Sterowanie napędów maszyn i robotów
|
|
- Nina Stefańska
- 5 lat temu
- Przeglądów:
Transkrypt
1 Wykład 5 - Identyfikacja Instytut Automatyki i Robotyki (IAiR), Politechnika Warszawska Warszawa, 2015
2 Koncepcje estymacji modelu Standardowe drogi poszukiwania modeli parametrycznych M1: Analityczne określenie struktury i wartości parametrów modelu na podstawie opisu bilansowego M2: Przyjęcie a-priori charakteru zachowania napędu i wyznaczenie parametrów tego modelu w eksperymencie czynnym z rzeczywistym napędem M3: Identyfikacja struktury (ARMA, ARMAX), lub w przypadku jej założenia, szacowanie wartości parametrów modelu jedną ze znanych metod statystycznych (LS, RLS, ELS).
3 Koncepcje estymacji modelu M2: Wady analitycznego określenia struktury i wartości parametrów modelu na podstawie opisu bilansowego złożony opis, niska dokładność z powodu linearyzacji i uproszczeń, odpowiada tylko tym parametrom, dla których został wyznaczony (inwariantność), wymaga znajomości trudno dostępnych współczynników (np. tarcia), które zależą od konkretnego zastosowania.
4 Koncepcje estymacji modelu M1: Wady przyjęcia a-priori charakteru zachowania napędu i wyznaczenia parametrów tego modelu w eksperymencie czynnym z rzeczywistym napędem wymagania czasowe realizacji, brak możliwości zastosowania podczas normalnej pracy napędu, Sposoby estymacji parametrów modelu przez bezpośredni pomiar wielkości występujących w równaniach opisu modelu - np. zależność pulsacji drgań swobodnych od współczynnika sprężystości powietrza w komorach siłownika i obciążenia masowego, z wykorzystaniem parametrów odpowiedzi napędu na wymuszenie skokowe, prze porównanie odpowiedzi skokowej modelu i rzeczywistego napędu i zastosowanie metody a) prostych przybliżeń, b) momentowej, c) gradientowej.
5 Koncepcje estymacji modelu M3: Identyfikacja struktury (ARMA, ARMAX), lub w przypadku jej założenia, szacowanie wartości parametrów modelu jedną ze znanych metod statystycznych (LS, RLS, ELS). krótki czas identyfikacji w eksperymencie czynnym - podczas uruchomienia (off-line) możliwość identyfikacji w eksperymencie biernym - w warunkach normalnej pracy napędu (on-line) W przypadku układów napędowych metoda ta jest jedyną efektywną metodą określania struktury i parametrów modelu procesu ruchu.
6 Identyfikacja Identyfikacja systemów lub procesów Zespół metod, narzędzi i algorytmów mających na celu zbudować dynamiczny model systemu lub procesu na podstawie danych pomiarowych zebranych z wejścia i wyjścia. Model taki może opisywać: właściwości wejściowo-wyjściowe systemu - tworzony w oparciu o sekwencje sygnałów wejściowych i towarzyszące im sekwencje sygnałów wyjściowych, przebieg wyjścia systemu o wejściach pomiarowo niedostępnych - tworzony tylko w oparciu o mierzoną sekwencję sygnału wyjściowego. Model budowany jest poprzez wyszukiwanie zależności i relacji pomiędzy zmierzonymi danymi bez analizy procesu (brak szczegółowego badania zjawisk fizycznych zachodzących w procesie). System lub proces czarna skrzynka.
7 Etapy identyfikacji (1-5) Identyfikacja jest procesem iteracyjnym, w który można wyróżnić następujące etapy: 1 Przygotowanie eksperymentu identyfikacyjnego: Generacja pobudzeń wejść systemu, aby zebrać odpowiednie dane pomiarowe. 2 Przeprowadzenie eksperymentu identyfikacyjnego: Zebranie pomiarów. 3 Wstępne przetwarzanie danych pomiarowych: np. eliminacja błędów grubych, skalowanie, filtrowanie. 4 Wybór klasy dopuszczalnych modeli: Wybiera się klasę modeli deterministycznych lub stochastycznych, ciągłych lub dyskretnych, liniowych lub nieliniowych, stacjonarnych bądź niestacjonarnych. 5 Wybór typu modelu z wybranej klasy: W każdej klasie modeli istnieją modele różnych typów. (Przykładowo w klasie dyskretnych modeli stochastycznych istnieją modele AR, ARX, MA, MAX, ARMAX). Wybór konkretnego modelu może być poprzedzony wstępną, zgrubną analizą modelowanego systemu bądź pochodzących z niego sygnałów.
