FILTRO DE PARTÍCULAS PARA SISTEMAS MAX PLUS COM DENSIDADE DE
|
|
- Rebeca Lagos Amaral
- 6 Há anos
- Visualizações:
Transcrição
1 FILTRO DE PARTÍCULAS PARA SISTEMAS MAX PLUS COM DENSIDADE DE IMPORTÂNCIA ÓTIMA Renato Markele Ferreira Cândido, Rafael Santos Mendes DSE/FEEC/UNICAMP Av. Albert Einsten, 400, Campinas, SP, Brasil s: Abstract The main objective of this article is to synthesize a particle filter algorithm for max-plus systems that adopts the optimal choice for the importance density. It is presented a brief introduction to the Max Plus approach for Discrete Event Systems and the fundamentals of the particle filters. It leads to the algorithm for particles filtering. Lastly, a example is given. The results shows the accuracy of the method. Keywords Stochastic Filtering, Particle Filters, Discrete Event Systems, Max plus Algebra. Resumo Neste trabalho, desenvolve-se um algoritmo de filtragem de partículas que adota a escolha ótima para a densidade de importância. É apresentada uma breve revisão da abordagem Max Plus para Sistemas a Eventos discretos e de Filtros de Partículas. Em seguida, o algoritmo de filtragem de partículas é desenvolvido. Um exemplo é apresentado e os resultados mostram a eficiência do filtro desenvolvido. Filtragem Estocástica, Filtros de Partículas, Sistemas a Eventos Discretos, Álgebra Max- Palavras-chave plus. 1 Introdução Os Sistemas a Eventos Discretos (SEDs) são sistemas cuja dinâmica é dirigida pela ocorrência de eventos. Existem diversos modelos para representar esses sistemas e a escolha de qual modelo utilizar depende fortemente das características do sistema abordado. As Redes de Petri conseguem abordar uma ampla classe de SEDs, em especial os sistemas temporizados, que podem ser representados pelas Redes se Petri Temporizadas (Cassandras and Lafortune, 2007). Uma associação importante pode ser feita entre SEDs sem concorrência e uma subclasse de Redes de Petri denominada Grafos de Eventos Temporizados (GETs) (Baccelli, 1992). Qualquer GET pode ser descrito em termos de equações lineares em uma álgebra não convencional usualmente denominada Álgebra Max Plus. Esta abordagem é baseada nas estruturas algébricas conhecidas como dióides ou semi-anéis idempotentes. O desenvolvimento desta estrutura algébrica e a formalização de sua utilização na teoria de SEDs possibilitou o surgimento de uma teoria de controle específica para estes sistemas (Cohen et al., 1999; Cottenceau et al., 2001; Maia et al., 2005). Deste modo, a observação ou estimação dos estados é de grande interesse, pois fornece informações sobre as propriedade internas do sistema que podem utilizadas em várias aplicações como detecção de falhas, diagnósticos, além de controladores com realimentação de estados. O problema de observabilidade em Redes de Petri Temporizadas é tratado em (Loreto et al., 2010) e (Hardouin et al., 2010). Neste trabalho, pretende-se desenvolver um algoritmo de um Filtro de Partículas para estimar os estados de Sistemas a Eventos Discretos (SEDs) em um contexto ruidoso em que os estados do sistema correspondem às datas de ocorrência dos diversos tipos de eventos apresentados em função da variável interna correspondente a um contador de eventos. Os Filtros de Partículas são filtros Bayesianos sub-ótimos que realizam uma amostragem sequencial de Monte Carlo, por meio de uma densidade de importância, para construir um conjunto de partículas com pesos associados constituindo uma aproximação para a densidade de probabilidade dos estados do sistema condicionada à sequência de medidas recebidas. (Ristic et al., 2004). Uma das etapas mais importantes no projeto de um filtro de partículas é a escolha da densidade de importância. Em (Silva et al., 2011) e (Cândido et al., 2013), são desenvolvidos filtros de partículas para sistemas Max Plus que utilizam uma escolha sub-ótima para a densidade de importância. Neste trabalho, propõe-se a utilização da escolha ótima para a densidade de importância. 