#Applications-of-Kalman-Filter 为方便读者阅读专著
本书以Kalman滤波器为基本方法，介绍了Kalman滤波器在时间序列分析、机器人惯导、室内目标跟踪、金融时序建模、信号在线去噪及参数辨识等几个方面的应用，同时部分章节配套了Matlab源程序。
请读者下载全部程序，并将这些程序放在一个子目录下。每一章节的程序文件夹中包含本章的程序说明，说明主要程序的文件名和作用。
如还有问题和进一步的交流，欢迎邮件联系，联系方式见书中前沿提供的邮箱。
我们在这里提供该书的部分matlab程序，请下载：
第1章介绍了Kalman滤波器的基本知识，其余分成五部分，第一部分（第2-4章）针对时序数据，研究了基于Kalman滤波器的动力学分析，并在此基础上研究了数据的压缩和预处理等内容。我们的方法已经在实际系统中上线使用了，取得了很好的经济效益。
第二部分（第57章）和第三部分（第8-11章）介绍了基于惯性传感器（IMU）的惯导技术，不同的是第二部分包含了捷联式惯导的基本理论和数字仿真，以及路径重建的内容。
第三部分则在IMU的基础之上，加入了RFID的信息。我们给出了融合这两类传感器信息的方法，取得了非常好的室内跟踪效果。
第四部分（第12-14章）是我们的一个创新应用：我们将Kalman滤波器用在了金融数据的时序关系建模上。我们使用了隐马尔可夫建模方法，对股票价格数据的时间关系进行了建模，并进行了有效的预测。
第五部分（第15-17章）将卡尔曼滤波器用在了信号去噪和参数辨识，并基于钢筋混凝土结构试验的实验数据研究了二阶自适应模型在线去噪效果和基于Bouc-wen模型的参数识别结果。
1.1 Kalman滤波器的动力学模型
1.2 Kalman 滤波器
1.3 自适应参数机动目标模型估计方法
1.4 小结
2.1 相关知识介绍
2.2 时间序列数据的动力学建模
2.3 实验研究
2.4 小结
3.1 时间序列压缩的应用背景
3.2 时间序列压缩的研究现状
3.3 时间序列压缩的解决方案
3.4 时间序列压缩的实验结果
3.5 小结
4.1 时间序列提取基本趋势的应用背景
4.2 时间序列提取基本趋势的研究现状
4.3 时间序列提取基本趋势的解决方案
4.4 实验结果
4.5 小结
5.1 捷联式惯性导航系统概述
5.2惯性导航坐标系及其转换关系
5.3捷联式惯导系统姿态解算算法
5.4基于四元数的捷联式惯性导航姿态解算
5.5小结
6.1捷联式惯导数字仿真设计原理
6.2飞行轨迹发生器的设计
6.3 惯导系统仿真器的设计
6.4数字仿真系统的MATLAB建模及实现
6.5小结
7.1机器人平台介绍
7.2数据采集与预处理
7.3 路径重建系统实现算法流程
7.4 实验结果分析
7.5小结
8.1 室内跟踪定位系统介绍
8.2 室内跟踪技术的研究现状
8.3 小结
9.1 基于IMU的运动轨迹测量数据仿真
9.2 基于IMU的运动轨迹重构方法及仿真结果
9.3小结
10.1 基于RFID的运动轨迹测量数据仿真
10.2 基于RFID测量数据的运动轨迹重构方法
10.3 仿真实验结果
10.4 小结
11.1 多传感器室内跟踪方法的算法流程
11.2 基于多传感器融合跟踪方法的仿真研究
11.3 基于多传感器融合跟踪方法的实验研究
11.4 小结
12.1 量化投资的相关知识介绍
12.2 国内外研究现状
12.3 小结
13.1 静态特征
13.2 动态特征
13.3 特征提取
13.4 小结
14.1基于单一特征训练集HMM建模方法
14.2 基于多维特征测试集HMM建模方法
14.3 小结
15.1 SHAKF的简要介绍
15.2 陀螺仪测量数据的在线建模
15.3 实时滤波
15.4 基于AR模型自适应滤波的实验与分析
15.5 小结
16.1.基于Kalman滤波和自适应统计模型的在线去噪算法
16.2 实验研究
16.3 小结
17.1 相关技术介绍
17.2应用扩展卡尔曼滤波进行系统参数辨识
17.3 Bouc-wen模型实例仿真分析
17.4 小结