在 MATLAB 的贝叶斯网络工具箱 (BNT) 中，卡尔曼滤波器下有一个示例，其中 EM 算法用于估计状态转移矩阵（以及其余部分）。这是一个 2 遍批处理算法。

http://bayesnet.github.io/bnt/docs/usage_dbn.html#learn

唯一的问题是 BNT 是为 Matlab V5 编写的，GitHub 版本（参见GitHub Repository - BayesNet BNT）有一些更新，但在 2017a 下，有一些问题，但我发现它很有用。

另一个限制是它适用于严格的卡尔曼滤波器，而不是 EKF、UKF 或粒子滤波器。

不幸的是，在经典卡尔曼滤波器应用程序中，您需要猜测控制状态的状态转换模型。用于时变系统的此类模型的经典选择是随机游走模型，或其泛化，一阶马尔可夫模型。如果不知道可以假设哪种状态模型，您可以尝试从状态时间序列中提取趋势分量（例如，通过 EMD 或移动平均滤波器），并绘制它以了解例如，您的状态的一阶矩随时间变化。如果它作为幂律衰减$n$（IE$E[x(n)] \approx \alpha^n$) 直到最终值，这可能表明极点等于的一阶马尔可夫模型$\alpha$可以作为状态转换模型。

否则，您可以将状态的转换模型视为黑匣子，并考虑诸如无味卡尔曼滤波器之类的技术。