曾记否@

这个矩阵是卡尔曼滤波中比较难确定的一个量，一般有两种思路：一是在某些稳定的过程可以假定它是固定的矩阵，通过寻找最优的Q值使滤波器获得更好的性能，这是调整滤波器参数的主要手段，Q一般是对角阵，且对角线上的值很小，便于快速收敛；对于可观测性较强的状态分量，对应的状态初值和均方误差阵设置偏差容许适当大些，它们随着滤波更新将会快速收敛，如果均方误差阵设置太小，则会使收敛速度变慢。：表示状态转移矩阵，是n×n阶方阵，它是算法对状态变量进行预测的依据，状态转移矩阵如果不符合目标模型有可能导致滤波发散。

对于标准Kalman滤波，其中增益计算式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。其中，量测更新过程分为N次的迭代更新，最终使得。

【代码】低成本MEMS INS系统 + GNSS组合导航MATLAB仿真。

之前将高成本的捷联惯导忽略地球自转、圆锥曲线运动以及划桨运动等化简为可适用低成本的捷联惯导MATLAB程序，但是其中的子程序都是用的严老师的代码，想自己锻炼一下自己的代码能力，所以对低成本的捷联惯导进行重新编写！！

姿态更新求解方法是，先使用陀螺角增量的多子样采样计算等效旋转矢量，补偿转动不可交换误差，再使用等效旋转矢量计算姿态更新四元数。选取“东–北–天（E–N–U）”地理坐标系作为捷联惯导系统的导航参考坐标系，后面记为n系，则以 系作为参考系的姿态微分方程为。矩阵表示以i系作为参考基准，b系从m-1时刻到m时刻的旋转变化，表示以i系作为参考基准，n系从m-1时刻到m时刻的旋转变化，）进行了两次等间隔采样，角增量分别为。，以及惯导系统在地球表面附近移动。

高亮颜色说明：突出重点个人觉得，：待核准个人观点是否有误这里写目录标题二级标题待补充待补充分割线分割线一、泰勒级数展开公式二、麦克劳林展开公式三、多维向量函数泰勒级数一维展开二级标题  待补充  待补充  文字居中数学公式粗体\textbf{}或者memory{\bf memory}memory数学公式粗斜体\bm{}摘录自“bookname_author”此文系转载，原文链接：名称 20200505高亮颜色说明：突出重点个人觉得，：待核准个人观点是否有误

这里写目录标题一、坐标系1. 地心惯性坐标系OXiYiZiOX_iY_iZ_iOXi​Yi​Zi​(i(i(i系)2. 地球坐标系OXeYeZeOX_eY_eZ_eOXe​Ye​Ze​(eee系)3. 地理坐标系OXgYgZgOX_gY_gZ_gOXg​Yg​Zg​(ggg系)4. 载体坐标系OXbYbZbOX_bY_bZ_bOXb​Yb​Zb​(bbb系)5. 平台坐标系OXpYpZpOX_pY_pZ_pOXp​Yp​Zp​(ppp系)6. 导航坐标系OXnYnZnOX_nY_nZ_nOXn​Yn​Zn​

指定线型和颜色使用 plot 命令绘制数据时，可以指定颜色、线型和标记（例如加号或圆圈）：plot(x,y,'color_style_marker')color_style_marker 包含一至四个字符（包括在单引号中），这些字符根据颜色、线型和标记类型构造而成。例如，plot(x,y,'r:+')使用红色点线绘制数据，并在每个数据点处放置一个 + 标记。color_style_marker 由下列元素的组合形式构成。...

 已知 Pk−=E[ek−ek−T],ek−=xk−x^k−,有: ek−=xk−x^k−=Axk−1+Buk−1+wk−1−Ax^k−1+Buk−1=A(xk−1−x^k−1)+wk−1=Aek−1+wk−1\begin{aligned}&\text { 已知 } P_{k}^{-}=E\left[e_{k}^{-} e_{k}^{-T}\right], e_{k}^{-}=x_{k}-\hat{x}_{k}^{-}, \text {有: } \\&e_

推导过程请看上一篇博客状态方程：xk=Axk−1+Buk−1+wk−1(1)\begin{gathered}\boldsymbol{x}_{k}=\boldsymbol{A} \boldsymbol{x}_{k-1}+B u_{k-1}+\boldsymbol{w}_{k-1}\tag1\end{gathered}xk​=Axk−1​+Buk−1​+wk−1​​(1)观测方程：zk=Hxk+vk(2)\begin{gathered}\boldsymbol{z}_{k}=H \boldsy

数据融合 协方差 状态空间方程 观测器一、数据融合假设举例公式推导过程二、状态空间方程阻尼滑块模型1、连续表达式2、离散表达形式参考文献一、数据融合假设举例  假设测量一物体的质量，现在有两个测量设备但是都存在误差且误差服从正态分布，分别用两个设备进行测量第一设备测量的测量值为z1z_1z1​ ，标准差为σ1\sigma_1σ1​；第二设备测量的测量值为z2z_2z2​ ，标准差为σ2\sigma_2σ2​ 。现在有两个测量值那么应该更愿意去相信那个设备测出的值呢？或者把两次数据进行处理导出一个更接近

卡尔曼滤波----方差、协方差与相关系数正态分布（高斯分布）标准差协方差方差，标准差与协方差之间的联系与区别相关系数参考文献正态分布（高斯分布）  正态分布是一种概率分布。正态分布是具有两个参数μ和σ2的连续型随机变量的分布，第一参数μ是遵从正态分布的随机变量的均值，第二个参数σ2是此随机变量的方差，所以正态分布记作N(μ，σ2 )。遵从正态分布的随机变量的概率规律为取 μ邻近的值的概率大 ，而取离μ越远的值的概率越小；σ越小，分布越集中在μ附近，σ越大，分布越分散。正态分布的密度函数的特点是：关于μ对

Kalman Filtering是一种最优化递归数字处理算法（Optimal Recursive Data Processing Algorithm）。通过利用线性系统状态方程和系统输入输出观测数据，对系统状态进行最优估计的算法。数据滤波是去除噪声还原真实数据的一种数据处理技术，所以即使测量的一系列数据中存在测量噪声Kalman Filtering仍然适用并且估计动态系统的状态。在生产生活中卡尔曼滤波器应用广泛，因为我们在描述系统时通常存在不确定性，不确定性主要存在三个方面：    1. 不存在完美的