濾波算法的案例
基于Matlab的自適應濾波算法及其應用
案例：1、不同步長的濾波器參數更新曲線對比。2、相同步長的LMS算法和NLMS算法濾波器權重更新曲線對比
音頻+單頻噪聲：
單頻+白噪聲：
最后,如有相關需求,歡迎聯系.
vx: CAE320
公眾號:320科技工作室
136基于matlab的自適應濾波算法的通信系統中微弱信號檢測程序 ￥9.9
基于matlab的自適應濾波算法的通信系統中微弱信號檢測程序，周期信號加入隨機噪聲，進行濾波，輸出濾波信號，程序已調通，可直接運行。
177基于matlab的基于S函數的變步長自適應濾波算法 ￥15.9
基于matlab的基于S函數的變步長自適應濾波算法，比傳統的算法收斂速度更快。傳統的LMS算法中，權值向量實時地被更新。這些更新可能會由于噪聲的影響而變得不穩定。SVSLMS算法是一種改進的LMS算法，它采用了矢量處理的概念，利用信號和噪聲的矢量特征來抑制噪聲，從而提高了算法的穩定性和收斂速度。程序已調通，可直接運行。
[轉帖]matlab下gabor濾波算法,可以提取圖象紋理特征
[轉帖]matlab下gabor濾波算法,可以提取圖象紋理特征
%%%%%%%VERSION 1
%The Gabor filter is basically a Gaussian (with variances sx and sy along x and y-axes respectively)
%modulated by a complex sinusoid (with centre frequencies U and V along x and y-axes respectively)
%described by the following equation
%%
% 1 -1 x ^ y ^
%%% G(x,y) = ---------- * exp ([----{(----) 2+(----) 2}+2*pi*i*(Ux+Vy)])
% 2*pi*sx*sy 2 sx sy
%% Describtion :
%% I : Input image
%% Sx & Sy : Variances along x and y-axes respectively
%% U & V : Centre frequencies along x and y-axes respectively
%% G : The output filter as described above
%% gabout : The output filtered image
%% Author : Ahmad poursaberi e-mail : a.poursaberi@ece.ut.ac.ir
%% Faulty of Engineering, Electrical&Computer Department,Tehran
%% University,Iran,June 2004
展開 
239 基于matlab的EKF(擴展卡爾曼濾波)_UKF(無跡卡爾曼濾波)_PF（粒子濾波）三種算法的估計結果比較 ￥19.89
基于matlab的EKF(擴展卡爾曼濾波)_UKF(無跡卡爾曼濾波)_PF（粒子濾波）三種算法的估計結果比較，輸出估計誤差，并單獨對粒子濾波進行估計及其置信區間可視化。程序已調通，可直接運行。
17基于matlab卡爾曼濾波的行人跟蹤算法，并給出算法估計誤差結果，判斷算法的跟蹤精確性 ￥20
基于matlab卡爾曼濾波的行人跟蹤算法，并給出算法估計誤差結果，判斷算法的跟蹤精確性，程序已調通，可直接運行，基于MATLAB平臺，可直接拍下。
17基于matlab卡爾曼濾波的行人跟蹤算法，并給出算法估計誤差結果，判斷算法的跟蹤精確性 ￥20
基于matlab卡爾曼濾波的行人跟蹤算法，并給出算法估計誤差結果，判斷算法的跟蹤精確性，程序已調通，可直接運行，基于MATLAB平臺，可直接拍下。
一文讀懂：無人機飛控三大算法
0
2
