Mohinder S. Grewal, Kalman filtering theory and practice using matlab (Third edition)

《卡尔曼滤波——理论与MATLAB实践第四版》是一本深入探讨卡尔曼滤波技术的经典文献，尤其针对使用MATLAB进行滤波器设计和实现提供了详尽的指导。卡尔曼滤波是一种优化的估计理论，它在信号处理、控制理论、航空航天、通信和图像处理等领域有着广泛的应用。该书通过结合理论与实践，帮助读者理解和掌握这一关键的算法。 卡尔曼滤波基于概率统计框架，其核心思想是通过融合不同来源的数据，提供对系统状态的最优估计。它假设系统遵循线性动态模型，并且存在高斯噪声。滤波过程包括预测（prediction）和更新（update）两个步骤，不断修正对系统状态的估计。 在MATLAB环境下，实现卡尔曼滤波器涉及到以下几个关键知识点： 1. **系统模型**：卡尔曼滤波要求建立系统的状态方程和观测方程。状态方程描述了系统如何随时间演变，而观测方程则将系统状态映射到可测量的输出。 2. **初始化**：滤波器的性能很大程度上取决于初值的选择。通常需要合理估计初始状态向量和协方差矩阵。 3. **预测阶段**：使用上一时刻的状态估计和系统模型预测当前时刻的状态和状态协方差。 4. **更新阶段**：利用观测数据校正预测结果，更新状态估计和协方差。卡尔曼增益在此过程中起着关键作用，它调整了预测值和观测值的权重。 5. **卡尔曼增益**：卡尔曼增益是根据系统模型和观测噪声的特性计算出来的，用于平衡预测和观测信息的权重，确保估计的最优性。 6. **矩阵运算**：MATLAB强大的矩阵运算能力使得卡尔曼滤波的实现变得直观和高效。书中可能涵盖如何利用MATLAB的矩阵函数来处理滤波器中的矩阵运算。 7. **实例分析**：书中很可能包含了多个实际应用案例，如导航系统、自动驾驶、雷达跟踪等，以帮助读者更好地理解卡尔曼滤波的实际应用和效果。 8. **扩展和变种**：除了基本的卡尔曼滤波，还有像扩展卡尔曼滤波（EKF）和无迹卡尔曼滤波（UKF）等适用于非线性系统的变种。这些方法在处理复杂系统的估计问题时显得尤为重要。 《卡尔曼滤波——理论与MATLAB实践第四版》这本书全面介绍了卡尔曼滤波的原理和MATLAB实现，无论对于初学者还是有经验的工程师，都是一个宝贵的资源。通过学习这本书，读者不仅可以理解卡尔曼滤波的基本概念，还能掌握实际应用中的技巧和策略，从而在相关领域提升自己的技能。

核自适应滤波器（Kernel Adaptive Filtering）是一种先进信号处理技术，它利用核方法在高维特征空间中执行非线性滤波。这本书“Kernel Adaptive Filtering: A Comprehensive Introduction”（核自适应滤波器：全面介绍）由Weifeng Liu、José C. Príncipe和Simon Haykin共同编写，主要面向从事信号处理领域的研究人员和学生。该书详细介绍了核自适应滤波器的理论基础与应用实例，是学习该领域知识的实用参考教程。 核自适应滤波技术源于自适应滤波器的研究领域，这是一种允许系统在无监督条件下通过输入数据的反复输入来调节其参数的方法。而通过引入核技巧，能够将原始输入空间非线性地映射到一个高维特征空间，在这个新空间中实现线性自适应滤波，进而处理原始空间中的非线性问题。核自适应滤波器通过核方法（如支持向量机中使用的核技巧）能够解决非线性建模、信号预测、系统识别和噪声抑制等问题。 本书首先对自适应和学习系统进行了介绍，它们在信号处理、通信和控制方面具有广泛的应用。书中还提到，核自适应滤波是这些系统中一种特殊的学习方法，它通过核函数隐式地处理数据，从而获得在高维特征空间中的线性最优解，适用于原始输入空间中的非线性建模问题。 Simon Haykin作为编辑，对于自适应滤波和神经网络领域有着深刻的研究和广泛的贡献。在本书中，Haykin与其他作者一同提出了核自适应滤波器的全面介绍，涵盖了从理论到实践的各个层面。 书中的章节可能包含了核自适应滤波器的数学基础，包括希尔伯特空间的概念、再生核希尔伯特空间（RKHS）的性质以及特征空间中的线性最优解。此外，书中还可能详细探讨了不同类型的核函数及其选择标准，例如高斯径向基函数（RBF）或多项式核函数，并讨论了它们在滤波器设计中的应用。 除了理论部分，本书还可能包括核自适应滤波器的实现和应用案例。这些案例可能会涉及实时信号处理问题，例如生物医学信号处理、语音和音频处理、通信系统中的信道均衡以及无线通信中的多用户检测等。 在核自适应滤波器中，学习算法是非常关键的组成部分。本书可能深入讨论了诸如递归最小二乘（RLS）算法和最小均方（LMS）算法的核版本，以及如何在高维特征空间中高效地实现这些算法。书中的核心内容之一可能是对核自适应滤波器性能的分析，包括收敛速度、稳定性和泛化能力的讨论。 此外，本书也可能会讨论核自适应滤波器在处理噪声、动态变化的环境和非线性系统中出现的挑战。由于这类系统通常涉及到大量的计算，因此书中可能还会探讨优化核自适应滤波器的计算策略和算法。 这本关于核自适应滤波器的书籍为读者提供了深入理解该技术的框架和方法，对于那些在信号处理领域寻求利用自适应滤波技术来解决复杂问题的研究人员和学生来说，是非常有价值的资源。读者需要具备一定的数学基础和信号处理知识，才能更好地理解和应用书中的内容。

