⑴ 滤波算法都有哪些
低通,中值,图象
⑵ 什么是滤波算法
卡尔曼滤波器（Kalman Filter）是一个最优化自回归数据处理算法（optimal recursive data processing algorithm）。对于解决很大部分的问题，他是最优，效率最高甚至是最有用的。他的广泛应用已经超过30年，包括机器人导航，控制，传感器数据融合甚至在军事方面的雷达系统以及导弹追踪等等。近年来更被应用于计算机图像处理，例如头脸识别，图像分割，图像边缘检测等等。
最佳线性滤波理论起源于40年代美国科学家Wiener和前苏联科学家Kолмогоров等人的研究工作，后人统称为维纳滤波理论。从理论上说，维纳滤波的最大缺点是必须用到无限过去的数据，不适用于实时处理。为了克服这一缺点，60年代Kalman把状态空间模型引入滤波理论，并导出了一套递推估计算法，后人称之为卡尔曼滤波理论。卡尔曼滤波是以最小均方误差为估计的最佳准则，来寻求一套递推估计的算法，其基本思想是：采用信号与噪声的状态空间模型，利用前一时刻地估计值和现时刻的观测值来更新对状态变量的估计，求出现时刻的估计值。它适合于实时处理和计算机运算。
现设线性时变系统的离散状态防城和观测方程为：
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)分别是k时刻的状态矢量和观测矢量
F(k,k-1)为状态转移矩阵
U(k)为k时刻动态噪声
T(k,k-1)为系统控制矩阵
H(k)为k时刻观测矩阵
N(k)为k时刻观测噪声
则卡尔曼滤波的算法流程为：
预估计X(k)^= F(k,k-1)·X(k-1)
计算预估计协方差矩阵
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)'
计算卡尔曼增益矩阵
K(k) = C(k)^×H(k)'×[H(k)×C(k)^×H(k)'+R(k)]^(-1)
R(k) = N(k)×N(k)'
更新估计
X(k)~=X(k)^+K(k)×[Y(k)-H(k)×X(k)^]
计算更新后估计协防差矩阵
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滤波器算法
FIR滤波器（有限长度冲击响应）是全零点型滤波器，其实现形式如下：
y[n] = a0*x[n] + a1*x[n-1] + ... + a10*x[n-10];
这里 x 是输入序列，y 是输出序列。里面的 a0 到 a10 对应你的11个系数。你要求第500个点对应的输出，那么 n 取500，系数应该乘以自输入点起，最近的11个值，即 x[500],x[499],x[498]...而不是500两侧的11个数。
通过 matlab 的 help 你能得到更全面的解释。
希望对你有帮助
⑷ 什么叫卡尔曼滤波算法其序贯算法
卡尔曼滤波算法（Kalman filtering）一种利用线性系统状态方程，通过系统输入输出观测数据，对系统状态进行最优估计的算法。由于观测数据中包括系统中的噪声和干扰的影响，所以最优估计也可看作是滤波过程。
序贯算法又叫序贯相似性检测算法，是指图像匹配技术是根据已知的图像模块(模板图)在另一幅图像(搜索图)中寻找相应或相近模块的过程，它是计算机视觉和模式识别中的基本手段。已在卫星遥感、空间飞行器的自动导航、机器人视觉、气象云图分析及医学x射线图片处理等许多领域中得到了广泛的应用。研究表明，图像匹配的速度主要取决于匹配算法的搜索策略。
数据滤波是去除噪声还原真实数据的一种数据处理技术, Kalman滤波在测量方差已知的情况下能够从一系列存在测量噪声的数据中，估计动态系统的状态. 由于, 它便于计算机编程实现, 并能够对现场采集的数据进行实时的更新和处理, Kalman滤波是目前应用最为广泛的滤波方法, 在通信, 导航, 制导与控制等多领域得到了较好的应用。
⑸ 经过滤波算法后的数据可以还原回去吗
卡尔曼滤波算法（Kalman filtering）一种利用线性系统状态方程，通过系统输入输出观测数
⑹ 卡尔曼滤波算法的功能是什么
卡尔曼滤波是用来进行数据滤波用的，就是把含噪声的数据进行处理之后得出相对真值。卡尔曼滤波也可进行系统辨识。卡尔曼滤波一种利用线性系统状态方程，通过系统输入输出观测数据，对系统状态进行最优估计的算法。由于观测数据中包括系统中的噪声和干扰的影响，所以最优估计也可看作是滤波过程。
⑺ 什么是oustaloup 滤波算法
1993GordonSalmond提种新基于SISBootstrap非线性滤波奠定粒滤波算基础论文:Novel approach to non-linear and non-gaussion Bayesian state estimation.
⑻ 曲线去抖动用什么滤波算法好
如果可以求斜率,那么每个点的下一个点应该都是清楚的.
所以我们可以按照顺序来标记这些点
p1,p2...pn
最简单的滤波方式是中值滤波.
pi=(pi-1 + pi+1)/2
你可以先试试看这个效果如何.
不行的话可以试试简单高斯滤波的模板
pi=(pi-1 + pi*2 + pi+1)/4
⑼ 滑动平均滤波算法
value_buf可以理解为循环队列，里面的数据不断由AD采样值来更新。每读到一个新AD值，value_buf先更新再求平均。程序中有两个小错误，但思想是对的。
if(i==N) i=0;
sum +=value_buf[count];