8 Etapy identyfikacji (6-8) 1 Wybór struktury modelu (dla modeli parametrycznych): Jest to bardzo trudny etap, który często sprowadza się do pełnego lub ograniczonego przeglądu wszystkich dopuszczalnych (i rozsądnych) struktur modeli danego typu. 2 Estymacja parametrów danego modelu: Na tym etapie wybiera się odpowiedni algorytm estymacji (np. metoda najmniejszych kwadratów - LS), pozwalający na wyznaczenie parametrów wybranego uprzednio modelu. 3 Weryfikacja modelu: Kończy pojedynczą iterację procesu identyfikacji. Na tym etapie należy rozstrzygnąć, czy wynik identyfikacji jest zadowalający. Można w tym celu: porównać sygnał wyjściowy modelu z sygnałem rzeczywistym (najlepiej dla innego zbioru danych - zbioru danych testowych), sprawdzić, czy model ma zbyt bogatą strukturę (nadmiar parametrów), sprawdzić inne cechy modelu, decydujące o jego przydatności (np. stabilność, odwracalność).
9 Modele parametryczne Model AR (ang.autoregressive) Model auto-regresyjny, zawiera wyłącznie wyrazy pomierzonego wcześniej sygnału wyjściowego ŷ(k) = a 1 y(k 1) a 2 y(k 1)... a n y(k n) (1) gdzie: y - sygnał wyjściowy, k - czas dyskretny, T = kt p, n - szerokość okna pomiarowego, a i, i = 1,.., n - współczynniki modelu. Stosowany, gdy: nie można pomierzyć sygnału wejściowego sygnał wejściowy jest bliżej nie określony
10 Modele parametryczne Model ARX (ang.autoregressive with exogenous input) Model auto-regresyjny z zewnętrznym wejściem (z dołączonym sygnałem zakłócającym) ŷ(k) = a 1 y(k 1)... a n y(k n) + c 1ˆη(k 1) c n ˆη(k n) (2) gdzie: ˆη(k) - zakłócenie (szacowanie wpływu zakłócenia), a i, c i i = 1,.., n - współczynniki modelu. Założenia: sygnał zakłócenia ma charakter dyskretnego białego szumu zakłócającego obiekt, szum biały - sygnał stochastyczny o średniej 0 i wariancji σ 2, oraz o funkcji kowariancji { σ γ(h) = 2, h = 0 (3) 0, h 0
11 Modele parametryczne Model MA (ang.moving Average) model ruchomej średniej, jest uśrednionym (za pomocą wagowych współczynników b) wpływem sygnału wejściowego ŷ(k) = b 0 u(k d) b n u(k n d) (4) gdzie: u(k) - sygnał sterujący (wejściowy), d - dyskretna wartość opóźnienia.
12 Modele parametryczne Model MAX (ang. Moving Average with exogenous input) Model MA z zewnętrznym wejściem (z dołączonym sygnałem zakłócającym) ŷ(k) = b 0 u(k d)+...+b n u(k n d)+c 1ˆη(k 1)+...+c n ˆη(k n) (5) Założenia: sygnał zakłócenia ma charakter dyskretnego białego szumu zakłócającego obiekt, wektor wejść modelu jest nieskorelowany z wektorem zakłóceń.
13 Modele parametryczne Model ARMA (ang. Auto-Regressive with Moving Average) Model stanowiący połączenie modelu AR z modelem MA (zawiera zarówno sygnał wejściowy jak i przeszłe wartości wyjścia z procesu) ŷ(k) = a 1 y(k 1)... a n y(k n)+b 0 u(k d)+...+b n u(k n d) (6) Założenia: sygnał zakłócenia ma charakter dyskretnego białego szumu zakłócającego obiekt, wektor wejść modelu jest nieskorelowany z wektorem zakłóceń.
14 Modele parametryczne Model ARMAX (ang. Auto-Regressive Moving Average with exogenous input) model ARMA z zewnętrznym wejściem (z dołączonym sygnałem zakłócającym) ŷ(k) = a 1 y(k 1)... a n y(k n)+ +b 0 u(k d) b n u(k n d)+ +c 1ˆη(k 1) c n ˆη(k n) (7) Założenia: sygnał zakłócenia ma charakter dyskretnego białego szumu zakłócającego obiekt, wektor wejść modelu jest nieskorelowany z wektorem zakłóceń.
