用传统最小二乘法及其改进方法进行谐波状态估计时,大都是对谐波进行非同步测量,然后求解一个大型的超定线性方程组,其估计精度不足、计算量大、状态量测量数目多且费用昂贵。提出一种基于同步相量测量的谐波状态估计,并用复数奇异值分解求解病态线性复变量方程组的方法,可在系统状态非完全可观的情况下进行有效估计,降低了对测量冗余的要求。以IEEE30节点系统为例,采用同步测量方法测量支路的谐波电流和节点的谐波电压,分别用Matlab和基于奇异值分解(SVD)的最小二乘估计程序进行仿真。结果表明,用SVD算法对系统进行谐波状态估计时较为准确。

研究了带有预见信息的线性离散时间系统的状态观测器,并将其应用到预见控制系统.为了满足设计观测器的需要,首先导出了包含可预见的目标值信号和干扰信号的扩大误差系统,并由此得到最优预见控制器.在设计状态观测器时,通过改写输出方程充分利用了可预见的目标值信号和干扰信号.设计的状态观测器针对原系统是全维观测器,而针对扩大误差系统则是降维观测器.最后通过数值仿真证明了所设计的状态观测器的有效性.

UKF算法搭建simulink平台 用于汽车状态估计

使用S-function搭建的车辆状态估计simulink模型，包含EKF和CKF

包含背景 电特性模型讲解 热特性、老化特性讲解 电池参数辨识的详细介绍 相信你看了能学到不少东西 由于文件大小分三部分上传

内包括卡尔曼滤波算法详细讲解 基于在线的参数辨识的估计 经验估计方法 内容硬核丰富值得学习

包含基本原理 查表发 基于状态估计和参数辨识方法 直流电阻法 基于交流阻抗谱的方法 利用传递函数直接计算 全篇总结

卡尔曼滤波与状态估计例题python实现 关于卡尔曼滤波的原理这里就不赘述了，很多大佬说的很棒，这里就把网课上看到的例题在这里做一下 巩固一下 卡尔曼滤波的两个步骤 预测更新（Predict): 预测状态量： x^=(t∣t−1)=A~x(t−1)+Bu(t)\hat x=(t|t-1)=\widetilde{A}x(t-1)+Bu(t)x^=(t∣t−1)=Ax(t−1)+Bu(t) 预测误差协方差矩阵： P(t∣t−1)=AP(t−1)AT+QP(t|t-1)=AP(t-1)A^T+QP(t∣t−1)=AP(t−1)AT+Q 测量更新（Correct）: 最优估计状态量： x~(t)=x^

针对非线性系统状态估计滤波，有很好的植入性，希望可以帮助到你。

高博翻译的《机器人学中的状态估计》，SLAM，机器人，状态估计。非常清晰，保证下载后不亏。