最优滤波和最优状态估计的两份资料

本书较为全面的介绍了最优状态估计的方法，适合作为最优状态估计相关领域工程技术人员参考著作，也可作为相关课程的高年级本科生或研究生教材

本书介绍了系统最优状态估计的方法。全书分为四大部分，第一部分给出了系统状态估计所需的数学基础，包括线性系统理论、概率理论、最小二乘估计、状态和协方差阵迭代；第二部分主要阐述了卡尔曼滤波器及其发展，包括离散卡尔曼滤波器、卡尔曼滤波器的其他表示方法、发展的卡尔曼滤波器、时间连续卡尔曼滤波器和最优平滑；第三部分介绍了H∞滤波器；第四部分介绍了非线性滤波器，包括非线.

分布式鲁棒电力系统状态估计 能源市场的放松管制、可再生能源的普及、先进的计量能力以及对态势感知的迫切需求，都需要全系统的电力系统状态估计(PSSE)。然而，由于互连的复杂性、实时监控中的通信瓶颈、区域披露政策和可靠性问题，实现一个集中的估计值实际上是不可行的。在这种情况下，分布式PSSE方法在统一和系统的框架下处理。基于乘子的交替方向法，提出了一种新的算法。它利用现有的PSSE求解器，尊重隐私策略，显示出较低的通信负载，并且即使在没有局部可观测性的情况下，它也保证了收敛到集中估计。除了传统的基于最小二乘的PSSE之外，该分散框架还可以容纳一个鲁棒状态估计器。通过开发与压缩采样进展的有趣联系，后者共同估计状态并识别损坏的测量。采用IEEE 14、118总线和4200总线基准对新算法进行了数值评估。仿真结果表明，该方法可以在少量的区域间交换的情况下达到可达到的精度，并优于最大的残差试验。乘数交替方向法;不良数据识别;Huber s函数;相量测量单元;SCADA测量;互联状态估计 本文系统地处理了分布状态估计器和鲁棒状态估计器。提出的算法放弃了局部可观测性要求，并保持向后兼容性。通过在相邻区域之间进行少量的数据交换，本地控制中心可以获得它们负责的部分互连的高精度估计，并同时识别(非)有意损坏的数据。新的框架容纳了PSSE问题的几个重要修改，如约束(例如，零注入总线，操作限制) 详细描述：https://blog.csdn.net/cooc89/article/details/118338964

机器人学中的状态估计中文版 + 2020英文版 尽管每种机器人的功能各异,然而在实际应用中,它们往往会面对一些共同的问题—状态估计(state estimation)和控制(control)。机器人的状态,是指一组完整描述它随时间运动的物理量,比如位置,角度和速度。本书重点关注机器人的状态估计,控制的问题则不在讨论之列。控制的确非常重要——我们希望机器人按照给定的要求工作,但首要的一步乃是确定它的状态。人们往往低估了真实世界中状态估计问题的难度,而我们要指出,至少应该把状态估计与控制放在同

概述主要讲述状态估计与系统辨识等相关问题，系统而全面，深入而细致，是一本难得的好书

EKF_SOC_Estimation函数使用二阶RC等效电路模型估算电池的端电压（Vt）和充电状态（SOC）。 该功能可以使用扩展卡尔曼滤波器（EKF）或自适应扩展卡尔曼滤波器（AEKF）。 用户还可以选择估算-20C至40C的SOC。 其中包括一个样品LA92行驶周期，电池参数（包括内部电阻）和Turnigy电池的SOC-OCV曲线。 要运行该示例，只需下载所有文件并运行main.mlx。

锂离子动力电池参数辨识与状态估计

Dan Simon的经典大作《Optimal State Estimation》对应的Matlab源程序。包含了基本的线性Kalman滤波、EKF、UKF、粒子滤波等基本算法。适合学习滤波理论的人员。

北航三系研究生课程，含往年考试题和往届学生总结答案（仅供参考），大作业程序和报告等