在模型未知的情况下, 估计过程的重要变量尤为重要. 鉴于此, 采用不敏卡尔曼滤波(UKF) 与神经网络相结合的方法, 解决一类未知模型非线性系统的状态估计问题. 采用动态神经网络对非线性系统进行建模, 利用UKF 对状态和权值进行同时更新, 从而达到神经网络逼近真实模型, 估计值跟随真实值的目的. 通过两个仿真实例表明了所提出的方法具有良好的估计效果, 并且状态在输出中的比重越大, 其估计精度越高.

未知输入观测器 (UIO) 可用于将状态估计与可能传递给感兴趣的动态系统的干扰信号分离。 这个简单的例子说明了 UIO 的使用。 它摘自 J. Chen 所著的《Robust Model Based Fault Diagnosis for Dynamic Systems》一书。

为了实现未知复杂环境下机器人的局部路径规划,提出了一种新的局部路径规划方法,使机器人自主探测周边障碍物情况。通过滚动窗口计算局部目标等途径进行路径规划,从而实现机器人无碰撞到达全局目标点。该方法可以使机器人在未知复杂环境中较快较好地进行路径规划。仿真试验表明该方法具有可行性、有效性和实时性。

如果你遇到没有后缀的文件,那么你可以用这款工具查询出他的文件类型可能是什么,只需把你要鉴定的文件拖进去,几秒就可以得出结果.

vigenere-decrypt:Vigenère密码解密工具（具有未知密钥）

如果您知道未知系统的输入和输出，您可以使用 FIR 滤波器识别系统。 使输入范围在 [-0.5 0.5] 之间并找到其对应的响应。 在程序中，我们假设一个系统并找到它的响应。 使用上述假设系统的输出和输入，我们将估计一个系统。 如果相应的假设和估计的系统系数相同，则达到目标。

相互未知的MIMO雷达中的测向

一种从移相量未知的干涉图中恢复相位的方法，李博，陈磊，提出了一种从移相量未知的干涉图中恢复相位的方法。当移相干涉图的数量足够多时，对于干涉图上的某个像素点，其光强信号随时间变

现有的DOA估计算法都是基于较为理想的模型提出的,在实际工程中,这些算法的性能受快拍数少、阵列误差的影响会严重恶化.针对这一问题,文中提出一种稳健的未知信源数目的DOA估计算法.该算法先利用投影变换技术对阵列接收数据进行预处理,抑制模型误差并降低数据维数,从而提高算法的稳健性并减少计算量,然后根据变换后的m-Capon算法空间谱函数估计DOA.仿真结果表明:该方法在快拍数少、系统误差不大(小于10%)的情况下依然具有一定的方位“超分辨”能力,而且有较强的稳健性,性能远优于现有的MUSIC算法和对角加载m-

针对未知探测概率下多目标跟踪问题, 提出一种基于时变滤波算法的多目标概率假设密度(PHD) 滤波器. 算法推导了未知探测概率PHD递推式, 提出了将未知探测概率转化为目标的丢失与接收事件, 并依此建立了目标跟 踪的马尔科夫模型, 给出了该模型下时变卡尔曼滤波最优解, 进而在高斯混和PHD(GMPHD) 框架下推导了算法闭集解. 仿真实验表明, 所提出算法在未知且随时间变化的探测概率情形下, 仍能实时地跟踪各目标, 具有良好的工程应用前景.