基于EKF的IMU数据融合算法 ，包含一些example，亲测可运行

基于EKF的雷达与红外数据融合，通过状态向量融合与量测融合两种方法对多目标进行跟踪-EKF-based data fusion and infrared radar, through state vector fusion and measurement fusion of two methods for multi-target tracking

Performance comparison of Kalman filter

针对大多数情况下，对目标机动的先验知识了解很少，且目标在机动过程中受人为作用力的影响，很难用数学公式准确描述，只能在各种假设条件下用近似方法描述该问题，因此假设了一种机动目标模型：初始匀速直线阶段、匀速圆周运动阶段、返回匀速直线阶段，在此过程中线速度大小v保持不变。利用扩展卡尔曼（extended kalman filter, EKF）滤波算法进行定位跟踪，仿真结果表明，该假设模型既符合机动实际，又便于数学处理，并且滤波算法过程稳定，具有较快的收敛速度和较高的定位精度，提高了机动目标跟踪的精度和系统的实时

该论文是MSCKF2.0的作者所写，提出如何对MSCKF进行改进，并改进了MSCKF算法的一致性，并提出了IMU误差的闭环形式的模型。

论文摘要：普通卡尔曼滤波(KF)可以在线性系统中对目标状态做出最优估计，得到好的滤波效 果。然而实际系统总是非线性的，针对非线性系统，常用的解决办法是对非线性系统进行近似 线性化处理，从而将非线性问题转变成线性问题。文中分析了扩展卡尔曼(EKF)、无迹卡尔曼 (UKF)和容积卡尔曼(CKF)的基本原理和各自的特点，然后将EKF、UKF和CKF进行滤波对 比和分析，最后通过仿真试验证明：与EKF相比，UKF、CKF不仅保证了系统的稳定性，同时提 高了估计精度。但CKF的估计均方误差值相比UKF更小，表现出了更高的精度。

非常实用的EKF滤波跟踪的MATLAB仿真实现，含有数据及相关代码

2D跟踪EKF 这是使用扩展卡尔曼滤波器的2D跟踪的简单matlab实现

这是基于EKF算法的SOC估算的模型，方便初学者学习该算法

离线递推最小二乘法(带遗忘因子)，电池参数辨识matlab代码。 遗传因子取值是１所以本质上是递推最小二乘法，一般你取０.９５-１这个范围内就是带遗传因子的最小二乘法。最后强调一下，本代码的框架是在别人的基础上改进的带遗传因子的递推最小二乘法。