卡爾曼濾波算法
卡爾曼濾波算法采用信號與噪聲的狀態空間模型，利用前一時刻地估計值和現時刻地觀測值來更新對狀態變量的估計，求出現刻的估計值。
卡爾曼濾波算法是卡爾曼等人在20世紀60年代提出的一種遞推濾波算法。
它的實質是以最小均方誤差為估計的最佳準則，來尋求一套遞推估計的算法。
這套算法采用信號與噪聲的狀態空間模型，利用前一時刻的估計值和現時刻的觀測值來更新對狀態變量的估計，求出現時刻的估計值，在慣性導航系統中有非常廣泛的應用。
剛才說的噪聲指的是計算得出的值與實際值的誤差。
為什么Kalman濾波會應用到慣性導航系統中呢？
這主要是因為慣性導航系統的“純慣性”傳感器不足以達到所需的導航精度，為了補償導航系統的不足，常常使用其他導航設備來提高導航精度，以減小導航誤差。所以利用Kalman濾波算法，可以將來自慣性導航系統與其他導航裝置的數據（如慣性導航系統計算的位置對照GPS接收機給出的位置信息）加以混合利用，估計和校正未知的慣性導航系統誤差。
卡爾曼濾波算法廣泛應用已經超過30年，包括機器人導航、控制、傳感器數據融合甚至軍事方面的雷達系統以及導彈追蹤等。比如，在雷達中，人們感興趣的是跟蹤目標，但目標的位置、速度、加速度的測量值往往在任何時候都有噪聲。卡爾曼濾波利用目標的動態信息，設法去掉噪聲的影響，得到一個關于目標位置最優的估計。
展開 鋰離子動力電池壽命預測的研究進展
林慧龍等提出一種粒子濾波算法(PF)來預測電池壽命，并與擴展卡爾曼濾波算法(EKF)進行了對比，發現粒子濾波算法的平均絕對誤差(MAE)和均方根誤差(RMSE)都低于擴展卡爾曼濾波，結果如表2所示。張吉宣等提出了一種自回歸滑動平均模型和正則化PF 的融合算法
，并與單一的標準PF 和正則化PF算法相比較，結果表明該方法預測精度更高。
b. 數據驅動法
數據驅動法不需要了解電池內部的物理和化學變化，通過分析電池健康狀態信息進行剩余壽命預測。Liu 等提出了一種利用灰色模型的電池剩余壽命預測方法，但GM(1,1)模型在進行長期預測時誤差比較大，針對這種情況，Gu 等建立了殘差GM(1,1)模型，實驗結果表明，該方法預測精度較高。Long 等利用改進的自回歸(AR)模型對鋰離子電池退化容量進行跟蹤，在模型定階時采用粒子群算法，實現對電池的壽命預測，結果具有較高的精度。龐曉瓊等提出了一種結合主成分分析特征融合與非線性自回歸神經網絡(PCANARX)的預測方法,對電池的壽命進行預測，經仿真后得出了該方法的有效性，其預測誤差小、適用性強，如圖1所示。
聶僥等建立了一種雙并聯離散過程神經網絡模型，并與標準的過程神經網絡預測所得的結果進行比較，該方法不僅實現了過程神經網絡不具備的權值在線更新功能，而且預測效果更好，如表3所示。
c.
展開 單片機上常用的10個濾波算法
2）優缺點
對變化慢的信號濾波效果好，變化快的不好。
避免臨界值附近的跳動，計數器溢出時若采到干擾值則無法濾波。
3）代碼
#define N 12char filter(){ char count=0,new_value; new_value=get_ad(); while(value!=new_value) { count++; if(count>=N) return new_value; new_value=get_ad(); } return value;}
十、限幅消抖濾波
1）方法
先限幅，后消抖。
2）優缺點
融合了限幅、消抖的優點，避免引入干擾值，對快速變化的信號不宜。
展開 飛行器系統仿真與驗證
由于姿態算法和濾波算法對于慣性導航系統的精度至關重要，因此國內外研究者先后發展了多種算法，如基于標準Kalman濾波發展起來的偏差分離濾波方法、自適應濾波、H∞濾波方法和魯棒Kalman濾波方法等。
對于這些姿態算法、濾波算法和控制算法，可以基于Simcenter Amesim的信號控制庫或Matlab/Simulink的控制工具箱結合S函數進行建模。對于新型Kalman濾波、自適應控制、模糊控制等現代控制方法，可基于Matlab/Simulink的專用工具箱建模，Simcenter Amesim具備與Matlab/Simulink的集成接口，可以通過多種方式與Simulink控制模型實現集成。
