Plano Básico Processos Estocásticos
|
|
- Isaac Olivares Eger
- 7 Há anos
- Visualizações:
Transcrição
1 Universidade Federal do Ceará Departamento de Engenharia Elétrica Programa de Educação Tutorial Plano Básico Processos Estocásticos Autores: Luís Paulo Carvalho dos Santos Luiz Fernando Almeida Fontenele Orientadores: Diego de Sousa Madeira Fernando Weslley Silva de Oliveira Fortaleza, 28 de agosto de 2008
2 Índice Introdução Probabilidade Variáveis Aleatórias Processos Estocásticos Filtragem Modelo de Espaço de Estados Filtro de Kalman Filtro de Kalman Estendido Filtro de Partículas Referências Bibliográficas Agradecimentos Luís Paulo Carvalho dos Santos Luiz Fernando Almeida Fontenele 2
3 Introdução Sistemas reais Influências não inteiramente conhecidas Não se pode predizer com precisão arbitrária o estado do sistema em um instante. Imprevisibilidade Fenômeno aleatório Modelos determinísticos Modelos probabilísticos Luís Paulo Carvalho dos Santos Luiz Fernando Almeida Fontenele 3
4 Experimento aleatório Probabilidade Não se pode afirmar, a priori, o resultado que ocorrerá Condições de ensaio praticamente inalteradas Pode ocorrer resultados diferentes Após inúmeras repetições Regularidades Luís Paulo Carvalho dos Santos Luiz Fernando Almeida Fontenele 4
5 Variáveis Aleatórias
6 Variáveis Aleatórias x Uma variável aleatória é uma função real, definida em tomando valores no conjunto e satisfazendo às seguintes condições: O conjunto Ax x X é um evento X 0 P x P x x : x Luís Paulo Carvalho dos Santos Luiz Fernando Almeida Fontenele 6
7 Função Distribuição de Probabilidade A Função Distribuição de Probabilidade (FDP) de uma variável aleatória x é uma função F x definida por: F x : x X F X P A X com X A x X Notação simplificada: x F X P x X Luís Paulo Carvalho dos Santos Luiz Fernando Almeida Fontenele 7
8 Função Densidade de Probabilidade A Função Densidade de Probabilidade de uma variável aleatória x é definida como a derivada de sua função de probabilidade: d px X Fx X dx Luís Paulo Carvalho dos Santos Luiz Fernando Almeida Fontenele 8
9 Função Densidade de Probabilidade Propriedades: X x p u du F X x px X 0 px X dx 1 b, p X dx P x a b a x p X dx P x I I x Luís Paulo Carvalho dos Santos Luiz Fernando Almeida Fontenele 9
10 Função Densidade de Probabilidade Normal ou Gaussiana: Função Densidade de Probabilidade: Xm » px X e, m e 0 2 Função Distribuição de Probabilidade: X m X» Fx X px X dx 1Q, u 1 2 Q e du 2 2 Luís Paulo Carvalho dos Santos Luiz Fernando Almeida Fontenele 10
11 Funções de Variáveis Aleatórias Uma função real definida sobre os reais g : x g x y : g x Luís Paulo Carvalho dos Santos Luiz Fernando Almeida Fontenele 11
12 Definições E y Yp y Y dy Valor esperado x Média m E x Xpx X dx 2 2 E x X px X dx Valor médio quadrático Variância E x mx X mx px X dx xy, Correlação r E xy XYp X Y dxdy xy xy x y x y xy, Covariância k E x m y m X m Y m p X Y dxdy Luís Paulo Carvalho dos Santos Luiz Fernando Almeida Fontenele 12
13 Teorema do Limite Central y m Seja uma variável aleatória definida por yn xi i1 onde x1, x2,..., xn são variáveis aleatórias estatisticamente independentes, identicamente 2 distribuídas, todas com média m e variância. Então, a variável aleatória z n que caracteriza a yn myn soma normalizada z é tal que: n y n n lim n 1 px Z e n 2 2 Z 2 Luís Paulo Carvalho dos Santos Luiz Fernando Almeida Fontenele 13
14 Processos Estocásticos
15 Processos Estocásticos É o mapa definido por: x : F x t,, t 3 x( 1,t) t Luís Paulo Carvalho dos Santos Luiz Fernando Almeida Fontenele 15
16 Processos Estocásticos Classificação do Processo Estocásticos: 3 10 x(,t) 2 1 x(,t) P.E. contínuo de parâmetro contínuo P.E. contínuo de parâmetro discreto x(,t) x(,t) P.E. discreto de parâmetro contínuo P.E. discreto de parâmetro discreto Luís Paulo Carvalho dos Santos Luiz Fernando Almeida Fontenele 16
17 Processos Estocásticos Especificação de 1ª ordem: Função Densidade de Probabilidade t é conhecida para todo. P X Especificação de 2ª ordem: Função Densidade de Probabilidade conjunta px 1, t x X X 2 é conhecida para qualquer par de valores 1 t2 (t 1,t 2 ). Luís Paulo Carvalho dos Santos Luiz Fernando Almeida Fontenele 17
18 Processos Estocásticos Momentos de Processos Estocásticos Média de um Processo Estocástico ; mx t E x t t Função Autocorrelação de um processo Rx t1, t2 E x t1 x t2 ; t1, t2 Função Autocovariância, K t t E x t m t x t m t x x 1 2 x 2 Luís Paulo Carvalho dos Santos Luiz Fernando Almeida Fontenele 18
19 Processos Estocásticos Estacionaridade de ordem m Quando a função densidade de probabilidade de ordem m não varia com um deslocamento no tempo, isto é, quando: p X, X,..., X p X, X,..., X ; x m x x x m t xt xtm t1 t2 tm Luís Paulo Carvalho dos Santos Luiz Fernando Almeida Fontenele 19
20 Processos Estocásticos Estacionariedade no Sentido Estrito: Quando o processo é estacionário de ordem m para qualquer valor inteiro de m Estacionariedade no Sentido Amplo: m t ; t x x R t, t R ; t t x 1 2 x 2 1 Luís Paulo Carvalho dos Santos Luiz Fernando Almeida Fontenele 20
21 Ergodicidade Processos Estocásticos xt Um processo é ergódico na forma mais geral se, com probabilidade 1, todas as suas estatísticas podem ser determinados através de uma única função do processo. xt, Luís Paulo Carvalho dos Santos Luiz Fernando Almeida Fontenele 21
22 Processos Estocásticos Densidade Espectral de Potência: S x f j2 f Sx f Rx e d lim t X T f 2 T Processos Estocásticos Estacionários no sentido amplo: j2 f S f R e d F[ R ] x x x x, R t t R t t 1 2 x 1 2 Luís Paulo Carvalho dos Santos Luiz Fernando Almeida Fontenele 22
23 Ruído Branco Processos Estocásticos Processo estacionário no sentido amplo; Densidade Espectral de Potência é constante: x S f C De Sx f F[ Rx ] permite expressar a função autocorrelação do ruído branco: R C x Luís Paulo Carvalho dos Santos Luiz Fernando Almeida Fontenele 23
24 Filtragem
25 Filtros Dispositivo em hardware ou software Conjunto de dados contaminados com ruído Extração da informação de interesse A p l i c a d o P a r a Luís Paulo Carvalho dos Santos Luiz Fernando Almeida Fontenele 25
26 Filtros Áreas de Aplicação: Navegação Economia Processamento de sinais e de imagem Computação gráfica Comunicações Radar Sonar Sismologia Engenharia biomédica Redes neurais Luís Paulo Carvalho dos Santos Luiz Fernando Almeida Fontenele 26
27 Filtros Característica comum: Vetor de entrada Resposta desejada Calcula Erro de Estimativa Estima Conjunto de coeficientes de um filtro Luís Paulo Carvalho dos Santos Luiz Fernando Almeida Fontenele 27
