State Estimation for Robotics 《机器人状态估计》英文版原文（2020最新版），已更正前期排版错误；更新时间：July 03 2020年。已按单页排版方便阅读，内容完美。

最优状态估计 卡尔曼，H∞及非线性滤波（中文）最优状态估计 卡尔曼最优状态估计 卡尔曼最优状态估计 卡尔曼最优状态估计 卡尔曼

最优状态估计 卡尔曼，H∞及非线性滤波英文原版，国外经典教材，非常值得学习和收藏，讲解详细具体容易理解，适合初学者，也可作为工程技术人员参考书。

高等电力系统稳态分析第三章教案电力系统状态估计.ppt

该文件包含用于参数估计和仿真的锂离子电池模型。 1. 解压项目。 2. 双击 BatteryModeling.prj 设置 MATLAB 路径。 html 索引包含打开每个示例的链接。 演示： 1. 3S-1P电池组CCV充电，被动平衡。 具有被动平衡的充电/放电循环，包括热效应。 2. 电动汽车电池冷却。 汽车电池组的液体冷却。 3. 细胞表征。 使用脉冲放电实验的单电池参数估计。 4. SOC 估计使用 UKF。 5.使用EKF的SOH（内阻）在线估计。 内阻随时间增长，非线性卡尔曼滤波器估计其演变。 6. 电池应用。 此应用程序可用于从数据表信息中查找电池参数。 该站点包含有关使用MathWorks（R）工具进行电池建模的其他信息： https://www.mathworks.com/solutions/power-electronics-control/battery-mod

三、按最优状态估计线性化的卡尔曼滤波方程 ——广义（推广/扩展卡尔曼滤波方程） 问题、缺点 （1）标称解难解 （2）真轨迹与标称轨迹之间的状态差△X(t)或△Xk不能确保其足够小 或 值得注意的是 或 和 或 与前述的 不同 1、概述 为此，改用另一种近似方法，即采用围绕最优化状态估计 或 的线性化方法，现定义真轨迹与标称轨迹间的偏差为：

针对目前电力系统状态估计主要采用的扩展卡尔曼滤波(EKF)存在鲁棒性差，精确度被非线性程度制约大等缺点，提出一种电力系统的计算线性方法――求积分卡尔曼滤波(QKF)进行电力系统的状态估计，该算法从统计线性回归的角度，运用高斯-厄米特积分点，使得估计精确度大幅提高，并且引入精确度高，全网实时同步的同步相量测量单元(PMU)数据，成熟性好，技术成熟的SCADA数据进行混合量测。仿真结果表明，QKF法比EKF法具有更高的计算精确度，PMU数据的引入又进一步提高了电力系统状态估计的性能。基于混合量测的QKF法状态

使用变分贝叶斯方法的非高斯噪声状态估计的交互多模型方法

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.

matlab解微分组代码下载标称非线性模型预测控制 此存储库中的代码是 Python 中带有软约束的基本非线性模型预测控制 (NMPC) 实现，它使用 Unscented Kalman 滤波器进行状态估计。 NMPC 算法不考虑可能的不确定性，因此称为标称。 有关所需模块和包的更多信息，请参阅 部分。 如果您发现此代码有用，请考虑引用使用此实现进行验证。 入门 首先安装所需的技术先决条件并下载此存储库中包含的 Python 文件。 Next run ，它应该运行预定义的问题。 一旦成功，就可以编辑问题定义以定义您自己的问题。 该代码会自动输出一个用于分析和绘图的数据库，例如在 Matlab 或 Python 中使用。 描述 非线性模型预测控制 (NMPC) 是一种流行的控制方法，用于处理具有重要过程约束的多变量控制问题。 假设动态方程系统由微分代数方程 (DAE) 给出。 该代码主要用于验证更新颖算法的性能与更可能在工业中找到的实现。 它具有以下特点： 用于后退和收缩时间范围的廉价 NMPC 实现 使用 UKF 进行参数和状态估计 使用自动微分法高效求解非线性动态优化公式 由于软约束，