlabel('Date')
plt.legend(['Price', 'Moving Average', 'Moving Average +1 Std', 'Moving Average -1 Std'])

在这里插入图片描述

结论

每当我们计算数据集的参数时,我们也应该计算其波动率。否则,我们不知道是否应该期望新数据点与此参数对齐。计算波动率的一种好方法是将数据划分为子集并从每个子集中估计参数,然后找出结果之间的可变性。在我们的样本期后可能仍然存在外部因素,而这些因素是我们无法预测的。然而,标准误差的不稳定性分析和测试对于高速我们我们应该多少不信任我们的估计仍然非常有用。

批归一化在线性模型中的延迟不稳定性与损失尖峰机制解析 批归一化(Batch Normalization)是深度学习中的一项基础技术,其核心原理是通过标准化每一层神经网络的输入分布,以加速训练收敛并稳定梯度。这项技术的价值在于它允许使用更高的学习率,并降低模型对参数初始化的敏感性。然而,当应用于线性模型(如线性回归或单层神经网络)时,批归一化与模型权重之间会形成一个延迟的反馈环路,导致系统出现不稳定的动力学行为。具体表现为模型权重和批次统计量发生周期性振荡,并伴随剧烈的损失尖峰。这种延迟不稳定性源于梯度更新与统计量估计之间的时间错配,是训练动态中一个重要的诊断现 阅读详情

相关推荐

变分贝叶斯估计:Wishart分布

在变分贝叶斯框架中,Wishart分布和逆Wishart分布通常被用作先验分布来建模协方差矩阵的不确定性。在变分推断中,这些分布的使用有助于对后验分布进行有效的近似。

新型多传感器导航融合算法及基于贝叶斯框架下自适应鲁棒滤波 3880

低阶统计与多频角同步:从协方差到相位分析的稳健方法

在信号处理与数据分析中,协方差矩阵和功率谱密度是刻画信号二阶统计特性的核心低阶统计量,它们计算稳定、对异常值不敏感,为理解信号结构提供了坚实基础。从原理上看,这些统计量通过傅里叶变换与频域分析,能够有效揭示信号在不同频率分量上的能量分布与相互关系。其技术价值在于,即使在数据不满足严格高斯分布假设的现实场景下,基于低阶统计的方法仍能保持较好的估计性能与鲁棒性。这一特性使其在低信噪比、小样本量的工程实践中极具优势。应用场景广泛覆盖无线通信、神经科学脑电分析和金融时间序列分析等领域,尤其适用于检测与量化多频角同步

weixin_32678995的博客 245

基于AR模型谱估计的MATLAB实战演练

除了使用MATLAB内置函数外,我们也可以自定义AR模型的谱估计过程。这涉及到编写算法来计算信号的自相关函数,然后根据自相关函数求解Yule-Walker方程组。以下是自定义Yule-Walker方程求解AR模型参数的一个代码示例:% 假设 rxx 为信号的自相关函数向量p = 10;% AR模型的阶数% 构造自相关矩阵% 解Yule-Walker方程求AR系数% 计算功率谱密度% 绘制自定义谱估计结果title('自定义Yule-Walker AR谱估计');

weixin_32098457的博客 410

从零开始学统计 03 | 均值,方差,标准差

均值 现在使用实际的2400亿个细胞计算均值,也就是总体均值(Population Mean) 估计均值(Estimated Mean): 统计学中,用符号x-bar来表示估计平均值,也叫样本平均值(Sample Mean) 使用希腊符号μ来表示总体均值(Population Mean) 可以从上图看到,样本均值与总体均值不同,但是随着测量越来越多的数据,x-bar会越来越接近μ。 方差、标准差 方差和标准差,代表数据是如何在总体均值周围分布的,计算总体方差的公式: x-μ, 代表从每个数据

Baimoc 1万+

大专非科班拿下汇丰外包Java岗:我的TEKSystem面试全流程复盘(含IKM笔试真题)

本文详细记录了一位非科班大专生成功通过TEKSystem面试,拿下汇丰银行Java外包岗位的全过程。从IKM全英文笔试到技术面试,作者分享了7个关键转折点的实战经验,包括简历优化、技术考点、英语面试策略及薪酬谈判技巧,特别适合初级Java开发者参考。

weixin_30074763的博客 395

AI安全攻防:十六进制编码与表情符号如何绕过ChatGPT安全限制

在人工智能安全领域,提示词工程是影响大语言模型行为的关键技术。其核心原理在于通过精心设计的输入文本,引导模型生成特定内容或执行特定任务。这项技术的价值在于能够深入探究模型的理解机制与决策边界,对于模型优化、安全测试及功能开发具有重要意义。在实际应用场景中,研究人员常利用编码转换、符号插入等方法构造输入,以测试模型安全护栏的鲁棒性。近期,一种结合十六进制编码与表情符号的组合攻击手法受到关注,该方法通过信息伪装与语义干扰,试图绕过模型内置的内容过滤机制,这凸显了当前AI安全在输入预处理与语义理解协同防御上面临的

weixin_30633405的博客 452

大数定律

在数学与统计学中,大数定律又称大数法则、大数律,是描述相当多次数重复实验的结果的定律。根据这个定律知道,样本数量越多,则其算术平均值就有越高的机率接近期望值。 大数定律很重要,因为它“说明”了一些随机事件的均值的长期稳定性。人们发现,在重复试验中,随着试验次数的增加,事件发生的频率趋于一个稳定值;人们同时也发现,在对物理量的测量实践中,测定值的算术平均也具有稳定性。   切比雪夫定理的一个特...

