CN112134544A - 滤波方法、装置、设备及计算机可读存储介质 - Google Patents
滤波方法、装置、设备及计算机可读存储介质 Download PDFInfo
- Publication number
- CN112134544A CN112134544A CN202011027624.4A CN202011027624A CN112134544A CN 112134544 A CN112134544 A CN 112134544A CN 202011027624 A CN202011027624 A CN 202011027624A CN 112134544 A CN112134544 A CN 112134544A
- Authority
- CN
- China
- Prior art keywords
- value
- filtering
- uncertainty
- time
- optimized
- 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
- 238000001914 filtration Methods 0.000 title claims abstract description 88
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000005070 sampling Methods 0.000 claims abstract description 37
- 230000015654 memory Effects 0.000 claims abstract description 17
- 238000005457 optimization Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000035945 sensitivity Effects 0.000 abstract description 10
- 238000005259 measurement Methods 0.000 abstract description 3
- 230000001629 suppression Effects 0.000 abstract description 3
- 230000008859 change Effects 0.000 description 9
- 230000008569 process Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H03—ELECTRONIC CIRCUITRY
- H03H—IMPEDANCE NETWORKS, e.g. RESONANT CIRCUITS; RESONATORS
- H03H17/00—Networks using digital techniques
- H03H17/02—Frequency selective networks
- H03H17/0202—Two or more dimensional filters; Filters for complex signals
-
- H—ELECTRICITY
- H03—ELECTRONIC CIRCUITRY
- H03H—IMPEDANCE NETWORKS, e.g. RESONANT CIRCUITS; RESONATORS
- H03H17/00—Networks using digital techniques
- H03H17/02—Frequency selective networks
- H03H17/0248—Filters characterised by a particular frequency response or filtering method
- H03H17/026—Averaging filters
-
- H—ELECTRICITY
- H03—ELECTRONIC CIRCUITRY
- H03H—IMPEDANCE NETWORKS, e.g. RESONANT CIRCUITS; RESONATORS
- H03H17/00—Networks using digital techniques
- H03H17/02—Frequency selective networks
- H03H17/0202—Two or more dimensional filters; Filters for complex signals
- H03H2017/0205—Kalman filters
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Mathematical Physics (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种滤波方法、装置、设备及计算机可读存储介质。该滤波方法包括：获取本次采样值和上次优化值；计算本次采样值和上次优化值的差值；根据差值选择采用时间滑动平均算法或者采用系统预测状态方程得到本次预测值；根据本次预测值和卡尔曼滤波算法确定本次优化值。本发明能够满足对数据精准测量的需求。本发明提出了一种滑动平均算法和卡尔曼滤波算法相结合的滤波方法。该滤波方法与现有的卡尔曼滤波算法相比具有精准度高、平滑度高的优势。该滤波方法与现有的滑动平均算法相比具有占用内存小、灵敏度高、对于非周期性干扰的抑制效果好的优势。该滤波方法能够在确保数据准确性的同时，兼顾灵敏度和平滑度。
