此 zip 文件包含扩展卡尔曼滤波 (EKF) 和全球定位系统 (GPS) 的原理和算法的简要说明。 它旨在提供一个相对易于实现的 EKF。 它还简要介绍了 GPS 的卡尔曼滤波算法。 在 EKF 的示例中，我们提供了使用 EKF 和最小二乘法进行 GPS 定位的原始数据和解决方案。 有关更多详细信息，请参阅 readme.txt。

内附飞行数据，实现对扩展卡尔曼的仿真，对飞行轨迹使用扩展卡尔曼滤波，比较扩展卡尔曼滤波的优缺点。

内附飞行数据，实现对扩展卡尔曼的仿真，对飞行轨迹使用扩展卡尔曼滤波，比较扩展卡尔曼滤波的优缺点。

扩展卡尔曼滤波SOC算法Simulink模型

为了计算历元的轨道要素，在跟踪站收集了大量的测量数据，包括方位角、仰角和距离。 在这里，我使用了 46 组 GEOS3 卫星测量数据进行初始定轨。 首先，卫星状态向量的初始猜测是应用Double-R-Iteration/Gauss方法从三组方位角和仰角计算得到的。 然后，状态向量从纪元传播到第一次测量的时间并更新。 之后，更新的状态向量被传播到下一次测量的时间并再次更新。 这个过程一直持续到最后一次测量的时间。 最后，将上次测量时更新的状态向量传播到 epoch。

数据融合matlab代码扩展卡尔曼滤波器，用于物体跟踪 无人驾驶汽车工程师纳米学位课程 在这个项目中，我使用了扩展卡尔曼滤波器，通过带噪的激光雷达和雷达测量来估计感兴趣的运动物体的状态。 EKF是一种连续速度（CV）方法。 在使用文件“ obj_pose-laser时，我能够获得估计的对象位置（px，py）和速度（vx，vy）输出坐标<= [.11，.11，.52，.52]的RMSE值。 -radar-synthetic-input.txt”，即模拟器用于数据集1的相同数据文件。 该项目涉及Term 2 Simulator，可以下载 该存储库包含两个文件，可用于为Linux或Mac系统设置和安装。 对于Windows，您可以使用Docker，VMware或什至安装uWebSocketIO。 一旦完成uWebSocketIO的安装，就可以通过从项目顶部目录执行以下操作来构建和运行主程序。 mkdir构建 光盘制作 cmake .. 制作 ./扩展KF 代码与模拟器之间的交流 输入：模拟器提供给C ++程序的值 [“ sensor_measurement”] =>模拟器观察到的测量值（激光

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。