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. امیر

    سلام مجدد خدمت شما دکتر جوادی عزیز ، می خواستم بپرسم برای طراحی فیلتر کالمن (ترجیحا غیرخطی) برای سیستم های MIMO فارغ از این که سیستم پیوسته یا گسسته باشه ، معیار طراحی این فیلتر به چه صورت هست ؟ در واقع منظورم این هست که باید از یک عدد فیلتر کالمن استفاده کرد یا چندتا ؟ لینک مقاله ای که قصد دارم براش فیلتر کالمن طراحی کنم رو خدمت تون ارسال می کنم ، ممنون می شم بفرمایید چه جلساتی رو باید ببینم ، من تا جلسه 20 رو به صورت کامل ، و فیلترهای extended , و unscented رو دیدم ، اگر باز هم جلسه ای هست که به کارم میاد ممنون می شم راهمایی بفرمایین بنده رو
    با تشکر
    https://www.researchgate.net/publication/333801921_Control_of_malaria_outbreak_using_a_nonlinear_robust_strategy_with_adaptive_gains

    • علی جوادی

      سلام
      معیار طراحی برای هر فیلتر در جلسه مربوطه اشاره شده.
      شما هر کدام از نسخه های غیرخطی فیلتر کالمن که نیاز میبینید میتونید پیاده کنید و محدودیتی برای سیستمهای mimo نداریم

  2. saeede

    باسلام
    وقت شما بخیر
    واضح تر سوالمو میپرسم.
    رابطه Acos(wn+phi)/(((R1+R2/s)^2)+(X1+X2)^2) =in
    که هم در رابطه، n و هم s متغیر هست.
    من باید یک رابطه بازگشتی برای in پیدا کنم. مثلا 1+In برحسب in بنویسم. ولی خب الان s هم متغیره و فقط n متغیرمن نیست. و از طرفی خود s برحسب n نیست.
    اگه in , s رو متغیر حالت در نظر بگیرم . بخوام رابطه بلزگشتی برای in پیدا کنم میتونم s رو ثابت در نظر بگیرم برای این قسمت؟
    و بعد یک رابطه بازگشتی برای s پیدا کنم با استفاده از فرمول خود s?

    • علی جوادی

      من در قسمت مربوط به فیلتر میتونم بهتون کمک کنم و مدلسازی رو باید خودتون انجام داده باشید.
      چنین حالتی برای من تا حالا پیش نیومده

  3. saeede

    سلام وقتتون بخیر
    من جلسات اموزشی کالمن فیلتر برای سیستم گسسته خطی را نگاه کردم. ولی کاری که من باید انجام بدم برای رابطه گسسته ای هست که دارای دو متغیر (نه state) هست. و برای بدیت اوردن یک رابطه بازگشتی برای دو متغیره نمیدونم باید چیکار کنم. اول باید یک رابطه بازگشتی بدست بیارم که بتونم فضای حالت آن را بدست بیارم. لطفا راهنمایییم کنید چیکار کنم؟ و کدام جلسه به من کمک میکنه؟
    ممنون

    • علی جوادی

      سلام
      من متوجه نشدم دو متغیر یعنی چی؟

  4. امیر

    با عرض سلام خدمت دکتر جوادی عزیز ، وقت تون به خیر و تشکر از وقتی که گذاشتین و مجموعه ارزشمندی که فراهم کردین ، جسارتا می خواستم بپرسم که در مبحث unscented kalman filter فرمودین که این الگوریتم رو به صورت عملی هم (فکر می کنم فرمودین روی یک ربات) پیاده سازی کردین ، آیا پیاده سازی این فیلتر با کد خود متلب انجام شده یا با زبان سی ؟ چون تا جایی که بنده تجربه کردم خود متلب کند هست و نمی دونم برای پیاده سازی real time می شه ازش جواب مناسبی گرفت یا نه
    با تشکر

    • علی جوادی

      سلام
      خیلی وقت پیش این کار انجام شده و جزییاتش یادم نیست ولی تا جایی که یادمه روشهای UKBF و EKBF رو پیاده کردیم و به صورت سخت افزار در حلقه بود.
      کل پیاده سازی فیلترها داخل سیمولینک بود ولی اندازهگیریها از طریق پرت سریال (با استاندارد RS232) وارد محیط سیمولینک میشد.
      اگر زمان نمونه برداری به اندازه کافی کوچیک انتخاب بشه و سنسورها نویز زیادی نداشته باشند اصولا باید جواب بگیرید.