2 Sistemas Max Plus A Álgebra Max Plus é uma instância das estruturas algébricas conhecidas como dióides ou semianéis idempotentes. Nesta abordagem, as operações de soma e produto são definidas como sendo, respectivamente, as operações de maximização e de soma da álgebra usual. Utilizando-se a álgebra Max Plus, é possível descrever um GET por meio de equações lineares recursivas. Neste trabalho, serão considerados os Grafos de Eventos p-temporizados. Nestes grafos, a cada lugar é associado um tempo mínimo de permanência de 3413
2 uma ficha em um lugar antes que ela se torne disponível para habilitar uma transição. Na Figura 1 encontra-se um Grafo de Eventos p-temporizado. Nota-se que a temporização de alguns lugares é dada por variáveis aleatórias, representando, por exemplo, uma incerteza quanto ao tempo de transporte de uma peça de um ponto ao outro do sistema. Figura 1: Grafo de Eventos Temporizado A cada transição t j, pode-se associar uma sequência não decrescente formada pelas variáveis x j (k), k = 1, 2,...,, denominadas datadores, contendo o k ésimo instante de disparo da transição t j. Assumindo-se que as sequências de disparo associadas às transições de entrada são conhecidas, é possível determinar as sequências de disparo de todas as transições do GET. Adotando-se a convenção de que os tempos notados por [A B] representam variáveis aleatórias com distribuição uniforme entre A e B; e definindo-se a variável aleatória µ 1 [8 12], a seguinte relação pode ser verificada para a transição X 1 do grafo apresentado na Figura 1. x 1 (k) = max{µ 1 + x 1 (k 1); 7 + x 2 (k 1); u(k)} (1) Considerando agora o conjunto R { } { } e redefinindo as operações: soma = = max e produto = = +, a equação (1) pode ser reescrita como: x 1 (k) = µ 1 x 1 (k 1) 7 x 2 (k 1) u(k). (2) De modo geral, adotando-se o mesmo procedimento, todas as transições podem ser descritas por equações lineares recursivas. Na forma matricial, o grafo da Figura 1 é descrito por: x k = A x k 1 B u k z k = C x k (3) sendo as matrizes A, B e C são dadas por: [ ] [ µ1 7 e A = ; B = ; µ ] [ ] 15 ε C = ε µ 3 e µ 1, µ 2 e µ 3 são variáveis aleatórias dadas por µ 1 [8 12], µ 2 [10 16] e µ 3 [10 14]. E as constantes e =. 0 e ε =. representam, respectivamente, os elemento unitário e o elemento nulo da álgebra Max Plus. Nota-se que, utilizando a álgebra Max Plus, todas as transições do sistema foram descritas por meio de equações lineares recursivas. Um conjunto D, munido de duas operações internas soma e produto é um dióide ou semi-anel idempotente se a soma é associativa, comutativa e idempotente (i.e. a a = a) e o produto é associativo e distributivo à esquerda e à direita em relação à soma. É necessária também, a existência de um elemento nulo (i.e. ɛ D : a D, a ɛ = a) e de um elemento identidade (i.e. e D : a D, a e = e a = a). O elemento nulo deve, ainda, ser absorvente em relação ao produto (i.e. a D, a ɛ = ɛ a = ɛ) (Baccelli, 1992). Dadas estas condições, pode-se verificar que o conjunto R { } { } e as operações max e +, com ɛ = e e = 0, formam um dióide. Além disso, pode-se verificar que este é um dióide completo já que é fechado em relação a somas infinitas e o produto é distributivo em relação a somas infinitas. Este conjunto é chamado de Max-Plus e é notado por R max. 3 Filtros de Partículas Os Filtros de Partículas (FP) são algoritmos Bayesianos sub-ótimos para filtragem não linear. A maioria destes filtros é baseada no método de amostragem sequencial de Monte Carlo (SMC) (Arulampalam et al., 2002). A idéia principal é obter estimativas para a densidade p(x