2.4 電動舵機系統仿真
舵機閉環系統中的機電伺服系統模型可以通過Simcenter Amesim電子基礎庫、電力電子庫、電機驅動庫以及電池庫完成建模。
電動舵機（EMA），其構成包括傳感器、控制器、直流有刷及無刷電機、減速齒輪系統和機械傳動裝置。由電動舵機系統的主要構成可見，完整的舵機系統是多學科機電閉環耦合系統，涉及電、磁、傳動、機械、熱等，同時包含復雜的控制算法。
圖8 電動舵機模型
下面是分別采用永磁同步電機和直流無刷電機搭建位置伺服系統
圖9 永磁同步電機位置伺服
圖10 直流無刷電機的舵面伺服系統
2.5 推進系統仿真
Simcenter Amesim提供熱液壓庫、熱氣動庫，航空航天庫、燃油庫、火箭發動機庫、兩相流庫、熱庫等，可以幫助用戶搭建推進系統模型，實現分析和重現發動機的動態和靜態特性，指導優化設計。
以液體火箭發動機為例，實際上是一個由管路將一些典型元部件連接起來的熱動力流體網絡系統。
展開 
技術鄰學院丨科學算法與MATLAB密切結合之視頻詳解，不看后悔！
技術鄰專家：鄭一
數學碩士、高校三級教授
38年教育培訓經驗
擅長科研及工程技術所用算法和MATLAB程序密切結合；擅長算法+程序+視頻的教學設計與錄像教學各種類型的軸
遇到相關問題可到技術鄰提問@鄭一+算法程序視頻
技術鄰：www.yqgqt.org.cn
小編語：
2018伊始，技術鄰便迎來一位重量級專家——鄭一教授。
從事高校教育的鄭一教授，擁有數學碩士學位，并有三級教授榮譽稱號。
鄭一教授尤其擅長工程技術算法與MATLAB程序的密切結合，并錄制多個算法+程序的視頻教學課程。
下面是鄭一教授在技術鄰分享的視頻教程。
視頻課程
卡爾曼濾波算法與應用和MATLAB程序詳解視頻實時技術信號處理
視頻包含8章45個視頻。主要內容簡介： 卡爾曼濾波數學模型及MATLAB程序，卡爾曼濾波所需數學知識， 標準卡爾曼濾波(KF)處理線性離散隨機系統， 擴展卡爾曼濾波(EKF)處理非線性微分隨機系統， 無跡卡爾曼濾波(UKF)處理非線性離散隨機系統， 交互多模型(IMM)濾波處理出現機動轉彎的運動物體跟蹤等。
經驗模態分解EMD算法和希爾伯特黃變換HHT和MATLAB程序視頻
本系列課程，在希爾伯特變換(HT)、希爾伯特-黃變換(HHT)和EMD算法的端點效應處理方面，進行了全面地、深入地設計與講解。
最小二乘法回歸分析算法及多項式非線性擬合和MATLA程序視頻
整個視頻課程在一元線性回歸、可線性化的曲線模型、多元線性回歸、自變量選擇方法、一元或多元多項式非線性回歸和相關分析等方面，進行了全面地、系統地、深入地設計與講解。
展開 自動駕駛系統安全隱患分析
匹配點云算法
迭代最近點（ICP）：兩次點云掃描進行匹配，第一次掃描中的每一個點在第二次掃描的結果中尋找最匹配的點，得到許多匹配點對，距離誤差相加計算平均距離誤差，平移和旋轉來降低平均誤差。
濾波算法：消除冗余信息，在地圖上找到最可能的車輛位置
直方圖濾波算法（誤差平方算法，ssd)
卡爾曼濾波算法：根據過去的狀態和新的傳感器測量結果來預測當前的狀態，并用傳感器的位置加以糾正。
感知：深度學習是重要的工具，卷積神經網絡構成深度學習的分支對感知任務中的分類、檢測和分割十分重要。這種方法適用于幾種不同的無人駕駛車傳感器的數據來源，包括攝像頭，雷達，激光雷達
預測：預測其他車輛和行人的移動
控制：運用轉向油門和制動來執行規劃軌跡
規劃：將預測和路線相結合以生成車輛軌跡
慣性導航：可以用加速度，初始速度，初始位置來計算汽車在任何時間點的車速和位置，慣性測量單元可以提供實時的位置信息，更新頻率很高，可以在很短的時間內進行定位。IMU和GPS相結合，IMU彌補了GPS更新頻率較低的缺陷，GPS糾正了IMU的運動誤差
視覺定位：攝像頭與其他傳感器數據相結合
