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. حسین

    از پاسختون ممنونم استاد
    در واقع فیلترها به صورت گسسته طراحی شده‌اند ولی زمان نمونه برداری T را نمی توانم از میکرو ثانیه بزرگتر بگیرم. آیا راه حلی وجود دارد.

    • مدیر سایتادمین سایت ( مالک تایید شده )

      @حسین,
      شاید دینامیک سیستم سریعه و با زمان نمونه برداری بزرگ جواب نمیده

  2. حسین

    با سلام و احترام. چند سوال در طراحی فیلترها داشتم. اول اینکه فیلتر ekf و ukf رو پیاده سازی کردم ولی زمان نمونه برداری برای ekf بزرگتر از 5e-6 و برای ukf از 5e-8 بزرگتر نمی تواند باشد و واگرا می‌شوند. با توجه به اینکه در عمل سنسور اندازه گیری در حد میلی ثانیه هست آیا راه حلی وجود دارد که زمان نمونه برداری را افزایش داد.( فیلترها به صورت گسسته طراحی شده اند). آیا تغییر روش های گسسته سازی مثل ران کوتا و یا ثابت گرفتن اندازه گیری ها بین دو زمان نمونه برداری که در حد میلی ثانیه هستند مشکل را رفع می کند.
    سوال دوم اینکه ekf و مرتبه دوم و تکراری آن را پیاده سازی کردم ولی مانند هم شدند. آیا این به دلیل اینست که معادلات اندازه گیری خطی اند و کلا به هیچ طریقی با فیلتر مرتبه بالا بهبود پیدا نمی کند.
    آخرین سوال اینکه در روش PF شما X اولیه را به صورت های مختلف انتخاب کردید. آیا تفاوتی دارند؟
    for i = 1 : N
    xpart(i) = x + sqrt(P) * randn
    end
    یا
    for i = 1:N
    ( W(:,i) = corr_rnd(zeros(nw,1),P0
    end
    (X = f_fun(repmat(x0,1,N),W,1
    یا
    for i = 1:N
    (W(:,i) = corr_rnd(zeros(nw,1),P0
    end
    X = repmat(x0,1,N)+W
    همچنین آیا می توان به جای دستور corr_rnd از دستور (sqrt(P)*randn(n,1 چون با دستور اول خطای نامعینی می دهد ولی با مورد دوم حل می شود.
    با تشکر

    • علی جوادی

      @حسین,
      سلام
      من متوجه نشدم که شما از ekf گسسته استفاده کردید یا هیبریدی. از طرفی گفتید گسسته و بعد گفتید رانگ کوتا. اگر از روش هیبریدی استفاده کنید dt اهمیتی نداره چقدر کوچک باشه چیزی که مهمه T یا زمان نمونه برداری هست.
      با توجه به اینکه گفتید معادلات اندازه‌گیری خطی است، بنابراین ممکنه فیلترهای مختلف غیرخطی نسبت به هم بهبود خاصی نداشته باشند. هر چی غیرخطی گری سیستم بالاتر باشه، تفاوت روشها خودشو نشون میده.
      در مورد تولید جمعیت اولیه هم حق با شماست. در مورد دوم که اشاره کردید تابع f_fun نباید استفاده بشه ولی مورد سوم و اول درست هستند. مورد اول در کدهای خود dan simon استفاده شده و من هم از مورد سوم استفاده کردم. در واقع روشهای اول و سوم معادل هم هستند اما با کدنویسی مختلف انجام شده و شما هم ممکنه به یک روش دیگه همین کار رو بکنید. داخل مثال کتاب (و کد خود dan simon) چون سیستم اسکالر هستش، از کد اول میشه استفاده کرد ولی اگه اسکالر نباشه دیگه نمیشه از این کد استفاده کرد و باید اصلاح بشه.
      دستور corr_rnd رو برای کلیت قضیه و راحتی معرفی کردم والا اگر ماتریس کواریانس قطری باشه از همون دستوری که گفتید میشه استفاده کرد و اجباری به استفاده از دستور corr_rnd نیست.
      ممنون از دقت نظر شما

