CN108268428A - 一种基于传感器使用的数据稳定性增强方法 - Google Patents
一种基于传感器使用的数据稳定性增强方法 Download PDFInfo
- Publication number
- CN108268428A CN108268428A CN201810049541.1A CN201810049541A CN108268428A CN 108268428 A CN108268428 A CN 108268428A CN 201810049541 A CN201810049541 A CN 201810049541A CN 108268428 A CN108268428 A CN 108268428A
- Authority
- CN
- China
- Prior art keywords
- value
- data
- distance
- chance
- sensor
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Algebra (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Operations Research (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Indication And Recording Devices For Special Purposes And Tariff Metering Devices (AREA)
- Radar Systems Or Details Thereof (AREA)
- Measurement Of Optical Distance (AREA)
- Length Measuring Devices With Unspecified Measuring Means (AREA)
Abstract
本发明提供一种基于传感器使用的数据稳定性增强方法,包括:获取传感器的测试数据,计算所述测试数据的中心线和极差;计算每个测量值与所述中心线的差值,估算所述每个测量值在所述极差范围内的位置;计算位置概率因子并替代卡尔曼滤波系数,获得改进后滤波算法;数据稳定时,根据所述位置概率因子的不同区间范围,采用静态滤波算法计算输出距离;数据产生突变时,对所述测试数据采用突变算法处理;当测试目标参量连续缓变时,采用动态连续缓变算法。提高了测量数据的重复精度和稳定性,实现静态滤波算法的动态智能调节,增加突变和连续缓变的动态响应算法,实现了传感器测量环境突变和连续变化情况下的快速响应。
Description
技术领域
本发明涉及传感器数据处理领域,具体涉及一种基于传感器使用的数据稳定性增强方法。
背景技术
近年来,传感器的发展突飞猛进,对于传感器的稳定性和重复精度的要求也越来越高。而单纯靠传感器自身敏感元件的性能,还不能满足人们的需求。因此各种滤波算法纷纷涌现,滤波算法能够大幅提高传感器的重复精度和稳定性,但滤波效果越好的算法,其动态响应就越差,而传感器的应用场合各不相同,很多传感器会面临检测环境的复杂变化,数据的动态特性较强,因此,在追求传感器数据稳定的同时,也对动态响应特性提出了严格要求。
通常传感器采用的提高稳定性的方法为滤波方法,包括中值滤波,均值滤波,滑动取平均滤波,卡尔曼滤波等。
中值滤波和均值滤波对于静态数据滤波效果较好,但传感器测量出现错误点后,对结果影响较大,因此,滤波后数据会出现蠕变现象。
滑动取平均滤波法对静态数据滤波较好,滑动取的滤波数据越多,滤波效果越显著,动态响应延迟也就越大。
卡尔曼滤波对于静态数据滤波效果较好,且滤波后数据仍服从正态分布。但卡尔曼系数收敛后不易改变,不能对实时的测量情况进行及时调节,动态性能较差,有严重的动态滞后。
发明内容
为解决上述技术问题,本发明的目的在于提供一种基于传感器使用的数据稳定性增强方法。
本发明是通过以下技术方案实现的:
一种基于传感器使用的数据稳定性增强方法,包括以下步骤:
S1、获取传感器的测试数据,计算所述测试数据的中心线和极差,所述测试数据近似服从高斯分布规律;
S2、计算所述测试数据中每个测量值与所述中心线的差值,估算所述每个测量值在所述极差范围内的位置;
S3、根据所述差值和所述极差计算得到位置概率因子;
S4、结合卡尔曼滤波算法对滤波系数进行改进,用所述位置概率因子替代卡尔曼滤波系数,获得改进后滤波算法的输出距离计算公式;
S5、当所述差值的绝对值在阈值范围内时,判断为数据稳定,根据所述位置概率因子的不同区间范围,采用静态滤波算法计算所述输出距离;
S6、当所述差值的绝对值超出所述阈值范围时,判断为数据产生突变,对所述测试数据采用突变算法处理;
S7、当测试目标参量连续缓变时,采用动态连续缓变算法。
进一步的,所述中心线代表若干个测试数据的均值;所述极差为所述测试数据中的最大值减去最小值的差。传感器的测量数据有相应的可靠程度,这个可靠程度与在此位置测量的数据的极差十分接近,认为近似相等。
