Politechnika Gdańska Wydział Elektrotechniki i Automatyki. Automatyka i Robotyka Systemy Sterowania i Wspomagania Decyzji
|
|
- Zuzanna Stefaniak
- 6 lat temu
- Przeglądów:
Transkrypt
1 Monitorowanie i Diagnostyka w Systemach Sterowania (MiDwSS) Podstawowe sposoby opisu niepewności, wybrane zagadnienia zastosowania estymacji rekursywnej dla potrzeb monitorowania i diagnostyki w systemach sterowania Politechnika Gdańska Wydział Elektrotechniki i Automatyki Kierunek: Specjalność: Studia stacjonarne II stopnia: Automatyka i Robotyka Systemy Sterowania i Wspomagania Decyzji rok I, semestr II Opracowanie: dr inż. Tomasz Rutkowski MiDwSS 03
2 Plan prezentacji Podstawowe sposoby opisu niepewności Liniowe i rekursywne postaci obserwatorów Luenbergera Filtr RLS (ang. Recursive Least Squares) Filtr WRLS (ang. Weighted Recursive Least Squares) Filtr Kalmana (ang. Kalman Filter, KF ) Nieliniowe i rekursywne postaci obserwatorów Filtr RLS i WRLS Rozszerzony Filtr Kalmana (ang. Etended Kalman Filter, EKF) Sformułowanie zadań estymacji punktowej (RLS, WRLS) oraz przedziałowej (ang. set bounded) zmiennych i parametrów obiektów dynamicznych (liniowych/nieliniowych) na ruchomym oknie pomiarowym zadania optymalizacji MiDwSS 03
3 Schemat ideowy układu diagnostyki PRZYKŁADOWE ESTYMATORY MiDwSS 03 3
4 Schemat ideowy układu diagnostyki Estymacja parametrów Filtr RLS Filtr WRLS Rozszerzony Filtr Kalmana estymatory oparte o metody optymalizacji (rozwiązanie odpowiednich zadań optymalizacji prowadzących do estymat punktowych lub przedziałowych) Estymacja wyjść/stanu: Obserwator Laundbergera Filtr Kalmana, Rozszerzony Filtr Kalmana estymatory oparte o metody optymalizacji (rozwiązanie odpowiednich zadań optymalizacji prowadzących do estymat punktowych lub przedziałowych) MiDwSS 03 4
5 Schemat ideowy układu diagnostyki estymacja parametrów X OB Y Θˆ Θ OB - Obiekt X - sygnał wejściowy Y - sygnał wyjściowy Θ - parametry obiektu Θˆ - estymata parametrów obiektu MiDwSS 03 5
6 Schemat ideowy układu diagnostyki estymacja wyjść/stanu X OB Y Y ) OB OB - Obiekt X - sygnał wejściowy Y - sygnał wyjściowy Y ) ) e Y Y - residuum - estymata sygnału wyjściowego z obiektu MiDwSS 03 6
7 Schemat ideowy układu diagnostyki estymacja parametrów i/lub wyjścia/stanu X OB Y Y ), Θˆ Θ, Y OB - Obiekt X - sygnał wejściowy Y - sygnał wyjściowy Y ) - estymata sygnału wyjściowego z obiektu Θ - parametry obiektu Θˆ - estymata parametrów obiektu MiDwSS 03 7
8 Estymacja, Obserwatory, Filtry Estymacja to proces podejmowania decyzji lub wydawania sądu, co do przybliżonej wartości pewnych parametrów czy zmiennych charakteryzujących dany obiekt, na podstawie dostępnej informacji o obiekcie, łącznie z danymi o procesach w nim zachodzących, uporządkowane w danym zbiorze obserwacji. Idea obserwatora stanu polega na wykorzystaniu sygnałów wejściowych i wyjściowych systemu dynamicznego do estymacji (śledzenia zmienności) zmiennych stanu. Idea filtracji polega na takim przekształceniu sygnału wejściowego, przez filtr o odpowiedniej strukturze, aby wynik filtracji jak najmniej różnił się od sygnału odniesienia przy założonym kryterium błędu. MiDwSS 03 8
9 PODSTAWOWE MODELE NIEPEWNOŚCI MiDwSS 03 9
10 Modele niepewności W praktyce każdy zbiór rzeczywistych obserwacji zawiera informacje obarczone błędami, co związane jest to głównie z niepewnością, niedeterministycznym charakterem obiektu. Uwzględniając fakt, iż nie zawsze dysponujemy pełną informacją pomiarową (chociażby ze względów finansowych) problem estymacji można zdefiniować jako szacowanie wielkości niemierzonych (nieznanych) parametrów i zmiennych charakteryzujących obiekt na podstawie dostępnych obserwacji (pomiarów) innych parametrów i zmiennych badanego obiektu oraz na bazie modelu matematycznego obiektu opisującego relacje pomiędzy charakteryzującymi go zmiennymi i parametrami. MiDwSS 03 0
11 Modele niepewności Wykorzystanie modeli matematycznych jak i danych pomiarowych, w celu estymacji nieznanych parametrów i zmiennych charakteryzujących obiekt, jednoznacznie wiąże się z niepewnością. Źródła niepewności wynikają przede wszystkim z: błędów struktury modelu matematycznego, niepewnych parametrów modelu matematycznego, błędów pomiarowych obserwowanych wielkości, błędów metod numerycznych i symulacji (dokładność obliczeń, błędy zaokrągleń itp.), wiedzy a priori oraz heurystyk wykorzystanych przy budowie modelu systemu (niepewność w tym przypadku jest bardzo trudna do oszacowania). MiDwSS 03
12 Modele niepewności Trudno jest wskazać uniwersalną metodę opisu niepewności. Przy wyborze jej odpowiedniej reprezentacji należy wziąć pod uwagę między innymi następujące aspekty związane z jej opisem: przyczyny niepewności, ilość jak i jakość dostępnej informacji, typ dostępnej informacji, metody przetwarzania dostępnych informacji, itp. MiDwSS 03
13 Modele niepewności Wyróżnia się wiele sposobów opisu niepewności, z których najczęściej wykorzystuje się następujące modele: probabilistyczny model niepewności, rozmyty model niepewności, model niepewności wyrażony w postaci zbiorów ograniczonych (ang. set-bounded). MiDwSS 03 3
14 Modele niepewności Probabilistyczny model niepewności: nieznane wielkości reprezentowane są przez wartości zmiennych losowych wylosowanych ze ściśle określonych zbiorów, niepewność opisana jest przez rozkład prawdopodobieństwa; trajektorie tych wielkości są reprezentowane przez procesy stochastyczne. MiDwSS 03 4
15 Modele niepewności Probabilistyczny model niepewności Zmienna losowa: {,, } X, K Prawdopodobieństwo że zmienna losowa X przyjmie wartość ze zbioru [a, b]: ( X [ a b] ) P, n MiDwSS 03 5
16 Modele niepewności Probabilistyczny model niepewności Średnia n n i i Wartość oczekiwana (najbardziej prawdopodobna w sensie statystycznym) n E( X ) lim i n n i ( X ) X µ m m E inne oznaczenia MiDwSS 03 6
17 Modele niepewności Probabilistyczny model niepewności Wariancja υ υ E E [( X E( X )) ] E ( X m) [ ] n lim ( i m) [( ( )) ] ( X E X E X ) E( X ) n n i wartość rozrzutu realizacji wokół wartości średniej Odchylenie standardowe σ υ wartość koncentracji realizacji i w przedziale [m-σ, m+σ] MiDwSS 03 7
18 Modele niepewności Probabilistyczny model niepewności Dystrybuanta zmiennej losowej X: F n( ) ( ) lim P ( X ) n n Przykład: rozkład Gaussa F() Wyraża prawdopodobieństwo tego, że zmienna losowa X przyjmie wartość mniejszą lub równą MiDwSS 03 8
19 Modele niepewności Probabilistyczny model niepewności Gęstość prawdopodobieństwa ( ) df f ( ) Przykład: rozkład Gaussa d f ( ) X σ m σ π e ( m, ) ~ N σ f() MiDwSS 03 9
20 Modele niepewności Probabilistyczny model niepewności Rozkład Gaussa podstawowe właściwości X ( m, ) ~ N σ Y ax + b Jeżeli a to ( Y ~ N am + b, aσ ) f ( y) aσ y ( am + b ) aσ π e X X ( m ) N, ~ σ Jeżeli i są niezależne, oraz i to f ( + ) π X ( σ + σ ) ( ( m + m ) σ e ( σ + ) ) X ( m ) N, ~ σ MiDwSS 03 0
