matlab开发-带可变遗忘因子的离散卡尔曼滤波器。变遗忘因子离散卡尔曼滤波器

matlab过滤源码dcm-imu DCM-IMU算法专为融合低成本三轴MEMS陀螺仪和加速度计而设计。 扩展的卡尔曼滤波器用于估计方向余弦矩阵（DCM）形成和陀螺仪偏置在线的姿态。 可变测量协方差方法用于加速度测量，以确保针对瞬态非重力加速度的鲁棒性，而瞬态非重力加速度通常会在常规IMU算法中引起姿态估计的误差。 如果您在任何科学背景下使用该算法，请引用：Heikki Hyyti和Arto Visala，“低成本MEMS IMU的基于DCM的姿态估计算法”，国际导航与观察杂志，第1卷。 2015，物品ID 503814，18页，2015。 如果要使用Sebastian Madgwick的比较算法，请从中下载它们并在c / MahonyAHRS /（MahonyAHRS.cpp和MahonyAHRS.h）和c / MadgwickAHRS /（MadgwickAHRS.cpp和MadgwickAHRS.h）文件夹下复制c实现。 为了使Matlab正确地编译它们，必须将c文件重命名为cpp文件。 此外，DCM_IMU c代码包括Eigen3矩阵库和Matlab标头。 请在编译之前安装Ei

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。

它是用于速度估计的基本卡尔曼滤波器编程 - 戴夫

它是使用置信传播的分层（又名多尺度）卡尔曼滤波器的实现。 模型参数通过期望最大化（EM）算法估计。 在这个实现中，我们考虑了两个不同频率的时间序列。 高频和低频信号之间的消息被组合以改进估计和预测。

九轴说的是三轴的加速度计、三轴的陀螺仪以及三轴的磁场传感器。但是只是单纯的测出九个轴的数据没什么用，关键是要能够融合这九轴数据得出我们想要的结果。这里就运用三阶卡尔曼滤波算法来融合这九轴运动数据为三轴的角度。运用这三个角度可以用来做自平衡车. 一、卡尔曼算法理解 其实如果不去考虑kalman算法是怎么来的，我们只需要知道有下面几个式子就可以了，具体意思可以看上面的wikipedia链接 二卡尔曼滤波算法的实现 这里的算法是运行在avr单片机上的，所以采用的是c语言写的。下面的代码是要放到avr的定时器中断测试刷新的。用示波器测试了一下,这个算法在16M晶振下的运行时间需要0.35ms,而数据采集需要3ms左右,所以选定定时器时间为8ms.这边是三阶的，主要是矩阵运算.

非线性状态估计是一个具有挑战性的问题。 著名的卡尔曼滤波器只适用于线性系统。 扩展卡尔曼滤波器 (EKF) 已成为非线性状态估计的标准公式。 然而，由于不确定性通过非线性系统的传播，它可能会导致高度非线性系统的重大误差。 无迹卡尔曼滤波器 (UKF) 是该领域的一项新进展。 这个想法是基于其协方差在当前状态估计周围产生几个采样点（Sigma 点）。 然后，通过非线性映射传播这些点以获得映射结果的均值和协方差的更准确估计。 通过这种方式，它避免了计算雅可比矩阵的需要，因此只产生与 EKF 相似的计算负载。 出于教程目的，此代码实现了 UKF 公式的简化版本，其中我们假设过程噪声和测量噪声都是可加的，以避免状态增加，并简化对非线性映射的假设。 该代码被大量注释，并附有使用该函数的示例。 因此，初学者学习UKF是合适的。 为了比较，可以从http://www.mathworks.com/

数据融合matlab代码Term2-项目1：扩展卡尔曼滤波器 阿杰·派迪（Ajay Paidi） 客观的 该项目的目的是实现扩展卡尔曼滤波器，该滤波器可以融合雷达和激光雷达数据中的传感器数据并执行对象跟踪。 档案结构 ReadMe.md ：此文件 main.cpp ：循环输入文件度量并调用融合扩展卡尔曼滤波器以获取预测输出的主要可执行程序。 该文件由Udacity提供并按原样使用。 FusionEKF.h和FusionEKF.cpp ：包含融合扩展卡尔曼滤波器的实现。 它首先设置激光雷达和雷达初始化矩阵，然后根据传感器类型调用卡尔曼滤波器。 kalman_filter.h和kalman_filter.cpp ：包含预测和度量更新步骤的实现。 的Tools.h和tools.cpp：实用工具类来计算RMSE和雅可比。 描述 卡尔曼滤波器 简单的卡尔曼滤波器通常用于通过使用来自传感器的测量值连续更新状态预测来跟踪对象（位置和速度）。 以下是一个简单的伪代码，说明了这一点 #Initialize state x = [p, v] #state contains postion and velo

本文提出了一种基于改进卡尔曼滤波的量子态最优估计器。 这种估计器在状态测量之后起作用，从而使我们能够获得对量子状态的最佳估计，从而可以输出任何量子算法。 这种方法比其他类型的量子测量（例如，弱测量，强测量和量子状态层析成像等）要精确得多。

卡尔曼滤波器的FPGA的实现.zip