英文版的状态估计，非常清晰，保证下载后不亏。时学习slam的必备书籍。

蒙特卡洛法的应用dddd，电力系统状态估计状态分析，风险评估

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

具有泄漏时滞和混合加性时变时滞复数神经网络的状态估计.pdf

非线性状态估计是一个具有挑战性的问题。 著名的卡尔曼滤波器只适用于线性系统。 扩展卡尔曼滤波器 (EKF) 已成为非线性状态估计的标准公式。 然而，由于不确定性通过非线性系统的传播，它可能会导致高度非线性系统的重大误差。 无迹卡尔曼滤波器 (UKF) 是该领域的一项新进展。 这个想法是基于其协方差在当前状态估计周围产生几个采样点（Sigma 点）。 然后，通过非线性映射传播这些点以获得映射结果的均值和协方差的更准确估计。 通过这种方式，它避免了计算雅可比矩阵的需要，因此只产生与 EKF 相似的计算负载。 出于教程目的，此代码实现了 UKF 公式的简化版本，其中我们假设过程噪声和测量噪声都是可加的，以避免状态增加，并简化对非线性映射的假设。 该代码被大量注释，并附有使用该函数的示例。 因此，初学者学习UKF是合适的。 为了比较，可以从http://www.mathworks.com/

Power System State Estimation Theory and Implementation 英文版的电力系统状态估计的经典著作，推荐学习电力系统的TX下载学习学习。

基于无迹卡尔曼滤波（UKF）的锂电池荷电状态（SOC）估计，里面包含自己所做实验得到的锂电池系统参数（二阶RC等效电路模型各参数），并且通过UDDS工况仿真验证UKF算法的精度。需要各种误差图，可自行修改代码。

State Estimation for Robotics机器人学中的状态估计 [加]蒂莫西•D.巴富特 slam必读 中文文字版 （slam必读+状态估计+无人驾驶+自主导航+路径规划）

这是示例所包含的源代码 Jhelum Chakravorty和Aditya Mahajan，“基于马尔可夫状态的丢包信道的远程估计”，发表在《IEEE自动控制学报》上。2019年6月接受。 系统模型 源模型 考虑一个一阶自回归源${Xt}{t \ge 0}$定义在$\mathbb R$或$\mathbb Z$上。初始状态$ x0 = 0$，对于$t \ge 0$，源演化为 其中${Wt}{t \ge 0}$是一个i.i.d噪声序列，并按均匀和对称分布分布$\mu$。 通道模型 该通道是一个带状态的丢包通道。状态${St}{t\ge 0}$是一个转移概率矩阵$Q$的一阶马尔可夫过程。 通道的输入是$\mathbb X$，输出是$\mathb

基于快速分解法的电力系统状态估计.pdf