CN108847828A - 一种具有随机建模误差的非线性事件触发滤波方法 - Google Patents
一种具有随机建模误差的非线性事件触发滤波方法 Download PDFInfo
- Publication number
- CN108847828A CN108847828A CN201810812854.8A CN201810812854A CN108847828A CN 108847828 A CN108847828 A CN 108847828A CN 201810812854 A CN201810812854 A CN 201810812854A CN 108847828 A CN108847828 A CN 108847828A
- Authority
- CN
- China
- Prior art keywords
- filtering
- matrix
- moment
- error
- stochastic
- 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
-
- H—ELECTRICITY
- H03—ELECTRONIC CIRCUITRY
- H03H—IMPEDANCE NETWORKS, e.g. RESONANT CIRCUITS; RESONATORS
- H03H21/00—Adaptive networks
- H03H21/0012—Digital adaptive filters
- H03H21/0016—Non linear filters
-
- H—ELECTRICITY
- H03—ELECTRONIC CIRCUITRY
- H03H—IMPEDANCE NETWORKS, e.g. RESONANT CIRCUITS; RESONATORS
- H03H21/00—Adaptive networks
- H03H21/0012—Digital adaptive filters
- H03H21/0043—Adaptive algorithms
Landscapes
- Physics & Mathematics (AREA)
- Nonlinear Science (AREA)
- Complex Calculations (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种具有随机建模误差的非线性事件触发滤波方法,属于状态估计技术领域。本发明首先建立基于事件触发机制具有随机建模误差和滤波增益扰动的非线性随机系统的动态模型、对动态模型进行滤波器设计;然后计算一步预测误差协方差矩阵的上界;通过一步预测误差协方差矩阵的上界计算得到k+1时刻滤波增益矩阵Kk+1;再将Kk+1代入步骤二的滤波器中,得到k+1时刻的状态估计并根据滤波增益矩阵Kk+1,计算出滤波误差协方差矩阵的上界Σk+1|k+1;重复上述步骤,直至满足达到滤波总时长。本发明解决了现有滤波技术不能同时处理在事件触发条件下的随机建模误差和滤波增益扰动,进而导致滤波误差大的问题。本发明可用随机非线性时变系统的滤波。
Description
技术领域
本发明涉及一种非线性事件触发滤波方法,属于状态估计技术领域。
背景技术
滤波是将信号中特定波段频率滤除的操作,是选择信号和抑制干扰的一项基本而重要措施。滤波在控制系统中属于重要的研究问题,在雷达测距、目标跟踪系统、图像采集等领域的信号估计任务中获得广泛应用。在网络环境中,由于带宽受限等因素,会造成网络拥堵、数据丢失等网络诱导现象,设计适应这些网络诱导现象的滤波方法是十分有必要的。
目前现有的方法不能同时处理具有事件触发机制和随机建模误差的滤波问题,尤其是忽略建模误差发生的随机性,从而降低了滤波算法的鲁棒性,导致滤波性能低;现有方法不考虑滤波增益扰动时,会导致设计的滤波算法失去弹性,降低滤波性能,导致滤波误差大。
发明内容
本发明为解决现有滤波技术不能同时处理在事件触发条件下的随机建模误差和滤波增益扰动,进而导致滤波误差大的问题,提供了一种具有随机建模误差的非线性事件触发滤波方法。
本发明所述一种具有随机建模误差的非线性事件触发滤波方法,通过以下技术方案实现:
步骤一、建立基于事件触发机制具有随机建模误差和滤波增益扰动的非线性随机系统的动态模型;
步骤二、对步骤一建立的所述动态模型进行滤波器设计;
步骤三、计算一步预测误差协方差矩阵的上界;
步骤四、根据步骤三获得的一步预测误差协方差矩阵的上界Σk+1|k,计算k+1时刻滤波增益矩阵Kk+1;
步骤五、将步骤四中获得的滤波增益矩阵Kk+1代入步骤二的滤波器中,得到k+1时刻的状态估计
