针对多站纯方位目标跟踪与定位问题,给出了一种基于一致性的分布式无迹卡尔曼滤波算法(CDUKF,Consensus-based Dis-tributed Unscented Kalman Filter)。各观测站利用本站和邻接站点信息获得目标状态的局部估计,其次利用联邦滤波器的加权原则和一致性算法,通过相邻观测站之间的局部信息交换获得目标状态的更高精度估计,并提出通过利用各站历史状态信息以改善算法的收敛速度。仿真结果表明论文所提出的算法能够实现多站纯方位被动跟踪,估计结果可接近传统集中式融合的跟踪精度。

无迹卡尔曼滤波matlab的代码，最基础的，有需要的可以在这个基础上修改

对代码中的卡尔曼滤波器进行修改，使用无迹卡尔曼滤波器，进行室内定位

电子-无迹卡尔曼滤波UKF的应用比较分析.pdf,综合电子技术四轴飞行器|飞控

 采用霍夫变换法对雷达目标进行起始，解决了机动目标的非线性强的问题，得到精确的航迹起始初值信息，并将初值信息作为无迹卡尔曼滤波目标跟踪的初始输入，实现对机动目标的跟踪。较其它的算法，霍夫-无迹卡尔曼滤波具有更高的精度。实验仿真，证明了其有效性。

扩展EKF和ukf无迹卡尔曼滤波代码压缩包 有一个共同的简单例子 进行对比 两个卡尔曼滤波分别写成两个函数 需要的欢迎下载

主要封装了UKF(无迹卡尔曼滤波)的跟踪demo，并配有直观的图形展示，简单易用。 UKF，是KF、EKF的变种与扩展，对于非线性跟踪效果要明显好于KF。

利用一个追踪模型实现了UKF、CDKF、SRUKF比较。内含MATLAB代码，及文档

稳定性和安全性作为汽车设计和规划的两大要素，与车辆的状态参数估算密切相关，其中最直接的就是关于如何精确估算行驶过程中的路面附着系数。在Kalman滤波算法基础之上，本文针对汽车的强非线性特性运用无迹卡尔曼（UKF）滤波算法在Matlab中搭建状态观测器、三自由度车辆模型、Duglff轮胎归一化模型对路面附着系数进行估计，将整体模型与Carsim进行整体测试和对比。结果证明，通过运用UKF算法建立的状态观测器能满足对附着系数估计值的准确性要求。

基于高阶正交幅度调制(QAM)和大线宽相干光正交频分复用(CO-OFDM)系统, 提出了一种在时域进行无迹卡尔曼滤波(UKF)的相位噪声补偿算法。该算法在接收端基于训练符号频域卡尔曼滤波实现信道均衡, 用较小的频域导频数据开销进行频域扩展卡尔曼滤波, 先补偿公共相位误差(CPE)噪声, 然后将CPE噪声补偿之后的数据在时域进行载波间干扰(ICI)相位噪声粗补偿。对相位噪声粗补偿后的频域数据进行预判决, 结合接收端原始时域数据, 在时域对判决后的数据进行UKF以实现ICI相位噪声的精细补偿。对精细补偿之后的频域数据再进行相位噪声粗补偿并进行迭代运算, 极大地提高了相位噪声的补偿效果。对50 Gbit·s-1的CO-OFDM系统进行了传输距离为100 km的仿真, 与其他算法相比, 所提算法的频谱利用率极高, 且具有较好的补偿效果。对激光器线宽为700 kHz且调制方式为32QAM的传输信号进行二次迭代后, 所提相位噪声补偿算法的误码率性能仍可达到前向纠错上限。所提算法促进了大线宽CO-OFDM系统在长距离接入网和城域网中的应用。