输出校正与反馈校正总结 从形式上看，输出校正仅仅校正系统的输出量，而反馈校正则是校正系统内部的状态。可以证明，两种校正方法的性质是一样的，具有同样的精度。 但是，输出校正的滤波器所估计的状态是未经校正的导航参数误差 ，而反馈校正的滤波器所估计的状态误差是经过校正的导航参数误差。前者数值大，后者数值小，而状态方程都是经过一阶近似的线性方程，状态的数值越小，则近似的准确性越高，因此，利用状态反馈校正的系统状态方程，更能接近真实地反映系统误差状态的动态过程。 故：对实际系统来讲，只要状态能够具体实施反馈校正，综合导航系统就可尽量采用反馈校正的滤波方案。

针对于 卫星接受数据的 卡尔曼滤波定位， 主要是 UKF sage自适应滤波的MATLAB程序 里面有定位的误差图 数据包 定位仿真结果 等

基于卡尔曼滤波器的一阶倒立摆滑模控制方法，林乐天，张晓华，为了解决在有较大噪声干扰情况下，一阶倒立摆的常规控制方法无法进行精确的位移定位与角度平衡的问题，采用卡尔曼滤波器与滑模控

卡尔曼滤波学习

基于深度强化学习卡尔曼滤波锂离子电池 SOC 估计.pdf

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。

针对Camshift跟踪算法无法适应目标的高速运动、背景复杂和遮挡的情况，提出了一种改进算法。将Kim算法和卡尔曼滤波状态预测引入，用Kim算法提取运动目标区域信息，根据以往目标位置点的信息对当前帧中目标的可能位置预测，解决了传统Camshift算法的一些局限。实验表明改进算法在目标高速运动、遮挡情况下，仍能进行有效跟踪。

提出了一种新的自适应卡尔曼滤波算法。该算法假设系统过程噪声方差和量测噪声方差之间存在的函数关系已知,两种噪声方差随着时间变化且均未知。先令当前时刻的过程噪声方差等于前一时刻的过程噪声方差,通过变分贝叶斯近似的方法,在卡尔曼滤波框架下迭代求解当前时刻的量测噪声方差和状态估计,再利用假设中的函数关系获得新的过程噪声方差。对上述过程多次迭代,最终获得状态估计及协方差。仿真实验结果表明,该算法具有较高的滤波精度;在假设条件不 确知的情况下仍具有较强的鲁棒性。

卡尔曼滤波器原理实现： X(k|k-1) = AX(k-1|k-1) + BU(k) P(k|k-1) = AP(k-1|k-1)A.T + Q K(k) = P(k|k-1)H.T / (HP(k|k-1)H.T + R) X(k|k) = X(k|k-1) + K(k)[Z(k) - HX(k|k-1)] P(k|k) = [1 - K(k)H]P(k|k-1) 第1步：计算中间量X(k|k-1)、P(k|k-1)。 第2步：计算卡尔曼增益K(k)。 第3步：计算当前时刻的状态最佳估计：X(k|k)、P(k|k)。

这是不敏卡尔曼的示例代码，可运行； 不敏卡尔曼滤波器通过sigma采样点对非线性进行近似，效果优于扩展卡尔曼滤波器，是目前常用滤波器之一