Filtr Kalmana. Struktury i Algorytmy Sterowania Wykład 1-2. prof. dr hab. inż. Mieczysław A. Brdyś mgr inż. Tomasz Zubowicz
|
|
- Daniel Markiewicz
- 5 lat temu
- Przeglądów:
Transkrypt
1 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 , Gdańsk
2 Założenia odnośnie filtru Kalmana Przystępując do syntezy filtru Kalmana przyjmuje się następujące założenia: minimum kowariancji liniowość filtru estymaty stanu są nieobciążone: E {x(k)} = E {ˆx(k)}, gdzie ˆx(k) jest estymatą stanu x(k)
3 Dynamika modelu systemu Równania stanu Niech dany będzie liniowy niestacjonarny model dynamiki systemu: gdzie: x (k + 1) = A (k) x (k) + B (k) u (k) + G (k) z (k) (1) x (k) wektor stanu systemu u (k) wektor wejść sterowanych z (k) wektor wejść zakłócających A (k), B (k), G (k) są odpowiednio niestacjonranymi macierzami stanu systemu, wejść i zakłóceń
4 Dynamika modelu systemu Równania wyjścia Równanie wyjścia dane jest zależnością: y (k) = C (k) x (k) + v (k) (2) gdzie: y (k) wektor wyjść systemu v (k) wektor szumów pomiarowych C (k) macierz wyjść
5 Dynamika modelu systemu Zakłócenia i szumy pomiarowe Zakłada się, że zakłócenia z (k) oraz szumy pomiarowe v (k) są sygnałami stochastycznymi takmi, że: E {z (k)} = 0 cov (z (k)) = E {(z } (k) E {z (k)}) (z (k) E {z (k)}) T { } = E z (k) z T (k) = Z (k) (3) E {v (k)} = 0 cov (v (k)) = E {(v } (k) E {v (k)}) (v (k) E {v (k)}) T { } = E v (k) v T (k) = V (k) (4)
6 Dynamika modelu systemu Zakłócenia i szumy pomiarowe c.d. Autokoralecja zakłóceń i szumów jest równa zeru { } E z (k) z T (j) = 0 ; j k E { } v (k) v T (j) = 0 ; j k (5) Ponadto zakłada się, że nie istnieje korelacja pomiędzy zakłóceniami i szumami pomiarowymi: { } E z (k) v T (j) = 0 (6) dla k j (dla uproszczenia)
7 Dynamika modelu systemu Warunki początkowe Zakłada się, że warunki początkowe x 0 są znane i w opraciu o ich znajomość mozna wyznaczyć: E E {x 0 } { } x 0 x T 0 = P 0 (7) gdzie: P 0 macierz kowariancji Zanjomość P 0 jest niezbędna do zainicjowania algorytmu filtru Kalmana
8 Problem Sformułowanie Poszukiwany jest: rekursywny estymator ˆx(k) stanu systemu x (k) który jest liniowy w odniesieniu do pomiarów y (1), y (2),..., y (k) nieobciążony: E {ˆx} = E {x} optymalny: posiada minimalną kowariancję błędu P (k), gdzie { } P (k) = E e (k) e T (k), e (k) = x (k) ˆx (k) to jest dla każdego wektora p i macierzy T, takiego, że p 0 zachodzi: p T P (k) p p T Tp (8)
9 Problem Spostrzeżenie Niech a będzie wektorem. Rozważ liniową funkcję: a T x (k) (9) Błąd średniokwadratowy dla tej funckji wyraża się: [ ( ( ) ] T E a T x (k) a T ˆx (k)) a T x (k) a T ˆx (k) = = E = E [ ( ( ) ] T a T (x (k) ˆx (k))) a T (x (k) ˆx (k)) [ ] [ ] a T e (k) a T e (k) = E a T e (k) e T (k) a (10) = a T E [ ] e (k) e T (k) a = a T P (k) a minimum
10 Problem Spostrzeżenie c.d. 1 Minimalizowany jest błąd średnio kwadratowy w kotekście każdej zmiennej stanu z osobna 2 Minimalizowana jest norma błędu średnio kwadratowego, np.: E [ ] e1 2 + e en 2 minimum (11)
11 Wyprowadzenie Liniowość i rekursywność Wychodząc z założenia o liniowości i rekursywności poszukiwanego estymatora: ˆx (k) = Jˆx (k 1) + Ky (k) + Lu (k 1) (12) gdzie: J,K,L są poszukiwanymi macierzami takimi, że ˆx (k) jest: nieobciążona estymatą stanu gwarantującą minimum kowariancji błędu estymacji