28 Filtros Classes: Algoritmos de gradiente» Filtro de Weiner» Estimam o gradiente da superfície da função de custo» Vantagem: baixa complexidade Algoritmos de mínimos quadrados» Filtro de Kalman» Minimizam a soma dos quadrados dos erros parciais» Vantagens: baixa sensibilidade a mínimos locais da superfície da função de custo; maior velocidade de convergência» Desvantagem: maior exigência computacional Luís Paulo Carvalho dos Santos Luiz Fernando Almeida Fontenele 28
29 Filtragem Estocástica Não-linear Sistema dinâmico estocástico não-linear em tempo discreto: em que x 0,w k e v k são descorrelacionados Causas da não-linearidade: f ( x, u ) não linear; k1 k1 Não linearidade de x f x, u w k k1 k 1 k y h x v Erros de modelagem no processo e na medição, acarretando w k e v k não gaussianos. Luís Paulo Carvalho dos Santos Luiz Fernando Almeida Fontenele 29 k k k h x k
30 Filtragem Estocástica Não-linear Filtros para sistemas estocásticos não-lineares: Filtro de Kalman Estendido: linearização local de primeira ordem do modelo; Filtro de Segunda Ordem: linearização local de segunda ordem do modelo; Filtro de Kalman Unscendent Transform: propagação da média e matriz de covariância do modelo de processos usando a Transformada Unscendent; Filtro de Monte Carlo Seqüencial: aproximação de p(x k y 1,...,y k ); Filtro Soma de Gaussianas: aproximação de p(x k y 1,...,y k ) por uma soma de gaussianas. Luís Paulo Carvalho dos Santos Luiz Fernando Almeida Fontenele 30
31 Modelo de Espaço de Estados
32 Modelo Espaço de Estados Estado: Menor conjunto de variáveis que determina completamente o comportamento do sistema para qualquer instante, conhecendo-se a entrada Variáveis de Estado: Constituem o menor conjunto de variáveis capaz de determinar o estado do sistema dinâmico Luís Paulo Carvalho dos Santos Luiz Fernando Almeida Fontenele 32
33 Modelo Espaço de Estados Vetor de Estado: Constituído por variáveis de estado para descrever completamente o comportamento de um dado sistema Espaço de Estados: Espaço n-dimensional, cujos eixos coordenados são formados pelos eixos das variáveis de estado. Luís Paulo Carvalho dos Santos Luiz Fernando Almeida Fontenele 33
34 Modelo Espaço de Estados Modelo em Tempo Discreto Modelo em Tempo Contínuo Luís Paulo Carvalho dos Santos Luiz Fernando Almeida Fontenele 34
35 Modelo Espaço de Estados Equações no Espaço de Estados: x a x a x... a x b u... b u x a x a x... a x b u... b u 1, k , k 12 2, k 1 n n, k 11, k 1, k 1 m m, k 2, k , k 22 2, k 2 n n, k 21, k 1, k 2 m m, k x a x a x... a x b u... b u n, k 1 n1 1, k n2 2, k nn n, k n1, k 1, k nm m, k x1, k 1 a11 a12 a1 n x1, k b11 b12 b1 m u1, k x 2, k 1 a x 21 a22 a 2n 2, k b u 21 b22 b 2m 2, k x a a a x b b b u n, k1 n1 n2 nn n, k n1 n2 nm m, k x Ax Bu y Cx Du k 1 k k k k k x k 1 f xk ; uk ; k y f x ; u ; k k k k Luís Paulo Carvalho dos Santos Luiz Fernando Almeida Fontenele 35
36 Modelo Espaço de Estados x y u A B C Vetor de estados Vetor de saída Vetor de entrada Matriz de estados Matriz de entrada Matriz de saída D Matriz de transmissão direta Luís Paulo Carvalho dos Santos Luiz Fernando Almeida Fontenele 36
37 Filtro de Kalman
38 Filtro de Kalman - Histórico 1960: Rudolf Emil Kalman Solução recursiva para problemas de filtragem linear de dados discretos Engenharia Elétrica: Controle de sistemas Luís Paulo Carvalho dos Santos Luiz Fernando Almeida Fontenele 38
39 Filtro de Kalman Definição: Ferramenta que permite estimar variáveis em vários processos Eficiente processo recursivo de estimação, por meio de um conjunto de equações matemáticas Luís Paulo Carvalho dos Santos Luiz Fernando Almeida Fontenele 39
40 Filtro de Kalman Características: Minimiza a variância da estimação do erro Estima os parâmetros desconhecidos Baseado na distribuição normal do ruído de média nula e variância constante O sistema deve ser linear, ou linearizável, em torno de um ponto Os ruídos do sistema e das medições não são correlacionados Luís Paulo Carvalho dos Santos Luiz Fernando Almeida Fontenele 40
41 Filtro de Kalman Áreas de Aplicação: Navegação Economia Processamento de sinais e de imagem Computação gráfica Comunicação Radar Sismologia Engenharia biomédica Luís Paulo Carvalho dos Santos Luiz Fernando Almeida Fontenele 41
42 Filtro de Kalman Baseado no Modelo de Espaço de Estados (MEE) Modelo: Luís Paulo Carvalho dos Santos Luiz Fernando Almeida Fontenele 42
43 Filtro de Kalman Dois tipos de equações: Atualização do tempo Previsão Retroalimentação Atualização da medição Correção Luís Paulo Carvalho dos Santos Luiz Fernando Almeida Fontenele 43
44 Filtro de Kalman Modelo Espaço de Estados: Variáveis observáveis: Variáveis de estado: x k y k Luís Paulo Carvalho dos Santos Luiz Fernando Almeida Fontenele 44
45 Filtro de Kalman Modelo dinâmico x Ax 1 (Modelo Dinâmico) 1k T k k k n ~ N(0, Q ) k k A: Relaciona o estado atual do processo com o estado anterior Luís Paulo Carvalho dos Santos Luiz Fernando Almeida Fontenele 45
46 Filtro de Kalman Modelo de medição u Hx k k k (Modelo de Medição) 1k T k ~ N(0, R ) k H :Matriz de Correlação Luís Paulo Carvalho dos Santos Luiz Fernando Almeida Fontenele 46
47 Filtro de Kalman Fase de atualização T T 1 Kk Pk H HPk H R k (Ganho de Kalman) xˆ ˆ ˆ k x k K k uk Hx k (Atualização de Estado) (Atualização de covariância) P I K H P k k k Luís Paulo Carvalho dos Santos Luiz Fernando Almeida Fontenele 47
48 Filtro de Kalman Fase de previsão xˆ Axˆ (Previsão de Estado) k k1 T Pk APk 1 A Qk (Previsão de Covariância) Luís Paulo Carvalho dos Santos Luiz Fernando Almeida Fontenele 48
49 Filtro de Kalman Modelo dinâmico: Estima o estado atual x k Modelo de medição: Associa o estado de entrada à saída do sistema Luís Paulo Carvalho dos Santos Luiz Fernando Almeida Fontenele 49
50 Filtro de Kalman Definições: xˆk Estado anterior no instante k xˆk Estado posterior no instante k e ˆ k xk xk Erro relativo anterior e x xˆ Erro relativo posterior k k k T P k E e k e k Estimativa do erro anterior T P E e e Estimativa do erro posterior k k k Luís Paulo Carvalho dos Santos Luiz Fernando Almeida Fontenele 50
51 Filtro de Kalman Teorema: Estimador médio condicional Se os processos estocásticos x k e y k são gaussianos, então o estado estimado ótimo que minimiza o erro médio quadrático J k é o estimador médio condicional xˆ k E xk y1, y2,..., yk Luís Paulo Carvalho dos Santos Luiz Fernando Almeida Fontenele 51
52 Filtro de Kalman Teorema: Princípio da ortogonalidade Sejam os processos estocásticos x k e y k de média nula, isto é: Exk Eyk 0, k. Então:» Os processos estocásticos x k e y k são gaussianos;» Se o estado estimado ótimo xˆk é uma função linear de variáveis observáveis y1, y2,..., yk e a função custo é o erro médio quadrático, então o estado estimado ótimo é a projeção ortogonal de x k no espaço dessas variáveis observáveis Luís Paulo Carvalho dos Santos Luiz Fernando Almeida Fontenele 52