判断k+1是否达到滤波总时长M,若k+1<M,则执行步骤六,若k+1=M,则结束;
步骤六、根据步骤四中计算出的滤波增益矩阵Kk+1,计算出滤波误差协方差矩阵的上界Σk+1|k+1;令k=k+1,进入步骤二,直至满足k+1=M。
本发明最为突出的特点和显著的有益效果是:
本发明所涉及的一种具有随机建模误差的非线性事件触发滤波方法,同时考虑了在事件触发条件下随机建模误差和滤波增益扰动对滤波性能的影响,利用黎卡提方程方法得到了滤波算法的递推形式,与现有的非线性时变系统的递推滤波方法相比,本发明可以同时处理事件触发机制、随机建模误差和滤波增益扰动,得到了基于黎卡提方程的滤波方法,达到了抗非线性扰动和滤波增益扰动的目的,能够且具有易于求解与实现的优点。
针对基于事件触发机制具有随机发生的不确定性和滤波增益扰动的非线性随机系统,所发明的滤波器设计方法可有效地估计出目标状态,相比现有方法,滤波相对误差减少约22%。
附图说明
图1为本发明方法流程图;
图2为实际状态轨迹x1,k及其滤波轨迹对比图,图中实线为实际状态轨迹x1,k,虚线为滤波轨迹
图3为实际状态轨迹x2,k及其滤波轨迹对比图,图中实线为实际状态轨迹x2,k,虚线为滤波轨迹
图4为均方误差的对数和滤波误差协方差上界的迹的关系图,图中虚线为滤波误差协方差上界的迹,实线为均方误差的对数log(MSE)。
具体实施方式
具体实施方式一:结合图1对本实施方式进行说明,本实施方式给出的一种具有随机建模误差的非线性事件触发滤波方法,具体包括以下步骤:
步骤一、建立基于事件触发机制具有随机建模误差和滤波增益扰动的非线性随机系统的动态模型;
步骤二、对步骤一建立的所述动态模型进行滤波器设计;
步骤三、计算一步预测误差协方差矩阵的上界;
步骤四、根据步骤三获得的一步预测误差协方差矩阵的上界Σk+1|k,计算k+1时刻滤波增益矩阵Kk+1;
步骤五、将步骤四中获得的滤波增益矩阵Kk+1代入步骤二的滤波器中,得到k+1时刻的状态估计
判断k+1是否达到滤波总时长M,若k+1<M,则执行步骤六,若k+1=M,则结束;
步骤六、根据步骤四中计算出的滤波增益矩阵Kk+1,计算出滤波误差协方差矩阵的上界Σk+1|k+1;令k=k+1,进入步骤二,直至满足k+1=M。
具体实施方式二:本实施方式与具体实施方式一不同的是,步骤一中所述基于事件触发机制具有随机建模误差和滤波增益扰动的非线性随机系统的动态模型的状态空间形式为:
yk=Ckxk+ξkEkψ(xk)+νk (2)
其中,xk为k时刻非线性随机系统的动态模型的状态变量,xk+1为k+1时刻非线性随机系统的动态模型的状态变量;yk为k时刻系统的测量输出;Ak为k时刻非线性随机系统的系统矩阵、Bk为k时刻的系数矩阵、Ck为k时刻非线性随机系统的量测矩阵,Dk为k时刻非线性随机系统的噪声分布矩阵,Ek为k时刻ψ(xk)的系数矩阵,Ak,Bk,Ck,Dk,Ek均为已知的矩阵;为满足的非线性函数,ψ(xk)为满足的非线性函数,和ψ(xk)未知;其中Φk是的上限,Ψk是ψ(xk)的上限,和ψT(xk)分别为和ψ(xk)的转置,Φk和Ψk均为已知的矩阵,表示数学期望;ηk是的高斯白噪声,ξk是ψ(xk)的高斯白噪声,ηk和ξk的期望均为零、方差均为1;ωk是期望为零、方差为Qk的过程噪声,Qk>0;vk是期望为零、方差为Rk的测量噪声,Rk>0。
其他步骤及参数与具体实施方式一相同。
具体实施方式三:本实施方式与具体实施方式二不同的是,步骤二中所述滤波器设计的具体过程包括:
首先,选取如下的事件触发函数:
式中,表示上一个触发时刻的测量值,ki为当前k时刻对应的上一个触发时刻,上标T表示转置,δ是一个触发阈值,为已知的正标量;则下一触发时刻序列通过下式迭代产生:
其中,Z+为正整数,inf{}为取下限函数;
经过事件触发机制后传递给滤波器的测量值为:
构造滤波器公式:
其中,为xk在k时刻的估计,为k+1时刻的状态估计,为xk在k时刻的一步预测,为在k+1时刻经过触发机制后传递给滤波器的测量值,Kk+1为k+1时刻滤波增益矩阵,△Kk+1=Mk+1Fk+1Nk+1为范数有界不确定性矩阵,描述滤波增益扰动,Mk+1为△Kk+1的左端度量矩阵、Nk+1为△Kk+1的右端度量矩阵,矩阵Fk+1满足 为Fk+1的转置,I为单位矩阵。
其他步骤及参数与具体实施方式二相同。
具体实施方式四:本实施方式与具体实施方式三不同的是,步骤三具体为:
根据式得到k时刻的一步预测误差然后利用计算出k时刻的一步预测误差协方差矩阵Pk+1|k,但由于在一步预测误差协方差矩阵中存在不确定项,很难得到其精确值,故利用不等式处理方法,将Pk+1|k中的未知项处理成已知矩阵的形式,从而找到一步预测误差协方差矩阵的上界,即Pk+1|k≤Σk+1|k。
