没有项目描述
mecm的Python项目详细描述
mecm
==
mecm python包提供了q.baghi等人开发的改进期望最大化算法的实现，可在
https://arxiv.org/abs/1608.08530
它基于一种接近于期望最大化的算法，该算法通过利用快速傅立叶变换、快速矩阵到向量乘法、以及以及稀疏线性代数。
让我们考虑一个可以用
格式编写的数据模型。数学：
y=a\beta+n
，其中：
*y是均匀采样的测量时间序列数据（大小n）。
*a是设计矩阵（大小n x k）
*beta是要估计的参数向量（大小k）
*n是噪声向量，假设在给定平滑谱密度s（f）
的情况下遵循高斯平稳分布，现在假设只观察到向量y的一些项。观察到的和丢失的数据的指数是由一个二元掩模向量m提供的，当观察到数据时，它的项
等于1，否则等于0。
所以实际上我们只观察到一个向量y，这样
代码块：
y碜obs=y[m==1]
线性平滑器。
*conditionalDraw：一个函数，根据观测数据有条件地计算缺失数据的条件期望值，假设是高斯平稳模型。
安装之前，请确保已安装了以下python包：
-
*numpy:http://www.numpy.org/
*scipy:https://www.scipy.org/
*pyfftw:https://pypi.python.org/pypi/pyfftw
*cvxopt:http://cvxopt.org/
*numba:https://numba.pydata.org/
然后打开一个终端（或在windows上执行一个命令），并使用以下命令：：
安装
许可证
----
请参见"许可证文件<；https://github.com/porlopoff/mecm/blob/master/license.txt>；`
《快速入门指南》
----
mecm基本上可用于执行任何多线性回归分析，其中
噪声的分布假定为高斯分布且在
广义上是平稳的，使用平滑的功率谱密度（psd）。
数据生成
首先，我们生成一些包含噪声和信号的简单时间序列。
要生成噪声，我们从一个白色的零均值高斯噪声开始，然后对其进行滤波，得到一个平稳的有色噪声：
。代码块：
大小=n）应用滤波将其转换为有色噪声
r=0.01
b，a=信号。黄油（3，0.1/0.5，bType='High'，模拟=假）n=信号。lfilter（b，a，noise，axis=-1，zi=none）+noise*r
然后我们需要一个确定的信号来添加。我们选择一个频率f0和振幅a0分别为
代码块：
t=np.arange（0，n）
f0=1e-2
a0=5e-3
s=a0*np.s in（2*np.pi*f0*t）
数学：
y=a\beta+n
代码块：
m=np.ones（n）
ngaps=30
gapstarts=（n*np.random.random（ngaps））.astype（int）
gaplength=10
gapends=（gapstarts+gaplength）.astype（int）
for k in range（ngaps）：m[gapstarts[k]：gapends[k]=0
版本，M*Y.
2.线性回归
现在假设我们观察到m*y，我们希望估计频率和相位已知的正弦波的振幅
，以及
噪声残差的psd。
可用数据是
代码块：
y=m*（s+n）
我们必须通过：
指定设计矩阵（即数据模型）。代码块：
a=np.array（[np.sin（2*np.pi*f0*t））.t
>然后我们可以运行mecm最大似然估计，方法是写入：
……代码块：
估计的完整数据向量，数据周期图的条件
期望（在傅里叶频率下），以及
psd_估计类的一个实例。
documentation
----
https://github.com/porlopoff/mecm/blob/master/docs/build/html/index.html>；`
contribution
----
mecm是一款开源软件。欢迎大家贡献！
请将原始论文放在科学论文中：
https://arxiv.org/abs/1608.08530
==
mecm python包提供了q.baghi等人开发的改进期望最大化算法的实现，可在
https://arxiv.org/abs/1608.08530
它基于一种接近于期望最大化的算法，该算法通过利用快速傅立叶变换、快速矩阵到向量乘法、以及以及稀疏线性代数。
让我们考虑一个可以用
格式编写的数据模型。数学：
y=a\beta+n
，其中：
*y是均匀采样的测量时间序列数据（大小n）。
*a是设计矩阵（大小n x k）
*beta是要估计的参数向量（大小k）
*n是噪声向量，假设在给定平滑谱密度s（f）
的情况下遵循高斯平稳分布，现在假设只观察到向量y的一些项。观察到的和丢失的数据的指数是由一个二元掩模向量m提供的，当观察到数据时，它的项
等于1，否则等于0。
所以实际上我们只观察到一个向量y，这样
代码块：
y碜obs=y[m==1]
线性平滑器。
*conditionalDraw：一个函数，根据观测数据有条件地计算缺失数据的条件期望值，假设是高斯平稳模型。
安装之前，请确保已安装了以下python包：
-
*numpy:http://www.numpy.org/
*scipy:https://www.scipy.org/
*pyfftw:https://pypi.python.org/pypi/pyfftw
*cvxopt:http://cvxopt.org/
*numba:https://numba.pydata.org/
然后打开一个终端（或在windows上执行一个命令），并使用以下命令：：
安装
许可证
----
请参见"许可证文件<；https://github.com/porlopoff/mecm/blob/master/license.txt>；`
《快速入门指南》
----
mecm基本上可用于执行任何多线性回归分析，其中
噪声的分布假定为高斯分布且在
广义上是平稳的，使用平滑的功率谱密度（psd）。
数据生成
首先，我们生成一些包含噪声和信号的简单时间序列。
要生成噪声，我们从一个白色的零均值高斯噪声开始，然后对其进行滤波，得到一个平稳的有色噪声：
。代码块：
大小=n）应用滤波将其转换为有色噪声
r=0.01
b，a=信号。黄油（3，0.1/0.5，bType='High'，模拟=假）n=信号。lfilter（b，a，noise，axis=-1，zi=none）+noise*r
然后我们需要一个确定的信号来添加。我们选择一个频率f0和振幅a0分别为
代码块：
t=np.arange（0，n）
f0=1e-2
a0=5e-3
s=a0*np.s in（2*np.pi*f0*t）
数学：
y=a\beta+n
代码块：
m=np.ones（n）
ngaps=30
gapstarts=（n*np.random.random（ngaps））.astype（int）
gaplength=10
gapends=（gapstarts+gaplength）.astype（int）
for k in range（ngaps）：m[gapstarts[k]：gapends[k]=0
版本，M*Y.
2.线性回归
现在假设我们观察到m*y，我们希望估计频率和相位已知的正弦波的振幅
，以及
噪声残差的psd。
可用数据是
代码块：
y=m*（s+n）
我们必须通过：
指定设计矩阵（即数据模型）。代码块：
a=np.array（[np.sin（2*np.pi*f0*t））.t
>然后我们可以运行mecm最大似然估计，方法是写入：
……代码块：
估计的完整数据向量，数据周期图的条件
期望（在傅里叶频率下），以及
psd_估计类的一个实例。
documentation
----
https://github.com/porlopoff/mecm/blob/master/docs/build/html/index.html>；`
contribution
----
mecm是一款开源软件。欢迎大家贡献！
请将原始论文放在科学论文中：
https://arxiv.org/abs/1608.08530
欢迎加入QQ群-->： 979659372
