CN110531616B - 一种有色噪声下的网络化运动控制系统攻击辨识方法 - Google Patents

一种有色噪声下的网络化运动控制系统攻击辨识方法 Download PDF

Info

Publication number
CN110531616B
CN110531616B CN201910687029.4A CN201910687029A CN110531616B CN 110531616 B CN110531616 B CN 110531616B CN 201910687029 A CN201910687029 A CN 201910687029A CN 110531616 B CN110531616 B CN 110531616B
Authority
CN
China
Prior art keywords
attack
matrix
observer
representing
actuator
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201910687029.4A
Other languages
English (en)
Other versions
CN110531616A (zh
Inventor
朱俊威
顾曹源
张文安
俞立
董辉
徐建明
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang University of Technology ZJUT
Original Assignee
Zhejiang University of Technology ZJUT
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Zhejiang University of Technology ZJUT filed Critical Zhejiang University of Technology ZJUT
Priority to CN201910687029.4A priority Critical patent/CN110531616B/zh
Publication of CN110531616A publication Critical patent/CN110531616A/zh
Application granted granted Critical
Publication of CN110531616B publication Critical patent/CN110531616B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/0205—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric not using a model or a simulator of the controlled system
    • G05B13/024—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric not using a model or a simulator of the controlled system in which a parameter or coefficient is automatically adjusted to optimise the performance

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Feedback Control In General (AREA)

Abstract

一种有色噪声下的网络化运动控制系统攻击辨识方法，先对网络化运动控制系统进行建模，确定其传递函数；再考虑系统中存在执行器攻击、传感器攻击以及有色噪声的情况，将传递函数转换为状态空间方程并对其离散化；利用EMD对含有执行器攻击和传感器攻击及有色噪声的输出信号进行去噪；最后构建中间观测器并通过矩阵不等式求解观测器增益。本发明与现有鲁棒观测器技术相比，其攻击辨识效果较鲁棒观测器精度更高，并且可以通过调节特定调节参数改善估计性能。

