199号资源-源程序：（SCI论文+程序）具有部分观测损失的卡尔曼滤波-----已提供下载资源

电网论文源程序

于 2024-10-10 08:15:00 发布

阅读量423

点赞数 20

分类专栏：论文与完整源程序文章标签：程序

本文链接：https://blog.csdn.net/LIANG674027206/article/details/142756697

版权

论文与完整源程序专栏收录该内容

240 篇文章 231 订阅

订阅专栏

👆👆👆👆👆👆👆👆👆👆👆👆👆👆👆👆👆👆👆👆👆👆👆👆👆下载资源链接👆👆👆👆👆👆👆👆👆👆👆👆👆👆👆👆👆👆👆👆👆👆👆👆👆👆

《《《《《《《《更多资源还请持续关注本专栏》》》》》》》

论文与完整源程序_电网论文源程序的博客-CSDN博客https://blog.csdn.net/liang674027206/category_12531414.html

电网论文源程序-CSDN博客电网论文源程序擅长文章解读,论文与完整源程序,等方面的知识,电网论文源程序关注python,机器学习,计算机视觉,深度学习,神经网络,数据挖掘领域.https://blog.csdn.net/LIANG674027206?type=download

摘要-我们研究了K-Alman滤波问题部分或全部观测测量结果在随意的时尚。我们将卡尔曼滤波问题公式化。具有部分观测损失的情况下，推导出卡尔曼滤波使用部分观测测量进行更新。我们证明了有了这些部分测量，卡尔曼滤波和它的误差协方差矩阵迭代成为随机的，因为它们现在取决于传感器到达的随机数据包测量，在传输时可能会丢失或延迟通过通信网络。一、通信网络需要为每个服务器提供足够的吞吐量传感器测量，以保证稳定性卡尔曼滤波，其中吞吐量捕获传感器测量结果正确接收。我们在调查误差协方差的统计收敛性质矩阵迭代作为吞吐量的函数传感器测量。保证吞吐量的区域误差协方差矩阵的收敛由下式得到解决一个线性矩阵不等式的可行性问题。我们还发现了一个不稳定的吞吐量区域，使得卡尔曼滤波的状态估计误差是无界的。这个期望误差协方差矩阵从上到下都有界从下面开始。用一些简单的例子说明了结果。

部分代码展示：

tic
close all
clear
clc
A=[1.25 0;1 1.1];C1=[1 0];C2=[1 1];C=[C1;C2];Q=20*eye(2,2);
R=2.5*eye(2);R11=2.5*eye(1);R22=2.5*eye(1);       % 参数设置
lambda=0:0.01:1;                 %设置步长
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
lambda_c1=0:0.04:1;                                             %下界
lambdadown=max(0,1-1./(((max(abs(eig(A))))^2).*(1-lambda_c1)));   
p=plot(lambda_c1,lambdadown,'*r-');
axis([0 1 0 1]);
l=1;                              %上界
lambdaup=zeros(size(lambda_c1));
for k=lambda_c1               
    n=length(lambda);     
    T=zeros(n,1);
    for i=1:n
        setlmis([]);
        Y=lmivar(1,[2,1]);       %与矩阵A同阶的对称矩阵
        Z=lmivar(2,[2,2]);       %矩阵Z的行数与矩阵A行数相等，列与矩阵C的行数相等
        Z1=lmivar(2,[2,1]);      %矩阵Z的行数与矩阵A行数相等，列与矩阵C1的行数相等 
        Z2=lmivar(2,[2,1]);      %矩阵Z的行数与矩阵A行数相等，列与矩阵C2的行数相等
        lmiterm([-1 1 1 Y],1,1);
        lmiterm([-1 1 2 Y],sqrt(k*lambda(i)),A);
        lmiterm([-1 1 2 Z],sqrt(k*lambda(i)),C);
        lmiterm([-1 1 3 Y],sqrt((1-k)*lambda(i)),A);
        lmiterm([-1 1 3 Z2],sqrt((1-k)*lambda(i)),C2);
        lmiterm([-1 1 4 Y],sqrt((1-lambda(i))*k),A);
        lmiterm([-1 1 4 Z1],sqrt((1-lambda(i))*k),C1);
        lmiterm([-1 1 5 Y],sqrt((1-lambda(i))*(1-k)),A);
        lmiterm([-1 2 2 Y],1,1);
        lmiterm([-1 3 3 Y],1,1);
        lmiterm([-1 4 4 Y],1,1);
        lmiterm([-1 5 5 Y],1,1);
        lmiterm([-2 1 1 Y],1,1);
        lmiterm([-3 1 1 0],1);
        lmiterm([3,1 1,Y],1,1);
        lmisys=getlmis;
        options=[0 0 0 0 1];
        [t,xopt]=feasp(lmisys,options);
        T(i)=t;
    end
    for j=1:n
        if T(j)<=0
            lambdaup(l)=lambda(j-1);   %%%%%可能是（j-1或j）具体看情况
            break
        end
    end
    l=l+1;
end

效果展示：