卡尔曼卢阿 卡尔曼滤波器类 (lua) 这是一个简单的卡尔曼滤波器，可以使用噪声值 (R) 进行实例化。

基于扩展卡尔曼滤波和加权非线性最小二乘的二维同时定位与映射仿真 蓝色圆圈是机器人的真实姿势，红色圆圈是机器人的估计姿势 两个蓝星是特征的实际位置，两个红星是特征的估计位置 介绍 在Matlab中模拟具有两个要素和一个绕要素1旋转的机器人的2D地图。 （机器人可以观察到两个特征相对于自身的角度和距离）。 使用观察数据和控制数据分别基于扩展卡尔曼滤波器（EKF）和加权非线性最小二乘法（WNLS）来估计机器人的姿态和两个特征的位置（即通过EKF和WNLP解决简单的2D SLAM ）。 （SLAM）：是在构建或更新未知环境的地图同时跟踪代理在其中的位置的计算问题。 先决条件 所有代码仅在 视窗10 1809 Matlab R2018b 不能保证这些代码在其他版本中具有良好的兼容性。 用法 双击F00_Main_EKF.m以运行基于EKF的2D SLAM仿真。 双击F00_Main_NL

这个包实现了一系列鲁棒卡尔曼滤波器。 每个鲁棒卡尔曼滤波器都是通过固定参数 tau（0 和 1 之间的实际值）来选择的。 滤波器的鲁棒性由容差 c 调整。 鲁棒鲁棒卡尔曼的设计知道真实模型属于一个关于名义上的球。 那个球里的模型是这样的它们与名义模型之间的 Tau 散度小于宽容 C. 该软件包还包含一个演示其实际应用的示例。 参考： M.佐尔齐。 “模型扰动下的鲁棒卡尔曼滤波”。 提交。 M.佐尔齐。 “关于模型不确定性下贝叶斯和维纳估计量的鲁棒性”。

卡尔曼滤波器源文件，可以作为MATLAB的工具包使用

单独的方位估计，在低信噪比下，会出现偏差。为了准确估计，提出了基于随机共振的微弱信号方位估计方法。。首先经随机共振后得到信噪比提高的信号，然后再由方位估计算法来估计出目标方位。利用方位估计中的CBF、MVDR、MUSIC算法，结合常用的微弱正弦信号和BPSK信号进行了仿真研究。结果表明：把随机共振应用到微弱信号方位估计符合理论分析，提高了目标方位估计的准确性。

针对未知探测概率下多目标跟踪问题, 提出一种基于时变滤波算法的多目标概率假设密度(PHD) 滤波器. 算法推导了未知探测概率PHD递推式, 提出了将未知探测概率转化为目标的丢失与接收事件, 并依此建立了目标跟 踪的马尔科夫模型, 给出了该模型下时变卡尔曼滤波最优解, 进而在高斯混和PHD(GMPHD) 框架下推导了算法闭集解. 仿真实验表明, 所提出算法在未知且随时间变化的探测概率情形下, 仍能实时地跟踪各目标, 具有良好的工程应用前景.

贝壳课程资源，高校的课程精华，精心收集的内容，历来都是高分的，欢迎各位有兴趣可以下载参考，如有侵权请联系，谢谢

基于扩展卡尔曼滤波的运动物体跟踪，耿沛，苏小龙，卡尔曼滤波是一种线性最优估计方法，但是实际有很多非高斯分布模型需要观测。本文研究的扩展卡尔曼滤波就很好的解决这一问题，大

前段时间给帮助同学做了个毕业设计，基于matlab的扩展卡尔曼滤波，上传上来供大家学习参考，直接打开就可以正常运行。

学习卡尔曼非常好的一篇文章，深入浅出的介绍了卡尔曼的概况和应用。非常值得一读。