micropython-kalman_filter 用于微型Python的卡尔曼滤波器 接下来

Contents List of symbols . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . xv 1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1 2 Statistical definitions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5 2.1 Probability density function . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5 2.2 Statistical moments . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8 2.2.1 Expected value. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8 2.2.2 Variance . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8 2.2.3 Covariance . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9 2.3 Working with samples from a distribution . . . . . . . . . . . . . . . . . . 9 2.3.1 Sample mean . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9 2.3.2 Sample variance . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10 2.3.3 Sample covariance . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10 2.4 Statistics of random fields . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10 2.4.1 Sample mean . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10 2.4.2 Sample variance . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10 2.4.3 Sample covariance . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11 2.4.4 Correlation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11 2.5 Bias . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11 2.6 Central limit theorem . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12 3 Analysis scheme . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13 3.1 Sc

肯尼迪 用于arduino库的Kalman过滤器。这不仅可用于通常在卡尔曼滤波器库中找到的IMU，还可用于任何种类的卡尔曼滤波。

本书较为全面的介绍了最优状态估计的方法，适合作为最优状态估计相关领域工程技术人员参考著作，也可作为相关课程的高年级本科生或研究生教材

本程序仿真了坐标转换kalman滤波在目标跟踪中的应用，显示其有效性。

经典的kalman滤波算法和LMS自适应算法，希望对有大家有用。

Kalman滤波算法C代码实现，包括一维Klaman滤波算法和二维Kalman滤波算法

包含AR模型的建模以及用Kalman滤波算法和LMS算法求解模型参数的MATLAB仿真代码，里面附有详细的注释，适合初学者参考

卡尔曼滤波(Kalman filtering)是一种利用线性系统状态方程，通过系统输入输出观测数据，对系统状态进行最优估计的算法。由于观测数据中包括系统中的噪声和干扰的影响，所以最优估计也可看作是滤波过程。 数据滤波是去除噪声还原真实数据的一种数据处理技术，Kalman滤波在测量方差已知的情况下能够从一系列存在测量噪声的数据中，估计动态系统的状态。由于它便于计算机编程实现，并能够对现场采集的数据进行实时的更新和处理，Kalman滤波是目前应用最为广泛的滤波方法，在通信，导航，制导与控制等多领域得到了较好的应用。

写了一些关于图像卡尔曼滤波追踪的例子，程序含有说明解释，适合初学者。