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
۶۹,۰۰۰ 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. یاسر

    سلام؛
    من با استفاده از کد های ارائه شده در کتاب، فیلتر ذره ای را برای یک سیستم با پنج متغیر حالت پیاده سازی کردم، به نحوی که سه متغیر را به طور مستقیم اندازه گیری کرده و دو متغیر باقی مانده به همراه سه متغیر اندازه گیری شده را تخمین زده ام. دقت پاسخ ها برای سه متغیر اندازه گیری شده بسیار مطلوب بوده و برای یکی از دو متغیر دیگر دقت پاسخ نسبتا خوب است و دیگری با یک خطای تقریبا ثابت و قابل توجه همراه است. سوالم این است که مقادیر اولیه حالت ها و ماتریس های P Q R را به چه روشی تعیین کنم، و با انجام آزمایشات متوجه شدم که عملکرد فیلتر به این مقادیر وابستگی شدیدی دارد، و سوال دیگر هم اینکه، به طور کلی در این حالت به منظور کاهش خطای تخمین چه باید کرد؟

    • علی جوادی

      @یاسر,
      سلام
      همونطور که گفتید مقدار این ماتریسها خیلی مهمه ولی متاسفانه هیچ روش نظام مندی برای تعیین این ماتریسها وجود نداره و معمولا با آزمون و خطا باید ببینید چه مقادیری بهترین جواب رو میده.
      البته ماتریس R معمولا دست ما نیست و نویز سنسورها مقدارشو تعیین میکنه

  2. salma

    با سلام
    ببخشید من میخوام از فیلترhinfinity برای کاهش اثر اغتشاشات استفاده کنم و از خروجی این فیلتر توی کنترلرم استفاده کنم. جلسه های 57 تا 63 رو دانلود کردم ولی توی کدی که ارائه شده دستور lti_disc ضمیمه نشده. امکان ارسالش هست؟

    • علی جوادی

      @salma,
      سلام
      این تابع در تولباکس رایگان ekf/ukf موجوده و میتونید به راحتی دانلود کنید. با این حال براتون ایمیل کردم

  3. نعیم

    سلام
    مسئله tracking رو هم آیا توضیح دادید؟ در کدوم فصل می باشد؟

    • علی جوادی

      @نعیم,
      سلام
      منظورتون از ردیابی دقیقا چیه؟
      ردیابی در فیلتر به چه معناست؟

  4. ahmad

    با سلام و عرض ادب
    ببخشید من میخوام از فیلتر کالمن برای حذف سنسور سرعت موتور PMSM ( با سیستم غیر خطی) استفاده کنم . میخواستم بدونم بهتره از ekf استفاده کنم یا ukf و کدوم فصلها بیشتر به دردم میخوره؟
    ممنون

    • علی جوادی

      @ahmad,
      سلام
      از هردوتاش میتونید استفاده کنید ولی تحت شرایط خاصی مثل غیر خطی گری شدید سیستم احتمالا ukf نتایج بهتری خواهد داشت.
      برای ekf فصل 13 رو ببینید وبرای ukf فصل 14. داخل فهرست موضوعی میتونید جلسات مربوطه رو پیدا کنید

  5. Rose

    @علی جوادی,
    اقای جوادی از پاسخ شما ممنونم. یعنی حالا که کنترل کننده من اسلایدینگ هست و در طراحی اون از متغیرهای حالت تخمین زده شده از طریق فیلتر کالمن پیوسته استفاده کردم و برای پایداری اون یک تابع لیاپانوف تعریف کردم. حالا باید تابع لیاپانوفی تعریف کنم که ترکیب فیلتر کالمن و اسلایدینگ هست؟ یعنی اگر اون تابع لیاپانوف پایدار باشه کفایت نمی کنه؟ و همچنین من اصل جدایی ناپذیر رو جایی پیدا نکردم اگر معادل انگلیسیش رو هم بفرمایید ممنون میشم.