Description

一种有色噪声下的网络化运动控制系统攻击辨识方法
技术领域
本发明属于网络安全技术领域，具体提供一种有色噪声下的网络化运动控制系统攻击辨识方法，它能对攻击进行辨识，为系统态势评估，保障其安全运行。
背景技术
随着网络信息技术的高速发展，许多工业控制系统引入了工业以太网和TCP/IP等开放通讯协议，这大幅提高了工业控制系统的智能化、信息化程度，但同时也引发了一系列安全问题。外部攻击者可以通过外部互联网入侵到工控系统中，从而在基础设施、生产制造、交通控制、国防军工等领域造成较大的经济损失。因此，能否对攻击信号进行准确辨识在工控系统中有着十分重要的作用，然而在实际工控系统中，传感器获取的工控系统运行数据会受到较大的白噪声或有色噪声的污染，这就难以对攻击信号进行准确的辨识。
针对含噪情况下的攻击辨识方面，现有的传统方法主要有鲁棒观测器和卡尔曼滤波。鲁棒观测器因为没有观测器匹配条件，并且对噪声有一定的抑制作用，因此得到了广泛的研究和应用，但在强噪声情况下，其对攻击信号的辨识效果较差。卡尔曼滤波器对高斯噪声具有较好的滤波效果，但对于非平稳信号，即有色噪声的滤波效果较差。上述两种方法在强有色噪声干扰的情况下的攻击辨识效果不佳，且现阶段没有较好的处理方法。
发明内容
基于上述问题，本发明提供了一种有色噪声下的网络化运动控制系统攻击辨识方法，具体地说，对含有执行器攻击和传感器攻击及有色噪声的输出信号进行EMD去噪重构，引入一个中间变量，构造一个中间观测器同时估计执行器攻击和传感器攻击，同时将估计效果与鲁棒观测器进行对比从而说明本发明的有效性。
本发明为解决上述技术问题提供了如下解决方案：
一种有色噪声下的网络化运动控制系统攻击辨识方法，包括以下步骤：
步骤1)，确定网络化运动控制系统传递函数；
通过系统辨识，确定运动控制系统传递函数如式(1)所示：
Figure GDA0003695617010000011
其中G(s)为网络化运动控制系统的传递函数，K、Ts为辨识出来的参数；
步骤2)，建立网络化运动控制系统状态空间方程并离散化，过程如下：
2.1)考虑系统中存在执行器攻击、传感器攻击以及有色噪声的情况，将上述传递函数转换为状态空间方程并对其离散化，如式(2)所示：
Figure GDA0003695617010000021
其中A为系统的状态矩阵，B为输入矩阵,x表示系统状态量,u为系统输入，wi表示有色噪声，fa表示执行器攻击，fs表示传感器攻击，E和D表示攻击增益矩阵；
2.2)对系统进行增广，将fs作为新的状态变量，令
Figure GDA00036956170100000211
得到增广后的状态空间方程，如式(3)所示：
Figure GDA0003695617010000022
其中，
Figure GDA0003695617010000023
步骤3),构建鲁棒观测器并通过矩阵不等式求解观测器增益，过程如下：
3.1)设计鲁棒观测器如式(4)所示：
Figure GDA0003695617010000024
其中
Figure GDA0003695617010000025
表示系统状态量
Figure GDA00036956170100000210
的估计值，
Figure GDA0003695617010000026
表示对执行器攻击fa的估计值，
Figure GDA0003695617010000027
表示输出y的估计值，L、F表示需要设计的鲁棒观测器增益；
3.2)构建矩阵如式(5)所示：
Figure GDA0003695617010000028
Figure GDA0003695617010000029
其中*表示对称元素，P表示待求解的正定矩阵,r表示给定标量，I表示单位阵；
3.3)求解矩阵不等式Φ＜0，得到P、r和鲁棒观测器参数L和F，从而由鲁棒观测器(4) 实现对执行器攻击和传感器攻击的准确估计；
步骤4)，对含有执行器攻击和传感器攻击及有色噪声的输出信号进行EMD去噪重构；
EMD方法是依据数据自身的时间尺度特征，将一个复杂信号分解为若干频率不同的简单信号，利用EMD对含有攻击及有色噪声的输出信号进行分解，并剔除高频分量，将剩下的分量合并重构，即可得到去噪后的输出信号；
步骤5)，构建中间观测器并通过矩阵不等式求解观测器增益，过程如下：
5.1)定义中间变量如式(6)所示：
Figure GDA0003695617010000031
其中上标"T"表示矩阵的转置，ζ表示中间变量，fa表示执行器攻击，
Figure GDA0003695617010000032
表示增广后的系统状态量，