21 Modele niepewności Probabilistyczny model niepewności Kowariancja {( y ), (, y ),, (, )} F, K n y n (, y) P( X i Y y) m E ( X ) lim i my E( Y ) lim n n n i n n n i y i υ E [( ) ] n X m lim ( m ) n n i i υ y E [( ) ] n X my lim ( i my ) n n i MiDwSS 03
22 Modele niepewności Probabilistyczny model niepewności Kowariancja (cd.) c y E [( X m )( )] ( )( ) Y m lim y i m y i m y n n n n i ρ y σ c y σ y -gdy zmienne niezależne to: ρ y 0 - gdy zmienne zależne to: - ρ y MiDwSS 03
23 Modele niepewności Modele niepewności Probabilistyczny model niepewności Macierz wariacyjno-kowarjacyjna dla n zmiennych losowych c c υ L MiDwSS 03 3 n n n n n c c c c c c C υ υ υ L M M M L L
24 Modele niepewności Probabilistyczny model niepewności Autokorelacja ( t, t ) E[ X ( t ) X ( t )] R, t Jeżeli proces jest stacjonarny to: τ t ( τ ) E[ X ( t) X ( t τ )] R, MiDwSS 03 4
25 Modele niepewności Probabilistyczny model niepewności Biały szum R( τ ) τ τ MiDwSS 03 5
26 Modele niepewności Model niepewności w postaci zbiorów ograniczonych (ang. set-bounded): niepewne wielkości reprezentowane są w postaci ograniczeń dolnych i górnych, wewnątrz których na pewno znajdują się nieznane wielkości, trajektorie ograniczeń są modelowane przez ograniczone zbiory w przestrzeni trajektorii. Pomiar: y( t) y( t) + ε ( t) ε m m m + ( t) ε ( t) ε ( t) m znane a priori m y y m (t)-ε+ m (t) y m (t) y m (t)-ε - m (t) t MiDwSS 03 6
27 Modele niepewności Model niepewności w postaci zbiorów ograniczonych (ang. set-bounded): niepewne wielkości reprezentowane są w postaci ograniczeń dolnych i górnych, wewnątrz których na pewno znajdują się nieznane wielkości, trajektorie ograniczeń są modelowane przez ograniczone zbiory w przestrzeni trajektorii. Estymaty zmiennej stanu (t): ma (t) Xˆ ( t ) [ min ˆ : arg min ma Xˆ ( t), z Xˆ ma ( t)] z min (t) ^ (t) (t) centrum Czybyszewa t MiDwSS 03 7
28 Modele niepewności Rozmyty model niepewności: bazuje na teorii zbiorów rozmytych, niepewne wielkości reprezentowane są przez wartości zmiennych rozmytych, zdefiniowanych bezpośrednio przez funkcję przynależności. Zbiór rozmyty błędu prędkości e V µ( µ ( ) e V e V m s ujemny duży bliski zera dodatni duży MiDwSS 03 8
29 ESTYMACJA PARAMETRÓW MiDwSS 03 9
30 Schemat ideowy układu diagnostyki estymacja parametrów X OB Y Θˆ Θ OB - Obiekt X - sygnał wejściowy Y - sygnał wyjściowy Θ - parametry obiektu Θˆ - estymata parametrów obiektu MiDwSS 03 30
31 Schemat ideowy układu estymacji Źródła błędów systemu Sterowanie System/ Obiekt Stan Urządzenia pomiarowe Źródła błędów pomiarowych Urządzenia pomiarowe Pomiary wyjść Pomiary wejść Estymator Estymaty stanu/ parametrów Źródła błędów pomiarowych MiDwSS 03 3
32 Podstawowy model pomiarowy Model pomiarowy ~ y y + e~ e ~ ~ y y błąd pomiaru wartość mierzona wartość prawdziwa ~ y y ˆ + ) e błąd resztkowy (residuum) ) e ~ y yˆ wartość mierzona wartość estymowana e~ - wartość praktycznie nigdy nieznana; mechanizm generujący ten błąd zwykle jest aproksymowany przez pewien znany proces (np. szum gaussowski o zerowej wartości średniej i znanej wariancji σ lub zbiór ograniczony o granicach znanych a priori ) e ) - wartość znana w momencie wyznaczenia wartości estymowanej zmiennej MiDwSS 03 3
33 ESTYMACJA PARAMETRÓW LRS, WRLS MiDwSS 03 33
34 Estymacja parametrów filtr RLS (ang. Recursive Least Squares) Idea RLS Zakładamy, że pewien obiekt (proces) generuje wektor składający się z N zmiennych (), (),, (N) Zakładamy niezmienność procesu Nie możemy ich zmierzyć bezpośrednio ale dysponujemy aparaturą pomiarową, która umożliwia pomiar M- elementowego wektora z: z(), z(),, z(m), M>N: z H + gdzie H to macierz układu pomiarowego o wymiarach MN v to addytywny szum pomiarowy Estymatę oznaczamy jako ˆ a odpowiadający jej błąd z Hˆ + MiDwSS v vˆ vˆ
35 Estymacja parametrów filtr RLS (ang. Recursive Least Squares) Idea RLS (cd.) Estymata ˆ będzie tym lepsza im mniejszy będzie błąd sumy kwadratów związany z vˆ podstawiając: J vˆ T vˆ M i v i J ( ) T z Hˆ ( z Hˆ ) J osiąga minimum gdy: J ˆ H T ( z Hˆ ) 0 MiDwSS 03 35
36 Estymacja parametrów filtr RLS (ang. Recursive Least Squares) Idea RLS (cd.) Po kolejnych przekształceniach H T Hˆ H T z ˆ ( T ) T H H H z Czy jest to rozwiązanie efektywne? MiDwSS 03 36
37 Estymacja parametrów Estymacja parametrów filtr RLS (ang. filtr RLS (ang. Recursive Recursive Least Least Squares Squares) Przykład rekurencji Rekurencyjne wyznaczanie średniej: n i n i n + + n n n MiDwSS i i n i i n n n n n n n ( ) + + n n n n n n n n n
38 Estymacja parametrów filtr RLS (ang. Recursive Least Squares) Standard rekursywnej, adaptacyjnej estymaty parametrów nowa estymata jej prognoza + korekta korekta wzmocnienie * (pomiar-prognoza pomiaru) MiDwSS 03 38
39 Estymacja parametrów filtr RLS (ang. Recursive Least Squares) Wyprowadzenie RLS ˆ Wykorzystując poprzednie wyprowadzenie dla metody najmniejszych kwadratów: ˆ ( T ) T H H H z i wprowadzając oznaczenie bieżącego pomiaru k: ˆ ( T ) T H ( k) z( k) ( k) H ( k) H ( k) Otrzymuje się ostatecznie rekursywną postać filtru RLS: [ ] ( ) ( ) ( ) ( ) T k + ˆ k + K k z k + h ( k + ) ˆ ( k) ( k) + K( k) [ z( k + ) zˆ ( ) ] ˆ k + MiDwSS 03 39
40 Estymacja parametrów filtr RLS (ang. Recursive Least Squares) Wyprowadzenie RLS (cd.) ( k + ) ˆ ( k) + K( k) [ z( k + ) zˆ ( k ) ] ˆ + nowa estymata jej prognoza błąd pomiędzy pomiarem a jego prognozą korekta ( ) T k + h ( k ) ˆ ( k) zˆ + nowy, znany stara wektor estymata MiDwSS 03 40
41 Estymacja parametrów filtr RLS i WRLS Algorytm estymacji (dla RLS λ, dla WRLS λ<). Inicjalizacja: estymata N-elementowego wektora na podstawie N pierwszych pomiarów W P ˆ diag N N ( λ, λ,..., λ,) T ( H N W H ) ( N ) ( ) ( N ) T ( N ) P( N ) H ( N ) W z( N ) k N. Nowy pomiar z(k+), {nowe h(k+) i nowy szum v(k+)}: T ( k + ) h ( k + ) ˆ ( k + ) + v( k ) zˆ + 3. Modyfikacja wzmocnienia: c K ( ) T ( k + ) λ + h ( k + ) P( k) h( k + ) ( k + ) P( k ) h( k + ) c( k + ) MiDwSS 03 4
42 Estymacja parametrów filtr RLS (ang. Recursive Least Squares) 4. Predykcja parametru korekta estymaty wielkości szukanej: ˆ T ) ( ) ( k + ) ˆ ( k) + K( k + ) z( k + ) h ( k + ) ( k ) 5. Modyfikacja macierzy P: T P k + Ι K k + h k + λ 6. Następna iteracja: ( ) P( N ) ( ) ( ) ( ) k k + Skok do kroku MiDwSS 03 4
43 Estymacja parametrów filtr WRLS (ang. Weighted Recursive Least Squares) Idea WRLS Estymata ˆ będzie tym lepsza im mniejszy będzie błąd sumy kwadratów związany z vˆ, przy uwzględnieniu diagonalnej macierzy wag W: podstawiając: ˆ J vˆ T Wvˆ M i wiv i ( T ) T H WH H Wz przy czym: [ v] 0 E [ vv ] R E T W R MiDwSS 03 43
44 Przykłady estymacji parametrów filtry RLS, WRLS Przykładowe zadanie: Estymacja parametrów modelu matematycznego opisanego równaniem: y( k) n 0 ( n k) h( k) + v( k) metodami RLS i WRLS, na podstawie znajmości sygnału wejściowego (n) i wyjściowego y(n) zaszumionego szumem v(n) Przy czym jego parametry to [-0.987;,345] Zaczerpnięty z [] MiDwSS 03 44
45 Przykłady estymacji parametrów filtry RLS, WRLS MiDwSS 03 45
46 Przykłady estymacji parametrów filtry RLS, WRLS Parametry stałe [-0.987;,345] 0 POMIAR z(k) k MiDwSS 03 46