15 Algorytmy stosowane w identyfikacji Do algorytmów powszechnie stosowanych w identyfikacji systemów (procesów), do szacowania współczynników modeli parametrycznych należą: metoda najmniejszych kwadratów LS (ang. Least Squares) z odmianami: rekurencyjna metoda LS RLS (ang. Recursive Least Squares) rozszerzona macierzowa metoda ELS (ang. Extendend Least Squares) metoda zmiennych instrumentalnych IV (ang. Instrumental Variable) metoda największej wiarygodności ML (ang. Maximum Likelihood)
16 Metoda najmniejszych kwadratów LS Metoda najmniejszych kwadratów Metoda najmniejszych kwadratów (ang. Least Squares) to standardowa metoda przybliżania rozwiązań układów nadokreślonych, tzn. zestawu równań, w którym jest ich więcej niż zmiennych. Końcowe rozwiązanie tą metodą minimalizuje sumę kwadratów błędów przy rozwiązywaniu każdego z równań. Algorytm metody najmniejszych kwadratów w wersji off-line ma postać: Θ LS = [V T V ] 1 V T Y (8) gdzie: V - wektor wejść modelu, Y - wektor wyjść modelu. Najszybsza i najprostsza metoda szacowania współczynników modelu. Brak iteracji w przypadku obliczeń modeli o strukturach AR, MA, ARMA (problemy przy ARMA i ARMAX). Ze względu na formę modelu oszacowanie LS istnieje praktycznie zawsze (z wyjątkiem stałych wartości sygnałów wejść do modelu).
17 Metoda najmniejszych kwadratów LS - ARMA V = Θ LS = b 0... b n a 1... a n Θ LS = [V T V ] 1 V T Y (9) y(1) v(1), Y = y(2)..., V = v(2)... y(n) v(n) (10) u(1 d)... u(1 n d) y(0)... y(1 n) u(2 d)... u(2 n d) y(1)... y(2 n). u(n d)... u(n n d) y(n)... y(n n) (11)
18 Metoda najmniejszych kwadratów LS Problemy stosowania metody LS W wielu przypadkach pomiary wartości sygnałów są dokonywane sekwencyjnie w trybie ciągłym on line. Wówczas szacowanie parametrów obliczane jest dla coraz większej liczby danych co wymaga coraz większego nakładu obliczeniowego i czasu. Algorytm LS wymaga odwracania macierzy [V T V ], co wpływa na stabilność i dokładność rozwiązania. Można obliczać estymować macierz pseudo-odwrotną, ale to wprowadza dodatkowe błędy oszacowania.
19 Metoda najmniejszych kwadratów rekurencyjny RLS Do obliczeń on-line opracowano wersję rekurenycjnego algorytmu LS, w której po każdym kolejnym pomiarze ma miejsce aktualizacja poprzednio wyznaczonych wartości parametrów P(k) = [V (k) T V (k)] 1 (12) Θ RLS (k) = P(k)V T (k)y (k) (13) Θ RLS (k + 1) = P(k + 1)V T (k + 1)Y (k + 1) = = P(k + 1)[V T (k)y (k) + v T (k + 1)y(k + 1)] Θ RLS (k + 1) = Θ RLS (k) + Θ RLS (k) = = Θ(k) + P T (k + 1)[y(k + 1) v(k + 1)Θ(k)] Wartość parametrów w chwili k + 1 równa się wartości parametrów w chwili k z poprawką wynikającą z wartości sygnałów wejściowych i wyjściowych w chwili k + 1. Algorytm ten nie wymaga odwracania macierzy, tak jak ma to miejsce w przypadku metody LS (7). (14) (15)
20 Metoda najmniejszych kwadratów rozszerzona macierzowa ELS Metoda rozszerzona macierzowa ELS jest rozszerzeniem metody LS dla układów, w których błędy pomiarowe są ze sobą skorelowane. Układy tego typu są modelowane między innymi jako modele typu ARMAX.
21 Metoda zmiennych instrumentalnych IV Gdy w zadaniu identyfikacji liniowego obiektu dynamicznego występuje skorelowanie zakłóceń można zastosować metodę zmiennych instrumentalnych (IV). Polega ona na częściowym zastąpieniu w estymatorze LS macierzy wejść do modelu V przez macierz wielkości pomocniczych W (instrumentalnych) Θ IV = [W T V ] 1 W T Y (16) Macierz W zmiennych pomocniczych z definicji nie powinna zawierać wartości skorelowanych z wektorem błędów modelu, co powinno zapewnić nieobciążenie oszacowania współczynników modelu, również w przypadku zakłóceń skorelowanych. Utworzenie dobrej macierzy zmiennych instrumentalnych nie jest proste, ale w przypadku jej utworzenia metoda daje lepsze rezultaty niż metoda LS
22 Metoda największej wiarygodności ML Metoda największej wiarygodności (ML) pozwala wyprowadzić najbardziej efektywne estymatory, przy czym jest ona dostosowana do procesów, dla których adekwatny jest opis w formie modeli ARMAX. W wyniku oszacowań powinien powstać model, który zapewnia właściwości białego szumu dla oszacowanych błędów wyjścia modelu. Estymator jest najbardziej złożony (z dotychczas omawianych) i jest realizowany iteracyjnie. Θ ML (k + 1) = Θ ML (k) + κ(k)l T ΘΘ(Θ(k)) 1 L T Θ(Θ(k)) (17) gdzie: Θ ML (k) - kolejna iteracja wektora współczynników modelu, L T Θ - wektor pierwszych pochodnych funkcji wiarygodności, L T ΘΘ - macierz drugich pochodnych funkcji wiarygodności, κ(k) - wartość długości kroku. Przybliżeniem początkowym Θ(0) wektora współczynników modelu jest zwykle oszacowanie uzyskane metodą LS.
