@احمد جعفرزاده,
با سلام و تشکر از لطف شما
طبق مقاله ای که ذکر کردید، سیستم شما غیرخطی و گسسته هستش و تمام روشهای غیرخطی که ارائه شده میتونه استفاده بشه: EKF (جلسه 72)، UKF (جلسه 84)، CKF (جلسه 99)، GHKF (جلسه 101) و CDKF (جلسه 104). البته قبلش جلسه 17 رو ببینید تا نحوه نصب تولباکس ekf/ukf رو یاد بگیرید.
احمد جعفرزاده(مهمان)
–
@علی جوادی,
سلام سیستم شبکه عصبی یک سیستم غیرخطی به حساب میاد. نوع مدلسازی که انجام شده هم روی شبیه سازی سری داده های بارش مشاهداتی روزانه است. 3000 داده مشاهداتی داریم و با استفاده از ANN به دنبال شبیه سازی اون ها هستیم. البته باید توجه داشت که ANN برای شبیه سازی این داده های مشاهداتی از یک سری ورودی ها (سرعت باد، رطوبت، رطوبت نسبی در ارتفاع های مختلف، توپوگرافی) استفاده میکنه و بارندگی رو به عنوان خروجی به ما میده.
حالا من در مقالات مختلف دیدم که نتایج شبیه سازی رو با استفاده از فیلتر کالمن بهبود میدهند مثل این مقاله
"Wind Speed Forecasting Using Hybrid ANN- Kalman Filter Technique" که در آن خروجی های ANN با استفاده از EnKF بهبود پیدا کرده.
بازم ممنون بابت پاسختون
علی جوادی
–
@احمد جعفرزاده,
سلام
سوالتون خیلی کلیه. معلوم نیست سیستم خطیه یا غیرخطی، گسسته یا پیوسته یا هیبریدی؟ بعد که اینارو تعیین کردید و روش مورد نظر رو انتخاب کردید، به فهرست کتاب و توضیحات هر جلسه مراجعه کنید تا ببینید کدوم جلسه به کارتون میاد
احمد جعفرزاده(مهمان)
–
با سلام
من به دنبال بهبود نتایج شبیه سازی ANN با استفاده از فیلتر کالمن هستم. هدف این است که تأثیر فیلتر کالمن را روی جوابهای خروجی شبکه عصبی بررسی کنم. لطفاض راهنماییم کنید و یا در صورت لازم آموزش مورد نظر رو مشخص بفرمایید.
پیشاپیش از همکاری شما کمال تشکر را دارم
علی جوادی
–
@مصطفی,
سلام
اگر با روند دستورات تولباکس آشنایی داشته باشید، بعید میدونم مشکلی پیش بیاد چون هر دستوری برای حالت هیبریدی نیاز بوده معرفی کردم و داخل مثال نحوه استفاده از اونها توضیح داده شده. میتویند جلسه مربوط به فیلتر هیبریدی رو ببینید و اگر نیاز بود به جلسات قبلش مراجعه کنید
مصطفی(مهمان)
–
سلام
آیا میشه مباحث مربوط به حالت گسسته رو ندیده گرفت ؟ در یادگیری گسستگی ایجاد نمیشه ؟
با تشکر
علی جوادی
–
@علی,
بله، سیستم شما هم گسسته و هم خطی است.
توصیه میکنم جلسات 79 و 88 رو ببینید چون خیلی مفصل در مورد تخمین پارامتر و دوگانه توضیح دادم. مساله شما هم در واقع یک مساله تخمین پارامتر است. برای تعیین واریانس نویز δ توصیه میکنم از روش رابینز-مونرو که در جلسه 88 گفتم استفاده کنید تا بهترین نتیجه رو بگیرید. البته تو جلسه 79 فیلتر EKF و در جلسه 88 فیلتر UKF استفاده شده که برای شما همون فیلتر خطی گسسته مورد نیازه و به فیلترهای غیرخطی نیاز ندارید.
علی(مهمان)
–
@علی, منظورم این هست رابطه من به صورت
(y_(t )=β_t x_t+ε_(t ,
(β_(t+1)=β_t+δ_(t
میباشد که xوy شاخص کل و شاخص گروه بانکها میباشد در فاصله زمانی ۱۳۸۸تا ۱۳۹۴ و هدفم پیدا کردن بتای متغیر با زمان در این بازه زمانی است لطفا بفرمایید فیلتر من گسسته و خطی میباشد؟
علی جوادی
–
@احسان بادفر,
سلام
تمام LMI های بدست آمده، شروط کافی هستند و بنابراین اگر شما بتوانید نامعینی رو به این شکل مدل کنید میتونید از این روش استفاده کنید.
