物联网（IoT）技术已广泛应用于智能电网中，以监控物理或环境状况。 特别是，状态估计是智能电网中基于IoT的重要应用程序，通过对电表测量和电力系统拓扑的分析，状态估计可用于系统监控以获得最佳的电网状态估计。 但是，错误数据注入攻击（FDIA）对状态估计造成严重威胁，这是检测困难的原因。 在本文中，我们提出了一种针对FDIA的有效检测方案。 首先，研究了反映智能电网物理特性的两个参数。 一个参数是从控制器到静态无功补偿器（CSSVC）的控制信号。 较大CSSVC表示存在强烈的电压波动。 另一个参数是定量节点电压稳定性指数（NVSI）。 较大的NVSI表示较高的漏洞级别。 其次，根据CSSVC和NVSI的值，提出了一种优化的聚类算法，将潜在的易受攻击节点分为几类。 最后，基于这些类别，提出了一种用于FDIA实时检测的检测方法。 仿真结果表明，该方案可以有效地检测出FDIA。

中值过滤代码matlab 光场深度估计 该工具包含一些光场深度估计方法。 如何使用 运行main.m （此软件已在带有Windows 10 64位环境的Matlab 2016a上进行了测试） 参数data_type选择数据集。 data_type = 1新的基准数据集 Honauer, Katrin, Ole Johannsen, Daniel Kondermann and Bastian Goldluecke. A Dataset and Evaluation Methodology for Depth Estimation on 4D Light Fields[C]// Asian Conference on Computer Vision. Springer, Cham, 2016: 19-34. data_type = 2旧基准数据集 Wanner, Sven, Stephan Meister and Bastian Goldluecke. Datasets and Benchmarks for Dens-ely Sampled 4D Light Fields [C] // P

最新领域的communication文档

蒙特卡罗matlab仿真代码Maximum_Likelihood_Estimation_of_the_GJR-GARCH_Model_Using_Matlab 使用 Matlab 估计 GJR-GARCH 模型的最大似然 我们报告了用于 GJR-GARCH (Glosten-Jagannathan-Runkle GARCH) 模型最大似然估计的 Matlab 代码； 此外，我们报告了蒙特卡罗模拟，该模拟表明最大似然估计量收敛到真实参数。 我们将 t5-student 创新用于 GJR-GARCH 过程。 其他细节：所有Matlab代码文件必须包含在同一个文件夹中，并且该文件夹必须添加到Matlab路径中。 包含 Monte Carlo 模拟的主要 Matlab 文件名为“MainFile.m”。 此存储库中包含的所有其他 Matlab 文件 - 即“MLE_t5_tgarch.m”和“mycon_threshold_garch.m” - 是用于估计 GJR-GARCH 模型参数的辅助文件。

matlab灰色处理代码基于相位的视频震颤频率检测方法 实验设置如下： 经验1.1）欧拉频率估计：姿态估计+跟踪器+相位指针+相位指针上的FFT。 Exp 1.2）欧拉频率估计：姿势估计+跟踪器+灰色+ FFT超过灰色。 将exp1.1与1.2进行比较以显示相位的影响。 Exp 2.1）拉格朗日频率估计：所有帧的姿态估计+关节（x，y）上的FFT（无平滑度）。 Exp 2.2）拉格朗日频率估计：所有帧的姿态估计+跟踪器+关节（x，y）上的FFT（加上跟踪器）。 比较exp1.1与2.1以显示使用欧拉坐标的重要性。 所需包装： -对于图像处理，请从中进行编译，否则您将错过一些视频处理功能。 -对于姿势估计部分，如果您想重新训练CPM网络，请从中安装自定义版本。 -使用复杂的可控金字塔生成相位图像，请使用以下命令进行安装：sudo pip install perceptual。 -为了使用卡尔曼滤波器平滑关节轨迹，请安装：sudo pip install filterpy。 安装 运行代码以获取模型文件。 $ src/get_model.sh 如果上述方法失败，请与我联系以获取Google

一本很不错的信号检测与估计的书。当初打来，是因为其中关于时间估计的克拉美-罗界的说明，讲得很好。

在本文中，我们研究了多输入多输出（MIMO）和正交频分复用（OFDM）系统中的信道频率响应（CFR）矩阵和干扰加噪声协方差矩阵（ICM）估计，以抑制同信道干扰在接收方。 我们采用最小二乘准则执行初始CFR估计。 然后，我们在时域中估计干扰加噪声的自相关函数，而不是直接在频域中估计ICM。 自相关函数估计包括两个步骤。 首先，我们给出了残差样本自相关函数（SAFR）的期望与真实自相关函数之间的内在关系，该函数实际上是线性变换。 基于此，我们提出了一种补偿方法。 当导频OFDM符号数量小时，这种补偿将带来显着的性能提升。 其次，由于不能保证补偿后的SAFR是自相关序列（ACS），这会使获得的ICM损失具有正半确定性质，因此我们利用半定值编程（SDP）来找到最接近补偿后SAFR的ACS。 SDP以其双重形式解决，从而大大降低了复杂性。 最后，估算的ICM被重新利用以修改CFR估算。 估计的CFR和ICM在应用于干扰抑制合并接收机中时，表现出出色的干扰抑制性能。

协方差矩阵的估计 两种方法的实现（Python） “股票收益协方差矩阵的改进估计及其在投资组合选择中的应用/ Ledoit and Wolf 2001”（ “大尺寸协方差矩阵的直接非线性收缩估计/ Ledoit and Wolf 2017”

LOAM SLAM中用于非线性优化的方法《On Degeneracy of Optimization-based State Estimation Problems》，大家可以详细阅读，有需要的可以下载。同时可以参照博客https://blog.csdn.net/i_robots/article/details/108724606

项目中包括锂电池模型建立、参数辨识与验证、SOC估计采用扩展卡尔曼滤波(EKF)，使用了两种方式实现： Simulinks(EKF only) 脚本(包含EKF和UKF)