针对嵌入式大气数据系统高空飞行精度低、跨大气层易失效等问题,提出一种融合惯导与飞控系统信息的 飞行大气全参数估计算法.基于飞行器气动模型及动力学方程,建立惯导信息与大气参数之间的函数 关系,进而利用扩展卡尔曼滤波实现大气参数的实时精确估计.仿真结果表明,该方法具有较高的 精度、良好的稳定性和鲁棒性,而且可以提高大气数据系统的测量范围和可靠性,能够适用于全 飞行包线下攻角、侧滑角、真空速的测量.

此函数使用 DLT、RANSAC 和 Lev-Mar 优化估计两个图像之间的 2D-2D 投影单应性。 函数调用格式如下： [h wim] = homography(im1, im2); 在哪里 im1 -> 第一张图片im2 -> 第二张图片h -> 返回的单应矩阵wim -> im1 wrt im2 的变形版本

针对MIMO系统，基于训练序列的信道估计方法，详细推导出ML、LS和LMMSE方法的估计值，并进行了性能比较。在一定条件下，信道系数矩阵的ML、LS估计值具有相同的表达形式。计算机仿真表明，LMMSE方法和ML、LS方法的估计效果基本一致。在高信噪比、有限训练符号数、较少发射天线数的条件下，可以精确地估计出信道系数。

OFDM_ofdm_ofdm信道估计_OFDM信道估计_LMMSE信道估计

matlab分时代码肌肉冗余求解器 软件用途 提供的MATLAB代码的最初目的是解决肌肉冗余问题，同时使用De Groote F，Kinney AL，Rao AV和Fregly BJ中所述的直接搭配解决肌肉动力学问题。 评价直接搭配的最优控制问题公式，以解决肌肉冗余问题。 生物医学工程学年鉴（2016）。 。 在v3.0中，我们添加了两个附加功能。 首先，可以基于实验肌电图来约束估计的肌肉激活。 其次，有可能在解决肌肉冗余问题的同时，通过使用实验数据（即EMG和超声数据）来估计建模的肌腱单元的参数。 可以将最佳纤维长度，肌腱松弛长度和肌腱刚度设置为肌肉冗余问题内的自由变量。 可以跟踪实验测量的光纤长度（美国跟踪），跟踪误差是目标函数的一部分。 有关此参数估计问题的详细信息，请参见Delabastita等。 2020（）。 收集的EMG可以被跟踪（EMG跟踪），也可以被精确地施加（EMG驱动）。 有关在参数估计中使用EMG数据的详细信息，请参见Falisse 2016（）。 另一个重要特征是，用户可以在相同动作的不同试验或不同动作的情况下估算肌腱参数。 这允许更可靠的参数估计。 我们认为

被动目标跟踪不相关转换非线性滤波研究，郗瑞卿，兰剑，针对被动目标系统中的非线性估计问题，本文采用最近提出的不相关转换滤波（Uncorrelated Conversion Based Filter , UCF）非线性估计器，对运动

在车道偏离预警、防止及车道保持等基于机器视觉的驾驶安全辅助系统中，为解决单一直线模型无法预估道路曲率，而曲线拟合方法计算量大等问题，应用车道线直线模型，提出了一种基于远端直线拟合的弯道曲率估计方法，其特征在于车道线仍使用全局直线描述，估计曲率时对远端候选点进行直线拟合．由于保证了较多的候选点数量且使用Hough变换检测直线，以及利用跟踪、滤波等方法，算法在保证车道线检测鲁棒性的同时，基于远端直线拟合方法实现了对弯道曲率的相对定量估计．采用装有全球定位系统(GPS)的实车试验进行验证，结果表明：所提方法在增

中文为旋转因子不变法，该类算法包括ESPRIT、MUSIC等等。 其核心思想：基于相位的处理，由于相位=频率*时间差；因此可以测量角度的算法，都可以测量频率

对噪声背景中插值FFT 方法估计正弦信号频率的精度进行了研究，导出了不加窗和加Hanning 窗时频 率估计均方根误差与信噪比及FFT 长度的关系式；分析了不加窗情况下当信号频率接近FFT 频率分辨率!f 的整数倍 时，由于插值的方向错误对频率估计精度的影响；指出了不加窗时该方法在噪声背景中的频率估计误差远远大于文 ［2］中用一个特定的纯测试信号得到的结果；讨论了加窗对频率估计误差的影响. 最后给出了Monte CarIo 模拟实验与 理论分析的对比结果.

matlab中的gompertz代码介绍： 随机多方扰动 (RMP) 允许每个参与者通过非线性函数传递数据并使用参与者特定的随机矩阵将数据投影到较低维度来扰乱他/她的表格数据。 我们基于随机化的方案在两个阶段扰乱数据：第一个非线性阶段阻止贝叶斯估计攻击，而第二个线性阶段阻止独立分量分析攻击。 对于非线性扰动阶段，提出了一种新的非线性函数，称为“重复 Gompertz”函数。 该函数旨在调节受扰数据的 pdf，以保护异常和正常数据记录。 我们的方案是根据其对最大先验（MAP）估计攻击的恢复抵抗力来评估的。 对于异常检测，使用了堆叠去噪自编码器 (DAE)。 自编码器的超参数是根据验证集的最佳性能设置的。 每个数据集中的特征值被归一化为 [0, 1] 并与 5% 的异常记录合并，这些异常记录分布在 [0, 0.05] 或 [0.95, 1] 之间。 异常由自动编码器根据训练记录的输入和输出之间的平均绝对误差 (MAE) 进行识别。 根据三西格玛规则，一种众所周知的异常检测措施，重建误差预计为高斯分布，因此99.73%的误差值预计在阈值\mu(e) + 3\sigma(e ）。 大于阈值的错