985工科博士毕业，专攻定位、导航和滤波等算法研究。从业10年，主要使用MATLAB

《自适应滤波代码分享》专栏介绍、目录和后续更新计划

本文详细介绍了自适应卡尔曼滤波器参数的调整方法。需要调节的关键参数包括：过程噪声协方差矩阵Q（增大可提高动态适应性）、测量噪声协方差矩阵R（增大可降低测量波动影响）、初始状态估计X0和初始误差协方差P0（设置较大值表示初始不确定性）。此外，自适应增益可通过卡尔曼增益公式在线调整。不建议随意调整状态转移矩阵F、观测矩阵H等固有属性参数，但特殊情况下调整这些参数可能成为创新点。文中提供了MATLAB代码示例，并推荐了更多自适应滤波实现资源。

本文对比了三种卡尔曼滤波算法：传统KF、固定带宽MCC-KF和自适应带宽AMCC-KF。通过引入最大相关熵准则替代最小均方误差准则，提高了算法在观测异常值情况下的鲁棒性。实验结果表明，AMCC-KF通过动态调整核带宽参数，能更有效地抑制异常值干扰，其误差指标（最大值、平均值、标准差）均优于传统KF和固定带宽MCC-KF。该方法适用于存在非高斯噪声或异常观测值的滤波场景。

对比了经典扩展卡尔曼滤波(EKF)与H∞优化的EKF(H∞-EKF)在目标跟踪中的性能。通过MATLAB仿真实验，结果显示：在存在模型误差和测量噪声的情况下，H∞-EKF相比经典EKF在位置误差上降低

基于新息协方差匹配的自适应UKF（CM-AUKF）与经典UKF在二维雷达跟踪中的性能对比。滑动窗口估计实时的新息协方差

通过MATLAB仿真分析了移动平均(MA)滤波算法在不同窗口长度下的噪声抑制性能。频域分析表明MA滤波器能有效抑制噪声功率谱，但会平滑信号高频分量。程序提供了完整的时频域分析代码，可直接运行复现实验结果。

小波变换，非高斯噪声去噪方法，对比自适应软阈值和分位数阈值两种去噪策略，在混合拉普拉斯噪声、脉冲噪声和高斯噪声环境下实现了鲁棒去噪。MATLAB源代码可直接运行，适用于工程应用中的复杂噪声环境信号处理。

整体来看，该代码结构完整，函数划分清晰，涵盖信号构建、滤波、性能评价、结果可视化等关键步骤，可作为自适应滤波算法的教学示例或工程原型。

本文提出了一种自适应无迹卡尔曼滤波(AUKF)方法，通过动态调整无迹点数量和分布来提升状态估计性能。仿真结果表明，在500-700时间步的噪声突变情况下，AUKF相比传统UKF具有更优的估计精度：1) 三轴状态估计误差更小；2) 误差累积分布函数(CDF)曲线更靠近坐标轴左上角，表明整体误差水平更低。该算法适用于机器人导航、目标跟踪等领域，在保持计算效率的同时，能够有效适应系统动态特性变化。文中提供了完整的Matlab实现代码，包含逐行中文注释，便于理解算法实现细节。

本文提出了一种改进的自适应无迹卡尔曼滤波(AUKF)方法，通过观测误差的自适应调节提高滤波精度。MATLAB实现表明，该方法在500-700时间段的观测异常情况下，能有效调节观测方差R，相比传统UKF表现更优。核心代码通过简单的条件判断实现R的自适应调整，整个算法封装为单个m文件，便于运行和比较。实验验证了自适应UKF在处理突变观测误差时的优势。

本文提出一种基于运动状态自适应的互补滤波方法，用于IMU传感器数据融合的角度估计。通过仿真实验，对比分析了标准互补滤波与自适应方法在动态和静态条件下的性能差异。结果显示，自适应方法能根据运动状态自动调整权重系数，在动态条件下更依赖陀螺仪数据，静态条件下则更信任加速度计数据，从而显著降低估计误差（RMSE降低约30%）。该方法可有效处理传感器噪声和漂移问题，适用于导航定位等领域。配套MATLAB源代码可直接运行复现实验结果。

基于加速度梯度检测和平滑误差反馈的自适应互补滤波（GACF）通过动态调整权重系数优化姿态估计性能。当加速度计数据突变时降低其权重，减少外部加速度干扰；误差反馈机制则提升估计精度。该算法在MATLAB中实现，与标准互补滤波对比显示：GACF在外部加速度干扰下误差更小，动态响应更优，均方根误差（RMSE）显著降低。仿真数据包含陀螺仪漂移和加速度计噪声，验证了算法在复杂环境下的稳健性。

自适应互补滤波算法在姿态估计中的性能分析 本文对比了标准互补滤波与基于噪声协方差自适应的改进算法。仿真实验显示，当存在陀螺仪漂移（0.1t）和加速度计干扰（3-6秒区间3sin(πt)）时，自适应方法通过滑动窗口实时估计传感器噪声方差，动态调整融合权重（限制在0.8-0.99范围），显著提升了估计精度。 结果显示：标准互补滤波的RMSE为3.5°，而自适应方法降至1.8°，降幅达48.6%。特别是在3-6秒干扰区间，自适应算法通过降低加速度计权重，有效抑制了外部加速度的影响。该方法无需人工调参，适合动态噪声