47 Przykłady estymacji parametrów filtry RLS, WRLS -0.6 ESTYMATA h RLS.8 ESTYMATA h he(k) -0.8 he(k) k k WRLS -0.7 ESTYMATA h.9 ESTYMATA h he(k) he(k) k k MiDwSS 03 47
48 Przykłady estymacji parametrów filtry RLS, WRLS Parametry zmienne [±0.987; ±,345] 0 POMIAR z(k) k MiDwSS 03 48
49 Przykłady estymacji parametrów filtry RLS, WRLS ESTYMATA h RLS 3 ESTYMATA h he(k) 0 he(k) k k.5 ESTYMATA h WRLS 3 ESTYMATA h 0.5 he(k) 0 he(k) k k MiDwSS 03 49
50 Nieliniowe filtry RLS, WRLS Bardziej szczegółowe informacje na temat liniowych i nieliniowych filtrów RLS i WRLS można znaleźć między innymi w materiałach wykładowych z przedmiotu: Modelowanie i Identyfikacja (wykłady 3, 4 i 5, sem. I studiów stacjonarnych I stopnia) MiDwSS 03 50
51 ESTYMACJA WYJŚĆ/STANU Obserwator Luenbergera Kalmana, Rozszerzony Filtr Kalamna MiDwSS 03 5
52 Schemat ideowy układu diagnostyki estymacja wyjść/stanu U OB Y Y ) OB OB - Obiekt U - sygnał wejściowy Y - sygnał wyjściowy Y ) e Y - estymata sygnału wyjściowego z obiektu ) Y MiDwSS 03 5
53 Estymacja wyjść/stanu Idea obserwatora Luenbergera wymaga znajomości wszystkich zmiennych stanu, wymagane są idealne czujniki pomiarowe o nieograniczonym paśmie znane wszystkie parametry systemu (opis w przestrzeni stanu, macierze A, B, C, D) Obserwator Luenbergera rzędu zredukowanego Więcej szczegółowych informacji o obserwatorach pełnym i zredukowanym Luenbergera można znaleźć między innymi w materiałach wykładowych z przedmiotu: Teoria Sterowania (sem. I studiów stacjonarnych I stopnia) MiDwSS 03 53
54 Estymacja wyjść/stanu Idea obserwatora Luenbergera Realny system dynamiczny u(t) (t) y(t) A, B C A, B ) ( t) Numeryczna kopia systemu Realny system dynamiczny ( k + ) A( k) Bu( k) ˆ( k + ) Aˆ ( k) + Bu( k) + Błąd odtworzenia stanu Numeryczna kopia systemu ~ ~ ( k) ( k) ˆ ( k) A( k) + Bu( k) Aˆ ( k) Bu( k) A( k) ~ ( 0) ( 0) ˆ( 0) MiDwSS 03 54
55 Estymacja wyjść/stanu Idea obserwatora Luenbergera Realny system dynamiczny u(t) (t) y(t) A, B C A, [B L] ) ( t) C ŷ( t) Korekta estymaty: ˆ Numeryczna kopia systemu ( k + ) Aˆ ( k) + Bu( k) + L( y( k) ˆ ( k) ) Błąd odtworzenia stanu ~ k k ˆ k A k + Bu k Aˆ k Bu k L y k ˆ k A LC ~ ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ( ) ( )) ( ) ( k) ~ ( 0) ( A LC) ( 0) ˆ( 0) MiDwSS 03 55
56 Estymacja wyjść/stanu Przykład zastosowania obserwatora Luenbergera MiDwSS 03 56
57 Estymacja wyjść/stanu Przykład zastosowania obserwatora Luenbergera prawdziwy stan obserwator L obserwator L obserwator L (k) k MiDwSS 03 57
58 Estymacja wyjść/stanu Przykład zastosowania obserwatora Luenbergera (k) 0-0 odchylenie standardowe szumu pomiarowego 0.05, 0.5, k MiDwSS 03 58
59 Estymacja wyjść/stanu Idea Filtru Kalmana (estymacja minimalno-średniokwadratowa, MMS, Minimum Mean Square) Filtr Kalmana stosuje się do estymacji wartości obserwowanych zmiennych, minimalizując błędu estymacji stanu ~ ˆ w sensie statystycznym. Filtr Kalmana uwzględnia informacje o procesie z dwóch źródeł: urządzenia pomiarowe (wiedza a posteriori), model systemu (wiedza a priori). Filtr Kalmana działa zgodnie ze schematem predyktor-korektor Rudolph. E. Kalman, "A New Approach to Linear Filtering and Prediction Problems", Trasactions of the ASME: Journal of Basic Engineering, vol 8, Series D, pp , 960. MiDwSS 03 59
60 Estymacja wyjść/stanu Idea Filtru Kalmana (zagubieni na morzu) z Określenie pozycji na podstawie pomiaru z wykonanego w chwili czasu t : średnia: z odchylenie standardowe: σ z najlepsza estymata położenia: (t ) z wariancja błędu estymaty: σ y (t ) σ z ˆ σ z z może być predykcją pozycji dla kolejnej chwili czasu t MiDwSS 03 Zaczerpnięto z [3] 60
61 Estymacja wyjść/stanu Idea Filtru Kalmana (zagubieni na morzu) z z Ponowne, po krótkiej chwili określenie pozycji na podstawie pomiaru (pomiar dokładniejszy niż poprzednim razem) z w chwili czasu t t : średnia - z odchylenie standardowe - σ z σ z konieczna korekcja estymaty położenia dokonanej sekstansem, wyznaczenie - (t ) ˆ Jak dokonać fuzji informacji z dwóch pomiarów o różnej dokładności? Założyliśmy rozkład Gaussa Zaczerpnięto z [3] MiDwSS 03 6
62 Estymacja wyjść/stanu Idea Filtru Kalmana (zagubieni na morzu) Z właściwości rozkładu normalnego: Zatem najlepszą estymatą położenia w chwili czasu t będzie: ˆ (t ) µ ˆ ( t ) z ; Zaczerpnięto z [3] MiDwSS 03 6
63 Estymacja wyjść/stanu Idea Filtru Kalmana (zagubieni na morzu) µ z z Skorygowana pozycja w chwili czasu t : optymalna estymata położenia: (t ) µ wariancja błędu estymaty : σ (t ) (poprzedni slajd) ˆ MiDwSS 03 Zaczerpnięto z [3] 63
64 Estymacja wyjść/stanu Idea Filtru Kalmana Działanie zgodnie ze schematem Predykcja-Korekcja Optymalna estymata jej prognoza + korekta korekta wzmocnienie Kalmana * (pomiar - prognoza pomiaru) Wariancja estymaty Wariancja prognozy*( - wzmocnienie Kalmana) MiDwSS 03 64
65 Estymacja wyjść/stanu Idea Filtru Kalmana (estymacja minimalno-średniokwadratowa, MMS, Minimum Mean Square) Minimalizuje się funkcję jakości w postaci: J E [( ) ( ) ] T ˆ ˆ Rozważa się model: z ( k + ) A ( k) + B u( k) + G w( k) ( k + ) H ( k + ) + v( k + ) - model procesu - model pomiaru proces dynamiczny, niestacjonarny Szczegółowe informacje można znaleźć np. w [] MiDwSS 03 65
66 Estymacja wyjść/stanu Idea Filtru Kalmana (estymacja MMS) MiDwSS 03 66
67 Estymacja wyjść/stanu Idea Filtru Kalmana (estymacja MMS) MiDwSS 03 67
68 Estymacja wyjść/stanu Idea Filtru Kalmana Błąd estymacji a priori (model): e ( k + k) ( k + ) ˆ ( k + k) Błąd estymacji a posteriori (pomiar): e ( k + k + ) ( k + ) ˆ ( k + k + ) Estymata błędu kowariancji a priori: [ ] T ( k + k) E e( k + k) e ( k k) P + Estymata błędu kowariancji a posteriori: [ ] T ( k + k + ) E e( k + k + ) e ( k + k ) P + MiDwSS 03 68
69 Estymacja wyjść/stanu Idea Filtru Kalman Celem filtru Kalmana jest wyznaczenie estymaty a posteriori ˆ ( k + k + ) jako liniowej kombinacji estymaty a priori ˆ k + k i ważonej różnicy pomiędzy aktualnym pomiarem z( k +) a predykcją pomiaru H ˆ ( k + k) : ( k + k + ) ˆ ( k + k) + K( k + ) ( z( k + ) H ˆ ( k k) ) ˆ + ( ) ( ) Wzmocnienie Kalmana K k + dobiera się tak aby estymacja kowariancji błędu aposteriori P k + k + była jak najmniejsza ( ) [ ] T H + R ( ) ( ) T + P k + k H H P( k + k) K k MiDwSS 03 69
70 Estymacja wyjść/stanu Idea Filtru Kalmana K ( k + ) H P P ( ) T k + k H ( k k) T + H + R lim K k R 0 ( + ) H Większe zaufanie do pomiaru niż do predykcji pomiaru ( ) 0 lim K k + P (k ) 0 + Większe zaufanie do predykcji pomiaru niż pomiaru MiDwSS 03 70
71 Estymacja wyjść/stanu Algorytm Filtru Kalmana MiDwSS 03 7
72 Estymacja wyjść/stanu Przykład : zastosowania Filtru Kalmana Odszumianie (filtrowanie) próbkowanych sygnałów zebranych z systemu GPS (0 razy na sekundę) zamontowanego w pojeździe autonomicznym poruszającym się ruchem jednostajnie przyspieszonym ( m/s ) po prostej drodze. Jakie jest położenie pojazdu? Pomiar położenia odbywa się z dokładnością 0 m. Prędkość mierzy się z dokładnością 0. m/s. MiDwSS 03 7
