1) multichannel recursive Wiener filters
多通道递推Wiener滤波器
2) nultiscale wiener filter
多尺度Wiener滤波器
3) Wiener filter
Wiener滤波器
1.
Multi-sensor information fusion white noise de-convolution Wiener filter and smoother;
多传感器信息融合白噪声去卷Wiener滤波器和平滑器
2.
Multisensor information fusion ARMA signal Wiener filter;
多传感器信息融合ARMA信号Wiener滤波器
3.
Kalman filtering-based information fusion Wiener filter of autoregressive moving average signals;
基于Kalman滤波的自回归滑动平均信号信息融合Wiener滤波器
4) multi-channel filter
多通道滤波器
1.
The rotation invariance is achieved by using the multi-channel filter.
旋转不变性是通过使用多通道滤波器实现的,此滤波器可以由不同方向三维物体对应的变形条纹图像经计算机处理得到。
5) multi-channel Gabor filtering
多通道Gabor滤波器
1.
This text takes the handwriting as a kind of texture, transform the writer identification for texture identification, withdraw the texture characteristics of handwriting images by multi-channel Gabor filtering, carry on the classification with the support vector machines.
本文把手写笔迹作为一种纹理来看待,将笔迹鉴别转化为纹理识别来处理,利用多通道Gabor滤波器来提取笔迹图像的纹理特征,用支持向量机进行分类。
6) multichannel butterworth filter
多通道Butterworth滤波器
补充资料：递推估计算法
利用时刻t上的参数估计孌(t)、存储向量嗘(t)与时刻 t+1上测量的输入和输出值u(t+1)和y(t+1)计算新参数值孌(t+1),再根据孌(t+1)计算出新参数值孌(t+2)，直到获得满意的参数值为止。这种算法的每一步计算量都比较小，能够使用小型计算机进行离线或在线参数估计，可以估计时变参数，也可以实时估计适应控制器的参数（见适应控制系统）。20世纪60年代，递推估计算法得到迅速发展，到了70年代产生了许多不同的方法，例如，有离线方法的各种变形、卡尔曼滤波法、随机逼近方法和模型参考适应参数递推估计法等。递推估计算法的各种方法可以用一个统一的公式来描述：
给孌(t),F(t),嫓(t)和w(t)不同的值就得到各种不同的方法：①递推最小二乘法；②递推增广最小二乘法；③递推近似极大似然法；④递推辅助变量法；⑤递推广义最小二乘法；⑥卡尔曼滤波参数估计；⑦随机逼近法；⑧模型参考适应法；⑨时变参数递推估计法。
参考书目
Lennart Ljung，Torsten Soderstrom， Theory and Practice of Recursive Identification，MIT Press., Combridge, Mass., 1983.
给孌(t),F(t),嫓(t)和w(t)不同的值就得到各种不同的方法：①递推最小二乘法；②递推增广最小二乘法；③递推近似极大似然法；④递推辅助变量法；⑤递推广义最小二乘法；⑥卡尔曼滤波参数估计；⑦随机逼近法；⑧模型参考适应法；⑨时变参数递推估计法。
参考书目
Lennart Ljung，Torsten Soderstrom， Theory and Practice of Recursive Identification，MIT Press., Combridge, Mass., 1983.
说明：补充资料仅用于学习参考，请勿用于其它任何用途。
参考词条