Description
技术领域
本发明涉及信号处理技术领域，更具体地涉及一种滤波方法、装置、设备及计算机可读存储介质。
背景技术
随着电子技术的不断发展，人们对数据采集的要求越来越高。传统的模拟量采集装置，由于仅使用芯片内部的模拟量采集模块和采集模块电路设计不足等原因，导致采集的精度偏低，不能够满足对数据精确测量控制的需求。现有的应用于模拟量采集的滤波方法有中位值滤波法、滑动平均滤波法、一阶滞后滤波法、消抖滤波法等。其中中位值滤波法能够有效抑制偶然因素引起的波动干扰，但占用主存较大，灵敏度不高；滑动平均滤波法平滑度较高，但比较浪费主存，同时对于非周期性干扰的抑制作用较差；一级滞后滤波法适用于高频系统，但相位滞后，灵敏度低；消抖滤波法适用于变化缓慢的被测参数，对快速变化的参数不宜，同时灵敏度不高。因此现有的滤波方法并不能很好的协调好灵敏度和平滑度之间的关系。
因此，如何准确采集各种条件下的数据，并能够对数据进行滤波，同时最大限度保证数据的准确性和结果的平滑度，成为了本领域技术人员亟待解决的技术问题和始终研究的重点。
发明内容
本申请实施例提供了一种滤波方法、装置、设备及计算机可读存储介质，能够解决现有数据采集方法存在的精度低、平滑度差等问题，
本发明第一方面提供了一种滤波方法，所述滤波方法包括如下步骤；获取本次采样值和上次优化值；计算所述本次采样值和所述上次优化值的差值；根据所述差值选择采用时间滑动平均算法或者采用系统预测状态方程得到本次预测值；根据所述本次预测值和卡尔曼滤波算法确定本次优化值。
可选地，根据所述差值选择采用时间滑动平均算法或者采用系统预测状态方程得到本次预测值包括：在所述差值小于第一阈值时，采用系统预测状态方程得到所述本次预测值；或者，在所述差值大于等于所述第一阈值时，采用时间滑动平均算法得到所述本次预测值。
可选地，所述系统预测状态方程用于指示所述本次预测值等于所述上次优化值；或者，在所述差值大于等于所述第一阈值时，采用时间滑动平均算法得到所述本次预测值包括：获取上上次优化值；计算所述本次采样值、所述上次优化值和所述上上次优化值的平均值；将所述平均值赋值给所述本次预测值。
可选地，根据所述本次预测值和卡尔曼滤波算法确定本次优化值包括：计算所述本次预测值的不确定度；根据所述本次预测值的不确定度确定本次卡尔曼增益；根据所述本次卡尔曼增益、本次预测值和所述本次采样值计算本次优化值。
可选地，计算本次预测值的不确定度包括：获取上次优化值的不确定度；采用系统预测状态方程得到所述本次预测值时，根据所述系统预测状态方程设定预测值的不确定度；根据所述上次优化值的不确定度和所述预测值的不确定度计算本次预测值的不确定度；或者，采用时间滑动平均算法得到所述本次预测值时，本次预测值的不确定度等于所述上次优化值的不确定度。
可选地，根据所述本次预测值和卡尔曼滤波算法确定本次优化值之后还包括：根据所述本次卡尔曼增益和所述本次预测值的不确定度计算本次优化值的不确定度。
本发明第二方面提供了一种滤波装置，该滤波装置包括：第一获取模块，用于获取本次采样值和上次优化值；计算模块，用于计算所述本次采样值和所述上次优化值的差值；第二获取模块，用于根据所述差值选择采用时间滑动平均算法或者采用系统预测状态方程得到本次预测值；确定模块，用于根据所述本次预测值和卡尔曼滤波算法确定本次优化值。
可选地，所述第二获取模块包括：第一获取单元，用于在所述差值小于第一阈值时，采用系统预测状态方程得到所述本次预测值；或者，第二获取单元，用于在所述差值大于等于所述第一阈值时，采用时间滑动平均算法得到所述本次预测值。
本发明第三方面提供了一种滤波设备，该滤波设备包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器执行上述的滤波方法。
本发明第四方面提供了一种计算机可读存储介质，其上存储有计算机指令，该指令被处理器执行时实现上述的滤波方法。
本发明提供了一种滑动平均算法和卡尔曼滤波算法相结合的滤波方法。该滤波方法能够提高数据采集的精准度。该滤波方法与现有的卡尔曼滤波算法相比具有精准度高、平滑度高的优势。该滤波方法与现有的滑动平均算法相比具有占用内存小、灵敏度高、对于非周期性干扰的抑制效果好的优势。该滤波方法能够在确保数据准确性的同时，兼顾灵敏度和平滑度。
附图说明
图1为本发明实施例的滤波方法流程图；
图2为本发明实施例的滤波方法流程图；
图3为本发明实施例的滤波装置结构框图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
在本申请的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本申请和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本申请的限制。此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个特征。在本申请的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
