导读:本文包含了自校正滤波器和滤波器论文开题报告文献综述及选题提纲参考文献，主要关键词:数字阵导引头,互耦误差,FIR滤波器,现场编程门阵列
自校正滤波器和滤波器论文文献综述
姚志成,吴智慧,杨剑,张盛魁[1]（2019）在《阵列互耦误差FIR校正滤波器设计与FPGA实现》一文中研究指出针对传统型FIR滤波器在高阶条件下运算速度变慢与耗费资源增多这一问题,提出一种基于分段卷积的高速高阶FIR滤波器设计方法,通过在频域并行处理的方式实现了数据的快速处理。首先,确定滤波器的设计阶数M并将其作为基准序列长度,对输入的数字信号进行M周期延时;然后,将原序列与延时序列分别作快速傅里叶变换(FFT);其次,将变换后的频域结果分别与滤波器相乘后作快速傅里叶逆变换(IFFT);最后,通过重迭保留的方法实现两路数据的拼接。理论分析与仿真测试表明,与基于查找表(LUT)的传统分布式方法相比,同等阶数下所提方法的寄存器资源节省了30%以上。在此基础上利用实验平台的实测数据进行验证,结果表明,与互耦误差校正前相比,校正后的幅度失配均方根小于1 d B,相位失配均方根小于0. 1 rad,实验数据充分展示了该方法对互耦误差校正的有效性。(本文来源于《计算机应用》期刊2019年08期）
廖维国[2]（2015）在《多传感器ARMA信号自校正加权信息融合Wiener滤波器》一文中研究指出本文对于含有未知模型参数和噪声统计的ARMA模型信号,运用现代时间序列分析方法,在递推增广最小二乘法的基础上,对ARMA新息模型参数进行在线辨识,辨识得到未知模型参数。噪声统计的在线估计是通过求解相关矩阵方程组的方法来完成的。基于按标量加权最优融合准则,本文推导出了ARMA模型信号分布式自校正加权信息融合Wiener滤波器。(本文来源于《电子技术与软件工程》期刊2015年22期）
刘文强,韩娜,顾泽元,陶贵丽[3]（2014）在《多通道信号自校正分布式融合Kalman滤波器》一文中研究指出对带未知参数的多传感器多通道自回归滑动平均(ARMA)信号,采用多维递推辅助变量(MRIV)方法得到自回归模型参数估值,通过Gevers-Wouters算法辨识滑动平均模型参数估值,再用相关方法得到噪声方差的估值。把所有的估值都代入到最优分布式融合信息滤波器中得到自校正分布式融合Kalman信息滤波器。该滤波器具有渐近全局最优性,一个多通道信号仿真例子验证了其有效性。(本文来源于《现代电子技术》期刊2014年03期）
祝龙记,张旭立[4]（2012）在《光伏并网逆变器LCL陷波校正滤波器》一文中研究指出为了抑制LCL滤波器的谐振,提高光伏并网逆变器的输出性能,介绍了一种基于陷波校正法的光伏并网逆变器输出滤波控制方案,将陷波校正法和超前/滞后环节引入LCL滤波器,给出了LCL滤波器的设计参数。系统仿真和实验结果表明,这种滤波方案有效抵消了LCL滤波器的正谐振峰,有效地滤除了逆变器输出电流的高次谐波,改善了电流波形的质量,提高了光伏并网逆变器的输出效率。(本文来源于《电工技术学报》期刊2012年09期）
赵忠凯,陈涛,郝鑫[5]（2012）在《无延时校正滤波器数字正交解调性能分析》一文中研究指出提出了一种无延时校正滤波器的数字正交解调结构,并对其性能进行分析,重点分析了频率偏移对相位和相位差测量的影响。仿真结果表明,在频率偏移较小的情况下,采用此结构进行数字正交变换可获得较高的镜像抑制比;频率偏移较大时,可通过对多点相位求平均来减小相位差测量误差。本文所提结构具有结构简单、处理速度快、便于硬件实现等优点。将其应用于多通道数字接收机的设计,可在一定程度上减小硬件资源的占用,同时,便于满足信号的实时性处理要求。(本文来源于《数据采集与处理》期刊2012年03期）