23 Wykład 5 - Identyfikacja Instytut Automatyki i Robotyki (IAiR), Politechnika Warszawska Warszawa, 2015
Sterowanie napędów maszyn i robotów
Wykład 5 - Identyfikacja Instytut Automatyki i Robotyki (IAiR), Politechnika Warszawska Warszawa, 2014 Identyfikacja Identyfikacja systemów lub procesów Zespół metod, narzędzi i algorytmów mających na
Bardziej szczegółowoSterowanie Napędów Maszyn i Robotów
Wykład 3 - Metodyka projektowania sterowania. Opis bilansowy Instytut Automatyki i Robotyki Warszawa, 2015 Metodyka projektowania sterowania Zrozumienie obiektu, możliwości, ograniczeń zapoznanie się z
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 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 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 szczegółowoFiltr 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 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 szczegółowoSterowanie napędów maszyn i robotów
Sterowanie napędów maszyn i robotów dr inż. Jakub Możaryn Wykład 3 Instytut Automatyki i Robotyki Wydział Mechatroniki Politechnika Warszawska, 2014 Projekt współfinansowany przez Unię Europejską w ramach
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 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 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 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 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 szczegółowoSpis treści 3 SPIS TREŚCI
Spis treści 3 SPIS TREŚCI PRZEDMOWA... 1. WNIOSKOWANIE STATYSTYCZNE JAKO DYSCYPLINA MATEMATYCZNA... Metody statystyczne w analizie i prognozowaniu zjawisk ekonomicznych... Badania statystyczne podstawowe
Bardziej szczegółowoMetody iteracyjne rozwiązywania układów równań liniowych (5.3) Normy wektorów i macierzy (5.3.1) Niech. x i. i =1
Normy wektorów i macierzy (5.3.1) Niech 1 X =[x x Y y =[y1 x n], oznaczają wektory przestrzeni R n, a yn] niech oznacza liczbę rzeczywistą. Wyrażenie x i p 5.3.1.a X p = p n i =1 nosi nazwę p-tej normy
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 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 szczegółowoROZWIĄZYWANIE RÓWNAŃ NIELINIOWYCH
Transport, studia I stopnia Instytut L-5, Wydział Inżynierii Lądowej, Politechnika Krakowska Ewa Pabisek Adam Wosatko Postać ogólna równania nieliniowego Często występującym, ważnym problemem obliczeniowym
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 szczegółowoAproksymacja funkcji a regresja symboliczna
Aproksymacja funkcji a regresja symboliczna Problem aproksymacji funkcji polega na tym, że funkcję F(x), znaną lub określoną tablicą wartości, należy zastąpić inną funkcją, f(x), zwaną funkcją aproksymującą
Bardziej szczegółowoPodstawy opracowania wyników pomiarów z elementami analizy niepewności statystycznych
Podstawy opracowania wyników pomiarów z elementami analizy niepewności statystycznych Dr inż. Marcin Zieliński I Pracownia Fizyczna dla Biotechnologii, wtorek 8:00-10:45 Konsultacje Zakład Fizyki Jądrowej
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 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 szczegółowoKADD Metoda najmniejszych kwadratów funkcje nieliniowe
Metoda najmn. kwadr. - funkcje nieliniowe Metoda najmniejszych kwadratów Funkcje nieliniowe Procedura z redukcją kroku iteracji Przykłady zastosowań Dopasowanie funkcji wykładniczej Dopasowanie funkcji
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 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 szczegółowoProcedura modelowania matematycznego
Procedura modelowania matematycznego System fizyczny Model fizyczny Założenia Uproszczenia Model matematyczny Analiza matematyczna Symulacja komputerowa Rozwiązanie w postaci modelu odpowiedzi Poszerzenie
Bardziej szczegółowoMechatronika i inteligentne systemy produkcyjne. Modelowanie systemów mechatronicznych Platformy przetwarzania danych
Mechatronika i inteligentne systemy produkcyjne Modelowanie systemów mechatronicznych Platformy przetwarzania danych 1 Sterowanie procesem oparte na jego modelu u 1 (t) System rzeczywisty x(t) y(t) Tworzenie
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 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 szczegółowoAutomatyka i Robotyka II stopień ogólno akademicki studia niestacjonarne. wszystkie Katedra Automatyki i Robotyki Dr inż.
