STM单片机MPU6500读取与卡尔曼滤波，可用于机甲大师

内附飞行数据，实现对扩展卡尔曼的仿真，对飞行轨迹使用扩展卡尔曼滤波，比较扩展卡尔曼滤波的优缺点。

对高速运动目标采用基于kalman filter进行预测。基于matlab的实现，来进行运动目标的轨迹预测。有卡尔曼算法，扩展卡尔曼滤波，数据拟合方法。

内附飞行数据，实现对扩展卡尔曼的仿真，对飞行轨迹使用扩展卡尔曼滤波，比较扩展卡尔曼滤波的优缺点。

BMS SOC 扩展卡尔曼滤波源码 EKF源码

它是使用置信传播的分层（又名多尺度）卡尔曼滤波器的实现。 模型参数通过期望最大化（EM）算法估计。 在这个实现中，我们考虑了两个不同频率的时间序列。 高频和低频信号之间的消息被组合以改进估计和预测。

ar模型matlab代码纸2 该存储库包含使用以下时间序列预测的MATLAB代码：（i）ARIMA模型的MMSE预测（ii）卡尔曼滤波方法（iii）人工神经网络。 上面技术的小波版本的代码也显示在这里。 由于中心思想相同，因此降雨数据和地球物理钻Kong数据的代码遵循相似的步骤。 以下是所有MATLAB文件的描述： ar_kalman_algo_2008.m：用于时间序列预测的卡尔曼滤波方法。 tec_algo2008_ann.m：用于时间序列预测的前馈神经网络。 tec_algo_mmse.m：使用ARIMA模型的MMSE预测。 wann_algo2008.m：基于小波的前馈神经网络，用于时间序列预测。 wkalmanl3.m：用于时间序列预测的基于小波的卡尔曼滤波方法。 wmmsel6_algo2008.m：使用ARIMA模型的基于小波的MMSE预测。

Handbook of multisensor data fusion : theory and practice / editors, Martin E. Liggins, David L. Hall, James Llinas. -- 2nd ed. p. cm. -- (Electrical engineering and applied signal processing series ; no. 22) Includes bibliographical references and index. ISBN 978-1-4200-5308-1 (hbk. : alk. paper) 1. Multisensor data fusion--Handbooks, manuals, etc. I. Hall, David L. (David Lee), 1946- II. Liggins, Martin E. III. Hall, David L. IV. Llinas, James. V. Title. VI. Series.

九轴说的是三轴的加速度计、三轴的陀螺仪以及三轴的磁场传感器。但是只是单纯的测出九个轴的数据没什么用，关键是要能够融合这九轴数据得出我们想要的结果。这里就运用三阶卡尔曼滤波算法来融合这九轴运动数据为三轴的角度。运用这三个角度可以用来做自平衡车. 一、卡尔曼算法理解 其实如果不去考虑kalman算法是怎么来的，我们只需要知道有下面几个式子就可以了，具体意思可以看上面的wikipedia链接 二卡尔曼滤波算法的实现 这里的算法是运行在avr单片机上的，所以采用的是c语言写的。下面的代码是要放到avr的定时器中断测试刷新的。用示波器测试了一下,这个算法在16M晶振下的运行时间需要0.35ms,而数据采集需要3ms左右,所以选定定时器时间为8ms.这边是三阶的，主要是矩阵运算.

为了消弱由测量噪声的变化对导航估计的影响，本文提出了一种自适应滤波法。该算法利用阈值自动选择开窗窗口的长度调节自适应因子，以此调整扩展卡尔曼滤波法（EKF）与无迹卡尔曼滤波法（UKF）中的滤波增益，进而合理利用测量信息，由此分别形成AEKF与AUKF算法。将两种方法分别应用于全球导航系统（GPS）和航位推算（DR）紧组合导航系统中，仿真结果证明了与UKF相比，可以有效地避免滤波发散。