张鹏,邓自立[6]（2012）在《带未知有色观测噪声的自校正融合Kalman滤波器》一文中研究指出对于带未知有色观测噪声的多传感器线性离散定常随机系统,未知模型参数和噪声方差的一致的融合估值器用递推增广最小二乘法(RELS)和求解相关函数方程得到.将这些估值器代入到最优解耦融合Kalman滤波器中,得出了自校正解耦融合Kalman滤波器,并用动态方差误差系统分析(DVESA)和动态误差分析(DESA)方法证明了它收敛于最优解耦融合Kalman滤波器,因而具有渐近最优性.一个带3传感器跟踪系统的仿真例子说明了其有效性.(本文来源于《控制理论与应用》期刊2012年01期）
陶贵丽,邓自立[7]（2012）在《含未知参数的自校正融合Kalman滤波器及其收敛性》一文中研究指出对于带未知模型参数和噪声方差的多传感器系统,基于分量按标量加权最优融合准则,提出了自校正解耦融合Kalman滤波器,并应用动态误差系统分析(Dynamic error system analysis,DESA)方法证明了它的收敛性.作为在信号处理中的应用,对带有色和白色观测噪声的多传感器多维自回归(Autoregressive,AR)信号,分别提出了AR信号模型参数估计的多维和多重偏差补偿递推最小二乘(Bias compensated recursive least-squares,BCRLS)算法,证明了两种算法的等价性,并且用DESA方法证明了它们的收敛性.在此基础上提出了AR信号的自校正融合Kalman滤波器,它具有渐近最优性.仿真例子说明了其有效性.(本文来源于《自动化学报》期刊2012年01期）
马静,孙书利[8]（2011）在《广义系统信息融合稳态与自校正满阶Kalman滤波器》一文中研究指出基于线性最小方差标量加权融合算法和射影理论,对带多个传感器和带相关噪声的广义系统,提出了分布式标量加权融合稳态满阶Kalman滤波器.推得了任两个传感器子系统之间的稳态满阶滤波误差互协方差阵,其解可任选初值离线迭代计算.所提出的稳态融合滤波器避免了每时刻计算协方差阵和融合权重,减小了在线计算负担.当系统含有未知模型参数时,基于递推增广最小二乘算法和标量加权融合算法,提出了一种两段融合自校正状态滤波器.其中第1段融合获得未知参数的融合估计;第2段融合获得分布式自校正融合状态滤波器.与局部估计和加权平均融合估计相比,所提出的标量加权融合参数估计和自校正状态估计都具有更高的精度.仿真研究验证了其有效性.(本文来源于《控制理论与应用》期刊2011年09期）
冉陈键[9]（2011）在《最优和自校正多传感器加权观测融合卡尔曼滤波器》一文中研究指出随着科学技术的飞速发展,多传感器信息融合技术已经广泛应用到现代军事、工业、交通和金融等领域。将多传感器信息融合技术和状态估计技术相结合产生了多传感器信息融合状态估计理论,它研究最优和自校正多传感器信息融合状态或信号估计问题。信息融合估计的目的是利用多个传感器的观测数据对多传感器系统的过去状态进行平滑、对现在的状态进行滤波和对未来的状态进行预测,其精度要比基于单个传感器的估计的精度高。本文应用Kalman滤波方法,对于多传感器线性离散随机系统,深入研究和讨论了最优和自校正加权观测融合Kalman滤波问题,主要的工作包括如下几个方面:首先,对于系统模型精确已知的多传感器线性离散系统,基于Kalman滤波方法提出了几种全局最优的加权观测融合Kalman估值算法。该算法与传统的Kalman估值算法相比,具有计算负担小和全局最优的优点。特别对于带相关观测噪声的多传感器系统,用分块矩阵的方法提出了髙维矩阵的递推求逆算法。当该多传感器观测系统含有公共干扰噪声时,推广Pei-Radman矩阵的求逆结果,提出了快速的髙维矩阵求逆算法,将该快速的求逆结果应用到多传感器加权观测融合的观测及其观测噪声方差中,可以得到其相当简化的形式。应用信息滤波器形式下Kalman滤波器证明所提出的几种加权观测融合算法完全功能等价于集中式融合算法,即证明了这几种算法所得到的估值器是全局最优的。其次,当多传感器系统含有未知模型参数和噪声统计时,应用系统辨识方法、相关函数方法以及带死区的Gevers-Wouters方法得到了该系统的未知模型参数和噪声统计的局部和融合估值。