进一步的,步骤S2中,所述均值为Dis_avg,所述测量值为Dis_measure,所述差值为D_value,计算公式为:D_value=Dis_measure﹣Dis_avg,所述极差为precision,所述位置的高斯分布因子为position,所述差值D_value的绝对值为abs(D_value),计算公式如下:
所述position的值越大,表示所述测量值处于越远离所述中心线的位置;当所述positon=0,表示所述测量值处于中心线上;当所述position=1,表示所述测量值处于所述极差的边界。
进一步的,步骤S3中,所述位置概率因子为chance,计算公式如下:
chance=1-abs(D_value)×2/precision (2)。
进一步的,步骤S4中,所述卡尔曼滤波算法中,计算公式如下:
Distance=Dis_avg+Kg×D_value (3)
Distance为输出距离,Kg为卡尔曼滤波系数,用chance替代Kg,改进后滤波算法的输出距离计算公式如下:
Distance=Dis_avg+chance×D_value (4)。
静态滤波的动态智能调节,由公式(2)可知,chance是一个与极差precision有关的参量,而极差与传感器数据的可靠程度息息相关,当环境改变时,如测量距离变远,测量目标物改变等,传感器测得的数据可靠程度也会改变,位置概率因子chance也就随之改变。传感器会根据其环境变化,对滤波系数进行智能调节。
进一步的,步骤S5中,所述阈值为Threshold,m为调整系数,计算公式如下:
Threshold=m×precision (5)。
进一步的,步骤S5中,
当abs(D_value)≤Threshold且chance<0.6时,令chance=0,表示距中心线较远,舍去此数据,将所述均值Dis_avg作为所述输出距离;
当abs(D_value)≤Threshold且chance>0.8时,令chance=1,还原接近中心线的真实数据,所述测量值Dis_measure作为所述输出距离;
当abs(D_value)≤Threshold且0.6≤chance≤0.8时,chance取实际计算值,采用所述公式(4)计算出所述输出距离。
进一步的,步骤S6中,当abs(D_value)>Threshold时,令chance=1,代入所述公式(4)得
Distance=Dis_avg+D_value
则计算得出所述输出距离为当前实时的测量值,根据所述输出距离对突变进行快速响应。
进一步的,步骤S7中,被测目标物以一定速度靠近传感器,距离有一定趋势,且运动速度大于一定阈值后,判断为目标参量连续缓变,令chance=1,代入所述公式(4),所述输出距离为当前实时的所述测量值,快速响应。
进一步的,取所述传感器在某时间段内连续等时间间隔⊿T采集的7个原始距离数据a0~a6,分别以a0、a1和a2为起点,依次计算4⊿T时间内的三个平均速度speed1、speed2和speed3,
speed1=(a4-a0)/4⊿T;
speed2=(a5-a1)/4⊿T;
speed3=(a6-a2)/4⊿T;
当speed1,speed2,speed3异号时,表示此时所述距离没有一定的变化趋势;
当speed1,speed2,speed3同号时,表示此时所述距离有上升或下降趋势。
相比现有技术,本发明具有如下有益效果:
1、根据高斯分布特性,改进卡尔曼滤波系数
根据高斯分布规律和传感器数据的极差,计算出数据位置概率因子chance,替换了卡尔曼滤波算法中的卡尔曼系数,获得了适合传感器测量数据分布的滤波效果;对传感器的测量数据进行滤波处理,提高测量数据的重复精度和稳定性。
2、对不同位置的数据采用不同的处理,一定程度上还原原始数据分布。根据数据的位置概率,判断数据所处的位置,将远离中心的数据舍去,靠近中心的数据进行滤波,中心线附近的数据不进行处理。
3、利用测量数据的可靠程度与极差的关系,实现静态滤波算法的动态智能调节;将传感器测得数据的可靠程度与数据在此处波动的极差关联起来,传感器在不同的感应位置,其数据可靠程度不同,极差也会不同。引入了极差因子,根据极差的变化可对滤波参数进行连续的动态智能调节。
4、增加突变和连续缓变的动态响应算法
增加了突变算法、运动速度判断、运动趋势判断算法,通过调节静态滤波算法中的位置概率因子chance,克服了传统滤波方法数据滞后的问题,实现了传感器测量环境突变和连续变化情况下的快速响应。
附图说明
图1为传感器的测试数据高斯分布图;
图2为位置概率因子的不同区间范围内不同方法计算的输出距离图;
图3为采用改进后滤波算法的滤波效果图;
图4为传感器连续采集的等时间间隔的7个原始距离数据图;
图5为采用动态连续缓变算法滤波后的动态响应效果图。
具体实施方式
