传统的粒子滤波算法在重采样期间丢弃小重量粒子,因此重要性权重落在极少数粒子上。这会导致采样粒子贫化、粒子多样性缺失以及需要大量粒子才能进行比较准确的状态估计等问题,针对这些问题,提出了一种改进的蝶式算法优化粒子滤波算法。首先,将最新时刻观测信息引入蝴蝶香味公式中,以提高滤波精度;其次,引入吸引半径参数来控制蝴蝶种群寻优的搜索范围,降低算法的复杂度,进而提高算法的实时性;最后,将改进的蝴蝶种群位置更新公式用于优化迭代更新。实验结果表明,与经典粒子滤波器和现有蝶形优化算法相比,改进算法具有更低的均方误差和运行时间。并且在粒子数较少的情况下,可以实现更准确的状态估计,并改善传统滤波器的粒子耗尽现象,保证了粒子多样性。

针对传统粒子滤波算法中粒子匮乏以及粒子多样性丧失的问题, 提出了一种基于蚁群优化的改进粒子滤波算法。该算法利用蚁群算法优化粒子滤波的重采样过程, 使粒子在更新权值后, 利用转移概率向权值较优粒子的位置移动, 以防止权值较小的粒子在多次迭代后退化消失; 同时, 设置转移阈值, 以抑制权值较优粒子间的转移, 从而同时解决了粒子匮乏以及粒子多样性丧失的问题。实验结果表明, 该算法具有较高的预估精度和较好的鲁棒性。

针对“当前”统计模型中预先设置机动频率和加速度极限值造成对目标跟踪精度不高的问题, 提出一种新的参数自适应算法? 该算法利用目标前后2个时刻的加速度均值代替“当前”统计模型中只利用前一时刻的加速度值作为当前时刻的加速度均值,推导出了机动频率自适应,再利用加速度方差与加速度变化量之间 存在的正比线性关系,推导出了加速度方差自适应,避免了由于参数设置不合理而造成的跟踪误差?理论分析和仿真结果表明,改进算法有效提高了目标跟踪精度,仿真结果验证了改进算法的有效性?

基于研究卡尔曼滤波算法在锂电池荷电状态估计和监测中应用效果的目的，本文通过建立Thevenin电池模型，结合锂电池恒定电流充放电实验数据，有效模拟出电池实际工作特性，并分别采用传统卡尔曼滤波（KF）和扩展卡尔曼滤波（EKF）算法对锂电池荷电状态（SOC）进行估测。得出如下结论：采用基于Thevenin电池模型的KF与EKF算法均可以快速精准地估测锂电池荷电状态。EKF对于初值的敏感度相较KF明显低，当初值为80%时参数适应性较好。此外，在利用卡尔曼滤波算法对电池端电压估测时发现其收敛值总会与真实值产生一个约为0.05 V的恒定偏差值。

卡尔曼滤波，用matlab .m函数和simulink进行了验证，给定220V，50Hz正弦交流电，加上白噪声之后用Kalmanfilter进行滤波

时域LMS与RLS算法---自适应滤波算法

对比传统的归一化最小均方算法（NLMS），系数比例自适应算法（PNLMS）拥有较快的初始收敛速度，但是PNLMS无法很好处理稀疏系统辨识问题。因此基于L0范数的IPNLMS(L0-IPNLMS)算法被提出，本文对L0-IPNLMS算法提出改进以提高对稀疏系统进行辨识的性能。分析了近年来的几种系数比例算法的性能及其局限性，通过建立步长因子μ与误差信号e之间的非线性关系，提出了一种结合Sigmoid函数和L0范数的变步长系数比例NLMS滤波算法，仿真结果表明提出的算法拥有更好的收敛性和稳态误差。

一种快速Kalman滤波算法实现及效果评估

BEEPS滤波器算法的源码实现，对应本人的博客文章内容，用来做磨皮美白算法研究！

粒子滤波算法matlab文档，里面包含粒子滤波算法matlab程序以及针对各种案例相应代码的修改方法