扩展卡尔曼滤波，非线性EKF的仿真与用法。描述了两个非线性方程x=0.5 x + (25 * x / (1 + x^2)) + 8 * cos(1.2*(t-1)) y = (x^2 / 20)的EKF的用法。简单实用，有备注。对于卡尔曼滤波初学者很有用。

采用扩展卡尔曼滤波算法建立由动态负荷和静态负荷组成的综合负荷数学模型,并列出了其转子运动方程、状态方程和输出方程,其中动态负荷由等值的异步电机表示,静态负荷由恒定导纳并联组成。通过动模试验,取得给定负荷在系统扰动时的电压、电流数据。根据所建立数学模型的输入、输出值,用扩展卡尔曼滤波算法辨识其中的待定参数。参数初值设置为真值的2～7倍,辨识结果误差为2%～3%。分析结果表明,扩展卡尔曼滤波可在短时间内收敛,能正确地辨识出系统参数,且稳定性好。结论表明扩展卡尔曼滤波可以用于电力系统参数辨识,为电力系统状态估计、负荷建模提供了有效方法。

行业-电子政务-基于扩展卡尔曼滤波的跨孔电阻率时序监测反演成像方法.zip

针对单一定位系统无法得到连续、稳定可靠的导航信息的问题,将全球卫星导航系统(GNSS)与捷联惯性导航系统(SINS)进行组合,并利用扩展卡尔曼滤波(EKF)算法对这两种导航系统的定位信息进行融合,以获得更加稳定、精确的定位结果。将GNSS与SINS组合,可以弥补GNSS卫星信号失锁、数据更新频率低、无法获得姿态信息以及SINS定位误差累积等单导航系统定位的不足。通过车载实验采集定位数据,并分别进行SINS单独导航及GNSS/SINS组合导航解算,由实验结果可以看出,与SINS单独导航相比,GNSS/SINS组合导航系统的定位误差能快速收敛,并保持较高的精度,其中位置误差精度达到厘米级,速度的最大误差大约在0.1m·s-1以内,姿态的最大误差大约在0.2°以内。

数据融合matlab代码扩展卡尔曼滤波器项目 在这个项目中，我用C ++实现了一种算法来跟踪和预测自行车的位置和速度。 我提供了模拟的激光雷达和雷达测量数据，可检测到一辆在我的车辆周围行驶的自行车。 这种扩展的卡尔曼滤波器（EKF）算法提供了融合来自激光雷达和雷达传感器的测量结果以预测自行车的位置和速度的能力。 模拟器（）和EKF之间的通信是通过EKF端的实现来完成的。 激光雷达测量是红色圆圈，雷达测量是蓝色圆圈，箭头指向观察角度的方向，估计标记是绿色三角形。 为了评估我的EKF模型的性能，我使用了均方根误差（RMSE）来累加我的估计和实地真理之间的残差。 我在数据集1上的最终RMSE为[0.0973，0.0855，0.4513，0.4399]，在数据集2上的最终RMSE为[0.0726，0.0965，0.4216，0.4932]。 扩展卡尔曼滤波器概述：初始化，预测，更新 该项目涉及对扩展卡尔曼滤波器（EKF）算法进行编程的三个主要步骤： 初始化扩展卡尔曼滤波器变量 在距前一个时间戳的时间步长Δt之后预测自行车的位置 根据传入的新传感器测量值更新自行车现在所在的位置 然后，预测和更新

扩展卡尔曼滤波器不仅可以从噪声测量中估计非线性动态系统的状态，还可以用于估计非线性系统的参数。 参数估计的一个直接应用是训练人工神经网络。 这个函数和一个嵌入的例子展示了如何做到这一点。

该程序为EKFslam的matlab程序，程序中包含周围环境的构造和小车的运动控制部分。

这个包实现了以下卡尔曼滤波器： 1) 标准卡尔曼滤波器2) 扩展卡尔曼滤波器3) 双卡尔曼滤波器4) 平方根卡尔曼滤波器 该软件包还包含每种过滤器类型的说明性示例，演示它们的实际应用。 在所有 4 种情况下，KF 函数都接受多维系统的输入噪声样本，并根据噪声样本中固有的时变过程/噪声协方差产生真实系统状态的 KF 估计。 指数加权（或未加权）移动平均值用于从噪声测量中估计时变系统协方差。 标准卡尔曼滤波器是最基本的 KF 实现。 它假设一个模型，即噪声测量包含真实系统状态和白噪声。 扩展卡尔曼滤波器是标准卡尔曼滤波器的推广，允许用户指定非线性系统模型，然后在 EKF 执行期间迭代线性化。 双卡尔曼滤波器同时解决两个标准卡尔曼滤波器问题： 1) 将自回归模型拟合到数据并应用卡尔曼滤波器来更新 AR 模型 2）在执行标准KF更新之前，在每次迭代中应用AR模型 平方根卡尔曼滤波器

以匀速直线运动为例，设计了基于距离的目标跟踪算法，即状态量为X、Y轴的位置和速度，观测值为物体到观测站的距离，具体实现过程见代码

扩展卡尔曼滤波matlab代码，有注释，适合学习扩展卡尔曼滤波算法