12 Wyprowadzenie Nieobciążoność Wykorzystując założenie o nieobciążoności estymat: E {ˆx (k)} = E {Jˆx (k 1) + Ky (k) + Lu (k 1)} = = JE {ˆx (k 1)} + KE {y (k)} + Lu (k 1) (13) = E {x (k)}
13 Wyprowadzenie Nieobciążoność c.d. Ponieważ ˆx (k 1) jest również nieobciążona: E {ˆx (k)} = JE {ˆx (k 1)} + KE {C(k)x (k) + v (k)} + Lu (k 1) = = JE {x (k 1)} + KC(k)E {x (k)} + Lu (k 1) = = JE {x (k 1)} + KC(k)E +Lu (k 1) = A (k 1) x (k 1) + B (k 1) u (k 1) + G (k 1) z (k 1) + = JE {x (k 1)} + KC(k)A (k 1) E {x (k 1)} + +KC(k)B (k 1) u (k 1) + Lu (k 1) (14)
14 Wyprowadzenie Nieobciążoność c.d. Wykorzystując fakt, że: E {ˆx(k)} = E {x(k)} oraz: E {x(k)} = A(k 1)E {x(k 1)} + B(k 1)u (k 1) (15) E {ˆx (k)} = JE {x (k 1)} + KC(k)A (k 1) E {x (k 1)} + +KC(k)B (k 1) u (k 1) + Lu (k 1) (16) można wyznaczyć wartości macierzy J oraz L
15 Wyprowadzenie Wartości macierzy J i L Z porównania równań (15) oraz (16) wynika: J + KC(k)A (k 1) = A (k 1) L + KC(k)B (k 1) = B (k 1) (17) skąd w rezultacie otrzymano: J(k) = (I KC(k)) A (k 1) L(k) = (I KC(k)) B (k 1) (18) UWAGA: macierze J(k) i L(k) są niestacjonarne!
16 Struktura estymatora predyktor - korektor Wykorzystując J(k) i L(k), ˆx (k) przyjmuje postać: ˆx (k) = [I KC(k)] A (k 1) ˆx (k 1) + + [I KC(k)] B (k 1) u (k 1) + Ky(k) (19) co po uporządkowaniu: ˆx (k) = A (k 1) ˆx (k 1) + B (k 1) u (k 1) + +K [y(k) C(k) (A(k 1)ˆx(k 1)) + B(k 1)u(k 1)] (20) gdzie: A (k 1) ˆx (k 1) + B (k 1) u (k 1) stanowi predykcję stanu systemu x (k) liczoną w opraciu o dane z chwili k 1, co oznaczamy: ˆx (k k 1) Cˆx(k k 1) stanowi predykcję pomiaru y(k) wykonaną w chwili k 1, co oznaczamy: ŷ (k k 1).
17 Struktura estymatora predyktor - korektor c.d. Struktura estymatora ma ogólną postać: ˆx (k) }{{} = ˆx (k k 1) }{{} + K [y(k) ŷ (k k 1)] }{{} aktualna estymata predykcja stanu }{{} } predykcja błedu pomiarowego {{} człon predykcyjny człon korekcyjny (21) gdzie: ŷ(k k 1) jest to wektor predykcji pomiarow y(k): ŷ(k k 1) = Cˆx(k k 1) ˆx(k k 1) jest to predykcja estymaty stanu ˆx(k): ˆx(k k 1) = A(k 1)ˆx(k 1) + B(k 1)u(k 1) wyznaczana w chwili k jako transfer ˆx(k 1) zgodny z równaniami stanu systemu, gdzie z(k 1) zastąpione jest przez E {z(k 1)} = 0
18 Błąd predykcji Definiując błąd predykcji jako: e(k k 1) = x(k) ˆx(k k 1) (22) wykorzystując równania stanu x(k) rozważanego systemu oraz wyznaczoną predykcję estymaty stanu ˆx(k k 1): e(k k 1) = A(k 1)x(k 1) + B(k 1)u(k 1)+ +G(k 1)z(k 1)+ (23) A(k 1)ˆx(k 1) B(k 1)u(k 1)
19 Błąd predykcji c.d. Wykorzystując definicję błedu predykcji oraz redukując B(k 1)u(k 1) otrzymano: e(k k 1) = A(k 1)e(k 1) + G(k 1)z(k 1) (24) A(k 1)e(k 1) dynamika wewnętrzna błędu predykcji zależna od dynamiki stanu systemu G(k 1)z(k 1) wpływ zakłóceń stanu systemu na błąd predykcji
20 Kowaraincja błędu predykcji Wyznaczanie kowaraincji błędu predykcji P(k k 1): P(k k 1) = E { [e(k k 1) E {e(k k 1)}] [ ] T } = = E e(k k 1) A(k 1) E {e(k 1)} [ ] T }{{} = =0 = E { } e(k k 1)e T (k k 1)
21 Kowaraincja błędu predykcji c.d. Kontynuując: P(k k 1) = E = E { } e(k k 1)e T (k k 1) { [A(k 1)e(k 1) + G(k 1)z(k 1)] [ ] T } = = E A(k 1)e(k 1) + G(k 1)z(k 1) }{{}}{{} a b A T (k 1)e T (k 1) + G T (k 1)z T (k 1) }{{}}{{} c d
22 Kowaraincja błędu predykcji c.d. Kontynuując: P(k k 1) = E {a c} + E {a d} + E {b c} + E {b d} = = A(k 1)E { } e(k 1)e T (k 1) A T (k 1)+ +E {a d} + E {b c} + +G(k 1)E = A(k 1)E +G(k 1)E { } z(k 1)z T (k 1) G T (k 1) = { } e(k 1)e T (k 1) A T (k 1)+ +E {a d} + E {b c} { } z(k 1)z T (k 1) G T (k 1)+