lukeyyanghang的博客 4129

ArcGIS供地图斑图形及属性入库操作(附练习数据)

已知数据: 供地图斑位置图。 供地图斑表格 成果要求:将供地图斑导入mdb数据库并将供地图斑表格的属性进行挂接。 接下来我们开始操作: 1、 打开arcmap,在目录内连接的文件夹内找到供地图斑位置图。图片 2、 将annotation和polygon添加到arcmap图片 3、 右击文件所在文件夹新建mdb数据库图片 4、 右击数据库新建要素数据集。(要素数据集非常重要,稍后所有操作都在数据集内进行)选择图斑投影方式及代号。图片 5、 右击要素数据集—导入(将图层内的数据导入数据库)图片 6、 数据导入.

qq_43173805的博客 8132

Mean ± SEM or Mean(SD) 区别

1. The common descriptive statistics is mean and standard deviation (SD) SD 平均值和标准偏差 Data not following the normal distribution, it is median and range 适用的数据不遵循正态分布,是个中位数和范围 The SD quantifies sca...

super_he_pi的博客 2万+

Unity 第一人称视角控制移动、旋转

第一人称视角操作此功能主要是借鉴YouTube,写的蛮好我就搬运过来让大家也试试。

qq_36515472的博客 4203

《UE4游戏开发》之 《查cook资源失败,问题记录》

当项目打包时,cook出错,但是从原始引擎提供的信息中,没有提示具体的那个资源出错,要查到出错资源,还是非常麻烦。 下面就材质cook出错,增加一些日志,方便查找问题做简单记录 材质cook的一个阶段,是收集MaterialShaderMap,如果在这个阶段收集的信息出错,将会在FShaderMapContent::GetOutdatedTypes函数中,因为Shaders指针指向的内存有问题而出错,通过断点发现,FShaderMapContent这个类对象指针为null,而这个类对象的来源于AllMat.

qq_21919621的博客 2581

机器学习正则化

机器学习正则化笔记概要 正则化(regularization)是用于抑制过拟合的方法的统称,它通过动态调整估计参数的取值来降低模型的复杂度,以偏差的增加为代价来换取方差的下降。 在线性回归里,最常见的正则化方式就是在损失函数(loss function)中添加正则化项(regularizer),而添加的正则化项 R(λ) 往往是待估计参数的 p- 范数。将均方误差和参数的范数之和作为一个整体来进行约束优化,相当于额外添加了一重关于参数的限制条件,避免大量参数同时出现较大的取值。由于正则化的作用通常是让参数估

abclaolao的博客 782

在运行opencv时出现的两个问题:AttributeError: module ‘cv2‘ has no attribute ‘gapi_wip_gst_GStreamerPipeline‘

解决了opencv的两个问题:由问题一引出 AttributeError: module 'cv2' has no attribute 'gapi_wip_gst_GStreamerPipeline' cv2.error:OpenCV(4.1.2)C:\projects\opencvpython\opencv\modules\highgui\src\window.cpp:717:error: (-2:Unspecified error) The function is not implemented...

hu_yinghui的博客 3278

征服统计学05|总体or估算总体均值、方差、标准差是什么?

总体or估算总体均值、方差、标准差是什么?

qq_21478261的博客 2633

dji psdk开发 关于SDK认证芯片的使用

Payload SDK V3.10.0 于 2025-1-8 发布,增加了 Matrice 4T/4E 机型支持,同时也增加了 DJI SDK 认证芯片(DJI SDK CC)功能支持。关于认证芯片的介绍大疆 SDK 认证芯片(DJI SDK Certified Chip),简称 DJI SDK CC,用于认证基于 DJI Eport/Eport-Lite 接口开发的第三方负载设备,确保设备能够正常工作并与无人机可以进行有效通信,起到负载安全认证和功能授权的作用。

热爱生活,忠于自己 2155

Qt/C++ 音视频开发: 共享解码线程/重复利用解码/极低CPU占用/画面同步/进度同步

通过共享解码线程和重复利用解码技术,可以显著降低CPU占用,提高多媒体应用的性能。同时,画面和进度同步技术保证了视频播放过程的平滑体验。

走向CTO的路上... 999

方差公式初三_初中数学方差知识点

初中数学方差知识点方差是实际值与期望值之差平方的期望值,而标准差是方差算术平方根。 在实际计算中,我们用以下公式计算方差。即s^2=(1/n)[(x1-x_)^2+(x2-x_)^2+...+(xn-x_)^2],其中,x_表示样本的平均数,n表示样本的数量,xn表示个体,而s^2就表示方差。而当用(1/n)[(x1-x_)^2+(x2-x_)^2+...+(xn-x_)^2]作为样本X的方差的估...

