.png){kind=icon}
返回
Robust data-driven Kalman filtering for unknown linear systems using maximum likelihood optimization
.png){kind=icon}
PRE
AI
DOI：10.1016/j.automatica.2025.112474.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
本文研究了同时受过程噪声和测量噪声影响的未知线性系统的状态估计问题。基于在较高频率采样的一阶输入-输出轨迹和在较低频率采样的一阶状态轨迹，我们提出了一种新颖的鲁棒数据驱动卡尔曼滤波器（RDKF），该滤波器将模型辨识与未知系统的状态估计相结合。具体而言，状态估计问题被表述为一个非凸的最大似然优化问题。随后，我们对优化问题进行微小的修改，得到一个可用递归算法求解的问题。基于该新问题的最优解，设计了RDKF，其能够估计给定但未知的系统状态空间模型的状态。通过一个样本复杂度界量化了RDKF与基于已知系统矩阵的最优卡尔曼滤波器之间的性能差距。特别地，当预收集的状态数量趋于无穷大时，这一差距收敛于零。最后，通过数值仿真验证了理论结果的有效性。
期刊
IF:
5.9
论文数:
1.2W
被引数:
5.2W
机构
暂无机构信息
引用论文
Automatic tuning of Kalman filters by maximum likelihood methods for wind energy forecasting.png)
APPLIED ENERGY
APPLIED ENERGYIF11
PREAI
分享收藏
查看更多内容