73 Estymacja wyjść/stanu Estymacja wyjść/stanu Przykład : zastosowania Filtru Kalmana Jak określić macierze R i Q? [ ] T k k E R ) ( ) ( µ µ 00 0 ) ( s R σ sv s s MiDwSS [ ] T k w k w E Q ) ( ) ( [ ] v vs sv s E v s v s E Q ) ( ) ( ) ( ) ( T T T T T T Q v v v v σ σ σ σ 0. T 0. σ v
74 Estymacja wyjść/stanu Przykład : zastosowania Filtru Kalmana Pozycja pojazdu prawdziwa mierzona estymowana 800 Pozy ycja [m] Czas [s] MiDwSS 03 74
75 Estymacja wyjść/stanu Przykład : zastosowania Filtru Kalmana Blad pomiaru pozycji i Blad estymacji pozycji pomiaru estymaty 0 Blad Po ozycji [m] Czas [s] MiDwSS 03 75
76 Estymacja wyjść/stanu Przykład : zastosowania Filtru Kalmana Predkosc pojazdu prawdziwa estymowana 40 Predko osc [m/s] Czas [s] MiDwSS 03 76
77 Estymacja wyjść/stanu Przykład : zastosowania Filtru Kalmana 0.4 Blad estymacji predkosci Blad pred dkosci [m/s] Czas [s] MiDwSS 03 77
78 Estymacja wyjść/stanu Przykład : zastosowania Filtru Kalmana Odszumianie (filtrowanie) próbkowanych sygnałów zebranych z analogowego czwórnika RLC. Napięcie zasilania u we (t) to napięcie o przebiegu bipolarnym prostokątnym z przedziału 0- V, R5 kω, L.5 H i C 0. µf. Napięcie na kondensatorze mierzone jest co T0-4 sekundy. Odchylenie standardowe szumu pomiarowego i procesu przyjęto na poziomie 0.. Zaczerpnięty z [] MiDwSS 03 78
79 Estymacja wyjść/stanu Przykład : zastosowania Filtru Kalmana ( t) u ( t) c ( ) t d dt du dt c d dt d dt ( t) LC R L LC ( t) ( t) + ( t) u d d dt dt 0 LC R L ( t) ( t) + LC u ( t) + w( t) LC MiDwSS 03 79
80 Estymacja wyjść/stanu Przykład : zastosowania Filtru Kalmana do estymacji stanu d ( t) u( t) w( t) d dt ( t) dt A d e AT B d ( AT ) e Ι A B z ( k + ) ( k) + u( k) + w( k) ( k + ) [ 0] ( k + ) + v( k + ) MiDwSS 03 80
81 Estymacja wyjść/stanu Przykład : zastosowania Filtru Kalmana do estymacji stanu MiDwSS 03 8
82 Estymacja wyjść/stanu Przykład : zastosowania Filtru Kalmana do estymacji stanu X(K) (CZERW) I JEGO POMIAR Z(K) (NIEB) k X(K) (CZERW) I JEGO ESTYMATA XE(K/K)(NIEB) k WSPÓŁCZYNNIK WZMOCNIENIA KA(k) k MiDwSS 03 8
83 Estymacja wyjść/stanu Przykład : zastosowania Filtru Kalmana do estymacji stanu 000 X(K) (CZERW) I JEGO POMIAR Z(K) (NIEB) k X(K) (CZERW) I JEGO ESTYMATA XE(K/K)(NIEB) k WSPÓŁCZYNNIK WZMOCNIENIA KA(k) k MiDwSS 03 83
84 Estymacja wyjść/stanu Przykład 3: zastosowania Filtru Kalmana do estymacji parametrów Rozważamy model postaci: ( k + ) A( Θ) ( k) + B( Θ) u( k) + G w( k) z( k) H ( Θ) ( k) + v( k) gdzie wektor parametrów jest nieznany. Wprowadzając nowy wektor zmiennych stanu: y ( k) przy czym ( k) ( ) Θ k Θ Θk ( ) Θ MiDwSS 03 84
85 Estymacja wyjść/stanu Przykład 3: zastosowania Filtru Kalmana do estymacji parametrów Otrzymuje się nieliniowy model w przestrzeni stanów: y z + ( k + ) f ( y( k), u( k) ) ( k ) h ( y ( k ) ) + v ( k ) + ( ) w k 0 Rozwiązanie: Rozszerzony Filtr Kalmana (dalsza część wykładu) przy czym: f ( y( k ) u( k) ) h ( Θ) ( k ) + B( Θ) u( k ) Θ( k ) A, ( y( k) ) H ( Θ) ( k) MiDwSS 03 85
86 Estymacja wyjść/stanu Idea Rozszerzonego Filtru Kalmana Rozszerzony Filtr Kalmana przeznaczony jest dla obiektów opisanych modelem nieliniowym i/lub nieliniowym równaniem pomiarowym. Równania takiego nieliniowego systemu można zapisać jako: Rozszerzony Filtr Kalmana jest Filtrem Kalamana linearyzowanym wokół aktualnej średniej i kowariancji każdej zmiennej stanu. f(), h() funkcje nieliniowe Inna notacja niż poprzednio MiDwSS 03 86
87 Estymacja wyjść/stanu Idea Rozszerzonego Filtru Kalmana Macierze Jacobiego pochodnych cząstkowych funkcji f() względem i w: Macierze Jacobiego pochodnych cząstkowych funkcji h() względem i v: Inna notacja niż poprzednio MiDwSS 03 87
88 Estymacja wyjść/stanu Algorytm Rozszerzonego Filtru Kalmana MiDwSS 03 Inna notacja niż poprzednio 88
89 Estymacja wyjść/stanu Przykład 4: zastosowania Rozszerzonego Filtru Kalmana Nieliniowa dynamika obiektu Nieliniowe równanie pomiarowe d spadające ciało g radar r Zaczerpnięto z [4] MiDwSS 03 r 89
90 Estymacja wyjść/stanu Estymacja wyjść/stanu Przykład 4: zastosowania Rozszerzonego Filtru Kalmana Model systemu (ciągły) + w w g d & & β 3 & MiDwSS Model pomiaru (ciągły) w & ( ) v r r z + + β 3 0 e d k ρ ρ
91 Estymacja wyjść/stanu Przykład 4: zastosowania Rozszerzonego Filtru Kalmana 5 Rozszerzony Filtr Kalmana Błąd estymacji wysokoś ści (ft) Błąd estymacji prędkośc ci (ft/s) Błąd estymacji wsp. β (lb/ft ) czas (s) czas (s) czas (s) MiDwSS 03 9
92 Estymacja wyjść/stanu Przykład 4: zastosowania Rozszerzonego Filtru Kalmana 0 04 Pomiar, Prawdziwa pozycja, Estymat 8 elevation (ft) czas (s) Prawdziwa pozycja - Estymata czas (s) MiDwSS 03 9
93 Estymacja wyjść/stanu Przykład 4: zastosowania Rozszerzonego Filtru Kalmana 0 0 Filtr Kalmana Błąd estymacji wysoko ości (ft) Błąd estymacji prędkoś ści (ft/s) (lb/ft ) Błąd estymacji wsp. β czas (s) czas (s) czas (s) MiDwSS 03 93
94 Bibliografia Materiały wykładowe z przedmiotów (sem. I; studiów I stopnia) : Modelowanie i Identyfikacja Teoria Sterowania [] Tomasz P.Zieliński, Cyfrowe przetwarzanie sygnałów od teorii do zastosowań. WKŁ, 007. [] Rudolph. E. Kalman, "A New Approach to Linear Filtering and Prediction Problems", Trasactions of the ASME: Journal of Basic Engineering, vol 8, Series D, pp , 960. [3] Peter S. Maybeck, Stochastic models, estimation and control, Academic Press, 979. [4] Arthur Gelb, Applied Optimal Estimation. The M.I.T Press, 974. MiDwSS 03 94
95 Zakończenie ;) Koniec części I Dziękuję za uwagę!!! MiDwSS 03 95
Filtr Kalmana. Struktury i Algorytmy Sterowania Wykład 1-2. prof. dr hab. inż. Mieczysław A. Brdyś mgr inż. Tomasz Zubowicz
Filtr Kalmana Struktury i Algorytmy Sterowania Wykład 1-2 prof. dr hab. inż. Mieczysław A. Brdyś mgr inż. Tomasz Zubowicz Politechnika Gdańska, Wydział Elektortechniki i Automatyki 2013-10-09, Gdańsk Założenia
Bardziej szczegółowoFuzja sygnałów i filtry bayesowskie
Fuzja sygnałów i filtry bayesowskie Roboty Manipulacyjne i Mobilne dr inż. Janusz Jakubiak Katedra Cybernetyki i Robotyki Wydział Elektroniki, Politechnika Wrocławska Wrocław, 10.03.2015 Dlaczego potrzebna
Bardziej szczegółowoSterowanie napędów maszyn i robotów
Wykład 5 - Identyfikacja Instytut Automatyki i Robotyki (IAiR), Politechnika Warszawska Warszawa, 2015 Koncepcje estymacji modelu Standardowe drogi poszukiwania modeli parametrycznych M1: Analityczne określenie
Bardziej szczegółowoFiltracja pomiarów z głowic laserowych
dr inż. st. of. Paweł Zalewsi Filtracja pomiarów z głowic laserowych słowa luczowe: filtracja pomiaru odległości, PNDS Założenia filtracji pomiaru odległości. Problem wyznaczenia odległości i parametrów
Bardziej szczegółowoPolitechnika Gdańska Wydział Elektrotechniki i Automatyki Katedra Inżynierii Systemów Sterowania
Politechnika Gdańska Wydział Elektrotechniki i Automatyki Katedra Inżynierii Systemów Sterowania MODELOWANIE I IDENTYFIKACJA Studia niestacjonarne Estymacja parametrów modeli, metoda najmniejszych kwadratów.
