پرداخت امن توسط کارتهای شتاب
بازگشت وجه ضمانت بازگشت تا 7 روز
تضمین کیفیت ضمانت تضمین کیفیت
پشتیبانی 24 ساعته 7 روز هفته

فیلتر کالمن

فیلتر کالمن
۱۳۸,۰۰۰ تومان٪14 تخفیف

همونطور که میدانید بحث تخمینگر (Estimator) یا رویتگر (Observer) نه تنها در مهندسی کنترل (Control Engineering) و مهندسی برق (Electrical Engineering)، بلکه در تمامی رشته‌های مهندسی و حتی غیر مهندسی از جمله مهندسی مکانیک (Mechanical Engineering)، مهندسی شیمی (Chemical Engineering)، مهندسی هوافضا (Aerospace Engineering)، روباتیک (Robotics)، اقتصاد (Economics)، بوم‌شناسی (Ecology) و زیست‌شناسی (Biology) کاربرد فراوانی دارد. از طرف دیگر، فیلتر کالمن (Kalman Filter) به عنوان یک تخمینگر بهینه پرکاربردترین و محبوبترین رویتگر در تمامی کاربردهاست که مقالات و کتابهای بسیاری در مورد آن نوشته شده و هنوز هم کارهای تحقیقاتی زیادی در مورد آن انجام میشود. البته بحث تخمین به فیلتر کالمن و مشتقات آن محدود نشده و تخمینگرهای زیاد دیگری هم وجود دارند که استفاده میشوند.

من به عنوان یک مهندس کنترل در درسهای مختلفی که گذرانده‌ام، به صورت جسته گریخته با یک سری اطلاعات گسسته در مورد تخمینگرها مواجه شدم؛ از جمله بحث رویتگرهای لیونبرگر در درس کنترل مدرن یا فیلتر کالمن در درس کنترل فرآیندهای اتفاقی، اما هیچوقت به صورت منظم و سازمان یافته تخمینگرها را نشناختم. بنابراین قصد دارم در این سری فیلمها، سیر تا پیاز تخمینگرها، انواع، کاربردها، نحوه تحلیل و طراحی، نحوه پیاده‌سازی در متلب و هر چیزی که ممکن است در این مسیر مورد نیاز باشد، خدمت شما تقدیم کنم.

برای این کار یکی از کتابهای خیلی خوب و جامع را به عنوان مرجع اصلی این سری فیلمها در نظر گرفتم. نام کامل این کتاب “تخمینگرهای بهینه حالت، کالمن، ∞H و روشهای غیرخطی” بوده و نویسند آن Dan Simon از دانشگاه کلیولند است. این کتاب مزایای زیادی دارد که در جلسه اول به بعضی از آنها اشاره کرده‌ام. علاوه بر این کتاب که جنبه تئوری بحث را از آن دنبال میکنم، یک تولباکس (بر اساس متلب) رایگان و خیلی مفید را خدمت شما معرفی میکنم که شامل بسیاری از روشهای موجود بوده و از آن میتوان برای پیاده‌سازی اکثر تخمینگرها استفاده کرد. نام این تولباکس “فیلترینگ بهینه با استفاده از فیلترهای کالمن و اسموترها” بوده و تهیه کننده اصلی آن Simo Sarkka از دانشگاه آلتو فنلاند است که خودش در زمینه فیلتر کالمن و هموارسازها تحقیقات زیادی انجام داده است. با توجه به اینکه این تولباکس تمام روشهای موجود در کتاب رو پوشش نمیدهد، توابع مورد نیاز برای پیاده سازی این روشها به تدریج معرفی شده و نحوه اضافه کردن آنها به تولباکس و نحوه استفاده از آنها به طور کامل توضیح داده میشود.

