محصولات آموزشی دکتر جوادی

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.

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.

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

سپاسگزارم بابت وقتی که گذاشتید. من مجموعه های LMI که شما تدریس کرده اید را خریداری کرده و به طور کامل دیده ام، مقالاتی که تعداد حالت های کنترل کننده را کمتر در نظر گرفته باشند و مشابه روش تدریس شده شما باشد را اگر سراغ دارید، امکانش هست معرفی بفرمایید؟ با تشکر از زحمات شما استاد گرامی

سلام آقای دکتر. وقت شما بخیر. ممنون از آموزش های بسیار خوبتان. سوالی داشتم از خدمتتان. در این دوره، تعداد حالت های کنترل کننده برابر با تعداد حالت های سیستم در نظر گرفته شده است. آیا می توان تعداد حالت ها را با همین روش کم تر هم در نظر گرفت؟ با تشکر

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؟

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.

سپاس فراوان آقای دکتر

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.

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.