k z k ) a partir de um conjunto de N partículas com pesos associados {x i k 1, ωi k 1 }N, que aproximam a densidade p(x k 1 z k 1 ) em k 1 a partir de: p(x k 1 z k 1 ) = N ωk 1δ(X i k 1 X i k 1) (4) Basicamente, o processo de filtragem de partículas pode ser dividido em duas etapas: a etapa de propagação das partículas e a etapa de atualização dos pesos. Na etapa de propagação, utilizase uma densidade de importância, notada por q(x i k xi k 1, z k), para propagar cada partícula x i k 1 para x i k, ou seja, nesta etapa, o conjunto de partículas {x i k 1 }N é formando a partir de N amostras distribuídas segundo a densidade de importância. Na segunda etapa, utiliza-se a equação de atualização dos pesos para atualizar os pesos das partículas propagadas. Em (Ristic et al., 2004) demonstra-se que a equação de atualização dos pesos é dada por: ωk i ωk 1 i p(z k x i k )p(xi k xi k 1 ) q(x i k xi k 1, z, (5) k) 3414
3 Deste modo, utilizando-se o processo de filtragem de partículas, a partir do conjunto {x i k 1, ωi k 1 }N é possível obter um conjunto de partículas com pesos associados {x i k, ωi k }N, que aproximam a densidade p(x k z k ). Em (Kong et al., 1994) demonstra-se que a variância dos pesos de importância é uma função crescente de k. Deste modo, um algoritmo de filtragem de partículas composto apenas pelas etapas de propagação e atualização sofre com o fenômeno da degeneração das partículas. Este fenômeno ocorre quando, após algumas iterações, muitas partículas obtém pesos muito baixos, sendo assim, sua contribuição para a aproximação de p(x k z k ) é desprezível. O tamanho efetivo da amostra N eff = ( N ωi k) 1 pode ser usado como um indicador para o grau de degeneração do algoritmo (Kong et al., 1994; Liu and Chen, 1998). Observa-se que 1 ˆN eff N, sendo que o limite superior N é atingido quando todas as partículas têm o mesmo peso 1/N, e o limite inferior ocorre quando todas as partículas, exceto uma, têm peso nulo. Uma alternativa para se superar este fenômeno é a utilização de um processo de reamostragem no qual as partículas são clonadas com uma probabilidade proporcional ao seu peso. Deste modo, partículas com pesos baixos tendem a ser eliminadas e partículas com pesos relevantes tendem a ser clonadas (Ristic et al., 2004). A escolha da densidade de importância influencia diretamente o grau de degeneração do algoritmo e, consequentemente, o seu desempenho. A densidade de importância ótima condicionada por x i k 1 e z k é dada por: (Doucet et al., 2000) q(x k x i k 1, z k ) otm = p(x k x i k 1, z k ) = p(z k x k )p(x k x i k 1 ) p(z k x i k 1 ) (6) Substituindo-se (6) em (5), encontra-se a seguinte equação de atualização dos pesos para esta escolha da densidade de importância: ω i k ω i k 1p(z k x i k 1) (7) Segundo (Gustafsson, 2010), a otimalidade da escolha da densidade de importância definida por (6) provém do fato de que, para esta escolha, a variância dos pesos de importância ω i k condicionada por x i k 1 e z k é nula. Deste modo, qualquer outra escolha para a densidade de importância irá acrescentar variância aos pesos de importância. No filtro de partículas desenvolvido na próxima seção, utiliza-se a densidade de importância ótima para propagar as partículas. 