به صورت خلاصه مباحث زیر در این سری فیلمها مورد بررسی قرار می گیرند:

  • مقدمات ریاضی از جمله جبرخطی و سیستمهای دینامیکی و فرآیندهای تصادفی
  • تخمین حداقل مربعات (Least Squares Estimation)
  • انتشار حالت و کواریانس (Propagation of States and Covariance)
  • فیلتر کالمن گسسته (Discrete Kalman Filter) و هموارساز آن (Kalman Smoother)
  • انواع فرمولبندیهای دیگر فیلتر کالمن
  • فیلتر کالمن برای سیستمهای دارای نویز رنگی (Colored Noise) و همبسته (Correlated)
  • فیلتر کالمن پیوسته Kalman Bucy Filter) KBF)
  • فیلتر ∞H
  • ترکیب فیلتر ∞H و کالمن
  • فیلتر کالمن توسعه یافته Extended Kalman Filter) EKF) و هموارساز آن (EKF Smoother)
  • فیلتر کالمن بدون بو! Unscented Kalman Filter) UKF) و هموارساز آن (UKF Smoother)
  • فیلتر ذره‌ای (Particle Filter)
  • فیلتر Extended Kalman Particle Filter) EKPF)
  • فیلتر کالمن مکعبی Cubature Kalman Filter) CKF) و هموارساز آن (CKF Smoother)
  • فیلتر کالمن گاوس-هرمیت Gauss-Hermite Kalman Filter) GHKF) و هموارساز آن (GHKF Smoother)
  • فیلتر کالمن تفاضل مرکزی Central Difference Kalman Filter) CDKF)
  • فیلتر کالمن برای سیستمهای دارای مدل چندگانه (سیستمهای سویچینگ مارکوف) Interacting Multiple Models Filters) IMM)

 

پیش نیازها: آشنایی اولیه با کدنویسی در متلب

لطفا قبل از دیدن ادامه پست حتما این ویدئو را ببینید:

برای اطلاع از فهرست موضوعی تمامی جلسات اینجا کلیک کنید

نکته آخر اینکه شاید برایتان جالب باشد که دکتر کیوان افشار مقاله زیر را با راهنمایی دکتر جوادی از جلسه 108 این مجموعه چاپ کرده است.

Mass estimation and adaptive output feedback control of nonlinear electromagnetic levitation system

 

برای دیدن جزئیات هر جلسه شامل: پیش نمایش هر جلسه، موضوع هر جلسه، مدت زمان هر جلسه و …. به تب فهرست جلسات بروید

برای خرید یک یا چند فصل به تب خرید موضوعی بروید.

مطالعه بیشتر

راهنمای خرید:
  • لینک دانلود فایل بلافاصله بعد از پرداخت وجه به نمایش در خواهد آمد.
  • همچنین لینک دانلود به ایمیل شما ارسال خواهد شد به همین دلیل ایمیل خود را به دقت وارد نمایید.
  • ممکن است ایمیل ارسالی به پوشه اسپم یا Bulk ایمیل شما ارسال شده باشد.
  • در صورتی که به هر دلیلی موفق به دانلود فایل مورد نظر نشدید با ما تماس بگیرید.

جلسه اول :

 در این جلسه تخمینگرهای (رویتگرهای) مختلف از جمله خطی و غیرخطی، گسسته و پیوسته و حالت ترکیبی طبقه بندی شده و از هر نوع چند نمونه معرفی می‌شود. به علاوه، انواع فیلتر کالمن و توسعه یافته های آن به عنوان یکی از مهمترین و کاربردی‌ترین رویتگرها بیان می‌شود. در ادامه، زندگینامه کوتاه Rudolf (Rudi) Emil Kalman آورده شده و سوابق تحقیقاتی و جوایز دریافتی وی نیز بیان می‌شود. همچنین مرجع اصلی این سری فیلمها که کتاب تخمین بهینه حالت نوشته شده توسط Dan Simon است، معرفی شده و یک کتاب دیگر نیز در این زمینه به عنوان نمونه نشان داده می‌شود. علاوه بر کتاب تخمین بهینه حالت که تئوری آن از کتاب Dan Simon دنبال می‌شود، بیشتر شبیه‌سازیها و کدنویسی‌ها برای پیاده‌سازی فیلترهای مختلف از طریق تولباکس ekf/ukf تهیه شده توسط Simo Sarkka، انجام می‌شود که در این جلسه معرفی می‌شود. جهت ارزیابی شما عزیزان جلسه اول رایگان تقدیم می‌شود.

