文章基于利用卡尔曼滤波对SINS/GPS组合导航系统的解算算法进行误差补偿。在建立误差模型的基础上采用间接式卡尔曼滤波技术对捷联惯导信号以及GPS信号进行算法融合计算，得到组合导航系统的最优估计输出。使得组合导航系统既利用了GPS的长期稳定性与适中精度，来弥补SINS的误差随时间传播或增大的缺点，又利用SINS短期高精度来弥补GPS在受干扰时误差增大或遮挡时丢失信号的缺点。经过仿真实验分析结果表明该组合导航系统可以获得较理想的导航精度，验证了该组合系统的正确性以及在可靠性方面优于子系统，具有很好的应用价值。

一、因果的维纳预测器 图7-6就是维纳预测器的模型，N>0， 是希望得到的输出，而 表示实际的估计值。 图7-6维纳预测器 本节和上节一样着重讨论预测器的系统函数以及预 测的均方误差，维纳预测器和维纳滤波器比较类似， 因而分析方法也都可以借鉴前面的内容。

通过卡尔曼滤波进行有效GP回归 基于两篇论文的存储库，其中包含相对于同类项目的简单实现代码： [1] A.Carron，M.Todescato，R.Carli，L.Schenato，G.Pillonetto，机器学习遇到了Kalman Filtering ，《 2016年第55届决策与控制会议论文集》，第4594-4599页。 [2] M.Todescato，A.Carron，R.Carli，G.Pillonetto，L.Schenato，通过卡尔曼滤波的有效时空高斯回归，ArXiv：1705.01485，已提交JMLR。 PS。 该代码尽管基于上述论文中使用的代码，但与之稍有不同。 它是它的后来的改进和简化版本。 而且，此处仍未提供[2]中介绍的用于实现自适应方法的代码。 文件内容是很容易解释的（有关每个文件的简要介绍，请参考相应的帮助）： main.m：包含主程序 plotResul

一阶卡尔曼滤波python实现——已封装

卡尔曼滤波matlab程序，主要是采用kalman滤波器进行滤波。

6轴加速度传感器LMS6DS3TR_C驱动程序，里面包含两种算法，计算姿态角，利用四轴上位机工具协议可发送数据显示状态。

包括传感器校准、电子落班方位角计算、卡尔曼滤波

针对嵌入式大气数据系统高空飞行精度低、跨大气层易失效等问题,提出一种融合惯导与飞控系统信息的 飞行大气全参数估计算法.基于飞行器气动模型及动力学方程,建立惯导信息与大气参数之间的函数 关系,进而利用扩展卡尔曼滤波实现大气参数的实时精确估计.仿真结果表明,该方法具有较高的 精度、良好的稳定性和鲁棒性,而且可以提高大气数据系统的测量范围和可靠性,能够适用于全 飞行包线下攻角、侧滑角、真空速的测量.

使用集成卡尔曼滤波器学习神经网络权重 该存储库包含用于使用Ensemble Kalman滤波器学习神经网络权重的代码。 有三个主要实验： 与反向传播的比较： generate_comparison.py 精度阈值的影响： varying_r.py 从ENKF到反向传播的转换： varying_pretrain.py 每个文件都接受一组命令行参数，这些参数确定数据集，模型体系结构和ENKF超参数。 例如： python generate_comparison.py --dataset=boston_housing --model=fcn --r=0.01 --initial_noise=0.03 --batch_size=16 --timesteps=25 --num_epochs=5 --num_particles=50 从命令行运行此命令，将使用指定的学习超参数，将波士顿房屋

由 Ian T. Nabney 编写的流行机器学习库“NetLab”的附加组件。 库为 NetLab 实现卡尔曼滤波器训练算法。