53 Filtro de Kalman Atualização do Tempo Atualização das Medições P AP A Q T k k 1 k xˆ k Axˆ k1 Avançar a covariância no tempo Avançar o estado no tempo Calcular o ganho de Kalman Atualizar a variável de estado Atualizar a matriz de covariância T T Kk Pk H HPk H R k xˆ ˆ ˆ k xk K k uk Hx k P I K H P k k k 1 Estimativas iniciais e xˆk 1 Pk 1 Luís Paulo Carvalho dos Santos Luiz Fernando Almeida Fontenele 53
54 Aplicação Estimação de Trajetórias
55 Aplicação Equações do movimento: x x 0 v v 0 v 0 t at 1 at v 0 t x 1 v 1 t a 2 t x Luís Paulo Carvalho dos Santos Luiz Fernando Almeida Fontenele 55
56 Aplicação Equação do movimento com ruídos: 1 x x v t at x 2 2 ~ v v at v ~ x x t t v 0 1 v t 2 0 ~ a 2 w0 0 Luís Paulo Carvalho dos Santos Luiz Fernando Almeida Fontenele 56
57 Diagrama de blocos: Aplicação Luís Paulo Carvalho dos Santos Luiz Fernando Almeida Fontenele 57
58 Equação de estado: Aplicação x Ax Bu w k 1 k k k Luís Paulo Carvalho dos Santos Luiz Fernando Almeida Fontenele 58
59 Equação de saída: Aplicação y Cx z k k k Luís Paulo Carvalho dos Santos Luiz Fernando Almeida Fontenele 59
60 Aplicação Estimação do estado posterior: xˆ Axˆ Bu K y Cxˆ k1 k k k k1 k Luís Paulo Carvalho dos Santos Luiz Fernando Almeida Fontenele 60
61 Aplicação Posição: Luís Paulo Carvalho dos Santos Luiz Fernando Almeida Fontenele 61
62 Aplicação Erro da posição: Luís Paulo Carvalho dos Santos Luiz Fernando Almeida Fontenele 62
63 Erro relativo da posição: Aplicação Luís Paulo Carvalho dos Santos Luiz Fernando Almeida Fontenele 63
64 Aplicação Velocidade: Luís Paulo Carvalho dos Santos Luiz Fernando Almeida Fontenele 64
65 Erro da velocidade: Aplicação Luís Paulo Carvalho dos Santos Luiz Fernando Almeida Fontenele 65
66 Filtro de Kalman Estendido
67 Filtro de Kalman Estendido Considere o modelo do processo: x f x, u w k k1 k1 k xˆk 1 em torno de, usando a expansão de em série de Taylor tem-se: f xˆ k1, uk 1 f x, u f xˆ, u x xˆ ˆ k1 k1 k1 k1 k1 k1 xk 1 Assim o modelo pode ser reescrito na forma: f xˆ k1, uk 1 x ˆ 1, 1 ˆ k f xk uk xk 1 xk 1 wk xˆ k1 f xˆ, u f xˆ, u x f xˆ, u xˆ w k1 k1 k1 k1 k1 k 1 k 1 k 1 k xˆ ˆ k1 xk 1 Luís Paulo Carvalho dos Santos Luiz Fernando Almeida Fontenele 67
68 Sendo que: Filtro de Kalman Estendido x A x u' w k k1 k1 k1 k A linearização deve ocorrer em relação ao modelo de medição: que em torno das predição de 1: f xˆ, u A u ' f x, u A xˆ k1 k1 k1 k1 k1 k1 k k1 xˆ k1 y h x v k k k xˆkk ˆ kk 1 ˆ h x h x h xˆ x x ˆ k k k 1 k k k 1 xkk 1 Luís Paulo Carvalho dos Santos Luiz Fernando Almeida Fontenele 68
69 Filtro de Kalman Estendido Portanto, tem-se: ˆ kk 1 ˆ h x y h xˆ x x v ˆ k k k1 k k k 1 k xkk 1 ˆ ˆ k k1 h xk k1 h x y h xˆ xˆ x v ˆ ˆ k k k1 k k1 k k xk k1 xk k1 y ' C x v k k k k sendo: C h xˆ y y h x C x kk 1 ˆ ˆ k ' k k k k1 k k k1 xˆ kk 1 Luís Paulo Carvalho dos Santos Luiz Fernando Almeida Fontenele 69
70 Filtro de Kalman Estendido Deste modo, temos o sistema linearizado: x A x u ' w k k 1 k 1 k1 k y' C x v k k k k Portanto, agora se pode aplicar as Equações de Kalman. Luís Paulo Carvalho dos Santos Luiz Fernando Almeida Fontenele 70
71 Filtro de Kalman Estendido Fase de Predição (entre t k-1 e t k ): xˆ E f x, u w y,..., y k k1 k1 k1 k 1 k1 f xˆ, u k1 k1 com P A P A Q T k k1 k1 k1 k1 k A k1 f xˆ, u k1 k1 xˆ k1 Luís Paulo Carvalho dos Santos Luiz Fernando Almeida Fontenele 71
72 Filtro de Kalman Estendido Fase de Correção (no instante t k ): xˆ xˆ G y ' C xˆ k k k1 k k k k k 1 xˆ G y h xˆ C xˆ C xˆ k k1 k k k k1 k k k1 k k k 1 xˆ G y h xˆ k k1 k k k k1 P I G C P k k k k k1 T T k k k k1 k k k k k I G C P I G C G R G G P C C P C R T T k k k1 k k k k1 k k 1 Luís Paulo Carvalho dos Santos Luiz Fernando Almeida Fontenele 72
73 Aplicação Motor bifásico de imã permanente síncrono
74 Aplicação Equações que definem o motor: dia R ua ua I a sin dt L L L dib R ub u I b b cos dt L L L d 3 3 B Iasin Ibcos dt 2J 2J J d dt R a resistência do rotor L indutância da armadura constante do motor J Momento de inércia B Coeficiente de atrito viscoso Luís Paulo Carvalho dos Santos Luiz Fernando Almeida Fontenele 74
75 Entrada do sistema: sin 2 a u t t u t cos2 t b Aplicação O sistema de equações é: Ia I b x Luís Paulo Carvalho dos Santos Luiz Fernando Almeida Fontenele 75
76 Aplicação Estado Espaço para o sistema: x f x u w k 1 k, k k t Rxk 1 / L xk 3 sin xk 4 / L ua / L Rxk 2 / L xk 3 cos xk 4 / L ub / L x 3 3xk 1 sin xk 4 / 2J 3 xk k 2 cos xk 4 / 2J Bxk 3 / J uak / L uak / L t 0 Luís Paulo Carvalho dos Santos Luiz Fernando Almeida Fontenele 76
77 Equação de Medição: Aplicação 1 2 y h x v k k k xk vak x k v bk Luís Paulo Carvalho dos Santos Luiz Fernando Almeida Fontenele 77
78 Após a linearização: A f ' xˆ, u k k k Aplicação ˆ ˆ ˆ k k k R L xˆ ˆ ˆ k L xk xk L R / L 0 sin x 4 / L x 3 cos x 4 / L 0 / cos 4 / 3 sin 4 / 3 sin xˆ 4 / 2 3 cos ˆ 4 / 2 / 3 ˆ 1 cos ˆ 4 ˆ 2 sin ˆ k J xk J B J xk xk xk xk 4 / 2J C h' xˆ k k Luís Paulo Carvalho dos Santos Luiz Fernando Almeida Fontenele 78
79 Aplicação Suposições V a e V b com média zero e desvio padrão de 0.1A; Entrada de controle com média zero e desvio padrão de 0.001A; Ruído devido ao torque da carga com desvio padrão de 0.05rad/s 2. Luís Paulo Carvalho dos Santos Luiz Fernando Almeida Fontenele 79
80 Aplicação Dados: R a L J 2 ; H; 0.1; 0.002; B Luís Paulo Carvalho dos Santos Luiz Fernando Almeida Fontenele 80
81 Aplicação Conclusões: Dispensa o uso de transdutores; Para um tempo maior que 2ms, há uma grande discrepância nos resultados; Luís Paulo Carvalho dos Santos Luiz Fernando Almeida Fontenele 81
82 Filtro de Partículas
83 Motivação Filtro de Kalman: Aplicado apenas para sistemas lineares; Filtro de Kalman Estendido: Sistemas não-lineares; Propagação da média e da covariância nos estágios; Desvantagem:» Esforço computacional;» Estimativa grotesca se o sistema se o ponto é distante do ponto de equilíbio. Luís Paulo Carvalho dos Santos Luiz Fernando Almeida Fontenele 83
84 Filtro de Partículas Dado a Equação de Estado: x f x w 1, k k k k Equação de Medição: y h, v k k k Luís Paulo Carvalho dos Santos Luiz Fernando Almeida Fontenele 84
85 Filtro de Partículas Calcula recursivamente p xk Yk ; Essencialmente consiste de duas fases: Fase de predição: Fase de Atualização: p x Y p x Y k1 k1 k k p x Y p x Y k k1 k k Luís Paulo Carvalho dos Santos Luiz Fernando Almeida Fontenele 85