    • علی جوادی

      @Rose,
      شما برای طراحی کنترل کننده مد لغزشی از تابع لیاپونوف استفاده کردید ولی حالتهای مربوط به فیلتر داخل تابع لیاپونوف شما حضور ندارند. اگر بتونید یک تابع لیاپونوف پیشنهاد بدید که هم حالتهای سیستم و هم حالتهای فیلتر داخلش باشه، در اینصورت پایداری سیستم حلقه بسته (و بالطبع همگرایی فیلتر) تضمین میشه.
      عبارت انگلیسی اصل جدایی پذیری Separation Principle هست. اونقدر معروفه که حتی صفحه ویکی پدیا هم داره:
      https://en.wikipedia.org/wiki/Separation_principle

  6. Rose

    با سلام
    فرض کنید از فیتلر کالمن پیوسته EKBF جهت تخمین متغیرهای حالت یک سیستم غیر خطی استفاده کردیم ودر کنارش جهت کنترل سیستم از یک روش کنترل غیر خطی نیز بهره گرفتیم و نشون دادیم که کنترل کننده به خوبی متغیرهای حالت تخمین زده شده رو به سمت مقادیر مطلوب هدایت می کنه. حال این سوال مطرح هستش که چگونه عملیات کنترل و تخمین به صورت همزمان انجام میشه؟ یعنی چه طور میشه این موضوع رو اثبات کرد؟ چون همینطور که می دونیم مهمترین چالش در بحث این رویتگرها مساله observer-based control است. لطفا این موضوع رو توضیح بفرمایید.
    ممنونم.

    • علی جوادی

      @Rose,
      سلام
      مشکل اصلی اینه که خود فیلترهای کالمن غیرخطی تضمین همگرایی ندارند و تضمینی نیست که حتما برای هر سیستمی کار کنند هر چند در اکثر سیستمها با کاهش زمان نمونه‌برداری همگرایی اتفاق میافته. حالا اگه کنترل کننده هم اضافه بشه، اصلا تضمینی وجود نداره که کل سیستم حلقه بسته پایدار باشه.
      حتی اگر فیلتر تضمین همگرایی و کنترل کننده تضمین پایداری داشته باشه، باید پایداری حلقه بسته با ترکیب فیلتر و کنترل کننده اثبات بشه که بهش اصل جدایی پذیری گفته میشه. برای فیلتر خطی و کنترل کننده خطی میتونید تو اکثر کتابها اصل جدایی پذیری رو پیدا کنید (از جمله کتاب کنترل مدرن دکتر خاکی صدیق) ولی در حالت غیرخطی به این راحتی ها نیست و باید داخل مراجع ببینید که چطور این کارو می کنند تا ایده بگیرید برای این مورد خاص که گفتید

  7. یاسر

    سلام، ممنون از آموزش تون
    من توی خیلی از مقالات خوندم که گفته از جمله مشکلات فیلتر کالمن تنظیم ماتریس های R ًو Q هستش، و در مقابل گفته که فیلتر ذره ای نیاز به این ماتریس ها نداره، ولی توی کد و توابعی که شما برای فیلتر ذره ای نوشتید، باید این مقادیر یعنی ماتریس های R ًو Q وارد بشه. دلیل چیه؟

    • علی جوادی

      @یاسر,
      سلام
      بهتر بود لینک مقاله رو اینجا میاوردید تا من ببینم.
      1) فیلتر ذره ای نیازی نداره که حتما نویزها سفید و گوسی باشند و میتونند توزیعهای دیگه داشته باشند. داخل فیلمها هم اشاره کردم که در این صورت باید از همون توزیع در الگوریتم استفاده بشه. اما فیلتر کالمن فقط در صورتی بهینه است که نویزها توزیع گوسی داشته باشند و در غیر اینصورت بهینه نخواهد بود بنابراین باید کواریانس نویزها معلوم باشه تا فیلتر کالمن بهینه باشه ولی برای فیلتر ذره ای این محدودیت وجود نداره
      2) اگه دقت کنید هم داخل الگوریتم و هم در کدهایی که خود dan simon داخل سایتش گذاشته و من داخل فیلمها بهش اشاره کردم، هم کواریانسها وجود دارند. من هم باید داخل کدها این کواریانسها رو وارد می کردم.
      بهتره اون مقاله رو با دقت بیشتری بخونید