23 Kowaraincja błędu predykcji c.d. Oszacowanie E {a d}: a e(k 1) = e(k 1) [x 0, ˆx 0, z(0),..., z(k 2), v(0),..., v(k 1)] d = z(k 1) (25) z(k{ 1) nie jest skorelowane } z x 0,, ˆx 0, z(0),..., z(k 2) oraz E e(k 1)z T (k 1) = 0, stąd: E {a d} = A(k 1)E Analogicznie E {b c} = 0. A zatem: { } e(k 1)z T (k 1) G T (k 1) = 0 (26) P(k k 1) = A(k 1)P(k 1)A T (k 1)+G(k 1)Z(k 1)G T (k 1) (27)
24 Wyznaczanie wartości macierzy P(k) Wychodząc z definicji macierzy P(k): P(k) = E { } { } e(k)e T (k) = E (x(k) ˆx(k)) (x(k) ˆx(k)) T (28) oraz wykorzystując zależność: ˆx(k) = A(k 1)ˆx(k 1) + K [y(k) C(k)ˆx(k k 1)] +B(k 1)u(k 1) = = ˆx(k k 1) KC(k)ˆx(k k 1) + Ky(k) (29)
25 Wyznaczanie wartości macierzy P(k) c.d. Otrzymano: P(k) = E = E {[ x(k) [I KC(k)] ˆx(k k 1) KC(k)x(k) Kv(k) ] [ ] T } = { [(I KC(k)) e(k k 1) Kv(k)] [ ] T } = { } = E (I KC(k)) e(k k 1)e T (k k 1) (I KC(k)) T + { } +E Kv(k)v T (k)k T = (30) poniważ korelacja pomiedzy z, a v jest równa zero
26 Wyznaczanie wartości macierzy P(k) c.d. Kontynuując: { } P(k) = (I KC(k)) E e(k k 1)e T (k k 1) (I KC(k)) T + { } +KE v(k)v T (k) K T (31) Podsumowując, wartość macierzy P(k) można wyznaczyć z zalezności: P(k) = [I KC(k)] P(k k 1) [I KC(k)] T + KV(k)K T (32) Zauważmy, że P(k) jest funkcją macierzy K stanowiącej nadal wolny stopień swobody!
27 Wyznaczanie wartości macierzy P(k) c.d. Para równań: P(k k 1) = A(k 1)P(k 1)A T (k 1)+G(k 1)Z(k 1)G T (k 1) (33) P(k) = [I KC(k)] P(k k 1) [I KC(k)] T + KV(k)K T (34) stanowi kompletny zestaw pozwalający na wyznaczenie wartości macierzy kowariancji błędu P(k), przy ząłożeniu, że znana jest wartość K
28 Wyznaczanie wartości macierzy P(k) c.d. Do inicjalizacji algorytmu niezbędna jest znajomość: wartości początkowej kowariancji: P(0) = P 0 (35) wartości oczekiwanej stanu początkowego: ˆx(0) = E {x 0 } (36)
29 Optymalizacja P(k) względem K Niech K K + K, wtedy: P(k) = [I (K + K)C(k)] P(k k 1) [I (K + K)C(k)] T + +(K + K)V(k)(K + K) T + [I KC(k)] P(k k 1) [I KC(k)] T + KV(k)K T (37) pomijając wyrażenia drugiego rzędu w odniesieniu do K: P(k) = K [ C(k)P(k k ] 1) (I KC(k)) T + V(k)K T + [ ] + (I KC(k)) P(k k 1)C T (k) + KV(k) K T (38)
30 Optymalizacja P(k) względem K c.d. Przyrost wartości macierzy P(k): odpowiada wartości macierzy K: P(k) = 0 (39) [ 1 K(k) = P(k k 1)C T (k) C(k)P(k k 1)C T (k) + V(k)] (40)
31 Równania rekursywnego filtru Kalmana Kompletny zestaw rownań pozwalający na rekursywną estymację stanu składa się z: P(k k 1) = A(k 1)P(k 1)A T (k 1)+ +G(k 1)Z(k 1)G T (k 1) (41) P(k) = [I KC(k)] P(k k 1) [I KC(k)] T + KV(k)K T (42) [ 1 K(k) = P(k k 1)C T (k) C(k)P(k k 1)C T (k) + V(k)] (43) UWAGA: K(k) nie jest funkcją zależną od obserwacji (pomiarów), a zatem może być wyznaczona odpowiednio wcześniej
32 Podsumowanie k-ty krok estymacji Uaktualnienie równań rekursywango estymatora z chwili k 1 do k: w chwili czasu k 1 znane są: ˆx(k 1) oraz ˆx(k k 1), gdzie: ˆx(k k 1) = A(k 1)ˆx(k 1) + B(k 1)u(k 1) (44) a także P(k 1) oraz P(k k 1) wyznaczone zgodnie z (41) i (42) w oparciu o aktualny pomiar (chwila czasu k) wyznaczana jest bieżąca estymata stanu ˆx(k): ˆx(k) = ˆx(k k 1) + K(k) [y(k) C(k)ˆx(k k 1)] (45) gdzie K(k) wyznaczana jest z (43)
