一 前言
参数估计是数学建模过程中一个非常重要的步骤。参数估计就是依据所给样本数据估算相关数学模型的未知参数。一个合适的参数估计方法，可以帮助建立更为精准的数学模型，以便更好地利用数学模型来揭示事物间的内在规律，提供更为精准的预测，为生产生活提供更大的助力。因此，参数估计对于数学模型的建立有极大的影响，值得对参数估计的方法进行更深入的探究。
二 正文
经典的参数估计算法主要有两种。一种是点估计，一种是区间估计。
点估计是依据样本估计总体分布中所含的未知参数或未知参数的函数。点估计问题就是要构造一个只依赖于样本的量，作为未知参数或未知参数的函数的估计值。构造点估计常用的方法是:①矩估计法。用样本矩估计总体矩，如用样本均值估计总体均值。②最大似然估计法。于1912年由英国统计学家R.A.费希尔提出，利用样本分布密度构造似然函数来求出参数的最大似然估计。③最小二乘法。主要用于线性统计模型中的参数估计问题。④贝叶斯估计法。基于贝叶斯学派(见贝叶斯统计)的观点而提出的估计法。
区间估计是依据抽取的样本，根据一定的正确度与精确度的要求，构造出适当的区间，作为总体分布的未知参数或参数的函数的真值所在范围的估计。1934年统计学家J.奈曼创立了一种严格的区间估计理论。求置信区间常用的三种方法:①利用已知的抽样分布。②利用区间估计与假设检验的联系。③利用大样本理论。
在经典参数估计方法的基础上，又进一步产生了递推参数估计法。
为了减少计算量，便于在线估计参数，产生了许多递推算法。一般是用递推算法估计动态系统的参数。方法是:利用时刻上的参数估计 、存储向量与时刻上的输入和输出数据和，计算新的参数值。每一步的计算时间比解一个线性代数方程组要少得多。最小二乘法和极大似然法都有递推形式，另外还有递推广义最小二乘法、递推辅助变量法和递推增广最小二乘法等，都是递推最小二乘法的改进形式，可以用来估计带有色噪声干扰的系统。此外，随机逼近算法、卡尔曼滤波法和朗道递推估计，是从不同的出发点得到的递推参数估计法(见递推估计算法)，大多数递推参数估计算法的一致性,即,可以用鞅收敛性、常微分方程稳定性和超稳定性、正实性分别证明。
三 总结
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
