提出并建立了一种锂离子电池二阶电路等效动态模型，在对模型的适应性验证的基础上，设计了一种卡尔曼滤波算法来估算锂离子电池荷电状态。仿真和实验结果表明，卡尔曼滤波算法能有效减少测量噪声以及同一生产工艺下电池的参数不稳定性所带来的影响，并显示了很高的精确度，其中快速估算的精确度为96.1%，缓慢估算的精确度为99.0%。

基于卡尔曼滤波数据融合算法的智能钓鱼竿系统.pdf

C#版医院管理系统，它可以完成字典查询（药品信息、收费项目管理）、门诊管理（挂号、划价、收费、发药）、院长查询（科室挂号量、药品库存量）等功能。

针对单一定位系统无法得到连续、稳定可靠的导航信息的问题,将全球卫星导航系统(GNSS)与捷联惯性导航系统(SINS)进行组合,并利用扩展卡尔曼滤波(EKF)算法对这两种导航系统的定位信息进行融合,以获得更加稳定、精确的定位结果。将GNSS与SINS组合,可以弥补GNSS卫星信号失锁、数据更新频率低、无法获得姿态信息以及SINS定位误差累积等单导航系统定位的不足。通过车载实验采集定位数据,并分别进行SINS单独导航及GNSS/SINS组合导航解算,由实验结果可以看出,与SINS单独导航相比,GNSS/SINS组合导航系统的定位误差能快速收敛,并保持较高的精度,其中位置误差精度达到厘米级,速度的最大误差大约在0.1m·s-1以内,姿态的最大误差大约在0.2°以内。

北京工业大学研究生课程随机数字信号处理实验报告

对任意个目标进行卡尔曼跟踪

无线传感器网络分布式量化卡尔曼滤波_陈军勇

一种自适应变分贝叶斯容积卡尔曼滤波方法

编写卡尔曼滤波的MATLAB程序，实现对加速度计和陀螺仪信号的信息融合，实现对陀螺仪的零偏进行实时估计和补偿。

数据融合matlab代码扩展卡尔曼滤波器项目 在这个项目中，我用C ++实现了一种算法来跟踪和预测自行车的位置和速度。 我提供了模拟的激光雷达和雷达测量数据，可检测到一辆在我的车辆周围行驶的自行车。 这种扩展的卡尔曼滤波器（EKF）算法提供了融合来自激光雷达和雷达传感器的测量结果以预测自行车的位置和速度的能力。 模拟器（）和EKF之间的通信是通过EKF端的实现来完成的。 激光雷达测量是红色圆圈，雷达测量是蓝色圆圈，箭头指向观察角度的方向，估计标记是绿色三角形。 为了评估我的EKF模型的性能，我使用了均方根误差（RMSE）来累加我的估计和实地真理之间的残差。 我在数据集1上的最终RMSE为[0.0973，0.0855，0.4513，0.4399]，在数据集2上的最终RMSE为[0.0726，0.0965，0.4216，0.4932]。 扩展卡尔曼滤波器概述：初始化，预测，更新 该项目涉及对扩展卡尔曼滤波器（EKF）算法进行编程的三个主要步骤： 初始化扩展卡尔曼滤波器变量 在距前一个时间戳的时间步长Δt之后预测自行车的位置 根据传入的新传感器测量值更新自行车现在所在的位置 然后，预测和更新