自己创建的MATLAB程序。 作用：基于经典的无迹卡尔曼滤波（不敏卡尔曼滤波、无味卡尔曼滤波，都是UKF）改进的自适应UKF，根据观测的误差自适应调节观测误差，以达到提高滤波精度的作用。 亮点：只有一个m文件，方便运行，给出了与经典UKF的结果对比。

本文深入探讨了电力系统动态状态估计的两种方法：扩展卡尔曼滤波(EKF)和无迹卡尔曼滤波(UKF)。文章首先介绍了这两种滤波技术的基本原理和算法流程，接着通过实例分析和数值模拟，比较了它们在电力系统状态估计中的性能差异。此外，文章还讨论了如何根据电力系统的具体特点和需求，选择最合适的滤波方法。本文旨在为电力工程师和研究人员提供有关动态状态估计的实用指南，并推动相关领域的进一步研究和发展。 适用人群：电力工程师、控制系统研究人员、卡尔曼滤波技术爱好者 使用场景：电力系统状态监测、故障诊断、系统控制与优化 电力系统、动态状态估计、扩展卡尔曼滤波、无迹卡尔曼滤波

无迹卡尔曼滤波与扩展卡尔曼纳滤波的对比，程序可改，主要是针对扩展卡尔曼纳滤波与扩展卡尔曼滤波的预测性能做一个比较，程序可用，并且可以按照自己的函数进行更改

matlab建立汽车模型代码无味卡尔曼滤波器 写上去 优达学城课程，2017 年 10 月 自动驾驶汽车工程师纳米学位课程 “无味卡尔曼滤波器”项目，2018 年 3 月 克劳斯·H·拉斯穆森 使用 CTRV 运动模型在 C++ 中实现无迹卡尔曼滤波器。 两个自行车模拟数据集，数据集 1 和数据集 2（Ascii 文本文件），与 Term 2 Simulator 一起使用。 与扩展卡尔曼滤波器 (EKF) 一样，无迹卡尔曼滤波器 (UKF) 具有相同的三个步骤： 初始化 预言 更新 这些步骤编码在 ukf.cpp 文件中。 本项目使用了以下初始化参数： 初始状态协方差矩阵P_ = 1, 0, 0, 0, 0, 0, 1, 0, 0, 0, 0, 0, 1, 0, 0, 0, 0, 0, 1, 0, 0, 0, 0, 0, 1 过程噪声标准偏差纵向加速度，单位为 m/s^2 std_a_ = 5 过程噪声标准偏差偏航加速度 rad/s^2 std_yawdd_ = 0.4 通过将预测的 UKF 值与测试数据集提供的 Ground True 值进行比较，计算位置 X & Y 和速度 VX

平方根无迹卡尔曼滤波算法程序 360 平方根无迹卡尔曼滤波算法程序 欢迎下载

无迹卡尔曼滤波（UKF）是重要的非线性滤波方法。无迹卡尔曼滤波方法是通过一组代表着均值和方差分布的采样点来对非线性系统进行非线性计算，在不对非线性方程线性近似的条件下，达到线性卡尔曼滤波器的滤波性能。文中在机动目标选定运动模型和滤波算法的基础上，对机动目标的运动作了仿真实验。从仿真分析中可以看出，无迹卡尔曼滤波在跟踪方面有很高的精度，与传统的扩展卡尔曼滤波算法相比较，无迹卡尔曼滤波算法有较小的跟踪误差。

用无迹卡尔曼滤波算法对电机转速进行控制，相较传统PI控制超调量小

扩展卡尔曼滤波_无迹卡尔曼滤波_扩展信息滤波_l粒子滤波算法.rar

针对被动传感器观测的非线性问题,将无迹变换引入卡尔曼滤波算法中.进一步,针对其弱可观测性,采用多个被动传感器集中式融合跟踪策略,提出了基于无迹卡尔曼滤波的被动多传感器融合跟踪算法.以3个被动站跟踪为例进行仿真研究,结果表明所提出的算法可达到比经典的扩展卡尔曼滤波算法更高阶的跟踪精度.

针对非线性系统状态估计滤波，有很好的植入性，希望可以帮助到你。