  5. اصغری

    سلام آقای دکتر جوادی.
    بنده در تلاش هستم تا مطابق با آموزش ها مسئله خودم را با استفاده از فیلتر کالمن (ukf) حل بکنم. اما یک مشکل وجود داره که صراحتا در فیلم ها به اون اشاره نشده است و آن معادله اندازه گیری (h_fun.m) که دارای ورودی و ترکیبی از متغیرهای فضای حالت نیز هست. طی فیلم ها اشاره می کنید که اگر به جای روابط ساده موجود (فرضا (y1=x(1)، رابطه پیچیده تری هم بود مثل (y1=x1*x2+x3+u) تنها کافی است که رابطه جدید را بنویسید. با انجام این کار با خطا مواجه شدم. امکانش هست راهنمایی بفرمایید در صورتیکه یک تابع اندازه گیری دارای ترکیبی غیر خطی از متغیرهای حالت و ورودی هست چه اصلاحات بیشتری نسبت به آموزش های جلسات 87 و 88 مورد نیاز می باشد؟ البته من کلیه مثال های بخش ukf را دنبال کردم و در سایر جلسات هم پاسخ سوالم را نتونستیم پیدا کنم.
    با تشکر فراوان از راهنمایی های شما.

    • علی جوادی

      سلام
      شما هر تابع غیرخطی میتونید اضافه کنید و مشکلی نیست.

      • اصغری

        تشکر از پاسختون. اما با اضافه کردن تابع ورودی (u) در معادلات اندازه گیری (y/فایل h_fun) به مشکل بر می خورم و فایل خطا میدهد. در مثال بنده ورودی یک سری زمانی هست با گام زمانی مشابه با اندازه گیری سیستم که در اجرای هر حلقه از گامهای محاسباتی عدد نظیر ورودی با معادله اندازه گیری صرفا جمع میشود. در صورتیکه از معادلات اندازه گیری دیگری استفاده می کنم که فاقد تابع ورودی هستند، همه چیز به درستی اجرا می شود. متاسفانه من در هیچ یک از جلسات مربوطه چنین حالتی را مشاهده نکردم. لطفا اگر مرجع و یا راهنمایی در این خصوص دارید بفرمایید. مجددا تشکر می کنم.

        • علی جوادی

          با توجه به راهنمای متلب تابع خروجی رو اصلاح کنید

  6. صدف

    سلام و وقت بخیر، ضمن تشکر از مطالب مفیدتون.
    من در درک فیلتر Ensemble Kalman filter به مشکل خورده ام. ایا امکان دارد لطفا در یک ویدیو این نوع فیلتر را هم اموزش دهید؟ و همچنین استفاده از فیلترهای کالمن برای تجزیه و استخراج یک سیگنال از سیگنال ترکیبی (signal extraction/ source separation). ممنونم

    • علی جوادی

      سلام
      در این مجموعه به Ensemble Kalman Filter پرداخته نشده و متاسفانه اطلاعاتی در این زمینه ندارم

  7. محمد رضا

    سلام
    من میخواهم بر روی بازگشایی فاز رادار تصویر بردار کار کنم. اینگونه ست که رادار با هر گذر یک تصویر ثبت می کند و هر پیکسل یک فازی دارد که با اندازه گیری های متفاوت باید نویز بدون فاز و اکی را بدست آورم. اندازه گیری که گسسته ست و سیستم هم گسسته ست ولی این فاز را به سینوس و کسینوس تبدیل میکنند و آن را محاسبه میکنند. حال با این شرایط به نظر شما کدام تخمین گر خوب عمل می کند؟ و کدام قسمت ها را باید ببینم؟

    • علی جوادی

      سلام
      من از این کاربردی که گفتید اطلاع ندارم. ظاهرا بر اساس گفته هاتون هم مدل سیستم گسسته هست و هم مدل اندازه گیری بنابراین از فیلترهای گسسته میتونید استفاده کنید.
      برای اطلاعات بیشتر به فهرست موضوعی جلسات مراجعه کنید

  8. sadaf

    سلام و وقت بخیر. فصل سیزدهم رو خریداری کردم. ایمیلی که دریافت کردم فقط اسم جلسات است و لینکی داخل ایمیل نیست. ممنون میشوم مجدد ارسال کنید.