Bardziej szczegółowoStatystyka i opracowanie danych Podstawy wnioskowania statystycznego. Prawo wielkich liczb. Centralne twierdzenie graniczne. Estymacja i estymatory
Statystyka i opracowanie danych Podstawy wnioskowania statystycznego. Prawo wielkich liczb. Centralne twierdzenie graniczne. Estymacja i estymatory Dr Anna ADRIAN Paw B5, pok 407 adrian@tempus.metal.agh.edu.pl
Bardziej szczegółowoModele DSGE. Jerzy Mycielski. Maj Jerzy Mycielski () Modele DSGE Maj / 11
Modele DSGE Jerzy Mycielski Maj 2008 Jerzy Mycielski () Modele DSGE Maj 2008 1 / 11 Modele DSGE DSGE - Dynamiczne, stochastyczne modele równowagi ogólnej (Dynamic Stochastic General Equilibrium Model)
Bardziej szczegółowoEkonometria. Wprowadzenie do modelowania ekonometrycznego Estymator KMNK. Jakub Mućk. Katedra Ekonomii Ilościowej
Ekonometria Wprowadzenie do modelowania ekonometrycznego Estymator Jakub Mućk Katedra Ekonomii Ilościowej Jakub Mućk Ekonometria Wykład 1 Estymator 1 / 16 Agenda 1 Literatura Zaliczenie przedmiotu 2 Model
Bardziej szczegółowoModele zapisane w przestrzeni stanów
Modele zapisane w przestrzeni stanów Modele Przestrzeni Stanów (State Space Models) sa to modele, w których część parametrów jest nieobserwowalna i losowa. Zachowanie wielowymiarowej zmiennej y t zależy
Bardziej szczegółowoEstymacja wektora stanu w prostym układzie elektroenergetycznym
Zakład Sieci i Systemów Elektroenergetycznych LABORATORIUM INFORMATYCZNE SYSTEMY WSPOMAGANIA DYSPOZYTORÓW Estymacja wektora stanu w prostym układzie elektroenergetycznym Autorzy: dr inż. Zbigniew Zdun
Bardziej szczegółowoSpis treści. Przedmowa... XI. Rozdział 1. Pomiar: jednostki miar... 1. Rozdział 2. Pomiar: liczby i obliczenia liczbowe... 16
Spis treści Przedmowa.......................... XI Rozdział 1. Pomiar: jednostki miar................. 1 1.1. Wielkości fizyczne i pozafizyczne.................. 1 1.2. Spójne układy miar. Układ SI i jego
Bardziej szczegółowoWprowadzenie do teorii ekonometrii. Wykład 1 Warunkowa wartość oczekiwana i odwzorowanie liniowe
Wprowadzenie do teorii ekonometrii Wykład 1 Warunkowa wartość oczekiwana i odwzorowanie liniowe Zajęcia Wykład Laboratorium komputerowe 2 Zaliczenie EGZAMIN (50%) Na egzaminie obowiązują wszystkie informacje
Bardziej szczegółowoElementy Modelowania Matematycznego Wykład 4 Regresja i dyskryminacja liniowa
Spis treści Elementy Modelowania Matematycznego Wykład 4 Regresja i dyskryminacja liniowa Romuald Kotowski Katedra Informatyki Stosowanej PJWSTK 2009 Spis treści Spis treści 1 Wstęp Bardzo często interesujący
Bardziej szczegółowoAkademia Górniczo-Hutnicza Wydział Elektrotechniki, Automatyki, Informatyki i Elektroniki
Akademia Górniczo-Hutnicza Wydział Elektrotechniki, Automatyki, Informatyki i Elektroniki Przetwarzanie Sygnałów Studia Podyplomowe, Automatyka i Robotyka. Wstęp teoretyczny Zmienne losowe Zmienne losowe
Bardziej szczegółowoAnalityczne metody detekcji uszkodzeń
Instytut Sterowania i Systemów Informatycznych Universytet Zielonogórski Wykład 5 Model procesu Rozważmy czasowo-dyskretny model liniowy gdzie: k dyskretny czas, x(k) R n wektor stanu, x(k + 1) = Ax(k)
Bardziej szczegółowoWYKŁAD 8 ANALIZA REGRESJI
WYKŁAD 8 ANALIZA REGRESJI Regresja 1. Metoda najmniejszych kwadratów-regresja prostoliniowa 2. Regresja krzywoliniowa 3. Estymacja liniowej funkcji regresji 4. Testy istotności współczynnika regresji liniowej
Bardziej szczegółowoWażne rozkłady i twierdzenia c.d.
Ważne rozkłady i twierdzenia c.d. Funkcja charakterystyczna rozkładu Wielowymiarowy rozkład normalny Elipsa kowariacji Sploty rozkładów Rozkłady jednostajne Sploty z rozkładem normalnym Pobieranie próby
Bardziej szczegółowoNiech X i Y będą niezależnymi zmiennymi losowymi o rozkładach wykładniczych, przy czym Y EX = 4 i EY = 6. Rozważamy zmienną losową Z =.
Prawdopodobieństwo i statystyka 3..00 r. Zadanie Niech X i Y będą niezależnymi zmiennymi losowymi o rozkładach wykładniczych, przy czym Y EX 4 i EY 6. Rozważamy zmienną losową Z. X + Y Wtedy (A) EZ 0,
Bardziej szczegółowoWeryfikacja hipotez statystycznych
Weryfikacja hipotez statystycznych Hipoteza Test statystyczny Poziom istotności Testy jednostronne i dwustronne Testowanie równości wariancji test F-Fishera Testowanie równości wartości średnich test t-studenta
Bardziej szczegółowoWykład 10 Estymacja przedziałowa - przedziały ufności dla średn
Wykład 10 Estymacja przedziałowa - przedziały ufności dla średniej Wrocław, 21 grudnia 2016r Przedział ufności Niech będzie dana próba X 1, X 2,..., X n z rozkładu P θ, θ Θ. Definicja 10.1 Przedziałem
Bardziej szczegółowoPraca dyplomowa magisterska
Praca dyplomowa magisterska Implementacja algorytmów filtracji adaptacyjnej o strukturze transwersalnej na platformie CUDA Dyplomant: Jakub Kołakowski Opiekun pracy: dr inż. Michał Meller Plan prezentacji
Bardziej szczegółowoWstęp do Metod Systemowych i Decyzyjnych Opracowanie: Jakub Tomczak
Wstęp do Metod Systemowych i Decyzyjnych Opracowanie: Jakub Tomczak 1 Wprowadzenie. Zmienne losowe Podczas kursu interesować nas będzie wnioskowanie o rozpatrywanym zjawisku. Poprzez wnioskowanie rozumiemy
Bardziej szczegółowoSTATYSTYKA MATEMATYCZNA WYKŁAD stycznia 2010
STATYSTYKA MATEMATYCZNA WYKŁAD 14 18 stycznia 2010 Model statystyczny ROZKŁAD DWUMIANOWY ( ) {0, 1,, n}, {P θ, θ (0, 1)}, n ustalone P θ {K = k} = ( ) n θ k (1 θ) n k, k k = 0, 1,, n Geneza: Rozkład Bernoulliego
Bardziej szczegółowoKomputerowa Analiza Danych Doświadczalnych
Komputerowa Analiza Danych Doświadczalnych Prowadząca: dr inż. Hanna Zbroszczyk e-mail: gos@if.pw.edu.pl tel: +48 22 234 58 51 konsultacje: poniedziałek, 10-11; środa: 11-12 www: http://www.if.pw.edu.pl/~gos/students/kadd
Bardziej szczegółowoEkonometria. Prognozowanie ekonometryczne, ocena stabilności oszacowań parametrów strukturalnych. Jakub Mućk. Katedra Ekonomii Ilościowej
Ekonometria Prognozowanie ekonometryczne, ocena stabilności oszacowań parametrów strukturalnych Jakub Mućk Katedra Ekonomii Ilościowej Jakub Mućk Ekonometria Wykład 4 Prognozowanie, stabilność 1 / 17 Agenda
Bardziej szczegółowoSMOP - wykład. Rozkład normalny zasady przenoszenia błędów. Ewa Pawelec
SMOP - wykład Rozkład normalny zasady przenoszenia błędów Ewa Pawelec 1 iepewność dla rozkładu norm. Zamiast dodawania całych zakresów uwzględniamy prawdopodobieństwo trafienia dwóch wartości: P x 1, x
Bardziej szczegółowoRozdział 2: Metoda największej wiarygodności i nieliniowa metoda najmniejszych kwadratów
Rozdział : Metoda największej wiarygodności i nieliniowa metoda najmniejszych kwadratów W tym rozdziale omówione zostaną dwie najpopularniejsze metody estymacji parametrów w ekonometrycznych modelach nieliniowych,
Bardziej szczegółowoMetoda najmniejszych kwadratów
Metoda najmniejszych kwadratów Przykład wstępny. W ekonomicznej teorii produkcji rozważa się funkcję produkcji Cobba Douglasa: z = AL α K β gdzie z oznacza wielkość produkcji, L jest nakładem pracy, K
Bardziej szczegółowoWnioskowanie statystyczne. Statystyka w 5
Wnioskowanie statystyczne tatystyka w 5 Rozkłady statystyk z próby Próba losowa pobrana z populacji stanowi realizacje zmiennej losowej jak ciąg zmiennych losowych (X, X,... X ) niezależnych i mających
Bardziej szczegółowoKomputerowa Analiza Danych Doświadczalnych
Komputerowa Analiza Danych Doświadczalnych Prowadząca: dr inż. Hanna Zbroszczyk e-mail: gos@if.pw.edu.pl tel: +48 22 234 58 51 konsultacje: poniedziałek, 10-11, środa: 11-12 www: http://www.if.pw.edu.pl/~gos/students/kadd
Bardziej szczegółowox x 1. Przedmiot identyfikacji System x (1) x (2) : x (s) a 1 a 2 : a s mierzone, a = zestaw współczynników konkretyzujacych F ()
. Przedmiot identyfikacji System () x (2) x * a z y ( s ) x y = F (x,z)=f(x,z,a ),gdziex = F () znane, a nieznane x () x (2) x (s) mierzone, a = a a 2 a s zestaw współczynników konkretyzujacych F () informacja
Bardziej szczegółowoRozdział 8. Regresja. Definiowanie modelu
Rozdział 8 Regresja Definiowanie modelu Analizę korelacji można traktować jako wstęp do analizy regresji. Jeżeli wykresy rozrzutu oraz wartości współczynników korelacji wskazują na istniejąca współzmienność
Bardziej szczegółowoPodstawowe funkcje przetwornika C/A
ELEKTRONIKA CYFROWA PRZETWORNIKI CYFROWO-ANALOGOWE I ANALOGOWO-CYFROWE Literatura: 1. Rudy van de Plassche: Scalone przetworniki analogowo-cyfrowe i cyfrowo-analogowe, WKŁ 1997 2. Marian Łakomy, Jan Zabrodzki:
Bardziej szczegółowoLABORATORIUM Z FIZYKI
LABORATORIUM Z FIZYKI LABORATORIUM Z FIZYKI I PRACOWNIA FIZYCZNA C w Gliwicach Gliwice, ul. Konarskiego 22, pokoje 52-54 Regulamin pracowni i organizacja zajęć Sprawozdanie (strona tytułowa, karta pomiarowa)
Bardziej szczegółowoWykład 9. Terminologia i jej znaczenie. Cenzurowanie wyników pomiarów.