86 Etapa de Predição: Filtro de Partículas, p x Y p x x Y dx k k1 k k1 k1 k1 Luís Paulo Carvalho dos Santos Luiz Fernando Almeida Fontenele 86
87 Filtro de Partículas Etapa de Predição: p x Y p x, x Y dx k k1 k k1 k1 k1 Fatorando: k, k1 k1 k1 k1,,. p x x Y p x Y dx p a b c p a b c p b c k1 Luís Paulo Carvalho dos Santos Luiz Fernando Almeida Fontenele 87
88 Filtro de Partículas Etapa de Predição: p x Y p x, x Y dx k k1 k k1 k1 k1, p x x Y p x Y k k1 k1 k1 k1 k1 x p x k p x Y dx k1 k1 k1 k1 dx Luís Paulo Carvalho dos Santos Luiz Fernando Almeida Fontenele 88
89 Filtro de Partículas Equação de Atualização: p y x p x Y pxk Yk p y Y k k k k1 k k1 probabilidade anterior posterior evidente p y Y p y x p x Y dx k k1 k k k k1 k Luís Paulo Carvalho dos Santos Luiz Fernando Almeida Fontenele 89
90 Filtro de Partículas Inviabilidade na resolução de integrais exigidas pelo filtro recursivo analiticamente. Representa-se a probabilidade posterior por um conjunto de pesos amostrais escolhidas aleatoriamente. Luís Paulo Carvalho dos Santos Luiz Fernando Almeida Fontenele 90
91 Filtro de Partículas - Algoritmo As equações do Sistema e de Medição são dadas por: x k1 f xk, wk y h x, v em que w k e v k são ruídos brancos independentes; k k k Dado p(x 0 ) conhecido, gerar N partículas aleatoriamente x0, i i 1,..., N. Para k=1,2,..., fazer o seguinte: Luís Paulo Carvalho dos Santos Luiz Fernando Almeida Fontenele 91
92 Filtro de Partículas - Algoritmo x f x, w k, i k1, i k1, i Determina a probabilidade relativa por: Normalizar os pesos: q p y x i k k, i q i N q i1 i q i Luís Paulo Carvalho dos Santos Luiz Fernando Almeida Fontenele 92
93 Filtro de Partículas - Algoritmo Reamostragem: gerar um conjunto de, com base de q ki i tal que a função distribuição de probabilidade de x ki, tende para pxk yk. x Determinar a estatística desejada usando o conjunto de partículas x p ki, que possuem distribuição xk yk. Luís Paulo Carvalho dos Santos Luiz Fernando Almeida Fontenele 93
94 Filtro de Partículas - Algoritmo Problema da Degeneração: Esforço computacional; Determinada pelo tamanho amostral efetivo: 1 Nef N w i Luís Paulo Carvalho dos Santos Luiz Fernando Almeida Fontenele 94 2 k i1 Na aplicação, a reamostragem será feita quando: 2 Nef N 3
95 Filtro de Partículas - Algoritmo Reamostragem: Luís Paulo Carvalho dos Santos Luiz Fernando Almeida Fontenele 95
96 Aplicação Sistema Não-linear
97 Sistema não-linear Dada a equação diferencial não-linear: 1 25x x x 8cos 1.2 k 1 w k1 k k1 2 k 2 1 x k1 y 1 x 20 v hx v w 2 k k k k k k 0,1 ; v 0,1 k Número de partículas: 100 Luís Paulo Carvalho dos Santos Luiz Fernando Almeida Fontenele 97
98 Referências Bibliográficas ALBUQUERQUE, José Paulo de Almeida; FORTES, Mauro Pedro; FINAMORE, Weiler Alves. Modelos probabilísticos em engenharia elétrica. Rio de Janeiro, ANTENEODO, Celia. Processos estocásticos. Rio de Janeiro: ARULAMPALAM, M. Sanjeev; MASKELL, Simon; GORDON, Neil; CLAPP, Tim. A tutorial on particle filters for online nonlinear/non-gaussian bayesian tracking BITENCOURT JUNIOR, Hudson; TÔRRES, Leonardo A. B.; AGUIRE, Luís Antônio. O filtro de Kalman para sistemas nãolineares. Belo Horizonte. CAMPOS, Victor A. F.; SANTANA, Douglas, D. S.; FURUKAWA, Celso M.; MARUYAMA, Newton. Filtros de partículas aplicados à estimação de trajetórias. São Paulo. CHAUDHARI, Sachin. The particle filter. CORREIA, Miguel Velhote. Filtro de Kalman Luís Paulo Carvalho dos Santos Luiz Fernando Almeida Fontenele 98
99 Referências Bibliográficas DORF, Richard C. Sistemas de Controle Moderno. LTC: Rio de Janeiro, 2001 HAYKIN, Simon. Kalman filtering and neural networks. Nova Iorque: John Wiley & Sons, JULIER, Simon J.; UHLMANN, Jeffrey K.A new extension of the Kalman filter to nonlinear systems. Oxford. MARQUES, Paulo Alexandre C. Introdução à filtragem adaptativa. Lisboa. OGATA, Katsuhiko. Discrete-time control systems. Prentice Hall: SANTANA, Douglas D. S.; CAMPOS, Victor A.; FURUKAWA, Celso M.; MARUYAMA, Newton. Estimação de trajetórias utilizando sistema de navegação inercial strapdown. São Paulo. SIMON, Dan. Kalman filtering Kalman filter using nonlinear Kalman filtering to estimate signals. WELCH, Greg; BISHOP, Gary. An introduction to the Kalman filter. ACM: Luís Paulo Carvalho dos Santos Luiz Fernando Almeida Fontenele 99
100 Agradecimentos
3 Filtro de Kalman Discreto
3 Filtro de Kalman Discreto As medidas realizadas por sensores estão sujeitas a erros, como pode ser visto no Capítulo 2. Os filtros são aplicados aos sinais medidos pelos sensores para reduzir os erros,
Leia maisEES-20: Sistemas de Controle II. 20 Novembro 2017
EES-20: Sistemas de Controle II 20 Novembro 2017 1 / 57 Recapitulando: Filtro de Kalman para sistema de 1a ordem Foi considerado o caso de estado x[k] escalar, com G = 1 e C = 1, por simplicidade: Equação
Leia mais7 Conclusões e desenvolvimentos futuros
7 Conclusões e desenvolvimentos futuros 7.1 Conclusões Este trabalho apresentou novas soluções para a determinação da posição de terminais de comunicações móveis com base em medidas de ToA. Nos métodos
Leia maisDisciplina: Processamento Estatístico de Sinais (ENGA83) - Aula 02 / Processos Aleatórios
Disciplina: Processamento Estatístico de Sinais (ENGA83) - Aula 02 / Processos Aleatórios Prof. Eduardo Simas (eduardo.simas@ufba.br) Programa de Pós-Graduação em Engenharia Elétrica/PPGEE Universidade
Leia maisMP-208: Filtragem Ótima com Aplicações Aeroespaciais
MP-208: Filtragem Ótima com Aplicações Aeroespaciais Capítulo 7: Filtro de Kalman Estendido Discreto Davi Antônio dos Santos Departamento de Mecatrônica Instituto Tecnológico de Aeronáutica davists@ita.br
Leia maisProcessos estocásticos
36341 - Introdução aos Processos Estocásticos Curso de Pós-Graduação em Engenharia Elétrica Departamento de Engenharia Elétrica Universidade de Brasília Processos estocásticos Geovany A. Borges gaborges@ene.unb.br
Leia maisResumo. Filtragem Adaptativa. Filtros adaptativos. Tarefas desempenhadas pelos filtros
Resumo Filtragem Adaptativa Luís Caldas de Oliveira lco@istutlpt Instituto Superior Técnico Sistemas de filtragem adaptativa Conceitos de filtragem adaptativa Filtro de Wiener Algoritmo steepest descent
Leia maisControle Ótimo - Aula 8 Equação de Hamilton-Jacobi
Controle Ótimo - Aula 8 Equação de Hamilton-Jacobi Adriano A. G. Siqueira e Marco H. Terra Departamento de Engenharia Elétrica Universidade de São Paulo - São Carlos O problema de controle ótimo Considere
Leia maisMódulo IV: Processos Aleatórios Estacionários, Cicloestaionaridade e Análise de Continuidade de Processos Aleatórios