下面对本发明的实施例作详细说明,本实施例以本发明的技术方案为依据开展,给出了详细的实施方式和具体的操作过程。
如图1所示,传感器测试得到的数据近似服从高斯分布规律,大部分数据处于靠近中心的区域(±3δ),数据落在该区域的概率高达99%,只有1%的数据落在远离中心的区域,而这1%的数据,可能使重复精度变差一倍以上。
取5个点的测试距离平均值作为中心线位置,测试数据中的最大值减去最小值的差为极差,传感器的测量数据有相应的可靠程度,这个可靠程度与在此位置测量的数据的极差十分接近,认为近似相等。
根据中心线位置和极差这两个已知量,得出测得的数据落在了哪个区域,进行取舍和处理判断。
均值为Dis_avg,测量值为Dis_measure,二者差值D_value计算公式如下:
D_value=Dis_measure﹣Dis_avg
利用此差值(D_value)与极差(precision)的比值,求出本次测试的数据处于极差范围内的哪个位置(position):
当position的值越大,表示本次测试的值处于越远离中心线的位置;当positon=0,表示本次测试的值处于中心线上;当position=1,表示本次测试的值处于极差边界。position为位置的高斯分布因子。
结合卡尔曼滤波算法对滤波系数进行改进
基于卡尔曼滤波算法,对本例中的测距传感器数据进行滤波,公式如下:
Distance=Dis_avg+Kg×D_value (3)
其中,Kg为卡尔曼滤波系数,它与本次预测距离的可信度和本次测得距离的可信度有关。调整卡尔曼系数,可以调整滤波的效果。结合高斯分布因子position,对卡尔曼系数进行改进。针对每次测试的值与中心线的差值,对其分配了概率chance(相当于卡尔曼系数),为位置概率因子。当数据与中心线较近,则对应的概率较大;当数据与中心线较远,则对应的概率较小;当数据靠近极差边界时,概率将非常小。
下式为测试数据的位置概率因子计算公式:
chance=1-abs(D_value)×2/precision (2)
用chance替代卡尔曼系数,则输出距离计算公式为:
Distance=Dis_avg+chance×D_value (4)
当测得的数据与中心线差值D_value越大,说明此点越远离中心线,计算出的概率就越小。当chance=0时,表示测得的数据被舍去,输出距离为计算的均值;当chance=1时,表示测得的距离直接作为输出距离。
阈值Threshold是与极差precision有关的参数:
Threshold=m×precision
其中m为调整系数,根据测量范围不同,需要进行不同配置。例如,测距传感器中,当目标距离较近时,数据稳定,极差(precision)较小,而突变需要达到几倍的差值才可触发,可以适当增大m的值;当测量距离较远时,极差(precision)较大,可适当减小m的值。
为保证一定的数据稳定性提高效果和原始数据分布状态,本发明根据数据分散程度的不同,采取不同的处理方法。
如图2所示,当所述差值的绝对值在阈值范围内时,判断为数据稳定,根据所述位置概率因子的不同区间范围,采用静态滤波算法计算所述输出距离;
当abs(D_value)≤Threshold且chance<0.6时,令chance=0,表示距中心线较远,舍去此数据,将所述均值Dis_avg作为所述输出距离;
当abs(D_value)≤Threshold且chance>0.8时,令chance=1,还原接近中心线的真实数据,所述测量值Dis_measure作为所述输出距离;
当abs(D_value)≤Threshold且0.6≤chance≤0.8时,chance取实际计算值,采用所述公式(4)计算出所述输出距离。
如图3所示,为采用改进后滤波算法的滤波效果图,左边纵坐标为滤波前的距离,右边纵坐标是滤波后的距离,单位为mm,横坐标为数据点个数。
当所述差值的绝对值超出所述阈值范围时,判断为数据产生突变,测距过程中出现距离突变现象,对所述测试数据采用突变算法处理;
由于传感器的应用场合复杂,目标物易突然改变,而造成测量参量的突变。使用滤波算法后,会造成很大的数据动态滞后。因此,此处需要引入突变判断机制。
当abs(D_value)>Threshold时,令chance=1,
Distance=Dis_avg+D_value
则滤波计算公式得出的值为当前实时的测试值,即可快速对突变进行响应。
当测试目标参量连续缓变时,采用动态连续缓变算法。
在传感器的使用过程中,还会遇到测试目标参量连续缓变的环境,如测距传感器的目标物以一定速度靠近传感器。这种情况下如果只采用滤波算法,会导致数据变化滞后,无法进行及时响应。
针对这种情况,结合运动趋势和运动速度变化,采用动态连续缓变算法。当运动有一定趋势,且运动速度达到一定值后,即视为在动态连续变化中,此时令chance=1,实现快速响应。
速度计算方法:
如图4所示,传感器在某时间段连续采集的等时间间隔⊿T的7个原始距离数据(a0~a6),并进行滑动存储,其中,a0始终为最新一次的采集数据。