在本申请中，“示例性”一词用来表示“用作例子、例证或说明”。本申请中被描述为“示例性”的任何实施例不一定被解释为比其它实施例更优选或更具优势。为了使本领域任何技术人员能够实现和使用本申请，给出了以下描述。在以下描述中，为了解释的目的而列出了细节。应当明白的是，本领域普通技术人员可以认识到，在不使用这些特定细节的情况下也可以实现本申请。在其它实例中，不会对公知的结构和过程进行详细阐述，以避免不必要的细节使本申请的描述变得晦涩。因此，本申请并非旨在限于所示的实施例，而是与符合本申请所公开的原理和特征的最广范围相一致。
在数据采集过程中因存在干扰因素导致采集数据存在测量精确度低、实时性差等问题。现有的应用于模拟量采集的滤波方法存在一种或几种下述问题：占用内存大、灵敏度低、抗干扰性差、平滑度低、精度低。本发明实施例提供了一种滤波方法，图1为本发明实施例的滤波方法流程图，如图1所示，该流程包括如下步骤：
S11：获取本次采样值和上次优化值；
本实施例中，通过温度传感器采集待测设备的温度信号，并将采集到的温度信号转换为电信号。待测设备可选为发电机组控制器。通过模数转换模块将电信号转换为数字信号得到本次采样值。上次优化值从存储器中获取。
S12：计算本次采样值和上次优化值的差值；
S13：根据差值选择采用时间滑动平均算法或者采用系统预测状态方程得到本次预测值；
S14：根据本次预测值和卡尔曼滤波算法确定本次优化值。
本发明实施例提供的滤波方法使用系统预测状态方程计算本次预测值有利于滤除噪声造成的轻微波动。本发明实施例提供的滤波方法在卡尔曼滤波算法的基础上增加了时间滑动平均算法，可有效平衡数据采集的实时性和平滑性，同时能够保证数据的准确性，为用户读数提供良好体验。
上述步骤S13涉及根据差值选择采用时间滑动平均算法或者采用系统预测状态方程得到本次预测值，图2为本发明实施例的滤波方法流程图，如图2所示，该流程包括如下步骤：
S21：获取本次采样值和上次优化值；
S22：计算本次采样值和上次优化值的差值；
S23：判断差值是否小于第一阈值；
本实施例中，第一阈值为影响数据输出平滑度的采样数据的变化幅度。在一个可选实施例中，第一阈值为超出系统预测状态方程预计变化幅度，影响系统预测状态方程准确性的采样数据的变化幅度。
S24：步骤S23的判断结果为是，则采用系统预测状态方程得到本次预测值。
S25：步骤S23的判断结果为否，则采用时间滑动平均算法得到本次预测值。
S26：根据本次预测值和卡尔曼滤波算法确定本次优化值。
在一个可选实施例中，第一阈值可以根据实际情况灵活选择，例如可以为影响采样结果平滑度的采样值的变化幅度，具体地，可以为10。系统预测状态方程优选为根据采样值的实际情况设定。本发明实施例提供的滤波方法设定了第一阈值。通过比较差值和第一阈值的大小能够区分变化程度超出预期的本次采样值和变化程度符合预期的本次采样值。变化程度符合预期的本次采样值用系统状态方程来确定本次预测值能够保证数据采集的准确性。变化程度符合预期的本次采样值不会影响采样结果的平滑度。采样值的变化程度超出预期时，噪声比预计值高，系统预测状态方程受噪声干扰导致精度下降。使用时间滑动平均算法计算本次预测值有利于提高输出数据的平滑度。同时，对变化程度超出预期的本次采样值采用时间滑动平均算法来确定本次预测值，可避免变化程度超出预期的本次采样值影响采样结果的平滑度。
上述步骤S24涉及采用系统预测状态方程得到本次预测值。在一个可选实施例中，系统预测状态方程用于指示本次预测值等于上次优化值。例如，采样值为温度时，如果预计温度不变，则系统预测状态方程用于指示本次预测值等于上次优化值。上述步骤S25涉及采用时间滑动平均算法得到本次预测值。在一个可选实施例中，在差值大于等于第一阈值时，采用时间滑动平均算法得到本次预测值包括：获取上上次优化值；计算本次采样值、上次优化值和上上次优化值的平均值；将平均值赋值给本次预测值。采用时间滑动平均算法确定本次预测值时，可计算前N(N为大于1的整数)个优化值和本次采样值的的平均值。N优选为3。本发明实施例提供的滤波方法在本次采样值和上次优化值的差值较小时，预计采样值不变，简化了滤波过程。时间滑动平均算法通过三个数据的平均值来计算本次预测值，用到的过去数据较少，有利于数据的处理。上述滤波方法在确保精度的同时占用内存较小，灵敏度高。
上述步骤S26涉及根据本次预测值和卡尔曼滤波算法确定本次优化值。在一个可选实施例中，根据本次预测值和卡尔曼滤波算法确定本次优化值包括：计算本次预测值的不确定度；根据本次预测值的不确定度确定本次卡尔曼增益；根据本次卡尔曼增益、本次预测值和本次采样值计算本次优化值。本次卡尔曼增益优选根据本次预测值的不确定度和测量值的不确定度来计算。测量值的不确定度优选根据数据测量装置的精度来确定。优选地，本次卡尔曼增益为：本次预测值的不确定度和测量值的不确定度的协方差。优选地，本次优化值为：计算本次采样值和上次优化值的差值；将该差值与本次卡尔曼增益相乘，再加上本次预测值。
在一个可选实施例中，计算本次预测值的不确定度包括：获取上次优化值的不确定度；采用系统预测状态方程得到本次预测值时，根据系统预测状态方程设定预测值的不确定度；根据上次优化值的不确定度和预测值的不确定度计算本次预测值的不确定度；或者，采用时间滑动平均算法得到本次预测值时，本次预测值的不确定度等于上次优化值的不确定度。预测值不确定度优选根据系统预测状态方程的噪声确定。根据上次优化值的不确定度和预测值的不确定度计算本次预测值的不确定度优选为：上次优化值的不确定度的平方和预测值的不确定度的平方相加再开方等于本次预测值的不确定度。
