محصولات آموزشی دکتر جوادی

محصولات آموزشی دکتر جوادی

  1. (مهمان) –

    سلام اقای دکتر با تشکر از تلاش جنابعالی جهت تهیه فایل های ارزنده من کنترل یک موتور رو با فیلتر ذره ای میخوام پیاده سازی کنم امکانش هست؟ یعنی پردازنده ای مثه بیگل بون بلک (با پردازنده ارم کرتکس) یا دی اس پیک و...توانایی دارن پردازشهای مربوط به کنترل رو انجام بدن؟

  2. (مهمان) –

    سلام نمی دونم چرا کدهای جلسه 88 ارور می ده و اجرا نمی شه حتی خط به خط فیلم رو چک کردم و مثل فیلم تغییر دادم ولی بازم اجرا نمی شه امکانش هست کدی که اجرا می شه رو بفرستید اروری که می ده به صورت زیر هست Size inputs must be integers. Error in Mass_Spring (line 34) omega1 = 19.5*ones(1,Nf);

  3. (مهمان) –

    سلام از آموزش های عالیتون بسیار متشکرم در مورد جلسه 88 سوال داشتم در تخمین دوگانه سیستم جرم و فنر می خواستم بدونم از کجا فهمیدید باید ماتریس A رو به اون شکل تعریف کنید؟ روش dual estimation برای وقتی استفاده می شه که ما یک تعداد مشاهده نویزی داریم درسته؟ من یک تعداد مشاهده نویزی دارم و می خوام state ای سیستم رو تخمین بزنم و با توجه به کتاب kalman_filtering_neural_networks_2001 که معرفی کردید من قسمت هایی شو خوندم و فکر می کنم باید از روش dual estimation استفاده کنم ولی نمی دونم ماتریس A رو باید به چه صورت بنویسیم چون ماتریس A رو هم ندارم می شه در این مورد راهنمایی کنید؟ خیلی ممنونم

  4. (مهمان) –

    سلام آقای دکتر من یک سیستم دارم که ورودیشو نمی دونم ولی خروجیشو دارم (ورودی ثابت نیست و متغیر با زمانه) میتونم با کالمن فیلتر ورودی و حالت ها رو تخمین بزنم؟ توی فیلم ها همچین مسئله ای مطرح شده؟ ممنون میشم راهنماییم کنید.

  5. –

    سلام تنها تفاوت در اینه که مساله به فرم LMI فرمولبندی شده و نحوه فرمولبندی مساله توضیح داده شده ولی در تولباکس آماده متلب صرفا مساله رو وارد میکنید و کنترل کننده تحویل داده میشه و اطلاع ندارید که مساله چطور حل شده

  6. (مهمان) –

    با سلام و عرض خسته نباشید خدمت شما روشی که در اموزشی ارائه کردین چه تفاوتی با مجموع کنترل H بی نهایت کلاسیک که در متلب موجود است، دارد

  7. –

    سلام من جدیدا در این زمینه سرچ نکردم. پیشنهاد من اینه که ببینید کدوم مقالات به این مقاله ارجاع دادند. اگر همچین مقاله جامعی که شما دنبالش هستید، وجود داشته باشه اصولا باید به این مقاله ارجاع بده

  8. (مهمان) –

    سلام آقای جوادی ، امیدوارم حالتون خوب باشه ، من دنبال یک مقاله ریو جدید در مورد observers و filters باشه، مقاله ای مثل مقاله A Survey of State and Disturbance Observers for Practitioners نوشته Aaron Radke and Zhiqiang Gao اما با منابع جدیدتر و 2018 یا 2019 باشه. ممنون میشم اگر همچین مقاله ای دارین بهم بگین. با تشکر

  9. –

    در این مجموعه تضعیف اغتشاش با استفاده از روش H بینهایت انجام شده و حذف نامعینی با روش دیگری که توضیح داده شده

  10. (مهمان) –

    با سلام ممنون از اموزش خوبی که ارائه کردین، خواستم بدونم روش پیشنهادی با روش H بی نهایت مقایسه شده؟ و آیا این روش بهتر است یا روش کنترل H بی نهایت، یا بستگی به نوع مسئله دارد که کدام بهتر عمل کند.با تشکر

  11. –

    سلام اگر K جزو متغیرهای تصمیم گیری نیست، میتونید دستی مقدار کوچکی برای K تعیین کنید و ببینید نامساوی برقرار هست یا نه. اگر برقرار بود K رو کم کنید و ادامه بدید و اگر برقرار نبود K رو بیشتر کنیدو ادامه بدید.

