stm32f103+MPU6050_卡尔曼滤波，读取原始数据并计算欧拉角

针对现有的利用非线性滤波算法对神经网络进行训练中存在滤波精度受限和效率不高的缺陷, 提出一种基于容积卡尔曼滤波(CKF) 的神经网络训练算法. 在算法实现过程中, 首先构建神经网络的状态空间模型; 然后将网络连接权值作为系统的状态参量, 并采用三阶Spherical-Radial 准则生成的容积点实现神经网络中节点连接权值的训练. 理论分析和仿真结果验证了所提出算法的可行性和有效性.

无迹卡尔曼滤波与扩展卡尔曼纳滤波的对比，程序可改，主要是针对扩展卡尔曼纳滤波与扩展卡尔曼滤波的预测性能做一个比较，程序可用，并且可以按照自己的函数进行更改

标量卡尔曼滤波器在此代码中实现。 这可以为首次实施者提供一个很好的例子。

惯性导航两位置对准程序，卡尔曼滤波方法，12维向量，matlab程序，理想数据进行仿真，中间转动180度

交互多模(IMM)卡尔曼滤波器机动目标跟踪matlab(非常好).rar

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