针对不敏卡尔曼滤波算法在单站无源定位的应用中受初始状态误差和可观测条件等影响易产生滤波发散、收敛精度低、收敛速度慢的问题.提出一种双向平方根不敏卡尔曼滤波的无源定位算法.充分利用了平方根不敏卡尔曼滤波算法数值稳定性高的优点,采用后向平滑算法逐次修正状态估计值,从而提高了定位算法对初始状态的鲁棒性.试验结果验证了该算法的有效性.

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.

被动目标跟踪不相关转换非线性滤波研究，郗瑞卿，兰剑，针对被动目标系统中的非线性估计问题，本文采用最近提出的不相关转换滤波（Uncorrelated Conversion Based Filter , UCF）非线性估计器，对运动

数字图像处理 该程序是使用Swing用J​​ava编写的。 已实现以下算法： 形态运算： 轮廓检测 非线性滤波器： 最小过滤器 最大过滤器 中值过滤器 开启过滤器 关闭过滤器 高斯模糊滤镜 在以下图片中，显示了此过滤器的结果，并且半径大小设置为14。 原始图片 结果图片 锐化蒙版滤镜 结果图片 FILTER PARAMETER: radius = 5 unsharp mask value = 4 坎尼边缘检测器 结果图片 FILTER PARAMETER: low threshold = 100 hight threshold = 120 radius = 2 骨骼化 原始图片 结果图片 自适应中值滤波器 原始图片 结果图片 FILTER PARAMETER: radius min = 0 radius max = 4 双边过滤器 原始图片 结果图片 FILTER P

利用线性滤波法模拟一维高斯分布的随机粗糙面

超级经典的线性滤波入门书籍 北航著名张有为著 对初学者来说有手把手的赶脚

Cubature 卡尔曼滤波器(CKF) 在非高斯噪声或统计特性未知时滤波精度将会下降甚至发散, 为此提出了统计回归估计的鲁棒CKF 算法. 推导出线性化近似回归和直接非线性回归的鲁棒CKF 算法, 直接非线性回归克服了观测方程线性化近似带来的不足. 具有混合高斯噪声的仿真实例比较了3 种Cubature 卡尔曼滤波器的滤波性能, 结果表明这两种鲁棒CKF 滤波精度及估计一致性明显优于CKF, 直接非线性回归的CKF 的鲁棒性更强, 滤波性能更好.

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。

粒子滤波（PF），粒子群优化粒子滤波（PSO-PF）matlab程序，整合程序，增加注释并用子程序编写，适用于初学者根据自己研究内容改写。

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