4 Filtros de Partículas para Sistemas Max Plus Nesta seção, desenvolve-se um Filtro de Partículas, que utiliza a densidade de importância ótima dada pela equação (6), para estimar os estados de Sistemas Max Plus Lineares descritos por: x k = A x k 1 B u k (8) z k = C x k (9) Admite-se que os elementos das matrizes A e C são determinísticos ou variáveis aleatórias com distribuição uniforme independentes entre si. Admite-se ainda que em cada linha e em cada coluna da matriz C pode existir mais do que um elemento não nulo, mas não mais que um valor determinístico. Para a escolha ótima para a densidade de importância, a equação de atualização dos pesos é dada pela equação (7). Portanto, para o desenvolvimento do filtro com a densidade de importância desejada, é necessário obter um conjunto de partículas distribuídas segundo a equação (6) e, para a etapa de atualização dos pesos, é necessário calcular o valor de p(z k x i k 1 ). Uma maneira de se satisfazer a estas duas necessidades é apresentada a seguir. Neste trabalho, particiona-se o vetor de estados entre estados observados e não observados. Um estado é dito não observado se a correspondente coluna da matriz C é nula, caso contrário, o estado é dito observado. Seja esta partição definida por: x k = [ (γ o ) T (γ no ) T ] T, (10) sendo γ o é o vetor de estados diretamente observados e γ no é o vetor de estados não observados Como consequência imediata deste particionamento do vetor de estados, pode-se reescrever os termos que aparecem no numerador da equação (6) da seguinte maneira: p(x k x i k 1) = p(γ o x i k 1)p(γ no x i k 1) (11) p(z k x k ) = p(z k γ o ) (12) Este fato permite que o vetor de estados possa ser construído gerando-se os estados observados e não observados separadamente, a partir das seguintes densidades de probabilidade: γ no p(γ no x i k 1) (13) γ o p(z k γ o )p(γ o x i k 1 ) p(z k x i k 1 ) (14) Seja V (γ o ) =. p(z k γ o )p(γ o x i k 1 ). A partir da função de verossimilhança para sistemas Max Plus, definida no Apêndice A, têm-se que a função 3415
4 V (γ o ) é dada por: V (γ o ) = n1 r=1 s=1 d rs(z r γ o s ) l=1, l j N rl (z r γ o l ) n n p ij(γ o i x j ) F ik (γ o i x k ) j=1 k=1, k j (15) sendo γi o, z i e x i representam o i-ésimo elemento dos vetores γ o, z k e x k 1 respectivamente, e n n1 e q são as dimensões dos vetores x k 1, γ o e z k respectivamente. As funções d rs e N rl representam, respectivamente, a função densidade de probabilidade correspondente ao elemento c o rs da matriz C o e a função de probabilidade acumulada do elemento c o rl. Analogamente, as funções p ij e F ik representam a função densidade de probabilidade e a função de probabilidade acumulada dos elementos da matriz. As matrizes A o e C o são definidas como as submatrizes de A (e C) que contém as linhas (colunas) associadas aos estados observados. A geração dos estados não observados de cada partícula x i k, distribuídas segundo (13), pode ser feita de maneira simples e direta, a partir de (8). Deve-se notar, por outro lado, que a função V (γ o ), definida por (15), representa uma superfície em R n1 cujos elementos γ1, o γ2, o, γn1 o são dependentes entre si, o que dificulta a geração de partículas para os estados observados a partir de (14). Para superar este problema, neste trabalho, propõe-se a utilização do método de Aceitação Rejeição (Law and Kelton, 2000) para a geração dos estados observados de cada partícula. No método de Aceitação Rejeição, utiliza-se uma função Γ(x), conhecida como função majorante, para obter-se amostras distribuídas segundo uma densidade de interesse f(x). Admitese que a função Γ(x) possui as seguintes propriedades: Γ(x) f(x), x e Γ(x)dx = c. Deste modo, a função h(x) = Γ(x)/c é uma densidade de probabilidade. Além disso, é fundamental que seja mais fácil amostrar a partir a densidade h(x) do que amostrar a partir de f(x). O procedimento para o método de Aceitação Rejeição consiste em gerar um variável aleatória Y com densidade h(x) = Γ(x)/c, e uma variável aleatória U, independente de Y e com distribuição uniforme entre 0 e 1. Deste modo, o critério de aceitação é definido de tal maneira que a variável Y é aceita somente se U f(y ). Neste caso, o Γ(Y ) valor da variável Y é atribuído a uma variável X. Pode-se demonstrar que a variável aleatória X, gerada a partir deste