﻿<?xml version="1.0" encoding="utf-8" standalone="yes"?><rss version="2.0" xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:trackback="http://madskills.com/public/xml/rss/module/trackback/" xmlns:wfw="http://wellformedweb.org/CommentAPI/" xmlns:slash="http://purl.org/rss/1.0/modules/slash/"><channel><title>博客园-博客园丁-随笔分类-信号处理</title><link>http://www.cnblogs.com/jason-jiang/category/81950.html</link><description>我是博客园的一丁，我会永不停顿，不停创新。
</description><language>zh-cn</language><lastBuildDate>Fri, 23 May 2008 01:10:11 GMT</lastBuildDate><pubDate>Fri, 23 May 2008 01:10:11 GMT</pubDate><ttl>60</ttl><item><title>卡尔曼滤波简介＋ 算法实现代码</title><link>http://www.cnblogs.com/jason-jiang/archive/2007/01/13/619643.html</link><dc:creator>Jason.Jiang</dc:creator><author>Jason.Jiang</author><pubDate>Sat, 13 Jan 2007 09:00:00 GMT</pubDate><guid>http://www.cnblogs.com/jason-jiang/archive/2007/01/13/619643.html</guid><wfw:comment>http://www.cnblogs.com/jason-jiang/comments/619643.html</wfw:comment><comments>http://www.cnblogs.com/jason-jiang/archive/2007/01/13/619643.html#Feedback</comments><slash:comments>6</slash:comments><wfw:commentRss>http://www.cnblogs.com/jason-jiang/comments/commentRss/619643.html</wfw:commentRss><trackback:ping>http://www.cnblogs.com/jason-jiang/services/trackbacks/619643.html</trackback:ping><description><![CDATA[&nbsp;&nbsp;&nbsp;&nbsp; 摘要: 最佳线性滤波理论起源于40年代美国科学家Wiener和前苏联科学家Ｋолмогоров等人的研究工作，后人统称为维纳滤波理论。从理论上说，维纳滤波的最大缺点是必须用到无限过去的数据，不适用于实时处理。为了克服这一缺点，60年代Kalman把状态空间模型引入滤波理论，并导出了一套递推估计算法，后人称之为卡尔曼滤波理论。卡尔曼滤波是以最小均方误差为估计的最佳准则，来寻求一套递推估计的算法，其基本思想是：采用信号与噪声的状态空间模型，利用前一时刻地估计值和现时刻的观测值来更新对状态变量的估计，求出现时刻的估计值。它适合于实时处理和计算机运算。&nbsp;&nbsp;<a href='http://www.cnblogs.com/jason-jiang/archive/2007/01/13/619643.html'>阅读全文</a><img src ="http://www.cnblogs.com/jason-jiang/aggbug/619643.html?type=1" width = "1" height = "1" /><br><br><div align=right><a style="text-decoration:none;" href="http://jason-jiang.cnblogs.com/" target="_blank">Jason.Jiang</a> 2007-01-13 17:00 <a href="http://www.cnblogs.com/jason-jiang/archive/2007/01/13/619643.html#Feedback" target="_blank" style="text-decoration:none;">发表评论</a></div>]]></description></item></channel></rss>