  12. (مهمان) –

    سلام ممنون از تدریس عالی شما، من مجموعه رو کامل نگاه کردم ولی در حل یک ناتساوی ماتریسی به مشکل برخوردم که هیچ کدام از اون روش ها پاسخگوش نیستن، یعنی minimization براساس ترکیبی از متغیر های تصمیم گیری ما نیست بلکه به صورت زیر می باشد: minimize K 0>[subject to [K*eye,P*B-B*Phat;B'*P-Phat*B',K*eye میشه راهنمایی کنید چجوری حل میشه؟

  13. –

    شاید روشی باشه ولی من در این زمینه اطلاعی ندارم

  14. (مهمان) –

    سلام آقای دکتر از پاسخ قبلی شما سپاس گزارم سوالی که در ادامه سوال قبلی داشتم اینه که اگر u که ورودی سیستم است معلوم نباشد و هیچ کنترل و دسترسی روی ورودی سیستم نداشته باشیم و فقط به measurment های سیستم در طول زمان دسترسی داشته باشیم امکان تخمین معادله حالت مشاهده برای این سیستم وجود دارد یا نه؟ اگر جلسه ای از فیلم های آموزشی از تخمین بهینه حالت یا هر مبحث دیگری که در این سایت فکر می کنید به به این سوالم ربط پیدا می کنه ممنون می شم بفرمایید تا تهیه کنم

  15. –

    با سلام تشکر از لطف شما بحث طراحی u مربوط به کنترل و پایداری سازی میشه و به بحث تخمین ربطی نداره. روشهای مختلفی برای کنترل سیستمهای مختلف وجود داره که باید به مراجع مربوطه مراجعه کنید و هر روشی که مدنظرتون هست باید سرچ کنید. فیلتر کالمن هر دو معادله حالت و خروجی رو نیاز داره و بدون هر کدومشون فیلتر کالمن قابل استفاده نیست.

  16. –

    سلام مثلا میشه با استفاده از dual estimation حالتها و پارامترها رو به صورت همزمان تخمین زد. برای اطلاعات بیشتر به جلسه 88 مجموعه تخمین بهینه حالت مراجعه کنید

  17. –

    سلام برای فیلتر کالمن هم معادلات حالت مورد نیازه و هم معادلات خروجی و هر دو ضروری هستند. از فیلتر کالمن نمیتونید استفاده کنید

  18. –

    سلام اگر ورودی وجود نداشته باشه مشکلی نیست و مدل رو به فرم فضای حالت میشه نوشت

  19. (مهمان) –

    سلام آقای دکتر بابت فیلم های آموزشی که تهیه کردید خیلی ممنون هستم واقعا بی نظیر هستند در رابطه با فیلم جلسه 13 سوال دارم اول جلسه فرمودید که فرض می کنیم ورودی u معلوم باشد و فرمودید فرض می کنیم دیگه مسئله طراحی رو نداریم یعنی اگه u معلوم نباشه باید چه جوری طراحی رو انجام بدیم و باید فیلم آموزشی کدوم جلسه رو نگاه کنم؟ و سوال دیگه این که اگه علاوه بر u که ورودی سیستم است مدل حالت مشاهده رو هم نداشته باشیم و فقط به measurment های سیستم در طول زمان دسترسی داشته باشیم باز هم از فیلتر کالمن برای تخمین حالت استفاده کنیم یا نمی شه؟

  20. (مهمان) –

    سلام ببخشید در مورد جمله ای که توی این صفحه نوشتید سوال دارم جمله ای که نوشته شده اینه: البته رویتگرهایی هم وجود دارند که فقط ورودی ویا فقط خروجی سیستم رو دریافت میکنند و حالتها رو تخمین میزنند ولی عموما عملکرد خوبی ندارند و به ندرت از اونها استفاده میشه. می شه بفرمایید چه رویتگرهایی هستند که فقط با خروجی سیستم حالت رو می تونند تخمین بزنند؟ مثلا از فیلتر کالمن هم می شه استفاده کرد یعنی با این که معادله حالت مشاهده و ورودی رو نداریم و فقط یک تعداد measurment داریم می تونیم تخمین حالت رو انجام بدیم؟