基于HOG+SVM的行人检测算法实现代码和设计报告

RSSI定位技术的室内定位算法中,由于室内环境的复杂性及人员的随机性等因素可能会带有噪声影响,所以需要加以抑制。本次设计的室内定位算法首先根据室内特殊环境设计出定位算法流程图,建立算法模型并用卡尔曼滤波算法来抑制环境中噪声因素所引起的误差,然后结合改进的RSSI算法实现室内移动人员的定位,使得定位的结果更接近于真实值。重点研究将卡尔曼滤波算法与改进的RSSI算法相结合估算出更精确的室内人员位置信息。通过实验表明,结合卡尔曼滤波改进的室内人员定位算法的定位精确度有明显的提升,误差相比于文献9所提出的定位算法有所降低。 

ifft实现代码matlab cpp实施近场SAR 近场SAR的cpp实现。 原始代码是用MATLAB编写的。 如何设定 使用犰狳进行矩阵/多维数据集转换，并使用opencv进行绘图。 HDF5用于存储数据。 犰狳可以在这里下载。 尽管我个人强烈建议使用自制软件来安装所有程序。 签出此：。 该页面还包括犰狳的其他先决条件。 在Mac和Linux上： 首先，请在安装Armadillo之前安装OpenBlas和LAPACK。 brew install openblas 。 其他库也可以类似的方式安装。 不建议使用：OpenCV可以从下载。 这是最新的更新。 可以在以下位置找到Mac上的OpenCV安装指南：。 不再使用OpenCV。 文件 测试文件 Test.cpp创建一个由5个斑点组成的模拟目标，并将目标处理为接收到的信号（.cpp文件中的S_echo）。 然后计算接收到的信号以重建目标。 该.cpp文件旨在测试并给出重建算法的简单演示。 make test和./test来构建和运行程序。 test2d.cpp 这是重建真实2D信号的主程序。 信号存储在“ real2d.txt”和“ i

针对“当前”统计模型中预先设置机动频率和加速度极限值造成对目标跟踪精度不高的问题, 提出一种新的参数自适应算法? 该算法利用目标前后2个时刻的加速度均值代替“当前”统计模型中只利用前一时刻的加速度值作为当前时刻的加速度均值,推导出了机动频率自适应,再利用加速度方差与加速度变化量之间 存在的正比线性关系,推导出了加速度方差自适应,避免了由于参数设置不合理而造成的跟踪误差?理论分析和仿真结果表明,改进算法有效提高了目标跟踪精度,仿真结果验证了改进算法的有效性?

数据融合matlab代码扩展卡尔曼滤波器项目 无人驾驶汽车工程师纳米学位课程 概述 该项目利用卡尔曼滤波器通过激光雷达和雷达测量来估计感兴趣的运动物体的状态。 为此，我使用了卡尔曼滤波器，激光雷达测量和雷达测量来跟踪自行车在车辆周围的位置和速度。 该项目的目标是获得低于所需公差的RMSE值。 项目目标 该项目的目标/步骤如下： 建立一个卡尔曼滤波器（KF）以使用激光雷达测量进行跟踪 建立扩展的卡尔曼滤波器（EKF）以使用雷达测量进行跟踪 针对模拟器中的Dataset-1的测试算法 输出坐标px，py，vx和vy RMSE应小于或等于值[.11，.11、0.52、0.52] 项目文件 该存储库包含以下文件： ./Docs/-支持文档 ./data/obj_pose-laser-radar-synthetic-input.txt-包含来自两个传感器的测量值的文本文件 ./ide_profiles-编辑器配置文件 ./src/Eigen-特征库 ./src/CMakeLists.txt-代码编译 ./src/main.cpp-与Term 2 Simulator通信，接收数据测量结果，调用一个

很有用的东东 拿来分享 这盘文章对主成份分析法的原理 程序代码都有介绍

线性跟驰模型的matlab代码无味卡尔曼过滤器项目 无人驾驶汽车工程师纳米学位课程 阿图尔·阿查里亚（Atul Acharya） 结果 无味卡尔曼滤波器（UKF）是常规扩展卡尔曼滤波器（EKF）的扩展。 UKF允许使用非线性模型（与EKF不同，后者假定为恒定速度模型）。 UKF允许： 恒定转速和速度（CTRV） 恒定转速和加速度（CTRA） 恒定的转向角和速度（CSAV） 恒定曲率和加速度（CCA） 该项目在给定的数据集上假设CTRV运动模型。 为了处理非线性模型，UKF通过无味转换进行工作。 在Predict阶段，它首先生成Sigma点，对其进行扩充，然后预测平均状态向量和过程协方差矩阵。 在更新阶段，将sigma点转换为测量空间，然后基于传感器（雷达/激光雷达）的测量值应用更新，以获取状态向量和过程协方差矩阵的新值。 UKF项目的结果如下所示。 还显示了UKF参数，以及每个数据集的结果RMSE值。 选择UKF参数以在所需范围内优化RMSE。 在数据集1上，[px，py，vx，vy]值的RMSE值在所需的[0.09、0.09、0.65、0.65]范围内 在数据集2上，[px，py，v

基于研究卡尔曼滤波算法在锂电池荷电状态估计和监测中应用效果的目的，本文通过建立Thevenin电池模型，结合锂电池恒定电流充放电实验数据，有效模拟出电池实际工作特性，并分别采用传统卡尔曼滤波（KF）和扩展卡尔曼滤波（EKF）算法对锂电池荷电状态（SOC）进行估测。得出如下结论：采用基于Thevenin电池模型的KF与EKF算法均可以快速精准地估测锂电池荷电状态。EKF对于初值的敏感度相较KF明显低，当初值为80%时参数适应性较好。此外，在利用卡尔曼滤波算法对电池端电压估测时发现其收敛值总会与真实值产生一个约为0.05 V的恒定偏差值。

在信号检测与估计中的卡尔曼滤波器滤波器，清晰易懂，有注释。

卡尔曼滤波，用matlab .m函数和simulink进行了验证，给定220V，50Hz正弦交流电，加上白噪声之后用Kalmanfilter进行滤波