Strengthening Lattice Kalman Filters: Introducing Strong Tracking Lattice Filtering for Enhanced Robustness
Notice bibliographique
Résumé
This work develops a novel formulation of the lattice Kalman filter (LKF) for enhanced robustness. This novel approach initially integrates the concept of sliding innovation to refine the measurement update phase of the LKF, ensuring that the filter’s innovation is constrained within predetermined bounds; the resultant robust filter is designated as the Bounded Innovation Lattice Kalman Filter (BILF). To enhance its numerical stability and adaptive response to rapid changes in the process model or observational data, a Jacobian-free formulation of BILF with a time-varying bounded layer is first developed and then augmented with the adaptive fading factor strategy, leading to the establishment of a robust estimation method, termed as Strong Tracking LKF (ST-LKF). The developed estimation algorithm, in comparison with several renowned filters, is applied to the real-time estimation of states and output power of a single-machine infinite bus (SMIB) system under significantly noisy conditions. The effectiveness of ST-LKF is rigorously tested against a spectrum of operational conditions, including time-variant step and/or ramp inputs, measurement outliers, and short circuits, encompassing both stable and unstable states. Simulation results validate that the proposed filtering strategy excels in terms of accuracy and robustness when faced with model uncertainties and extreme noise levels, consistently maintaining its performance in estimating states across different designed scenarios.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,003 | 0,004 |
| Science ouverte | 0,002 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».