在一个可选实施例中，根据本次预测值和卡尔曼滤波算法确定本次优化值之后还包括：根据本次卡尔曼增益和本次预测值的不确定度计算本次优化值的不确定度。本次优化值的不确定度的计算公式为：((1-Kg)*a^2)^0.5＝b；其中，a为本次预测值的不确定度，b为本次优化值的不确定度，Kg为本次卡尔曼增益。本发明优选在延时设定时长后开始滤波，能够防止检测初期数据波动太大造成的影响。
在本实施例中还提供了一种滤波装置，该装置用于实现上述实施例及优选实施方式，已经进行过说明的不再赘述。如以下所使用的，术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
本发明实施例提供了一种滤波装置。图3为本发明实施例的滤波装置结构框图，如图3所示，该滤波装置包括：第一获取模块31，用于获取本次采样值和上次优化值；计算模块32，用于计算本次采样值和上次优化值的差值；第二获取模块33，用于根据差值选择采用时间滑动平均算法或者采用系统预测状态方程得到本次预测值；确定模块34，用于根据本次预测值和卡尔曼滤波算法确定本次优化值。
可选地，第二获取模块包括：第一获取单元，用于在差值小于第一阈值时，采用系统预测状态方程得到本次预测值；或者，第二获取单元，用于在差值大于等于第一阈值时，采用时间滑动平均算法得到本次预测值。
本发明实施例提供了一种滤波设备，包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中，存储器存储有可被一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器执行上述任意方法实施例中的滤波方法。
本发明实施例还提供了一种非暂态计算机存储介质，所述计算机存储介质存储有计算机可执行指令，该计算机可执行指令可执行上述任意方法实施例中的滤波方法。其中，所述存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)、随机存储记忆体(Random Access Memory，RAM)、快闪存储器(Flash Memory)、硬盘(Hard Disk Drive，缩写：HDD)或固态硬盘(Solid-State Drive，SSD)等；所述存储介质还可以包括上述种类的存储器的组合。
虽然结合附图描述了本发明的实施例，但是本领域技术人员可以在不脱离本发明的精神和范围的情况下作出各种修改和变型，这样的修改和变型均落入由所附权利要求所限定的范围之内。
Claims (10)
1.一种滤波方法，其特征在于，包括如下步骤：
获取本次采样值和上次优化值；
计算所述本次采样值和所述上次优化值的差值；
根据所述差值选择采用时间滑动平均算法或者采用系统预测状态方程得到本次预测值；
根据所述本次预测值和卡尔曼滤波算法确定本次优化值。
2.根据权利要求1所述的滤波方法，其特征在于，根据所述差值选择采用时间滑动平均算法或者采用系统预测状态方程得到本次预测值包括：
在所述差值小于第一阈值时，采用系统预测状态方程得到所述本次预测值；或者，
在所述差值大于等于所述第一阈值时，采用时间滑动平均算法得到所述本次预测值。
3.根据权利要求2所述的滤波方法，其特征在于，所述系统预测状态方程用于指示所述本次预测值等于所述上次优化值；或者，
在所述差值大于等于所述第一阈值时，采用时间滑动平均算法得到所述本次预测值包括：获取上上次优化值；计算所述本次采样值、所述上次优化值和所述上上次优化值的平均值；将所述平均值赋值给所述本次预测值。
4.根据权利要求1所述的滤波方法，其特征在于，根据所述本次预测值和卡尔曼滤波算法确定本次优化值包括：
计算所述本次预测值的不确定度；
根据所述本次预测值的不确定度确定本次卡尔曼增益；
根据所述本次卡尔曼增益、本次预测值和所述本次采样值计算本次优化值。
5.根据权利要求4所述的滤波方法，其特征在于，计算本次预测值的不确定度包括：
获取上次优化值的不确定度；采用系统预测状态方程得到所述本次预测值时，根据所述系统预测状态方程设定预测值的不确定度；根据所述上次优化值的不确定度和所述预测值的不确定度计算本次预测值的不确定度；或者，
采用时间滑动平均算法得到所述本次预测值时，本次预测值的不确定度等于所述上次优化值的不确定度。
6.根据权利要求4所述的滤波方法，其特征在于，根据所述本次预测值和卡尔曼滤波算法确定本次优化值之后还包括：
根据所述本次卡尔曼增益和所述本次预测值的不确定度计算本次优化值的不确定度。
7.一种滤波装置，其特征在于，包括：
第一获取模块，用于获取本次采样值和上次优化值；
计算模块，用于计算所述本次采样值和所述上次优化值的差值；
第二获取模块，用于根据所述差值选择采用时间滑动平均算法或者采用系统预测状态方程得到本次预测值；
确定模块，用于根据所述本次预测值和卡尔曼滤波算法确定本次优化值。
8.根据权利要求1所述的滤波装置，其特征在于，所述第二获取模块包括：
第一获取单元，用于在所述差值小于第一阈值时，采用系统预测状态方程得到所述本次预测值；或者，
第二获取单元，用于在所述差值大于等于所述第一阈值时，采用时间滑动平均算法得到所述本次预测值。
9.一种滤波设备，其特征在于，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器执行上述权利要求1-7中任一所述的滤波方法。