利用下式计算一步预测误差协方差矩阵Pk+1|k的上界Σk+1|k:
其中,Σk|k为滤波误差协方差矩阵Pk|k的上界,和分别为Ak、Bk和Dk的转置。
其他步骤及参数与具体实施方式三相同。
具体实施方式五:本实施方式与具体实施方式四不同的是,步骤四中所述k+1时刻滤波增益矩阵Kk+1的具体计算过程为:
其中,ε1、ε2、ε3均为权重系数,是已知的常量,γ1,k为满足的变量,γ2,k为满足的变量,分别为Ck+1、Nk+1、Kk+1的转置, 分别为γ1,k、γ2,k、Σk+1|k、Πk+1、 的逆矩阵。
其他步骤及参数与具体实施方式四相同。
具体实施方式六:本实施方式与具体实施方式五不同的是,步骤六中所述滤波误差协方差矩阵的上界的具体计算过程为:
根据式得到k+1时刻的滤波误差然后利用计算出k+1时刻的滤波误差协方差矩阵Pk+1|k+1,但由于在滤波误差协方差矩阵中存在不确定项,很难得到其精确值,故利用不等式处理方法,将Pk+1|k+1中的未知项处理成已知矩阵的形式,从而找到滤波误差协方差矩阵的上界,即Pk+1|k+1≤Σk+1|k+1。
其中,Σk+1|k+1为滤波误差协方差矩阵Pk+1|k+1的上界,(I-Kk+1Ck+1)T和分别为(I-Kk+1Ck+1)和Mk+1的转置。
其他步骤及参数与具体实施方式五相同。
实施例
采用以下实施例验证本发明的有益效果:
系统参数:
此外,Σ0|0=2I2(I2是维数为2的单位阵),εj=1,(j=1,2,3),Φk=0.5,Ψk=0.4, λmax(*)为*的最大特征值,δ=0.1,Qk=Rk=0.1。
利用上述参数进行本发明的滤波方法,滤波效果如图2、图3、图4所示:
图2为实际状态轨迹x1,k及其滤波轨迹图3为实际状态轨迹x2,k及其滤波轨迹图4为均方误差的对数和滤波误差协方差上界的迹的关系图。由图2至图4可见,针对基于事件触发机制具有随机发生的不确定性和滤波增益扰动的非线性随机系统,所发明的滤波器设计方法可有效地估计出目标状态,相比现有方法,滤波误差减少约22%。
本发明还可有其它多种实施例,在不背离本发明精神及其实质的情况下,本领域技术人员当可根据本发明作出各种相应的改变和变形,但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。
Claims (6)
1.一种具有随机建模误差的非线性事件触发滤波方法,其特征在于,所述方法具体包括以下步骤:
步骤一、建立基于事件触发机制具有随机建模误差和滤波增益扰动的非线性随机系统的动态模型;
步骤二、对步骤一建立的所述动态模型进行滤波器设计;
步骤三、计算一步预测误差协方差矩阵的上界;
步骤四、根据步骤三获得的一步预测误差协方差矩阵的上界Σk+1|k,计算k+1时刻滤波增益矩阵Kk+1;
步骤五、将步骤四中获得的滤波增益矩阵Kk+1代入步骤二的滤波器中,得到k+1时刻的状态估计
判断k+1是否达到滤波总时长M,若k+1<M,则执行步骤六,若k+1=M,则结束;
步骤六、根据步骤四中计算出的滤波增益矩阵Kk+1,计算出滤波误差协方差矩阵的上界Σk+1|k+1;令k=k+1,进入步骤二,直至满足k+1=M。
2.根据权利要求1所述一种具有随机建模误差的非线性事件触发滤波方法,其特征在于,步骤一中所述基于事件触发机制具有随机建模误差和滤波增益扰动的非线性随机系统的动态模型的状态空间形式为:
yk=Ckxk+ξkEkψ(xk)+νk (2)
其中,xk为k时刻非线性随机系统的动态模型的状态变量,xk+1为k+1时刻非线性随机系统的动态模型的状态变量;yk为k时刻系统的测量输出;Ak为k时刻非线性随机系统的系统矩阵、Bk为k时刻的系数矩阵、Ck为k时刻非线性随机系统的量测矩阵,Dk为k时刻非线性随机系统的噪声分布矩阵,Ek为k时刻ψ(xk)的系数矩阵;为满足的非线性函数,ψ(xk)为满足的非线性函数;其中Φk是的上限,Ψk是ψ(xk)的上限,和ψT(xk)分别为和ψ(xk)的转置,表示数学期望;ηk是的高斯白噪声,ξk是ψ(xk)的高斯白噪声,ηk和ξk的期望均为零、方差均为1;ωk是期望为零、方差为Qk的过程噪声,Qk>0;vk是期望为零、方差为Rk的测量噪声,Rk>0。
3.根据权利要求2所述一种具有随机建模误差的非线性事件触发滤波方法,其特征在于,步骤二中所述滤波器设计的具体过程包括:
首先,选取如下的事件触发函数:
式中,表示上一个触发时刻的测量值,ki为当前k时刻对应的上一个触发时刻,上标T表示转置,δ是一个触发阈值;则下一触发时刻序列通过下式迭代产生:
