使用集成卡尔曼滤波器学习神经网络权重 该存储库包含用于使用Ensemble Kalman滤波器学习神经网络权重的代码。 有三个主要实验： 与反向传播的比较： generate_comparison.py 精度阈值的影响： varying_r.py 从ENKF到反向传播的转换： varying_pretrain.py 每个文件都接受一组命令行参数，这些参数确定数据集，模型体系结构和ENKF超参数。 例如： python generate_comparison.py --dataset=boston_housing --model=fcn --r=0.01 --initial_noise=0.03 --batch_size=16 --timesteps=25 --num_epochs=5 --num_particles=50 从命令行运行此命令，将使用指定的学习超参数，将波士顿房屋

常用滤波器相关指标介绍，借助 Matlab 设计符合我们需求的Butterworth 数字滤波器

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

由 Ian T. Nabney 编写的流行机器学习库“NetLab”的附加组件。 库为 NetLab 实现卡尔曼滤波器训练算法。

程序采用数字综合方法设计的MTD滤波器，网上有对应论文，可以对滤波器副瓣电平进行限制，可以对气象杂波的功率进行抑制

针对传统鬼成像方法恢复图像差导致的边缘检测困难,提出了一种建立在高通滤波基础上的鬼成像改进方法。随机生成的灰度图在被输入空间光调制器前先经高通滤波处理,通过关联运算恢复出未知物体不同方向上的高频分量,然后根据所使用的滤波方法以相应的重构方法恢复出边缘图像,实现在无需预知物体信息的前提下对未知物体的边缘检测。实验以Kirsch滤波和非下采样轮廓波变换(NSCT)为例,表明了相比于传统的鬼成像边缘检测方法,该算法得到的边缘图像在主观上平滑性更好,清晰度更高,在客观上其边缘信噪比和均方误差指标均有所优化。

二阶滤波器通式： 其中Q为品质因数；α=1/ Q称为阻尼系数；ωn为特征角频率，对于带通和带阻滤波器是中心频率；当 时对于低通滤波器是高频截止频率ωH ，对于高通滤波器是低频截止频率ωL ， Avp是通带增益（品质因数等于中心频率与带宽之比） *

（1）五种模拟滤波器类型的比较 a) 巴特沃斯滤波器（Butterworth）：具有单调下降的幅频特性，过渡带最宽； b) 切比雪夫Ⅰ型滤波器（Chebyshev1）：在通带具有等波纹幅频特性，过渡带和阻带是单调下降的幅频特性； c) 切比雪夫Ⅱ型滤波器（Chebyshev2）：通道带幅频响应几乎与巴特沃斯滤波器相同，阻带是等波纹幅频特性； d) 椭圆滤波器（Ellipse）：过渡带最窄，通带和阻带均是等波纹幅频特性； e) 贝塞尔滤波器（Bessel）：在整个通带逼近线性相位特性，而其幅频特性的过渡带比其他四种滤波器宽得多。 （2）两种系统函数转换方法的比较 a) 双线性变换法 优点：频率变换关系是线性的，即 ，如果不存在频谱混叠现象，用这种方法设计得数字滤波器会很好地重现原模拟滤波器的频响特性。另外，数字滤波器的单位脉冲响应完全模仿模拟滤波器的单位冲激响应波形，时域特性逼近好。 缺点：会产生不同程度的频谱混叠失真，其适用于低通、带通滤波器的设计，不适用于高通、带阻滤波器的设计。 b) 脉冲响应不变法 优点：可由简单的代数公式 将 直接转换成 且不存在频谱混叠现象。 缺点：

直方图均衡化，频域高通滤波结合直方图均衡化，图像增强

多种滤波器算法，扩展卡尔曼滤波EKF、无迹卡尔曼滤波UKF和粒子滤波（PF