时变时滞神经网络状态估计的保守度较低

包含了电力系统虚假数据注入攻击MATLAB源代码及介绍。鲁棒电力系统状态估计器在监控应用中具有重要意义。根据我们的经验，我们发现使用投影统计的鲁棒广义极大似然（GM）估计是文献中最好的方法之一。它对多个交互和一致的坏数据、坏杠杆点、坏零注入以及某些类型的网络攻击具有鲁棒性。另外，它的计算效率高，适合于在线应用。GM估计器除了具有良好的击穿点外，在高斯或其他厚尾非高斯测量噪声下也具有较高的统计效率。使用SCADA测量的GM估计器的原始版本是由Mili和他的同事在1996年提出的。使用Givens旋转增强了其数值稳定性。将GM估计器推广到同时估计变压器抽头位置和系统状态。糟糕的零注入也得到了解决。

基于EKF扩展卡尔曼滤波车身状态估计 汽车稳定性控制系统需要的状态信息一部分可通过车载传感器直接测量，另一部分不能直接测量。为了实现车辆动力学控制系统中的这种闭环状态反馈，受某些测量技术以及成本等因素的制约，依靠传感器直接测量获取某些重要状态量有很大的难度，因此提出状态估计的方法，即通过估计算法实时获取车辆在行驶过程中的某些重要状态量，如车速、横摆角速度、质心侧偏角等。本章利用扩展卡尔曼滤波方法，基于三自由度的车辆估计模型对轮边驱动电动汽车的纵向车速、侧向车速、质心侧偏角进行了估计，通过仿真验证了估计算法的准确性。

机器人学,本质上研究的是世界中运动物体的问题。机器人的时代已经来临:火星车正在太空探 索,无人机正在地表巡航,很快,自动驾驶汽车亦将闯入眼帘。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等重要的地位。

基于距离和方向的扩展卡尔曼状态估计maltba仿真。3维场景下，测量得到目标的距离和方位，通过扩展卡尔曼估计目标的位置和速度信息。适用于目标匀速运动的情况。

最优状态估计 卡尔曼，H∞及非线性滤波_中文版

电力系统状态估计——于尔铿.学习状态估计的经典著作，是目前为止中文类电力系统状态估计著作的代表之作。

这本书是关于分布式状态估计的最为经典的书籍，基于全连通拓扑和非全连通拓扑，线性系统和非线性系统，详细介绍了信息滤波和卡尔曼滤波的过程和推导

可以实现简单的电力系统状态估计，如最小二乘法等方法的实现。

抗差最小二乘估计是通过等价权将抗差估计原理与最小二乘形式有机结合起来。因此设计抗差最小二乘估计实质是等价权函数的设计。