10.一种计算机可读存储介质，其上存储有计算机指令，其特征在于，该指令被处理器执行时实现上述权利要求1-7中任一所述的滤波方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011027624.4A CN112134544B (zh) | 2020-09-25 | 2020-09-25 | 滤波方法、装置、设备及计算机可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011027624.4A CN112134544B (zh) | 2020-09-25 | 2020-09-25 | 滤波方法、装置、设备及计算机可读存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112134544A true CN112134544A (zh) | 2020-12-25 |
| CN112134544B CN112134544B (zh) | 2024-03-19 |
Family
ID=73840426
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011027624.4A Active CN112134544B (zh) | 2020-09-25 | 2020-09-25 | 滤波方法、装置、设备及计算机可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112134544B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113659961A (zh) * | 2021-07-19 | 2021-11-16 | 广东迈能欣科技有限公司 | 一种应用于二氧化碳传感器的滤波算法 |
| CN114689968A (zh) * | 2022-03-16 | 2022-07-01 | 河南翔宇医疗设备股份有限公司 | 一种电磁兼容试验中的滤波方法及相关装置 |
| CN115422015A (zh) * | 2022-11-03 | 2022-12-02 | 之江实验室 | 一种数据采集的方法、装置、存储介质及电子设备 |
| CN115684076A (zh) * | 2022-11-11 | 2023-02-03 | 中船重工安谱（湖北）仪器有限公司 | 多通道红外气体传感器数据处理方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20060095944A1 (en) * | 2004-10-30 | 2006-05-04 | Demircin Mehmet U | Sender-side bandwidth estimation for video transmission with receiver packet buffer |
| JP2012251904A (ja) * | 2011-06-03 | 2012-12-20 | Mitsubishi Electric Corp | 追尾装置 |
| CN108734218A (zh) * | 2018-05-22 | 2018-11-02 | 京东方科技集团股份有限公司 | 一种多传感器系统的信息融合方法和装置 |
| CN110609973A (zh) * | 2019-08-27 | 2019-12-24 | 广东艾科技术股份有限公司 | 一种用于流量测量的卡尔曼滤波方法 |
-
2020
- 2020-09-25 CN CN202011027624.4A patent/CN112134544B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20060095944A1 (en) * | 2004-10-30 | 2006-05-04 | Demircin Mehmet U | Sender-side bandwidth estimation for video transmission with receiver packet buffer |
| JP2012251904A (ja) * | 2011-06-03 | 2012-12-20 | Mitsubishi Electric Corp | 追尾装置 |
| CN108734218A (zh) * | 2018-05-22 | 2018-11-02 | 京东方科技集团股份有限公司 | 一种多传感器系统的信息融合方法和装置 |
| CN110609973A (zh) * | 2019-08-27 | 2019-12-24 | 广东艾科技术股份有限公司 | 一种用于流量测量的卡尔曼滤波方法 |
Non-Patent Citations (1)
| Title |
|---|
| 罗家浒: "基于LabVIEW的带有力反馈的掰手腕机器人控制系统设计", 《中国优秀硕士学位论文全文数据库信息科技辑》, no. 1, pages 16 - 17 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113659961A (zh) * | 2021-07-19 | 2021-11-16 | 广东迈能欣科技有限公司 | 一种应用于二氧化碳传感器的滤波算法 |
| CN113659961B (zh) * | 2021-07-19 | 2024-01-30 | 广东迈能欣科技有限公司 | 一种应用于二氧化碳传感器的滤波算法 |