其中,Z+为正整数,inf{}为取下限函数;
经过事件触发机制后传递给滤波器的测量值为:
构造滤波器公式:
其中,为xk在k时刻的估计,为k+1时刻的状态估计,为xk在k时刻的一步预测,为在k+1时刻经过触发机制后传递给滤波器的测量值,Kk+1为k+1时刻滤波增益矩阵,△Kk+1=Mk+1Fk+1Nk+1为范数有界不确定性矩阵,描述滤波增益扰动,Mk+1为△Kk+1的左端度量矩阵、Nk+1为△Kk+1的右端度量矩阵,矩阵Fk+1满足 为Fk+1的转置,I为单位矩阵。
4.根据权利要求3所述一种具有随机建模误差的非线性事件触发滤波方法,其特征在于,步骤三具体为:
计算一步预测误差协方差矩阵Pk+1|k的上界Σk+1|k:
其中,Σk|k为滤波误差协方差矩阵Pk|k的上界,和分别为Ak、Bk和Dk的转置。
5.根据权利要求4所述一种具有随机建模误差的非线性事件触发滤波方法,其特征在于,步骤四中所述k+1时刻滤波增益矩阵Kk+1的具体计算过程为:
其中,ε1、ε2、ε3均为权重系数,γ1,k为满足的变量,γ2,k为满足的变量,分别为Ck+1、Nk+1、Kk+1的转置, 分别为γ1,k、γ2,k、Σk+1|k、Πk+1、的逆矩阵。
6.根据权利要求5所述一种具有随机建模误差的非线性事件触发滤波方法,其特征在于,步骤六中所述滤波误差协方差矩阵的上界的具体计算过程为:
其中,Σk+1|k+1为滤波误差协方差矩阵Pk+1|k+1的上界,(I-Kk+1Ck+1)T和分别为(I-Kk+1Ck+1)和Mk+1的转置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810812854.8A CN108847828B (zh) | 2018-07-23 | 2018-07-23 | 一种具有随机建模误差的非线性事件触发滤波方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810812854.8A CN108847828B (zh) | 2018-07-23 | 2018-07-23 | 一种具有随机建模误差的非线性事件触发滤波方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108847828A true CN108847828A (zh) | 2018-11-20 |
CN108847828B CN108847828B (zh) | 2022-02-11 |
Family
ID=64196946
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810812854.8A Active CN108847828B (zh) | 2018-07-23 | 2018-07-23 | 一种具有随机建模误差的非线性事件触发滤波方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108847828B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109728796A (zh) * | 2018-12-12 | 2019-05-07 | 哈尔滨理工大学 | 一种基于事件触发机制的滤波方法 |
CN109728795A (zh) * | 2018-12-24 | 2019-05-07 | 哈尔滨理工大学 | 未知概率情形下具有数据丢失的时变事件触发滤波方法 |
CN111258222A (zh) * | 2020-02-27 | 2020-06-09 | 西南大学 | 自回归滑动平均系统自适应状态估计方法及闭环控制系统 |
CN112636719A (zh) * | 2020-12-17 | 2021-04-09 | 郑州轻工业大学 | 数据丢失和信道噪声干扰下的ilc系统输入信号滤波方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105553442A (zh) * | 2015-12-18 | 2016-05-04 | 南通大学 | 基于网络的Lipschitz非线性系统的H∞滤波器信息处理方法 |
CN105703740A (zh) * | 2016-01-13 | 2016-06-22 | 中国科学院重庆绿色智能技术研究院 | 基于多层重要性采样的高斯滤波方法和高斯滤波器 |
CN106352876A (zh) * | 2016-07-25 | 2017-01-25 | 北京航空航天大学 | 一种基于h∞和ckf混合滤波的机载分布式pos传递对准方法 |