Wykład 9. Terminologia i jej znaczenie. Cenzurowanie wyników pomiarów.. KEITHLEY. Practical Solutions for Accurate. Test & Measurement. Training materials, www.keithley.com;. Janusz Piotrowski: Procedury
Bardziej szczegółowoKORELACJE I REGRESJA LINIOWA
KORELACJE I REGRESJA LINIOWA Korelacje i regresja liniowa Analiza korelacji: Badanie, czy pomiędzy dwoma zmiennymi istnieje zależność Obie analizy się wzajemnie przeplatają Analiza regresji: Opisanie modelem
Bardziej szczegółowoWYKŁADY ZE STATYSTYKI MATEMATYCZNEJ wykład 7 i 8 - Efektywność estymatorów, przedziały ufności
WYKŁADY ZE STATYSTYKI MATEMATYCZNEJ wykład 7 i 8 - Efektywność estymatorów, przedziały ufności Agata Boratyńska Agata Boratyńska Statystyka matematyczna, wykład 7 i 8 1 / 9 EFEKTYWNOŚĆ ESTYMATORÓW, próba
Bardziej szczegółowo[d(i) y(i)] 2. Do wyprowadzenia algorytmu RLS posłuży kryterium autokorelacyjne: J n = e 2 (i) i=1. λ n i [d(i) y(i)] 2 λ (0, 1]
Algorytm RLS Recursive Least Squares Ogólna postać kryterium LS: J = i e 2 (i) = i [d(i) y(i)] 2 Do wyprowadzenia algorytmu RLS posłuży kryterium autokorelacyjne: J n = e 2 (i) Zmodyfikowane kryterium
Bardziej szczegółowoMatematyka z el. statystyki, # 6 /Geodezja i kartografia II/
Matematyka z el. statystyki, # 6 /Geodezja i kartografia II/ Uniwersytet Przyrodniczy w Lublinie Katedra Zastosowań Matematyki i Informatyki ul. Głęboka 28, bud. CIW, p. 221 e-mail: zdzislaw.otachel@up.lublin.pl
Bardziej szczegółowoWYZNACZANIE NIEPEWNOŚCI POMIARU METODAMI SYMULACYJNYMI
WYZNACZANIE NIEPEWNOŚCI POMIARU METODAMI SYMULACYJNYMI Stefan WÓJTOWICZ, Katarzyna BIERNAT ZAKŁAD METROLOGII I BADAŃ NIENISZCZĄCYCH INSTYTUT ELEKTROTECHNIKI ul. Pożaryskiego 8, 04-703 Warszawa tel. (0)
Bardziej szczegółowoREGRESJA LINIOWA Z UOGÓLNIONĄ MACIERZĄ KOWARIANCJI SKŁADNIKA LOSOWEGO. Aleksander Nosarzewski Ekonometria bayesowska, prowadzący: dr Andrzej Torój
1 REGRESJA LINIOWA Z UOGÓLNIONĄ MACIERZĄ KOWARIANCJI SKŁADNIKA LOSOWEGO Aleksander Nosarzewski Ekonometria bayesowska, prowadzący: dr Andrzej Torój 2 DOTYCHCZASOWE MODELE Regresja liniowa o postaci: y
Bardziej szczegółowoEstymacja parametrów, przedziały ufności etc
Estymacja parametrów, przedziały ufności etc Liniowa MNK przypomnienie Wariancja parametrów Postulat Bayesa: rozkłady p-stwa dla parametrów Przypadek nieliniowy Przedziały ufności Rozkłady chi-kwadrat,
Bardziej szczegółowoZAJĘCIA II. Zmienne losowe, sygnały stochastyczne, zakłócenia pomiarowe
ZAJĘCIA II Zmienne losowe, sygnały stochastyczne, zakłócenia pomiarowe Po co statystyka w identyfikacji? Zmienne losowe i ich parametry Korelacja zmiennych losowych Rozkłady wielowymiarowe i sygnały stochastyczne
Bardziej szczegółowoPrawdopodobieństwo i statystyka r.
Zadanie. Niech (X, Y) ) będzie dwuwymiarową zmienną losową, o wartości oczekiwanej (μ, μ, wariancji każdej ze współrzędnych równej σ oraz kowariancji równej X Y ρσ. Staramy się obserwować niezależne realizacje
Bardziej szczegółowoWeryfikacja hipotez statystycznych, parametryczne testy istotności w populacji
Weryfikacja hipotez statystycznych, parametryczne testy istotności w populacji Dr Joanna Banaś Zakład Badań Systemowych Instytut Sztucznej Inteligencji i Metod Matematycznych Wydział Informatyki Politechniki
Bardziej szczegółowoMetody systemowe i decyzyjne w informatyce
Metody systemowe i decyzyjne w informatyce Laboratorium JAVA Zadanie nr 2 Rozpoznawanie liter autorzy: A. Gonczarek, J.M. Tomczak Cel zadania Celem zadania jest zapoznanie się z problemem klasyfikacji
Bardziej szczegółowoStatystyczne Metody Opracowania Wyników Pomiarów
Statystyczne Metody Opracowania Wyników Pomiarów dla studentów Ochrony Środowiska Teresa Jaworska-Gołąb 2017/18 Co czytać [1] H. Szydłowski, Pracownia fizyczna, PWN, Warszawa 1999. [2] A. Zięba, Analiza
Bardziej szczegółowoWykład 1 Próba i populacja. Estymacja parametrów z wykorzystaniem metody bootstrap
Wykład 1 Próba i populacja. Estymacja parametrów z wykorzystaniem metody bootstrap Magdalena Frąszczak Wrocław, 21.02.2018r Tematyka Wykładów: Próba i populacja. Estymacja parametrów z wykorzystaniem metody
Bardziej szczegółowoSpis treści Wstęp Estymacja Testowanie. Efekty losowe. Bogumiła Koprowska, Elżbieta Kukla
Bogumiła Koprowska Elżbieta Kukla 1 Wstęp Czym są efekty losowe? Przykłady Model mieszany 2 Estymacja Jednokierunkowa klasyfikacja (ANOVA) Metoda największej wiarogodności (ML) Metoda największej wiarogodności
Bardziej szczegółowoEstymacja przedziałowa - przedziały ufności dla średnich. Wrocław, 5 grudnia 2014
Estymacja przedziałowa - przedziały ufności dla średnich Wrocław, 5 grudnia 2014 Przedział ufności Niech będzie dana próba X 1, X 2,..., X n z rozkładu P θ, θ Θ. Definicja Przedziałem ufności dla paramertu
Bardziej szczegółowoMatematyka ubezpieczeń majątkowych r.