برای حالتهایی مثل این، شاید بهتر باشه از روشهای تطبیقی استفاده کنید. خاصیت اصلی کنترل کننده‌های تطبیقی، سازگار بودن و پایدار نگهداشتن سیستمهای متغیر با زمان است
سلام
در نظر داشتم روی یک سیستم الکترونیک قدرت که هم نا معین و هم در معرض اغتشاش است بر اساس آموزش ها شما کنترل کننده طراحی کنم فقط یه مشکلی داشتم و امیدوارم که شما بتونید به من کمک کنید .
اون هم این که ماتریس A متغیر با زمان به گونه ایست که من نمیتوانم به فرم نا معینی را مدل کنم
at=[a11t a12t 0 ; a21t a22t 0 ; 0 0 a33t]
در واقع دراین حالت نمی توانم ماتری MA & NA را بدست بیاورم
امیدرارم بتونم منظورم رو بروسنم
علی
–
سلام من رشته اقتصاد میخونم و از فیلتر کالمن استفاده کردم برای پیدا کردن ضریب متغیر بازمان برای دو شاخص بورس این فیلتر کالمن از نوع گسسته میباشد که نرم افزار جوابهایش را به من داده است؟ داده ها شاخص های روزانه میباشد بین دو سال 1388 و 1394
علی جوادی
–
@sia,
سلام
با توجه به وجود مشکل دریفت در انتگرال گیری حتما از دینامیک استفاده کنید.
برای روش EKF به فصل 13 (جلسات 68 تا 79) مراجعه کنید. البته اگر سیستم رو هیبریدی در نظر بگیرید، به جلسه 86 مراجعه کنید.
نکته آخر اینکه در این سری فیلمها، من فقط در مورد خود فیلتر توضیح دادم و مدلسازی مساله ناوبری رو خودتون باید انجام بدید
sia(مهمان)
–
و اینکه آیا بازهم به مدل دینامیکی INU نیاز داریم؟
sia(مهمان)
–
پیرور صحبتی که با مسئول پروژه داشتم / قرار بر این است که از یک کیت سنسور INU که خروجی آن شتاب می باشد داده های مختلف در سه محور ( رول پیچ و یاو) استخراج کرده و با انتگرال گیری از آن به موقعیت و سرعت دست یافته و سپس با استفاده از EKF از این داده ها نویزگیری انجام شود. با این تفاسیر نیاز به تخمین حالت نداریم پس بایستی چطور از EKF صرفا جهت حذف نویز ( اندازه گیری ْ ورودی و یا هر نویزی) استفاده کنیم؟ و اینکه کدام یک از آموزش ها را به ترتیب دنبال کنم در جهت رسیدن به این هدف
با تشکر
علی جوادی
–
@amir,
سلام
در مورد فیلترهای ذره‌ای هوشمد باید بگم که در تخصص من نیست و فکر میکنم بهتر باشه که از دکتر محمد زاده درخواست کنید چون ایشون مباحث هوشمند رو پوشش دادند. من به MHE هم تسلط ندارم و تا حالا کار نکردم و بنابراین باید روش زمان بذارم تا خودم یاد بگیرم. فعلا این موارد تو اولویت نیست ولی شاید در آینده فرصت داشتم و پیگیری کردم
amir(مهمان)
–
با سلام
لطفا در مباحث تکمیلی به تخمینگر moving horizon estimation وIntelligent Particle Filters هم ا شاره فرمایید.
علی جوادی
–
@sia,
اگر با فیلترهای بهینه و مخصوصا فیلتر کالمن آشنایی اولیه ندارید، توصیه میکنم فصلهای 1 تا 5 رو ببینید و بعد با توجه به روش انتخابی فصل 13 یا 14 و یا 15 رو ببینید. ولی اگر خیلی عجله دارید یا اطلاعات اولیه دارید، همون فصل 13 یا 14 و یا 15 رو ببینید ولی ممکنه مجبور بشید چند جلسه از فصلهای 1 تا 5 رو هم ببینید چون پیش نیاز هستند.