33 Podsumowanie Reprezentacja graficzna
34 Pytania?
Estymacja 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 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 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 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 szczegółowoFiltr Kalmana. Zaawansowane Techniki Sterowania. Wydział Mechatroniki Politechniki Warszawskiej. Anna Sztyber
Filtr Kalmana Zaawansowane Techniki Sterowania Wydział Mechatroniki Politechniki Warszawskiej Anna Sztyber ZTS (IAiR PW) Filtr Kalmana Anna Sztyber 1 / 32 Plan wykładu 1 Sformułowanie problemu 2 Niestacjonarny
Bardziej szczegółowo1. Podstawowe pojęcia
1. Podstawowe pojęcia Sterowanie optymalne obiektu polega na znajdowaniu najkorzystniejszej decyzji dotyczącej zamierzonego wpływu na obiekt przy zadanych ograniczeniach. Niech dany jest obiekt opisany
Bardziej szczegółowoStosowana Analiza Regresji
Stosowana Analiza Regresji Wykład VIII 30 Listopada 2011 1 / 18 gdzie: X : n p Q : n n R : n p Zał.: n p. X = QR, - macierz eksperymentu, - ortogonalna, - ma zera poniżej głównej diagonali. [ R1 X = Q
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 szczegółowoOpis systemów dynamicznych w przestrzeni stanu. Wojciech Kurek , Gdańsk
Opis systemów dynamicznych Mieczysław Brdyś 27.09.2010, Gdańsk Rozważmy układ RC przedstawiony na rysunku poniżej: wejscie u(t) R C wyjście y(t)=vc(t) Niech u(t) = 2 + sin(t) dla t t 0 gdzie t 0 to chwila
Bardziej szczegółowoWpływ częstotliwości taktowania układu FPGA na dokładność estymacji prędkości silnika prądu stałego
Tomasz BINKOWSKI Politechnika Rzeszowska, Polska Bogdan KWIATKOWSKI Uniwersytet Rzeszowski, Polska Wpływ częstotliwości taktowania układu FPGA na dokładność estymacji prędkości silnika prądu stałego Wstęp
Bardziej szczegółowoSTATYSTYKA MAŁYCH OBSZARÓW II.ESTYMATOR HORVITZA-THOMPSONA, ESTYMATOR KALIBROWANY
STATYSTYKA MAŁYCH OBSZARÓW II.ESTYMATOR HORVITZA-THOMPSONA, ESTYMATOR KALIBROWANY 2.1 Estymator Horvitza-Thompsona 2.1.1 Estymator Horvitza-Thompsona wartości średniej i globalnej w populacji p-nieobciążony
Bardziej szczegółowoPolitechnika Gdańska Wydział Elektrotechniki i Automatyki. Automatyka i Robotyka Systemy Sterowania i Wspomagania Decyzji
Monitorowanie i Diagnostyka w Systemach Sterowania (MiDwSS) Podstawowe sposoby opisu niepewności, wybrane zagadnienia zastosowania estymacji rekursywnej dla potrzeb monitorowania i diagnostyki w systemach
Bardziej szczegółowoZaawansowane metody numeryczne
Wykład 10 Rozkład LU i rozwiązywanie układów równań liniowych Niech będzie dany układ równań liniowych postaci Ax = b Załóżmy, że istnieją macierze L (trójkątna dolna) i U (trójkątna górna), takie że macierz
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 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 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 szczegółowoObserwatory stanu, zasada separowalności i regulator LQG
Obserwatory stanu, zasada separowalności i regulator LQG Zaawansowane Techniki Sterowania Wydział Mechatroniki Politechniki Warszawskiej Anna Sztyber ZTS (IAiR PW) LQR Anna Sztyber / 29 Plan wykładu Obserwatory
Bardziej szczegółowoZaawansowane metody numeryczne
Wykład 11 Ogólna postać metody iteracyjnej Definicja 11.1. (metoda iteracyjna rozwiązywania układów równań) Metodą iteracyjną rozwiązywania { układów równań liniowych nazywamy ciąg wektorów zdefiniowany
Bardziej szczegółowoPrawdopodobieństwo i statystyka
Wykład XV: Zagadnienia redukcji wymiaru danych 2 lutego 2015 r. Standaryzacja danych Standaryzacja danych Własności macierzy korelacji Definicja Niech X będzie zmienną losową o skończonym drugim momencie.
