从攻击者的角度研究多传感器系统的安全性问题, 该系统配备有分散式卡尔曼滤波器和chi^2检测器.恶意攻击者通过修改新息序列以达到破坏系统性能的目的.为了最大程度地破坏系统性能,以数学期望的形式推导出子系统误差协方差表达式,并量化其与融合误差协方差的关系.此外,结合矩阵理论,分析受攻击前后系统性能指标的变化并给出可躲避chi^2检测器的最优线性欺骗攻击形式.最后,通过一个数值仿真例子验证所提出攻击策略的有效性.

高博翻译机器人学中状态估计，书的内容非常好，很有帮助，pdf原版，高博翻译机器人学中状态估计，书的内容非常好，很有帮助，pdf原版高博翻译机器人学中状态估计，书的内容非常好，很有帮助，pdf原版

具有时变时滞的离散时间BAM神经网络状态估计器的新方法

含有迟滞Hammerstein系统的非光滑卡尔曼状态估计

在这项工作中，我们考虑了非线性/非高斯系统中的状态估计问题。 本文基于高阶无味卡尔曼滤波器（HUKF），开发了一种新的高斯和估计算法。 针对HUKF，提出了一种sigma点选择方法，高阶无味变换（HUT）技术，该方法可以更精确地近似高斯分布。 我们介绍了高斯滤波器的系统公式，并开发了最优滤波器的高效和准确的数值积分。 然后，我们继续将HUKF的使用扩展到具有加性（可能是非高斯）噪声的离散时间非线性系统。 所得的滤波算法称为高斯和高阶无味卡尔曼滤波器（GS-HUKF），将预测和后验密度近似为有限数量的高斯密度加权和。 在理论分析和仿真中证实了所提出的高斯和HUKF在非线性非高斯滤波问题的计算精度和时间复杂度方面具有综合优势。

时变时滞神经网络状态估计的保守度较低

包含了电力系统虚假数据注入攻击MATLAB源代码及介绍。鲁棒电力系统状态估计器在监控应用中具有重要意义。根据我们的经验，我们发现使用投影统计的鲁棒广义极大似然（GM）估计是文献中最好的方法之一。它对多个交互和一致的坏数据、坏杠杆点、坏零注入以及某些类型的网络攻击具有鲁棒性。另外，它的计算效率高，适合于在线应用。GM估计器除了具有良好的击穿点外，在高斯或其他厚尾非高斯测量噪声下也具有较高的统计效率。使用SCADA测量的GM估计器的原始版本是由Mili和他的同事在1996年提出的。使用Givens旋转增强了其数值稳定性。将GM估计器推广到同时估计变压器抽头位置和系统状态。糟糕的零注入也得到了解决。

基于EKF扩展卡尔曼滤波车身状态估计 汽车稳定性控制系统需要的状态信息一部分可通过车载传感器直接测量，另一部分不能直接测量。为了实现车辆动力学控制系统中的这种闭环状态反馈，受某些测量技术以及成本等因素的制约，依靠传感器直接测量获取某些重要状态量有很大的难度，因此提出状态估计的方法，即通过估计算法实时获取车辆在行驶过程中的某些重要状态量，如车速、横摆角速度、质心侧偏角等。本章利用扩展卡尔曼滤波方法，基于三自由度的车辆估计模型对轮边驱动电动汽车的纵向车速、侧向车速、质心侧偏角进行了估计，通过仿真验证了估计算法的准确性。

机器人学,本质上研究的是世界中运动物体的问题。机器人的时代已经来临:火星车正在太空探 索,无人机正在地表巡航,很快,自动驾驶汽车亦将闯入眼帘。尽管每种机器人的功能各异,然而在 实际应用中,它们往往会面对一些共同的问题——状态估计(state estimation)和控制(control)。 机器人的状态,是指一组完整描述它随时间运动的物理量,比如位置,角度和速度。本书重点关 注机器人的状态估计,控制的问题则不在讨论之列。控制的确非常重要——我们希望机器人按照给定 的要求工作,但首要的一步乃是确定它的状态。人们往往低估了真实世界中状态估计问题的难度,而 我们要指出,至少应该把状态估计与控制放在同等重要的地位。

基于距离和方向的扩展卡尔曼状态估计maltba仿真。3维场景下，测量得到目标的距离和方位，通过扩展卡尔曼估计目标的位置和速度信息。适用于目标匀速运动的情况。