KARTA MODUŁU / KARTA PRZEDMIOTU Kod modułu Nazwa modułu Nazwa modułu w języku angielskim Obowiązuje od roku akademickiego 2013/2014 Identyfikacja obiektów sterowania Identification of Control Systems A.
Bardziej szczegółowoUKŁADY ALGEBRAICZNYCH RÓWNAŃ LINIOWYCH
Transport, studia niestacjonarne I stopnia, semestr I Instytut L-5, Wydział Inżynierii Lądowej, Politechnika Krakowska Ewa Pabisek Adam Wosatko Postać układu równań liniowych Układ liniowych równań algebraicznych
Bardziej szczegółowoADAPTACYJNE PRZETWARZANIE SYGNAŁÓW LABORATORIUM. Ćwiczenie 1. Modelowanie i analiza widmowa dyskretnych sygnałów losowych
ADAPTACYJNE PRZETWARZANIE SYGNAŁÓW LABORATORIUM Ćwiczenie 1 Modelowanie i analiza widmowa dyskretnych sygnałów losowych 1. CEL ĆWICZENIA Celem ćwiczenia jest zapoznanie studentów z wybranymi algorytmami
Bardziej szczegółowoANALIZA SYSTEMU POMIAROWEGO (MSA)
StatSoft Polska, tel. 1 484300, 601 414151, info@statsoft.pl, www.statsoft.pl ANALIZA SYSTEMU POMIAROWEGO (MSA) dr inż. Tomasz Greber, Politechnika Wrocławska, Instytut Organizacji i Zarządzania Wprowadzenie
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 szczegółowoDynamika procesu zmienna stała. programowalne zmiany parametrów r.
Sterowanie adaptacyjne Sterowanie adaptacyjne polega na dostosowywaniu (adaptacji) nastaw regulatora do zmian parametrów obiektu (w trakcie pracy) Techniki adaptacji Dynamika procesu zmienna stała regulator
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 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 szczegółowoEkonometria. Dobór postaci analitycznej, transformacja liniowa i estymacja modelu KMNK. Paweł Cibis 9 marca 2007
, transformacja liniowa i estymacja modelu KMNK Paweł Cibis pawel@cibis.pl 9 marca 2007 1 Miary dopasowania modelu do danych empirycznych Współczynnik determinacji Współczynnik zbieżności Skorygowany R
Bardziej szczegółowoAutomatyka i sterowania
Automatyka i sterowania Układy regulacji Regulacja i sterowanie Przykłady regulacji i sterowania Funkcje realizowane przez automatykę: regulacja sterowanie zabezpieczenie optymalizacja Automatyka i sterowanie
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 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 szczegółowoSYSTEMY UCZĄCE SIĘ WYKŁAD 10. PRZEKSZTAŁCANIE ATRYBUTÓW. Dr hab. inż. Grzegorz Dudek Wydział Elektryczny Politechnika Częstochowska.