Bardziej szczegółowoRozwiazywanie układów równań liniowych. Ax = b
Rozwiazywanie układów równań liniowych Ax = b 1 PLAN REFERATU: Warunki istnienia rozwiazań układu Metoda najmniejszych kwadratów Metoda najmniejszych kwadratów - algorytm rekurencyjny Rozwiazanie układu
Bardziej szczegółowoPODSTAWY AUTOMATYKI. MATLAB - komputerowe środowisko obliczeń naukowoinżynierskich - podstawowe operacje na liczbach i macierzach.
WYDZIAŁ ELEKTROTECHNIKI I AUTOMATYKI Katedra Inżynierii Systemów Sterowania PODSTAWY AUTOMATYKI MATLAB - komputerowe środowisko obliczeń naukowoinżynierskich - podstawowe operacje na liczbach i macierzach.
Bardziej szczegółowoStanisław Cichocki Natalia Nehrebecka. Zajęcia 8
Stanisław Cichocki Natalia Nehrebecka Zajęcia 8 1. Testy diagnostyczne 2. Testowanie prawidłowości formy funkcyjnej modelu 3. Testowanie normalności składników losowych 4. Testowanie stabilności parametrów
Bardziej szczegółowoStatystyka i eksploracja danych
Wykład XII: Zagadnienia redukcji wymiaru danych 12 maja 2014 Definicja Niech X będzie zmienną losową o skończonym drugim momencie. Standaryzacją zmiennej X nazywamy zmienną losową Z = X EX Var (X ). Definicja
Bardziej szczegółowoWykład z równań różnicowych
Wykład z równań różnicowych 1 Wiadomości wstępne Umówmy się, że na czas tego wykładu zrezygnujemy z oznaczania n-tego wyrazu ciągu symbolem typu x n, y n itp. Zamiast tego pisać będziemy x (n), y (n) itp.
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 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 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 szczegółowoRegresja wieloraka Ogólny problem obliczeniowy: dopasowanie linii prostej do zbioru punktów. Najprostszy przypadek - jedna zmienna zależna i jedna
Regresja wieloraka Regresja wieloraka Ogólny problem obliczeniowy: dopasowanie linii prostej do zbioru punktów. Najprostszy przypadek - jedna zmienna zależna i jedna zmienna niezależna (można zobrazować
Bardziej szczegółowoPromotor: dr Marek Pawełczyk. Marcin Picz
Promotor: dr Marek Pawełczyk Marcin Picz Stosowane metody: - Grupa metod odejmowania widm (subtractive( subtractive-typetype algorithms); - Filtracja Wienera; - Neural networks & Fuzzy logic (sieci neuronowe
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 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 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 szczegółowoOptymalizacja ciągła
Optymalizacja ciągła 5. Metody kierunków poparwy (metoda Newtona-Raphsona, metoda gradientów sprzężonych) Wojciech Kotłowski Instytut Informatyki PP http://www.cs.put.poznan.pl/wkotlowski/ 28.03.2019 1
Bardziej szczegółowoPorównanie błędu predykcji dla różnych metod estymacji współczynników w modelu liniowym, scenariusz p bliskie lub większe od n
Porównanie błędu predykcji dla różnych metod estymacji współczynników w modelu iowym, scenariusz p bliskie lub większe od n Przemyslaw.Biecek@gmail.com, MIM Uniwersytet Warszawski Plan prezentacji: 1 Motywacja;
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 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 szczegółowoWYKŁAD 9 METODY ZMIENNEJ METRYKI
WYKŁAD 9 METODY ZMIENNEJ METRYKI Kierunki sprzężone. Metoda Newtona Raphsona daje dobre przybliżenie najlepszego kierunku poszukiwań, lecz jest to okupione znacznym kosztem obliczeniowym zwykle postać
Bardziej szczegółowoWykład z równań różnicowych
Wykład z równań różnicowych Umówmy się, że na czas tego wykładu zrezygnujemy z oznaczania n-tego wyrazu ciągu symbolem typu x n, y n itp. Zamiast tego pisać będziemy x (n), y (n) itp. Definicja 1. Operatorem
Bardziej szczegółowoStabilność II Metody Lapunowa badania stabilności
Metody Lapunowa badania stabilności Interesuje nas w sposób szczególny system: Wprowadzamy dla niego pojęcia: - stabilności wewnętrznej - odnosi się do zachowania się systemu przy zerowym wejściu, czyli
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 szczegółowo5. Rozwiązywanie układów równań liniowych
5. Rozwiązywanie układów równań liniowych Wprowadzenie (5.1) Układ n równań z n niewiadomymi: a 11 +a 12 x 2 +...+a 1n x n =a 10, a 21 +a 22 x 2 +...+a 2n x n =a 20,..., a n1 +a n2 x 2 +...+a nn x n =a
