MATLAB基于卡尔曼滤波的锂蓄电池SOC设计 用自适应卡尔曼滤波方法，基于锂离子动力电池等效电路模型，在未知干扰噪声环境下，在线估计电动汽车锂离子动力电池荷电状态 （SOC）。 采用基本卡尔曼滤波和扩展卡尔曼滤波方法估计电池SOC时，?一般假定噪声为零均值白噪声，且噪声方差已知。 在噪声确定的情况下，基本卡尔曼滤波和扩展卡尔曼滤波方法的估计效果很好，但实际上白噪声不存在。 重述： 使用自适应卡尔曼滤波方法，MATLAB基于锂离子动力电池的等效电路模型设计了一种在线估计电动汽车锂离子动力电池荷电状态（SOC）的方法，以解决未知干扰噪声的环境下的问题。 在估计电池SOC时，采用了基本卡尔曼滤波和扩展卡尔曼滤波方法。通常假设噪声为零均值白噪声且噪声方差已知。虽然基本卡尔曼滤波和扩展卡尔曼滤波方法在噪声方差确定的情况下有很好的估计效果，但实际情况下不存在白噪声。 涉及的 - 锂蓄电池 - 卡尔曼滤波 - SOC（State of Charge，荷电状态） - 锂离子动力电池 - 等效电路模型 相关 1. 锂蓄电池：锂蓄电池是一种充电电池，利用锂离子在正负极之间移动，并在充放电

针对具有网络传输延时和噪声的多车辆系统的编队问题,提出了一种基于自适应卡尔曼滤波器的协作路径跟踪控制方法.根据车辆运动学模型和给定队形及其路径参数,给出车辆协作路径跟踪控制器设计方法,将系统线性化,针对延时情况重构状态方程,用自适应卡尔曼滤波算法滤除噪声的影响,实现系统稳定控制.仿真实验证明了该方法的有效性.

针对常规自适应卡尔曼滤波器存在过渡过程差的间题，基于一个给定的指标切换函数，采用多个基于不同动态噪
声协方差矩阵的卡尔曼滤波器和一个常规自适应卡尔曼滤波器共同组成多模型自适应卡尔曼滤波器.与常规自适应卡尔曼
滤波器相比，多模型自适应卡尔曼滤波器可以在保持原有自适应滤波器性能的基础上极大地改善瞬态响应.

抗差自适应,抗差自适应卡尔曼滤波,matlab源码

基于自适应卡尔曼滤波的运动车辆检测，张伟，鲍旭东，卡尔曼滤波是一种根据时变随机信号的统计特性，对信号的未来值做出尽可能接近真值的一种估计方法，首先介绍了卡尔曼滤波原理，然

针对“当前”统计模型中预先设置机动频率和加速度极限值造成对目标跟踪精度不高的问题, 提出一种新的参数自适应算法? 该算法利用目标前后2个时刻的加速度均值代替“当前”统计模型中只利用前一时刻的加速度值作为当前时刻的加速度均值,推导出了机动频率自适应,再利用加速度方差与加速度变化量之间 存在的正比线性关系,推导出了加速度方差自适应,避免了由于参数设置不合理而造成的跟踪误差?理论分析和仿真结果表明,改进算法有效提高了目标跟踪精度,仿真结果验证了改进算法的有效性?

该书内容非常全面，涵盖了多种卡尔曼滤波算法及MATLAB实现，作者将多年的工作经验融入此书，使之成为学习卡尔曼滤波的同学一本不可多得的经典参考书。

提出了一种新的自适应卡尔曼滤波算法。该算法假设系统过程噪声方差和量测噪声方差之间存在的函数关系已知,两种噪声方差随着时间变化且均未知。先令当前时刻的过程噪声方差等于前一时刻的过程噪声方差,通过变分贝叶斯近似的方法,在卡尔曼滤波框架下迭代求解当前时刻的量测噪声方差和状态估计,再利用假设中的函数关系获得新的过程噪声方差。对上述过程多次迭代,最终获得状态估计及协方差。仿真实验结果表明,该算法具有较高的滤波精度;在假设条件不 确知的情况下仍具有较强的鲁棒性。

基于减少噪声干扰对GPS/INS组合导航系统准确性影响的目的。采用最优估计理论中卡尔曼滤波理论基础进行系统的研究，建立了组合导航系统状态方程和观测方程，给出了GPS/INS组合导航模型。通过对GPS/INS位置组合导航系统用Kalman滤波和自适应Kalman分析，并应用MATLAB 软件仿真，从仿真结果得出自适应Kalman滤波对组合导航系统中的轨迹滤波跟踪有着较好的效果。

自适应卡尔曼滤波的目标跟踪