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

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

粒子滤波程序，里面有EKF，UKF和PF三种算法的程序，可以直接运行-Particle filter program, which has EKF, EKF and PF three algorithms program can be run directly

该程序为基于粒子滤波的一种新算法,综合MCMC Bayesian Model Selection即MONTE CARLO马尔克夫链的算法,用来实现目标跟踪,多目标跟踪,及视频目标跟踪及定位等,解决非线性问题的能力比卡尔曼滤波,EKF,UKF好多了,是我珍藏的好东西,现拿出来与大家共享,舍不得孩子套不着狼,希望大家相互支持,共同促进--the program based on particle filter for a new algorithm, Integrated Bayesian MCMC