m0_64583023的博客

文献来源：摘要：能源市场的自由化、可再生能源的渗透、先进的计量能力以及对情境感知的需求，都要求进行系统范围的电力系统状态估计（PSSE）。然而，由于互联的复杂性、实时监测中的通信瓶颈、区域披露政策和可靠性问题，实施集中式估计器实际上是不可行的。在这种背景下，分布式PSSE方法在一个统一且系统的框架下进行了研究。基于交替方向乘子法的新型算法被开发出来。它利用现有的PSSE求解器，尊重隐私政策，具有较低的通信负载，并且即使在缺乏局部可观察性的情况下，其收敛到集中式估计的特性也能得到保证。

通过不断更新粒子的权重，并利用地形地图进行粒子采样和重采样，可以实现对机器人位置和姿态的准确估计。最终，通过对粒子进行重采样，可以得到对目标状态的估计。在地形辅助导航中，PCRB方法可以结合地形地图和传感器数据，考虑不确定性因素和环境变化，生成适应性强、鲁棒性好的导航路径。在地形辅助导航中，粒子滤波器可以用来估计机器人的位置和姿态，并结合地形信息进行导航。5. 郑时瑜，赵静然，孙晓涛. 基于粒子滤波和PCRB的无人机地形辅助导航方法[J]. 信息技术, 2021, 40(1):166-170.

本文模拟了安装在无人机中的距离传感器从地形获得的观测结果，并试图通过嘈杂的观测来估计地面的当前高度。线性卡尔曼滤波和粒子滤波技术都得到了实施和比较。[2]王涛,谢婧怡,孟丽岩,李勐.基于平方根容积卡尔曼滤波器的非线性模型参数识别[J].黑龙江科技大学学报,2023,33(01):109-115.[1]杜云峰.卡尔曼滤波器在过程估计中的应用[J].机电产品开发与创新,2007(04):142-143.博客内容尽量做到思维缜密，逻辑清晰，为了方便读者。部分理论来源于网络，如有侵权请联系删除。

EKF 是卡尔曼滤波器在非线性系统中的应用的推广延伸，其离散非线性系统的状态和测量方程表示为：EKF 原理如图 1 所示。EKF 主要包含时间更新（预测）与测量更新（校正）两个阶段。时间更新包含以下部分：卡尔曼滤波器法原理由射影定理推导而来，能在线性高斯模型的情况下对目标状态做出最优估计，但实际系统多为非线性系统[83]。为解决非线性系统滤波问题，常用处理方法是将其看作一个近似的线性滤波问题。

PC可能有大量的外设选择，如COM端口，USB, Wifi，键盘，鼠标，显示器等。然后提供图形说明，以指导您完成实现Simulink模型的整个过程，以设计，模拟和评估UKF用于倾斜传感器系统的性能。在第二部分中，提供图形说明，以指导您完成将您的设计从Simulink模型转移到基于Rapid STM32 - R1邮票板的现实世界独立倾斜传感器系统的过程。在第二部分中，将提供图形说明，指导您将设计从 Simulink 模型转移到基于 Rapid STM32 - R1 印章板的实际独立倾斜传感器系统的过程。

2]李成城,马立森,田原,贾运红,贾曲,田伟琴,张凯.基于CLAHE与卡尔曼滤波的掘进机机载视频稳像算法[J].工矿自动化,2023,49(05):66-73.DOI:10.13272/j.issn.1671-251x.2022100002.在所有 4 种情况下，KF 函数都接受多维系统的噪声样本作为输入，并根据噪声样本中固有的时变过程/噪声协方差生成真实系统状态的 KF 估计值。1） 标准卡尔曼滤波器 2） 扩展卡尔曼滤波器 3） 双卡尔曼滤波器 4） 平方根卡尔曼滤波器。行百里者，半于九十。

本文综述了连续非线性动力系统噪声时间序列测量中参数和未观测到的轨迹分量的估计问题。首先表明，在没有明确考虑测量误差的参数估计技术（如回归方法）中，噪声测量会产生不准确的参数估计。另一个问题是，对于混沌系统，必须最小化以估计状态和参数的成本函数非常复杂，以至于常见的优化例程可能会失败。我们表明，包含有关潜在轨迹的时间连续性的信息可以显着改善参数估计。本文详细描述了两种同时考虑变量误差问题和复杂成本函数问题的方法：射击方法和递归估计技术。博客内容尽量做到思维缜密，逻辑清晰，为了方便读者。行百里者，半于九十。

Σ点滤波器（也称为无迹滤波器）中，我们不用一大堆散射粒子来表示不确定性，而是假设不确定性具有高斯（正态）分布，并且以当前最佳估计值为中心：因此，我们可以用协方差矩阵来表示不确定性，就像我们为上面的粒子计算的那样。我们将协方差可视化为围绕状态估计的椭圆，其中椭圆绘制在 3σ 边界处（因此，真实状态大约 99.7% 的时间在这个椭圆内）。绘制 1000 个粒子只是为了进行比较。

