Выделение полезного сигнала, сглаживание, на фоне шума, Какие есть способы? И какие лучше в конкретных ситуациях Опции

[DmitriyX]

Имеется следующая задача на курсовой проект.
Известны отсчеты траектории одного движущегося объекта в прямоугольной системе координат. Существует погрешность измерения положения объекта и шумы. Необходимо на основе полученной информации максимально сгладить шумы, не имея при этом существенного запаздывания воспроизведения траектории (на случай, если объект начнет маневрировать). Объект, допустим, самолет. Обработка в реальном времени.
На данный момент попробовал реализовать стандартный дискретный фильтр Калмана при сглаживании зашумленной гармоники. Если требуется сгладить ее идеально, то обнаруживается запаздывание. А узкополосность может привести к временной потере местоположения реального маневрирующего объекта. Фильтр Калмана - единственное, что я понял на данный момент из области траекторной обработки. Но слышал, что стандартный фильтр Калмана не применим на практике, т.к. при большом уровне зашумленности либо не сглаживает, либо приводит к запаздыванию. И еще я не понял: чем фильтр Калмана лучше стандартного инерционного звена (1/(TS+1)), которое чем уже полоса, тем лучше сглаживает, но больше запаздывает?
Не могли бы Вы посоветовать названия и если можно, то общие идеи, достоинства и недостатки, более совершенных алгоритмов сглаживания/выделения сигнала на фоне больших шумов при траекторной обработке. Или литературу, желательно в электронном виде, в которой может быть интересующая меня информация. Пока не знаю, где копать.

Спасибо огромное всем заранее

[Edmundo]

Передо мной как раз в настоящее время стоит задача траекторной обработки радиолокационной информации. Правда не для курсового проекта, а для внедрения в РЛС
По теории перед "вторичкой" стоит много задач: обнаружение траетории, селекция (оценка) отметок, сглаживание, экстраполяция, обнаружение маневров и т.п. Насколько я понимаю, Вы рассматриваете только одну задачу -- сглаживание (т.е. фильтрацию) отметок.
Что касается фильтрации. Существует два класса алгоритмов: 1) рекурсивные; 2) нерекурсивные.
1-ые требуют только наличия информации на предыдущем шаге и текущих отметок. 2-ые требуют наблюдения на протяжении некоторого времени, поэтому как правило реализуются "скользящим окном". 1-ые более применимы для реальных задач, так как требуют меньше памяти, и вычислительно (в общем случае) более эффективны.
В основном все алгоритмы рекурсивной фильтрации основаны на теории оптимальной и субоптимальной фильтрации (работы Винера, которые продолжил Колмогоров, а затем Калман). Фильтры Калмана -- это условно говоря семейство фильтров с определенными принципами. Реализация их зависит от выбранного критерия оптимизации, от априорных предположениях о характере шумовой обстановки и др. факторов.
Есть еще экспоненциальный фильтр, альфа-бета фильтр, фильтр с конечной выборкой со "скользящим" окном.
Я, честно говоря, еще не вникал глубоко в проблемы фильтрации, так как задача сглаживания передо мной стоит сейчас не особо остро, прежде всего необходимо, чтобы "вторичка" сначала просто задышала. Я реализовал для начала простенький экспоненциальный фильтр. Но планирую использовать расширенный фильтр Калмана.
Литература бумажная: Кузьмин (название не помню -- надо на работе посмотреть), и Фарина (итальянские авторы) -- довольно доступно написана, название тоже завтра напишу, если интересно.
Из электронных есть Skolnik "Radar Handbook"(это классика) но там больше о первичной обработке.