“似然比”造句，怎麼用似然比造句

討論矩約束條件下的廣義經驗似然比統計量族以及相應的*質。

本文首先討論了名義尺度總體的引數估計,然後在研究了似然比統計量極限分佈的基礎上,給出了兩個名義尺度總體相等的似然比檢驗方法.

提出了樹搜尋演算法中基於對數似然比資訊的排序演算法，給出了使用對數似然比資訊排序的一般公式

狹義最大似然比檢測演算法(GLR)非空時自逆當訊號處放的比擬典型的演算法。

本文構造了非線*模型中引數的經驗歐氏似然比統計量，並*了該似然估計的強相合*和漸近正態*。

該方法首先對各距離分辨單元在方位向進行非相參積累，然後利用類似單個脈衝下擴充套件目標的廣義似然比檢測器來實現高解析度雷達的檢測。

利用廣義似然比檢驗（GLRT）解碼演算法，匯出了成對符號錯誤概率（PEP）上限和碼的設計準則。

最新的文獻表明這個提出的修正似然比檢驗統計量在零假設下的漸近分佈是比較簡單，並且是容易應用的。

分組判決演算法利用檢測窗內所有資料幀，在廣義似然比準則下對相關模板進行聯合估計，進一步壓制了模板噪聲。

並對其陽*結果似然比（PRLR）進行分析。

論文得到了球形檢驗的似然比準則，它的漸近展開與極限分佈。

提出了一種基於資訊似然比的計算驗前資訊可信度的新方法。

方法通過標準正交對比變換克服資料間的自相關*，應用似然比統計量進行假定條件的檢驗。

對給定的壽命試驗資料x，利用似然比檢驗法可對該資料是來自截尾指數分佈還是截尾常態分佈進行判別，但卻很難求出似然統計量的分佈形式。

在討論(廣義)非引數似然比擬合優度檢驗時，加權經驗過程理論是一個非常重要的基礎。

*估計的強相合*和漸近正態*，給出似然比檢驗統計量的極限分佈，並討論基於精確分佈的檢驗問題。

匯出了雜波穩定分量相干及不相干時的似然比(LR)檢測器的結構。

然而廣義似然比檢測不能有效利用瞬態訊號的固有特*，檢測*能不是很好。

然後基於時域差分模型提出了紅外慢速小目標時域檢測演算法，演算法共分為兩步：相關檢測和廣義似然比檢測。

狹義最大似然比檢測演算法（GLR）非空時自逆當訊號處放的比擬典型的演算法。

給出了正態總體均值和標準差的最大似然估計（M LE），似然比檢驗統計量及其漸近分佈等結果。

似然比方法計算靈敏度。結果：依據*疾病控制中心制定的標準確診萊姆病43例。