激光雷達定位：這種方法將來自激光雷達傳感器的監測數據與預先存在的高精度地圖連續匹配，通過比較可以獲知汽車在高精度地圖上的全球位置和行駛方向。
Apollo工作原理
基于GPS,IMU,激光雷達的多傳感器融合定位系統，利用不同傳感器的互補優勢，提高準確性穩定性。
展開 一文熟悉視頻目標跟蹤
基于相關濾波器的跟蹤算法：相關濾波器（Correlation Filter，CF）通過學習一個具有區分力的濾波器來處理待跟蹤圖片，其輸出結果為一個響應圖，表示目標在后續幀中不同位置的置信度。相關濾波器通過利用循環樣本和循環矩陣的性質求解嶺回歸問題，得到了頻域上的高效閉合解，計算效率十分出色。但由于相關濾波器的學習過程中引入了循環樣本，這些樣本不可避免地帶來了邊界效應，因此傳統的相關濾波器算法在如何抑制邊界效應上開展了大量的研宄，典型的工作包括SRDCF、BACF等。此外，許多先進的技術也融入在相關濾波器算法中，如結合多種核函數和粒子濾波器結合適用于長時跟蹤的重檢測、集成學習等。
隨著深度學習的日益發展，深度學習和相關濾波器的結合受到了廣泛的關注。早期的工作中，研究人員探索如何將離線訓練好的深度特征和相關濾波器進行結合。典型的工作HCF提出將不同層的深度特征分別訓練相關濾波器并進行由粗到精（coarse to fine）的融合。在后續的工作中，如何更加充分地利用深度特征被進一步探索，如HDT算法研究了如何自適應地改變各尺度特征下跟蹤響應的權重。在深度相關濾波器的基礎上，代表性工作C-COT和ECO取得了當時優異的性能。C-COT算法重點研究了不同層深度特征的分辨率不同而導致的響應圖融合問題，并提出了連續性插值和濾波器聯合優化的方法，取得了良好的效果。ECO在C-COT的基礎上，研宄了自適應的相關濾波器選取、目標樣本的聚類、稀疏的目標更新，獲得了速度和存儲上的進一步優化并輕微提升了性能。在UPDT中，作者詳細分析了深度相關濾波器算法的性能瓶頸，并提出了適合深度相關濾波器的數據增廣、濾波器帶寬、融合權重優化等細節，使得相關濾波器在采用更深的神經網絡后可以得到持續的性能提升。
展開 新能源汽車的電池管理系統里，最核心的技術的是什么？
電池 SOC 估算策略
目前常用的純電動汽車動力鋰離子電池 SOC 常用卡爾曼濾波法
對其電量估算。
卡爾曼濾波法
卡爾曼濾波算法
的基本思想是分別建立有效信號與高斯白噪聲的狀態空間模型，利用現時刻的觀測值和前一時刻的估計值，來更新對所需狀態變量的估計。卡爾曼濾波法估算電池荷電狀態 SOC 時，將 SOC 參數看做是電池內部的狀態變量，基于遞推算法
實現其最小均方差值的估算。該方法在理論上對于 SOC 初始值存在較好的修正能力，且能保持較高的精確度，但不足之處在于過于依賴電池模型的準確性，此外卡爾曼濾波算法計算量較大，對處理器的性能有一定要求
電池SOC 的因素因素
鋰電池的實際容量會受到環境溫度、放電電流（放電倍率）、自放電及電池老化等因素的影響，在估算動力電池的 SOC 時，這些因素必須考慮到，才能得到更為精確的估算結果。
1）溫度：溫度對電池性能的影響非常大。當溫度較高時正負電極材料活性高，電解液電遷移率很大，其有利于化學反應的發生，電化學反應速率
快，使電池能釋放出更多的電量，當然溫度過高時鋰電池易起火或是爆炸，會造成安全問題；溫度低時電化學反應相對放慢，電池釋放的電量減少。SOC 的估算精確度因會受到溫度影響，則要求在計算中進行修正。
2）充放電電流：電池放電電流的大小會影響電池的實際放電容量，經過驗證，在其他影響因素相同的情況下，電池以不同的電流放電，但放出的電量會不同。放電電流小的電池可放出更多電量。那么在電池內的化學反應時會有某些生成物產生，它們會分布電池內部，但當電池電流較大時，電極周圍的大量生成物由于不能及時擴散出去，則會積聚在電極上，它們會阻礙鋰離子的移動和正常的化學反應導致電池輸出的實際電量減少
3）自放電
：自放電現象時電池在無負載的情況下的電量會慢慢消失，每個電池都會有不同程度的自放電。
展開 