SYSTEMY UCZĄCE SIĘ WYKŁAD 10. PRZEKSZTAŁCANIE ATRYBUTÓW Częstochowa 2014 Dr hab. inż. Grzegorz Dudek Wydział Elektryczny Politechnika Częstochowska INFORMACJE WSTĘPNE Hipotezy do uczenia się lub tworzenia
Bardziej szczegółowoStanisław Cichocki Natalia Nehrebecka. Wykład 7
Stanisław Cichocki Natalia Nehrebecka Wykład 7 1 1. Metoda Największej Wiarygodności MNW 2. Założenia MNW 3. Własności estymatorów MNW 4. Testowanie hipotez w MNW 2 1. Metoda Największej Wiarygodności
Bardziej szczegółowoZastosowanie rachunku wyrównawczego do uwiarygodnienia wyników pomiarów w układzie cieplnym bloku energetycznego siłowni parowej
Marcin Szega Zastosowanie rachunku wyrównawczego do uwiarygodnienia wyników pomiarów w układzie cieplnym bloku energetycznego siłowni parowej (Monografia habilitacyjna nr 193. Wydawnictwo Politechniki
Bardziej szczegółowoGeodezja i Kartografia I stopień (I stopień / II stopień) akademicki (ogólno akademicki /praktyczny) kierunkowy (podstawowy/ kierunkowy/ inny HES)
KARTA MODUŁU / KARTA PRZEDMIOTU Kod modułu Nazwa modułu Nazwa modułu w języku angielskim Obowiązuje od roku akademickiego 2015/2016 A. USYTUOWANIE MODUŁU W SYSTEMIE STUDIÓW Podstawy rachunku wyrównawczego
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 szczegółowoEstymacja parametrów Wybrane zagadnienia implementacji i wykorzystania
Estymacja parametrów Wybrane zagadnienia implementacji i wykorzystania Wykład w ramach przedmiotu Komputerowe systemy sterowania i wspomagania decyzji Plan wykładu Potrzeba estymacji parametrów Estymacja
Bardziej szczegółowoWstęp do metod numerycznych Zadania numeryczne 2016/17 1
Wstęp do metod numerycznych Zadania numeryczne /7 Warunkiem koniecznym (nie wystarczającym) uzyskania zaliczenia jest rozwiązanie co najmniej 3 z poniższych zadań, przy czym zadania oznaczone literą O
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 szczegółowow analizie wyników badań eksperymentalnych, w problemach modelowania zjawisk fizycznych, w analizie obserwacji statystycznych.
Aproksymacja funkcji a regresja symboliczna Problem aproksymacji funkcji polega na tym, że funkcję F(), znaną lub określoną tablicą wartości, należy zastąpić inną funkcją, f(), zwaną funkcją aproksymującą
Bardziej szczegółowoPodstawy Automatyki. wykład 1 (26.02.2010) mgr inż. Łukasz Dworzak. Politechnika Wrocławska. Instytut Technologii Maszyn i Automatyzacji (I-24)
Podstawy Automatyki wykład 1 (26.02.2010) mgr inż. Łukasz Dworzak Politechnika Wrocławska Instytut Technologii Maszyn i Automatyzacji (I-24) Laboratorium Podstaw Automatyzacji (L6) 105/2 B1 Sprawy organizacyjne
Bardziej szczegółowoSympozjum Trwałość Budowli
Sympozjum Trwałość Budowli Andrzej ownuk ROJEKTOWANIE UKŁADÓW Z NIEEWNYMI ARAMETRAMI Zakład Mechaniki Teoretycznej olitechnika Śląska pownuk@zeus.polsl.gliwice.pl URL: http://zeus.polsl.gliwice.pl/~pownuk
Bardziej szczegółowo6. Identyfikacja wielowymiarowych systemów statycznych metodanajmniejszychkwadratów
6. Identyfikacja wielowymiarowych systemów statycznych metodanajmniejszychkwadratów . 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 ()
Bardziej szczegółowoDOKUMENTACJA SYSTEMU ZARZĄDZANIA LABORATORIUM. Procedura szacowania niepewności
DOKUMENTACJA SYSTEMU ZARZĄDZANIA LABORATORIUM Procedura szacowania niepewności Szacowanie niepewności oznaczania / pomiaru zawartości... metodą... Data Imię i Nazwisko Podpis Opracował Sprawdził Zatwierdził
Bardziej szczegółowoModelowanie glikemii w procesie insulinoterapii
Dawid Kaliszewski Modelowanie glikemii w procesie insulinoterapii Promotor dr hab. inż. Zenon Gniazdowski Cel pracy Zbudowanie modelu predykcyjnego przyszłych wartości glikemii diabetyka leczonego za pomocą
Bardziej szczegółowoSterowanie Napędów Maszyn i Robotów
Wykład 4 - Model w przestrzeni stanów Instytut Automatyki i Robotyki Warszawa, 2015 Wstęp Do zaprojektowania układu regulacji pozycji siłownika pneumatycznego, poszukiwany jest model dynamiki układu w
Bardziej szczegółowoObliczenia Naukowe. Wykład 12: Zagadnienia na egzamin. Bartek Wilczyński
