⑴ 濾波演算法都有哪些
低通,中值,圖象
⑵ 什麼是濾波演算法
卡爾曼濾波器（Kalman Filter）是一個最優化自回歸數據處理演算法（optimal recursive data processing algorithm）。對於解決很大部分的問題，他是最優，效率最高甚至是最有用的。他的廣泛應用已經超過30年，包括機器人導航，控制，感測器數據融合甚至在軍事方面的雷達系統以及導彈追蹤等等。近年來更被應用於計算機圖像處理，例如頭臉識別，圖像分割，圖像邊緣檢測等等。
最佳線性濾波理論起源於40年代美國科學家Wiener和前蘇聯科學家Kолмогоров等人的研究工作，後人統稱為維納濾波理論。從理論上說，維納濾波的最大缺點是必須用到無限過去的數據，不適用於實時處理。為了克服這一缺點，60年代Kalman把狀態空間模型引入濾波理論，並導出了一套遞推估計演算法，後人稱之為卡爾曼濾波理論。卡爾曼濾波是以最小均方誤差為估計的最佳准則，來尋求一套遞推估計的演算法，其基本思想是：採用信號與雜訊的狀態空間模型，利用前一時刻地估計值和現時刻的觀測值來更新對狀態變數的估計，求出現時刻的估計值。它適合於實時處理和計算機運算。
現設線性時變系統的離散狀態防城和觀測方程為：
X(k) = F(k,k-1)·X(k-1)+T(k,k-1)·U(k-1)
Y(k) = H(k)·X(k)+N(k)
其中
X(k)和Y(k)分別是k時刻的狀態矢量和觀測矢量
F(k,k-1)為狀態轉移矩陣
U(k)為k時刻動態雜訊
T(k,k-1)為系統控制矩陣
H(k)為k時刻觀測矩陣
N(k)為k時刻觀測雜訊
則卡爾曼濾波的演算法流程為：
預估計X(k)^= F(k,k-1)·X(k-1)
計算預估計協方差矩陣
C(k)^=F(k,k-1)×C(k)×F(k,k-1)'+T(k,k-1)×Q(k)×T(k,k-1)'
Q(k) = U(k)×U(k)'
計算卡爾曼增益矩陣
K(k) = C(k)^×H(k)'×[H(k)×C(k)^×H(k)'+R(k)]^(-1)
R(k) = N(k)×N(k)'
更新估計
X(k)~=X(k)^+K(k)×[Y(k)-H(k)×X(k)^]
計算更新後估計協防差矩陣
C(k)~ = [I-K(k)×H(k)]×C(k)^×[I-K(k)×H(k)]'+K(k)×R(k)×K(k)'
X(k+1) = X(k)~
C(k+1) = C(k)~
⑶ FIR濾波器演算法
FIR濾波器（有限長度沖擊響應）是全零點型濾波器，其實現形式如下：
y[n] = a0*x[n] + a1*x[n-1] + ... + a10*x[n-10];
這里 x 是輸入序列，y 是輸出序列。裡面的 a0 到 a10 對應你的11個系數。你要求第500個點對應的輸出，那麼 n 取500，系數應該乘以自輸入點起，最近的11個值，即 x[500],x[499],x[498]...而不是500兩側的11個數。
通過 matlab 的 help 你能得到更全面的解釋。
希望對你有幫助
⑷ 什麼叫卡爾曼濾波演算法其序貫演算法
卡爾曼濾波演算法（Kalman filtering）一種利用線性系統狀態方程，通過系統輸入輸出觀測數據，對系統狀態進行最優估計的演算法。由於觀測數據中包括系統中的雜訊和干擾的影響，所以最優估計也可看作是濾波過程。
序貫演算法又叫序貫相似性檢測演算法，是指圖像匹配技術是根據已知的圖像模塊(模板圖)在另一幅圖像(搜索圖)中尋找相應或相近模塊的過程，它是計算機視覺和模式識別中的基本手段。已在衛星遙感、空間飛行器的自動導航、機器人視覺、氣象雲圖分析及醫學x射線圖片處理等許多領域中得到了廣泛的應用。研究表明，圖像匹配的速度主要取決於匹配演算法的搜索策略。
數據濾波是去除雜訊還原真實數據的一種數據處理技術, Kalman濾波在測量方差已知的情況下能夠從一系列存在測量雜訊的數據中，估計動態系統的狀態. 由於, 它便於計算機編程實現, 並能夠對現場採集的數據進行實時的更新和處理, Kalman濾波是目前應用最為廣泛的濾波方法, 在通信, 導航, 制導與控制等多領域得到了較好的應用。
⑸ 經過濾波演算法後的數據可以還原回去嗎
卡爾曼濾波演算法（Kalman filtering）一種利用線性系統狀態方程，通過系統輸入輸出觀測數
⑹ 卡爾曼濾波演算法的功能是什麼
卡爾曼濾波是用來進行數據濾波用的，就是把含雜訊的數據進行處理之後得出相對真值。卡爾曼濾波也可進行系統辨識。卡爾曼濾波一種利用線性系統狀態方程，通過系統輸入輸出觀測數據，對系統狀態進行最優估計的演算法。由於觀測數據中包括系統中的雜訊和干擾的影響，所以最優估計也可看作是濾波過程。
⑺ 什麼是oustaloup 濾波演算法
1993GordonSalmond提種新基於SISBootstrap非線性濾波奠定粒濾波算基礎論文:Novel approach to non-linear and non-gaussion Bayesian state estimation.
⑻ 曲線去抖動用什麼濾波演算法好
如果可以求斜率,那麼每個點的下一個點應該都是清楚的.
所以我們可以按照順序來標記這些點
p1,p2...pn
最簡單的濾波方式是中值濾波.
pi=(pi-1 + pi+1)/2
你可以先試試看這個效果如何.
不行的話可以試試簡單高斯濾波的模板
pi=(pi-1 + pi*2 + pi+1)/4
⑼ 滑動平均濾波演算法
value_buf可以理解為循環隊列，裡面的數據不斷由AD采樣值來更新。每讀到一個新AD值，value_buf先更新再求平均。程序中有兩個小錯誤，但思想是對的。
if(i==N) i=0;
sum +=value_buf[count];