搜索资源列表
nonlinearfilter
- 工学博士学位论文 目前，扩展卡尔曼滤波是研究初始对准和惯性/GPS组合导航问题的一个主要手段。 但初始对准和惯性/GPS组合导航问题本质上是非线性的，对模型进行线性化的扩展卡 尔曼滤波在一定程度上影响了系统的性能。近年来，直接使用非线性模型的 UKF(Unscented Kalman Filtering, UKF)和粒子滤波，正在逐渐成为研究非线性估计问题 的热点和有效方法。 本文研究了UKF和粒子滤波两种非线性滤波方法，并将其应用于非线性静基座对 准和惯性
anolinerfilter
- 粒子滤波算法受到许多领域的研究人员的重视，该算法的主要思想是使用一个带有权值的粒子集合来表示系统的后验概率密度。在扩展卡尔曼滤波和Unscented卡尔曼滤波算法的基础上，本文提出一种新型粒子滤波算法。首先用Unscented卡尔曼滤波器产生系统的状态估计，然后用扩展卡尔曼滤波器重复这一过程并产生系统在k时刻的最终状态估计。在实验中，针对非线性程度不同的两种系统，分别采用五种粒子滤波算法进行实验。结果证明，本文所提出算法的各方面性能都明显优于其他四种粒子滤波算法。
关于粒子滤波的仿真程序
- 关于粒子滤波的仿真程序,比较了粒子滤波和卡尔曼滤波的优缺点,the unscented particle filtering
upf_demos
- 里面包含kalman，扩展kalman，无迹kalman，粒子滤波，无迹粒子滤波等源码的实现。-upf--The Unscented Particle Filter
upf_demos
- 该程序包实现的是无味(Unscented)粒子滤波算法，与一般粒子滤波的不同处是：采用UKF近似粒子滤波的建议分布函数。-The package to achieve the tasteless (Unscented) particle filter, particle filter in general the differences are: use of UKF approximate particle filter proposal distribution function.
myalgorithm
- 关于粒子滤波的仿真程序,比较了粒子滤波和卡尔曼滤波的优缺点-the unscented particle filtering
@ukf
- unscented kalman滤波器程序，相对比较基础，可以结合例子学习，有助于初学者学习-unscented kalman filter procedure, the relative basis of comparison, examples of learning can be combined to help beginners learn
Introduction_to_unscented_Kalman_filter_part1
- Kalman filtering and Unscented Kalman filtering (UKF) theory is summarized
matlab_utilities
- 粒子滤波、无迹粒子滤波算法程序，高斯混合模型参数设置等详细代码-Particle filter, unscented particle filter program, Gaussian mixture model parameter settings, and more code
UKF2
- 一个实现简单的无机粒子滤波matlab程序，用于学习交流-A simple unscented particle filter matlab program for learning exchanges
upf
- 无迹粒子滤波例程，简单的跟踪应用。无杂波环境下的-Unscented particle filter routine, a simple tracking applications
The_nonlinear_filtering_algorithm_performance_anal
- 对目前非线性滤波的主要算法即扩展卡尔曼滤波、不敏卡尔曼滤波、粒子滤波、扩展卡尔曼粒子滤波和不敏粒子滤波的滤波模型、适用条件、性能进行了分析比较，给出了每种方法的计算复杂度．通过一个非线性非高斯模型进行了仿真，验证了这些算法的性能。-Present the main algorithms of the nonlinear filtering extended Kalman filter, Unscented Kalman filter, particle filter, particle filt
particle-filter-visual-tracking
- 该代码用于实现粒子滤波视觉目标跟踪(PF)、卡尔曼粒子滤波视觉目标跟踪(KPF)、无迹粒子滤波视觉目标跟踪(UPF)。它们是本人这两年来编写的核心代码，用于实现鲁棒的视觉目标跟踪，其鲁棒性远远超越MeanShift(均值转移)和Camshift之类。用于实现视觉目标跟踪的KPF和UPF都是本人花费精力完成，大家在网上是找不到相关代码的。这些代码虽然只做了部分代码优化，但其优化版本已经成功应用于我们研究组研发的主动视觉目标跟踪打击平台中。现在把它们奉献给大家！-These codes are us
Bearings-only-target-tracking
- 本文分别就纯方位角跟踪中的机动目标跟踪、有信号传输时延时的跟踪及一类特定的多目标跟踪问题进行了较为系统和深入的研究。首先，针对非机动目标提出一种智能距离参数化无味滤波方法，与传统方法相比，改进了跟踪初始性能、滤波精度以及优化了系统资源。其次，针对机动目标纯方位角跟踪提出一种将交互多模型和核粒子滤波结合的方法，在维持跟踪精度的前提下，大幅减少了所需粒子数，改善了系统实时性。-This paper bearings-only tracking of maneuvering target tracki
upf_demos
- 无香粒子滤波的一个matlab例程，其中有ekf,ukf,pf,upf-In these demos, we demonstrate the use of the extended Kalman filter (EKF), unscented Kalman filter (UKF), standard particle filter (a.k.a. condensation, survival of the fittest, bootstrap filter, SIR, sequential M
EKF
- MATLAB三种卡尔曼滤波对比，分别是扩展卡尔曼滤波EKF，不敏卡尔曼滤波UKF，粒子滤波PF。有跟踪效果和估计值误差。-MATLAB the three Kalman filtering contrast, extended Kalman filter EKF, Unscented Kalman Filter UKF, particle filter PF. Tracking effect and the estimated value of the error.
EKF-UKF-PF
- 扩展卡尔曼滤波，无迹卡尔曼滤波，粒子滤波三种算法的比较，matlab程序。-Extended Kalman filter, unscented Kalman filter, the comparison of the particle filter three algorithms, Matlab program.
Robust-target-fusion-residual
- 融合残差Unscented粒子滤波和区别性稀疏表示的鲁棒目标跟踪-Robust target fusion residual Unscented particle filter and distinction of the sparse representation of tracking
UPF
- 无迹卡尔曼粒子滤波，有效的估计状态,ZHENHAO YONG(An unscented Calman particle filter is used to estimate the state effectively)
目标定位
- 研究目标跟踪的状态估计方法，最小二乘估计，Kalman滤波，扩展Kalman滤波，无迹Kalman滤波以及粒子滤波等，理论及MATLAB源程序。(The state estimation methods of target tracking, least square estimation, Kalman filtering, extended Kalman filtering, unscented Kalman filtering and particle filtering, theory