XiaoMi-AI文件搜索系统
World File Search System线性估计
偏差、最佳线性估计以及基于脉冲的脑机接口算法的开环模拟和闭环性能之间的差异
同时记录的数十个神经元的活动可用于控制机械臂或计算机屏幕上光标的运动。这种运动神经假体技术激发了人们对推断运动意图的算法的兴趣。这些算法中最简单的是群体向量算法 (PVA)，其中每个细胞的活动用于加权指向该神经元首选方向的向量。离线时，可以证明更复杂的算法（例如最佳线性估计器 (OLE)）可以大大提高重建手部运动的准确性，优于 PVA。我们称之为开环性能。相反，这种性能差异可能不存在于闭环在线控制中。开环和闭环控制之间的明显差异是适应当时使用的解码器的具体情况的能力。为了预测算法在闭环控制中可能产生的性能提升，有必要建立一个模型来捕捉这种适应过程的各个方面。这里我们提出了一个用于对 PVA 和 OLE 的闭环性能进行建模的框架。通过模拟和实验，我们表明 (1) 某些解码器的性能增益可能远低于离线结果的预测，(2) 受试者能够补偿解码器中某些类型的偏差，以及 (3) 必须小心确保估计误差不会降低理论上最佳解码器的性能。© 2009 Elsevier Ltd. 保留所有权利。
H:/Latex/Sonobouy ACEKF_UDRC_conference_paper_2012/Sonobouy ACEKF_UDRC_conf_2012.dvi
摘要 — 我们考虑了水下声源的 DIFAR 声纳浮标方位估计问题。基于标准反正切的方法利用不同通道的观测噪声之间的正交性来形成方位估计，并忽略了实际源信号的相关结构。在本文中，我们提出了一种新的状态空间技术，与标准反正切估计器相比，该技术利用源信号中的相关结构来实现增强的性能，特别是在低信噪比 (SNR) 条件下。使用一些实际信号类别的模拟支持了该分析。索引术语 — 方位估计、DIFAR 声纳浮标、增强型复卡尔曼滤波器、随机游走建模、复圆度、宽线性估计
定量Kriging邻里分析（QKNA）
各种研究人员都仔细检查了Kriging的线性估计方面，以及每个块估计值的性能。为了评估Kriging绩效，采用了一组指标，称为定量Kriging邻里分析（QKNA）。QKNA包括Kriging方差（KV），Kriging效率（KE），统计效率（SE），回归的斜率（SR），负重量（NW）的幅度（NW）以及对平均值（WM）的简单krig重量。考虑可用数据，变量图和块几何形状，计算了块模型中每个块的计算，并量化Kriging性能。本课程回顾了QKNA的措施，讨论了应如何应用它们，并显示了一个小的实际例子。此外，它揭示了为什么QKNA不支持块大小或搜索半径的选择。
空间变异性的地统计建模及其...
摘要分为三个部分。第一部分介绍了地质统计学中开发的概率模型，用于描述空间中分布的自然变量的变异性、估计测量点之外的值、建立考虑空间变异性的数值模型以及表征数据和数值模型的不确定性。它涵盖了在 Georges Matheron 的领导下在 20 世纪下半叶发展起来的整个地质统计学：结构分析（变差函数的计算和建模）、线性估计（克里金法）、非平稳模型、多变量方法、支持变化和非线性方法（析取克里金法）、条件模拟、缩放效应和逆问题。通过理论和实践两个方面的阐述，对不同的地质统计方法进行了全面的阐述。介绍了实际应用，例如英吉利海峡隧道的地质构造建模以及预测与现实之间的比较。