método, possui densidade de probabilidade igual a f(x). Pode-se provar ainda, que a probabilidade de aceitação da variável Y é dada por 1/c. Deseja-se, portanto, utilizar o método de Aceitação Rejeição para gerar os estados observados, distribuídos segundo (14), de cada partícula x i k. Nota-se que, para a aplicação do método de Aceitação Rejeição, necessita-se de uma função majorante para a densidade de interesse. No Apêndice B, desenvolve-se a seguinte função majorante para (14): Γ(γ o ) = V (γo ) Ψ (16) onde Ψ = p(z k x i k 1 ), e a função V (γo ), devidamente definida no Apêndice B, possui as seguintes propriedades: V (γ o ) V (γ o ), γ o e V (γ o )dγ o = c. Além destas propriedades, a função V (γ o ) é definida de tal maneira que é possível obter amostras distribuídas segundo essa função, a menos de uma constante de normalização, de maneira independente. Deste modo, é mais fácil obter amostras a partir da função majorante quando comparado à complexidade de se obter amostras utilizando a densidade de importância ótima de uma maneira direta. Para a função majorante dada por (16), temse que, o critério de aceitação para o método de Aceitação Rejeição é definido da seguinte maneira: Aceitar Y se U V 1(Y )/Ψ V 1 (Y )/Ψ = V 1(Y ) V 1 (Y ). Mostrou-se, portanto, uma maneira de se obter partículas distribuídas segundo a densidade de importância ótima, por meio do método de aceitação rejeição. Necessita-se, ainda, de se conhecer o valor da constante de normalização Ψ para que os pesos possam ser atualizados. Como um resultado direto do método de Aceitação Rejeição, para a função majorante dada por (16), a probabilidade de aceitação é dada por: ( ) 1 Γ(γ o )dγ o = Ψ c. (17) Deste modo, uma estimativa para Ψ é dada por: Ψ = c λ Λ (18) onde Λ é um número fixo de tentativas de aceitação da V.A. Y pelo método e λ é o número de vezes em que a V.A. Y é aceita. Deste modo, λ/λ é uma estimativa para a probabilidade de aceitação do algoritmo. Sendo assim, as etapas de propagação e atualização de um filtro de partículas para sistemas Max Plus com densidade de importância ótima estão definidas. No entanto, o filtro de partículas 3416
5 definido desta maneira é sensível a um problema causado por partículas inconsistentes, que serão definidas a seguir. Definição 1 (Partículas Inconsistentes) Uma partícula x i k 1 é dita inconsistente com uma medida z k se p(z k x i k 1 ) = 0. Deste modo, uma partícula inconsistente gera uma indeterminação em: p(x k x i k 1, z k ) = p(z k x k )p(x k x i k 1 ) p(z k x i k 1 ) que é a densidade de importância ótima. Sendo assim, as partículas inconsistentes devem ser detectadas e corrigidas. Existem dois tipos de inconsistências de partículas: Tipo 1: z k (j) é maior que o máximo valor alcançável a partir da partícula x i k 1, isto é: Algoritmo 1: Filtro de Partículas com o Método de Aceitação Rejeição 1 para i = 1 : N faça 2 Corrigir inconsistências ; 3 Propagar os estados não observados: γ no p(γ no x i k 1 ) ; 4 λ 0; 5 para j = 1 : Λ faça 6 Gerar uma amostra a partir da função majorante: Y V 1(γ o )/c ; 7 Gerar um número aleatório U independente de Y, com distribuição uniforme entre 0 e 1;; 8 se U V1(Y ) V 1(Y ) então 9 γ o Y; 10 λ λ + 1; fim fim 11 Estimar p(z k x i k 1 ): Ψ c λ Λ ; 12 Atualizar os pesos: ω i k Ψωi k 1 ; fim 13 Normalizar os pesos ; 14 Se necessário, reamostrar; j {1,..., q} : z k (j) > C(j, 1 : n) x i k; Tipo 2: z k (j) é menor que o mínimo valor alcançável a partir da partícula x i k 1, isto é: j {1,..., q} : z k (j) < C(j, 1 : n) x i k. As matrizes C e C são compostas, respectivamente, pelos limitantes superiores e inferiores das variáveis aleatórias da matriz C. Os vetores x i k e x i k representam, respectivamente, os limitantes superior e inferior para a partícula x i k definidos pela medida z k e pela partícula x i k 1 (vide equações (38) e (37)). As partículas classificadas como inconsistentes, podem ser corrigidas deslocando-as de maneira que a seguinte relação seja atendida: C x i k z k C x i k (19) O Algoritmo 1, apresenta um pseudocódigo para o filtro de partículas para sistemas Max Plus com densidade de importância ótima, cujos passos principais foram desenvolvidos nesta seção. 