窄带物联网环境中，接收机收到的信号通常为多路混合信号，对单通道接收来说，利用常规盲源分离方法很难实现混合信号的分离和源信号提取。针对这一问题，本文提出了一种利用Kalman滤波算法进行信号估计，解决单通道盲源分离的方法。该方法利用信号间的时序结构，通过Kalman滤波算法对多信号混合中的源信号不断估计并迭代更新，最终得到分离信号。仿真实验结果表明，该方法能有效估计并分离出源信号。

卡尔曼滤波器的PID控制：kalman的PID控制教程（MATLAB优化算法案例分析与应用PPT课件）.ppt

通过分析现有图象雅可比矩阵的在线辨识方法, 提出一种新的辨识思路。将雅可比矩阵的在线
估计转化为系统的状态观测, 并设计了相应的Kalman-Bucy滤波估计算法。以双目立体视觉反馈下的
运动目标跟踪任务为例, 通过仿真和实验说明了所提出方法的有效性。

H∞滤波通常应用于系统模型和噪声特性不确定的环境,存在滤波精度不高的缺 点.通过对H∞ 滤波引入闭环修正,在不影响滤波鲁棒性的前提下,有效地提高了系统精度.无源北斗/SINS组合导航系统的动态跑车实验结果表明,闭环H∞ 滤波下的组合导航精度优于相同滤波误差模型下的闭环Kalman滤波,并且具有参数设置简单,滤波稳定性强的优点.

对于标准Kalman滤波，其中增益计算式（5.3-29c）涉及矩阵的求逆运算，当量测维数较高时，计算量很大。序贯滤波（sequential Kalman filter）是一种将高维数量测更新降低为多个低维数量测更新的方法，能有效地降低矩阵的求逆计算量。 利用序贯滤波，在滤波增益计算中的矩阵求逆问题将转化为标量的倒数运算，有利于减少滤波计算量和增强数值计算的稳定性。 如果量测方差阵Rk不是对角矩阵，通过三角变换的变换方法，可实现对角化处理，再利用序贯滤波。特别地，如果量测噪声方差阵Rk是常值阵，则只需在滤波初始化时作一次三角分解即可。

线性跟驰模型的matlab代码扩展卡尔曼滤波器项目入门代码 无人驾驶汽车工程师纳米学位课程 背景 卡尔曼滤波器可用于估计系统状态。 在无人驾驶汽车的情况下，用例例如是无人驾驶汽车跟踪另一辆行驶中的汽车的状态。 该移动车辆的“状态”可以用px，py，vx，vy（X和Y方向上的位置和速度）表示。 这些状态变量可能无法直接观察到，因此需要通过从自动驾驶汽车上的传感器获取的LIDAR和RADAR测量值进行估算。 卡尔曼滤波器的直觉（来自Udacity的演讲） 卡尔曼方程式包含许多变量，因此这里是一个高级概述，以使您对卡尔曼滤波器的工作有一些直观认识。 预测假设我们知道对象的当前位置和速度，并将其保存在x变量中。 现在一秒钟过去了。 我们可以预测一秒钟后物体的位置，因为我们在一秒钟之前就知道了物体的位置和速度。 我们只是假设物体保持相同的速度运动。 x'= Fx +ν方程为我们进行了这些预测计算。 但是也许物体没有保持完全相同的速度。 也许物体改变了方向，加速或减速。 因此，当我们在一秒钟后预测位置时，不确定性就会增加。 P'= FPFT + Q表示不确定性的增加。 过程噪声是指预测步骤中的不确

软件/编程语言：MATLAB 硬件：九轴倾角传感器 —HWT901CM 数据处理方法：kalman滤波

美国MIT介绍卡尔曼滤波理论的文档，理论推导详细，适合深入学习卡尔曼滤波理论之用

Matlab实现基于EKF(Extended Kalman Filter, 扩展卡尔曼滤波)的无人机姿态估计 使用EKF(Extended Kalman Filter, 扩展卡尔曼滤波)算法来对四旋翼无人机的姿态进行滤波和估计，姿态包括：俯仰角、滚转角、偏航角的角度值和角速度值。前提：角度值无法直接通过传感器直接测得，角速度值可以测得。 代码说明 test1.m：一维线性卡尔曼滤波的例子 jaccsd.m：用于求解EKF算法中的雅克比矩阵 EKF.m：EKF算法仿真程序 仿真结果 说明： 1.仿真软件采用MATLAB2010b 2.控制量和姿态角速度值采用随机生成的数据(使用实际数据更好) 3.仿真过程偶尔会出现错误结果，原因是EKF计算过程中有几率出现奇异矩阵，导致算法无法进行下去

项目中包括锂电池模型建立、参数辨识与验证、SOC估计采用扩展卡尔曼滤波(EKF)，使用了两种方式实现： Simulinks(EKF only) 脚本(包含EKF和UKF)