Módulo IV: Processos Aleatórios Estacionários, Cicloestaionaridade e Análise de Continuidade de Processos Aleatórios Wamberto J. L. Queiroz Universidade Federal de Campina Grande-UFCG Departamento de Engenharia
Leia maisIntrodução aos Proc. Estocásticos - ENG 430
Introdução aos Proc. Estocásticos - ENG 430 Fabrício Simões IFBA 16 de novembro de 2015 Fabrício Simões (IFBA) Introdução aos Proc. Estocásticos - ENG 430 16 de novembro de 2015 1 / 34 1 Motivação 2 Conceitos
Leia maisMetodologia de Box-Jenkins. Metodologia de Box-Jenkins. Metodologia de Box-Jenkins
Programa de Pós-graduação em Engenharia de Produção Análise de séries temporais: Modelos de Box-Jenkins Profa. Dra. Liane Werner Metodologia de Box-Jenkins Para os modelos de decomposição e os modelos
Leia maisProcessos Estocásticos
Processos Estocásticos Luis Henrique Assumpção Lolis 26 de maio de 2014 Luis Henrique Assumpção Lolis Processos Estocásticos 1 Conteúdo 1 Introdução 2 Definição 3 Especificando um processo aleatório 4
Leia maisResumo. Parte 7 Processos Estocásticos. Ramiro Brito Willmersdorf
Parte 7 Processos Estocásticos Ramiro Brito Willmersdorf ramiro@willmersdorf.net Departamento de Engenharia Mecânica Universidade Federal de Pernambuco 2011.2 Resumo 1 Processos Estocásticos 2 Classicação
Leia maisEstimativas e Erros. Propagação de erros e Ajuste de funções
Estimativas e Erros Propagação de erros e Ajuste de funções 1 Algumas referências Estimativas e Erros em Experimentos de Física - Vitor Oguri et al (EdUERJ) Fundamentos da Teoria de Erros - José Henrique
Leia maisREPRESENTAÇÃO DE SISTEMAS DINÂMICOS NA FORMA DO ESPAÇO DOS ESTADOS
REPRESENTAÇÃO DE SISTEMAS DINÂMICOS NA FORMA DO ESPAÇO DOS ESTADOS. Espaço dos estados Representação da dinâmica de um sistema de ordem n usando n equações diferenciais de primeira ordem. Sistema é escrito
Leia maisPRE29006 LISTA DE EXERCÍCIOS #
INSTITUTO FEDERAL DE SANTA CATARINA CAMPUS SÃO JOSÉ COORDENADORIA DE ÁREA DE TELECOMUNICAÇÕES ENGENHARIA DE TELECOMUNICAÇÕES PRE9006 LISTA DE EXERCÍCIOS #3 06. Exercícios. [, Exercício 7.] Seja A uma variável
Leia maisAST203-CVR 4-1 AST203-CVR. Observação eletromagnética. Processamento de sinais importante em várias áreas, além da astronomia telecomunicações
Bloco 4 Estatística Atualizado: 2012 4-1 Bibliografia Lena Cap. 4 (parte) - só a inspiração... Wall & Jenkins, Practical statistics for astronomers Brandt Statistical and computacional methods in data
Leia maisProcessamento de Sinal e Imagem Engenharia Electrotécnica e de Computadores
António M Gonçalves Pinheiro Departamento de Física Covilhã - Portugal pinheiro@ubipt d[n] v[n] x[n] Filtro Estimador d[n] d[n] - Sinal v[n] - Ruído x[n] - Sinal corrompido com ruído ˆd[n] - Sinal Estimado
Leia maisFiltro de Kalman. Plano Básico Processos Estocásticos
Universidade Federal do Ceará Centro de Tecnologia Departamento de Engenharia Elétrica Programa de Educação Tutorial - PET Plano Básico Processos Estocásticos Filtro de Kalman Autores: Abnadan de Melo
Leia maisPREVISÃO. Prever o que irá. acontecer. boas decisões com impacto no futuro. Informação disponível. -quantitativa: dados.
PREVISÃO O problema: usar a informação disponível para tomar boas decisões com impacto no futuro Informação disponível -qualitativa Prever o que irá acontecer -quantitativa: dados t DEI/FCTUC/PGP/00 1
Leia maisMódulo II: Cálculo dos Momentos de um Processo Estocástico, Processo de Bernoulli, Processo Random Walk
Módulo II: Cálculo dos Momentos de um Processo Estocástico, Processo de Bernoulli, Processo Random Walk Wamberto J. L. Queiroz Universidade Federal de Campina Grande-UFCG Departamento de Engenharia Elétrica
Leia mais3 INTERVALOS DE CONFIANÇA
3 INTEVALOS DE CONFIANÇA 3.1 Introdução A estimativa de intervalos de confiança é utilizada para se obter medidas de incerteza dos dados analisados. A análise da incerteza de uma previsão, por exemplo,
Leia maisExercícios de programação
Exercícios de programação Estes exercícios serão propostos durante as aulas sobre o Mathematica. Caso você use outra linguagem para os exercícios e problemas do curso de estatística, resolva estes problemas,
Leia maisA análise de séries temporais é uma área da estatística dedicada ao estudo de dados orientados no tempo (MONTGOMERY, 2004).
3 Séries temporais A análise de séries temporais é uma área da estatística dedicada ao estudo de dados orientados no tempo (MONTGOMERY, 2004). 3.1. Princípios fundamentais Conforme Box et al. (1994), uma
Leia maisFiltro de Kalman. Teoria e Aplicação para Iniciantes. Prof. Dr. Marco Antonio Leonel Caetano. M&V Consultoria e Treinamento
Filtro de Kalman Teoria e Aplicação para Iniciantes Prof. Dr. Marco Antonio Leonel Caetano M&V Consultoria e Treinamento www.mudancasabruptas.com.br A História da Filtragem de Sinais 930 940 960 Filtro
Leia maisIntrodução ao Processamento Estatístico de Sinais
Charles Casimiro Cavalcante charles@gtel.ufc.br Grupo de Pesquisa em Telecomunicações Sem Fio GTEL Departamento de Engenharia de Teleinformática Universidade Federal do Ceará UFC http://www.gtel.ufc.br/
Leia maisMP-208: Filtragem Ótima com Aplicações Aeroespaciais
MP-208: Filtragem Ótima com Aplicações Aeroespaciais Capítulo 5: Aspectos Computacionais do Filtro de Kalman Davi Antônio dos Santos Departamento de Mecatrônica Instituto Tecnológico de Aeronáutica davists@ita.br
Leia maisProcessos Estocásticos. Variáveis Aleatórias. Variáveis Aleatórias. Luiz Affonso Guedes. Como devemos descrever um experimento aleatório?
Processos Estocásticos Luiz Affonso Guedes Sumário Probabilidade Funções de Uma Variável Aleatória Funções de Várias Momentos e Estatística Condicional Teorema do Limite Central Processos Estocásticos
Leia maisCONTEÚDOS PROGRAMADOS (Acústica Ambiental - EEK603) TOTAL 45
(Acústica Ambiental - EEK603) TOTAL 4 (Acústica Básica - EEK4) - introdução O fenômeno acústico: propagação. Nível de pressão sonora. As hipóteses acústicas. - Equacionamento Balanços de massa e quantidade
Leia maisModelagem e Avaliação de Desempenho. Pós Graduação em Engenharia Elétrica - PPGEE Prof. Carlos Marcelo Pedroso 2017
Modelagem e Avaliação de Desempenho Pós Graduação em Engenharia Elétrica - PPGEE Prof. Carlos Marcelo Pedroso 2017 Análise de desempenho São disponíveis duas abordagens para realizar a análise de desempenho:
Leia maisProcessos Estocásticos. Luiz Affonso Guedes
Processos Estocásticos Luiz Affonso Guedes Sumário Probabilidade Variáveis Aleatórias Funções de Uma Variável Aleatória Funções de Várias Variáveis Aleatórias Momentos e Estatística Condicional Teorema
Leia maisEstimação de Velocidade do Motor com Controle Vetorial sem Sensor, Utilizando Filtro Estendido de Kalman com Estimação da Covariância dos Ruídos.