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 szczegółowoSTATYSTYKA MAŁYCH OBSZARÓW I. WPROWADZENIE
1 STATYSTYKA MAŁYCH OBSZARÓW I. WPROWADZENIE 1.1 Podejścia w statystyce małych obszarów Randomizacyjne Wektor wartości badanej cechy traktowany jest jako nielosowy. Szacowana charakterystyka jest nielosowa
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 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 szczegółowoObliczenia naukowe Wykład nr 8
Obliczenia naukowe Wykład nr 8 Paweł Zieliński Katedra Informatyki, Wydział Podstawowych Problemów Techniki, Politechnika Wrocławska Literatura Literatura podstawowa [] D. Kincaid, W. Cheney, Analiza numeryczna,
Bardziej szczegółowoBaza w jądrze i baza obrazu ( )
Przykład Baza w jądrze i baza obrazu (839) Znajdź bazy jądra i obrazu odwzorowania α : R 4 R 3, gdzie α(x, y, z, t) = (x + 2z + t, 2x + y 3z 5t, x y + z + 4t) () zór ten oznacza, że α jest odwzorowaniem
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 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 szczegółowoStanisław Cichocki. Natalia Nehrebecka
Stanisław Cichocki Natalia Nehrebecka 1 2 3 1. Wprowadzenie do danych panelowych a) Charakterystyka danych panelowych b) Zalety i ograniczenia 2. Modele ekonometryczne danych panelowych a) Model efektów
Bardziej szczegółowoWłasności statystyczne regresji liniowej. Wykład 4
Własności statystyczne regresji liniowej Wykład 4 Plan Własności zmiennych losowych Normalna regresja liniowa Własności regresji liniowej Literatura B. Hansen (2017+) Econometrics, Rozdział 5 Własności
Bardziej szczegółowoPrawdopodobieństwo i statystyka
Wykład XIII: Prognoza. 26 stycznia 2015 Wykład XIII: Prognoza. Prognoza (predykcja) Przypuśćmy, że mamy dany ciąg liczb x 1, x 2,..., x n, stanowiących wyniki pomiaru pewnej zmiennej w czasie wielkości
Bardziej szczegółowoAlgorytmy estymacji stanu (filtry)
Algorytmy estymacji stanu (filtry) Na podstawie: AIMA ch15, Udacity (S. Thrun) Wojciech Jaśkowski Instytut Informatyki, Politechnika Poznańska 21 kwietnia 2014 Problem lokalizacji Obserwowalność? Determinizm?
Bardziej szczegółowoMetody Optymalizacji Laboratorium nr 4 Metoda najmniejszych kwadratów
Laboratorium Metod Optymalizacji 216 Metody Optymalizacji Laboratorium nr 4 Metoda najmniejszych kwadratów 1. Za pomocą funkcji lsqcurvefit dobrać parametry a i b funkcji: Posiadając następujące dane pomiarowe:
Bardziej szczegółowo7. Estymacja parametrów w modelu normalnym(14.04.2008) Pojęcie losowej próby prostej
7. Estymacja parametrów w modelu normalnym(14.04.2008) Pojęcie losowej próby prostej Definicja 1 n-elementowa losowa próba prosta nazywamy ciag n niezależnych zmiennych losowych o jednakowych rozkładach
Bardziej szczegółowo3. Macierze i Układy Równań Liniowych
3. Macierze i Układy Równań Liniowych Rozważamy równanie macierzowe z końcówki ostatniego wykładu ( ) 3 1 X = 4 1 ( ) 2 5 Podstawiając X = ( ) x y i wymnażając, otrzymujemy układ 2 równań liniowych 3x
Bardziej szczegółowoMetoda reprezentacyjna
Metoda reprezentacyjna Stanisław Jaworski Katedra Ekonometrii i Statystyki Zakład Statystyki Populacja, cecha, parametr, próba Metoda reprezentacyjna Przedmiotem rozważań metody reprezentacyjnej są metody
Bardziej szczegółowoESTYMACJA BŁĘDU PREDYKCJI I JEJ ZASTOSOWANIA
ESTYMACJA BŁĘDU PREDYKCJI I JEJ ZASTOSOWANIA Jan Mielniczuk Wisła, grudzień 2009 PLAN Błędy predykcji i ich podstawowe estymatory Estymacja błędu predykcji w modelu liniowym. Funkcje kryterialne Własności
Bardziej szczegółowoPolitechnika Gdańska Wydział Elektrotechniki i Automatyki Katedra Inżynierii Systemów Sterowania
Politechnika Gdańska Wydział Elektrotechniki i Automatyki Katedra Inżynierii Systemów Sterowania Metody optymalizacji Metody poszukiwania ekstremum funkcji jednej zmiennej Materiały pomocnicze do ćwiczeń
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 szczegółowoSystemy Sterowania i Wspomagania Decyzji Wykład 2
Systemy Sterowania i Wspomagania Decyzji mgr inż. Grzegorz Ewald y Politechnika Gdańska, Wydział Elektrotechniki i Automatyki 2011-02-23, Gdańsk System o dynamice zdarzeniowej (ang. Discrete Event System
Bardziej szczegółowoINTERPOLACJA I APROKSYMACJA FUNKCJI
