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

基于UT变换的在线电力系统动态状态估计.pdf

基于PMU数据的电力系统状态估计研究综述.pdf

针对利用平方根无极卡尔曼算法估算电池SOC时,因噪声协方差为常量带来的误差,在平方根无极卡尔曼滤波(SR-UKF)算法的基础,改进了算法,把每次测量的输出值残差的协方差作为噪声的协方差,得到自适应平方根无极卡尔曼滤波算法,使得噪声协方差随时间的更新而更新,解决了噪声协方差为常量带来的误差。实验表明,利用自适应平方根无极卡尔曼滤波算法对在常温下电池放电过程的SOC估计,精确度在总体上得到了提高,在电池工作区间0.2≤YSOC≤0.9内估计误差在1.5%以内。自适应平方根无极卡尔曼滤波算法对电池常温放电过程的SOC估计能满足电动汽车电池SOC估计的实际要求。

Optimal State Estimation - Kalman, Hoo and Nonlinear Approaches SOLUTION MANUAL 分为两部分这是习题部分；

#资源达人分享计划#

#资源达人分享计划#

行业分类-物理装置-一种无电流传感器的锂电池荷电状态估计方法.zip

为了提高末制导段雷达与红外复合导引头的跟踪精度，论文提出了一种融合跟踪方法。该方法首先将雷达与红外传感器观测到的目标距离、角度等信息进行融合，并将融合后的新观测信息作为雷达与红外传感器的输入，然后分别运用无迹卡尔曼粒子滤波算法对目标状态进行初估计，将各自得到的目标状态估计采用协方差加权融合的方法进行融合，最后得到目标最终的状态估计。结果表明，该方法能有效提高复合导引头对目标的跟踪精度。