1) Vondrak smoothing method
Vondrak平滑滤波法
2) Vondrak filter
Vondrak滤波法
1.
Separation of structural vibrations and GPS multipath signals using Vondrak filter;
Vondrak滤波法用于结构振动与GPS多路径信号的分离
3) vondrak filtering
Vondrak滤波
1.
From the principle of the Vondrak Filtering,based on the Helmert type variance component estimation(HVF),describe the HVF in detailed.
从基于Helmert方差分量估计的Vondrak滤波方法(简称HVF法)的基本假设入手,介绍了HVF方法,该方法能够在未知拟合函数的情况下,通过自动选择合理的平滑因子控制数据平滑的程度,对时序数据序列进行合理平滑,最大限度的削弱数据序列中的随机误差,将信号与噪声合理分离。
4) Vondrak filter
Vondrak滤波
1.
The Vondrak filtering method based on the Helmert type variance component estimation(HVF) is presented and applied to the study on GPS multipath effects.
提出了基于Helmert方差分量估计的Vondrak滤波方法(简称HVF),并将其用于GPS多路径效应的研究。
5) robust Vondrak filter
抗差Vondrak滤波
1.
The robust Vondrak filter model was established by analyzing the principle of the filter and adding a penalty function with which the influence of the gross errors on the curve fitting is suppressed.
首先,分析了Vondrak滤波器设计的基本原理,在原有模型的基础上引入一个惩罚函数,利用惩罚函数来抑制粗差对拟合的影响,得到抗差Vondrak滤波模型;然后,给出了抗差Von-drak滤波模型的迭代求解算法,利用抗差Vondrak滤波器获得原始信号在粗差污染情况下的稳健估计,进而利用估计残差的大小进行粗差探测;最后,分别利用仿真数据和实测数据进行粗差探测试验,试验结果验证了抗差Vondrak滤波的正确性和有效性。
6) Vondrak smoothing
Vondrak数据平滑
1.
Application of Vondrak smoothing method for pretreatment of biokinetic data of radiopharmaceuticals;
Vondrak数据平滑方法在放射性药物生物动力学数据预处理中的应用
补充资料：平滑法
对不断获得的实际数据和原预测数据给以加权平均，使预测结果更接近于实际情况的预测方法，又称光滑法或递推修正法。平滑法是趋势法或时间序列法中的一种具体方法。
对于实际数据接近于平稳不变的情况，可以应用一次平滑法，以消除偶然因素的影响。一次平滑的算式为，式中 a为平滑参数，为t时刻采样值，的估值，即预测值。将上述迭代式在时间上展开，直接用采样值以及估值尳1来表示，即有
这表明在t＋1时刻的估值是以往实际采样值的加权平滑,而其加权系数相对于时间的关系符合指数规律,使较早时刻的情况对预测影响较少。因此，这种平滑法也称指数平滑法。平滑参数 a的值应按实际应用经验选定。a越大,表示近期的实际采样值影响越大。有时为了获得更好的修正效果，可以随时调整 a值，使它成为时变的。例如可选；而当时则选凭经验选定的下限值),于是有a1＝1.00,a2＝0.50,a3=0.33,a4＝0.25,a5＝0.20,...,a＝amin。如果先应用另一种预测方法求得的估值，再按上一时刻的预测偏差进行修正，则可提高预测精度。这就是一种递推修正法。这种方法假设一种预测方法对相邻两时刻的预测偏差有关联，因而可用某时刻的预测偏差来修正下一时刻的预测值。二次平滑法是指线性趋向时间序列连续两次应用一次平滑法来估计参数的方法。此外，还有高次平滑法。移动平均法也是平滑法的一种。
参考书目
N.T.Thomopoulos著,刘涌康等译：《实用预测方法》，上海科技文献出版社，上海，1980。(N.T. Thomopoulos，Applied Forecasting Methods, Prentice-Hall, Englewood Cliffs, 1980.)
对于实际数据接近于平稳不变的情况，可以应用一次平滑法，以消除偶然因素的影响。一次平滑的算式为，式中 a为平滑参数，为t时刻采样值，的估值，即预测值。将上述迭代式在时间上展开，直接用采样值以及估值尳1来表示，即有
这表明在t＋1时刻的估值是以往实际采样值的加权平滑,而其加权系数相对于时间的关系符合指数规律,使较早时刻的情况对预测影响较少。因此，这种平滑法也称指数平滑法。平滑参数 a的值应按实际应用经验选定。a越大,表示近期的实际采样值影响越大。有时为了获得更好的修正效果，可以随时调整 a值，使它成为时变的。例如可选；而当时则选凭经验选定的下限值),于是有a1＝1.00,a2＝0.50,a3=0.33,a4＝0.25,a5＝0.20,...,a＝amin。如果先应用另一种预测方法求得的估值，再按上一时刻的预测偏差进行修正，则可提高预测精度。这就是一种递推修正法。这种方法假设一种预测方法对相邻两时刻的预测偏差有关联，因而可用某时刻的预测偏差来修正下一时刻的预测值。二次平滑法是指线性趋向时间序列连续两次应用一次平滑法来估计参数的方法。此外，还有高次平滑法。移动平均法也是平滑法的一种。
参考书目
N.T.Thomopoulos著,刘涌康等译：《实用预测方法》，上海科技文献出版社，上海，1980。(N.T. Thomopoulos，Applied Forecasting Methods, Prentice-Hall, Englewood Cliffs, 1980.)
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