Matematyka ubezpieczeń majątkowych 3..007 r. Zadanie. Każde z ryzyk pochodzących z pewnej populacji charakteryzuje się tym że przy danej wartości λ parametru ryzyka Λ rozkład wartości szkód z tego ryzyka
Bardziej szczegółowoCYFROWE PRZETWARZANIE SYGNAŁÓW
POLITECHNIKA RZESZOWSKA im. I. Łukasiewicza WYDZIAŁ ELEKTROTECHNIKI I INFORMATYKI Katedra Metrologii i Systemów Diagnostycznych CYFROWE PRZETWARZANIE SYGNAŁÓW Analiza korelacyjna sygnałów dr hab. inż.
Bardziej szczegółowoPodstawy opracowania wyników pomiarów z elementami analizy niepewności pomiarowych. Wykład tutora na bazie wykładu prof. Marka Stankiewicza
Podstawy opracowania wyników pomiarów z elementami analizy niepewności pomiarowych Wykład tutora na bazie wykładu prof. Marka Stankiewicza Po co zajęcia w I Pracowni Fizycznej? 1. Obserwacja zjawisk i
Bardziej szczegółowoMETODY STATYSTYCZNE W BIOLOGII
METODY STATYSTYCZNE W BIOLOGII 1. Wykład wstępny 2. Populacje i próby danych 3. Testowanie hipotez i estymacja parametrów 4. Planowanie eksperymentów biologicznych 5. Najczęściej wykorzystywane testy statystyczne
Bardziej szczegółowoPrawdopodobieństwo i rozkład normalny cd.
# # Prawdopodobieństwo i rozkład normalny cd. Michał Daszykowski, Ivana Stanimirova Instytut Chemii Uniwersytet Śląski w Katowicach Ul. Szkolna 9 40-006 Katowice E-mail: www: mdaszyk@us.edu.pl istanimi@us.edu.pl
Bardziej szczegółowoSTATYSTYKA MATEMATYCZNA WYKŁAD grudnia 2009
STATYSTYKA MATEMATYCZNA WYKŁAD 10 14 grudnia 2009 PARAMETRY POŁOŻENIA Przypomnienie: Model statystyczny pomiaru: wynik pomiaru X = µ + ε 1. ε jest zmienną losową 2. E(ε) = 0 pomiar nieobciążony, pomiar
Bardziej szczegółowoĆwiczenie 1 Metody pomiarowe i opracowywanie danych doświadczalnych.
Ćwiczenie 1 Metody pomiarowe i opracowywanie danych doświadczalnych. Ćwiczenie ma następujące części: 1 Pomiar rezystancji i sprawdzanie prawa Ohma, metoda najmniejszych kwadratów. 2 Pomiar średnicy pręta.
Bardziej szczegółowoPodstawy opracowania wyników pomiarów z elementami analizy niepewności pomiarowych. Wykład tutora na bazie wykładu prof. Marka Stankiewicza
Podstawy opracowania wyników pomiarów z elementami analizy niepewności pomiarowych Wykład tutora na bazie wykładu prof. Marka tankiewicza Po co zajęcia w I Pracowni Fizycznej? 1. Obserwacja zjawisk i efektów
Bardziej szczegółowoWYKŁADY ZE STATYSTYKI MATEMATYCZNEJ wykład 3 - model statystyczny, podstawowe zadania statystyki matematycznej
WYKŁADY ZE STATYSTYKI MATEMATYCZNEJ wykład 3 - model statystyczny, podstawowe zadania statystyki matematycznej Agata Boratyńska Agata Boratyńska Statystyka matematyczna, wykład 3 1 / 8 ZADANIE z rachunku
Bardziej szczegółowoSzczegółowy program kursu Statystyka z programem Excel (30 godzin lekcyjnych zajęć)
Szczegółowy program kursu Statystyka z programem Excel (30 godzin lekcyjnych zajęć) 1. Populacja generalna a losowa próba, parametr rozkładu cechy a jego ocena z losowej próby, miary opisu statystycznego
Bardziej szczegółowoZadania ze statystyki, cz.7 - hipotezy statystyczne, błąd standardowy, testowanie hipotez statystycznych
Zadania ze statystyki, cz.7 - hipotezy statystyczne, błąd standardowy, testowanie hipotez statystycznych Zad. 1 Średnia ocen z semestru letniego w populacji studentów socjologii w roku akademickim 2011/2012
Bardziej szczegółowoWSKAZÓWKI DO WYKONANIA SPRAWOZDANIA Z WYRÓWNAWCZYCH ZAJĘĆ LABORATORYJNYCH
WSKAZÓWKI DO WYKONANIA SPRAWOZDANIA Z WYRÓWNAWCZYCH ZAJĘĆ LABORATORYJNYCH Dobrze przygotowane sprawozdanie powinno zawierać następujące elementy: 1. Krótki wstęp - maksymalnie pół strony. W krótki i zwięzły
Bardziej szczegółowoTablica Wzorów Rachunek Prawdopodobieństwa i Statystyki
Tablica Wzorów Rachunek Prawdopodobieństwa i Statystyki Spis treści I. Wzory ogólne... 2 1. Średnia arytmetyczna:... 2 2. Rozstęp:... 2 3. Kwantyle:... 2 4. Wariancja:... 2 5. Odchylenie standardowe:...
Bardziej szczegółowoRozkłady wielu zmiennych
Rozkłady wielu zmiennych Uogólnienie pojęć na rozkład wielu zmiennych Dystrybuanta, gęstość prawdopodobieństwa, rozkład brzegowy, wartości średnie i odchylenia standardowe, momenty Notacja macierzowa Macierz
Bardziej szczegółowoO ŚREDNIEJ ARYTMETYCZNEJ I MEDIANIE
Ryszard Zieliński, IMPAN Warszawa O ŚREDNIEJ ARYTMETYCZNEJ I MEDIANIE XXXIX Ogólnopolska Konferencja Zastosowań Matematyki Zakopane-Kościelisko 7-14 września 2010 r Model statystyczny pomiaru: wynik pomiaru
Bardziej szczegółowoSTATYSTYKA MATEMATYCZNA WYKŁAD 4. Testowanie hipotez Estymacja parametrów
STATYSTYKA MATEMATYCZNA WYKŁAD 4 Testowanie hipotez Estymacja parametrów WSTĘP 1. Testowanie hipotez Błędy związane z testowaniem hipotez Etapy testowana hipotez Testowanie wielokrotne 2. Estymacja parametrów
Bardziej szczegółowoMetoda największej wiarygodności
Metoda największej wiarygodności Próbki w obecności tła Funkcja wiarygodności Iloraz wiarygodności Pomiary o różnej dokładności Obciążenie Informacja z próby i nierówność informacyjna Wariancja minimalna
Bardziej szczegółowoUKŁADY ALGEBRAICZNYCH RÓWNAŃ LINIOWYCH
Transport, studia I stopnia rok akademicki 2011/2012 Instytut L-5, Wydział Inżynierii Lądowej, Politechnika Krakowska Ewa Pabisek Adam Wosatko Uwagi wstępne Układ liniowych równań algebraicznych można
Bardziej szczegółowo#09. Systemy o złożonej strukturze
#09 Systemy o złożonej strukturze system składa się z wielu elementów, obiekty (podsystemy) wchodzące w skład systemu są ze sobą połączone i wzajemnie od siebie zależne mogą wystąpić ograniczenia w dostępności
Bardziej szczegółowoSPOTKANIE 6: Klasteryzacja: K-Means, Expectation Maximization
Wrocław University of Technology SPOTKANIE 6: Klasteryzacja: K-Means, Expectation Maximization Jakub M. Tomczak Studenckie Koło Naukowe Estymator jakub.tomczak@pwr.wroc.pl 4.1.213 Klasteryzacja Zmienne
Bardziej szczegółowoADAPTACYJNE PRZETWARZANIE SYGNAŁÓW LABORATORIUM. Ćwiczenie 2. Badanie algorytmów adaptacyjnych LMS i RLS
ADAPTACYJNE PRZETWARZANIE SYGNAŁÓW LABORATORIUM Ćwiczenie 2 Badanie algorytmów adaptacyjnych LMS i RLS 1. CEL ĆWICZENIA Celem ćwiczenia jest samodzielna implementacja przez studentów dwóch podstawowych
Bardziej szczegółowoNa A (n) rozważamy rozkład P (n) , który na zbiorach postaci A 1... A n określa się jako P (n) (X n, A (n), P (n)
MODELE STATYSTYCZNE Punktem wyjścia w rozumowaniu statystycznym jest zmienna losowa (cecha) X i jej obserwacje opisujące wyniki doświadczeń bądź pomiarów. Zbiór wartości zmiennej losowej X (zbiór wartości
Bardziej szczegółowoPODSTAWY OPRACOWANIA WYNIKÓW POMIARÓW Z ELEMENTAMI ANALIZY NIEPEWNOŚCI POMIAROWYCH
PODSTAWY OPRACOWANIA WYNIKÓW POMIARÓW Z ELEMENTAMI ANALIZY NIEPEWNOŚCI POMIAROWYCH Dr Benedykt R. Jany I Pracownia Fizyczna Ochrona Środowiska grupa F1 Rodzaje Pomiarów Pomiar bezpośredni - bezpośrednio
Bardziej szczegółowoEstymacja parametrów, przedziały ufności etc
Estymacja parametrów, przedziały ufności etc Liniowa MNK przypomnienie Wariancja parametrów Postulat Bayesa: rozkłady p-stwa dla parametrów Przypadek nieliniowy Przedziały ufności Rozkłady chi-kwadrat,
Bardziej szczegółowo... prognozowanie nie jest celem samym w sobie a jedynie narzędziem do celu...