5 Resultados Considere o sistema descritos pelas matrizes A, B e C abaixo. [ ] ε 4 5 ε ε ε ε ε B = 0 ε ε ε A = [1, 4] 1 ε ε 2 [2, 4] [2, 6] ε [ ] C = ε ε 3 [0, 6] ε [4, 6] ε ε O filtro de partículas desenvolvido na seção 4, que será referido como FP1, foi aplicado a este sistema, e os resultados foram comparados aos resultados do filtro de partículas para sistemas Max Plus, com densidade de importância sub-ótima, desenvolvido em (Cândido et al., 2013), que será referido como FP2. Nesta simulação, considera-se que os disparos das transições de entrada são processos de Poisson, deste modo os tempos inter-transições possuem distribuição exponencial. Sendo assim, as entradas u 1 e u 2 foram geradas a partir de distribuições exponenciais com médias 5 e 8 respectivamente. Na Figura 2 encontram-se as sequências de disparo reais e estimadas para o estado x 3, x 4 e x 5. Nota-se que a sequência de disparos estimada pelo filtro FP1 é mais próxima da sequência real de disparos. Pela Tabela 1, percebe-se que, para todos os estados, as estimativas do filtro FP1 apresentaram erros quadráticos médios menores que as estimativas do filtro FP2, sendo que a maior diferença ocorre para o estado x 3. Para o estado x 2, o erro máximo cometido pelo filtro FP2 foi ligeiramente maior que o erro cometido pelo filtro FP1. Tabela 1: Comparando os Filtros FP1 e FP2 Erro Quadrático Médio Erro Máximo Est. FP1 FP2 Est. FP1 FP2 x x x x x x x x Conclusões Neste trabalho, desenvolveu-se um algoritmo para filtragem de partículas em sistemas max-plus que adota a escolha ótima para a densidade de importância. As etapas principais do algoritmo desen- 3417
6 Nos parecem viáveis aplicações deste filtro em projetos de controladores de realimentação de estado nos quais a informação sobre os estados é fornecida por um mecanismo de filtragem. Agradecimentos (a) Este projeto contou com o financiamento das agências CAPES e CNPq. A Função de Verossimilhança (b) Para o cálculo da função de verossimilhança, considera-se a equação max-plus z = C x, sendo x R n 1, z R q 1 e C R q n. Supõe-se que os elementos da matriz C, notados por c ij, sejam variáveis aleatórias independentes. A densidade de probabilidade da variável z condicionada a x, ou seja, p Z (t x), onde t = [t 1 t q ] T R q 1 é determinada a seguir (Silva et al., 2011). Devido a independência dos elementos de C segue-se que: P [z t] = P [z 1 t 1 &... & z q t q] = P [z i t i ] (20) (c) Figura 2: Sequências de disparo dos estados x 2, x 3 e x 4 volvido são: 1) A etapa de propagação das partículas; 2) A etapa de atualização dos pesos; 3) A etapa de reamostragem e 4) a etapa de correção de inconsistências. A etapa de propagação das partículas é feita com o auxílio do método de aceitação rejeição para gerar amostras distribuídas segundo a densidade de importância ótima definida pela equação (6). Este fato, possibilita a utilização da densidade de importância ótima, por outro lado, aumenta o tempo de simulação já que, a cada iteração do algoritmo de filtragem, o método de aceitação rejeição deve ser rodado Λ vezes (vide equação (18)). A etapa de correção de inconsistências é de grande importância pois evita uma situação de bloqueio do algoritmo na qual é impossível realizar a etapa de propagação das partículas. Os resultados apresentados mostraram que, ao custo de um tempo de estimação consideravelmente