该程序介绍了一种用于多传感器的平方根容积卡尔曼滤波（SRCKF）算法。结合一个实例和matlab程序对算法的具体实现过程进行了讲解。从仿真图中可以看出，滤波误差不断减小，说明滤波收敛。并且单个滤波的误差小于观测数据误差，证明滤波算法有效。同时融合后的滤波误差小于单个滤波器的误差，证明融合算法有效。仿真结果表明，所提融合滤波算法能够实现有效滤波跟踪。

针对现有的利用非线性滤波算法对神经网络进行训练中存在滤波精度受限和效率不高的缺陷, 提出一种基于容积卡尔曼滤波(CKF) 的神经网络训练算法. 在算法实现过程中, 首先构建神经网络的状态空间模型; 然后将网络连接权值作为系统的状态参量, 并采用三阶Spherical-Radial 准则生成的容积点实现神经网络中节点连接权值的训练. 理论分析和仿真结果验证了所提出算法的可行性和有效性.

根据 NovAtel OEM6 接收机接收的星历参数，计算在轨卫星位置；联 合实测的卫星伪距数据，用 C 语言建立解算模型，分别用最小二乘法以及卡尔曼 滤波求解用户位置。结果表明，这两种方法算出的定位精度不高。为了提高精度， 本文将容积卡尔曼滤波算法引入用户位置求解流程。结果证明，用 C 语言建立的 容积卡尔曼滤波解算模型，能够提供比最小二乘法和卡尔曼滤波更高的定位精度。

针对标准的容积卡尔曼滤波器(CKF) 设计需要精确已知噪声先验统计知识的问题, 提出一种自适应CKF 算法. 该算法在滤波过程中, 利用Sage-Husa 极大后验估值器对噪声的统计特性进行在线估计和修正, 有效地提高了CKF 的估计精度和数值稳定性. 在某些情况下, 噪声协方差估计会出现异常现象使得滤波发散, 进而提出了相应的改进方法. 仿真结果表明了自适应CKF 算法的可行性和有效性, 且明显改善了标准CKF 算法的滤波效果.

迭代容积卡尔曼滤波算法及其应用.pdf

容积卡尔曼滤波CKF实现二维目标跟踪 本人长期在CSDN，有技术问题可以联系博主，必回 算法：容积卡尔曼滤波CKF，可以参见《目标跟踪前沿理论与应用》 仿真场景：CV模型,二维目标， 传感器类型：主动雷达 MATLAB仿真仿真实现; 蒙特卡洛仿真实验， 仿真结果：二维跟踪轨迹，各维度跟踪轨迹，估计均方误差RMSE，位置RMSE,速度RMSE（结果图压缩文件都有）。 仿真参数设置：见下面链接的里面又给 仿真结果可以先看下面链接博客，代码肯定能运行且有结果，可开发性强， 如果有问题可联系WX:ZB823618313 对应的仿真模型及参数设置见容积卡尔曼滤波 对应的理论分析和参数设置，见博文《容积卡尔曼滤波CKF在目标跟踪中的应用—仿真部分》https://blog.csdn.net/weixin_44044161/article/details/115741172

针对使用扩展卡尔曼算法( extended Kalman filter,EKF)对复杂非线性状态估计时收敛速度慢、估计精 度低的问题,提出一种平方根容积滤波算法( square root cubature Kalman filter,SRCKF)。SRCKF使用基于容积原 则的数值积分方法直接计算非线性随机函数的均值和方差。该算法实现时只需计算函数值,避免了求导运算,降低了计算复杂度。且该算法传播了状态协方差的平方根,确保了协方差矩阵的对称性和半正定性,改进了数值精度和 稳定性。把平方根容积卡尔曼滤波算法

针对传统容积卡尔曼滤波(CKF)在面对系统模型失配和状态突变滤波精度下降的问题,将强跟踪滤波器(STF)和高阶容积卡尔曼滤波(HCKF)相结合,提出一种简化高阶强跟踪容积卡尔曼滤波(RHSTCKF)算法.该算法具有比传统CKF更高的滤波精度,并且利用滤波模型的特点,简化HCKF的计算步骤,同时在HCKF中引入多重渐消因子增强算法的自适应性和应对状态突变的能力.将所提算法应用到SINS/GPS组合导航系统中进行仿真实验,结果表明,RHSTCKF可以准确估计出突变状态的真实值,能够抑制滤波器状态异常的干扰,滤波性能明显优于HCKF,能够提高组合导航系统的自适应性和定位精度.

当容积卡尔曼滤波的系统模型不准确或测量出现异常时容易出现滤波发散。为了解决这一问题，提出了一种自适应容积卡尔曼滤波算法，构造了一组噪声统计估计器对噪声的统计特征进行在线实时估计，并在测量异常时采用修正函数对滤波过程进行修正，有效提高了滤波估计的精度和对滤波发散的抑制能力；在集中式滤波结构和联邦式滤波结构的基础上，设计了一种基于自适应容积卡尔曼滤波算法的多传感器系统混合式组合滤波结构，并给出了融合各传感器的局部滤波信息以得到全局滤波估计的计算方法。以对车辆的定位导航为应用背景进行了仿真实验，仿真结果证明了所

交互式多模型滤波(IMM) 的交互环节使得系统状态量不再服从单纯的高斯分布, 用现有方法对其概率分布的估计存在较大的误差. 对此, 考虑到模型的混合概率是时变的, IMM的交互过程可以用非线性方程来描述, 因而采用容积卡尔曼滤波(CKF) 中的容积法则对高斯随机变量经非线性函数传播后的概率分布进行估计, 并从理论上证明了容积法则的近似精度. 仿真实验表明, 由于提高了对交互后随机变量概率分布的估计精度, 所提出的方法能够有效改善IMM在量测噪声较大时的滤波效果.