粒子滤波及其改进算法的应用。有数据和算法，可以直接在命令框中运行，很有参考价值。

该程序适合卡尔曼滤波的初学者，仿真了匀速运动状态下，卡尔曼稳定跟踪物体轨迹的代码，理论与实践相结合，有助于对卡尔曼理论的理解

matlab过滤源码dcm-imu DCM-IMU算法专为融合低成本三轴MEMS陀螺仪和加速度计而设计。 扩展的卡尔曼滤波器用于估计方向余弦矩阵（DCM）形成和陀螺仪偏置在线的姿态。 可变测量协方差方法用于加速度测量，以确保针对瞬态非重力加速度的鲁棒性，而瞬态非重力加速度通常会在常规IMU算法中引起姿态估计的误差。 如果您在任何科学背景下使用该算法，请引用：Heikki Hyyti和Arto Visala，“低成本MEMS IMU的基于DCM的姿态估计算法”，国际导航与观察杂志，第1卷。 2015，物品ID 503814，18页，2015。 如果要使用Sebastian Madgwick的比较算法，请从中下载它们并在c / MahonyAHRS /（MahonyAHRS.cpp和MahonyAHRS.h）和c / MadgwickAHRS /（MadgwickAHRS.cpp和MadgwickAHRS.h）文件夹下复制c实现。 为了使Matlab正确地编译它们，必须将c文件重命名为cpp文件。 此外，DCM_IMU c代码包括Eigen3矩阵库和Matlab标头。 请在编译之前安装Ei

! 编译by 巢飞 2015.12.1 西安交大 !给定压力P(Pa)与温度T(K)，计算物性，程序自己判断所属区域： ! call h2o(P,T,prop) !若想得到给定压力P(Pa)或温度T(K)下的饱和态物性，则可如下调用： !a.给定压力call PsatW(P,T)或给定温度call TsatW(P,T) !b.饱和液态call h2o(P,0.9999999*T,prop(12))或饱和汽态call h2o(P,1.0000001*T,prop(12))

稳定性和安全性作为汽车设计和规划的两大要素，与车辆的状态参数估算密切相关，其中最直接的就是关于如何精确估算行驶过程中的路面附着系数。在Kalman滤波算法基础之上，本文针对汽车的强非线性特性运用无迹卡尔曼（UKF）滤波算法在Matlab中搭建状态观测器、三自由度车辆模型、Duglff轮胎归一化模型对路面附着系数进行估计，将整体模型与Carsim进行整体测试和对比。结果证明，通过运用UKF算法建立的状态观测器能满足对附着系数估计值的准确性要求。

包括三个文件：（1）通用的卡尔曼滤波工具箱，具体安装方法有说明；（2）一本关于卡尔曼滤波的书籍（3）相关的卡尔曼滤波程序代码。希望可以帮助到大家！

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)。

该程序为matlab中扩展卡尔曼滤波的仿真，对于目标跟踪，滤波器研究有一定的帮助

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。

此 zip 文件包含扩展卡尔曼滤波 (EKF) 和全球定位系统 (GPS) 的原理和算法的简要说明。 它旨在提供一个相对易于实现的 EKF。 它还简要介绍了 GPS 的卡尔曼滤波算法。 在 EKF 的示例中，我们提供了使用 EKF 和最小二乘法进行 GPS 定位的原始数据和解决方案。 有关更多详细信息，请参阅 readme.txt。