Figure GDA0003695617010000033
表示攻击增益，ω调优参数；
5.2)基于中间变量，设计中间观测器如式(7)所示：
Figure GDA0003695617010000034
其中上标"T"表示矩阵的转置，
Figure GDA0003695617010000035
表示系统状态量
Figure GDA00036956170100000314
的估计值，
Figure GDA0003695617010000036
表示中间变量ζ的估计值，
Figure GDA0003695617010000037
表示对执行器攻击fa的估计值，
Figure GDA0003695617010000038
表示输出y的估计值，L表示需要设计的中间观测器增益；
5.3)构建矩阵如式(8)所示：
Figure GDA0003695617010000039
Figure GDA00036956170100000310
Figure GDA00036956170100000311
Figure GDA00036956170100000312
Figure GDA00036956170100000313
其中*表示对称元素，P1表示待求解的正定矩阵，H表示待求解的矩阵,P2表示带求解标量，ω为调优参数，ε为给定标量，I表示单位阵，Π11,Π12,Π22表示中间矩阵；
5.4)求解矩阵不等式Π＜0，得到P1,H,则中间观测器增益L如式(9)所示：
L＝P-1H (9)
其中上标"-1"表示矩阵的逆，从而由中间观测器(7)实现对执行器攻击和传感器攻击的准确估计。
本发明一种有色噪声下的网络化运动控制系统攻击辨识方法，通过对含有执行器攻击和传感器攻击及有色噪声的输出信号进行EMD去噪重构，引入一个中间变量，构造一个中间观测器，对执行器攻击和传感器攻击进行估计。
与现有鲁棒观测器技术(步骤3)及卡尔曼滤波技术相比，本发明的有益效果表现在于：可以对有色噪声进行较好的去噪，其攻击辨识效果较鲁棒观测器精度更高(详见附图说明中图2-4)，并且可以通过调节特定调节参数改善估计性能。该方法的辨识精度可以满足实际应用的要求，并且所需的相关参数可以通过低成本传感器测得
附图说明
图1是EMD去噪前后的输出信号对比图；
图2是利用鲁棒观测器对执行器攻击fa的估计效果；
图3是利用鲁棒观测器对传感器攻击fs的估计效果；
图4是去噪前利用中间观测器对执行器攻击fa的估计效果；
图5是去噪前利用中间观测器对传感器攻击fs的估计效果；
图6是去噪后利用中间观测器对执行器攻击fa的估计效果；
图7是去噪后利用中间观测器对传感器攻击fs的估计效果；
具体实施方式
为使本发明的目的、技术方案和优点更加清晰，下面结合附图和实际实验对本发明的技术方案作进一步描述。
参照图1-图7，一种有色噪声下的网络化运动控制系统攻击辨识方法，先对运动控制系统进行建模，确定其传递函数；考虑系统中存在执行器攻击、传感器攻击以及有色噪声，将传递函数转换为状态空间方程并对其离散化；对含有执行器攻击和传感器攻击及有色噪声的输出信号进行EMD去噪重构；构造一个中间观测器同时估计执行器攻击和传感器攻击，同时将估计效果与鲁棒观测器进行对比从而说明本发明的有效性。
一种有色噪声下的网络化运动控制系统攻击辨识方法，包括以下步骤：
1)确定网络化运动控制系统传递函数；
2)建立网络化运动控制系统状态空间方程并离散化；
3)构建鲁棒观测器并通过矩阵不等式求解观测器增益；
4)对含有执行器攻击和传感器攻击及有色噪声的输出信号进行EMD去噪重构；
5)构建中间观测器并通过矩阵不等式求解观测器增益。
进一步，所述步骤1)中，确定网络化运动控制系统传递函数，过程如下：
通过系统辨识，确定网络化运动控制系统传递函数如式(1)所示：
Figure GDA0003695617010000051
其中G(s)为网络化运动控制系统的传递函数，K＝0.08373,Ts＝0.02433为辨识出来的参数；
进一步，所述步骤2)中，建立网络化运动控制系统状态空间方程并离散化，过程如下：
2.1)考虑系统中存在执行器攻击、传感器攻击以及有色噪声的情况，将上述传递函数转换为状态空间方程并对其离散化，如式(2)所示：
Figure GDA0003695617010000052
其中状态矩阵
Figure GDA0003695617010000053
输入矩阵
Figure GDA0003695617010000054
输出矩阵
Figure GDA0003695617010000055
