搜索资源列表
jpda
- 两个目标 交叉运动场景 Kalman滤波进行状态估计-Two goals two goals for cross-motion in the scene state estimation Kalman filtering
ParticleFilters
- Matlab 粒子滤波器源代码，状态估计，别且与EKF滤波器做比较-Matlab source code particle filter, state estimation, do not and compared with the EKF filter
KalmanAll
- 关于卡拉曼滤波的~运动目标状态估计方法的研究-Karaman filter on ~ moving target state estimation method for
detection_of_phase_distributed_weak_sine_signal_ba
- 基于双耦合Duffing振子的随机相位正弦信号检测 采用双耦合混沌振子阵列实现了随机相位微弱正弦信号的检测，在此基础上，提出了新的检测方法，即利用单个耦合混沌振子，通过临界及周期状态 的变化检测随机相位微弱正弦信号并大致估计信号相位范围，该方法比双耦合混沌振子阵列法简单，更易于实现。-Based on double coupled Duffing oscillators random phase sine signals detected by two coupled chaotic o
Karlmanfilter
- kalman 滤波，用于线性系统状态的估计-kalman filter, state estimation for linear systems
Kalmenf-filters
- 文章介绍了卡尔曼滤波的原理，包括状态方程、过程估计、噪声原理等，并通过matlab予以实现验证。-This paper introduces the principle of Kalman filtering, including the equation of state, the process of estimation, noise theory, etc., and through matlab to achieve validation.
SHAKE_PROOF
- 手持式摄像机在使用时常常会受到使用者有意无意抖动的影响,从而影响成像效果，造成录制视频的不稳定及跳动问题，尤其是在使用者在一场景中特写或者跟踪某一具体目标时，使用者通常不能准确定位到或者估计出运动目标的位置，从而造成目标在视频中位置的不稳定，造成视频的主观效果变得不理想。 为了解决这一问题，我们需要设计一种算法来识别这种无意义的运动并设法通过补偿的方式来使得场景中的目标物体保持位置稳定的状态。 手持式摄像机捕获的视频通常都会受到抖动的影响，这严重的影响视频的主观效果。
Study-of-Target-Tracking
- 本文讨论了小波神经网络在机动多目标跟踪中的应用,多目标跟踪就是主体为了维持对多个目标(客体)当前状态的估计而对所接收的量测信息进行处理的过程。以非线性大规模并行分布式处理为特征的神经网络可以解决传统的目标跟踪方法的难以解决的计算量组合爆炸问题以及需要确定机动目标的数学模型的问题, 将小波分析原理与神经网络相融合,提出了基于小波神经网络的目标跟踪方法来提高系统的学习能力、表达能力以及机动多目标状态的估计精度。-This article discusses the application of wa
CV5
- 本程序功能是由运动（估计）恢复仿射结构，具体使用的是factorization分解法。这个方法的本质就是一个矩阵分解的过程：对于给定n个点的m幅图像，我们可以写成一个2m*n的矩阵D=（q1，q2，…，qn），而这个像点矩阵可以表示成一个2m*3矩阵和一个3*n矩阵的乘积，即D=AP，其中A、P分别表示实际（仿射）摄像机位移和场景状态，也就是我们需要求得的矩阵。而如何根据D来得到A、P，正是factorization分解法的工作。-This program features the recove
Kalman-filter
- 卡尔曼滤波是基于状态空间方法的一套递推滤波算法，在状态空间方法中，引入了状态变量的概念。实际应用中，可以通过选取合适的状态变量来体现系统的特征、特点和状况的变化。卡尔曼滤波的模型包括状态空间模型和观测模型。状态模型是反映状态变化规律的模型，通过状态方程来描写相邻时刻的状态转移变化规律；观测模型反映了实际观测量与状态变量之间的关系。Kalman滤波问题就是联合观测信息及状态转移规律来得到系统状态的最优估计。-Kalman filter
Kalman_Filter
- 卡尔曼滤波器的操作包括两个阶段:预测与更新。在预测阶段,滤波器使用上一状态的估计,做出对当前状态的估计。在更新阶段,滤波器利用对当前状态的观测值优化。-Kalman filter operation consists of two stages: prediction and update. In the prediction stage, the filter is estimated using the previous state, to make an estimate of the c
kaermanlvbo967456
- 卡尔曼滤波以最小均方误差为最佳估计准则，采用信号与噪声的状态空间模型，利用前一时刻的估计值和当前时刻的观测值来更新对状态变量的估计，求出当前时刻的估计值，算法根据建立的系统方程和观测方程对需要处理的信号做出满足最小均方误差的估计-Kalman filter to minimize the mean square error criterion for the best estimates, using the state space model of signal and noise, usin
parzen
- Parzen窗估计法是一种非参数函数估计方法，它能够较好地描述多维数据的分布状态。其基本思想就是利用一定范围内各点密度的平均值对总体密度函数进行估计。-Parzen window estimation method is a nonparametric function estimation method, which can describe the distribution of multi-dimensional data. The basic idea is to use the ave
MTF
- Kal man 滤波是一种应用非常广泛的状态估计算法 基于信息融合的 Kal man 滤波包 括状态向量融合和测量融合两种方法 传统的 Kal man 方法 TTF 具有较低的估计误差和很长的计算时间 提出的状态向量和测量向量的融合模型 MTF 利用局部融合信息给出一种更好的状态估计 计算时间短 性能也比 TTF 高-Conventi onal Kal man filt er TTF based on i nf or mati on f usi on i ncl udes t Wo
kalman
- 使用kalman滤波进行目标跟踪，kalman可以通过观测到的结果进行更新从而估计下一时刻的目标状态-Using kalman filter for target tracking, kalman can be updated by the observed results to estimate the target state of the next moment
zsdxc61
- 状态估计和控制理论在现代控制理论中是密不可分的,它们互相渗透,辨识和-State estimation and control theory in modern control theory is inseparable, their mutual penetration, identification and
lheif-identiflcation
- 状态估计和控制理论在现代控制理论中是密不可分的,它们互相渗透,辨识和-State estimation and control theory in modern control theory is inseparable, their mutual penetration, identification and
mialion
- 输电网潮流及状态估计计算程序牛拉,高塞,PQ,直流等各种程序-The cow pull grid trend and state estimation calculation program, high plug, PQ, dc and other procedures
40379776
- 状态估计和控制理论在现代控制理论中是密不可分的,它们互相渗透,辨识和(State estimation and control theory in modern control theory is inseparable, their mutual penetration, identification and)
kalman
- 卡尔曼滤波，它能够从一系列的不完全及包含噪声的测量中，估计动态系统的状态(Calman filtering, which can estimate the state of a dynamic system from a series of incomplete and noisy measurements)