من از دستور های موجود در تولباکس ekf/ukf استفاده کردم که با توجه به open source بودنشون میتونید داخل هر کدوم رو ببینید و با زبان c پیاده کنید. برای اطلاعات بیشتر جلسه اول رو (که رایگان هستش) با دقت ببینید
sia(مهمان)
–
@علی جوادی,
با تشکر از شما
یعنی بدون استفاده از سایر فصل ها میتوان مستقیما به فصل های 13 یا 14 مراجعه کرد و قابل فهم هستند؟ یا نیاز به مطالعه فصل یک تا 14 است؟
و اینکه شما در شبیه سازی های متلب از کد آماده و تول باکس کنترل مربوط به فیلتر ها استفاده کرده اید؟ و یا از دستور های سطح پایین و کد های عددی برای محاسبات استفاده کرده اید؟ اگر اینطور باشه فهم اسان تربوده و برای تبدیل به زبان های سطح پایین تر و زبان ماشین مشکل زیادی نخواهم داشت.
با تشکر
علی جوادی
–
@sia,
با سلام و تشکر از لطف شما
اولین قدم برای شما مطالعه مراجع و استخراج مدل سیستم هستش. بعد که مدل رو بدست آوردید میدونید که خطی است یا غیرخطی و بنابراین به فصل مربوطه مراجعه کنید. برای حالت غیرخطی تا اینجا روشهای مختلفی گفته شده از جمله EKF (فصل 13)، UKF (فصل 14) , PF (فصل 15). بعد با یکی از این روشها مساله رو حل کنید و بعد این کدهای متلب رو باید با زبان c بنویسید و پیاده سازی کنید. در این مجموعه من تمام کدها رو داخل متلب نوشتم و در مورد برنامه نویسی c اصلا صحبتی نشده. البته نکات پیاده سازی عملی گفته شده مثلا نحوه اصلاح معادلات برای جلوگیری از مشکلات حل عددی یا واگرایی فیلتر گفته شده (فصل 6). برای اطلاعات بیشتر به فهرست کتاب و توضیحات جلسات قبل از پیش نمایشها مراجعه کنید
مرجع مهندسی كنترل | دانش با کیفیت در مرز علم
علی جوادی –
@احمد جعفرزاده, با سلام و تشکر از لطف شما طبق مقاله ای که ذکر کردید، سیستم شما غیرخطی و گسسته هستش و تمام روشهای غیرخطی که ارائه شده میتونه استفاده بشه: EKF (جلسه 72)، UKF (جلسه 84)، CKF (جلسه 99)، GHKF (جلسه 101) و CDKF (جلسه 104). البته قبلش جلسه 17 رو ببینید تا نحوه نصب تولباکس ekf/ukf رو یاد بگیرید.
احمد جعفرزاده (مهمان) –
@علی جوادی, سلام سیستم شبکه عصبی یک سیستم غیرخطی به حساب میاد. نوع مدلسازی که انجام شده هم روی شبیه سازی سری داده های بارش مشاهداتی روزانه است. 3000 داده مشاهداتی داریم و با استفاده از ANN به دنبال شبیه سازی اون ها هستیم. البته باید توجه داشت که ANN برای شبیه سازی این داده های مشاهداتی از یک سری ورودی ها (سرعت باد، رطوبت، رطوبت نسبی در ارتفاع های مختلف، توپوگرافی) استفاده میکنه و بارندگی رو به عنوان خروجی به ما میده. حالا من در مقالات مختلف دیدم که نتایج شبیه سازی رو با استفاده از فیلتر کالمن بهبود میدهند مثل این مقاله "Wind Speed Forecasting Using Hybrid ANN- Kalman Filter Technique" که در آن خروجی های ANN با استفاده از EnKF بهبود پیدا کرده. بازم ممنون بابت پاسختون
علی جوادی –
@احمد جعفرزاده, سلام سوالتون خیلی کلیه. معلوم نیست سیستم خطیه یا غیرخطی، گسسته یا پیوسته یا هیبریدی؟ بعد که اینارو تعیین کردید و روش مورد نظر رو انتخاب کردید، به فهرست کتاب و توضیحات هر جلسه مراجعه کنید تا ببینید کدوم جلسه به کارتون میاد
احمد جعفرزاده (مهمان) –
