Chiudi

Aggiungi l'articolo in

Chiudi
Aggiunto

L’articolo è stato aggiunto alla lista dei desideri

Chiudi

Crea nuova lista

Rethinking Biased Estimation: Improving Maximum Likelihood and the Cramer-Rao Bound - Yonina C. Eldar - cover
Rethinking Biased Estimation: Improving Maximum Likelihood and the Cramer-Rao Bound - Yonina C. Eldar - cover
Dati e Statistiche
Wishlist Salvato in 0 liste dei desideri
Rethinking Biased Estimation: Improving Maximum Likelihood and the Cramer-Rao Bound
Disponibilità in 2 settimane
140,60 €
140,60 €
Disp. in 2 settimane
Chiudi
Altri venditori
Prezzo e spese di spedizione
ibs
140,60 € Spedizione gratuita
disponibilità in 2 settimane disponibilità in 2 settimane
Info
Nuovo
Altri venditori
Prezzo e spese di spedizione
ibs
140,60 € Spedizione gratuita
disponibilità in 2 settimane disponibilità in 2 settimane
Info
Nuovo
Altri venditori
Prezzo e spese di spedizione
Chiudi

Tutti i formati ed edizioni

Chiudi
Rethinking Biased Estimation: Improving Maximum Likelihood and the Cramer-Rao Bound - Yonina C. Eldar - cover

Descrizione


Rethinking Biased Estimation discusses methods to improve the accuracy of unbiased estimators used in many signal processing problems. At the heart of the proposed methodology is the use of the mean-squared error (MSE) as the performance criteria. One of the prime goals of statistical estimation theory is the development of performance bounds when estimating parameters of interest in a given model, as well as constructing estimators that achieve these limits. When the parameters to be estimated are deterministic, a popular approach is to bound the MSE achievable within the class of unbiased estimators. Although it is well-known that lower MSE can be obtained by allowing for a bias, in applications it is typically unclear how to choose an appropriate bias. The book introduces MSE bounds that are lower than the unbiased Cramer-Rao bound (CRB) for all values of the unknowns. It then presents a general framework for constructing biased estimators with smaller MSE than the standard maximum-likelihood (ML) approach, regardless of the true unknown values. Specializing the results to the linear Gaussian model, it derives a class of estimators that dominate least-squares in terms of MSE. It also introduces methods for choosing regularization parameters in penalized ML estimators that outperform standard techniques such as cross validation.
Leggi di più Leggi di meno

Dettagli

Foundations and Trends (R) in Signal Processing
2008
Paperback / softback
160 p.
Testo in English
234 x 156 mm
235 gr.
9781601981301
Chiudi
Aggiunto

L'articolo è stato aggiunto al carrello

Chiudi

Aggiungi l'articolo in

Chiudi
Aggiunto

L’articolo è stato aggiunto alla lista dei desideri

Chiudi

Crea nuova lista

Chiudi

Chiudi

Siamo spiacenti si è verificato un errore imprevisto, la preghiamo di riprovare.

Chiudi

Verrai avvisato via email sulle novità di Nome Autore