data_generator.py文件：数据生成器。 DispNet.py文件：网络结构。 第1步：运行annotation.py文件，在model_data文件夹下生成.txt。 第2步：运行DispNet_Trainer.py文件。 第3步：运行DispNet_Tester.py文件。

使用最小二乘法估计刚体惯性参数，基于： CG Atkeson、CH An 和 JM Hollerbach，“机械臂载荷和连杆的惯性参数估计”，Int。 J. 罗布。 研究，卷。 5，没有。 3，第 101-119 页，1986 年 9 月

包含背景 电特性模型讲解 热特性、老化特性讲解 电池参数辨识的详细介绍 相信你看了能学到不少东西 由于文件大小分三部分上传

内包括卡尔曼滤波算法详细讲解 基于在线的参数辨识的估计 经验估计方法 内容硬核丰富值得学习

包含基本原理 查表发 基于状态估计和参数辨识方法 直流电阻法 基于交流阻抗谱的方法 利用传递函数直接计算 全篇总结

基于空间尺度的模糊核估计，用于盲运动去模糊

卡尔曼滤波与状态估计例题python实现 关于卡尔曼滤波的原理这里就不赘述了，很多大佬说的很棒，这里就把网课上看到的例题在这里做一下 巩固一下 卡尔曼滤波的两个步骤 预测更新（Predict): 预测状态量： x^=(t∣t−1)=A~x(t−1)+Bu(t)\hat x=(t|t-1)=\widetilde{A}x(t-1)+Bu(t)x^=(t∣t−1)=Ax(t−1)+Bu(t) 预测误差协方差矩阵： P(t∣t−1)=AP(t−1)AT+QP(t|t-1)=AP(t-1)A^T+QP(t∣t−1)=AP(t−1)AT+Q 测量更新（Correct）: 最优估计状态量： x~(t)=x^

这是一个检查运动的代码程序，大家看看。欢迎帮忙改进

SGM算法在KITTI2015数据集上测评结果 开发环境：python=3.6、numpy=1.19.5、opencv-python=4.5.5.64 操作系统：Ubuntu20.04LTS 处理器：Intel(R) Core(TM) i7-9700 CPU @ 3.00GHz 实验记录： 1、WTA、SSD策略，disparity=190，radius=3，视差<=3精度：0.5611，运行时间：7.4344s 2、WTA、SSD策略，disparity=64，radius=3，视差<=3精度：0.5611，运行时间：2.7495s 3、SGM、SSD策略，disparity=64，radius=3，视差<=3精度：0.8161，运行时间：22.7137s 4、SGM、NCC策略，disparity=64，radius=3，视差<=3精度：0.8119，运行时间：28.0640s 5、SGM、SAD策略，disparity=64，radius=3，视差<=3精度：0.6681，运行时间：22.3349

matlab_宽带信号DOA估计 Wideband signal DOA estimation, matlab source code