文章探讨了参数模型和非参数模型的区别，强调参数模型的精确性，并深入解析了估计理论中的偏置、方差和均方误差概念，以及最大似然估计作为估计方法的基本思想。
目录
最大似然估计法（Maximum Likelihood, ML）
参数/非参数模型
用代数方程、微分方程、微分方程组以及传递函数等描述的模型都是参数模型。建立参数模型就在于确定已知模型结构中的各个参数。通过理论分析总是得出参数模型。
非参数模型是直接或间接地从实际系统的实验分析中得到的响应，例如通过实验记录到的系统脉冲响应或阶跃响应就是非参数模型。运用各种系统辨识的方法，可由非参数模型得到参数模型。如果实验前可以决定系统的结构，则通过实验辨识可以直接得到参数模型。
参数模型比非参数模型更精确。
估计理论
估计的偏（Bias）
估计的方差
均方差（MSE）/误差
最大似然估计法（Maximum Likelihood, ML）
最大似然估计法的基本思想是：当从模型总体随机抽取N组样本观测值后，在这N组观测值的基础上，估计样本分布的参数θ ，把可能性最大的那个参数θ 当作真值θ 的估计。
------------------------------------------------------------------------------------------------
因为文档中公式较多，不方便编辑，所以本文使用截图的方式展现。如需电子版文档，可以通过下面的链接进行下载。
链接
http://generatelink.xam.ink/change/makeurl/changeurl/11769
476
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
