利用野火开发板STM32F103VET6 +超声波HC-SR04 完成倒车雷达功能，距离越近蜂鸣器频率越高，距离值通过中值滤波算法，以及卡尔曼滤波算法，算法系数可调，也可用在ADC数据采集滤波上，或者其他原始数据采集上

2、新息过程 考虑一步预测问题，给定观测值y(1), ...，y(n-1)，求观测向量y(n)的最小二乘估计，记作 （1）、新息过程的性质 y(n)的新息过程定义为： 式中，N 1向量 表示观测数据y(n)的新的信息，简称新息。

涵盖二维目标跟踪的基本模型（包括CV，CA，CT），使用卡尔曼滤波实现信息融合，对目标跟踪和卡尔曼的初学者有很大帮助

为了进一步提高非线性卡尔曼滤波算法的估计精度，提出一种高阶球面单形—径向容积求积分卡尔曼滤波（HDSSRCQKF，high-degree spherica1 simp1ex-radia1 cubature quadrature Ka1man fi1ter）算法。将非线性函数的高斯加权积分分解为球面积分和径向积分，采用基于正则单形变换群的七阶球面单形准则计算球面积分，使用高阶高斯—拉盖尔求积分准则计算径向积分，推导出高阶球面单形—径向容积求积分准则。从该准则中提取出容积点及其相应权值的一般计算方法，并利用该计算方法给出非线性卡尔曼滤波框架下高阶球面单形—径向容积求积分卡尔曼滤波的具体计算步骤。数值仿真实验结果表明，所提算法具有比高阶容积卡尔曼滤波更高的估计精度，在信道估计与均衡、语音增强和混沌通信等领域具有一定的应用价值。

完整的扩展卡尔曼MATLAB源程序，非常适合初学卡尔曼的学生使用！

关于CKF在MATLAB中的详细公式推导过程，通俗易懂!!

提出了一种鲁棒化的基于变分贝叶斯的自适应卡尔曼滤波算法.该算法采用具有重尾特性的学生分布取代高斯分布来描述量测模型，减弱系统对于野值的敏感性；再利用变分贝叶斯方法对修正后的模型的时变参数进行逼近推断，在递推地估计状态的同时还能对变化的噪声方差进行跟踪，并更新引入的自由度参数，从而在自适应滤波的同时增强了鲁棒性.仿真实验证明了在野值存在且噪声变化的观测下该算法的自适应与鲁棒性.

what is kalman filter? 卡尔曼滤波的一个典型实例是从一组有限的，包含噪声的，对物体位置的观察序列（可能有偏差）预测出物体的位置的坐标及速度。在很多工程应用(如雷达、计算机视觉)中都可以找到它的身影。同时，卡尔曼滤波也是控制理论以及控制系统工程中的一个重要课题。 what is kalman filter? 例如,对于雷达来说，人们感兴趣的是其能够跟踪目标。但目标的位置、速度、加速度的测量值往往在任何时候都有噪声。卡尔曼滤波利用目标的动态信息，设法去掉噪声的影响，得到一个关于目标位置的好的估计。这个估计可以是对当前目标位置的估计(滤波)，也可以是对于将来位置的估计(预测)，也可以是对过去位置的估计(插值或平滑)。

卡尔曼滤波算法(含详细推导).ppt 考虑一离散时间的动态系统，它由描述状态向量的过程方程和描述观测向量的观测方程共同表示。 （1）、过程方程 式中，M 1向量x(n)表示系统在离散时间n的状态向量，它是不可观测的；M M矩阵F（n+1,n）成为状态转移矩阵，描述动态系统在时间n的状态到n+1的状态之间的转移，应为已知。而M 1向量 为过程噪声向量，它描述状态转移中间的加性噪声或误差。

基于最小二乘法三阶模型辨识，基于三阶RC的卡尔曼滤波SOC估算模型