Jaime Antonio Gonzalez Castellanos Estimação de Velocidade do Motor com Controle Vetorial sem Sensor, Utilizando Filtro Estendido de Kalman com Estimação da Covariância dos Ruídos. Tese de Doutorado Tese
Leia mais4 O Filtro de Kalman
4 O Filtro de Kalman O filtro de Kalman se caracteriza como uma ferramenta estatística eficiente de estimação, pois minimiza o erro quadrático. Sua aplicação é feita quando o modelo está descrito na forma
Leia maisAnálise e Processamento de Sinal e Imagem. III - Sinais Aleatórios e Filtragem Óptima
III - Sinais Aleatórios e Filtragem Óptima António M. Gonçalves Pinheiro Departamento de Física Covilhã - Portugal pinheiro@ubi.pt Sinais Aleatórios e Filtragem Óptima 1. Noção de Sinal Aleatório 2. Sinais
Leia maisAnexo 1 - Revisões de Teoria das Probabilidades e Processos Estocásticos
1 Anexo 1 - Revisões de Teoria das Probabilidades e Processos Estocásticos Documento auxiliar à disciplina de Modelação, Identificação e Controlo Digital Alexandre Bernardino 003/005 IST-Secção de Sistemas
Leia maisSumário. 1 Sinais e sistemas no tempo discreto 1. 2 As transformadas z e de Fourier 79
Sumário 1 Sinais e sistemas no tempo discreto 1 1.1 Introdução 1 1.2 Sinais no tempo discreto 2 1.3 Sistemas no tempo discreto 7 1.3.1 Linearidade 8 1.3.2 Invariância no tempo 8 1.3.3 Causalidade 9 1.3.4
Leia maisIntrodução. Introdução. Introdução. Introdução. Introdução. Introdução à Robótica Robótica Móvel Localização. Principais questões na Robótica
à Robótica Robótica Móvel Localização Prof. Douglas G. Macharet douglas.macharet@dcc.ufmg.br Principais questões na Robótica Onde estou? (localização) Aonde vou? (objetivo) Como vou? (planejamento)? à
Leia maisUniversidade de São Paulo Instituto de Ciências Matemáticas e de Computação
Universidade de São Paulo Instituto de Ciências Matemáticas e de Computação Francisco A. Rodrigues Departamento de Matemática Aplicada e Estatística - SME Objetivo Dada M classes ω 1, ω 2,..., ω M e um
Leia maisSexta Lista: Geração de Números Pseudo-Aleatórios e Método de Monte Carlo
Sexta Lista: Geração de Números Pseudo-Aleatórios e Método de Monte Carlo Antônio Carlos Roque da Silva Filho e Cristiano R. F. Granzotti 26 de junho de 2017 Os exercícios desta lista devem ser resolvidos
Leia mais6 Modelo Gamma-Cetuc (GC)
6 Modelo Gamma-Cetuc (GC) Um modelo de sintetização de séries temporais de atenuação por chuva envolve a geração de dados aleatórios que satisfaçam especificações de estatísticas de primeira e de segunda
Leia maisPRINCÍPIOS DE COMUNICAÇÃO
PRINCÍPIOS DE COMUNICAÇÃO RUÍDO EM MODULAÇÕES ANALÓGICAS Evelio M. G. Fernández - 2011 Processo Aleatório (ou Estocástico): Função aleatória do tempo para modelar formas de onda desconhecidas. Processos
Leia maisProcessos Estocásticos. Variáveis Aleatórias. Variáveis Aleatórias. Variáveis Aleatórias. Variáveis Aleatórias. Luiz Affonso Guedes
Processos Estocásticos Luiz Affonso Guedes Sumário Probabilidade Funções de Uma Variável Aleatória Funções de Várias Momentos e Estatística Condicional Teorema do Limite Central Processos Estocásticos
Leia maisAnexo 1 - Revisões de Teoria das Probabilidades e Processos Estocásticos
1 Anexo 1 - Revisões de Teoria das Probabilidades e Processos Estocásticos Documento auxiliar à disciplina de Modelação, Identificação e Controlo Digital Alexandre Bernardino IST-Secção de Sistemas e Controlo
Leia maisA Metodologia de Box & Jenkins
A Metodologia de Box & Jenins Aula 03 Bueno, 0, Capítulo 3 Enders, 009, Capítulo Morettin e Toloi, 006, Capítulos 6 a 8 A Metodologia Box & Jenins Uma abordagem bastante utilizada para a construção de
Leia maisCONHECIMENTOS ESPECÍFICOS
fonte de graus de soma de quadrado variação liberdade quadrados médio teste F regressão 1 1,4 1,4 46,2 resíduo 28 0,8 0,03 total 2,2 A tabela de análise de variância (ANOVA) ilustrada acima resulta de
Leia maisAnálise e Previsão de Séries Temporais Aula 1: Introdução às séries temporais. Eraylson Galdino
Análise e Previsão de Séries Temporais Aula 1: Introdução às séries temporais egs@cin.ufpe.br Agenda Séries Temporais: Definições Exemplos Modelos simples com média zero: Ruído I.I.D Processo Binário Random
Leia maisAVALIAÇÃO DA QUALIDADE DAS MEDIDAS EXPERIMENTAIS NAS REGIÕES DE CONFIANÇA DOS PARÂMETROS CINÉTICOS ESTIMADOS DE UM SISTEMA COM REAÇÕES EM SÉRIE
AVALIAÇÃO DA QUALIDADE DAS MEDIDAS EXPERIMENTAIS NAS REGIÕES DE CONFIANÇA DOS PARÂMETROS CINÉTICOS ESTIMADOS DE UM SISTEMA COM REAÇÕES EM SÉRIE H. ENZWEILER 1, E. B. COUTINHO 2 e M. SCHWAAB 3 1 Universidade
Leia maisEste capítulo descreve os testes realizados para validar a teoria proposta pela presente dissertação.