Obliczenia Naukowe Wykład 12: Zagadnienia na egzamin Bartek Wilczyński 6.6.2016 Tematy do powtórki Arytmetyka komputerów Jak wygląda reprezentacja liczb w arytmetyce komputerowej w zapisie cecha+mantysa
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 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 szczegółowoSterowanie napędów maszyn i robotów
Wykład 7b - Układy wieloobwodowe ze sprzężeniem od zmiennych stanu Instytut Automatyki i Robotyki Warszawa, 2014 Układy wieloobwodowe ze sprzężeniem od zmiennych stanu Zadanie przestawiania Postać modalna
Bardziej szczegółowoMetody numeryczne. materiały do wykładu dla studentów
Metody numeryczne materiały do wykładu dla studentów 5. Przybliżone metody rozwiązywania równań 5.1 Lokalizacja pierwiastków 5.2 Metoda bisekcji 5.3 Metoda iteracji 5.4 Metoda stycznych (Newtona) 5.5 Metoda
Bardziej szczegółowoEkonometria. Dobór postaci analitycznej, transformacja liniowa i estymacja modelu KMNK. Paweł Cibis 23 marca 2006
, transformacja liniowa i estymacja modelu KMNK Paweł Cibis pcibis@o2.pl 23 marca 2006 1 Miary dopasowania modelu do danych empirycznych Współczynnik determinacji Współczynnik zbieżności 2 3 Etapy transformacji
Bardziej szczegółowoKADD Minimalizacja funkcji
Minimalizacja funkcji Poszukiwanie minimum funkcji Foma kwadratowa Metody przybliżania minimum minimalizacja Minimalizacja w n wymiarach Metody poszukiwania minimum Otaczanie minimum Podział obszaru zawierającego
Bardziej szczegółowoStatystyka w pracy badawczej nauczyciela Wykład 4: Analiza współzależności. dr inż. Walery Susłow walery.suslow@ie.tu.koszalin.pl
Statystyka w pracy badawczej nauczyciela Wykład 4: Analiza współzależności dr inż. Walery Susłow walery.suslow@ie.tu.koszalin.pl Statystyczna teoria korelacji i regresji (1) Jest to dział statystyki zajmujący
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 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 szczegółowoUkład regulacji ze sprzężeniem zwrotnym: - układ regulacji kaskadowej - układ regulacji stosunku
Układ regulacji ze sprzężeniem zwrotnym: - układ regulacji kaskadowej - układ regulacji stosunku Przemysłowe Układy Sterowania PID Opracowanie: dr inż. Tomasz Rutkowski Katedra Inżynierii Systemów Sterowania
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 szczegółowoMikroekonometria 3. Mikołaj Czajkowski Wiktor Budziński
Mikroekonometria 3 Mikołaj Czajkowski Wiktor Budziński Zadanie 1. Wykorzystując dane me.hedonic.dta przygotuj model oszacowujący wartość kosztów zewnętrznych rolnictwa 1. Przeprowadź regresję objaśniającą
Bardziej szczegółowoPDF created with FinePrint pdffactory Pro trial version http://www.fineprint.com
Analiza korelacji i regresji KORELACJA zależność liniowa Obserwujemy parę cech ilościowych (X,Y). Doświadczenie jest tak pomyślane, aby obserwowane pary cech X i Y (tzn i ta para x i i y i dla różnych
Bardziej szczegółowoWybrane metody przybliżonego. wyznaczania rozwiązań (pierwiastków) równań nieliniowych
Wykład trzeci 1 Wybrane metody przybliżonego wyznaczania rozwiązań pierwiastków równań nieliniowych 2 Metody rozwiązywania równań nieliniowych = 0 jest unkcją rzeczywistą zmiennej rzeczywistej Rozwiązanie
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 szczegółowoAnaliza korelacyjna i regresyjna
Podstawy Metrologii i Technik Eksperymentu Laboratorium Analiza korelacyjna i regresyjna Instrukcja do ćwiczenia nr 5 Zakład Miernictwa i Ochrony Atmosfery Wrocław, kwiecień 2014 Podstawy Metrologii i
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 szczegółowoLaboratorium Przetwarzania Sygnałów Biomedycznych
Laboratorium Przetwarzania Sygnałów Biomedycznych Ćwiczenie 1 Wydobywanie sygnałów z szumu z wykorzystaniem uśredniania Opracowali: - prof. nzw. dr hab. inż. Krzysztof Kałużyński - mgr inż. Tomasz Kubik
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 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 szczegółowoGeodezja i Kartografia I stopień (I stopień / II stopień) akademicki (ogólno akademicki / praktyczny) podstawowy (podstawowy / kierunkowy / inny HES)