本文对比了标准粒子滤波(PF)与基于Sage-Husa自适应估计的自适应粒子滤波(APF)在三维非线性系统中的性能。通过MATLAB仿真实验，结果显示：在观测噪声协方差R存在12倍缩放误差的情况下，APF能够自适应调整噪声参数，其估计精度明显优于标准PF。文中的三维状态曲线、误差对比图和CDF曲线直观展示了APF的优越性能，同时提供了完整的MATLAB源代码实现。实验表明，APF通过自适应调节过程噪声Q和观测噪声R，能有效提高非线性系统的滤波精度和鲁棒性。

本文对比了标准互补滤波与基于幅值自适应机制的改进互补滤波在存在噪声、漂移和外部加速度干扰情况下的姿态角估计性能。仿真结果表明，改进的自适应方法能根据实时观测残差动态调整融合权重，在外界干扰时自动降低对加速度计的依赖，显著提升了姿态估计精度。误差分析显示，自适应方法的均方根误差（RMSE）较标准互补滤波降低了约30%，有效抑制了外部加速度干扰和传感器噪声的影响，验证了所提算法的优越性。

本文提出了一种结合Sage-Husa自适应机制的自适应粒子滤波(APF)算法，用于解决非线性系统的状态估计问题。该算法通过动态调整过程噪声协方差Q和观测噪声协方差R，在噪声特性未知或时变条件下实现更准确的状态跟踪。MATLAB仿真结果表明，相比传统粒子滤波(PF)，APF算法在状态估计精度上有显著提升。文中给出了完整的实现代码，包括系统重采样和噪声矩阵的正定保证处理，可直接运行验证算法性能。误差对比曲线显示，APF能有效降低估计误差，适用于复杂环境下的状态估计任务。

本文提出了一种Sage Husa自适应粒子滤波方法，用于解决初始噪声协方差矩阵Q和R不准确导致的滤波误差问题。通过一维非线性状态和观测模型，验证了算法的有效性。MATLAB仿真结果表明：自适应粒子滤波能准确估计观测噪声协方差R，其状态估计误差(RMSE=0.5636)明显优于传统粒子滤波(RMSE=1.1886)和未滤波结果(RMSE=1.0007)。算法采用遗忘因子实现噪声协方差的动态更新，并提供了完整的可运行代码。误差对比曲线和噪声估计曲线直观展示了算法的优越性能，为非线性系统的状态估计提供了有效解决方

本文提出了一种基于自适应渐消卡尔曼滤波（AFEKF）的二维雷达目标跟踪方法。通过在标准EKF中引入渐消因子λ_k动态调整预测协方差矩阵，使滤波器在机动阶段快速响应状态变化，在平稳阶段保持估计稳定性。仿真结果显示，AFEKF相比标准EKF显著降低了跟踪误差（RMSE从1.79m降至1.56m），尤其在目标机动阶段表现出更优的跟踪性能。该方法通过实时调整渐消因子（1.0-2.0范围）自适应处理不同运动状态，有效解决了固定参数滤波器在机动目标跟踪中的性能下降问题。

本文提出了一种基于新息协方差匹配的自适应UKF（CM-AUKF）算法，用于解决噪声统计未知或时变场景下的目标跟踪问题。通过实时调整过程噪声协方差Q和观测噪声协方差R，CM-AUKF显著提升了跟踪精度和稳定性。仿真结果表明，相比传统UKF，CM-AUKF在位置和速度估计误差上分别降低了约50%和30%，且无需人工调参。该算法适用于无人机导航、雷达跟踪等动态环境，MATLAB代码可直接运行复现结果。自适应曲线显示算法能有效收敛到真实噪声参数，验证了其自适应能力。

本文提出了一种基于新息协方差匹配的自适应CKF算法(CM-ACKF)，用于智能雷达目标跟踪系统。该算法通过容积卡尔曼滤波器(CKF)处理非线性观测，并创新性地采用新息协方差匹配技术自动调整噪声参数。仿真结果表明，即使在初始参数设置不准确的情况下，CM-ACKF仍能自动收敛到最优状态，相比传统CKF方法具有更高的跟踪精度。文中提供了完整的MATLAB实现代码，包括轨迹对比、误差曲线分析等可视化结果，验证了算法的有效性和鲁棒性。该方案为复杂环境下的目标跟踪问题提供了有效的解决方案。

本文展示了Sage-Husa自适应EKF算法在三维非线性系统中的应用效果。通过在线估计过程噪声Q和观测噪声R的协方差矩阵，该算法能有效适应实际环境中的不确定性。仿真结果表明：1）标准EKF和Sage-Husa EKF相比未滤波状态具有明显优势；2）Sage-Husa自适应版本通过遗忘因子（b=0.95）动态调整QR矩阵，进一步提升了滤波精度；3）算法采用特征值分解保证协方差矩阵的正定性（阈值1e-6）。MATLAB代码提供了完整实现，包含三维非线性运动模型和自适应噪声估计模块，可直接运行验证。

本文提出了一种基于新息协方差匹配的自适应扩展卡尔曼滤波（CM-AEKF）算法，并与经典EKF进行对比。在二维平面匀速运动场景下，系统状态为[x, vx, y, vy]，观测数据通过雷达测距和测角获得。仿真结果表明，CM-AEKF通过滑动窗口计算实际新息协方差，动态调整过程噪声Q和观测噪声R，相比固定参数的经典EKF，能有效降低状态估计误差。轨迹图和误差曲线显示，CM-AEKF在x、y轴位移估计上具有更优性能。该算法特别适用于系统噪声统计特性未知或时变的场景。MATLAB源代码可直接运行复现结果。