本书较为全面的介绍了最优状态估计的方法，适合作为最优状态估计相关领域工程技术人员参考著作，也可作为相关课程的高年级本科生或研究生教材

该包实现了双扩展卡尔曼滤波器功能，用于时变 MVAR 参数估计的应用。 它还包括一个示例脚本，该脚本显示了该函数在具有时变参数的模拟 MVAR 模型上的使用。 要查看 DEKF 在 EEG 信号处理中的应用，请参阅我们的研究： A. Omidvarnia、M. Mesbah、MS Khlif 等人，“新生儿脑电图的基于卡尔曼滤波器的时变皮质连通性分析”，Int。 会议。 IEEE 医学和生物学工程学会 (EMBC2011)，美国波士顿，2011 年，第 1423-1426 页

几种最优估计与卡尔曼滤波基本方程 卡尔曼滤波的技术处理 卡尔曼滤波的稳定性介绍 滤波系统的校正 卡尔曼滤波在组合导航中的应用

通过学习 GPS/INS 组合导航数据处理的滤波理论方法， 研究 Kalman 滤波 及其变化形式 CKF 等滤波性能，并进行分析比较。

基于MATLAB实现卡尔曼滤波器的设计.pdf

STM32F103VModel卡尔曼滤波函数

扩展卡尔曼滤波MATLAB代码 % UKF Unscented Kalman Filter for nonlinear dynamic systems % [x, P] = ukf(f,x,P,h,z,Q,R) returns state estimate, x and state covariance, P

包含AR模型的建模以及用Kalman滤波算法和LMS算法求解模型参数的MATLAB仿真代码，里面附有详细的注释，适合初学者参考

卡尔曼滤波(Kalman filtering)是一种利用线性系统状态方程，通过系统输入输出观测数据，对系统状态进行最优估计的算法。由于观测数据中包括系统中的噪声和干扰的影响，所以最优估计也可看作是滤波过程。 数据滤波是去除噪声还原真实数据的一种数据处理技术，Kalman滤波在测量方差已知的情况下能够从一系列存在测量噪声的数据中，估计动态系统的状态。由于它便于计算机编程实现，并能够对现场采集的数据进行实时的更新和处理，Kalman滤波是目前应用最为广泛的滤波方法，在通信，导航，制导与控制等多领域得到了较好的应用。

使用 Singer 模型进行卡尔曼滤波器模拟。 它显示估计和预测的错误和结果。