weixin_29108051的博客 4910

pscad IEEE标准系统搭建说明

pscad IEEE标准系统搭建说明,包含典型的IEEE 9节点、14节点、30节点、39节点和118节点系统。内含标准测试系统的原始数据和潮流结果。

什么是极大似然估计

极大似然估计(Maximum Likelihood Estimation, MLE)核心思想是选择那些使得观测数据最可能发生的参数值。本文给出了形式化定义公式,进行了举例说明:1. 伯努利分布的极大似然估计;2. 正态分布的极大似然估计

彬彬侠的博客 1881

假人有限元模型

假人模型,车辆碰撞假人有限元模型,适合做乘员安全的研究者利用

jre9下载 jdk9

(Java SE Runtime Environment 9.0) 9.0u175 官方最新版 【x86|x64】

关于隐藏参数_optimizer_use_feedback

关于隐藏参数_optimizer_use_feedback

weixin_43849138的博客 916

计算机控制技术及应用

《计算机控制技术及应用》通过总结作者的科研成果和吸收国内外的先进理论、方法和技术,以计算机控制系统的网络化、开放化、智能化和集成化发展趋势为主线索,主要介绍计算机控制系统的基本概念和计算机控制系统的典型形式,计算机控制系统的数学描述与基本分析方法,以及数字PID控制器、最少拍控制系统、达林算法、状态变量设计法等设计方法及其各种改进算法。重点突出计算机控制系统输入输出通道接口的设计方法和典型控制系统的设计案例与实现方法等。

点估计与区间估计:自然语言处理

1.背景介绍 自然语言处理(NLP)是人工智能的一个重要分支,旨在让计算机理解、生成和处理人类语言。在过去的几年里,随着深度学习和大数据技术的发展,NLP 领域取得了显著的进展。点估计(Point Estimation)和区间估计(Interval Estimation)是统计学中的基本概念,它们在NLP中也具有重要的应用价值。本文将详细介绍点估计与区间估计的核心概念、算法原理、具体操作步骤和数...

AI天才研究院 1344

区间估计的方法与实践:从实际案例学习

1.背景介绍 区间估计是一种常见的计算机科学问题,它涉及到对一个数值范围内的值进行估计。这种问题在许多领域中都有应用,例如机器学习、数据挖掘、计算机视觉等。在这篇文章中,我们将从实际案例入手,深入探讨区间估计的方法与实践。 1.1 区间估计的重要性 区间估计在许多实际应用中发挥着重要作用。例如,在预测天气时,我们需要对未来一段时间内的气温进行估计;在医学诊断时,我们需要对患者血糖值的范围进行...

AI天才研究院 1921

【模型预测、鲁棒评估】存在不稳定性的情况下进行序列预测附Matlab代码

序列预测,作为时间序列分析的核心组成部分,在金融预测、气象预测、工业控制等领域扮演着至关重要的角色。然而,真实世界的序列数据往往受到各种不稳定因素的影响,例如噪声、突变、季节性变动、甚至是系统性结构性变化。这些不稳定性给序列预测带来了巨大的挑战,传统的模型在处理这些不稳定数据时,预测性能常常大幅下降,甚至完全失效。因此,如何在存在不稳定性情况下进行序列预测,并对预测结果进行鲁棒评估,成为了当前研究的热点和难点。本文将深入探讨不稳定环境下序列预测的模型预测方法和鲁棒评估策略。

j_jinger的博客 677

MAP参数估计

(学习这部分内容大约需要40分钟) 摘要 在贝叶斯参数估计中, 除了先验是特别选定的情况下, 通常要积分掉所有模型参数是没有解析解的. 在这种情况下, 最大后验(maximum a posteriori, MAP)估计是一种常用的近似. 在MAP中, 我们选择最大化后验的参数. 尽管这种方法提供了计算方便, 但它也是有缺点的, 比如对于重新参数化(reparameterization)它不是不变的...

weixin_30733003的博客 328

经典谱估计(功率谱密度)方法及对应python代码

对于一个随机信号来讲,它本身的傅氏变换是不存在的,只能用功率谱密度来表征它的统计平均谱特性。一种是间接方法,它先对自相关序列进行估计(一般都需要引入窗函数将自相关序列值加权,以减小自相关序列截段的影响),然后再对其作傅里叶变换得功率谱估计。另一种是直接法,它根据观察到的有限样本数据 ,利用离散傅里叶变换来直接进行功率谱估计而不通过对自相关序列的估计,这种方法称为周期图法。将周期图进行平均处理是先将原始观测数据分成若干段,再求各段周期图的平均值,将其作为功率谱的估计,这就是平均周期图法。

weixin_45046994的博客 3985
上一篇: 基于回归分析的股票价格预测
下一篇: 使用 statsmodels 在 Python 中执行线性回归
coderpai
博客等级 码龄10年 1082粉丝 469原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值