US20170124026A1 (en) * | 2015-10-28 | 2017-05-04 | Shing-Tung Yau | Method for solving high-dimensional nonlinear filtering problem |
CN107169193A (zh) * | 2017-05-11 | 2017-09-15 | 南京师范大学 | 基于自适应事件触发机制的非线性系统滤波器的设计方法 |
-
2018
- 2018-07-23 CN CN201810812854.8A patent/CN108847828B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170124026A1 (en) * | 2015-10-28 | 2017-05-04 | Shing-Tung Yau | Method for solving high-dimensional nonlinear filtering problem |
CN105553442A (zh) * | 2015-12-18 | 2016-05-04 | 南通大学 | 基于网络的Lipschitz非线性系统的H∞滤波器信息处理方法 |
CN105703740A (zh) * | 2016-01-13 | 2016-06-22 | 中国科学院重庆绿色智能技术研究院 | 基于多层重要性采样的高斯滤波方法和高斯滤波器 |
CN106352876A (zh) * | 2016-07-25 | 2017-01-25 | 北京航空航天大学 | 一种基于h∞和ckf混合滤波的机载分布式pos传递对准方法 |
CN106352876B (zh) * | 2016-07-25 | 2018-05-25 | 北京航空航天大学 | 一种基于h∞和ckf混合滤波的机载分布式pos传递对准方法 |
CN107169193A (zh) * | 2017-05-11 | 2017-09-15 | 南京师范大学 | 基于自适应事件触发机制的非线性系统滤波器的设计方法 |
Non-Patent Citations (2)
Title |
---|
FUWEN YANG,ET AL: "Robust Kalman Filtering for Discrete Time-Varying Uncertain Systems With Multiplicative Noises", 《IEEE TRANSACTIONS ON AUTOMATIC CONTROL》 * |
胡军: "网络环境下非线性随机系统的递推滤波及控制策略研究", 《中国博士学位论文全文数据库 信息科技辑》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109728796A (zh) * | 2018-12-12 | 2019-05-07 | 哈尔滨理工大学 | 一种基于事件触发机制的滤波方法 |
CN109728796B (zh) * | 2018-12-12 | 2022-11-15 | 哈尔滨理工大学 | 一种基于事件触发机制的滤波方法 |
CN109728795A (zh) * | 2018-12-24 | 2019-05-07 | 哈尔滨理工大学 | 未知概率情形下具有数据丢失的时变事件触发滤波方法 |
CN109728795B (zh) * | 2018-12-24 | 2022-11-18 | 哈尔滨理工大学 | 未知概率情形下具有数据丢失的时变事件触发滤波方法 |
CN111258222A (zh) * | 2020-02-27 | 2020-06-09 | 西南大学 | 自回归滑动平均系统自适应状态估计方法及闭环控制系统 |
CN111258222B (zh) * | 2020-02-27 | 2021-06-25 | 西南大学 | 自回归滑动平均系统自适应状态估计方法及闭环控制系统 |
CN112636719A (zh) * | 2020-12-17 | 2021-04-09 | 郑州轻工业大学 | 数据丢失和信道噪声干扰下的ilc系统输入信号滤波方法 |
CN112636719B (zh) * | 2020-12-17 | 2023-10-13 | 郑州轻工业大学 | 数据丢失和信道噪声干扰下的ilc系统输入信号滤波方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108847828B (zh) | 2022-02-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108847828A (zh) | 一种具有随机建模误差的非线性事件触发滤波方法 | |
