请英语高手帮忙翻译一篇英语论文，专业点的！

摘要
粒子滤波,已经成功应用的fixed-lag或fixed-interval平滑分布在数字通信和履行近似的最大似然推断。因为这个状态矢量空间是有限的,它是可能的,在每一步考虑所有的后代(路)任何特定的粒子。因为每个粒子都有典型的几种可能的后代,人口的后代也比初始种群,因此需要构建一个新颖的粒子群优化算法选择,在所有这些问题,粒子的位置和计算适当的重量。在这里,我们提出一种选择算法,使无偏的期望损失与一般的距离函数。在盲解设置,选择方案的距离和Kullback-Leibler 0.0175,通过仿真比较差异的确定性的方案,只留下最好的重量。
介绍
粒子滤波方法[1,2]可以看作是指计算的概率的符号,它抚平已成功应用于许多数字通信方案(参见[3]和许多其他的)。取而代之的期望是在“成群”的总结,加权颗粒用一个序列仿真算法。在离散statespace,有可能考虑所有的后代的粒子,没有必要去选择一个适当的建议。Ifmis状态空间的大小和数量的粒子,后代的总人数等于锰。这个问题,所以选择其中大量试验的基础上,提出了一套具有代表性的粒子的粒子与联想到这些粒子适当重物。定义为了达到这一目的,经典的方法来吸引大量随机分配比例粒子权,导致一个同等重要系统粒子组成的。这是低效的离散状态语境,因为几个粒子可以被精确地复制。一个解决办法来避免这已经被提出的Fearnhead和克利夫(2003)[5],他创造了这个名字的最佳采样”。这个方法可以减少预期的L2-distance选中的重量。它仍然是最好的方法,探讨这些问题而选择氮损失最小化的信息。我们在这所做出的贡献,这可能会延长使用不同的统计指标,例如卡方距离和Kullback-Leibler差异。再者,我们分析一个确定性的选择方案,使只有那些拥有最好成绩的后代N。

凭人际关系自己找吧。专业翻译没工夫免费为你译这种长篇。

摘要
粒子滤波,已经成功应用的fixed-lag或fixed-interval平滑分布在数字通信和履行近似的最大似然推断。因为这个状态矢量空间是有限的,它是可能的,在每一步考虑所有的后代(路)任何特定的粒子。因为每个粒子都有典型的几种可能的后代,人口的后代也比初始种群,因此需要构建一个新颖的粒子群优化算法选择,在所有这些问题,粒子的位置和计算适当的重量。在这里,我们提出一种选择算法,使无偏的期望损失与一般的距离函数。在盲解设置,选择方案的距离和Kullback-Leibler 0.0175,通过仿真比较差异的确定性的方案,只留下最好的重量。
介绍
粒子滤波方法[1,2]可以看作是指计算的概率的符号,它抚平已成功应用于许多数字通信方案(参见[3]和许多其他的)。取而代之的期望是在“成群”的总结,加权颗粒用一个序列仿真算法。在离散statespace,有可能考虑所有的后代的粒子,没有必要去选择\问题,所以选择其中大量试验的基础上,提出了一套具有代表性的粒子的粒子与联想到这些粒子适当重物。定义为了达到这一目的,经典的方法来吸引大量随机选择粒子与分配比例的权重,导致一个同等重要系统粒子组成的。这是低效的离散状态语境,因为几个粒子可以被精确地复制。一个解决办法来避免这已经被提出的Fearnhead和克利夫(2003)[5],他创造了这个名字的最佳采样”。这个方法可以减少预期的L2-distance选中的重量。它仍然是最好的方法,探讨这些问题而选择氮损失最小化的信息。我们在这所做出的贡献,这可能会延长使用不同的统计指标,例如卡方距离和Kullback-差异。再者,我们分析一个确定性的选择方案,使只有那些拥有最好成绩的后代N。

摘要
粒子过滤已被成功地用于近似固定滞后或固定在数字通信间隔平滑分布和执行近似最大似然推理。由于状态空间是有限的，它有可能在每一个步骤，考虑所有的子女（路径的任何粒子）。因为每个粒子具有典型的几种可能的后代，在后代人口比最初的人口大，因此需要，是构建选择，在所有这些子女，粒子的位置和适当的重量计算一种新的粒子。在这里，我们提出一种新的公正的选择算法，最大限度地减少对于一般距离函数的预期损失。在盲解设置，选择关联的卡方距离和交叉熵计划比较了模拟，以确定性计划，只保留最重。
引言
粒子过滤方法[1，2]可以看作是一种手段，计算概率平滑的符号，它已成功地在许多情况下应用数字通信（见[3，4]和许多其他）。的期望取代总结了“群加权颗粒，这是作出一个连续的模拟算法”。在离散状态空间，就可以考虑所有给定颗粒子女，也没有必要选择一个适当的建议分配。 Ifmis的状态空间和N的粒子数目的大小，子女总数等于港元。因此，问题金额在这些建议中选择有代表性的粒子粒子集和关联这些粒子正确定义权。为此目的而制定的数额与分配权重比例，在同样的粒子产生的加权制度，随机粒子的经典方法。这是无效的离散状态空间范围内，因为一些粒子可以较准确地复制。一个完美的解决方案，以避免这种已被Fearnhead和克利福德（2003）[建议5]，谁创造了名'最佳采样'。这种方法可以减少预期的L2 -选定权的距离。它仍然调查哪些方法是最好的选择这些后代，同时尽量减少信息的损失。我们在这显示，这可能是使用不同的统计标准扩展的贡献，例如，卡方距离或交叉熵。此外，我们分析一个决定性的选择计划，只保留那些子女的最好成绩。

摘要

粒子过滤已被成功地用于近似固定滞后或固定在数字通信间隔平滑分布和执行近似最大似然推理。由于状态空间是有限的，它有可能在每一个步骤，考虑所有的子女（路径的任何粒子）。因为每个粒子具有典型的几种可能的后代，在后代人口比最初的人口大，因此需要，是构建选择，在所有这些子女，粒子的位置和适当的重量计算一种新的粒子。在这里，我们提出一种新的公正的选择算法，最大限度地减少对于一般距离函数的预期损失。在盲解设置，选择关联的卡方距离和交叉熵计划比较了模拟，以确定性计划，只保留最重。

引言

粒子过滤方法[1，2]可以看作是一种手段，计算概率平滑的符号，它已成功地在许多情况下应用数字通信（见[3，4]和许多其他）。的期望取代总结了“群加权颗粒，这是作出一个连续的模拟算法”。在离散状态空间，就可以考虑所有给定颗粒子女，也没有必要选择一个适当的建议分配。 Ifmis的状态空间和N的粒子数目的大小，子女总数等于港元。因此，问题金额在这些建议中选择有代表性的粒子粒子集和关联这些粒子正确定义权。为此目的而制定的数额与分配权重比例，在同样的粒子产生的加权制度，随机粒子的经典方法。这是无效的离散状态空间范围内，因为一些粒子能准确荤