matlab均方误差的代码 PML 近似轮廓最大似然估计。 该软件包在中实现了算法。 注意：当前版本的代码为Python中单一分布的功能（如熵和支持集大小）实现了近似PML。 多维PML的代码（用于多种分布的功能，如L1距离）将在2020年7月底发布，Julia和Matlab的实现也将在此之前发布。 剖析最大似然概览 假设我们有n具有经验分布（直方图）的样本p̂=(̂p[1], ̂p[2], ...) 。 重新标记σ̂p = (p̂[σ[1]], p̂[σ[2]], ...)根据置换σ置换p̂的分量。 轮廓最大似然（PML）分布pᴾᴹᴸ使观察到经验分布p̂任何重新标记的可能性最大化。 计算PML分布等效于解决以下优化问题： 其中和在分布p的支持集的所有置换σ上，

一项众包实验，其中，英国广播公司（BBC）电视节目的观看者（“人群”）提交了不倒翁硬币数量的估计值（在第1部分）中显示，服从对数正态分布∧ （m，s2）。 硬币估计实验是适用于众包解决方案的广泛图像分析和对象计数问题的原型。 当前文章（第2部分）的目的是通过贝叶斯方法和最大似然（ML）方法确定∧（m，s2）的位置和比例参数（m，s），并比较结果。 分析的结果之一是通过杰弗里斯的规则解决了有关适当贝叶斯先验问题的问题。 结果表明，贝叶斯分析和ML分析导致位置参数的表达式相同，但尺度参数的表达式不同，这在无限样本量的限制内变得相同。 分析的第二个结果涉及使用样本均值作为不寻求或不知道响应分布的应用程序中人群信息的度量。 在硬币估计实验中，发现样本均值与根据∧（m，s2）计算出的平均硬币数相差很大。 这种不一致性引发了关于样本平均值是否以及在何种条件下提供人群信息的可靠度量的关键问题。 本文通过使用最大熵原理（PME）解决了该问题。 PME产生了一组方程，用于找到与给定的先验信息且仅与该信息一致的最可能的分布。 如果对于指定的样本均值和样本方差没有PME方程的解，则样本均值是不可靠的统计信息

简单空间调制，最大似然检测代码，具体实施细节如下： （1）发射天线数：4 （2）接收天线数：4 （3）调制方式：QPSK， （4）空间调制每次发送比特数(Pbit)：Pbit = log2(发射天线数)+log2(调制方式) （5）信道噪声：高斯噪声 （6）信道：复高斯信道 （7）每时隙发送比特数(Nbit)：256 具体细节参考：https://blog.csdn.net/ProgrammersFighting/article/details/116994638

最大似然波达方向(DOA)估计具有最优的理论性能,但是存在计算量过大的问题。为了降低最大似然DOA估计的计算量,将参数估计转化为高维非线性函数的优化问题,并提出了一种新的优化算法。首先利用波束形成法对空间谱进行预估计并根据空间谱信息构造一组满足"预估分布"的初始解,这组初始解以较大概率落在全局最优解的局部吸引域中。然后将其中适应度最大的一个初始解作为局部搜索的起点。网格爬山法是一种以网格为单元的局部搜索方法,比传统爬山法更加高效和稳定,因此采用该方法获取全局最优解。新算法不仅能够得到精确的参数估计,同时具有较高的计算效率,计算机仿真显示新算法的计算效率高于基于粒子群优化的最大似然DOA估计算法。

论文的Matlab代码： VK Veludandi 和 K. Vasudevan，“SIMO-OFDM 中卷积编码 DQPSK 基于线性预测的数据检测”， CoRR，卷。 abs/1710.02977, 2017. [在线]。 可用的： http://arxiv.org/abs/1710.02977

matlab 期望函数代码 ML_Maximization 最大似然期望最大化算法 分两个语言版本： Matlab:主函数为demo_MLEM_Simulation.m python: im = phantom(im_size, im_size)函数是Matlab内置的，生产一个im_size * im_size的矩阵（图片），在python中直接把矩阵数据放到im.csv中进行读取 Images MLEM函数的主要作用是试照片降噪，在程序迭代10次，python代码把每次迭代后的图像记录也保存下来了，请参考images文件夹

最大似然法则下的固定相偏估计

在快速傅里叶变换(FFT)粗估计的基础上，通过曲线拟合，得到一种实现简单的次优高精度频率估计算法。现有的精确估计算法多采用FFT输出的幅度信息，或是FFT的复数输出进行精确估计。本文提出了利用幅度平方信息做精确估计的算法，有效地简化了运算复杂度，实现结构简单。通过仿真验证了本算法在低信噪比下也具有较高的估计精度。

参考资料：参见 K Vasudevan 所著的“数字通信和信号处理”一书中的第 2.7 节

TreeTime：最大似然定年和祖先序列推断 概述 TreeTime提供了用于祖先序列重建和分子钟系统发生学推论的例程，即一棵树，其中所有分支都按比例缩放，使得末端节点的位置对应于其采样时间，内部节点位于最可能的发散时间。 为了优化时间尺度系统发育的可能性，TreeTime使用一种迭代方法，该方法首先根据给定的树的分支长度来推断祖先序列，然后优化时间轴上不受约束的节点的位置，然后重复此循环。 唯一的拓扑优化是（可选）解析多面体的方式，这种方式与树上的采样时间约束最（近似）一致。 该软件包旨在用作命令行上的独立工具，或用作较大的系统发育分析工作流程中使用的库。 。 除了脚本TreeTime或经由命令行使用它，也有在一个小型Web服务器 。 看看我们的和。 特征 祖先序列重建（边缘和联合最大似然） 分子时钟树推论（边际和联合最大似然） GTR模型的推论 重生以最大化时间信号并优化根尖