x表示系统状态量,u为系统输入，wi表示有色噪声，执行器攻击fa＝2sin(0.2t)，传感器攻击 fs＝2sin(0.2t)，攻击增益矩阵
Figure GDA0003695617010000056
和
Figure GDA0003695617010000057
2.2)对系统进行增广，将fs作为新的状态变量，令
Figure GDA0003695617010000058
得到增广后的状态空间方程，如式(3)所示：
Figure GDA0003695617010000059
其中，
Figure GDA0003695617010000061
进一步，所述步骤3)中，构建鲁棒观测器并通过矩阵不等式求解观测器增益，过程如下：
3.1)设计鲁棒观测器如式所示：
Figure GDA0003695617010000062
其中
Figure GDA0003695617010000063
表示系统状态量
Figure GDA0003695617010000064
的估计值，
Figure GDA0003695617010000065
表示对执行器攻击fa的估计值，
Figure GDA0003695617010000066
表示输出y的估计值，L、F表示需要设计的鲁棒观测器增益；
3.2)构建矩阵如式(5)所示：
Figure GDA0003695617010000067
Figure GDA0003695617010000068
其中*表示对称元素，P表示待求解的正定矩阵,La表示待求解的矩阵变量,给定标量 r＝40，I表示单位阵；
3.3)求解矩阵不等式Φ＜0，得到鲁棒观测器参数L和F：
Figure GDA0003695617010000069
从而由鲁棒观测器(4)实现对执行器攻击和传感器攻击的准确估计。
进一步，所述步骤4)中，对含有执行器攻击和传感器攻击及有色噪声的输出信号进行 EMD去噪重构，过程如下：
利用EMD对含有执行器攻击和传感器攻击及有色噪声的输出信号进行分解，并剔除高频分量，将剩下的分量合并重构，即可得到去噪后的输出信号。
进一步，所述步骤5)中，构建中间观测器并通过矩阵不等式求解观测器增益，过程如下：
5.1)定义中间变量如式(6)所示：
Figure GDA0003695617010000071
其中上标"T"表示矩阵的转置，ζ表示中间变量，fa表示执行器攻击，
Figure GDA0003695617010000072
表示增广后的系统状态量，攻击增益
Figure GDA0003695617010000073
调优参数ω＝80；
5.2)基于中间变量，设计中间观测器如式(7)所示：
Figure GDA0003695617010000074
其中上标"T"表示矩阵的转置，
Figure GDA0003695617010000075
表示系统状态量
Figure GDA0003695617010000076
的估计值，
Figure GDA0003695617010000077
表示中间变量ζ的估计值，
Figure GDA0003695617010000078
表示对执行器攻击fa的估计值，
Figure GDA0003695617010000079
表示输出y的估计值，L表示需要设计的中间观测器增益；
5.3)构建矩阵如式(8)所示：
Figure GDA00036956170100000710
Figure GDA00036956170100000711
Figure GDA00036956170100000712
Figure GDA00036956170100000713
Figure GDA00036956170100000714
其中*表示对称元素，P1表示待求解的正定矩阵，H表示待求解的矩阵,P2表示带求解标量，调优参数ω＝80，给定标量ε＝1，I表示单位阵，Π11,Π12,Π22表示中间矩阵：
5.4)求解矩阵不等式Π＜0，得到
Figure GDA0003695617010000081
中间观测器增益L如式(9)所示：
L＝P-1H (9)
得到中间观测器增益
Figure GDA0003695617010000082
从而由中间观测器(7)实现对执行器攻击和传感器攻击的准确估计。
从实验结果可以看出，本发明和鲁棒观测器相比，能更加准确的对攻击进行实时估计，为系统态势评估，保障其安全运行。其结果可以满足实际应用的精度与实时性要求，并且所需的相关参数均可以通过低成本的传感器测得。
以上结合附图详细说明和陈述了本发明的实施方式，但并不局限于上述方式。在本领域的技术人员所具备的知识范围内，只要以本发明的构思为基础，还可以做出多种变化和改进。

