利用加速度信号测量位移是油田抽油井光杆位移测量的主要方法，而加速度信号的随机噪声和趋势项是影响测量精度的主要因素，本文提出了一种基于学习的实时消噪和剔除趋势项方法。学习时先获取一段时间的加速度信号，再通过时间序列分析技术得出ARIMA模型及其参数，最后基于FFT变换的Rife-Jane频率估计方法求出加速度信号的周期；在线实时消噪和剔除趋势项方法是基于学习阶段所得模型参数，运用卡尔曼滤波技术消除加速度信号随机噪声；按周期两次积分得到光杆位移，用加窗递推最小二乘法在线消除趋势项。通过抽油机半实物仿真平台测试和分析加速度信号，结果表明，该方法有效地去除了加速度信号中的噪声和趋势项，极大地提高了位移的测量精度。

受定位分站和定位卡时钟同步误差、时钟计时误差、多径效应、非视距传播(NLOS)时延误差和电磁骚扰等影响,现有煤矿井下人员定位方法定位误差大,难以满足煤矿事故应急救援、运输和机电事故防治等需求。为提高定位精度,实现煤矿井下人员二维精确定位,提出了基于卡尔曼滤波的矿井人员二维精确定位方法:以定位分站测量到的定位卡到定位分站之间的距离作为卡尔曼滤波中的测量结果,根据建立的矿工在井下移动的数学模型推算出矿工的位置,并作为卡尔曼滤波中的预测结果,通过对测量结果和预测结果进行合理加权,根据上一步卡尔曼滤波后的最佳估计值得出当前时刻的最佳估计值,实现煤矿井下人员二维精确定位。

matlab建立汽车模型代码无味卡尔曼滤波器 写上去 优达学城课程，2017 年 10 月 自动驾驶汽车工程师纳米学位课程 “无味卡尔曼滤波器”项目，2018 年 3 月 克劳斯·H·拉斯穆森 使用 CTRV 运动模型在 C++ 中实现无迹卡尔曼滤波器。 两个自行车模拟数据集，数据集 1 和数据集 2（Ascii 文本文件），与 Term 2 Simulator 一起使用。 与扩展卡尔曼滤波器 (EKF) 一样，无迹卡尔曼滤波器 (UKF) 具有相同的三个步骤： 初始化 预言 更新 这些步骤编码在 ukf.cpp 文件中。 本项目使用了以下初始化参数： 初始状态协方差矩阵P_ = 1, 0, 0, 0, 0, 0, 1, 0, 0, 0, 0, 0, 1, 0, 0, 0, 0, 0, 1, 0, 0, 0, 0, 0, 1 过程噪声标准偏差纵向加速度，单位为 m/s^2 std_a_ = 5 过程噪声标准偏差偏航加速度 rad/s^2 std_yawdd_ = 0.4 通过将预测的 UKF 值与测试数据集提供的 Ground True 值进行比较，计算位置 X & Y 和速度 VX

雷达信号处理，应用matlab实现卡尔曼滤波

自适应鲁棒性卡尔曼滤波算法在卫星姿态估计中的应用

基于卡尔曼滤波器的永磁同步电机电感磁链参数辨识仿真

KalmanFilter,KalmanFilter3,KalmanFilter5 一共7种,以上三种实现保证可用,其余待调试,调试函数写好,直接运行即可 KalmanFilter KalmanFilter2 KalmanFilter3 KalmanFilter4 KalmanFilter5 KalmanFilter6 KalmanFilter7

最经典的一款滤波方式，适用于闭环系统，且多用于航空系统的帮助矫正姿态的一款算法

【预测模型】卡尔曼滤波运动轨迹预测【含Matlab源码 590期】.zip

卡尔曼滤波器的PID控制：kalman的PID控制教程（MATLAB优化算法案例分析与应用PPT课件）.ppt