用于计算系统状态的卡尔曼最优增益和最小均方误差 (MMSE) 估计的代码。 一阶和二阶模型的示例。 可轻松适应其他系统和输入，非常适合学习应用。

对LMS自适应算法进行了详细的性能分析与讨论，针对LMS算法运算较复杂、适应性较弱、稳定性差的缺点提出了一种HLMS（混合LMS）算法。建立了自适应噪声抵消系统，利用MATILAB软件对食堂、体育馆两处的录音信号进行计算机语音去噪仿真分析。实验结果表明，两种自适应方法均能有效抑制各种噪声污染，提高语音信噪比为60%~85%，而且对引入的语音信号失真也较小，二者均在10%以下。HLMS算法比LMS算法更简洁，LMS算法调节性能敏感于参考输入的方差，而HLMS算法敏感于参考输入的均方根值，因此HLMS算法的适应性比LMS算法更强，在非平稳随机输入情况下HLMS算法更能提供稳定的工作性能，更能较好的恢复原始语音信号。

后向线性预测滤波器bM(n)的推导；丁玉美的研究生 数字信号处理 时域离散随机信号处理，纠正了课本中的很多错误。

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.

卡尔曼自定义应用matlab代码使用卡尔曼滤波器进行对象跟踪 使用卡尔曼滤波器算法跟踪和分析二维空间（视频）上的移动对象。 1. 简介 对象跟踪是一个复杂的领域，在过去的几十年中取得了显着的发展。 它是在大量实际应用中实现的计算机视觉的一个分支，例如监视、机器人导航、人机交互等。它的主要目标是自动化任何给定的操作，并通过取代工作人员来减少人力用计算机处理和分析数字图像或视频以收集（或使用“收集”）所需的信息。 该项目的目的是通过使用 MATLAB 实现卡尔曼滤波器算法逻辑，逐帧定位、跟踪和分析视频上显示的对象。 分析过程是指通过算法中某些参数（例如噪声）的变化来减少评估结果的误差，以实现算法对实际值的更好跟踪。 1.1 卡尔曼滤波器 卡尔曼滤波是一种经典的状态估计技术，广泛应用于各种应用领域，如信号处理和车辆自主控制。 [1] 该算法使用系统先前时间间隔的测量变量来预测未确定变量的估计值。 与具有复杂结构和计算的其他过滤算法相比，该算法简单且计算成本低。 在视频或 2D 空间中跟踪对象位置需要确定位置坐标（在我们的案例中，x 和 y 为二维）。 因此，状态可以表示为 其中 x 和 y

卡尔曼滤波器算法实现代码

自学的一个卡尔曼滤波器，可以根据需要更改参数，完整代码+注释

单片机数字滤波常见的方法，入门级别的

基于matlab的高斯低通滤波器算法源代码

基于STM32单片机的使用MPU6050传感器的利用卡尔曼滤波器算法的角度测量仪