简单的卡尔曼滤波算法， 刚刚写的所以让我知道它是否需要改进笔记： 检查这里以防我对原始文件进行修改https://github.com/ganindu7/kf_algorithm_tester

扩展卡尔曼滤波器（EKF） 3 非线性系统的卡尔曼滤波方程 3.1 扩展卡尔曼滤波器 非线性系统模型： 其中： 假设在 时刻已获得系统状态 的滤波估计 ，将 和 在 附近线性化，即非线性系统将随时在新估计的结果附近进行线性化。

卡尔曼滤波器的原理介绍，来源于youtube视频的讲解ppt 卡尔曼滤波器的原理介绍，来源于youtube视频的讲解ppt

卡尔曼滤波器算法实现代码

首先通过一个温度的简单例子来理解了卡尔曼滤波的原理，其次再深入将卡尔曼滤波应用在天气预报中

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

离散卡尔曼滤波器 matlab 代码 可以参考参考 可以运行的

各种滤波器的C语言实现，有FIR的低通、高通、带通、带阻等，卡尔曼滤波器

在本文中，我们首先提出一种分布式无味卡尔曼滤波器（DUKF），以克服测量的非线性说话者追踪中的模型。 接下来，针对室内环境中说话人的不同运动动力学，我们介绍了交互多模型（IMM）算法，并提出了分布式交互多模型无味卡尔曼滤波器（IMM-UKF）来估计随时间变化的讲话者的位置在麦克风阵列网络中。 在基于分布式IMM-UKF的扬声器跟踪方法中，一对麦克风在每个节点处接收到的语音信号的到达时间差（TDOA）通过广义互相关（GCC）方法进行估算，然后采用分布式IMM- UKF用于跟踪扬声器中麦克风的位置和速度随时间变化很大的扬声器阵列网络。 所提出的方法可以在网络中全局估计说话人的位置，并在嘈杂和混响的环境中稳健地获得说话人运动的平滑轨迹，并且可扩展用于说话人跟踪。 仿真和实际实验结果表明了所提出的说话人跟踪方法的有效性。

 针对Mean Shift算法不能跟踪快速目标、跟踪过程中窗宽的大小保持不变的特点。首先，卡尔曼滤波器初步预测目标在本帧的可能位置；其次， Mean Shift算法在这点的邻域内寻找目标真实的位置；最后，在目标出现大比例遮挡情况时，利用卡尔曼残差来关闭和打开卡尔曼滤波器。实验表明该算法在目标尺度变化、遮挡等情况下对快速运动的目标能够取得较好的跟踪效果。