但是EKF的线性化会带来截断误差，从而影响系统定位精度。
仿真试验表明，新方法在非线性非高斯情况下要远远好于EKF。
通过仿真，将强跟踪滤波与UT-BLUE滤波方法和EKF滤波方法进行比较，结果表明了该滤波方法的有效性和优越性。
本论文的核心是第三章——基于卡尔曼滤波估计的无速度传感器矢量控制系统。
比较了跟踪系统中扩展卡尔曼滤波、无迹滤波在二阶常速（CV）统计模型下实现的性能。
最后基于一个典型的非线性模型对BSF和EKF进行了仿真比较。
并结合仿真实验阐述了EKF算法的适用范围，指出收敛系数和信标个数对算法的性能影响较大。
用MATLAB对扩展卡尔曼滤波（EKF）及UKF算法进行了系统仿真；
最后，采用扩展卡尔曼滤波（EKF）算法解算目标的相对位置和速度。
采用EKF算法，对包含天线罩误差的非线性观测方程进行线性化处理；
EKF对永磁同步电动机的转子位置、角速度、定子磁链和转矩进行了精确参数估计。
结果表明，此算法不但能即时地估计运动参数，而且还具有良好的稳定性和准确性。
应用扩展卡尔曼滤波器融合SIFT特征信息与机器人位姿信息完成SLAM。
该算法是一种以扩展卡尔曼滤波算法为基本框架，以贝叶斯理论和UT变换为理论基础的新型滤波算法。
针对极轨微小卫星，提出了一种基于磁强计的改进EKF算法。
提出了一种基于改进的扩展卡尔曼滤波器（EKF）的永磁同步直接转矩控制方法。
运用卡尔曼滤波器，这种算法可以获得很好的定位效果。
仿真结果表明，存在星表误差的情况下，采用REKF算法进行航天器导航，能够获得优于EKF的定位精度。
研究了基于扩展卡尔曼滤波和粒子滤波的移动机器人位姿估计。
针对这一不足，提出了一种基于EKF和小波变换的多尺度诊断方法；
仿真结果表明：在神经网络训练误差收敛速度及精度方面，粒子滤波要比BP及卡尔曼滤波要好；
每个模型都采用扩展卡尔曼滤波（EKF）对非线性系统线性化；
利用改进的EKF滤波技术识别成层土集总参数模型的参数