با سلام من به دنبال بهبود نتایج شبیه سازی ANN با استفاده از فیلتر کالمن هستم. هدف این است که تأثیر فیلتر کالمن را روی جوابهای خروجی شبکه عصبی بررسی کنم. لطفاض راهنماییم کنید و یا در صورت لازم آموزش مورد نظر رو مشخص بفرمایید. پیشاپیش از همکاری شما کمال تشکر را دارم
علی جوادی –
@مصطفی, سلام اگر با روند دستورات تولباکس آشنایی داشته باشید، بعید میدونم مشکلی پیش بیاد چون هر دستوری برای حالت هیبریدی نیاز بوده معرفی کردم و داخل مثال نحوه استفاده از اونها توضیح داده شده. میتویند جلسه مربوط به فیلتر هیبریدی رو ببینید و اگر نیاز بود به جلسات قبلش مراجعه کنید
مصطفی (مهمان) –
سلام آیا میشه مباحث مربوط به حالت گسسته رو ندیده گرفت ؟ در یادگیری گسستگی ایجاد نمیشه ؟ با تشکر
علی جوادی –
@علی, بله، سیستم شما هم گسسته و هم خطی است. توصیه میکنم جلسات 79 و 88 رو ببینید چون خیلی مفصل در مورد تخمین پارامتر و دوگانه توضیح دادم. مساله شما هم در واقع یک مساله تخمین پارامتر است. برای تعیین واریانس نویز δ توصیه میکنم از روش رابینز-مونرو که در جلسه 88 گفتم استفاده کنید تا بهترین نتیجه رو بگیرید. البته تو جلسه 79 فیلتر EKF و در جلسه 88 فیلتر UKF استفاده شده که برای شما همون فیلتر خطی گسسته مورد نیازه و به فیلترهای غیرخطی نیاز ندارید.
علی (مهمان) –
@علی, منظورم این هست رابطه من به صورت (y_(t )=β_t x_t+ε_(t , (β_(t+1)=β_t+δ_(t میباشد که xوy شاخص کل و شاخص گروه بانکها میباشد در فاصله زمانی ۱۳۸۸تا ۱۳۹۴ و هدفم پیدا کردن بتای متغیر با زمان در این بازه زمانی است لطفا بفرمایید فیلتر من گسسته و خطی میباشد؟
علی جوادی –
@احسان بادفر, سلام تمام LMI های بدست آمده، شروط کافی هستند و بنابراین اگر شما بتوانید نامعینی رو به این شکل مدل کنید میتونید از این روش استفاده کنید. برای حالتهایی مثل این، شاید بهتر باشه از روشهای تطبیقی استفاده کنید. خاصیت اصلی کنترل کننده‌های تطبیقی، سازگار بودن و پایدار نگهداشتن سیستمهای متغیر با زمان است
علی جوادی –
@علی, سلام من متوجه سوال نشدم!
احسان بادفر (مهمان) –
سلام در نظر داشتم روی یک سیستم الکترونیک قدرت که هم نا معین و هم در معرض اغتشاش است بر اساس آموزش ها شما کنترل کننده طراحی کنم فقط یه مشکلی داشتم و امیدوارم که شما بتونید به من کمک کنید . اون هم این که ماتریس A متغیر با زمان به گونه ایست که من نمیتوانم به فرم نا معینی را مدل کنم at=[a11t a12t 0 ; a21t a22t 0 ; 0 0 a33t] در واقع دراین حالت نمی توانم ماتری MA & NA را بدست بیاورم امیدرارم بتونم منظورم رو بروسنم
علی –
سلام من رشته اقتصاد میخونم و از فیلتر کالمن استفاده کردم برای پیدا کردن ضریب متغیر بازمان برای دو شاخص بورس این فیلتر کالمن از نوع گسسته میباشد که نرم افزار جوابهایش را به من داده است؟ داده ها شاخص های روزانه میباشد بین دو سال 1388 و 1394
علی جوادی –
@sia, سلام با توجه به وجود مشکل دریفت در انتگرال گیری حتما از دینامیک استفاده کنید. برای روش EKF به فصل 13 (جلسات 68 تا 79) مراجعه کنید. البته اگر سیستم رو هیبریدی در نظر بگیرید، به جلسه 86 مراجعه کنید. نکته آخر اینکه در این سری فیلمها، من فقط در مورد خود فیلتر توضیح دادم و مدلسازی مساله ناوبری رو خودتون باید انجام بدید
