【达摩老生出品，必属精品，亲测校正，质量保证】 资源名：无迹卡尔曼滤波估算SOC模型及代码_卡尔曼滤波算法_SOC估算模型_锂电池SOC估算模型_matlab仿真 资源类型：matlab项目全套源码 源码说明： 全部项目源码都是经过测试校正后百分百成功运行的，如果您下载后不能运行可联系我进行指导或者更换。 适合人群：新手及有一定经验的开发人员

FPGA实现均值滤波算法并采用modelsim进行仿真。图片大小可根据需求进行修改。均值滤波算法采用流水线的方式进行计算。本资源用于学习回顾

为加快表面三维形貌分析中高斯滤波算法的执行速度,提出了一种基于计算统一设备构架(CUDA)的高斯滤波算法来实现高速并行处理.分析高斯滤波算法原理和CUDA并行计算体系,将CUDA并行计算技术引入到表面分析领域.针对高斯滤波数据间依赖性弱和CUDA采用单指令多线程(SIMT)执行模型的特点,总结出适合于CUDA的并行高斯滤波算法流程.实验证明:该方法与CPU串行处理方法相比,其加速比达到40倍以上,可以有效提高数据处理能力.

数字图像处理 vc环境 里面有:中值滤波 直方图均衡 Sobel Robert算子 二值化等。

0 引 言 　　自适应滤波理论是20世纪50年代末开始发展起来的。它是现代信号处理技术的重要组成部分，对复杂信号的处理具有独特的功能。自适应滤波器在信号处理中属于随机信号处理的范畴。对于随机数字信号的滤波处理，通常有维纳(Weiner)滤波器、卡尔曼(Kal-man)滤波器和自适应(Adaptive)滤波器。维纳滤波器的权系数是固定的，适用于平稳随机信号；卡尔曼滤波滤波的权系数是可变的，适用于非平稳随机信号。但是，只有在对信号和噪声的统计特性先验已知的情况下，这两种滤波器才能获得最优滤波。但在实际应用中，常无法确定这些统计特性的先验知识，或统计特性是随时间变化的，因此，在许多情况下，维纳滤波

高斯粒子滤波算法重要性权值方差不会随迭代次数的增加而增加, 能够较好地解决粒子退化问题, 但其重要性密度函数没有考虑最新的量测信息, 导致有效粒子数减少, 算法滤波性能下降. 针对该问题, 提出一种基于Gaussian-Hermite 滤波(GHF) 的高斯粒子滤波算法, 采用GHF构造高斯粒子滤波的重要性密度函数, 考虑最新的量测信息, 增加有效粒子数, 提高算法的滤波精度. 仿真结果表明, 所提出算法的滤波精度明显优于高斯粒子滤波算法.

Kalman滤波算法C代码实现，包括一维Klaman滤波算法和二维Kalman滤波算法

4、纯方位角单目标跟踪 纯方位跟踪系统仿真程序 %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% % 程序说明： 单站单目标基于角度的跟踪系统，采用粒子滤波算法 % 状态方程 X（k+1）=F*X(k)+Lw(k) % 观测方程 Z（k）=h（X）+v（k） function main %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% % 初始化参数 clear; T=1; % 采样周期 M=30; % 采样点数 delta_w=1e-4; % 过程噪声调整参数，设得越大，目标运行的机动性越大，轨迹越随机（乱） Q=delta_w*diag([0.5,1,0.5,1]) ; % 过程噪声均方差 R=pi/180*0.1; % 观测角度均方差，可将0.1设置的更小 F=[1,T,0,0;0,1,0,0;0,0,1,T;0,0,0,1]; %%%%%%%%%%%%%%% 系统初始化 %%%%%%%%%%%%%%%%%% Length=100; % 目标运动的场地空间 Width=100; % 观测站的位置随即部署 Node.x=Width*rand; Node.y=Length*rand;

面向脑血管分割的改进型非局部均值滤波算法研究.docx

粒子滤波算法综述.doc