问粗略-精细算法

EN

我认为这对于您的测量用法是非常具体的。

我能想到的一件事是在两个测量上应用Kalman Filter，具有高绝对精度的粗分辨率测量充当预测步骤，而具有低绝对精度的精细分辨率测量可以充当更新步骤。

卡尔曼滤波器以Noise Covariance matrices的形式自动将您的置信度合并到每个测量中。

实际上，使用两个观察更新步骤而不是预测步骤可能更有意义，正如维基百科文章的这一部分所建议的那样：

通常情况下，两个阶段交替进行，预测推进状态直到下一个预定的观察，而更新结合了观察。但是，这并不是必需的；如果由于某种原因，观察结果不可用，则可以跳过更新，并执行多个预测步骤。类似地，如果多个独立观测同时可用，则可以执行多个更新步骤(通常具有不同的观测矩阵Hk)。

卡尔曼滤波器将是最有用的，如果您试图保持一段时间内的几个读数过期的估计时间。如果这只是一次性的事情，你可以用一种更简单的方式将它们结合起来。

我不知道通用算法，但在特定领域中有如何做到这一点的理论。例如，在几何处理中，有整个持久同源性的子字段，它声称要检查结构如何随时间变化：http://www.ams.org/notices/201101/rtx110100036p.pdf

在图像处理中，存在以不同精度处理图像的尺度空间：http://en.wikipedia.org/wiki/Scale_space

对于你的具体问题，我会说答案要简单得多，只需要一点代数。假设你有一对分辨率为s_1，s_2的计数器。然后我们观察到时间分别为n_1，n_2，或者换句话说，以s_1，s_2通用的单位表示的时间t必须满足：

 t = n_1 s_1 + r_1
 t = n_2 s_2 + r_2

这是一个由两个方程和三个未知数组成的集合，因此它是欠定的。因此，t可以是范围内的任何地方：

 0 <= r_1 < s_1
 0 <= r_2 < s_2
 n_2 s_2 - n_1 s_1 = r_1 - r_2

对r_2进行替换和求解，我们得到：

max(0, n_1 s_1 - n_2 s_2) <= r_2 < min(n_1 s_1 - n_2 s_2 + s_1, s_2)

它又给出了t的区间界限：

max(n_1 s_1, n_2 s_2) <= t < min(n_1 s_1  + s_1, n_2 s_2 + s_2)

这是最紧凑的了。(诚然，这并不能告诉您很多信息，但它比简单地将计数器中的较好者作为您的选择稍微准确一些)。