4 Prognozowanie historyczne Prognozowanie - przewidywanie przyszłych zdarzeń w oparciu dane - podstawowy element w podejmowaniu decyzji... prognozowanie nie jest celem samym w sobie a jedynie narzędziem
Bardziej szczegółowoMetody probabilistyczne
Metody probabilistyczne Teoria estymacji Jędrzej Potoniec Bibliografia Bibliografia Próba losowa (x 1, x 2,..., x n ) Próba losowa (x 1, x 2,..., x n ) (X 1, X 2,..., X n ) Próba losowa (x 1, x 2,...,
Bardziej szczegółowoRozpoznawanie obrazów
Rozpoznawanie obrazów Laboratorium Python Zadanie nr 1 Regresja liniowa autorzy: A. Gonczarek, J.M. Tomczak, S. Zaręba, M. Zięba, J. Kaczmar Cel zadania Celem zadania jest implementacja liniowego zadania
Bardziej szczegółowoFunkcje charakterystyczne zmiennych losowych, linie regresji 1-go i 2-go rodzaju
Funkcje charakterystyczne zmiennych losowych, linie regresji -go i 2-go rodzaju Dr Joanna Banaś Zakład Badań Systemowych Instytut Sztucznej Inteligencji i Metod Matematycznych Wydział Informatyki Politechniki
Bardziej szczegółowoPodstawy Automatyki. Wykład 7 - obiekty regulacji. dr inż. Jakub Możaryn. Warszawa, Instytut Automatyki i Robotyki
Wykład 7 - obiekty regulacji Instytut Automatyki i Robotyki Warszawa, 2018 Obiekty regulacji Obiekt regulacji Obiektem regulacji nazywamy proces technologiczny podlegający oddziaływaniu zakłóceń, zachodzący
Bardziej szczegółowoOptymalizacja ciągła
Optymalizacja ciągła 5. Metoda stochastycznego spadku wzdłuż gradientu Wojciech Kotłowski Instytut Informatyki PP http://www.cs.put.poznan.pl/wkotlowski/ 04.04.2019 1 / 20 Wprowadzenie Minimalizacja różniczkowalnej
Bardziej szczegółowoEstymacja parametrów rozkładu cechy
Estymacja parametrów rozkładu cechy Estymujemy parametr θ rozkładu cechy X Próba: X 1, X 2,..., X n Estymator punktowy jest funkcją próby ˆθ = ˆθX 1, X 2,..., X n przybliżającą wartość parametru θ Przedział
Bardziej szczegółowoPolitechnika Warszawska Wydział Samochodów i Maszyn Roboczych Instytut Podstaw Budowy Maszyn Zakład Mechaniki
Politechnika Warszawska Wydział Samochodów i Maszyn Roboczych Instytut Podstaw Budowy Maszyn Zakład Mechaniki http://www.ipbm.simr.pw.edu.pl/ Teoria maszyn i podstawy automatyki semestr zimowy 2017/2018
Bardziej szczegółowoNatalia Neherbecka. 11 czerwca 2010
Natalia Neherbecka 11 czerwca 2010 1 1. Konsekwencje heteroskedastyczności i autokorelacji 2. Uogólniona MNK 3. Stosowalna Uogólniona MNK 4. Odporne macierze wariancji i kowariancji b 2 1. Konsekwencje
Bardziej szczegółowoStatystyka opisowa. Wykład V. Regresja liniowa wieloraka
Statystyka opisowa. Wykład V. e-mail:e.kozlovski@pollub.pl Spis treści 1 Prosta regresji cechy Y względem cech X 1,..., X k. 2 3 Wyznaczamy zależność cechy Y od cech X 1, X 2,..., X k postaci Y = α 0 +
Bardziej szczegółowoOznacza to, że chcemy znaleźć minimum, a właściwie wartość najmniejszą funkcji
Wykład 11. Metoda najmniejszych kwadratów Szukamy zależności Dane są wyniki pomiarów dwóch wielkości x i y: (x 1, y 1 ), (x 2, y 2 ),..., (x n, y n ). Przypuśćmy, że nanieśliśmy je na wykres w układzie
Bardziej szczegółowoPobieranie prób i rozkład z próby
Pobieranie prób i rozkład z próby Marcin Zajenkowski Marcin Zajenkowski () Pobieranie prób i rozkład z próby 1 / 15 Populacja i próba Populacja dowolnie określony zespół przedmiotów, obserwacji, osób itp.
Bardziej szczegółowoSystemy. Krzysztof Patan
Systemy Krzysztof Patan Systemy z pamięcią System jest bez pamięci (statyczny), jeżeli dla dowolnej chwili t 0 wartość sygnału wyjściowego y(t 0 ) zależy wyłącznie od wartości sygnału wejściowego w tej
Bardziej szczegółowoZmienność wiatru w okresie wieloletnim
Warsztaty: Prognozowanie produktywności farm wiatrowych PSEW, Warszawa 5.02.2015 Zmienność wiatru w okresie wieloletnim Dr Marcin Zientara DCAD / Stermedia Sp. z o.o. Zmienność wiatru w różnych skalach
Bardziej szczegółowoEstymacja częstotliwości podstawowej sieci energetycznej na podstawie scałkowanego sygnału napięcia
SIWOŃ Cezary 1 Estymacja częstotliwości podstawowej sieci energetycznej na podstawie scałkowanego sygnału napięcia WSTĘP Utrzymanie stałej częstotliwości napięcia w sieci energetycznej jest jednym z najważniejszych
Bardziej szczegółowoPodstawy opracowania wyników pomiarów z elementami analizy niepewności pomiarowych
Podstawy opracowania wyników pomiarów z elementami analizy niepewności pomiarowych dla studentów Chemii (2018) Autor prezentacji :dr hab. Paweł Korecki dr Szymon Godlewski e-mail: szymon.godlewski@uj.edu.pl
Bardziej szczegółowoKomputerowa Analiza Danych Doświadczalnych
Komputerowa Analiza Danych Doświadczalnych dr inż. Adam Kisiel kisiel@if.pw.edu.pl pokój 117b (12b) 1 Materiały do wykładu Transparencje do wykładów: http://www.if.pw.edu.pl/~kisiel/kadd/kadd.html Literatura
Bardziej szczegółowoTestowanie hipotez statystycznych.
Statystyka Wykład 10 Wrocław, 22 grudnia 2011 Testowanie hipotez statystycznych Definicja. Hipotezą statystyczną nazywamy stwierdzenie dotyczące parametrów populacji. Definicja. Dwie komplementarne w problemie
Bardziej szczegółowoWstęp do teorii niepewności pomiaru. Danuta J. Michczyńska Adam Michczyński
Wstęp do teorii niepewności pomiaru Danuta J. Michczyńska Adam Michczyński Podstawowe informacje: Strona Politechniki Śląskiej: www.polsl.pl Instytut Fizyki / strona własna Instytutu / Dydaktyka / I Pracownia
Bardziej szczegółowoSposoby opisu i modelowania zakłóceń kanałowych
INSTYTUT TELEKOMUNIKACJI ZAKŁAD RADIOKOMUNIKACJI Instrukcja laboratoryjna z przedmiotu Podstawy Telekomunikacji Sposoby opisu i modelowania zakłóceń kanałowych Warszawa 2010r. 1. Cel ćwiczeń: Celem ćwiczeń
Bardziej szczegółowoSTATYSTYKA MATEMATYCZNA
STATYSTYKA MATEMATYCZNA 1. Wykład wstępny. Teoria prawdopodobieństwa i elementy kombinatoryki 2. Zmienne losowe i ich rozkłady 3. Populacje i próby danych, estymacja parametrów 4. Testowanie hipotez 5.
Bardziej szczegółowoMetody systemowe i decyzyjne w informatyce
Metody systemowe i decyzyjne w informatyce Ćwiczenia lista zadań nr 2 autorzy: A. Gonczarek, J.M. Tomczak Metody estymacji Zad. 1 Pojawianie się spamu opisane jest zmienną losową x o rozkładzie dwupunktowym
Bardziej szczegółowoPodstawowe modele probabilistyczne
Wrocław University of Technology Podstawowe modele probabilistyczne Maciej Zięba maciej.zieba@pwr.edu.pl Rozpoznawanie Obrazów, Lato 2018/2019 Pojęcie prawdopodobieństwa Prawdopodobieństwo reprezentuje
Bardziej szczegółowoOPIS MODUŁ KSZTAŁCENIA (SYLABUS)
OPIS MODUŁ KSZTAŁCENIA (SYLABUS) I. Informacje ogólne: 1 Nazwa modułu Metody opracowania obserwacji 2 Kod modułu 04-A-MOO-60-1L 3 Rodzaj modułu obowiązkowy 4 Kierunek studiów astronomia 5 Poziom studiów
Bardziej szczegółowoPodstawy Automatyki. Wykład 2 - podstawy matematyczne. dr inż. Jakub Możaryn. Warszawa, Instytut Automatyki i Robotyki
Wykład 2 - podstawy matematyczne Instytut Automatyki i Robotyki Warszawa, 2015 Wstęp Rzeczywiste obiekty regulacji, a co za tym idzie układy regulacji, mają właściwości nieliniowe, n.p. turbulencje, wiele
Bardziej szczegółowo