1. 拉曼滤波片
拉曼光谱(Raman Spectrum)技术作为一种通过检测物质在单色光照射产生的散射光谱，可提供快速、简单、可重复且无损伤的定性定量分析。近年来，随着激光技术和CCD检测技术的发展，拉曼光谱已经广泛应用于固体和液体材料的结构检测和性能分析。
然而拉曼光谱用于检测物质时，除了得到包含待测物的拉曼信号外，还会受到激光器波动、检测环境变化及样品本身等因素的干扰，这些干扰信号包括荧光背景干扰和不同程度的噪声。其中，拉曼光谱信号的噪声信号主要来源于CCD阵列检测器，包含光子散粒噪声和暗噪声。光子散粒噪声是CCD检测器在收集光子时出现的统计误差，其本质在于通过CCD测量得到的光强能够给出收集到的光子的平均数量，但无法得知任意时刻实际收集到的光子数量。当噪声振幅较大时，会引起拉曼谱图的抖动，出现毛刺尖峰，光谱的信噪比会降低，这将严重影响拉曼特征峰的提取以及待测物质的识别，降低拉曼光谱数据用于物质成分浓度分析的准确性。因此，对于降低拉曼信号噪声的研究，一直引起学者的关注。
目前减小拉曼光谱信号噪声的方法主要有两个方面，拉曼光谱检测系统的改良以及数据预处理方法。现阶段拉曼光谱检测系统的改良成本很高且无法完全消除由于系统本身影响带来的随机噪声，数据预处理算法有很好的效果且成本较低。常用的方法主要基于小波的时频局域化特性，通过小波变换分解信号为高频和低频部分，但需要人为确定截断尺度等参数，降噪结果受操作者人为因素影响，并且仅适用于信号频率与噪声频率相差较大的情况。另一种小波滤波方法利用信号和噪声的小波系数模值随尺度变化规律不同，将二者区分，但主要用于低频噪声的情况，且噪声去除的不够完全。
觉得有用点个赞吧
2. dsp卡尔曼滤波
变频器中dsp即数字信号处理器，它具有高时钟频率、浮点运算等特点。
dsp的最大速度为20～40MIPS（即每秒20～40百万条指令），单周期指令执行时间快达几十纳秒。
它和普通的单片机相比，处理数字运算能力增强10～15倍，确保系统有更优越的控制性能。
近几年来，随着交流电机控制理论的不断发展，控制策略和控制算法也日益复杂，扩展卡尔曼滤波、FFT、状态观测器、自适应控制、人工神经网络等均应用到了各种交流电机的矢量控制或直接转矩控制中。
国外各大公司纷纷推出以dsp为基础的内核，配以电机控制所需的外围功能电路，集成在单一芯片内的称为dsp单片电机控制器，价格大大降低，体积更加缩小，结构趋于紧凑，使用更便捷，可靠性日益提高。
3. 滤波卡尔曼
卡尔曼滤波器由一系列递归数学公式描述。它们提供了一种高效可计算的方法来估计过
4. 拉曼常用波长
那是拉曼光谱的波长，如(E2g),286cm-1(E1g),383cm-1(E2g)和408cm-1(A1g）
5. 什么是卡尔曼滤波器
首先，引入一个离散控制过程的系统。该系统可用一个线性随机微分方程（
LinearStochasticDifferenceequation）来描述：
X(k)=AX(k-1)+BU(k)+W(k)
再加上系统的测量值：
Z(k)=HX(k)+V(k)
上两式子中，X(k)是k时刻的系统状态，U(k)是k时刻对系统的控制量。A和B是系统参数，对于多模型系统，他们为矩阵。Z(k)是k时刻的测量值，H 是测量系统的参数，对于多测量系统，H为矩阵。W(k)和V(k)分别表示过程和测量的噪声。他们被假设成高斯白噪声 (WhiteGaussianNoise)，他们的covariance分别是Q，R（这里我们假设他们不随系统状态变化而变化）。
对于满足上面的条件(线性随机微分系统，过程和测量都是高斯白噪声)，卡尔曼滤波器是最优的信息处理器。下面我们来用他们结合他们的covariances来估算系统的最优化输出（类似上一节那个温度的例子）。
首先我们要利用系统的过程模型，来预测下一状态的系统。假设现在的系统状态是k，根据系统的模型，可以基于系统的上一状态而预测出现在状态：
X(k|k-1)=AX(k-1|k-1)+BU(k)………..(1)
式(1)中，X(k|k-1)是利用上一状态预测的结果，X(k-1|k-1)是上一状态最优的结果，U(k)为现在状态的控制量，如果没有控制量，它可以为0。
到现在为止，我们的系统结果已经更新了，可是，对应于X(k|k-1)的covariance还没更新。我们用P表示covariance：
P(k|k-1)=AP(k-1|k-1)A’+Q(2)
式(2)中，P(k|k-1)是X(k|k-1)对应的covariance，P(k-1|k-1)是X(k-1|k-1)对应的covariance，A’
表示A的转置矩阵，Q是系统过程的covariance。式子1，2就是卡尔曼滤波器5个公式当中的前两个，也就是对系统的预测。
现在我们有了现在状态的预测结果，然后我们再收集现在状态的测量值。结合预测值和测量值，我们可以得到现在状态(k)的最优化估算值X(k|k)：
X(k|k)=X(k|k-1)+Kg(k)(Z(k)-HX(k|k-1))(3)
其中Kg为卡尔曼增益(KalmanGain)：
Kg(k)=P(k|k-1)H’/(HP(k|k-1)H’+R)(4)
到现在为止，我们已经得到了k状态下最优的估算值X(k|k)。但是为了要另卡尔曼滤波器不断的运行下去直到系统过程结束，我们还要更新k状态下X(k|k)的covariance：
P(k|k)=（I-Kg(k)H）P(k|k-1)(5)
其中I为1的矩阵，对于单模型单测量，I=1。当系统进入k+1状态时，P(k|k)就是式子(2)的P(k-1|k-1)。这样，算法就可以自回归的运算下去。
卡尔曼滤波器算法的原理基本描述了，式子1，2，3，4和5就是他的5个基本公式。根据这5个公式，可以很容易的实现计算机的程序。