مدت زمان آموزش: 78 دقیقه

حجم فایل: 239 مگابایت

محتویات درس: فیلم با کیفیت 720p - پاورپوینت درس – کتاب "تخمین بهینه حالت" اثر Dan Simon - کتاب "تخمین بهینه با کاربردهای آن برای ردیابی و ناوبری" اثر Yaakov Bar-Shalom – تولباکس "ekf/ukf" تهیه شده توسط Simo Sarkka

جلسه اول:

 
تمام پیش نمایشها دارای کیفیت 720p هستند ولی ممکن است به علت سرعت کم اینترنت شما با کیفیت پایینتر نمایش داده شوند.
 با نگهداشتن نشانگر بر روی گزینه Capture در نوار پایین صفحه نمایش، می‌توانید کیفیت دلخواه را انتخاب کنید

جلسه دوم : 

جلسه سوم : 

جلسه چهارم : 

جلسه پنجم: 

جلسه ششم: 

جلسه هفتم : 

جلسه هشتم : 

جلسه نهم : 

جلسه دهم : 

جلسه یازدهم : 

جلسه دوازدهم : 

جلسه سیزدهم : 

جلسه چهاردهم : 

جلسه پانزدهم : 

جلسه شانزدهم : 

جلسه هفدهم : 

جلسه هجدهم : 

جلسه نوزدهم : 

جلسه بیستم: 

طراحی با استفاده از واسط گرافیکی(GUI)

در تکمیل  فصل پنجم، دو نرم افزار در متلب تهیه شده که با استفاده از ورودی هایی که به آن داده می شود، فیلتر کالمن را  به صورت گرافیکی طراحی می کند.

ضمناً جهت يادگيري نحوه ايجاد gui (واسط گرافيکي در متلب) هم مي توانيد به آموزش واسط های گرافیکی در متلب و یا در اينجا کليک کنيد.

1- طراحي فيلتر کالمن گسسته با استفاده از GUI

در اين واسط گرافيکي مي توانيد براي يک سيستم گسسته از هر مرتبه اي، يک فيلتر کالمن گسسته طراحي کنيد و پاسخ واقعي، تخمين، بهره فيلتر کالمن و همچنين خطاي تخمين را مشاهده کنيد. همينطور ماتريس کواريانس خطاي حالت دائمي تخمين با استفاده از دو روش گريوال و ريکاتي و نيز خطاي RMS بين مقدار واقعي و تخمين هم نمايش داده شده است.

پیش نمایش

2- طراحي فيلتر کالمن گسسته برای یک سیستم پيوسته با استفاده از GUI

در اين واسط گرافيکي مي توانيد براي يک سيستم پيوسته از هر مرتبه اي، يک فيلتر کالمن گسسته طراحي کنيد و پاسخ واقعي، تخمين، بهره فيلتر کالمن و همچنين کواريانس خطاي تخمين را مشاهده کنيد. همينطور ماتريس کواريانس خطاي حالت دائمي تخمين با استفاده از دو روش گريوال و ريکاتي و نيز خطاي RMS بين مقدار واقعي و تخمين هم نمايش داده شده است.

پیش نمایش

جلسه بیست و یکم : 

جلسه بیست و دوم : 

جلسه بیست و سوم : 

جلسه بیست و چهارم : 

جلسه بیست و پنجم : 

جلسه بیست و ششم : 

جلسه بیست و هفتم : 

جلسه بیست و هشتم : 

جلسه بیست و نهم : 

جلسه سی ام : 

جلسه سی و یکم : 

جلسه سی و دوم : 

جلسه سی و سوم : 

جلسه سی و چهارم : 

جلسه سی و پنجم : 

جلسه سی و ششم: 

جلسه سی و هفتم : 

جلسه سی و هشتم : 

جلسه سی و نهم : 

جلسه چهلم : 

جلسه چهل و یکم : 

جلسه چهل و دوم : 

جلسه چهل و سوم : 

جلسه چهل و چهارم: 

جلسه چهل و پنجم : 

جلسه چهل و ششم : 

جلسه چهل و هفتم : 

جلسه چهل و هشتم : 

جلسه چهل و نهم : 

جلسه پنجاهم : 

جلسه پنجاه و یکم : 

جلسه پنجاه و دوم : 

جلسه پنجاه و سوم : 

جلسه پنجاه و چهارم : 

جلسه پنجاه و پنجم : 

جلسه پنجاه و ششم : 

