AEKF_SOC_Estimation函数使用二阶RC等效电路模型（ECM）和自适应扩展卡尔曼滤波器（AEKF）估计电池的端电压（Vt）和荷电状态（SOC）。

采用二阶RC模型，需要代入自己的数据的地方： R0 = @(x)(-0.07495*(x(4))^4+0.2187*(x(4))^3-0.1729*(x(4))^2+0.01904*(x(4))+0.1973); R1 = @(x)(0.07826*(x(4))^4-0.2208*(x(4))^3+0.217*(x(4))^2-0.08761*(x(4))+0.01664); R2 = @(x)(0.1248*(x(4))^4-0.2545*(x(4))^3+0.1254*(x(4))^2-0.03868*(x(4))+0.05978); C1 = @(x)(2431*(x(4))^4-4606*(x(4))^3+3084*(x(4))^2-589*(x(4))+209.8); C2 = @(x)(681.1*(x(4))^4-3197*(x(4))^3+4595*(x(4))^2-3114*(x(4))+1444);

为了消弱由测量噪声的变化对导航估计的影响，本文提出了一种自适应滤波法。该算法利用阈值自动选择开窗窗口的长度调节自适应因子，以此调整扩展卡尔曼滤波法（EKF）与无迹卡尔曼滤波法（UKF）中的滤波增益，进而合理利用测量信息，由此分别形成AEKF与AUKF算法。将两种方法分别应用于全球导航系统（GPS）和航位推算（DR）紧组合导航系统中，仿真结果证明了与UKF相比，可以有效地避免滤波发散。