    • علی جوادی

      سلام
      لطفا به آیدی تلگرام زیر مراجعه کنید و مشکلتون رو مطرح کنید:
      @abardanesh_protector

  9. علی

    سلام و عرض ادب جناب جوادی.
    مطابق با جلسه آموزشی 88 و البته مباحث اولیه که در جلسه 79 مطرح کردید بحث تخمین دوگانه را برای مسئله خودم بازنویسی و حل کردم. وابستگی دقت تخمین پارامترها به شدت متاثر از ماتریس کوواریانس خطای پارامترها (Qwukf) است و نتایج تخمین پارامترها نسبت به ایجاد این تغییرات بسیار حساس هستند در صورتیکه برای شناسایی متغیرهای حالت اصلا مشکلی نبوده و نتایج مستحکم بدست می آید. سوالی که از حضورتون داشتم این هست که آیا حساسیت تخمین پارامترها به ماتریس کواریانس خطا طبیعی هستش و ایرادی از شبیه سازی نیست. در خصوص سایر پارمترهای تنظیم کننده ukf هم که در فایل متلب وجود دارد توضیحی در آموزش ها پیدا نکردم (آلفا و بتا). آیا در جلسه خاصی توضیح مشروحی برای تنظیم بهینه این پارامترها ارائه کرده اید؟
    با تشکر از شما.

    • علی جوادی

      سلام
      حساسیت تخمینها به کواریانس Qwukf کاملا طبیعیه و توصیه میشه مقدار ثابت انتخاب نشه و از روش فاکتور فراموشی یا رابینز مونرو استفاده کنید.
      تغییر پارامترهای فیلتر ukf تاثیر خیلی زیادی روی کیفیت تخمینها نداره و همون مقادیری که در مثالهای فصل 14 هست استفاده کنید

      • علی

        سپاس فراوان آقای دکتر

        • علی جوادی

          موفق باشید

  10. علی

    سلام در طی جلسات آموزشی بحث شناسایی ورودی (u) با استفاده از فیلتر کالمن نیز آموزش داده شده است؟ در غیر اینصورت در صورت امکان جناب جوادی اگر مرجعی می شناسسید معرفی بفرمایید. با تشکر.

    • علی جوادی

      سلام
      من تا حالا مقاله یا کتابی در مورد شناسایی ورودی با فیلتر کالمن ندیدم (البته جستجو هم نکردم) و فقط در مورد تخمین حالت و یا پارامتر اطلاع دارم.

دیدگاه خود را بنویسید

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

کنترل مقاوم سیستمهای خطی تحت نامعینی‌های پارامتری و اغتشاش با استفاده از نامساوی‌های ماتریسی خطی (LMI)

کنترل مقاوم سیستمهای خطی تحت نامعینی‌های پارامتری و اغتشاش با استفاده از نامساوی‌های ماتریسی خطی (LMI)
Original price was: ۲۰۴,۰۰۰ تومان.Current price is: ۱۱۶,۴۰۰ تومان.
حل تمرینات برگزیده سیستمهای کنترل دیجیتال (اوگاتا)

حل تمرینات برگزیده سیستمهای کنترل دیجیتال (اوگاتا)
Original price was: ۲۸۸,۰۰۰ تومان.Current price is: ۱۷۸,۸۰۰ تومان.
کنترل مقاوم سیستمهای خطی تحت نامعینی‌های پارامتری با استفاده از نامساوی‌های ماتریسی خطی (LMI)

کنترل مقاوم سیستمهای خطی تحت نامعینی پارامتری با استفاده از نامساویهای ماتریسی خطی (LMI)
Original price was: ۴۸۰,۰۰۰ تومان.Current price is: ۲۹۸,۸۰۰ تومان.

حل تمرینات منتخب سیستمهای کنترل غیرخطی
Original price was: ۲۴۰,۰۰۰ تومان.Current price is: ۱۷۸,۸۰۰ 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