Transport, studia niestacjonarne I stopnia, semestr I Instytut L-5, Wydział Inżynierii Lądowej, Politechnika Krakowska Ewa Pabisek Adam Wosatko Wprowadzenie Na czym polega interpolacja? Interpolacja polega
Bardziej szczegółowoRegresja nieparametryczna series estimator
Regresja nieparametryczna series estimator 1 Literatura Bruce Hansen (2018) Econometrics, rozdział 18 2 Regresja nieparametryczna Dwie główne metody estymacji Estymatory jądrowe Series estimators (estymatory
Bardziej szczegółowoUkłady równań liniowych. Ax = b (1)
Układy równań liniowych Dany jest układ m równań z n niewiadomymi. Liczba równań m nie musi być równa liczbie niewiadomych n, tj. mn. a a... a b n n a a... a b n n... a a... a b m m mn n m
Bardziej szczegółowoPrzekształcenia liniowe
Przekształcenia liniowe Zadania Które z następujących przekształceń są liniowe? (a) T : R 2 R 2, T (x, x 2 ) = (2x, x x 2 ), (b) T : R 2 R 2, T (x, x 2 ) = (x + 3x 2, x 2 ), (c) T : R 2 R, T (x, x 2 )
Bardziej szczegółowoWykład 10 Skalowanie wielowymiarowe
Wykład 10 Skalowanie wielowymiarowe Wrocław, 30.05.2018r Skalowanie wielowymiarowe (Multidimensional Scaling (MDS)) Główne cele MDS: przedstawienie struktury badanych obiektów przez określenie treści wymiarów
Bardziej szczegółowoSTATYSTYKA MAŁYCH OBSZARÓW IV. EMPIRYCZNY NAJLEPSZY PREDYKTOR
1 STATYSTYKA MAŁYCH OBSZARÓW IV. EMPIRYCZNY NAJLEPSZY PREDYKTOR 3.1 Najlepszy predyktor i empiryczny najlepszy predyktor 3.1.1 Najlepszy predyktor i empiryczny najlepszy predyktor Ogólny mieszany model
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 szczegółowoKwantyzacja wektorowa. Kodowanie różnicowe.
Kwantyzacja wektorowa. Kodowanie różnicowe. Kodowanie i kompresja informacji - Wykład 7 12 kwietnia 2010 Kwantyzacja wektorowa wprowadzenie Zamiast kwantyzować pojedyncze elementy kwantyzujemy całe bloki
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 szczegółowoWykład 5 Estymatory nieobciążone z jednostajnie minimalną war
Wykład 5 Estymatory nieobciążone z jednostajnie minimalną wariancją Wrocław, 25 października 2017r Statystyki próbkowe - Przypomnienie Niech X = (X 1, X 2,... X n ) będzie n elementowym wektorem losowym.
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 szczegółowo13 Układy równań liniowych
13 Układy równań liniowych Definicja 13.1 Niech m, n N. Układem równań liniowych nad ciałem F m równaniach i n niewiadomych x 1, x 2,..., x n nazywamy koniunkcję równań postaci a 11 x 1 + a 12 x 2 +...
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 szczegółowoProgramowanie liniowe
Badania operacyjne Problem Model matematyczny Metoda rozwiązania Znaleźć optymalny program produkcji. Zmaksymalizować 1 +3 2 2 3 (1) Przy ograniczeniach 3 1 2 +2 3 7 (2) 2 1 +4 2 12 (3) 4 1 +3 2 +8 3 10
Bardziej szczegółowoFunkcje wymierne. Funkcja homograficzna. Równania i nierówności wymierne.
Funkcje wymierne. Funkcja homograficzna. Równania i nierówności wymierne. Funkcja homograficzna. Definicja. Funkcja homograficzna jest to funkcja określona wzorem f() = a + b c + d, () gdzie współczynniki
Bardziej szczegółowo1. POJĘCIA PODSTAWOWE I RODZAJE UKŁADÓW AUTOMATYKI
Podstawy automatyki / Józef Lisowski. Gdynia, 2015 Spis treści PRZEDMOWA 9 WSTĘP 11 1. POJĘCIA PODSTAWOWE I RODZAJE UKŁADÓW AUTOMATYKI 17 1.1. Automatyka, sterowanie i regulacja 17 1.2. Obiekt regulacji
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 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 szczegółowoZrównoleglona optymalizacja stochastyczna na dużych zbiorach danych
Zrównoleglona optymalizacja stochastyczna na dużych zbiorach danych mgr inż. C. Dendek prof. nzw. dr hab. J. Mańdziuk Politechnika Warszawska, Wydział Matematyki i Nauk Informacyjnych Outline 1 Uczenie
Bardziej szczegółowoZależność. przyczynowo-skutkowa, symptomatyczna, pozorna (iluzoryczna),
Zależność przyczynowo-skutkowa, symptomatyczna, pozorna (iluzoryczna), funkcyjna stochastyczna Korelacja brak korelacji korelacja krzywoliniowa korelacja dodatnia korelacja ujemna Szereg korelacyjny numer
Bardziej szczegółowoProgramowanie liniowe
Programowanie liniowe Maciej Drwal maciej.drwal@pwr.wroc.pl 1 Problem programowania liniowego min x c T x (1) Ax b, (2) x 0. (3) gdzie A R m n, c R n, b R m. Oznaczmy przez x rozwiązanie optymalne, tzn.
