粒子滤波所要做的就是估计感兴趣的信号，与传统的估计方法不同，它主要针对非线性系统或者乘性噪音这类传统估计无法解决的问题，其核心方法是蒙特卡洛法，它基于随机信号的概率建模。因此我们先回顾概率统计部分的知识。 随机变量 用 x 表示随机变量，用 \Omega 表示概率空间 离散随机变量 离散随机变量从有
粒子滤波应用于目标跟踪 引言 粒子滤波是一种基于蒙特卡洛方法的贝叶斯估计工具，适用于非线性和非高斯动态系统。在目标跟踪中，粒子滤波可以用来根据雷达测量数据（带噪）来估计目标的运动轨迹。 目标跟踪旨在根据带噪声传感器的测量值估计移动目标的运动。我们重点关注雷达跟踪问题，雷达发射非常短的脉冲，这些脉冲以
信号和系统的特性和建模 这部分内容在 随机信号处理(理论)中有更基础的推导 信号和系统的特性描述 对于信号而言，其特性有 平稳性、周期性、功率谱密度等，它们用于建立信号的数学模型或描述其统计行为，并且我们通过自相关函数、傅里叶变换等方法提取信号的关键特性。对于系统建模而言，我们通过系统的时域或频域响
任务目标 本节主要关注自回归（AR）过程的生成，首先我们从从极点出发生成广义平稳的自回归过程（二阶），然后展示其自回归信号的时域波形和功率谱图，验证其在时域上是否是广义平稳的，在频域上是否和极点特性一致。 随后我们将生成的自回归信号作为输入，分别用 NLMS 和卡尔曼滤波器自适应算法来在线估计自回归
简介 利用优化算法并构建滤波器来解决信号通道的失真（噪声、多径传播）等问题。在数字通信中，发射机向接收机传输一个符号序列 {s(n)}_{n>0}，这些符号取值为 1 或 -1，来编码有用的信息。但是在传输过程中，通常信号会失真，这种失真通常可被视为，与传播信道对应滤波器的卷积。 因此，在信号接收端
随机变量与噪声的定义及生成 设 x 是一个包含 1000 个点的随机变量，均值为 2，e 是一个包含 1000 个点的高斯白噪声。定义： y = 2x^2 + e 绘制 y 关于 x 的图像，以及 \tilde{y} 关于 \tilde{x} 的图像。计算 x 和 y 的均值及协方差矩阵。 解