speed1=(a4-a0)/4⊿T;
speed2=(a5-a1)/4⊿T;
speed3=(a6-a2)/4⊿T;
当speed1,speed2,speed3异号时,表示此时所述距离没有一定的变化趋势;
当speed1,speed2,speed3同号时,表示此时所述距离有上升或下降趋势。
最终的速度(speed)取三个速度中绝对值最小的一个。当速度大于一定阈值时,可以认为传感器测量参量处于连续变化的状态。而这个阈值根据不同的测量范围,有不同的配置。
当测量距离较近时,数据极差小,因此速度判断阈值可设置低一些;
随着测试距离增大,数据极差逐渐增大,速度判断阈值需要逐步提高;
当距离较远时,数据极差增长幅度较大,速度判断阈值需要相应幅度增大。
当速度大于阈值,则可认为是传感器测量参数连续变化中。此时为保证响应及时,可令位置概率因子chance=1,则
Distamce=Dis_avg+D_value
滤波计算得出的值为当前实时的测试值,即可快速对突变进行响应。
如图5所示,为采用动态连续缓变算法滤波后的动态响应效果图,
左边纵坐标为原始数据的距离,后边是滤波处理后的距离,单位为mm,横坐标为数据点个数。
可以看到,采用本发明数据稳定性增强方法提高了传感器的动态响应特性。
以上实施例为本申请的优选实施例,本领域的普通技术人员还可以在此基础上进行各种变换或改进,在不脱离本申请总的构思的前提下,这些变换或改进都应当属于本申请要求保护的范围之内。
Claims (10)
1.一种基于传感器使用的数据稳定性增强方法,其特征在于:包括以下步骤:
S1、获取传感器的测试数据,计算所述测试数据的中心线和极差,所述测试数据近似服从高斯分布规律;
S2、计算所述测试数据中每个测量值与所述中心线的差值,估算所述每个测量值在所述极差范围内的位置;
S3、根据所述差值和所述极差计算得到位置概率因子;
S4、结合卡尔曼滤波算法对滤波系数进行改进,用所述位置概率因子替代卡尔曼滤波系数,获得改进后滤波算法的输出距离计算公式;
S5、当所述差值的绝对值在阈值范围内时,判断为数据稳定,根据所述位置概率因子的不同区间范围,采用静态滤波算法计算所述输出距离;
S6、当所述差值的绝对值超出所述阈值范围时,判断为数据产生突变,对所述测试数据采用突变算法处理;
S7、当测试目标参量连续缓变时,采用动态连续缓变算法。
2.根据权利要求1所述的一种基于传感器使用的数据稳定性增强方法,其特征在于,步骤S1中,所述中心线代表若干个测试数据的均值;所述极差为所述测试数据中的最大值减去最小值的差。
3.根据权利要求2所述的一种基于传感器使用的数据稳定性增强方法,其特征在于,步骤S2中,所述均值为Dis_avg,所述测量值为Dis_measure,所述差值为D_value,计算公式为:D_value=Dis_measure﹣Dis_avg,所述极差为precision,所述位置的高斯分布因子为position,所述差值D_value的绝对值为abs(D_value),计算公式如下:
所述position的值越大,表示所述测量值处于越远离所述中心线的位置;当所述positon=0,表示所述测量值处于中心线上;当所述position=1,表示所述测量值处于所述极差的边界。
4.根据权利要求3所述的一种基于传感器使用的数据稳定性增强方法,其特征在于,步骤S3中,所述位置概率因子为chance,计算公式如下:
chance=1-abs(D-value)×2/precision (2)。
5.根据权利要求4所述的一种基于传感器使用的数据稳定性增强方法,其特征在于,步骤S4中,所述卡尔曼滤波算法中,计算公式如下:
Distance=Dis_avg+Kg×D_value (3)
Distance为输出距离,Kg为卡尔曼滤波系数,用chance替代Kg,改进后滤波算法的输出距离计算公式如下:
Distance=Dis_avg+chance×D_value (4)。
6.根据权利要求5所述的一种基于传感器使用的数据稳定性增强方法,其特征在于,步骤S5中,所述阈值为Threshold,m为调整系数,计算公式如下:
Threshold=m×precision (5)。
7.根据权利要求6所述的一种基于传感器使用的数据稳定性增强方法,其特征在于,步骤S5中,
当abs(D_value)≤Threshold且chance<0.6时,令chance=0,表示距中心线较远,舍去此数据,将所述均值Dis_avg作为所述输出距离;
当abs(D_value)≤Threshold且chance>0.8时,令chance=1,还原接近中心线的真实数据,所述测量值Dis_measure作为所述输出距离;
当abs(D_value)≤Threshold且0.6≤chance≤0.8时,chance取实际计算值,采用所述公式(4)计算出所述输出距离。