将这些融合估值带入到全局最优的加权观测融合Kalman估值器中得到自校正加权观测融合Kalman估值器。本章重点分析了两类系统,一类是噪声统计未知且观测噪声不相关的多传感器系统,另一类是噪声统计和系统模型都未知且观测噪声相关的多传感器系统。再次,证明了所提出的自校正观测融合Kalman估值器的收敛性和渐近全局最优性。自校正Kalman估值器收敛性的关键问题就是证明自校正Riccati方程的收敛性。新提出的动态方差误差系统分析(DVESA)方法,将自校正Ricatti方程的收敛性问题转化为时变Lyapunov方程的稳定性问题。进而在自校正Riccati方程收敛性的基础上利用动态误差系统分析(DESA)方法,证明了所提出的自校正加权观测融合Kalman估值器的收敛性,即证明了它的渐近全局最优性。最后,将所提出的最优和自校正加权观测融合Kalman估值算法推广并应用到多传感器单通道自回归(AR)信号和带传感器偏差和公共干扰噪声的多传感器多通道自回归滑动平均(ARMA)信号中。将AR信号或ARMA信号转化为带伴随型的状态空间模型,信号作为状态的一部分分量,从而将信号估值问题转化为带伴随型的状态估值问题。本文提出能处理单通道AR信号和多通道ARMA信号参数和噪声统计辨识问题的多段信息融合辨识算法,并进一步提出了自校正观测融合Kalman信号估值器。在目标跟踪系统和信号处理中的仿真应用例子验证了新提出的结果和方法的有效性。(本文来源于《黑龙江大学》期刊2011-05-28）
王强[10]（2011）在《自校正信息融合Wiener滤波器在信号处理中的应用研究》一文中研究指出多传感器信息融合已成为许多高科技领域的关键技术,目前已成为倍受人们关注的热门领域。本文对于含有未知模型参数和未知观测噪声的单通道AR信号,应用Kalman滤波方法,基于AR模型参数RIV算法的在线辨识,提出了采用状态空间模型的AR信号自校正信息融合Wiener滤波器,并在信号处理中的应用进行了研究。(本文来源于《数字技术与应用》期刊2011年05期）
自校正滤波器和滤波器论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文对于含有未知模型参数和噪声统计的ARMA模型信号,运用现代时间序列分析方法,在递推增广最小二乘法的基础上,对ARMA新息模型参数进行在线辨识,辨识得到未知模型参数。噪声统计的在线估计是通过求解相关矩阵方程组的方法来完成的。基于按标量加权最优融合准则,本文推导出了ARMA模型信号分布式自校正加权信息融合Wiener滤波器。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
自校正滤波器和滤波器论文参考文献
[1].姚志成,吴智慧,杨剑,张盛魁.阵列互耦误差FIR校正滤波器设计与FPGA实现[J].计算机应用.2019
[2].廖维国.多传感器ARMA信号自校正加权信息融合Wiener滤波器[J].电子技术与软件工程.2015
[3].刘文强,韩娜,顾泽元,陶贵丽.多通道信号自校正分布式融合Kalman滤波器[J].现代电子技术.2014
[4].祝龙记,张旭立.光伏并网逆变器LCL陷波校正滤波器[J].电工技术学报.2012
[5].赵忠凯,陈涛,郝鑫.无延时校正滤波器数字正交解调性能分析[J].数据采集与处理.2012
[6].张鹏,邓自立.带未知有色观测噪声的自校正融合Kalman滤波器[J].控制理论与应用.2012
[7].陶贵丽,邓自立.含未知参数的自校正融合Kalman滤波器及其收敛性[J].自动化学报.2012
[8].马静,孙书利.广义系统信息融合稳态与自校正满阶Kalman滤波器[J].控制理论与应用.2011
[9].冉陈键.最优和自校正多传感器加权观测融合卡尔曼滤波器[D].黑龙江大学.2011
[10].王强.自校正信息融合Wiener滤波器在信号处理中的应用研究[J].数字技术与应用.2011