جلسه پنجاه و هفتم : 

جلسه پنجاه و هشتم : 

جلسه پنجاه و نهم : 

جلسه شصتم : 

جلسه شصت و یکم : 

جلسه شصت و دوم :

جلسه شصت و سوم :

جلسه شصت و چهارم :

جلسه شصت و پنجم :

جلسه شصت و ششم :

جلسه شصت و هفتم :

جلسه شصت و هشتم :

جلسه شصت و نهم :

جلسه هفتادم :

جلسه هفتاد و یکم :

جلسه هفتاد و دوم :

جلسه هفتاد و سوم :

جلسه هفتاد و چهارم :

جلسه هفتاد و پنجم :

جلسه هفتاد و ششم :

جلسه هفتاد و هفتم :

جلسه هفتاد و هشتم :

جلسه هفتاد و نهم :

جلسه هشتادم :

جلسه هشتاد و یکم :

جلسه هشتاد و دوم :

جلسه هشتاد و سوم :

جلسه هشتاد و چهارم :

جلسه هشتاد و پنجم :

جلسه هشتاد و ششم :

جلسه هشتاد و هفتم :

جلسه هشتاد و هشتم :

جلسه هشتاد و نهم :

جلسه نودم:

جلسه نود و یکم :

جلسه نود و دوم :

جلسه نود و سوم :

جلسه نود و چهارم :

جلسه نود و پنجم :

جلسه نود و ششم :

جلسه نود و هفتم :

جلسه نود و هشتم :

جلسه نود و نهم:

جلسه صدم :

جلسه صد و یکم :

جلسه صد و دوم :

جلسه صد و سوم :

جلسه صد و چهارم :

جلسه صد و پنجم :

جلسه صد و ششم :

جلسه صد و هفتم:

جلسه صد و هشتم :

در صورتیکه قصد خرید فصل ها را به صورت جداگانه دارید براساس جدول زیر، شماره فصل را از منوی کشویی که بالای دکمه "افزودن به سبد خرید" است، انتخاب کنید و سپس بر روی دکمه "افزودن به سبد خرید" کلیک کنید تا فصل مربوطه به سبد خریدتان اضافه شود. 

فصل 1: جلسات 1-5 تئوری سیستم های خطی
فصل 2: جلسات 6-8 تئوری احتمالات
فصل 3: جلسات 9-11 تخمین حداقل مربعات
فصل 4: جلسات 12-13 انتشار حالت و کواریانس
فصل 5: جلسات 14-20 فیلتر کالمن گسسته
فصل 6: جلسات 21-27 فرمولبندی های دیگر فیلتر کالمن
فصل 7: جلسات 28-37 تعمیم های فیلتر کالمن
فصل 8: جلسات 38-44 فیلتر کالمن پیوسته
فصل 9: جلسات 45-51 هموارسازی بهینه
فصل 10: جلسات 52-56 مباحث تکمیلی فیلتر کالمن
فصل 11: جلسات 57-63 فیلتر h-infinity
فصل 12: جلسات 64-67 مباحث تکمیلی فیلتر h-infinity
فصل 13: جلسات 68-79 فیلتر کالمن توسعه یافته extended kalman filter
فصل 14: جلسات 80-89 فیلتر کالمن unscented kalman filter
فصل 15: جلسات 90-96 فیلتر ذره ای particle filter
فصل 16: جلسات 97-108 انواع دیگر فیلتر ها ckf,cdkf, ghkf, immkf

دیدگاهها

  1. حمید

    سلام. اگر بخواهیم همان تمرین موتور دوفاز را که به صورت hekf و ekbf حل شد را به صورت ekf گسسته حل کنیم، چون ورودی ها با زمان تغییر می کنند، ورودی های کنترلی آن به چه صورت باید وارد معادلاتمان شود؟ لطفا درباره کد تابع f با ورودی کنترلی راهنمایی فرمایید. همچنین در ekbf برای سیستم واقعی، ekbf در رادیکال dt ضرب شده بود و z نیز تقسیم بر رادیکال dt شده بود که به نظرم لازم نیست.

