设{Xn，n≥1}为随机过程，Xn，n≥1为相互独立且同分布的随机变量，它们和随机变量X有相同的分布： （1)X服从正态分 由于Xn，n≥1与随机变量X相互独立且同分布，所以 ；nbsp；(X1，X2，…，Xn)的特征函数为 ；nbsp；Sk=X1+…+Xk(1≤k≤n)的特征函数为 ；nbsp；Yk=Xk-Xk-1，k=2，…，n。
设随机过程，其中ω为常数，Ak为第k个信号的随机振幅，Θk是在（0，2π)上均匀分布的随机相位，所有随机变量Ak，Θk，k= (1)X(t)的均值函数 ；nbsp；nbsp；nbsp；因为Θk～U(0，2π)，故 ；nbsp；所以 ；nbsp；nbsp；nbsp；(2)X(t)的自协方差函数为 ；nbsp；nbsp；nbsp；由于k≠l时，Θk与Θl。
什么叫卡尔曼滤波算法其序贯算法？ bai卡尔曼滤波算法（duKalman filtering）一种利用线性系zhi统状态方程，通过dao系统输入输出观内测数据，对系统状态进容行最优估计的算法。由于观测数据中包括系统中的噪声和干扰的影响，所以最优估计也可看作是滤波过程。序贯算法又叫序贯相似性检测算法，是指图像匹配技术是根据已知的图像模块(模板图)在另一幅图像(搜索图)中寻找相应或相近模块的过程，它是计算机视觉和模式识别中的基本手段。已在卫星遥感、空间飞行器的自动导航、机器人视觉、气象云图分析及医学x射线图片处理等许多领域中得到了广泛的应用。研究表明，图像匹配的速度主要取决于匹配算法的搜索策略。数据滤波是去除噪声还原真实数据的一种数据处理技术，Kalman滤波在测量方差已知的情况下能够从一系列存在测量噪声的数据中，估计动态系统的状态.由于，它便于计算机编程实现，并能够对现场采集的数据进行实时的更新和处理，Kalman滤波是目前应用最为广泛的滤波方法，在通信，导航，制导与控制等多领域得到了较好的应用。
设随机过程X(t)=W(t)的平方，t≥0求X(t)的自相关函数，W(t)为维纳过程 从定义出发来认识这个问题，随机过程X(t)的自相关函数定义为R(s，t)=E(Xs，Xt)，t≥0，若定义X(t)的二阶中心矩为σ2=VAR[X(t)]=E{X(t)-E[X(t)]2}，则两个变量s，t的协方差函数为Cov(Xs，Xt)=E{[Xs-E(Xs)][Xt-E(Xt)]}.
