晤。”
“看了你们的仿真，我有两个建议”
“一是将卡尔曼滤波算法优化为扩展卡尔曼滤波算法。”
“二是将单一算法融合起来，形成加权平均预测算法，尽量弱化不同算法在不同数据量下的弱点，以期获得最好精度。”
“根据你们的仿真和实际情况，我考虑的加权平均预测算法设计如下.”
陶工和项目组的骨干一字一句的看着高振东的回信，脸色渐喜。
“这位同志的第一个建议很有见地啊，利用泰勒级数展开，将非线性滤波近似转化为线性滤波，就能用线性的相关理论来解决非线性的问题了，这可比原来的好搞多了，至少数学工具多了很多，计算也没那么麻烦。”
“对对对，这虽然看起来是一个次优滤波算法，可是用在这里却是非常合适，还一举解决了我们实际工程应用中计算的问题。原来直接卡尔曼滤波算起来那可不是一般的麻烦。”
“我给你讲噢，这位同志厉害得一逼掉造，牛得一皮的唻！”有同志发出了如此淳朴的感慨。
计算机算非线性问题，那是很吃数学功底、编程功底和计算机性能的。
本来想着这个问题留到日后进行工程实现的时候才解决，现在只是仿真，就不管它了，没想到人家顺手就给办了。
陶工这才体会到炮兵那边说的“要啥给啥”到底代表了什么意思。
如果不是自己记着炮兵那边这句话，灵机一动，不但给了对方要的数据，顺便还附上了算法和模型，估计人家也就没法知道自己这边的模型和算法有大问题，也就不会给出这个解决方案了。
嘿，值了！哪怕精度问题没解决，就这第一条建议，就完全凸显了人家的能力和价值。
“别吵别吵，看下一个算法设计，那个才是专门解决我们现在算法定位精度问题的。”
“老陶，你这也太贪心了吧，哈哈，解决了一个问题还不够啊。”
“这个才是正主，这个才是正主嘛。”
说起来好像也不复杂，高振东根据最小二乘拟合、扩展卡尔曼滤波各自的弱势和优势区，将预测算法根据点位数量进行了分段，多少点以下完全使用最小二乘拟合，多少点到多少点两者采用变权重加权平均，多少点以上完全采用扩展卡尔曼滤波，都写得明明白白。
最重要的是，高振东还做了两件事，他根据数据，确定了上面两个分界点的具体数值，而且还给出在两个分界点之间，两种
…。。