    • علی جوادی

      @حمید,
      سلام. از تاخیر در پاسخگویی عذرخواهی میکنم.
      اگر ورودی کنترلی داشته باشید، می تونید ورودیها رو در کد اصلی وارد param کرده و داخل کد تابع سیستم ازش استفاده کنید.
      نحوه گسسته سازی سیستمهای تصادفی (stochastic) متفاوت از سیستمهای قطعی (deterministic) است. در واقع به جای روش اویلر برای گسسته سازی که در سیستمهای قطعی استفاده می شه، اصولا باید از روش اویلر-ماریاما استفاده بشه تا به نتایج درستی برسیم. در روش اویلر-ماریاما به جای خود dt باید رادیکال dt به نویز ضرب بشه تا نویز سفید گسسته بشه. بنابراین برعکسش برای نویز اندازه‌گیری اتفاق میافته یعنی اگر نویز گسسته باشه، باید تقسیم بر رادیکال dt بشه تا به حالت پیوسته در بیاد مثل همون کاری که برای بردار اندازه‌گیری z انجام شده.
      برای اطلاعات بیشتر در مورد روش اویلر-ماریاما به صفحه 99 کتاب زیر مراجعه کنید:
      https://goo.gl/AhTxHU

  2. حامد

    سلام وقت بخیر
    من قراره یک سیستم INS و GPS رو با CKF تخمین بزنم.مشکلی که دارم اینه که چون فرکانس INS ده برابر GPS هستش برای همین برای اون زمانهایی که ما داده اندازه گیری نداریم باید چکار کنیم؟
    من توی اون زمانها تخمین رو با داده های خود INS پیش میبرم.این کار درسته؟
    با وجود این کار فیلتر CKF من نسبت به EKF نتیجه بهتری رو نداده و حتی به صورت جزئی نتایج بدتر هم شده.

    • علی جوادی

      @حامد,
      سلام
      من تا حالا سیستم INS با GPS رو انجام ندادم ولی استفاده از اندازه‌گیریها هر زمانی که در دسترس بودند به نظر درست میاد. میتونید اندازه‌گیریها رو با نمونه برداری از داده های INS همزمان کنید تا هیچ شک و شبهه ای به وجود نیاد.
      اگر معادلات سیستم خیلی غیرخطی باشند یا رنج تغییرات بردار حالت زیاد باشه اصولا CKF باید بهتر از EKF باشه

  3. امیر

    سلام. من در قسمت H-Infinity مدل خودم رو به برنامه جلسه 60 وارد کردم. اما همیشه یک ارور رو دریافت می کنم. برای رفع ارور مقادیر teta, S, P و حتی R رو کوچیک کردم تا تابع مثبت معین بشه. اما همچنان این ارور رو دریافت می کنم. ممنون میشم راهنمایی بفرمایید.

    Error using eig
    Input to EIG must not contain NaN or Inf.

    Error in HIF (line 54)
    con = min(eig(ch));

    Error in HinfinityObserver (line 77)
    [mhinf,Chinf,K] = HIF(mhinf,Chinf,F,Q,Y(:,i),H,R,L,S,teta,G,u(i));

    • علی جوادی

      @امیر,
      سلام
      اولا که اگر ورودی کنترلی دارید، باید حواستون باشه که کنترل کننده با موفقیت بتونه سیستم رو کنترل بکنه و اگر درست کار نکنه قطعا فیلتر هم جواب نخواهد داد
      ثانیا فیلتر Hinf به پارامترها خیلی حساسه و باید پارامترها رو اونقدر تغییر بدید تا به جواب برسید. مثلا یکبار teta رو صفر بذارید (فیلتر کالمن) و ببینید میتونید پارامترهای دیگه رو طوری انتخاب کنید تا جواب بده یا نه. اگه جواب داد اون موقع teta رو زیادش کنید
      ثالثا سعی کنید flag رو به عنوان خروجی تابع بگیرید و ببینید که فیلتر اصلا جواب داره یا نه

  4. میلاد

    خسته نباشید.
    من پروژمو با استفاده از ekf هم ب صورت گسسته هم ب صورت پیوسته و همینطور هایگین ابزرور و شبه لیونبرگر و عصبی جواب گرفتم، تنها مشکل من در زمان استفاده از ukf ک خطای مثبت معین نبودن رو میگیره، ماتریس های p و q r هم کم و زیاد کردم، بازم ارور میده، یا خیلی واگرا میشه.
    برای حل این مشکل چ کار باید بکنم؟

    • علی جوادی

      @میلاد,
      سلام
      اگر از روش ekf جواب گرفتید باید از روش ukf هم جواب بگیرید چون خطای کمتری داره. وقتی خطای مثبت معین نبودن رو میده یعنی اینکه فیلتر داره واگرا میشه و تخمینها درست نیست. دلایل مختلفی میتونه داشته باشه. مثلا عدم تعریف درست تابع غیرخطی سیستم، عدم انتخاب درست پارامترهای ukf، اشتباه در کدنویسی و …

      • میلاد

        @علی جوادی, از اونجا ک سیستمم رو ب زمان های dt تقسیم میکنم، نیازی هست این گسسته سازی رو ب معادلات ukf اضافه کنم؟ ب عنوان مثال در ekf این dt در معادلات ماتریس ژاکپبین f و همینطور p خودشو نشون میده،
        F=I+dt*f

        • علی جوادی

          @میلاد,
          اگر از روش هیبریدی استفاده کنید نیازی نیست و توابع پیوسته رو به دستورات بدید ولی اگر دوست دارید میتونید خودتون سیستم رو گسسته کنید و از فیلتر گسسته استفاده کنید

  5. حامد

    سلام وقت بخیر
    برای مقاوم شدن و تطبیقی شدن فیلتر کالمن CKF چه تغییراتی در فیلتر باید اعمال کرد و روش کار به چه صورت است؟

  6. پیام

    با سلام. من میخوام روی یک سیستم هایبریدی کار کنم که مدل غیرخطی پیوسته است و کنترلر گسسته . چندتا سوال ازتون داشتم. چون اندازه گیری ها گسسته است باید از ekf گسسته استفاده کنم یا ekf هایبریدی؟ کنترل کننده های غیرخطی مثل اسلایدینگ مد یا فازی که تا الان خوندیم همه پیوسته بودن. طراحی گسسته ی این کنترلرها روش خاصی داره.
    با تشکر

    • مدیر سایتادمین سایت ( مالک تایید شده )

      @پیام,
      با توجه به اینکه مدل پیوسته و اندازه‌گیری گسسته است، باید از روش ekf هیبریدی استفاده کنید.
      کنترل کننده های مد لغزشی و فازی در تخصص من نیست ولی تا جایی که من میدونم اغلب روشهای کنترلی نسخه گسسته هم دارند. باید در مراجع جست و جو کنید

  7. پیام

    ممنون از توضیحاتتون. اگر سیستم پیوسته باشد و اندازه گیریها گسسته، همانطور که شما گفتید باید از کنترلر گسسته استفاده کنیم. پس چه موقع باید از کنترلر هایبریدی که بطور مثال lqg هایبریدی که توی اموزشهای خودتان است استفاده کنیم. فرق کنترلر هایبریدی و گسسته در چیست.
    با تشکر از شما

    • علی جوادی

      @پیام,
      لطفا به الفاظ دقت کنید. من گفتم کنترل کننده گسسته نه سیستم گسسته. این دو باهم متفاوت هستند. کنترل کننده و پلنت (مدل مورد استفاده برای طراحی) هر کدوم میتونه پیوسته باشه یا گسسته اما سیستم سه حالت میتونه داشته باشه: پیوسته (مدل و کنترل کننده پیوسته)، گسسته (مدل و کنترل کننده گسسته) و هیبریدی (مدل پیوسته و کنترل کننده گسسته). در واقع اصلا کنترل کننده هیبریدی نداریم ولی ممکنه بعضی وقتها به اشتباه از این لفظ به جای سیستم هیبریدی استفاده بکنیم. اگر من هم استفاده کردم شما حواستون باشه که درستش چیه

  8. پیام

    با سلام. دوتا سوال داشتم.
    1-اگر سیستم پیوسته باشد و اندازه گیری ها گسسته ، کنترل کننده ی ما باید گسسته باشد یا پیوسته؟
    2-چه نیازی هست که دینامیک را گسسته کنیم وقتی که دینامیک پیوسته خودش یه نوع گسسته هستش چون یه زمان نمونه برداری داره . و میکروهایی هستند که سرعت پردازششون خیلی زیاده و سنسورها هم که اکثرا با سرعت بالا و به صورت پیوسته به ما اطلاعات میدن. پس میشه همیشه دینامیک و کنترل کننده و رویتگر رو پیوسته در نظر گرفت؟

    • علی جوادی

      @پیام,
      سلام
      1) کنترل کننده باید گسسته باشه
      2) نکته مهم اینه که دینامیک سیستم واقعی با مدلی که ما برای طراحی استفاده میکنیم متفاوته و با نمونه برداری دینامیک پیوسته سیستم هیچ وقت گسسته نمیشه بلکه مدلی که ما برای طراحی در نظر میگیریم (که تقریبی از دینامیک واقعی سیستم هستش) گسسته میشه.
      در واقع شما یک سنسور با هر سرعت نمونه برداری داشته باشید، باز هم میشه از متغیر واقعی مورد نظر در عمل نمونه برداری کرد. با توجه به اینکه با هر نرخ نمونه برداری میشه از سیستمهای واقعی نمونه برداری کرد، نشون میده که سیستمهای واقعی دارای دینامیک پیوسته هستند.
      امیدوارم توضیحات کافی بوده باشه

  9. کیا

    با سلام متشکر از کار خوبتون @علی جوادی
    متاسفانه بعد از دانلود فایل ها در فصل دوم و جلسه ۱۰ فصل سوم به درستی extract نمیشود هرچند از Repair هم استفاده شد بازهم ایراد در باز شدن دارد.
    ممنونم

    • مدیر سایتادمین سایت ( مالک تایید شده )

      @کیا,
      سلام مشکلتون حل شد؟ببخشید که دیر پاسخ دادم!

  10. sepehr

    @علی جوادی,
    ممنون از راهنمایی تون
    از فیلتر کالمن، برای همجوشی داده ها و ترکیب داده از چند سنسور هم استفاده میشود؟ یا فیلتر کالمن توسعه یافته؟
    سیستم من به گونه ای هست که با توجه به مشاهدات از داده های سنسورهای موجود در خودرو، میخواهد مکان یابی خودرو را پیش بینی کند.

    • علی جوادی

      @sepehr,
      باید ببینید برای همجوشی داده ها و ترکیب داده مدل سیستم خطی است یا غیر خطی. اگر خطی بود، فیلتر کالمن خطی کافی است و اگر مدل غیرخطی بود، باید از روشهای غیرخطی مانند EKF استفاده کنید

دیدگاه خود را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

جلسه اول تخمین بهینه حالت (فیلتر کالمن)

جلسه اول تخمین بهینه حالت (فیلتر کالمن)
رایگان

حل تمرینات منتخب سیستمهای ناوبری
قیمت اصلی: ۴۸۰,۰۰۰ تومان بود.قیمت فعلی: ۳۳۳,۶۰۰ تومان.
آموزش حل ناتساوی های ماتریسی خطی (LMI) با متلب

ناتساویهای ماتریسی خطی (LMI)
۸۰۰,۰۰۰ تومان
کنترل مقاوم ∞H فیدبک خروجی سیستمهای خطی تحت اغتشاش با استفاده از نامساوی‌های ماتریسی خطی (LMI)

کنترل مقاوم ∞H فیدبک خروجی سیستمهای خطی تحت اغتشاش با استفاده از نامساوی‌های ماتریسی خطی (LMI)
قیمت اصلی: ۸۶۴,۰۰۰ تومان بود.قیمت فعلی: ۴۳۲,۰۰۰ تومان.
محصولات مشابه
کنترل فیدبک خروجی سیستمهای خطی از طریق رویتگر (تخمین‌گر) با استفاده از نامساوی‌های ماتریسی خطی (LMI)

کنترل فیدبک خروجی سیستمهای خطی از طریق رویتگر (تخمین‌گر) با استفاده از نامساوی‌های ماتریسی خطی (LMI)
قیمت اصلی: ۵۲۸,۰۰۰ تومان بود.قیمت فعلی: ۳۵۷,۶۰۰ تومان.
#
کانال تلگرام
#
سبد خرید

سبد خرید شما خالی است.

ورود به سایت
فیلتر کالمن

۱۳۸,۰۰۰ تومان

انتخاب گزینه‌ها