Claims (1)

1.一种有色噪声下的网络化运动控制系统攻击辨识方法,其特征在于，所述方法包括以下步骤：
1)确定网络化运动控制系统传递函数；
通过系统辨识，确定网络化运动控制系统传递函数如式(1)所示：
Figure FDA0003695617000000011
其中G(s)为网络化运动控制系统的传递函数，K，Ts为辨识出来的参数；
2)建立网络化运动控制系统状态空间方程并离散化，过程如下：
2.1)考虑系统中存在执行器攻击、传感器攻击以及有色噪声的情况，将上述传递函数转换为状态空间方程并对其离散化，如式(2)所示：
Figure FDA0003695617000000012
其中A为系统的状态矩阵，B为输入矩阵,x表示系统状态量,u为系统输入，wi表示有色噪声，fa表示执行器攻击，fs表示传感器攻击，E和D表示攻击增益矩阵；
2.2)对系统进行增广，将fs作为新的状态变量，令
Figure FDA0003695617000000013
得到增广后的状态空间方程，如式(3)所示：
Figure FDA0003695617000000014
其中，
Figure FDA0003695617000000015
3)构建鲁棒观测器并通过矩阵不等式求解观测器增益，过程如下：
3.1)设计鲁棒观测器如式(4)所示：
Figure FDA0003695617000000016
其中
Figure FDA0003695617000000017
表示系统状态量
Figure FDA0003695617000000018
的估计值，
Figure FDA0003695617000000019
表示对执行器攻击fa的估计值，
Figure FDA00036956170000000110
表示输出y的估计值，L、F表示需要设计的鲁棒观测器增益；
3.2)构建矩阵如式(5)所示：
Figure FDA0003695617000000021
Figure FDA0003695617000000022
其中*表示对称元素，P表示待求解的正定矩阵,r表示给定标量，I表示单位阵；
3.3)求解矩阵不等式Φ＜0，得到P、r和鲁棒观测器参数L和F，从而由鲁棒观测器(4)实现对执行器攻击和传感器攻击的准确估计；
4)对含有执行器攻击和传感器攻击及有色噪声的输出信号进行EMD去噪重构；
EMD方法是依据数据自身的时间尺度特征，将一个复杂信号分解为若干频率不同的简单信号，利用EMD对含有执行器攻击和传感器攻击及有色噪声的输出信号进行分解，并剔除高频分量，将剩下的分量合并重构，即可得到去噪后的输出信号；
5)构建中间观测器并通过矩阵不等式求解观测器增益，过程如下：
5.1)定义中间变量如式(6)所示：
Figure FDA0003695617000000023
其中上标"T"表示矩阵的转置，ζ表示中间变量，fa表示执行器攻击，
Figure FDA0003695617000000024
表示增广后的系统状态量，
Figure FDA0003695617000000025
表示攻击增益，ω调优参数；
5.2)基于中间变量，设计中间观测器如式(7)所示：
Figure FDA0003695617000000026
其中上标"T"表示矩阵的转置，
Figure FDA0003695617000000027
表示系统状态量
Figure FDA0003695617000000028
的估计值，
Figure FDA0003695617000000029
表示中间变量ζ的估计值，
Figure FDA00036956170000000210
表示对执行器攻击fa的估计值，
Figure FDA00036956170000000211
表示输出y的估计值，Le表示需要设计的中间观测器增益；
5.3)构建矩阵如式(8)所示：
Figure FDA0003695617000000031
Figure FDA0003695617000000032
Figure FDA0003695617000000033
Figure FDA0003695617000000034
Figure FDA0003695617000000035
其中*表示对称元素，P1表示待求解的正定矩阵，H表示待求解的矩阵,P2表示带求解标量，ω为调优参数，ε为给定标量，I表示单位阵，Π11,Π12,Π22表示中间矩阵：
5.4)求解矩阵不等式Π＜0，得到P1,H,则中间观测器增益Le如式(9)所示：
Le＝P1 -1H (9)
其中上标"-1"表示矩阵的逆，从而由中间观测器(7)实现对执行器攻击和传感器攻击的准确估计。
CN201910687029.4A 2019-07-29 2019-07-29 一种有色噪声下的网络化运动控制系统攻击辨识方法 Active CN110531616B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910687029.4A CN110531616B (zh) 2019-07-29 2019-07-29 一种有色噪声下的网络化运动控制系统攻击辨识方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910687029.4A CN110531616B (zh) 2019-07-29 2019-07-29 一种有色噪声下的网络化运动控制系统攻击辨识方法

Publications (2)

Publication Number Publication Date
CN110531616A CN110531616A (zh) 2019-12-03
CN110531616B true CN110531616B (zh) 2022-09-23

