详细的介绍了自适应kalman 滤波器，很实用

给出了IMU在地固坐标系中的误差方程，介绍并分析了自适应滤波和渐消Kalman滤波算法原理，然后将渐消因子引入到自适应滤波算法中，并将其应用到IMU/GPS松组合导航系统中，最后利用一个实际算例证明了该组合导航系统的有效性。

针对Kalman滤波易受粗差影响而导致结果失真的问题,提出一种抗差自适应Kalman滤波方法,该方法结合自适应滤波与抗差Kalman滤波的优点,同时设计自适应因子和抗差因子,采用改进的两段Huber函数与2~3倍的观测噪声中误差来充当抗差因子与粗差判别标准。并对Kalman滤波和抗差自适应滤波(Adaptive Robust Kalman Filtering,ARKF)结果进行比较。车载实验结果表明,ARKF可以有效抵制观测异常对状态估值的影响,同时在系统先验信息不能精确给出的情况下,显著改善了滤波估值的稳定性和可用性。

 文中针对水下自主航行器提出了一种新型的基于捷联惯导（SINS）和GPS的组合导航系统设计方案。该方案以捷联惯导作为主系统，同时利用GPS重调捷联惯导系统，建立了该组合导航系统的卡尔曼滤波模型，设计了输出校正间接法的卡尔曼滤波算法和Sage-husa自适应卡尔曼滤波算法。仿真结果表明由于GPS位置和速度信息的引入，一定程度上克服了捷联惯导系统误差状态发散现象，提高了导航精度。同时通过两种算法的对比，Sage-husa自适应卡尔曼滤波算法则具有更高的滤波精度和稳定性，能够更好的满足长时间远距离导航的要求。

原创问题自适应Kalman滤波电力系统短期负荷滤波预测-kmf.m % y:测量负荷数据（N天同一时刻） % T：日最高温度 % N：数据量 % kk:预测步长 %% 模型% 系统方程 % [x     [b b b      [x        [v1 %  x    =    1    0    0       *   x        0 %  T]      0    0    1]          T]           v2] % 观测方程 % y=[1 0 0]*[x x T]' u; 测试结果：                                 滤波方差为3.596760e 000均值平滑方差为5.420211e 000 2步预测值为:   22.6310   22.6755 【问题】 1.滤波初始几步效果较差---？？？ 2.预测结果很接近---？？？