Popis předmětu - B3M35OFD

Přehled studia | Přehled oborů | Všechny skupiny předmětů | Všechny předměty | Seznam rolí | Vysvětlivky               Návod
B3M35OFD Odhadování, filtrace a detekce
Role:PO, PV Rozsah výuky:2P+2C
Katedra:13135 Jazyk výuky:CS
Garanti:Havlena V. Zakončení:Z,ZK
Přednášející:Havlena V. Kreditů:6
Cvičící:Hauser J., Havlena V., Tabaček J. Semestr:Z

Webová stránka:

https://moodle.fel.cvut.cz/courses/B3M35OFD

Anotace:

Předmět seznamuje posluchače s popisem neurčitosti nepozorovatelných veličin (parametrů a stavu dynamického systému) jazykem teorie pravděpodobnosti a s metodami jejich odhadování. Na základě bayesovské formulace problému jsou odvozeny algoritmy odhadování (parametry ARX modelu, Gaussian Process Regression) a filtrace (Kalmanův filtr) a detekce (testování hypotéz na základě věrohodnostního poměru), diskutována jejich numericky robustní implementace a řešení reálných aplikačních problémů v oblasti průmyslových regulací, robotiky a avioniky.

Cíle studia:

Schopnost řešit inženýrské problem v oblasti odhadování a filtrace s využitím rigorózních teoretických základů.

Obsah:

MS, LMS a ML odhad. Bayesovský přistup, model dynamického system Identifikace parametrů ARX modelu. Sledování časově proměnných parametrů, metody zapomínání. Numercky robustní algoritmy odhadování. Regrese s využitím gaussovských procesů. Stochastický systém, pravděpodobnostní definice stavu, Kalmanův filtr. Kalmanův filtr pro barevné šumy, rozšířený Kalmanův filtr. Stochastické dynamické programování, LQ a LQG řízení, separační princip. Metody detekce a izolace poruch. Věrohodnostní poměr - teorie a aplikace. Nelineární odhadování - lokální a globální aproximace. Metody Monte Carlo.

Osnovy přednášek:

1. Opakování statistiky
2. MS, LMS a ML odhad
3. Bayesovský přistup, model dynamického systému
4. Identifikace parametrů ARX modelu
5. Sledování časově proměnných parametrů, metody zapomínání
6. Numercky robustní algoritmy odhadování
7. Regrese s využitím Gausovských procesů
8. Stochastický systém, pravděpodobnostní definice stavu, Kalmanův filtr
9. Kalmanův filtr pro barevné šumy, rozšířený Kalmanův filtr
10. Stochastick=é dynamické programování, LQ a LQG řízení, separační princip
11. Metody detekce a izolace poruch
12. Věrohodnostní poměr - teorie a aplikace
13. Nelineární odhadování - lokální a globální aproximace
14. Metody Monte Carlo

Osnovy cvičení:

Náplní seminářů je práce na zadaných projektech (implementace vybraných algoritmů v Matlabu, řešení konkrétních technických problémů), Předmětem kontroly jsou funkční algoritmy a závěrečná zpráva. Náplní domácích úkolů je řešení vybraných teoretické problému, předmětem kontroly je písemná zpráva. .

Literatura:

Lewis, F. L., L. Xie, D. Popa: Optimal and Robust Estimation: With an Introduction to Stochastic Control Theory, CRC Press, 2005. ISBN 978-1-4200-0829-6 Simon, D.: Optimal State Estimation: Kalman, H Infinity, and Nonlinear Approaches. Wiley, 2006, ISBN: 978-0-471-70858-2 Slidy přednášek (WEB/Moodle) Zadání samostatných prací a domácích úkolů (WEB/Moodle)

Požadavky:

Základní znalosti teorie dynamických system, pravděpodobnosti a statistiky.

Poznámka:

Updated 31. 1. 2016, 3+1

Klíčová slova:

Odhadování, filtrace, stochastický system, stav, nelineární systém, věrohodnostní poměr, metoda Monte Carlo.

Předmět je zahrnut do těchto studijních plánů:

Plán Obor Role Dop. semestr
MPKYR3_2016 Systémy a řízení PO 3
MPKYR5_2016 Kybernetika a robotika PV 3
MPKYR4_2016 Letecké a kosmické systémy PV 3
MPKYR1_2016 Robotika PV 3
MPKYR2_2016 Senzory a přístrojová technika PV 3
MPKYR_2021 Před zařazením do oboru PV 3


Stránka vytvořena 19.3.2024 05:50:46, semestry: Z,L/2023-4, Z/2024-5, připomínky k informační náplni zasílejte správci studijních plánů Návrh a realizace: I. Halaška (K336), J. Novák (K336)