gram_savitzky_golay 基于Gram多项式的Savitzky-Golay过滤的C ++实现，如 安装 从Ubunu包 # Make sure you have required tools sudo apt install apt-transport-https lsb-release ca-certificates gnupg # Add our key sudo apt-key adv --keyserver ' hkp://keyserver.ubuntu.com:80 ' --recv-key F6D3710D0B5016967A994DFFA650E12EFF6D3EDE # Add our repository echo " deb https://dl.bintray.com/arntanguy/ppa-head bionic main " | sudo t

电力系统继电保护中经常应用的滤波算法，基于电力系统电流信号的傅里叶变换。程序给出了算法的仿真实现。

Special Note for the PB UI Controls: PowerBuilder 9.0 - Theme support is intermittent and a fix is being investigated. - canvas.pbd must be distributed with your PowerBuilder 9.0 application along with the canvas.pbx file. PowerBuilder 11 - .Net Winforms - The PBCanvas.dll assembly must be added to and distributed with your application. - There is no need to distribute canvas.pbx with your application. - You must remove and re-add the reference to the PBCanvas.dll assembly to run the sample.

通过卡尔曼滤波进行有效GP回归 基于两篇论文的存储库，其中包含相对于同类项目的简单实现代码： [1] A.Carron，M.Todescato，R.Carli，L.Schenato，G.Pillonetto，机器学习遇到了Kalman Filtering ，《 2016年第55届决策与控制会议论文集》，第4594-4599页。 [2] M.Todescato，A.Carron，R.Carli，G.Pillonetto，L.Schenato，通过卡尔曼滤波的有效时空高斯回归，ArXiv：1705.01485，已提交JMLR。 PS。 该代码尽管基于上述论文中使用的代码，但与之稍有不同。 它是它的后来的改进和简化版本。 而且，此处仍未提供[2]中介绍的用于实现自适应方法的代码。 文件内容是很容易解释的（有关每个文件的简要介绍，请参考相应的帮助）： main.m：包含主程序 plotResul

matlab蔡氏混沌电路仿真代码 Discrete-Collaborative-Filtering in python This is implementation Discrete-Collaborative-Filtering in python refered as below links. Implementation DCF in matlab Original paper Hanwang Zhang, Fumin Shen, Wei Liu, Xiangnan He, Huanbo Luan, Tat-Seng Chua. "Dicrete Collaborative Filtering". SIGIR 2016 Dataset

经典beamforming、自适应滤波教材之matlab源代码。 Paulo S.R. Diniz编著的自适应滤波第四版（Adaptive filtering_Algorithms and Practical Implementation 4th），源代码——Blind_Adaptive_Filtering

卡尔曼滤波，最优滤波中的证明方法，以及正交投影方法的应用，更好的理解卡尔曼滤波，最小二乘和其他的滤波方法