6 Simulações Este capítulo descreve os testes realizados para validar a teoria proposta pela presente dissertação. 6.1. Descrição da Simulação Visando validar o equacionamento desenvolvido no Capítulo
Leia maisAPLICAÇÃO DO FILTRO DE KALMAN A UM SISTEMA DE POSICIONAMENTO DE VEÍCULO AQUÁTICO
APLICAÇÃO DO FILTRO DE KALMAN A UM SISTEMA DE POSICIONAMENTO DE VEÍCULO AQUÁTICO André TEIXEIRA DE AQUINO; André LUIZ CARNEIRO DE ARAÚJO (1) Instituto Federal de Educação, Ciência e Tecnologia do Ceará,
Leia maisCONHECIMENTOS ESPECÍFICOS
CONHECIMENTOS ESPECÍFICOS A distribuição dos tempos de permanência dos estudantes nos cursos de graduação de certa universidade é uma distribuição normal com média igual a 6 anos e desvio padrão igual
Leia maisIntrodução aos Proc. Estocásticos - ENG 430
Introdução aos Proc. Estocásticos - ENG 430 Fabrício Simões IFBA 16 de novembro de 2015 Fabrício Simões (IFBA) Introdução aos Proc. Estocásticos - ENG 430 16 de novembro de 2015 1 / 35 Fabrício Simões
Leia maisFísica Geral - Laboratório. Aula 2: Organização e descrição de dados e parâmetros de dispersão e correlação
Física Geral - Laboratório Aula 2: Organização e descrição de dados e parâmetros de dispersão e correlação 1 Física Geral - Objetivos Ao final do período, o aluno deverá ser capaz de compreender as principais
Leia maisSistemas Lineares e Invariantes
Universidade Federal da Paraíba Programa de Pós-Graduação em Engenharia Elétrica Sistemas Lineares e Invariantes Prof. Juan Moises Mauricio Villanueva jmauricio@cear.ufpb.br www.cear.ufpb.br/juan 1 Sistemas
Leia maisModelagem e Avaliação de Desempenho. Pós Graduação em Engenharia Elétrica - PPGEE Prof. Carlos Marcelo Pedroso 2018
Modelagem e Avaliação de Desempenho Pós Graduação em Engenharia Elétrica - PPGEE Prof. Carlos Marcelo Pedroso 2018 Análise de desempenho São disponíveis duas abordagens para realizar a análise de desempenho:
Leia maisVetor de Variáveis Aleatórias
Vetor de Variáveis Aleatórias Luis Henrique Assumpção Lolis 25 de junho de 2013 Luis Henrique Assumpção Lolis Vetor de Variáveis Aleatórias 1 Conteúdo 1 Vetor de Variáveis Aleatórias 2 Função de Várias
Leia mais2 Medida de Incertezas: Fundamentos
2 Medida de Incertezas: Fundamentos 2. Introdução O resultado de um processo de medição fornece uma determinada informação que usualmente é chamada de conhecimento. A fim de quantificar quão completo é
Leia maisMEDIÇÃO VIRTUAL DE VAZÃO PARA SISTEMAS SUB-AMOSTRADOS UTILIZANDO O FILTRO DE KALMAN
MEDIÇÃO VIRTUAL DE VAZÃO PARA SISTEMAS SUB-AMOSTRADOS UTILIZANDO O FILTRO DE KALMAN LUIZ C. FIGUEIREDO ALEXANDRE V. VIEIRA Laboratório de Controle de Processos Industriais - Departamento de Engenharia
Leia maisRESTAURAÇÃO E RECONSTRUÇÃO DE IMAGENS. Nielsen Castelo Damasceno
RESTAURAÇÃO E RECONSTRUÇÃO DE IMAGENS Nielsen Castelo Damasceno Restauração de imagem Procura recuperar uma imagem corrompida com base em um conhecimento a priori do fenômeno de degradação. Restauração
Leia maisTE802 Processos Estocásticos em Engenharia. Processo Aleatório. TE802 Processos Aleatórios. Evelio M. G. Fernández. 18 de outubro de 2017
TE802 Processos Estocásticos em Engenharia Processos Aleatórios 18 de outubro de 2017 Processo Aleatório Processo Aleatório (ou Estocástico), X(t): Função aleatória do tempo para modelar formas de onda
Leia maisCC-226 Aula 07 - Estimação de Parâmetros
CC-226 Aula 07 - Estimação de Parâmetros Carlos Henrique Q. Forster - Instituto Tecnológico de Aeronáutica 2008 Estimação de Parâmetros Para construir o classificador bayesiano, assumimos as distribuições
Leia maisSistemas Lineares e Invariantes: Tempo Contínuo e Tempo Discreto
Universidade Federal da Paraíba Programa de Pós-Graduação em Engenharia Elétrica Sistemas Lineares e Invariantes: Tempo Contínuo e Tempo Discreto Prof. Juan Moises Mauricio Villanueva jmauricio@cear.ufpb.br
Leia mais5 Filtro de Kalman Aplicado ao Modelo de Schwartz e Smith (2000)
5 Filtro de Kalman Aplicado ao Modelo de Schwartz e Smith (2000) A primeira parte deste capítulo, referente à passagem dos modelos estocásticos para as equações do Filtro de Kalman, já foi previamente
Leia maisétodos uméricos SISTEMAS DE EQUAÇÕES LINEARES (Continuação) Prof. Erivelton Geraldo Nepomuceno PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA
étodos uméricos SISTEMAS DE EQUAÇÕES LINEARES (Continuação) Prof. Erivelton Geraldo Nepomuceno PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA UNIVERSIDADE DE JOÃO DEL-REI PRÓ-REITORIA DE PESQUISA CENTRO
Leia mais3 3. Variáveis Aleatórias
ÍNDICE 3. VARIÁVEIS ALEATÓRIAS...49 3.. VARIÁVEIS ALEATÓRIAS UNIDIMENSIONAIS...49 3.2. VARIÁVEIS DISCRETAS FUNÇÃO DE PROBABILIDADE E FUNÇÃO DISTRIBUIÇÃO DE PROBABILIDADE...50 3.2.. Função de probabilidade...50
Leia maisModelagem e Avaliação de Desempenho. Pós Graduação em Engenharia Elétrica - PPGEE Prof. Carlos Marcelo Pedroso 2014
Modelagem e Avaliação de Desempenho Pós Graduação em Engenharia Elétrica - PPGEE Prof. Carlos Marcelo Pedroso 2014 Análise de desempenho São disponíveis duas abordagens para realizar a análise de desempenho:
Leia maisSeja (X,Y) uma v.a. bidimensional contínua ou discreta. Define-se valor esperado condicionado de X para um dado Y igual a y da seguinte forma:
46 VALOR ESPERADO CONDICIONADO Seja (X,Y) uma v.a. bidimensional contínua ou discreta. Define-se valor esperado condicionado de X para um dado Y igual a y da seguinte forma: Variável contínua E + ( X Y
Leia maisRedes Neurais e Sistemas Fuzzy
Redes Neurais e Sistemas Fuzzy O ADALINE e o algoritmo LMS O ADALINE No contexto de classificação, o ADALINE [B. Widrow 1960] pode ser visto como um perceptron com algoritmo de treinamento baseado em minimização
Leia maisModelagem Estocástica e Quantificação de Incertezas
Modelagem Estocástica e Quantificação de Incertezas Rubens Sampaio rsampaio@puc-rio.br Roberta de Queiroz Lima robertalima@puc-rio.br Departamento de Engenharia Mecânica DINCON 2015 Organização do curso
Leia mais5.3 Variáveis aleatórias gaussianas conjuntas
M. Eisencraft 5.3 Variáveis aleatórias gaussianas conjuntas 64 respectivamente. São as chamadas funções características marginais: Φ X (ω ) = Φ X,Y (ω,0) (5.0) Φ Y (ω ) = Φ X,Y (0,ω ) (5.) Os momentos
Leia maisSistemas de Telecomunicações Definidos por Software & Processamento de Sinal em Tempo Real
Sistemas de Telecomunicações Definidos por Software & Processamento de Sinal em Tempo Real 1 Filtros Adaptativos Filtros adaptativos são solução atractiva em ambientes com estatística desconhecida e variável
Leia maisDisciplina: Processamento Estatístico de Sinais (ENGA83) - Aula 05 / Detecção Binária Baseada em
Disciplina: Processamento Estatístico de Sinais (ENGA83) - Aula 05 / Detecção Binária Baseada em Múltiplas Observações e Detecção com Múltiplas Hipóteses Prof. Eduardo Simas (eduardo.simas@ufba.br) Programa
Leia maisDisciplina: Processamento Estatístico de Sinais (ENGA83) - Aula 01 / Introdução
Disciplina: Processamento Estatístico de Sinais (ENGA83) - Aula 1 / Introdução Prof. Eduardo Simas (eduardo.simas@ufba.br) Programa de Pós-Graduação em Engenharia Elétrica/PPGEE Universidade Federal da
Leia maisProcessamento de Sinal e Imagem Engenharia Electrotécnica e de Computadores