CN106771905B (zh) | 一种适用于高频电流局部放电检测的脉冲提取方法 | |
CN107102255B (zh) | 单一adc采集通道动态特性测试方法 | |
CN103576060A (zh) | 基于小波自适应阈值的局部放电信号去噪方法 | |
CN109557429A (zh) | 基于改进小波阈值去噪的gis局部放电故障检测方法 | |
CN103680515A (zh) | 采用系数重用的比例自适应滤波器系数向量更新方法 | |
Chen et al. | Impulse response estimation with binary measurements: A regularized FIR model approach | |
Tian-Wen et al. | The ambiguity function associated with the linear canonical transform | |
CN112881796A (zh) | 频谱泄漏校正的多频实信号频率估计算法 | |
CN108847829A (zh) | 一种具有随机发生不确定性和量化测量的非线性滤波方法 | |
CN109728795B (zh) | 未知概率情形下具有数据丢失的时变事件触发滤波方法 | |
JP6260126B2 (ja) | 選択装置、選択方法、識別システム及び補償システム | |
Deng et al. | Selection of optimal wavelet basis for signal denoising | |
CN106452621B (zh) | 一种峰值功率、峰均值功率比的确定方法及装置 | |
CN109117698B (zh) | 一种基于最小均方误差准则的噪声背景估计方法 | |
Li | Detection and estimation of hidden periodicity in asymmetric noise by using quantile periodogram | |
Khan et al. | A polyscale autonomous sliding window for cognitive machine classification of malicious internet traffic | |
Huiqi et al. | Parameter estimation of frequency hopping signals based on numeral charateristics in compressed domain and atomic norm | |
CN110726887A (zh) | 一种就地化电力系统电压暂降检测方法 | |
Chuang et al. | Recognition of multiple PQ disturbances using dynamic structure neural networks-part 1: theoretical introduction | |
Fan et al. | An adaptive method of pulse detection based on frequency-domain CFAR | |
Hyder et al. | Coherent spectral analysis of asynchronously sampled signals | |
Prasetyowati et al. | Implementation of Least Mean Square Adaptive Algorithm on Covid-19 Prediction | |
Hanke | An ϵ-free a posteriori stopping rule for certain iterative regularization methods | |
Aryasomayajula et al. | Fast Periodicity Estimation and Reconstruction of hidden components from noisy periodic signal |
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 |