用于处理GPS信号估计出更为精确的位置坐标，采用卡尔曼滤波器，，采用Matlab仿真算法。。

当容积卡尔曼滤波的系统模型不准确或测量出现异常时容易出现滤波发散。为了解决这一问题，提出了一种自适应容积卡尔曼滤波算法，构造了一组噪声统计估计器对噪声的统计特征进行在线实时估计，并在测量异常时采用修正函数对滤波过程进行修正，有效提高了滤波估计的精度和对滤波发散的抑制能力；在集中式滤波结构和联邦式滤波结构的基础上，设计了一种基于自适应容积卡尔曼滤波算法的多传感器系统混合式组合滤波结构，并给出了融合各传感器的局部滤波信息以得到全局滤波估计的计算方法。以对车辆的定位导航为应用背景进行了仿真实验，仿真结果证明了所

老外写的卡尔曼滤波经典教材，里面包含了很多编程实现卡尔曼滤波算法的例子。

交互式多模型滤波(IMM) 的交互环节使得系统状态量不再服从单纯的高斯分布, 用现有方法对其概率分布的估计存在较大的误差. 对此, 考虑到模型的混合概率是时变的, IMM的交互过程可以用非线性方程来描述, 因而采用容积卡尔曼滤波(CKF) 中的容积法则对高斯随机变量经非线性函数传播后的概率分布进行估计, 并从理论上证明了容积法则的近似精度. 仿真实验表明, 由于提高了对交互后随机变量概率分布的估计精度, 所提出的方法能够有效改善IMM在量测噪声较大时的滤波效果.

智能优化算法、神经网络预测、信号处理、元胞自动机、图像处理、路径规划、无人机等多种领域的Matlab仿真

论文摘要：普通卡尔曼滤波(KF)可以在线性系统中对目标状态做出最优估计，得到好的滤波效 果。然而实际系统总是非线性的，针对非线性系统，常用的解决办法是对非线性系统进行近似 线性化处理，从而将非线性问题转变成线性问题。文中分析了扩展卡尔曼(EKF)、无迹卡尔曼 (UKF)和容积卡尔曼(CKF)的基本原理和各自的特点，然后将EKF、UKF和CKF进行滤波对 比和分析，最后通过仿真试验证明：与EKF相比，UKF、CKF不仅保证了系统的稳定性，同时提 高了估计精度。但CKF的估计均方误差值相比UKF更小，表现出了更高的精度。

对代码中的卡尔曼滤波器进行修改，使用无迹卡尔曼滤波器，进行室内定位

非常实用的EKF滤波跟踪的MATLAB仿真实现，含有数据及相关代码

背景介绍： Kalman，匈牙利数学家。 卡尔曼滤波器源于他的博士论 文和1960年发表的论文《A New Approach to Linear Filtering and Prediction Problems》（线 性滤波与预测问题的新方法）。 *

卡尔曼滤波算法C语言实现