António M. Gonçalves Pinheiro Departamento de Física Covilhã - Portugal pinheiro@ubi.pt Processos Estocásticos - Sinais que variam aleatoriamente no tempo. são regidos por processos estocásticos. 2 1 1
Leia maisINSTITUTO TECNOLÓGICO DE AERONÁUTICA
INSTITUTO TECNOLÓGICO DE AERONÁUTICA DIVISÃO DE ENGENHARIA MECÂNICA MP-272: CONTROLE E NAVEGAÇÃO DE MULTICÓPTEROS VI. NAVEGAÇÃO Prof. Davi Antônio dos Santos (davists@ita.br) Departamento de Mecatrônica
Leia maisFiltragem Adaptativa
Filtragem Adaptativa Luís Caldas de Oliveira lco@istutlpt Instituto Superior Técnico Filtragem Adaptativa p1/45 Resumo Sistemas de filtragem adaptativa Filtragem Adaptativa p2/45 Resumo Sistemas de filtragem
Leia maisM. Eisencraft 6.3 Funções de correlação 81. R YX (τ) R YY (τ). (6.19) R XY (τ) = R YX ( τ) (6.20)
M. Eisencraft 6.3 Funções de correlação 81 R XY (τ) = E[X(t)Y(t+τ)] e (6.17) R YX (τ) = E[Y(t)X(t+τ)]. (6.18) As propriedades de correlação de dois processos X(t) e Y(t) podem ser mostradas convenientemente
Leia mais195
195 196 197 198 199 200 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216 217 218 219 220 221 222 223 224 225 226 227 228 229 230 231 232 233 234 235 236 237 238 239 240 241 242 243 244 245
Leia maisCONHECIMENTOS ESPECÍFICOS
CONHECIMENTOS ESPECÍFICOS 2003 2004 2005 2006 2007 2008 2009 2010 X 39,0 39,5 39,5 39,0 39,5 41,5 42,0 42,0 Y 46,5 65,5 86,0 100,0 121,0 150,5 174,0 203,0 A tabela acima mostra as quantidades, em milhões
Leia maisMP-208: Filtragem Ótima com Aplicações Aeroespaciais
MP-208: Filtragem Ótima com Aplicações Aeroespaciais Seção 2.6: Vetores Aleatórios Davi Antônio dos Santos Departamento de Mecatrônica Instituto Tecnológico de Aeronáutica davists@ita.br São José dos Campos,
Leia maisDisciplina: Processamento Estatístico de Sinais (ENGA83) - Aula 01 / Introdução
Disciplina: Processamento Estatístico de Sinais (ENGA83) - Aula 1 / Introdução Prof. Eduardo Simas (eduardo.simas@ufba.br) Programa de Pós-Graduação em Engenharia Elétrica/PPGEE Universidade Federal da
Leia maisEstimação de Estados em Sistemas de Potência
Estimação de Estados em Sistemas de Potência Antonio Simões Costa LABSPOT A. Simões Costa (LABSPOT) EESP 1 / 16 Estimação de Estados em Sistemas de Potência (I) Objetivo: A partir de telemedidas redundantes
Leia maisFundamentos da Teoria da Probabilidade
Fundamentos da Teoria da Probabilidade Edmar José do Nascimento (Princípios de Comunicações) http://www.univasf.edu.br/ edmar.nascimento Universidade Federal do Vale do São Francisco Sinais Aleatórios
Leia maisEstimação da Resposta em Frequência
27 Estimação da Resposta em Frequência ω = ω ω Objectivo: Calcular a magnitude e fase da função de transferência do sistema, para um conjunto grande de frequências. A representação gráfica deste conjunto
Leia maiscanal para sinais contínuos
Processos estocásticos, Entropia e capacidade de canal para sinais contínuos 24 de setembro de 2013 Processos estocásticos, Entropia e capacidade de canal para1 sin Conteúdo 1 Probabilidade de sinais contínuos
Leia maisMESTRADO INTEGRADO EM ENGENHARIA ELECTROTÉCNICA E DE COMPUTADORES PROBABILIDADES E ESTATÍSTICA. 1ª Chamada 10/01/2008.
MESTRADO INTEGRADO EM ENGENHARIA ELECTROTÉCNICA E DE COMPUTADORES PROBABILIDADES E ESTATÍSTICA 1ª Chamada 10/01/2008 Parte Teórica DURAÇÃO : 50 min COTAÇÃO DA PARTE TEÓRICA: 8 Valores em 20 PERGUNTAS DE
Leia maisESPAÇO DE ESTADOS. Capítulo 4. Objectivos do capítulo. Espaço de estados Plano de fase Estabilidade. Sistemas não lineares.
Capítulo 4 EPAÇO DE ETADO Objectivos do capítulo Espaço de estados Plano de fase Estabilidade valores próprios istemas não lineares linearização Indice 4. Exemplos 4. Caso Geral 4.3 Plano de fase 4.4 Resolução
Leia maisEES-20: Sistemas de Controle II. 31 Julho 2017
EES-20: Sistemas de Controle II 31 Julho 2017 1 / 41 Folha de informações sobre o curso 2 / 41 O que é Controle? Controlar: Atuar sobre um sistema físico de modo a obter um comportamento desejado. 3 /
Leia maisAnálise e Previsão de Séries Temporais Aula 2: Introdução às séries temporais. Eraylson Galdino
Análise e Previsão de Séries Temporais Aula 2: Introdução às séries temporais egs@cin.ufpe.br Análise e Previsão de Séries Temporais Aula 1 Agenda Resumo da Aula anterior; Estimação e eliminação dos componentes
Leia maisAula 2 Uma breve revisão sobre modelos lineares
Aula Uma breve revisão sobre modelos lineares Processo de ajuste de um modelo de regressão O ajuste de modelos de regressão tem como principais objetivos descrever relações entre variáveis, estimar e testar
Leia maisTE060 Princípios de Comunicação. Probabilidade. Probabilidade Condicional. Notes. Notes. Notes
TE060 Princípios de Comunicação Efeito do Ruído em Sistemas com Modulação de Onda Contínua 5 de novembro de 2013 Probabilidade Uma medida de probabilidade P é uma função que associa um número não negativo
Leia maisCONHECIMENTOS ESPECÍFICOS
ECT11_17_52N43767 Uma cadeia de Markov é denominada irredutível (ou ergódica) caso qualquer estado possa ser transformado em qualquer outro estado, não necessariamente em um único passo. Uma cadeia de
Leia maisEstimação na Presença de Ruído colorido
36 Estimação na Presença de Ruído colorido Como se viu, em presença de ruído colorido, os mínimos quadrados fornecem uma estimativa polarizada. Quer dizer, ao fazer muitas observações a estimativa não
Leia maisAULA 09 Regressão. Ernesto F. L. Amaral. 17 de setembro de 2012
1 AULA 09 Regressão Ernesto F. L. Amaral 17 de setembro de 2012 Faculdade de Filosofia e Ciências Humanas (FAFICH) Universidade Federal de Minas Gerais (UFMG) Fonte: Triola, Mario F. 2008. Introdução à
Leia maisMP-208: Filtragem Ótima com Aplicações Aeroespaciais
MP-208: Filtragem Ótima com Aplicações Aeroespaciais Capítulo 1: Introdução Davi Antônio dos Santos Departamento de Mecatrônica Instituto Tecnológico de Aeronáutica davists@ita.br São José dos Campos,
Leia maisFiltro de Partículas Aplicados à Econometria. Daniel Henrique Orientador: Claudio José Bordin Júnior Mestrado em Engenharia da Informação
Filtro de Partículas Aplicados à Econometria Daniel Henrique Orientador: Claudio José Bordin Júnior Mestrado em Engenharia da Informação Introdução Trabalhos Correlatos Filtragem Estocástica Metodologia
Leia maisétodos uméricos AJUSTE DE FUNÇÕES Prof. Erivelton Geraldo Nepomuceno PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA
étodos uméricos AJUSTE DE FUNÇÕES Prof. Erivelton Geraldo Nepomuceno PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA UNIVERSIDADE DE JOÃO DEL-REI PRÓ-REITORIA DE PESQUISA CENTRO FEDERAL DE EDUCAÇÃO TECNOLÓGICA
Leia mais2 Conceitos de confiabilidade estrutural
2 Conceitos de confiabilidade estrutural As estruturas projetadas pelos engenheiros, geralmente são dimensionadas de forma conservadora, já que sobre elas são impostos fatores de segurança que são recomendados
Leia maisControle utilizando variáveis de estado - v1.1
2 ontrole utilizando variáveis de estado - v. 2. Objetivo O objetivo desta experiência é, utilizando o enfoque de espaço de estados, projetar e implementar um controlador digital para uma planta simples
Leia mais1 Sistema Máquina-Barra in nita: apresentação e modelagem
EEL 751 - Fundamentos de Controle 1o rabalho Computacional 1 Sistema Máquina-Barra in nita: apresentação e modelagem Modelos do tipo máquina-barra in nita como o representado pelo diagrama uni - lar da
Leia mais