Family

ID=68660966

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910687029.4A Active CN110531616B (zh) 2019-07-29 2019-07-29 一种有色噪声下的网络化运动控制系统攻击辨识方法

Country Status (1)

Country Link
CN (1) CN110531616B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113268731B (zh) * 2021-05-13 2022-03-01 北京航空航天大学杭州创新研究院 一种针对负荷频率控制系统虚假数据攻击的估计方法
CN113489673B (zh) * 2021-05-25 2022-12-20 浙江工业大学 基于投影中间观测器的网络化运动控制系统攻击估计方法
CN115589319B (zh) * 2022-10-09 2023-10-24 四川大学 基于观测器的时滞切换系统的同步和攻击处理方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
FI20096394A0 (fi) * 2009-12-23 2009-12-23 Valtion Teknillinen Tunkeutumisen havaitseminen viestintäverkoissa
CN108733030B (zh) * 2018-06-05 2021-05-14 长春工业大学 一种基于网络的切换时滞系统中间估计器设计方法
CN108733031B (zh) * 2018-06-05 2020-12-04 长春工业大学 一种基于中间估计器的网络控制系统故障估计方法
CN109274678B (zh) * 2018-10-11 2021-01-05 浙江工业大学 一种丢包环境下针对车联网恶意攻击的估计方法
CN109241736B (zh) * 2018-10-11 2021-03-23 浙江工业大学 一种针对车联网执行器攻击和传感器攻击的估计方法
CN109947077A (zh) * 2019-03-13 2019-06-28 浙江工业大学 一种基于中间观测器的运动控制系统网络攻击辨识方法

Also Published As

Publication number Publication date
CN110531616A (zh) 2019-12-03

Similar Documents

Publication Publication Date Title
CN110531616B (zh) 一种有色噪声下的网络化运动控制系统攻击辨识方法
Liu et al. Filter design for autoregressive moving average graph filters
CN110543162B (zh) 一种强噪声下的运动控制系统多重故障辨识方法
CN106441288A (zh) 一种加速度计的自适应小波降噪方法
CN112364291B (zh) 一种前置滤波极值点优化集合经验模态分解方法及装置
CN110081967A (zh) 基于谱图小波变换的机械振动信号阈值降噪方法
CN109088770B (zh) 一种基于自适应符号传递熵的机电系统交互网络建模方法
CN110807255A (zh) 一种m通道联合时间顶点非下采样滤波器组的优化设计方法
Wang et al. Fast Spectral Correlation Based on Sparse Representation Self‐Learning Dictionary and Its Application in Fault Diagnosis of Rotating Machinery
CN110647132B (zh) 一种网络化运动控制系统频域分区攻击检测方法
Paiva et al. Wavelet-packet identification of dynamic systems in frequency subbands
Wang et al. Fractional 90° phase‐shift filtering based on the double‐sided Grünwald–Letnikov differintegrator
CN110535822B (zh) 一种网络化运动控制系统的多重传感器攻击辨识方法
Lima et al. On the steady-state MSE performance of the set-membership NLMS algorithm
CN113310684B (zh) 基于尺度空间和改进稀疏表示的齿轮箱故障特征提取方法
CN105550396B (zh) 一种基于阶跃响应相关分析的非参数系统辨识方法
CN107315713B (zh) 一种基于非局部相似性的一维信号去噪增强方法
DONG et al. Fast implementation technique of adaptive Kalman filtering deconvolution via dyadic wavelet transform
Chun-yan et al. Research about non-stationary properties and de-noising of chaos signals
Zhang et al. Complex-Valued Neural Network with Multi-Step Training for Single-Snapshot DOA Estimation
Soverini et al. Frequency domain identification of ARX models in the presence of additive input–output noise
Xia et al. Application of Kalman filter in microseismic data denoising based on identified signal model
Zhao et al. Prediction of industrial network security situation based on noise reduction using EMD
CN114019944B (zh) 一种fdi攻击下网络化控制系统状态与故障的联合区间估计方法
Einicke The application of frequency-weighting to improve filtering and smoothing performance

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant