常见地信号处理滤波方法
三种信号处理方法的对比分析
三种信号处理方法的对比分析信号处理是一种针对模拟或数字信号的处理和分析技术，旨在提取信号中的有用信息、滤除噪声、增强信号质量和进行数据压缩等。
随着科学技术的不断发展，信号处理方法也在不断创新和提升。
本文将对三种常见的信号处理方法进行对比分析，分别是数字滤波、小波变换和时频分析。
一、数字滤波数字滤波是信号处理中最常见的方法之一，它通过改变信号的频率特性来实现信号的处理和分析。
数字滤波可以分为低通滤波、高通滤波、带通滤波和带阻滤波等不同类型。
数字滤波广泛应用于通信、控制、生物医学等领域，具有计算方便、实时性好、适用范围广等优点。
数字滤波的原理是通过在时域上对信号进行运算，例如求和、加权平均等方式来改变信号波形和频谱特性。
数字滤波器的设计有许多经典的方法，包括巴特沃斯滤波器、切比雪夫滤波器、椭圆滤波器等，它们分别适用于不同的滤波需求和设计目标。
二、小波变换小波变换是一种基于尺度函数的信号分析技术，通过分解信号的时间频率特性来实现信号的分析和处理。
小波变换具有多分辨率分析、局部化特征、适应性分析等优点，对非平稳信号特别有效。
小波变换广泛应用于图像处理、音频分析、生物信息处理等领域。
小波变换的原理是通过将信号与不同尺度和位移的小波基函数进行卷积运算，得到信号在不同尺度上的时频表示。
小波变换有许多种不同的小波基函数可供选择，如Haar小波、Daubechies小波、Symlet小波等，它们分别具有不同的频率特性和时间-频率局部化特性。
三、时频分析时频分析的方法有许多种，常见的有短时傅立叶变换（STFT）、时频分布图（Wigner-Ville分布）、Weyl-Heisenberg变换（WHT）等。
这些方法在时域和频域上的分辨率和灵敏度不同，适用于不同类型的信号分析需求。
对比分析从应用领域来看，数字滤波广泛应用于信号去噪、信号增强等领域，小波变换适用于非平稳信号的分析，时频分析适用于瞬时频率和能量分布等特性的分析。
常见数字滤波技术与原理
常见数字滤波技术与原理数字滤波技术是一种在数字信号处理中广泛应用的技术。
它通过在数字信号中加入一些特定的滤波器，以减少噪声、平滑信号或提取特定特征。
数字滤波器通常由数字信号处理软件或硬件实现，具有精度高、稳定性好、易于编程等优点。
常见的数字滤波技术包括移动平均滤波、滑动窗口滤波、傅里叶变换滤波等。
1. 移动平均滤波移动平均滤波是一种简单而有效的数字滤波方法。
它通过计算输入信号在一定时间窗口内的平均值，以平滑信号中的噪声。
移动平均滤波器通常由一个滑动窗口和一个累加器组成，窗口内的数据逐个进入累加器，并输出窗口内的平均值。
移动平均滤波器适用于消除随机噪声和周期性噪声。
2. 滑动窗口滤波滑动窗口滤波是一种基于滑动窗口的数字滤波方法。
它通过将输入信号分成多个固定长度的窗口，并对每个窗口内的数据进行处理，以提取特定特征或平滑噪声。
滑动窗口滤波器通常由一个滑动窗口和一个处理函数组成，窗口内的数据逐个进入处理函数，并输出处理结果。
滑动窗口滤波器适用于提取信号中的特定特征或平滑信号中的噪声。
3. 傅里叶变换滤波傅里叶变换滤波是一种基于傅里叶变换的数字滤波方法。
它通过将输入信号从时域转换到频域，以提取信号中的特定频率成分或消除特定频率成分。
傅里叶变换滤波器通常由一个傅里叶变换和一个逆傅里叶变换组成，输入信号经过傅里叶变换后得到频谱图，然后通过逆傅里叶变换将频谱图转换回时域。
傅里叶变换滤波器适用于提取信号中的特定频率成分或消除特定频率成分。
以上是常见数字滤波技术与原理的简要介绍。
在实际应用中，需要根据具体需求选择合适的数字滤波技术，以达到最佳的信号处理效果。
10种软件滤波方法及示例程序
10种软件滤波方法及示例程序滤波是数字信号处理中常用的一种方法，用于去除信号中的噪声或者改变信号的频率响应。
软件滤波是指使用计算机软件来实现滤波功能。
本文将介绍10种常用的软件滤波方法，并附上相应的示例程序。
1.均值滤波：将信号中的每个样本点都替换为其邻近样本点的平均值。
这种方法适用于去除高频噪声，但会导致信号的模糊化。
示例程序：```pythonimport numpy as npdef mean_filter(signal, window_size):filtered_signal = []for i in range(len(signal)):start = max(0, i - window_size//2)end = min(len(signal), i + window_size//2)filtered_signal.append(np.mean(signal[start:end]))return filtered_signal#使用示例signal = [1, 2, 3, 4, 5, 6, 7, 8, 9, 10]window_size = 3filtered_signal = mean_filter(signal, window_size)print(filtered_signal)```2.中值滤波：将信号中每个样本点都替换为邻近样本点的中值。
这种方法适用于去除椒盐噪声等随机噪声，但不适用于平滑信号。
示例程序：```pythonimport numpy as npdef median_filter(signal, window_size):filtered_signal = []for i in range(len(signal)):start = max(0, i - window_size//2)end = min(len(signal), i + window_size//2)filtered_signal.append(np.median(signal[start:end]))return filtered_signal#使用示例signal = [1, 3, 5, 7, 9, 8, 6, 4, 2]window_size = 3filtered_signal = median_filter(signal, window_size)print(filtered_signal)```3.高斯滤波：使用一维/二维高斯函数作为滤波器，加权平均信号的邻近样本点。
滤波的方法
滤波的方法滤波是一种信号处理的方法，用于将输入信号中的某些频率成分去除或改变。
在实际应用中，滤波常常用于去除噪声、提取感兴趣的频率成分等。
本文将介绍几种常见的滤波方法。
1. 低通滤波器低通滤波器是指只允许低于某个截止频率的信号通过的滤波器。
常用的低通滤波器有RC低通滤波器和巴特沃斯低通滤波器等。
RC低通滤波器通过电容和电阻的组合，将高频成分去除，只保留低频成分。
巴特沃斯低通滤波器是一种理想的滤波器，可以实现非常陡峭的截止频率特性。
2. 高通滤波器高通滤波器是指只允许高于某个截止频率的信号通过的滤波器。
常用的高通滤波器有RC高通滤波器和巴特沃斯高通滤波器等。
RC高通滤波器通过电容和电阻的组合，将低频成分去除，只保留高频成分。
巴特沃斯高通滤波器同样可以实现陡峭的截止频率特性。
3. 带通滤波器带通滤波器是指只允许某个频率范围内的信号通过的滤波器。
常用的带通滤波器有RC带通滤波器和巴特沃斯带通滤波器等。
RC带通滤波器通过电容和电阻的组合，将低频和高频成分去除，只保留某个频率范围内的信号。
巴特沃斯带通滤波器同样可以实现陡峭的截止频率特性。
4. 带阻滤波器带阻滤波器是指将某个频率范围内的信号去除的滤波器。
常用的带阻滤波器有RC带阻滤波器和巴特沃斯带阻滤波器等。
RC带阻滤波器通过电容和电阻的组合，将某个频率范围内的信号去除。
巴特沃斯带阻滤波器同样可以实现陡峭的截止频率特性。
5. 数字滤波器除了上述的模拟滤波器，数字滤波器也是一种常见的滤波方法。
数字滤波器是通过数字信号处理的方式实现的滤波器，可以对离散时间信号进行滤波。
常见的数字滤波器有FIR滤波器和IIR滤波器等。
FIR滤波器是一种线性相位滤波器，具有稳定性和线性相位特性。
IIR滤波器是一种非线性相位滤波器，具有更高的滤波效果和更低的计算复杂度。
通过上述介绍，我们可以看到滤波方法有很多种，每种滤波方法都有其适用的场合和特点。
在实际应用中，我们可以根据需要选择合适的滤波器，对信号进行处理，以达到去除噪声、提取感兴趣的频率成分等目的。
数字信号处理中常见滤波算法详解
数字信号处理中常见滤波算法详解数字信号处理（Digital Signal Processing，DSP）中的滤波算法是处理信号的重要手段之一。
滤波算法可以对信号进行去除噪声、增强信号特征等操作，广泛应用于通信、音频处理、图像处理等领域。
本文将详细介绍数字信号处理中常见的滤波算法，包括FIR滤波器、IIR滤波器、傅里叶变换和小波变换等。
首先，我们来介绍FIR滤波器（Finite Impulse Response Filter）。
FIR滤波器是一种线性相位滤波器，其特点是零相位延迟响应。
FIR滤波器可以通过离散时间域的卷积运算来实现，其滤波系数在有限长时间内保持不变。
常见的FIR滤波器设计方法包括窗函数法、频率采样法等。
其中，窗函数法通过选择适当的窗函数和截断长度来设计滤波器，常见的窗函数有矩形窗、汉宁窗、汉明窗等。
频率采样法则通过在频率域上采样若干离散点并计算出滤波器的频率响应，然后通过反变换得到滤波器的时域响应。
FIR滤波器具有易于实现、稳定性好等优点，在数字信号处理中得到广泛应用。
其次，我们来介绍IIR滤波器（Infinite Impulse Response Filter）。
与FIR滤波器不同，IIR滤波器的系统函数中包含了反馈回路，因此其响应不仅依赖于当前输入样本，还依赖于历史输入样本和输出样本。
IIR滤波器与FIR滤波器相比，具有更高的滤波效率，但也存在着稳定性较差、相位畸变等问题。
常见的IIR滤波器设计方法有脉冲响应不变法、双线性变换法等。
脉冲响应不变法通过将连续时间域的系统函数变换为离散时间域的差分方程来实现，而双线性变换则通过将连续时间域的系统函数变换为离散时间域的差分方程，并在频率响应上进行双线性变换。
IIR滤波器在音频处理、图像增强等领域得到了广泛应用。
傅里叶变换也是数字信号处理中常用的滤波算法。
傅里叶变换将时域信号转换为频域信号，可以实现将信号中的不同频率成分分离出来的目的。
写出数字滤波的几种常用方法
写出数字滤波的几种常用方法数字滤波是信号处理中常用的一种技术，用于对信号进行去噪、平滑或增强等处理。
常用的数字滤波方法有以下几种：一、移动平均滤波（Moving Average Filter）移动平均滤波是最简单的数字滤波方法之一。
它通过对一段时间内的信号进行平均来减小噪声的影响。
具体操作是将每个时刻的信号值与前面若干个时刻的信号值进行求平均。
移动平均滤波可以有效地去除高频噪声，平滑信号，但对于突变信号的响应较慢。
二、中值滤波（Median Filter）中值滤波是一种非线性滤波方法，它通过对信号的一组数据进行排序，并选择其中的中值作为滤波结果。
中值滤波对于椒盐噪声等脉冲性噪声有较好的抑制效果，能够有效地去除异常值，但对于连续性的噪声处理效果较差。
三、卡尔曼滤波（Kalman Filter）卡尔曼滤波是一种递推滤波方法，它通过对系统的状态进行估计和预测，结合测量值进行滤波。
卡尔曼滤波是一种最优滤波器，能够在估计误差最小的情况下对信号进行滤波。
它广泛应用于航天、导航、自动控制等领域。
四、无限脉冲响应滤波（Infinite Impulse Response Filter，IIR）无限脉冲响应滤波是一种递归滤波方法，它通过对输入信号和输出信号的差分方程进行递归计算，实现对信号的滤波。
与有限脉冲响应滤波相比，无限脉冲响应滤波具有更好的频率选择性和更高的滤波效果，但计算复杂度较高。
五、小波变换滤波（Wavelet Transform Filter）小波变换滤波是一种基于小波变换的滤波方法，它通过将信号分解为不同频率分量，然后选择性地滤除或保留不同频率分量，实现对信号的滤波和去噪。
小波变换滤波在时频域上具有较好的局部性和多分辨性，能够有效地处理非平稳信号。
总结：数字滤波是信号处理中常用的一种技术，常用的数字滤波方法包括移动平均滤波、中值滤波、卡尔曼滤波、无限脉冲响应滤波和小波变换滤波等。
每种滤波方法有其适用的场景和优劣势，选择适当的滤波方法可以有效地对信号进行去噪、平滑或增强处理。
10种常用滤波方法
10种常用滤波方法
滤波是信号处理领域中常用的技术，用于去除噪声、增强信号的一些特征或改变信号的频谱分布。
在实际应用中，经常使用以下10种常用滤波方法：
1.均值滤波：将像素点周围邻域像素的平均值作为该像素点的新值，适用于去除高斯噪声和椒盐噪声。
2.中值滤波：将像素点周围邻域像素的中值作为该像素点的新值，适用于去除椒盐噪声和激动噪声。
3.高斯滤波：使用高斯核函数对图像进行滤波，通过调整高斯窗口的大小和标准差来控制滤波效果。
适用于去除高斯噪声。
4.双边滤波：通过考虑像素的空间距离和像素值的相似性，对图像进行滤波。
适用于平滑图像的同时保留边缘信息。
5. 锐化滤波：通过滤波操作突出图像中的边缘和细节信息，常用的方法有拉普拉斯滤波和Sobel滤波。
6.中可变值滤波：与中值滤波相似，但适用于非线性信号和背景噪声的去除。
7.分位值滤波：通过对像素值进行分位数计算来对图像进行滤波，可以去除图像中的异常像素。
8.快速傅里叶变换滤波：通过对信号进行傅里叶变换，滤除特定频率的成分，常用于频谱分析和滤波。
9.小波变换滤波：利用小波变换的多尺度分析特性，对信号进行滤波处理，适用于图像去噪和图像压缩。
10.自适应滤波：通过根据信号的局部特征自动调整滤波参数，适用于信号中存在时间和空间变化的情况。
以上是常见的10种滤波方法，每种方法都有不同的适用场景和优缺点。
在实际应用中，选择合适的滤波方法需要根据具体的信号特征和处理需求来确定。
地质勘探中地震信号处理方法及常见问题分析
地质勘探中地震信号处理方法及常见问题分析地震信号处理在地质勘探中起着至关重要的作用。
它是一种将地震波信号进行处理和分析的技术手段，用于获取地球内部结构信息、判断地层性质以及找寻地下矿产等目标。
本文将介绍地质勘探中常用的地震信号处理方法，并分析其中的常见问题。
地震信号处理方法主要包括波形处理、滤波、频率分析、速度分析和偏移等。
波形处理是最基本的信号处理方法之一。
它通过对地震波信号进行增益、修正和校正，使其得到更精确的描述。
波形处理的主要目的是去除噪声、增强信号的分辨率和清晰度。
常用的波形处理方法包括时间域校正和空间域校正。
滤波是一种通过去除地震波信号中不需要的频率成分来改善信号质量的处理方法。
滤波通常分为低通滤波和高通滤波。
低通滤波能够去除高频噪声，使信号变得平滑；高通滤波则可去除低频噪声，突出信号的细节。
频率分析是地震信号处理中常用的方法之一。
它通过将地震信号转换到频域进行分析，帮助分辨信号中的不同频率成分。
频率分析可用于确定地下结构的层序性、识别反射界面以及检测异常体等。
常用的频率分析方法包括傅里叶变换和小波变换。
速度分析是地震信号处理中用于获取地下结构速度信息的方法。
速度分析的主要目的是为了帮助确定地下结构的深度和速度变化，为地质勘探提供依据。
速度分析主要通过检测反射波到达时间与角度，进行速度模型的建立和校正。
偏移是地震信号处理中重要的成像方法。
它通过将地震记录数据反射回到其原始位置，得到更准确的地下结构图像。
偏移方法可分为常规偏移和倾角叠加偏移。
常规偏移通常应用于简单地质情况，而倾角叠加偏移适用于复杂地质情况。
在地震信号处理过程中，常常会遇到一些问题。
其中一种常见问题是信号叠加。
信号叠加是指在记录中多个地震信号叠加在一起，导致信号混乱，难以分辨。
解决这个问题的方法是通过滤波和相位旋转等技术手段，将信号分离开来。
另一个常见问题是噪声的干扰。
噪声干扰是指在地震信号中混入了非地震信号的背景噪声，降低了信号的质量。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
低通滤波：又叫一阶惯性滤波，或一阶低通滤波。
是使用软件编程实现普通
硬件RC 低通滤波器的功能。
适用围：单个信号，有高频干扰信号。
一阶低通滤波的算法公式为：
Y(n)X(n)(1)Y(n 1)αα=+--
式中：
α是滤波系数；X(n)是本次采样值；Y(n 1)-是上次滤波输出值；Y(n)是本次滤波输出值。
滤波效果1：
红色线是滤波前数据（matlab 中生成的正弦波加高斯白噪声信号）
黄色线是滤波后结果。
滤波效果2：
matlab中函数，相当于一阶滤波，蓝色是原始数据（GPS采集到的x（北）方向数据，单位m），红色是滤波结果。
一阶滤波算法的不足：
一阶滤波无法完美地兼顾灵敏度和平稳度。
有时，我们只能寻找一个平衡，在可接受的灵敏度围取得尽可能好的平稳度。
互补滤波：适用于两种传感器进行融合的场合。
必须是一种传感器高频特性好（动态响应好但有累积误差，比如陀螺仪。
），另一传感器低频特性好（动态响应差但是没有累积误差，比如加速度计）。
他们在频域上互补，所以进行互补滤波融合可以提高测量精度和系统动态性能。
应用：陀螺仪数据和加速度计数据的融合。
互补滤波的算法公式为：
1122Y(n)X (n)(X (n)Y(n 1))αα+=+--
式中：1α和2α是滤波系数；1X (n)和2X (n)是本次采样值；Y(n 1)-是上次滤
波输出值；Y(n)是本次滤波输出值。
滤波效果（测试数据）：
蓝色是陀螺仪
信号，红色是加
速度计信号，黄
色是滤波后的
角度。
实用文档互补滤波实际效果：
卡尔曼滤波：卡尔曼滤波器是一个“optimal recursive data processing algorithm （最优化自回归数据处理算法）”。
对于解决很大部分的问题，它是最优，效率最高甚至是最有用的。
他的广泛应用已经超过30年，包括机器人导航，控制，传感器数据融合甚至在军事方面的雷达系统以及导弹追踪等等。
近来更被应用于计算机图像处理，例如头脸识别，图像分割，图像边缘检测。
首先，用于测量的系统必须是线性的。
(k)(k 1)(k)(k)X AX BU w =-++
(k)(k)(k)Z HX v =+
(k)X 是系统k 时刻的状态，(k)U 是系统k 时刻的控制量。
(k)Z 是系统k 时
刻的测量值。
A 和B 为系统参数，(k)w 和(k)v 分别表示过程和测量的噪声，H 是测量系统参数。
在进行卡尔曼滤波时：
首先进行先验预测：
(k 1|k)(k |k)(k)(k)X AX BU w +=++
计算先验预测方差：
'(k 1|k)(k |k)(k)P AP A Q +=+
计算增益矩阵：
(k 1)(k 1|k)'/((k 1|k)'(k 1))Kg P H HP H R +=++++
后验估计值：
(k 1|k 1)(k 1|k)(k 1)(Z(k 1)(k 1|k))X X Kg HX ++=++++-+ 后验预测方差：
(k 1|k 1)(1(k 1))(k 1|k)P Kg H P ++=-++
其中，(k)Q 是系统过程激励噪声协方差，(k)R 是测量噪声协方差。
举例说明：
（下文中加粗的是专有名词，需要理解）
预测小车的位置和速度的例子（博客+自己理解）:
小车上面安装了GPS 传感器，这个传感器的精度是10米。
但是如果小车行
驶的荒野上面有河流和悬崖的话，10米的围就太大，很容易掉进去进而无法继
续工作。
所以，单纯靠GPS 的定位是无法满足需求的。
另外，如果有人说小车本身接收操控着发送的运动指令，根据车轮所转动过的圈数时能够知道它走了多远，但是方向未知，并且在路上小车打滑车轮空转的现象绝对是不可避免。
所以，GPS 以及车轮上面电机的码盘等传感器是间接地为我们提供了小车的信息，这些信息包含了很多的和不确定性。
如果将所有这些信息综合起来，就能够通过计算得到我们想要的准确信息
小车的状态向量可以写为：
{,}'k x p v =。
协方差pp pv vp vv P ∑∑⎧⎫=⎨⎬∑∑⎩⎭，一般初始化为1001⎧⎫⎨⎬⎩⎭
