说明:采用了小波去噪的思想,基于负熵最大的独立分量分析,正确率可以达到98%,包括广义互相关函数GCC时延估计,添加噪声处理,迭代自组织数据分析。
说明:粒子滤波程序,仿真实现自由度机器人对目标的跟踪,使用kalman滤波估计总雅可比矩阵J,噪声为非高斯噪声
说明:假定确定性函数 Y 具有加性高斯噪声,EVAR(Y) 返回这种噪声估计的方的差。 薄板样条平滑模型用来平滑 Y。它假设其广义的交叉验证分数是最小的模型可以提供的加性噪声方差。几个测试表明 EVAR 工作得很好"不太不规则"功能。