1) Gaussian sum particle filter
高斯和粒子滤波
1.
In this paper, a novel framework of distributed target tracking via Gaussian sum particle filter is proposed.
本文讨论如何利用高斯和粒子滤波(Gaussian sum particle filter)来进行协作目标跟踪。
2) IMM-GSPF
高斯和粒子滤波器
1.
The advantage of the presented algorithm over the IMM-GSPF(Gaussian Sum Particle filter) is that it does not need the resampling step and avoids the particle degeneracy and impoverishment phenomenon.
将序贯重要采样(SIS)与交互多模型(IMM)算法相结合,提出了一种新的机动目标跟踪方法———IMM-SIS算法,并将其应用于被动单站跟踪系统,同高斯和粒子滤波器(IMM-GSPF)算法相比,其优点是不需要重采样步骤,也不会出现采样粒子的退化和贫乏现象。
3) gaussian particle filtering
高斯粒子滤波
1.
Research on Tracking Algorithm of Point Targets in Infrared Image Sequence Based on Gaussian Particle Filtering;
基于高斯粒子滤波的红外点目标跟踪算法研究
4) GPF
高斯粒子滤波器
1.
Analysis and Realization of the Parallel GPF;
并行高斯粒子滤波器结构分析和实现
5) Gaussian particle filter
高斯粒子滤波
1.
A fast Gaussian particle filtering algorithm;
一种快速高斯粒子滤波算法
2.
A new Gaussian particle filter(GPF)is discussed to solve estimation problems in nonlinear non-Gaussian systems.
为了解决非线性、非高斯系统估计问题,讨论了一种新的滤波方法——高斯粒子滤波算法。
3.
When TVAR model signal and reflection coefficients were extended to state vector,Gaussian Particle Filter(GPF)was applied to estimate parameters of TVAR model.
将TVAR模型的信号和反射系数矢量增广为状态矢量后,应用高斯粒子滤波器(GPF)估计TVAR的模型参数,构造了语音增强算法。
6) quasi-Gaussian Rao-Blackwellized particle filter
准高斯Rao-Blackwellized粒子滤波器
1.
A new recursive estimation algorithm,called the quasi-Gaussian Rao-Blackwellized particle filter(Q-GRBPF),is proposed for filtering mixed linear/nonlinear state space models.
针对混合线性/非线性模型,提出一种新的递推估计滤波算法,称为准高斯Rao-Blackwellized粒子滤波器(Q-GRBPF)。
补充资料：初级粒子和原级粒子
分子式：
CAS号：
性质：又称初级粒子和原级粒子。利用各种化学反应方法得到的最初粒子(晶粒)。一次粒子的大小约为0.005～1μm，比筛分的极限小得多，在介质中有相当高的稳定性。
CAS号：
性质：又称初级粒子和原级粒子。利用各种化学反应方法得到的最初粒子(晶粒)。一次粒子的大小约为0.005～1μm，比筛分的极限小得多，在介质中有相当高的稳定性。
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