Załącznik nr 7 do Zarządzenia Rektora nr 10/12 z dnia 21 lutego 2012r. KARTA MODUŁU / KARTA PRZEDMIOTU Kod modułu Podstawy rachunku wyrównawczego i obliczeń Nazwa modułu geodezyjnych Fundamentals of adjustment
Bardziej szczegółowoKARTA MODUŁU / KARTA PRZEDMIOTU
Załącznik nr 7 do Zarządzenia Rektora nr 10/12 z dnia 21 lutego 2012r. KARTA MODUŁU / KARTA PRZEDMIOTU Kod modułu Nazwa modułu Nazwa modułu w języku angielskim Cyfrowe przetwarzanie sygnałów pomiarowych_e2s
Bardziej szczegółowoProcedura szacowania niepewności
DOKUMENTACJA SYSTEMU ZARZĄDZANIA LABORATORIUM Procedura szacowania niepewności Stron 7 Załączniki Nr 1 Nr Nr 3 Stron Symbol procedury PN//xyz Data Imię i Nazwisko Podpis Opracował Sprawdził Zatwierdził
Bardziej szczegółowoWYMAGANIA WSTĘPNE W ZAKRESIE WIEDZY, UMIEJĘTNOŚCI I INNYCHY KOMPETENCJI EFEKTY KSZTAŁCENIA
I. KARTA PRZEDMIOTU. Nazwa przedmiotu: MATEMATYKA STOSOWANA 2. Kod przedmiotu: Ms 3. Jednostka prowadząca: Wydział Nawigacji i Uzbrojenia Okrętowego 4. Kierunek: Nawigacja 5. Specjalność: Nawigacja morska
Bardziej szczegółowoWprowadzenie do analizy korelacji i regresji
Statystyka dla jakości produktów i usług Six sigma i inne strategie Wprowadzenie do analizy korelacji i regresji StatSoft Polska Wybrane zagadnienia analizy korelacji Przy analizie zjawisk i procesów stanowiących
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 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 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 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 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 szczegółowoMatematyka stosowana i metody numeryczne
Ewa Pabisek Adam Wosatko Piotr Pluciński Matematyka stosowana i metody numeryczne Konspekt z wykładu 6 Rozwiązywanie równań nieliniowych Rozwiązaniem lub pierwiastkiem równania f(x) = 0 lub g(x) = h(x)
Bardziej szczegółowoPrognozowanie i Symulacje. Wykład I. Matematyczne metody prognozowania
Prognozowanie i Symulacje. Wykład I. e-mail:e.kozlovski@pollub.pl Spis treści Szeregi czasowe 1 Szeregi czasowe 2 3 Szeregi czasowe Definicja 1 Szereg czasowy jest to proces stochastyczny z czasem dyskretnym
Bardziej szczegółowoWykład z Technologii Informacyjnych. Piotr Mika
Wykład z Technologii Informacyjnych Piotr Mika Uniwersalna forma graficznego zapisu algorytmów Schemat blokowy zbiór bloków, powiązanych ze sobą liniami zorientowanymi. Jest to rodzaj grafu, którego węzły
Bardziej szczegółowoSYLABUS. Nazwa jednostki prowadzącej Wydział Matematyczno Przyrodniczy Centrum Mikroelektroniki i Nanotechnologii
SYLABUS Nazwa Wprowadzenie do metrologii Nazwa jednostki prowadzącej Wydział Matematyczno Przyrodniczy przedmiot Centrum Mikroelektroniki i Nanotechnologii Kod Studia Kierunek studiów Poziom kształcenia
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 szczegółowoEgzamin / zaliczenie na ocenę*
WYDZIAŁ PODSTAWOWYCH PROBLEMÓW TECHNIKI Zał. nr 4 do ZW 33/01 KARTA PRZEDMIOTU Nazwa w języku polskim CYFROWE PRZETWARZANIE SYGNAŁÓW Nazwa w języku angielskim DIGITAL SIGNAL PROCESSING Kierunek studiów
Bardziej szczegółowo2. Założenie niezależności zakłóceń modelu - autokorelacja składnika losowego - test Durbina - Watsona
Sprawdzanie założeń przyjętych o modelu (etap IIIC przyjętego schematu modelowania regresyjnego) 1. Szum 2. Założenie niezależności zakłóceń modelu - autokorelacja składnika losowego - test Durbina - Watsona
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 szczegółowoMatematyka stosowana i metody numeryczne
Ewa Pabisek Adam Wosatko Piotr Pluciński Matematyka stosowana i metody numeryczne Konspekt z wykładów Błędy obliczeń Błędy można podzielić na: modelu, metody, wejściowe (początkowe), obcięcia, zaokrągleń..
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 szczegółowoTeoria sterowania - studia niestacjonarne AiR 2 stopień
Teoria sterowania - studia niestacjonarne AiR stopień Kazimierz Duzinkiewicz, dr hab. Inż. Katedra Inżynerii Systemów Sterowania Wykład 4-06/07 Transmitancja widmowa i charakterystyki częstotliwościowe
Bardziej szczegółowo