卡尔曼与贝叶斯 Python版本 本书教你如何解决这些过滤噪声问题，设计滤波器。 使用了许多不同的算法，但它们都基于贝叶斯概率。 简单来说，贝叶斯概率根据过去的信息确定可能是真实的。

针对粒子流滤波器中粒子速度场计算复杂, 难以滤波求解的问题, 提出一种基于弱形式解的粒子流滤波器. 通过将粒子速度场等效为势函数的梯度, 推导该速度场所满足的偏微分方程的弱形式; 应用Galerkin 有限元法和蒙特卡罗积分法, 推导出一个易于计算的弱形式常数近似解. 仿真算例表明, 在一定初始条件下, 多峰型后验分布会使高斯假设滤波器局部收敛, 而粒子流滤波器是有效的, 且具有较高的跟踪精度和较好的鲁棒性.

这是粒子滤波的matlab代码，是一个粒子滤波的简单编写，大家可以自由改写。所需进阶的代码大家自己都可以在此基础上编写出来。

贝叶斯滤波

大数据-算法-非线性非高斯条件下贝叶斯滤波若干问题研究.pdf

贝叶斯滤波到卡尔曼滤波及其拓展.pdf

matlab代码影响 卡尔曼和贝叶斯过滤器的介绍性文字。 所有代码都是用Python编写的，而本书本身是使用Juptyer Notebook编写的，因此您可以在浏览器中运行和修改代码。 有什么更好的学习方法？ “ Python中的卡尔曼和贝叶斯过滤器”看起来很棒！ ...您的书正是我所需要的-艾伦·唐尼（Allen Downey），教授，也是O'Reilly的作者。 感谢您为发布有关Kalman过滤以及Python Kalman过滤库的介绍性文字所做的所有工作。 我们一直在内部使用它来向人们传授一些关键的状态估计概念，这是一个巨大的帮助。 -SpaceX的Sam Rodkey 现在，单击下面的活页夹或Azure徽章开始在线阅读： 什么是卡尔曼和贝叶斯滤波器？ 传感器嘈杂。 世界上充满了我们想要测量和跟踪的数据和事件，但是我们不能依靠传感器来提供完美的信息。 我车上的GPS报告高度。 每次我在道路上经过同一点时，都会报告略有不同的海拔高度。 如果我两次称量相同的物体，我的厨房秤会给我不同的读数。 在简单的情况下，解决方案是显而易见的。 如果我的秤给出的读数略有不同，我可以取几个读数并取平

贝叶斯滤波和卡尔曼滤波的简要介绍，包括贝叶斯公式的推导，贝叶斯滤波的假设条件，卡尔曼滤波的五个方程。

滤波与平滑是估计理论中最为核心的两类算法，可用于估计未知的状态或参数，贝叶斯滤波与平滑，是指在贝叶斯意义下的滤波与平滑，本书包括了经典的线性与平滑滤波，非线性与平滑滤波，以及费高斯与平滑滤波。

描述了基于贝叶斯框架的滤波方法和平滑方法，用于得到精确的估计结果；该书涉及到了现在通用的一些滤波方法，模型构建更加数学化，使用MATLAB进行仿真。