考虑了最优卡尔曼滤波的例子。假设一些非标量复杂系统来分析最优卡尔曼滤波器的可用性，以获得估计值。作为估计前提和鲁棒性的度量，协方差矩阵对角线（与系统变化相关）时间依赖性。[1]岳兴春,彭勇,宋威,黄嘉诚,周钰琛.融合EMA和卡尔曼滤波的MEMS去噪研究与应用[J].仪表技术与传感器,2023(04):83-86+92.系统的特定组件通过过滤提供良好的估计，另一个则不然。得出结论，过滤器使用的有效性取决于系统。博客内容尽量做到思维缜密，逻辑清晰，为了方便读者。部分理论来源于网络，如有侵权请联系删除。

状态估计是控制理论中的一个重要的研究点，状态估计指的是从混有噪声的信号中尽可能地恢复系统真实的状态。估计的目的是从含有噪声的量测值中提取出有用信息，利用这些信息估计出系统的状态，使得估计的状态值与真实状态间误差满足方差最小的原则。由于人们生活的世界是非线性的，对抽象化得到的非线性模型进行处理，非线性滤波算法发挥了重要作用。滤波算法的发展由易入难，由线性发展到非线性，因此在进行非线性滤波算法的相关研究时，线性滤波算法的发展也需要进行一定的探讨。子滤波已成为主要的估计方法，并得到了广泛的应用。

该近似在每个时间步上分别形成，结果是一个递归算法，其中在每个步骤上，状态和噪声方差的足够统计数据都是通过卡尔曼滤波器的定点迭代估计的。与本工作相关，还考虑了具有未知方差的AR模型的VB近似，但未考虑具有未知时变方差的一般线性状态空间模型。两种主要方法是推导因式自由形式分布（对于共轭指数类中的模型），或者假设固定形式的后验分布（例如，多元高斯，可能具有模型的适当参数化）。贝叶斯噪声自适应滤波方法的例子是基于状态增强的方法[10]，[11]，多模型方法，如。贝叶斯方法是其中最通用的，其他方法通常可以解释为。

在数值实例中，以这种方式获得的线性预测器表现出优于现有线性预测器的性能，例如基于局部线性化或所谓的Carleman线性化的线性预测器。重要的是，构建这些线性预测器的过程完全是数据驱动的，而且非常简单——它归结为数据的非线性变换(提升)和提升空间中的线性最小二乘问题，可以很容易地解决大型数据集。我们特别关注模型预测控制(MPC)，并表明以这种方式设计的MPC控制器具有与具有相同数量的控制输入和相同维数的状态空间的线性动力系统的MPC相当的底层优化问题的计算复杂度。部分理论来源于网络，如有侵权请联系删除。

摘要:本文讨论了在LTI或LPV描述子框架中建模的系统的MATLAB/SCILAB工具箱的开发。(Darouach等人，1996)的作者提出了一种降阶未知输入观测，类似于(Chen和Patton, 1999)中研究的LTI系统的观测器。如果限制是模型的一部分，那么系统就变成了描述符- lti (DLTI)表示。许多系统都可以用非线性微分方程来建模，但是监控系统的设计是一项困难的任务。因此，对非线性系统进行线性化以获得线性时不变(LTI)系统是非常常见的，但这种表示在一个平衡点或工作点附近是有效的。

摘要： 为了提高用于电力系统动态状态估计的无迹卡尔曼滤波（UKF）的数值稳定性，该文提出一种保证正半定估计误差协方差的新型UKF（UKF-GPS），并与现有的5种方法进行了比较，包括UKF-schol、UKF-GPS。κ， UKF 修改， UKF-ΔQ和平方根 UKF （SR-UKF）。中指出的那样，EKF和UKF都可能遭受维数的诅咒，并且在状态向量大小为或更大的高维状态空间模型中，维数的影响可能会变得有害，特别是当描述状态空间模型的方程中存在高度非线性时，电力系统正是这种情况。

subplot(2,1,1),hold on, grid on, plot(ref_seg(2,:)', 'black'), plot(amp_med'), title('amplitude'), xlabel('medi玢o'), ylabel('amplitude (%)')【 PMU】信号生成、采样、分割、估计器应用和误差计算，并用Matlab代码实现。博客内容尽量做到思维缜密，逻辑清晰，为了方便读者。部分理论来源于网络，如有侵权请联系删除。行百里者，半于九十。

方向估计（MODE）方法具有吸引人的优势，例如渐近效率，计算复杂度适中，并且在处理相干信号方面具有出色的性能，这是传统的基于子空间的方法所不具备的。然而，MODE对根多项式系数的对称性采用了额外的假设和约束，这可能会导致在低信噪比/小样本量的情况下严重的性能下降，因为任何估计误差都会因对称性而放大两次。我们表明，具有闭式解的PUMA，不依赖于对系数的任何额外假设和约束，是最小化相同成本函数的比MODE更好的替代项。AS的信号参数 亚空间方法的代表因其简单性和高精度而引起了极大的兴趣，并且 他们的许多变体[

但是，纯方位跟踪又是跟踪问题的一个难点，主要是因为同主动跟踪问题相比，纯方位跟踪具有不可观测性，滤波非线性等特点。扩展卡尔曼滤波( EKF) 是比较普遍适用的算法，此算法仅利用非线性函数 Taylor 展开的一阶项，只适用于弱非线性系统，在缺少距。对于强非线性系统，不敏卡尔曼滤波( UKF) 有更 好的滤波效果，但是 UKF 和 EKF 都是在基于模型线性化和高斯假设的条件下，不适用于非高斯分布的模型。行百里者，半于九十。