. 扩展卡尔曼滤波算法 作者 niewei120 nuaa EKF 算法是在标准 Kalman 滤波算法的基础上发展起来的 它的基本思想是 在滤波值附近 应用泰勒展开算法将非线性系统展开 对于二阶以上的高阶项全部都省去 从而原系统就变 成了一个线性系统再利用标准 Kalman 滤波算法的思想对系统线性化模型进行滤波 . . 滤波过程如下 其 matlab 程序如下 For t=1 N %预测更新

针对被动传感器观测的非线性问题,将无迹变换引入卡尔曼滤波算法中.进一步,针对其弱可观测性,采用多个被动传感器集中式融合跟踪策略,提出了基于无迹卡尔曼滤波的被动多传感器融合跟踪算法.以3个被动站跟踪为例进行仿真研究,结果表明所提出的算法可达到比经典的扩展卡尔曼滤波算法更高阶的跟踪精度.

针对非线性系统状态估计滤波，有很好的植入性，希望可以帮助到你。

针对常规自适应卡尔曼滤波器存在过渡过程差的间题，基于一个给定的指标切换函数，采用多个基于不同动态噪
声协方差矩阵的卡尔曼滤波器和一个常规自适应卡尔曼滤波器共同组成多模型自适应卡尔曼滤波器.与常规自适应卡尔曼
滤波器相比，多模型自适应卡尔曼滤波器可以在保持原有自适应滤波器性能的基础上极大地改善瞬态响应.

本文件主要包括相关神经网络知识的详细讲解，基于MATLAB和python实现的相关代码。在详细讲解中，主要从基本概念，理论推导以及相关公式推导的方式进行讲解。除此之外，还有一些通俗易懂的案例帮助读者进行理解，可以从核心上理解神经网络的核心计算过程。

使用matlab完成多节点的卡尔曼滤波仿真

设计模式-观察者模式（讲解及其实现代码）

卡尔曼定位 通过误差状态卡尔曼滤波器使用 GPS/INS/罗盘的传感器融合实现定位的 MATLAB。 MATLAB 代码大量借鉴了 Paul D. Groves 的著作《GNSS 原理、惯性和多传感器集成导航系统》，他的代码被标记为他的，并在 BSD 许可下持有。 请注意：我无法提供我的测试数据，因为它是使用通用汽车拥有的车辆收集的。请参阅初始化脚本中的注释以获取数据格式的描述，您应该能够调整自己的数据。或者，本书附带一张 CD-ROM，其中包含他的代码（完全工作的过滤器）以及用于生成测试数据的系统

GPS/INS位置组合输出校正Matlab仿真 文件说明： 组合主文件卡尔曼滤波程序 飞机飞行轨迹与INS输出数据

本项目中使用opencv的dnn模块对yolov5进行部署，增加卡尔曼滤波kalman算法，对检测目标进行跟踪和预测。可用于导航等领域的短暂目标丢失预测。