贝叶斯定理 2022年1月11日2021年4月17日 通过马图拉纳坦 重点:贝叶斯定理是一种修正特定事件先验概率的方法,考虑到有关该事件的可用证据。在统计学中,从随机变化的数据中得出结论的过程称为“统计推断”。通常,在任何随机实验中,都会记录观察结果,并得出结论…阅读更多信息
随机信号的统计测度 2021年10月24日2020年8月2日 通过马图拉纳坦 重点:讨论随机信号的统计度量:均值、方差、偏度、峰度、直方图、散点图、互相关和自相关。确定性和随机信号确定性信号在给定的关注时间跨度内是完全可预测的。它可以用解析形式表示(例如:x(t)=sin(2πfct))。许多信号…阅读更多信息
Python中的Matplotlib直方图和估计PDF 2021年10月27日2020年6月5日 通过马图拉纳坦 重点:通过示例显示:让我们使用Python的Matplotlib直方图函数估计并绘制随机变量的概率密度函数。生成具有所需概率分布特性的随机变量在通信系统仿真中至关重要。让我们看看如何生成一个简单的随机变量,估计并绘制概率…阅读更多信息
隐马尔可夫模型(HMM)–简化!!! 2023年3月16日2020年3月17日 通过马图拉纳坦 马尔可夫链在计算可观察事件的概率时很有用。然而,在许多实际应用程序中,我们感兴趣的事件通常是隐藏的,即我们不直接观察它们。需要推断这些隐藏事件。例如,给定一个自然语言的句子,我们只观察…阅读更多信息
马尔可夫链–简化!! 2021年10月27日2020年3月6日 通过马图拉纳坦 重点:马尔可夫链是一种概率模型,它描述了一系列观察结果,这些观察结果的发生仅在统计上依赖于之前的观察结果。● 语音、股价走势等时间序列数据。● 句子中的单词。● DNA阶梯梯级上的碱基对。状态和转换假设我们要建模…阅读更多信息
使用自动回归(AR)模型生成彩色噪声 2020年11月17日2019年12月4日 通过马图拉纳坦 重点:学习如何使用自回归(AR)模型生成彩色噪声。应用Yule-Walker方程产生幂律噪声:粉红噪声、布朗噪声。自回归(AR)模型使用AR时间序列模型,可以将不相关的高斯随机序列转换为相关的高斯序列。如果时间序列随机序列是…阅读更多信息
用Jakes PSD生成有色噪声:谱分解 2020年11月17日2019年10月17日 通过马图拉纳坦 本文的目的是演示频谱分解方法在生成具有Jakes功率谱密度的有色噪声中的应用。在继续之前,我敦促读者阅读这篇文章:生成相关高斯序列简介。在频谱分解方法中,滤波器是使用所需的频域特性(如…阅读更多信息
生成相关高斯序列(有色噪声) 2020年11月17日2019年10月15日 通过马图拉纳坦 重点关注:有色噪声序列(也称为相关高斯序列)是一个非白色随机序列,在各个频率上具有非恒定的功率谱密度。引言谈到高斯随机序列,例如高斯噪声,我们通常认为这种高斯序列的功率谱密度(PSD)是平坦的。我们应该理解高斯序列的PSD…阅读更多信息
指数随机变量——模拟与应用 2020年11月17日2019年7月26日 通过马图拉纳坦 引言指数随机变量(RV)是一种连续随机变量,在泊松过程建模中有应用。泊松过程在远程交通建模和排队论中有着广泛的应用。它们用于对时间或空间中的随机点进行建模,例如呼叫请求到达交换机的时间、…阅读更多信息
基于Matlab的二项式随机变量 2020年11月17日2019年7月25日 通过马图拉纳坦 二项式随机变量是一种离散的随机变量,它对相互独立的伯努利试验的成功次数进行建模,每个试验都有成功的概率。伯努利试验一词意味着每项试验都是随机试验,有两种可能的结果:成功和失败。它可以用来模拟…阅读更多信息