| CN114689968A (zh) * | 2022-03-16 | 2022-07-01 | 河南翔宇医疗设备股份有限公司 | 一种电磁兼容试验中的滤波方法及相关装置 |
| CN115422015A (zh) * | 2022-11-03 | 2022-12-02 | 之江实验室 | 一种数据采集的方法、装置、存储介质及电子设备 |
| CN115684076A (zh) * | 2022-11-11 | 2023-02-03 | 中船重工安谱（湖北）仪器有限公司 | 多通道红外气体传感器数据处理方法 |
| CN115684076B (zh) * | 2022-11-11 | 2024-01-30 | 中船重工安谱（湖北）仪器有限公司 | 多通道红外气体传感器数据处理方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112134544B (zh) | 2024-03-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112134544A (zh) | 滤波方法、装置、设备及计算机可读存储介质 | |
| CN105872156B (zh) | 一种回声时延跟踪方法及装置 | |
| CN107979431B (zh) | 基于黎曼中值的频谱感知的方法、装置以及设备 | |
| CN117421610B (zh) | 一种用于电能表运行状态预警的数据异常分析方法 | |
| CN104122538B (zh) | 确定风廓线雷达噪声功率的方法 | |
| CN112700039B (zh) | 一种火电厂负荷运行数据的稳态检测与提取方法 | |
| CN105954695B (zh) | 一种基于同步的同质传感器突变参数识别方法与装置 | |
| CN118169580B (zh) | 一种智能手机配件生产测试方法及系统 | |
| US20170261561A1 (en) | Device and method for computing residual capacity of cell, and recording medium | |
| CN118275932B (zh) | 一种适用于超低噪声电源的运行质量检测系统 | |
| CN113503961A (zh) | 一种冲击振动传感器信号的拾取方法 | |
| US11280771B2 (en) | Liquid chromatograph | |
| CN109613442A (zh) | 电池内阻动态测算方法及电池管理系统 | |
| CN117150244A (zh) | 基于电参数分析的智能配电柜状态监测方法及系统 | |
| CN114487887A (zh) | 电池健康度测量方法、装置、设备和存储介质 | |
| CN117554679B (zh) | 电流监测方法、装置、电子设备及介质 | |
| CN114636936B (zh) | 一种铅酸电池充电阶段soc预测曲线的修正方法及装置 | |
| JP6116398B2 (ja) | 波形推定装置及び波形推定方法 | |
| KR101416626B1 (ko) | 유도전동기 고장 진단 장치 및 이를 이용한 진단 방법 | |
| CN110196354B (zh) | 一种负载的开关事件的检测方法和装置 | |
| CN113988131A (zh) | 一种基于模拟量的数据滤波方法、系统、设备及存储介质 | |
| CN109324711B (zh) | 数据处理方法及装置 | |
| CN117148170B (zh) | 一种电池储能系统及其储能测试方法 | |
| CN118376948B (zh) | 一种负载点电源的性能测量方法 | |
| CN118091325B (zh) | 一种电缆智能检测方法及系统 |
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 | ||
| CB02 | Change of applicant information |
Address after: 450001 No.50 Dongqing street, high tech Development Zone, Zhengzhou City, Henan Province Applicant after: Zhengzhou Foguang power generation equipment Co.,Ltd. Applicant after: Beijing Century Kanghua Electric Technology Co.,Ltd. Address before: 450001 No.50 Dongqing street, high tech Development Zone, Zhengzhou City, Henan Province Applicant before: ZHENGZHOU FOGUANG POWER GENERATION EQUIPMENT Co.,Ltd. Applicant before: Beijing Century Kanghua Electric Technology Co.,Ltd. |
|
| CB02 | Change of applicant information | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |