快速 该存储库包含（LETKF）的实现，用于执行与SPEEDY中等复杂度大气总环流模型的数据同化。 它基本上是Takemasa Miyoshi的的副本，其中进行了一些修改，以降低预测模型的精度。 该存储库是一个标准的观测系统模拟实验（OSSE）。 该模型运行一次以生成“自然运行”，然后从中提取综合观测值。 然后，使用LETKF每6小时对这些观测值进行数据同化。 快速设置 1.产生自然奔跑 转到model/run存储库，然后运行bash run_first.sh旋转自然模型。 然后运行bash run_cycle.sh以运行实际的自然运行。 这将每6小时输出到DATA/nature目录中。 2.产生观察结果 转到obs目录并运行bash obsmake.sh进行观察。 这些将存储在DATA/obs 。 3.同化！ 转到letkf/run目录，然后首先运行bash init.sh 这将生

Python中的卡尔曼滤波器 这是Kalman过滤器如何在Python中工作的基本示例。 我确实计划在将来重构和扩展此存储库。 我一直关注的有关卡尔曼滤波器的系列文章可以在找到。 我正在使用的示例也可以在同一视频中找到。 只需运行： python kalman . py 开始。 应使用传感器和预测值生成图。 真实值（假设未知）为72。

针对运动目标在普通镜头下跟踪视角小,以及在复杂背景下容易丢失的问题,提出了一种基于鱼眼镜头的改进Mean-shift算法。首先通过SIFT算法提取运动目标初始帧,利用卡尔曼滤波算法预测下一帧运动目标位置,进而采用改进的Mean-shift算法进行运动目标的跟踪。实验结果表明利用鱼眼镜头配合本文改进的Mean-shift算法具有良好的跟踪效果,与传统的跟踪方法相比具有大广角、实时性、鲁棒性、准确性等特点。

GP-EnKF 利用集合卡尔曼滤波器估计，在线数据的归纳点实现高斯过程回归。 在线高斯过程回归和学习的集成卡尔曼滤波代码（Fusion 2018）。

matlab中simulink搭建的卡尔曼滤波，可以生成嵌入式c代码。

基于卡尔曼滤波器的雷达跟踪，很不错的，我不多说，自己看吧

matlab实现的人体跟踪，包括文档讲解卡尔曼滤波的人体跟踪。

针对传统的ＲＳＳＩ测距方法精度不高的问题，提出了基于高斯分布的信号过滤技术，得到了具有较高精度的测距模型。以该测距模型为基础，实现了基于ＲＳＳＩ测距的多点定位算法，并通过融合步态检测、卡尔曼滤波等技术，提出了改进的多点定位算法，将平均定位误差由原来的３米减小到１．５米左右。

卡尔曼过滤excel范本demo

在模型未知的情况下, 估计过程的重要变量尤为重要. 鉴于此, 采用不敏卡尔曼滤波(UKF) 与神经网络相结合的方法, 解决一类未知模型非线性系统的状态估计问题. 采用动态神经网络对非线性系统进行建模, 利用UKF 对状态和权值进行同时更新, 从而达到神经网络逼近真实模型, 估计值跟随真实值的目的. 通过两个仿真实例表明了所提出的方法具有良好的估计效果, 并且状态在输出中的比重越大, 其估计精度越高.