当容积卡尔曼滤波的系统模型不准确或测量出现异常时容易出现滤波发散。为了解决这一问题，提出了一种自适应容积卡尔曼滤波算法，构造了一组噪声统计估计器对噪声的统计特征进行在线实时估计，并在测量异常时采用修正函数对滤波过程进行修正，有效提高了滤波估计的精度和对滤波发散的抑制能力；在集中式滤波结构和联邦式滤波结构的基础上，设计了一种基于自适应容积卡尔曼滤波算法的多传感器系统混合式组合滤波结构，并给出了融合各传感器的局部滤波信息以得到全局滤波估计的计算方法。以对车辆的定位导航为应用背景进行了仿真实验，仿真结果证明了所

交互式多模型滤波(IMM) 的交互环节使得系统状态量不再服从单纯的高斯分布, 用现有方法对其概率分布的估计存在较大的误差. 对此, 考虑到模型的混合概率是时变的, IMM的交互过程可以用非线性方程来描述, 因而采用容积卡尔曼滤波(CKF) 中的容积法则对高斯随机变量经非线性函数传播后的概率分布进行估计, 并从理论上证明了容积法则的近似精度. 仿真实验表明, 由于提高了对交互后随机变量概率分布的估计精度, 所提出的方法能够有效改善IMM在量测噪声较大时的滤波效果.

针对已有基于Sigma 点信息滤波的分布式滤波算法, 其性能易受参数影响而导致应用范围受限的问题, 以容积卡尔曼滤波(CKF) 为基础, 利用信息滤波和平均一致性理论提出一种分布式CKF 算法. 该算法在保持分布式滤波优良特性(即可扩展性和对节点故障强鲁棒性) 的同时, 兼具CKF 的高滤波精度和强稳定性. 仿真结果表明了所提出算法的有效性, 与分布式Unscented 卡尔曼滤波(UKF) 算法相比, 该算法显著提高了目标跟踪的精度和稳定性.

强跟踪容积卡尔曼滤波器在对含有模型误差和时变噪声的非线性系统进行滤波时, 容易出现性能降低甚至发散. 鉴于此, 提出一种基于变分贝叶斯的强跟踪容积卡尔曼滤波算法. 该算法运用虚拟噪声法补偿模型误差, 假设虚拟噪声均值非零, 且满足高斯分布, 虚拟噪声方差服从逆gamma分布, 在强跟踪容积卡尔曼滤波器估计状态的同时, 采用变分贝叶斯推理估计虚拟噪声参数. 仿真结果表明, 所提出算法对含模型误差与时变噪声的非线性系统具有较好的估计精度, 相比于自适应算法具有更强的鲁棒性.

平方根容积卡尔曼滤波算法及其应用

为了进一步提高非线性卡尔曼滤波算法的估计精度，提出一种高阶球面单形—径向容积求积分卡尔曼滤波（HDSSRCQKF，high-degree spherica1 simp1ex-radia1 cubature quadrature Ka1man fi1ter）算法。将非线性函数的高斯加权积分分解为球面积分和径向积分，采用基于正则单形变换群的七阶球面单形准则计算球面积分，使用高阶高斯—拉盖尔求积分准则计算径向积分，推导出高阶球面单形—径向容积求积分准则。从该准则中提取出容积点及其相应权值的一般计算方法，并利用该计算方法给出非线性卡尔曼滤波框架下高阶球面单形—径向容积求积分卡尔曼滤波的具体计算步骤。数值仿真实验结果表明，所提算法具有比高阶容积卡尔曼滤波更高的估计精度，在信道估计与均衡、语音增强和混沌通信等领域具有一定的应用价值。

用容积卡尔曼滤波完美实现的一个程序

一种自适应变分贝叶斯容积卡尔曼滤波方法

包含平方根容积卡尔曼滤波（CKF），无迹卡尔曼滤波（UKF），扩展卡尔曼滤波（EKF）的matlab仿真程序。

锂电池荷电状态(SOC)是反映电池使用情况的重要参数之一.在锂电池实际工作过程中,电流传感器测量时的漂移电流会对SOC估计精度造成很大影响.对此,提出一种加入漂移电流的Drift-Ah积分法,建立SOC的噪声组合模型,并采用容积卡尔曼滤波算法(CKF)实现锂电池的SOC估计.最后,对锂电池进行模拟工况实验,仿真结果表明,所提出的估计算法可以有效抑制漂移电流的干扰,精度高且复杂度低.