sia (مهمان) –
و اینکه آیا بازهم به مدل دینامیکی INU نیاز داریم؟
sia (مهمان) –
پیرور صحبتی که با مسئول پروژه داشتم / قرار بر این است که از یک کیت سنسور INU که خروجی آن شتاب می باشد داده های مختلف در سه محور ( رول پیچ و یاو) استخراج کرده و با انتگرال گیری از آن به موقعیت و سرعت دست یافته و سپس با استفاده از EKF از این داده ها نویزگیری انجام شود. با این تفاسیر نیاز به تخمین حالت نداریم پس بایستی چطور از EKF صرفا جهت حذف نویز ( اندازه گیری ْ ورودی و یا هر نویزی) استفاده کنیم؟ و اینکه کدام یک از آموزش ها را به ترتیب دنبال کنم در جهت رسیدن به این هدف با تشکر
علی جوادی –
@amir, سلام در مورد فیلترهای ذره‌ای هوشمد باید بگم که در تخصص من نیست و فکر میکنم بهتر باشه که از دکتر محمد زاده درخواست کنید چون ایشون مباحث هوشمند رو پوشش دادند. من به MHE هم تسلط ندارم و تا حالا کار نکردم و بنابراین باید روش زمان بذارم تا خودم یاد بگیرم. فعلا این موارد تو اولویت نیست ولی شاید در آینده فرصت داشتم و پیگیری کردم
amir (مهمان) –
با سلام لطفا در مباحث تکمیلی به تخمینگر moving horizon estimation وIntelligent Particle Filters هم ا شاره فرمایید.
علی جوادی –
@sia, اگر با فیلترهای بهینه و مخصوصا فیلتر کالمن آشنایی اولیه ندارید، توصیه میکنم فصلهای 1 تا 5 رو ببینید و بعد با توجه به روش انتخابی فصل 13 یا 14 و یا 15 رو ببینید. ولی اگر خیلی عجله دارید یا اطلاعات اولیه دارید، همون فصل 13 یا 14 و یا 15 رو ببینید ولی ممکنه مجبور بشید چند جلسه از فصلهای 1 تا 5 رو هم ببینید چون پیش نیاز هستند. من از دستور های موجود در تولباکس ekf/ukf استفاده کردم که با توجه به open source بودنشون میتونید داخل هر کدوم رو ببینید و با زبان c پیاده کنید. برای اطلاعات بیشتر جلسه اول رو (که رایگان هستش) با دقت ببینید
sia (مهمان) –
@علی جوادی, با تشکر از شما یعنی بدون استفاده از سایر فصل ها میتوان مستقیما به فصل های 13 یا 14 مراجعه کرد و قابل فهم هستند؟ یا نیاز به مطالعه فصل یک تا 14 است؟ و اینکه شما در شبیه سازی های متلب از کد آماده و تول باکس کنترل مربوط به فیلتر ها استفاده کرده اید؟ و یا از دستور های سطح پایین و کد های عددی برای محاسبات استفاده کرده اید؟ اگر اینطور باشه فهم اسان تربوده و برای تبدیل به زبان های سطح پایین تر و زبان ماشین مشکل زیادی نخواهم داشت. با تشکر
علی جوادی –
@sia, با سلام و تشکر از لطف شما اولین قدم برای شما مطالعه مراجع و استخراج مدل سیستم هستش. بعد که مدل رو بدست آوردید میدونید که خطی است یا غیرخطی و بنابراین به فصل مربوطه مراجعه کنید. برای حالت غیرخطی تا اینجا روشهای مختلفی گفته شده از جمله EKF (فصل 13)، UKF (فصل 14) , PF (فصل 15). بعد با یکی از این روشها مساله رو حل کنید و بعد این کدهای متلب رو باید با زبان c بنویسید و پیاده سازی کنید. در این مجموعه من تمام کدها رو داخل متلب نوشتم و در مورد برنامه نویسی c اصلا صحبتی نشده. البته نکات پیاده سازی عملی گفته شده مثلا نحوه اصلاح معادلات برای جلوگیری از مشکلات حل عددی یا واگرایی فیلتر گفته شده (فصل 6). برای اطلاعات بیشتر به فهرست کتاب و توضیحات جلسات قبل از پیش نمایشها مراجعه کنید