8.根据权利要求6所述的一种基于传感器使用的数据稳定性增强方法,其特征在于,步骤S6中,当abs(D_value)>Threshold时,令chance=1,代入所述公式(4)得
Distance=Dis_avg+D_value
则计算得出所述输出距离为当前实时的测量值,根据所述输出距离对突变进行快速响应。
9.根据权利要求5所述的一种基于传感器使用的数据稳定性增强方法,其特征在于,步骤S7中,被测目标物以一定速度靠近传感器,距离有一定趋势,且运动速度大于一定阈值后,判断为目标参量连续缓变,令chance=1,代入所述公式(4),所述输出距离为当前实时的所述测量值,快速响应。
10.根据权利要求9所述的一种基于传感器使用的数据稳定性增强方法,其特征在于,取所述传感器在某时间段内连续等时间间隔⊿T采集的7个原始距离数据a0~a6,分别以a0、a1和a2为起点,依次计算4⊿T时间内的三个平均速度speed1、speed2和speed3,
speed1=(a4-a0)/4⊿T;
speed2=(a5-a1)/4⊿T;
speed3=(a6-a2)/4⊿T;
当speed1,speed2,speed3异号时,表示此时所述距离没有一定的变化趋势;
当speed1,speed2,speed3同号时,表示此时所述距离有上升或下降趋势。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810049541.1A CN108268428B (zh) | 2018-01-18 | 2018-01-18 | 一种基于传感器使用的数据稳定性增强方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810049541.1A CN108268428B (zh) | 2018-01-18 | 2018-01-18 | 一种基于传感器使用的数据稳定性增强方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108268428A true CN108268428A (zh) | 2018-07-10 |
CN108268428B CN108268428B (zh) | 2021-03-16 |
Family
ID=62776102
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810049541.1A Active CN108268428B (zh) | 2018-01-18 | 2018-01-18 | 一种基于传感器使用的数据稳定性增强方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108268428B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109408303A (zh) * | 2018-09-19 | 2019-03-01 | Oppo(重庆)智能科技有限公司 | 测试数据分析方法及相关产品 |
CN110163241A (zh) * | 2019-03-18 | 2019-08-23 | 腾讯科技(深圳)有限公司 | 数据样本生成方法、装置、计算机设备及存储介质 |
CN112382088A (zh) * | 2020-11-10 | 2021-02-19 | 苏州艾氪英诺机器人科技有限公司 | 一种车辆数据补偿方法及其系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101127121A (zh) * | 2007-09-13 | 2008-02-20 | 复旦大学 | 一种基于自适应初始搜索点预测的目标跟踪算法 |
JP2012002734A (ja) * | 2010-06-18 | 2012-01-05 | Kddi Corp | 位置検出装置、方法及びプログラム |
CN104199993A (zh) * | 2014-02-18 | 2014-12-10 | 广州市香港科大霍英东研究院 | 一种针对间歇过程的二维动态卡尔曼滤波器设计方法 |
CN106093853A (zh) * | 2016-06-07 | 2016-11-09 | 北京邮电大学 | 移动台位置的测量方法及装置 |
-
2018
- 2018-01-18 CN CN201810049541.1A patent/CN108268428B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101127121A (zh) * | 2007-09-13 | 2008-02-20 | 复旦大学 | 一种基于自适应初始搜索点预测的目标跟踪算法 |
JP2012002734A (ja) * | 2010-06-18 | 2012-01-05 | Kddi Corp | 位置検出装置、方法及びプログラム |