  3. الهام

    سلام

    ببخشید من UKF رو با استفاده از اموزش های شما برای سیستم خودم طراحی کردم. اما یه مشکلی دارم. این کد چولسکی رو برای تولید نقاط سیگما در نظر داشته باشید:
    [root,p] = chol(3*Pukf);
    Pukf که همون محاسبه کواریانس هست رو در ابتدا با توجه به سیستمم اینجوری انتخاب کردم:
    Pukf = diag([100 1 1]);

    این ماتریس مثبت معین هست، بنابراین در اجرای حلقه هیچ مشکلی وجود نداره در انتها وقتی از معادلات بروز رسانی اندازه گیری برای محاسبه تخمین و کواریانس استفاده شده Pukf به دست آمده به صورت زیر هست:

    Pukf =

    1.0e+03 *

    0 0.0000 -0.0000
    0.0000 0.0086 0.1672
    -0.0000 0.1672 4.3271

    که برای محاسبه نقاط سیگما برای تکرار دوم هست این ارور رو میده:
    chol(S_n*Pukf)<<
    Error using chol
    Matrix must be positive definite.
    میشه راهنمایی بفرمایید برای حل این مشل باید چیکار کنم؟ داره به مقدار Pukf محاسبه شده گیر میده !

    • علی جوادی

      @الهام,
      سلام
      این خطا معمولا زمانی دیده میشه که فیلتر واگرا بشه. واگرایی هم علتهای مختلفی میتونه داشته باشه. مثلا ممکنه اصلا سیستم رویت پذیر نباشه یا پارامترهای طراحی درست انتخاب نشه مثلا زمان نمونه برداری بزرگ باشه یا پارامترهای فیلتر مناسب نباشه. حتی ممکنه اشتباهی داخل کد نویسی وجود داشته باشه که فیلتر واگرا بشه.
      شاید بهتر باشه یه فیلتر دیگه مثل EKF رو پیاده کنید و اگر جواب داد یعنی سیستم رویت پذیره و فقط تو پیاده سازی روش UKF مشکل دارید ولی اگر جواب نداد یعنی رویت پذیری سیستم زیر سواله.
      قبل از هر کاری زمان نمونه برداری رو کم کنید و پارامترهای فیلتر رو تغییر بدید و اگر جواب نگرفتید، یه روش دیگه پیاده کنید

      • الهام

        @علی جوادی, خیلی ممنون به خاطر راهنمایی های خوبتون. و خیلی ممنون به خاطر اموزش های خوبتون هم. این درس به بهترین شکل ممکن ارائه شده.

        • علی جوادی

          @الهام,
          خواهش میکنم. شما لطف دارید
          موفق باشید

  4. الهام

    سلام
    من برای تخمین حالت های سیستمم از فیلتر SDRE استفاده کردم اما متاسفانه به نتیجه مطلوبی نرسیدم. چرا که سیستمم یه سیستم تاخیردار هست.
    نوع تاخیر هم تاخیر در اندازه گیری نیست. متغیر قابل اندازه گیری رو بدون تاخیر میتونم اندازه گیری کنم اما منظورم از تاخیر اثر سیگنال ورودی بر خروجی اندازه گیری هست. مثلا یک سیگنالی رو الان اعمال میکنم و اثر اون رو 30 دقیقه بعد میبینم…الان میخوام از فیلتر بدون بو استفاده کنم اما مطمئن نیستم که جواب بده… شما کدوم فصل از اموزشتون رو پیشنهاد میکنید؟

    • علی جوادی

      @الهام,
      در این سری فیلمها (و کتاب) تخمین حالت برای سیستمهای تاخیردار بررسی نشده و باید به مقالات مراجعه کنید. اگر از روشهای موجود در کتاب استفاده کنید (حتی اگه جواب بده) معلوم نیست مطلوب باشه و حتی امکان داره فیلتر همگرا نشه. بنابراین روش متناسب با سیستم خودتون رو در مراجع پیدا کنید و از اون استفاده کنید

  5. فرزاد

    سلام
    امیدوارم حالتون خوب باشه
    بنده میخوام از تخمینگر مقاوم پیوسته واسه سیستمم استفاده کنم
    قبلا از Ekbf همون فیلتر کالمن توسعه یافته پیوسته استفاده کردم واسه سیستمم الان چون یکی از پارامتر های سیستمم ممکنه تغییر کنه میخوام کالمن مقاوم پیوسته اگه هست روش پیاده کنم خواستم بدونم کدوم جلسه به کارم میاد که اساتفاده کنم
    جلسه ۵۵ به نظرم درست بود ولی اولش معادلات گسسته رو گفته خواستم بدونم معادله پیوسته هم واسه کالمن مقاوم هست؟

    • علی جوادی

      @فرزاد,
      سلام
      در این سری فیلمها فیلتر پیوسته مقاوم در برابر نامعینی وجود نداره و باید به مقالات مراجعه کنید.
      مثلا مقاله زیر شاید به درد شما بخوره:
      https://goo.gl/cu4vUw

      • فرزاد

        ببخشید مگه∞h کنترلر مقاوم نیست؟
        من تخمینگر مقاوم میخوام که به جای کالمن استفاده کنم

        • علی جوادی

          @فرزاد,
          اولا که ما در مورد تخمینگر صحبت می کنیم و نمیدونم چرا در مورد کنترل مقاوم صحبت می کنید؟
          ثانیا فیلترهای مقاوم ∞h در کتاب (و در نتیجه فیلمها) نسبت به نامعینی پارامترهای سیستم مقاوم نیست بلکه یک معیار خاصی برای مینیمم سازی داره که باعث مقاوم بودنش میشه.
          در جلسه 55 هم مقاوم بودن نسبت به نامعینی در کواریانس نویزهاست نه پارامترهای سیستم (البته خود فیلتر کالمن مقاوم شده).
          لطفا توضیحات جلسات رو با دقت زیاد بخونید

          • فرزاد

            حقیقت من هم میخوام کنترل مقاوم ∞h و هم تخمینگر مقاوم برای سیستمم به کار ببرم چون یه پارامتر توی سیستمم که پیوستست تغییر میکنه و میخوام سیستم نسبت به این تغییرات مقاوم باشه و دارم سعی میکنم کنترلر و تخمینگر مقاوم پیوسته واسش پیاده کنم

            • علی جوادی

              @فرزاد,
              در اینصورت باید در مقالات بگردید

  6. امیر

    سلام
    این پسوند zxp موجود در فایلهای جلسات 99 تا 108 چگونه باید بازکنیم با چه برنامه ای ؟؟

    • علی جوادی

      @امیر,
      سلام
      این برنامه رو دانلود کنید و باهاش فیلمها رو ببینید:
      https://www.controlref.com/player/
      اگر مشکلی بود به مدیر سایت اطلاع بدید

  7. شادی

    با سلام

    یک هفته س که نتظر این تخفیف اخر سالتون هستیم الان فرمودید که تخفیفتون شامل این مجموعه اموزشی نمیشه!!

    خب ما چیکار کنیم الان؟؟!!

    پشتیبانی سایت هم که خیلی غیر فعال هستن و خیلی دیر جواب میدن!

    • علی جوادی

      @شادی,
      سلام
      یک سری مسایل فنی برای آموزشهای من پیش اومده که در آینده نزدیک قراره حل بشه. به احتمال زیاد تا هفته بعد این مساله حل خواهد شد. نگران تخفیف نباشید. بعد از حل مسایل فنی، این آموزش هم مشمول تخفیف خواهد بود.
      عذرخواهی منو بپذیرید
      لطفا کمی صبور باشید

      • شادی

        @علی جوادی,
        هفته بعد خیلی دیر میشه من منتظر میمونم امیدوارم زودتر درست بشه

        • مدیر سایتادمین سایت ( مالک تایید شده )

          @شادی,
          به محض اینکه درست بشه داخل کانال اطلاع رسانی میشه

  8. پیام

    با سلام خدمت آقای جوادی
    تلفیق INS/GPS با استفاده از فیلتر کالمن در کدام فصل آورده شده است؟
    ممنون از زحماتتون

    • علی جوادی

      @پیام,
      سلام
      مساله تلفیق یکی از کاربردهای فیلتر کالمنه و در این سری فیلمها بررسی نشده. اینجا هدف من آموزش خود فیلترها بوده و روی هر کاربردی قابل اجراست.
      برای این کاربرد خاص به مجموعه آموزشی زیر مراجعه کنید و درخواستتون رو با دکتر رئوف مطرح کنید:
      https://www.controlref.com/inertial-navigation/

  9. جواد

    با سلام خدمت استاد گرامی
    سوال بسیار مهمی برام پیش اومد اونم این که فرق بین روئیت گر و فیلتر چیه ؟
    یک بار از یکی پرسیدم گفت هیچ فرقی با هم ندارن
    اما بنظر من فرق دارن اما تفاوتشون رو نمیدونم در چی هستش
    ممنونم میشم برام بگین که چه فرقی بین روئیت گر و فیلتر وجود داره؟
    با تشکر از شما و سایت خوبتون

    • علی جوادی

      @جواد,
      با سلام و عرض ادب
      فیلتر یک عنوان کلیه و میتونه به سیگنال یا سیستم اعمال بشه. فیلترها میتونند پایین گذر، بالاگذر میانگذر، میانگذر و غیره باشند. ولی رویتگر به دینامیکی اطلاق میشه که برای تخمین حالتهای یک سیستم استفاده میشه. البته رویتگر خودش یک نوع فیلتره که معمولا فیلتر پایین گذر هم هست و به همین خاطر هم میتونه نویز اندازه‌گیری رو کم کنه.

  10. حامد

    سلام.وقت بخیر
    من تلفیق INS/GPS رو با CKF و ریشه دوم CKF انجام دادم.نتایج RMSE اونها دقیقا مثل همه.بدون کوچکترین تغییر!! حداقل باید یه تغییر کوچک بکنه
    آیا این طبیعیه؟ مگه نه اینکه نسخه ریشه دوم نتایج دقیقتری رو باید بده؟

    • علی جوادی

      @حامد,
      سلام
      کاملا طبیعیه دوست عزیز. به خاطر اینکه مزیت روش ریشه دوم نتایج بهتر و دقیقتر در هر شرایطی نیست بلکه اگر شما خطای حل عددی داشتید (مثلا در پیاده سازی عملی) ، نتایج روش ریشه دوم بهتر خواهد بود چون به لحاظ حل عددی ثبات بیشتری داره.
      برای اطلاعات بیشتر به جلسه 23 مراجعه کنید

      • حامد

        @علی جوادی, اینکه توی هردو روش RMSE ها درایه به درایه دقیقا مثل هم هستن چیز عجیبی نیست؟ بالاخره روش حلشون متفاوته تا حدودی.من چند بار چک کردم هردو برنامه رو.اما دقیقا مثل هم هستن.حتی قسمت اعشاری عددها

        • علی جوادی

          @حامد,
          نرام افزار متلب محاسبات رو با دقت بالا انجام میده و باعث میشه که به یک جواب برسید. داخل متلب اصولا هر فیلتری با نسخه ریشه دومش به یه جواب میرسه مگر اینکه خیلی سیستم پیچیده باشه

دیدگاه خود را بنویسید

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

حل تمرینات برگزیده سیستمهای کنترل دیجیتال (اوگاتا)

حل تمرینات برگزیده سیستمهای کنترل دیجیتال (اوگاتا)
قیمت اصلی: ۵۷۶,۰۰۰ تومان بود.قیمت فعلی: ۳۵۷,۶۰۰ تومان.
مدلسازی و پیاده‌سازی ارتعاشات جاده برای سیستم کنترل تعلیق فعال خودرو

مدلسازی و پیاده‌سازی ارتعاشات جاده برای سیستم تعلیق خودرو
قیمت اصلی: ۶۷۲,۰۰۰ تومان بود.قیمت فعلی: ۴۷۲,۸۰۰ تومان.
کنترل فیدبک خروجی بهینه LQG

کنترل فیدبک خروجی بهینه LQG
قیمت اصلی: ۵۷۶,۰۰۰ تومان بود.قیمت فعلی: ۳۵۷,۶۰۰ تومان.
کنترل فیدبک حالت بهینه LQR

کنترل فیدبک حالت بهینه LQR
قیمت اصلی: ۵۷۶,۰۰۰ تومان بود.قیمت فعلی: ۳۲۸,۸۰۰ 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