  8. marzieh

    سلام، وقت بخیر
    من می خواستم از روش UKF برای تخمین پارامترهای یک مدل مالی استفاده کنم که از داده های واقعی استفاده می شود، مدل پیوسته هست اما گسسته سازی را با روش دیگری به جز اویلر انجام می دهم و دینامیک گسسته را به صورت تحلیلی بدست می آورم، فصل 14 را کامل نگاه کردم اما متوجه نشدم که چگونه باید پارامترهای مدل را تخمین بزنم میشه یه کم راهنمایی کنید. البته یک سوال دیگر هم دارم اینکه معادله ی اندازه گیری در مثال هایی که حل شد کاملا مشخص بودند، آیا معادله ی اندازه گیری می تواند خودش به یک روش دیگری که نیاز به کدنویسی دارد تعیین شود؟

    • علی جوادی

      @marzieh,
      با سلام و عذرخواهی بابت تاخیر در پاسخدهی
      اصولا باید بعد از دیدن جلسه 88 بتونید هم برای سیستم پیوسته و هم برای سیستم گسسته تخمین پارامتر رو انجام بدید چون در این جلسه تخمین همزمان حالت و پارامتر توضیح داده شده و مساله شما راحتتر از این مساله است و فقط می خواهید تخمین پارامتر انجام بدید.
      در تمام فیلترهای خانواده کالمن از جمله UKF باید معادلات سیستم و اندازه گیری معلوم باشند. بنابراین اگر کدهاشو دارید، همونو به عنوان تابع اندازه‌گیری در فیلتر کالمن استفاده کنید. مهم نیست که معادله اندازه‌گیری حتما روی کاغذ نوشته شده باشه. مهم اینه که موقع استفاده از دستورات، تابع اندازه‌گیری مورد نظر رو فراخوانی کنید.

      • marzieh

        @علی جوادی,
        سلام
        ممنون، ببخشید من توی مقاله ای که دارم و به عنوان مقاله اصلی استفاده می کنم همین UKF را به عنوان روش تخمین گفته است و در پایان گفته شده که برای تخمین پارامترها از Quasi-maximum likelihood estimation استفاده می شود، آیا منظور همون تخمین دوگانه است یا چیز دیگری است؟

        • علی جوادی

          @marzieh,
          سلام
          از عبارتی که گفتید نمیشه فهمید تخمین دوگانه هست یا نه. شاید یه روش جدیدیه که از UKF هم برای تخمین پارامتر استفاده میکنه. البته خیلی واضحه که اگر هم حالت و هم پارامتر تخمین زده بشه، تخمینش دوگانه هستش و در غیر اینصورت نیست.

  9. marzieh zareei

    سلام
    ببخشید من می خوام از فیلتر UKF استفاده کنم در زمینه ی مالی، مدل پیوسته هست اما گسسته سازی رو با روش خاصی خودم انجام میدم، اما از فیلتر UKF چیزی نمیدونم، می خواستم بپرسم اگر فقط جلسات UKF را خریداری کنم برای تخمین مدل کفایت می کند یا جلسات قبل مثل KF هم ضروری می باشد؟
    با تشکر

    • علی جوادی

      @marzieh zareei,
      سلام
      به نظرم بهتره اول فصل 14 رو ببینید چون تمام دستورات مربوط به UKF داخل همین فصل گفته شده و به احتمال زیاد میتونید روی سیستم خودتون پیاده کنید. فصلهای قبلی بیشتر به لحاظ مفهومی پیش نیازه نه به لحاظ پیاده سازی.

  10. شادی

    سلام
    بنده UKF رو میخوام برای سیستمم در محیط سیمولینک طراحی کنم … در حالت کلی سیستم مرتبه 3 هست و خواستم اول در محیط ام فایل به جواب برسم بعد همه کد رو داخل سیمولینک هم اجرا کنم… به این صورت که ابتدا با دادن یه سری ورودی و گرفتن خروجی یه سری داده از سیستمم تولید کردم و برای این داده ها UKF رو طراحی کردم و به جواب مطلوبی هم رسیدم اما در محیط سیمولینک به مشکل برخورد کردم. از Interpreted MATLAB Function استفاده کردم و با دیباگ کردن کدم فهمیدم این حلقه رو اشتباه در متلب فانکش مینویسم:
    % UKF time update
    for i = 1 : 6
    for tau = dt : dt : T
    xbrevedot(1,1) = xbreve(2,i);
    xbrevedot(2,1) = rho0 * exp(-xbreve(1,i)/k) * xbreve(2,i)^2 / 2 * xbreve(3,i) – g;
    xbrevedot(3,1) = 0;
    xbreve(:,i) = xbreve(:,i) + xbrevedot * dt;
    end
    end
    اینجا میدونم که این حلقه اومده از تقریب اویلر استفاده کرده برای پیوسته کردن مقادیر… اما همین حلقه رو بخوام تو سیمولینک بنویسم چه طور در میاد؟؟
    زمان نمونه برداری من در محیط ام فایل 5 ثانیه هست و از تنظیمات سیمولینک هم نمیتونم زمان نمونه برداری رو تغییر بدم مثلا استپ تایم ها رو بزارم رو 5! به طور دیفالت یک هست وحالا من گفتم بهش محاسبات رو هر 5 ثانیه یک بار انجام بده ….
    در کل میشه لطف کنید یک ابر همین مثال رو تو محیط سیمولینک هم انجام بدین؟یا همین یه حلقه رو توضیح بدین که چه جوری بنویسم.