CN104199993A (zh) * | 2014-02-18 | 2014-12-10 | 广州市香港科大霍英东研究院 | 一种针对间歇过程的二维动态卡尔曼滤波器设计方法 |
CN106093853A (zh) * | 2016-06-07 | 2016-11-09 | 北京邮电大学 | 移动台位置的测量方法及装置 |
Non-Patent Citations (2)
Title |
---|
M.N.CHATZIS 等: "A Discontinuous Extended Kalman Filter for non-smooth dynamic problems", 《MECHANICAL SYSTEMS AND SIGNAL PROCESSING》 * |
彭丁聪: "卡尔曼滤波的基本原理及应用 ", 《软件导刊》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109408303A (zh) * | 2018-09-19 | 2019-03-01 | Oppo(重庆)智能科技有限公司 | 测试数据分析方法及相关产品 |
CN110163241A (zh) * | 2019-03-18 | 2019-08-23 | 腾讯科技(深圳)有限公司 | 数据样本生成方法、装置、计算机设备及存储介质 |
CN110163241B (zh) * | 2019-03-18 | 2022-12-30 | 腾讯科技(深圳)有限公司 | 数据样本生成方法、装置、计算机设备及存储介质 |
CN112382088A (zh) * | 2020-11-10 | 2021-02-19 | 苏州艾氪英诺机器人科技有限公司 | 一种车辆数据补偿方法及其系统 |
Also Published As
Publication number | Publication date |
---|---|
CN108268428B (zh) | 2021-03-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108268428A (zh) | 一种基于传感器使用的数据稳定性增强方法 | |
CN110346844A (zh) | Nriet基于云分类和机器学习的定量降水估测方法 | |
CN103989462B (zh) | 一种脉搏波形第一特征点和第二特征点的提取方法 | |
CN110061716A (zh) | 一种基于最小二乘和多重渐消因子的改进kalman滤波方法 | |
CN110555398B (zh) | 一种基于滤波最优平滑确定故障首达时刻的故障诊断方法 | |
CN107339992A (zh) | 一种基于行为的室内定位和地标语义标识的方法 | |
CN104507053A (zh) | 差分气压测高辅助 wlan 指纹定位中的楼层判别方法 | |
CN106840093A (zh) | 一种无人机飞行高度的检测方法、装置及无人机 | |
CN108830899B (zh) | 一种基于几何特征的快速自适应角点结合的圆心检测方法 | |
CN107783104A (zh) | 一种基于粒子滤波的多异步传感器单目标检测前跟踪方法 | |
CN107367552B (zh) | 时变温度影响下基于fcm算法的损伤扩展实时监测方法 | |
CN110058222A (zh) | 一种基于传感器选择的双层粒子滤波检测前跟踪方法 | |
CN108846200B (zh) | 一种基于迭代法的准静态桥梁影响线识别方法 | |
CN108645412A (zh) | 一种多传感器自适应航迹起始方法 | |
CN111562569B (zh) | 基于加权群稀疏约束的Weibull背景下多目标恒虚警检测方法 | |
CN105571666B (zh) | 流量补偿方法及补偿装置、流量传感器 | |
CN110728055A (zh) | 一种基于双层规划的改进克里金插值方法 | |
CN105654053B (zh) | 基于改进约束ekf算法的动态振荡信号参数辨识方法 | |
CN112003891B (zh) | 用于智能网联车辆控制器的多传感数据融合方法 | |
CN112946641A (zh) | 一种基于卡尔曼滤波新息与残差相关的数据滤波方法 | |
CN104808055B (zh) | 一种电信号频率的数字化测量方法 | |
JPH0477251B2 (zh) | ||
CN109190301B (zh) | 一种变工况下回转支承高精度寿命预测方法 | |
CN116437290A (zh) | 一种基于csi指纹定位的模型融合方法 | |
CN104881077A (zh) | 一种光伏系统中最大功率点跟踪控制方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |