Nonparametric Maximum Likelihood Estimation of Features in Spatial Point Processes Using Voronoï Tessellation
利用 Voronoi 剖分非参数极大似然估计空间点过程特征AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要研究空间点过程与支撑域恢复，没有描述经济网络、相互干扰或列表中其他细分所需的直接证据。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
利用 Voronoi 剖分非参数极大似然估计空间点过程特征
- 研究问题
- 在背景噪声存在时，如何根据空间点观测估计有界点过程的支撑区域，并区分目标区域中的点与背景来源的点？
- 方法与思路
- 作者利用数据自身定义的 Voronoi 空间剖分，为均匀点过程的混合模型推导极大似然估计，并通过模拟开展比较。
- 材料陈述的贡献
- 摘要提出基于空间剖分的支撑域估计方法，以航空观测识别雷区为动机，并与一种基于模型的聚类技术比较。
- 阅读关注点
- 应核对目标与背景点过程的设定、支撑域约束及似然构造，并检查空间剖分如何参与估计和模拟比较如何设计。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；支撑域识别条件、误差表现及比较结果未说明，不能推断刊本变化。
原文摘要
This article addresses the problem of estimating the support domain of a bounded point process in presence of background noise. This situation occurs, for example, in the detection of a minefield from aerial observations. A maximum likelihood estimator for a mixture of uniform point processes is derived using a natural partition of the space defined by the data themselves: the Voronoi tessellation. The methodology is tested on simulations and compared to a model-based clustering technique.