    • علی جوادی

      @شادی,
      سلام
      تا جایی که من فهمیدم، شما می خوایید UKF گسسته رو تو سیمولینک اجرا کنید. این کار لزومی نداره و بهتره داخل m-file کدنویسی کنید که قبلا انجام دادید و جواب گرفتید. من تا حالا UKF گسسته رو داخل سیمولینک اجرا نکردم. در واقع دلیلی وجود نداره که UKF گسسته داخل سیمولینک شبیه سازی بشه ولی برای UKF پیوسته اتفاقا بهتره داخل سیمولینک باشه تا از قدرت سیمولینک در شبیه سازی سیستمهای پیوسته استفاده بشه

      • شادی

        @علی جوادی,
        خیلی ممنون به خاطر توضیحاتتون. بله دقیقا میخوام از محیط سیمولینک استفاده کنم و راسیتش باید حتما تو محیط سیمولینک باشه … سیستم من یه سیستم بسته شده تو سیملینک هست که حتی نمیدونم اجزاش چی هستن و دسترسی به بلوک هاش هم ندارم …فقط با تعریف یه سری شرایط خاص من میتونم یه ورودی به سیستم بدم و خروجی رو مشاهده کنم. بنابراین نمیتونم از محیط ام فایل استفاده کنم و حتما باید تو سیمولینک کارم رو ادامه بدم.
        UKF پیوسته خیلی با UKF گسسته متفاوت هست؟؟
        الان طبق اون کارهایی که من انجام دادم فقط تو این حلقه for مشکل پیش میاد… که باید اون نقاط سیگما رو تو معادلات سیستم منتشر بشن و نتونستم این کارو انجام بدم

        • علی جوادی

          @شادی,
          خواهش میکنم
          عملکرد UKF پیوسته بهتر از گسسته و هیبیریده ولی زمان نمونه برداری دست شما نیست و شما نمیتونید انتخاب کنید. برای اطلاعات بیشتر در مورد UKF پیوسته به جلسه 89 مراجعه کنید.
          با توجه به اینکه من تا حالا UKF گسسته رو داخل سیمولینک پیاده نکردم، در این مورد نمیتونم اظهار نظر کنم

          • شادی

            @علی جوادی,
            خیلی ممنون. بله اون جلسه رو هم نگاه کردم اما به قول شما زمان نمونه برداری دیگه دست من نیست. من باید از همین UKF گسسته تو سیمولینک استفاده کنم!
            بازم خیلی ممنون به خاطر توضیحاتتون. روز بخیر.

            • علی جوادی

              @شادی, خواهش میکنم. موفق باشید

دیدگاه خود را بنویسید

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

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)
Original price was: ۴۳۲,۰۰۰ تومان.Current price is: ۲۱۶,۰۰۰ تومان.
آموزش حل ناتساوی های ماتریسی خطی (LMI) با متلب

ناتساویهای ماتریسی خطی (LMI)
۴۰۰,۰۰۰ تومان

کنترل PID
۲۹۷,۰۰۰ تومان

شناسایی سیستم
۳۴,۸۰۰ 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)
Original price was: ۲۶۴,۰۰۰ تومان.Current price is: ۱۷۸,۸۰۰ تومان.
سبد خرید

سبد خرید شما خالی است.

ورود به سایت
فیلتر کالمن

۶۹,۰۰۰ تومان

انتخاب گزینه‌ها