第一步：根据k-1时刻的状态来预测k 时刻的状态，有
11k k k p p tv δ--=+（上次位置+上次速度估计*t δ=当前位置先验估计） 1k k v v -=（认为速度不变）
写成矩阵形式：
1101k k t x x δ-⎡⎤=⎢⎥⎣⎦（先验状态估计向量），令101t A δ⎡⎤=⎢⎥⎣⎦
表示系统固有特性参数（这个名词是我生造的，便于理解）矩阵。
T k k P AP A =(先验状态估计协方差矩阵)（有数学推导过程，是和概率论和矩阵协方差相关的容，还在研究中）
第二步：确定外部控制影响
比如在k-1时刻给小车发送了刹车指令，假设刹车加速度为a （0<），
2
1112
k k k p p tv a t δδ--=++（第一步结果+刹车导致的位移） 1k k v v a t δ-=+（上次速度+本次控制加速度*t δ=当前速度先验估计） 结合第一步，写成矩阵形式，
212k k t x Ax a t δδ-⎡⎤⎢⎥=+⎢⎥⎢⎥⎣⎦，令22t B t δδ⎡⎤
⎢⎥=⎢⎥⎢⎥⎣⎦
表示控制矩阵，令k u a =表示控制向量。
第三步：确定外部不确定性影响。
假设不确定干扰项为k w ，k w 成高斯分布，协方差为k Q ，称为过程激励噪声协方差，那么结合前两步，得到
1k k k k x Ax Bu w -=++（先验状态估计向量）
T k k k P AP A Q =+。
(先验状态估计协方差矩阵)
前三步属于先验估计，进行一个简单总结：
从前三步看出：先验估计1k k k k x Ax Bu w -=++，分为三个部分，一是上一次的最优估计，二是这一次的控制量，三是这一次的不确定性影响，假定不
确定性影响成高斯分布。
先验估计协方差矩阵1
T k k k P AP A Q -=+，根据前一次的后验估计的协方差进行递推，再加上这次先验估计的不确定对系统造成的影响。
第四步，确定测量系统参数H 。
k k z Hx =。
k z 是只考虑测量单位换算后的测量结果。
传感器的输出值不一定与状态向量中的元素对等，需要进行换算。
例如测量到的气压换算成高度。
但在本例中，传感器直接测量到了小车的位移和速度，所
以不需要进行换算，这时1001H ⎡⎤=⎢⎥⎣⎦
，是单位矩阵。
H 的维数取决于状态向量元素个数和观测量的个数，不一定是方阵。
如果在本例中只测量了速度，那么[]01H =。
同理，只测量位移，那么[]10H =，这时，如果测量的
位移单位是mm ，而状态向量中位移单位是m ，那么[]0.0010H
= 第五步，确定测量系统噪声(k)v 和其测量噪声协方差k R 。
传感器测量会有一定误差，假定误差量符合高斯分布。
观测噪声向量用(k)v 表示，其测量噪声协方差用k R 表示。
那么测量值k z 可以表示为：
(k)k k z Hx v =+，k z 是考虑测量单位和测量误差之后的测量结果。
（关于协方差的定义及数学意义，可以查阅.visiondummy./2014/04/geometric-interpretation-covariance-matrix/）（结合概率论，用图形表示，是介绍比较好的一个版本）
第四到五步是传感器的测量结果，进行一个简单的总结
测量值(k)k k z Hx v =+，分为两个部分，第一部分是考虑单位换算得到的测量值k Hx ，第二部分是引入的测量误差(k)v ，该测量误差(k)v 成高斯分布，其协方差是k R （测量噪声协方差）。
第六步：卡尔曼估计。
确定卡尔曼增益：K （描述“更相信由前一状态和控制量得到的估计还是更相信当前测量值”的变量，是一个矩阵）
'/(')K PH HPH R =+（有数学推导过程，和概率论相关的容，，还在研究中）。
后验估计（最终估计结果）：
'()k k k k x x K z Hx =+-（后验状态估计向量）
'(1)k k P KH P =-（后验状态估计协方差矩阵）。
至此，一个循环结束，下次的先验估计在当前后验估计的基础上继续进行。