据说已经绝版了的书； 全书分成单目标跟踪和多目标跟踪两部分，讲了很多有用的滤波算法（诸如Kalman滤波，维纳滤波等）；

使用kalman算法对目标进行跟踪，并对kalman做出讲解

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

socmatlab代码SOC-Estimation-of-Li-ion-battery-using-Kalman-filter 这篇论文是 Frank Lewis 博士指导下的 UTA EE 5322 课程作业的一部分 参考会议论文。 访问 Matlab 文件进行验证。 以下代码用于验证。 数据 = xlsread('0deg1.xls'); k = 7000； A1 = 眼睛（2）； A2 = 眼睛（2）； H1 = [1,1]; H2 = [1,1]; x01 = [4.15;0]; x02 = [0;0]; xhat1=[4.26;0]; xhat2=[0.99;0]; P1 = 0.000000001眼（2）； P2 = 0.07眼（2）； Q1 = 0.0000001眼（2）； Q2 = 0.05眼（2）； G1 = 0.0000008眼睛（2）； G2 = 0.0015眼（2）； w=randint(2,7000); vk1 = rand(1,2); vk2 = rand(1,2); r1 = [0.5]; r2 = [0.8]; 对于 j = 1:k x1(:,j+1)=

Kalman Filtering and Neural Networks This self-contained book, consisting of seven chapters, is devoted to Kalman filter theory applied to the training and use of neural networks,and some applications of learning algorithms derived in this way.

本文件用matlab 语言，对kalman滤波的方法进行仿真，画出来原始曲线，观察值，和跟踪曲线，会对初学者有很大的帮助！

IMU_Kalman-filter_MATLAB 使用MATLAB进行卡尔曼滤波（9轴）IMU数据 这是用于9轴IMU传感器的卡尔曼滤波算法。 （加速度计，陀螺仪，磁力计） 您可以看到带有数据的图形化IMU传感器。 测验 示范 -将很快添加。 特征 动画情节 时间线 硬铁偏置补偿 角速度偏差补偿 描述 主要：主要代码 EKF：主要EKF功能 sampledata：我使用的sampledata 如何使用 1.从IMU传感器获取数据。 您应该在开始的5秒钟内保持IMU传感器处于静止状态（用于陀螺仪补偿），然后旋转它。 我建议您将其旋转几次。 （这对磁力计补偿很有用。） ** 2。 数据必须看起来像这样↓** k的'AccX AccY AccZ GyroX GyroY GyroZ MagX MagY MagZ时间' k = 2的'AccX AccY AccZ GyroX GyroY

该资源是卡尔曼滤波（Kalman Filter）原理，内含实例代码，看了众多文章后，自己的理解。实例一个鼠标跟踪程序。

Introduction to Random Signals and Applied Kalman Filtering,4版代码，好东西 学习信号处理和卡尔曼滤波经典教材的代码

Robert Grover Brown , Patrick Y. C. Hwang 经典的卡尔曼滤波书籍，清晰第4版。 In this updated edition the main thrust is on applied Kalman filtering. Chapters 1-3 provide a minimal background in random process theory and the response of linear systems to random inputs. The following chapter is devoted to Wiener filtering and the remainder of the text deals with various facets of Kalman filtering with emphasis on applications. Starred problems at the end of each chapter are computer exercises. The authors believe that programming the equations and analyzing the results of specific examples is the best way to obtain the insight that is essential in engineering work.