弱GNSS信号跟踪技术是卫星导航接收机关键技术之一,跟踪技术的好坏将直接影响卫星导航接收机在弱信号条件下的跟踪性能;在动态环境和先验信息不充分的情况下,由于扩展卡尔曼滤波(EKF)的固定设计使其不能满足要求,针对此不足引入一种自适应扩展卡尔曼滤波(AEKF)的信号跟踪算法;该自适应滤波算法能够实时监测残差或滤波器新息的动态变化,来修正观测噪声方差和状态噪声方差,以此调整滤波器增益,观测值和控制预测值在滤波结果中的权重;理论分析和结果表明,该算法能够充分利用观测信号的统计特性,克服了传统EKF算法不足,获得更好的跟踪性能。

数据融合matlab代码直流电 用于传感器融合的扩展卡尔曼滤波器 结果 RMSE 像素 0.0868631 py 0.0791862 vx 0.616482 vy 0.602462 超越 cmake> = 3.5 所有操作系统： 使> = 4.1 Linux：大多数Linux发行版默认都安装了make 苹果电脑： 视窗： gcc / g ++> = 5.4 Linux：大多数Linux发行版默认安装了gcc / g ++ Mac：与make一样的交易-[安装Xcode命令行工具]（（） Windows：建议使用 卡尔曼滤波器教程 这是有关EKF和UKF（）的精彩视频 基本制作说明 克隆此仓库。 创建一个构建目录： mkdir build && cd build 编译： cmake .. && make 运行它： ./carn_term2 path/to/input.txt path/to/output.txt 。 您可以在“数据/”中找到一些示例输入。 例如。 ./carn_term2 ../data/sample-laser-radar-measurement-data-1.txt

TDOA_AOA定位的扩展卡尔曼滤波定位算法.rar

概述 这是一种推导并实现用于卡尔AHRS系统的扩展卡尔曼滤波器的工作。 在Jupyter笔记本中介绍了卡尔曼滤波器方程的推导。 卡尔曼过滤器在python / numpy和c ++中均已实现。 一种。 可以使用flightgear.py使用flightgear.py输出测试KF。 该脚本可以使用numpy或c ++实现来运行KF。 参考 要求 pyEfis _ FIX-Gateway _ 测试数据集 从手机收集的数据集用于开发/测试。 该数据包括加速度，陀螺仪，磁力计和GPS数据。 速度和海拔高度是根据GPS数据得出的。 知道问题/待办事项 防滑 转数 空速（从GPS导出）在测试数据集中非常跳跃。 用baro和pito

初始状态向量是使用高斯和双 R 迭代方法从三个光学瞄准计算的，然后应用最小二乘法和扩展卡尔曼滤波器对其进行优化。

完整代码，可直接运行

hslogic算法仿真——扩展卡尔曼滤波

为了评估所提出的基于三基站观测距离EKF融合滤波算法和传统的三基站观测距离LS定位算法的性能，假设系统的过程噪声和观测噪声都是服从均值为零，方差分别为10-8m和10-2m且彼此独立分布的高斯白噪声。已知三个参考基站的位置分别位于为(0，0)、(10，0)和(10，10)处，做匀加速直线运动的目标在初始时刻的状态向量 ，初始状态协方差矩阵 为6×6的单位矩阵。EKF融合滤波算法和LS定位算法的定位性能仿真结果如图1所示，图2展示了EKF融合滤波算法和LS定位算法的定位误差，图3展示了EKF融合滤波算法和LS定位算法的定位误差累积分布函数CDF。

扩展卡尔曼滤波(EKF)仿真中实现对雷达目标的跟踪matlab.zip

介绍了西工大严龚敏老师的EKF仿真实例。主要是涉及到一个例子，小球平抛，通过建立状态方程和量测方程，求解相应的雅各比矩阵，从而推导出扩展卡尔曼滤波的过程，希望能对学习EKF的同学有所帮助