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 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 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 szczegółowoWykład 3 Równania rózniczkowe cd
7 grudnia 2010 Definicja Równanie różniczkowe dy dx + p (x) y = q (x) (1) nazywamy równaniem różniczkowym liniowym pierwszego rzędu. Jeśli q (x) 0, to równanie (1) czyli równanie dy dx + p (x) y = 0 nazywamy
Bardziej szczegółowoRegulator liniowo kwadratowy na przykładzie wahadła odwróconego
Regulator liniowo kwadratowy na przykładzie wahadła odwróconego kwiecień 2012 Sterowanie Teoria Przykład wahadła na wózku Dany jest system dynamiczny postaci: ẋ = f (x, u) (1) y = h(x) (2) Naszym zadaniem
Bardziej szczegółowoUczenie sieci typu MLP
Uczenie sieci typu MLP Przypomnienie budowa sieci typu MLP Przypomnienie budowy neuronu Neuron ze skokową funkcją aktywacji jest zły!!! Powszechnie stosuje -> modele z sigmoidalną funkcją aktywacji - współczynnik
Bardziej szczegółowoZestaw 12- Macierz odwrotna, układy równań liniowych
Zestaw - Macierz odwrotna, układy równań liniowych Przykładowe zadania z rozwiązaniami Załóżmy, że macierz jest macierzą kwadratową stopnia n. Mówimy, że macierz tego samego wymiaru jest macierzą odwrotną
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 szczegółowoWNIOSKOWANIE W MODELU REGRESJI LINIOWEJ
WNIOSKOWANIE W MODELU REGRESJI LINIOWEJ Dana jest populacja generalna, w której dwuwymiarowa cecha (zmienna losowa) (X, Y ) ma pewien dwuwymiarowy rozk lad. Miara korelacji liniowej dla zmiennych (X, Y
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 szczegółowoStosowana Analiza Regresji
prostej Stosowana Wykład I 5 Października 2011 1 / 29 prostej Przykład Dane trees - wyniki pomiarów objętości (Volume), średnicy (Girth) i wysokości (Height) pni drzew. Interesuje nas zależność (o ile
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= Zapiszemy poniższy układ w postaci macierzy. 8+$+ 2&=4 " 5 3$ 7&=0 5$+7&=4
17. Układ równań 17.1 Co nazywamy układem równań liniowych? Jak zapisać układ w postaci macierzowej (pokazać również na przykładzie) Co to jest rozwiązanie układu? Jaki układ nazywamy jednorodnym, sprzecznym,
Bardziej szczegółowoPolitechnika Gdańska Wydział Elektrotechniki i Automatyki Katedra Inżynierii Systemów Sterowania
Politechnika Gdańska Wydział Elektrotechniki i Automatyki Katedra Inżynierii Systemów Sterowania Podstawy Automatyki Badanie i synteza kaskadowego adaptacyjnego układu regulacji do sterowania obiektu o
Bardziej szczegółowoPROGRAMOWANIE NIELINIOWE
PROGRAMOWANIE NIELINIOWE Maciej Patan Uniwersytet Zielonogórski WSTEP Zadanie programowania nieliniowego (ZPN) min f(x) g i (x) 0, h i (x) = 0, i = 1,..., m g i = 1,..., m h f(x) funkcja celu g i (x) i
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 szczegółowo1 Pochodne wyższych rzędów
1 Pochodne wyższych rzędów Definicja 1.1 (Pochodne cząstkowe drugiego rzędu) Niech f będzie odwzorowaniem o wartościach w R m, określonym na zbiorze G R k. Załóżmy, że zbiór tych x G, dla których istnieje
Bardziej szczegółowoWprowadzenie do technik regulacji automatycznej. prof nzw. dr hab. inż. Krzysztof Patan
Wprowadzenie do technik regulacji automatycznej prof nzw. dr hab. inż. Krzysztof Patan Czym jest AUTOMATYKA? Automatyka to dziedzina nauki i techniki zajmująca się teorią i praktycznym zastosowaniem urządzeń
Bardziej szczegółowo