GPS接受机中的卡尔曼滤波MATLAB代码

基于盲检测器的新典范表示形式，提出了一种多径信道下CDMA系统的盲多用户检测器。该检测器使用了一种改进的自适应卡尔曼滤波算法，它在进行状态滤波的同时，在线估计时变的未知噪声统计特性，提高了算法的滤波精度，确保了算法收敛于期望用户。仿真表明，对比原有的随机梯度（LMS）算法，该算法的收敛、跟踪性能更好，且误码率减小了18.7%。

弱GNSS信号跟踪技术是卫星导航接收机关键技术之一,跟踪技术的好坏将直接影响卫星导航接收机在弱信号条件下的跟踪性能;在动态环境和先验信息不充分的情况下,由于扩展卡尔曼滤波(EKF)的固定设计使其不能满足要求,针对此不足引入一种自适应扩展卡尔曼滤波(AEKF)的信号跟踪算法;该自适应滤波算法能够实时监测残差或滤波器新息的动态变化,来修正观测噪声方差和状态噪声方差,以此调整滤波器增益,观测值和控制预测值在滤波结果中的权重;理论分析和结果表明,该算法能够充分利用观测信号的统计特性,克服了传统EKF算法不足,获得更好的跟踪性能。

个人笔记、小车示例、An Introduction to the Kalman Filter英文文章2004那个；有问题联系

三、按最优状态估计线性化的卡尔曼滤波方程 ——广义（推广/扩展卡尔曼滤波方程） 问题、缺点 （1）标称解难解 （2）真轨迹与标称轨迹之间的状态差△X(t)或△Xk不能确保其足够小 或 值得注意的是 或 和 或 与前述的 不同 1、概述 为此，改用另一种近似方法，即采用围绕最优化状态估计 或 的线性化方法，现定义真轨迹与标称轨迹间的偏差为：

贝叶斯滤波到卡尔曼滤波及其拓展.pdf

在单目标基础上，引入最大权值匹配，完成多目标跟踪

完整代码，可直接运行

针对目前电力系统状态估计主要采用的扩展卡尔曼滤波(EKF)存在鲁棒性差，精确度被非线性程度制约大等缺点，提出一种电力系统的计算线性方法――求积分卡尔曼滤波(QKF)进行电力系统的状态估计，该算法从统计线性回归的角度，运用高斯-厄米特积分点，使得估计精确度大幅提高，并且引入精确度高，全网实时同步的同步相量测量单元(PMU)数据，成熟性好，技术成熟的SCADA数据进行混合量测。仿真结果表明，QKF法比EKF法具有更高的计算精确度，PMU数据的引入又进一步提高了电力系统状态估计的性能。基于混合量测的QKF法状态

数据融合matlab代码传感器融合模块，为LIDAR / RADAR输入处理实现了扩展的卡尔曼滤波器 卡尔曼滤波器体系结构。 外部装有LIDAR和RADAR等传感器的汽车可以检测到在其范围内移动的物体：例如，传感器可能检测到行人，甚至是自行车。 这是通过计算扩展的卡尔曼滤波器来实现的，该滤波器同时组合了从激光雷达和雷达获得的数据，以测量移动物体的速度和相对于汽车的相对位置。 对于多样性，让我们使用自行车示例逐步了解Kalman滤波算法（上图所示的体系结构），以了解此计算的实际工作原理： 首次测量-过滤器将接收自行车相对于汽车位置的初始测量值。 这些测量将来自雷达或激光雷达传感器。 初始化状态和协方差矩阵-过滤器将基于第一次测量来初始化自行车的位置。 那么汽车将在时间段Δt之后收到另一个传感器测量值。 预测-算法将在时间Δt之后预测自行车的位置。 在Δt之后预测自行车位置的一种基本方法是假设自行车的速度是恒定的。 因此，自行车将具有运动速度Δt 。 在扩展的卡尔曼滤波课中，我们将假设速度是恒定的。 更新-过滤器将“预测的”位置与传感器测量值进行比较。 将预测的位置和测量的位置合并以给出更