maior, o filtro desenvolvido neste trabalho apresentou um desempenho melhor que o filtro desenvolvido em (Cândido et al., 2013), que utiliza uma escolha sub-ótima para a densidade de importância. Porém: P [z i t i ] = P [max(c ij + x j ) t i ] j = P [c i1 t i x 1 &... & c in t i x n] = F ij (t i x j ) (21) j=1 Portanto, a função de probabilidade acumulada conjunta da variável aleatória z, condicionada por x, é dada por: F Z (t x) = j=1 F ij (t i x j ) (22) Derivando-se sucessivamente em relação a t 1 t q, obtém-se a densidade de probabilidade procurada: p Z (t x) = F ij (t i x j ) t i j=1 = n (F ij (t i x j )) F ik (t i x k ) t j=1 i k=1, k j = n p ij (t i x j ) F ik (t i x k ) j=1 k=1, k j (23) (24) (25) Se o vetor z for conhecido, esta função é chamada de função de verossimilhança de x. Neste 3418
7 caso, substituindo-se t pelo valor conhecido de z, obtém-se: n V (x, z) = p ij (z i x j ) F ik (z i x k ) (26) B j=1 k=1, k j Função Majorante Neste apêndice, desenvolve-se uma função majorante para a função V (γ o )/Ψ, onde V (γ o ) é definida por (15) e Ψ é a uma constante de normalização dada por: Ψ = p(z k x i k 1). (27) Deseja-se, portanto, definir uma função majorante Γ(γ o ) que satisfaça: Γ(x k ) V (γo )) Ψ, γo (28) Para satisfazer a esta condição, a função Γ(x k ) pode ser definida como: onde V (γ o ) V (γ o ), γ o e Γ(γ o ) = V (γo ) Ψ, (29) V 1 (γ o )dγ o = c. Na equação (15), sabe-se que N rl (z r γl o) e F ik (γi o x k ) são funções de probabilidade acumulada e, portanto, 0 N rl (z r γl o) 1 e 0 F ik (γi o x k ) 1. Deste modo, a seguinte relação é válida: V (γ o ) ( n1 ) d rs(z r γs o ) r=1 s=1 n p ij (γi o x j ) (30) j=1 Definindo os conjuntos S r e J i como o conjunto dos elementos da linha r da matriz C o que são determinísticos e, analogamente, J i como o conjunto dos elementos da linha i da matriz A o que são determinísticos e sabendo-se que, em (30), d rs é uma densidade de probabilidade com distribuição uniforme entre d rs e d rs pode-se estabelecer as seguintes relações: d rs(z r γs o ) D rs = D r (31) s S r s S r p ij (γi o x j ) P ij = P i (32) j J i j J i onde: D rs = 1 d rs d rs P ij = Deste modo, tem-se que: V (γ o ) D r + 1 p ij p ij δ(z r γ o s co rs ) r=1 s Sr P i + δ(γ o i x j ao ij ) j J i (33) onde δ( ) representa a função impulso. Dada a restrição de que pode haver no máximo um elemento determinístico por linha da matriz C pode-se afirmar que a cardinalidade do conjunto S r não pode ser maior que um, ou seja, S r 1. Deste modo, o primeiro produtório do lado direito de 33 pode ser reescrito como: Dr + r=1 onde: H ri = s Sr δ(z r γ o s co rs ) = r=1 D 1 n r, se S r = 0 D r + δ(z r γ o i co ri ), se S r = 1 S r = {i} 1, se S r = 1 S r = {j} j i H ri (34) Substituindo-se (34) em (33), tem-se que: (35) V (γ o ) P i + δ(γi o x j ao ij ) H ri j J i r=1 (36) A partir das equações do sistema, do vetor de medidas z k, da partícula x i k 1 e da teoria de residuação (Cohen et al., 1989), pode-se definir limitantes superior x i k e inferior x i k para a variável aleatória x i k, e, consequentemente, para γo, fora dos quais a função V (γ o ) é nula. Sabe-se que os elementos das matrizes A e C são ou determinísticos ou variáveis aleatórias com distribuição uniforme. Deste modo, pode-se definir as matrizes A e A como sendo as matrizes formadas, respectivamente, pelos limitantes inferiores e superiores da matriz dos elementos de A. De maneira similar, pode-se definir as matrizes C e C como sendo as matrizes formadas, respectivamente, pelos limitantes inferiores e superiores dos elementos de C. Deste modo, os limitantes inferiores e superiores de x i k são dados por: x i k = A x i k 1 (37) x i k = x i max1 x i max2 (38) onde representa a operação produto da a álgebra Max Plus, é o operador de mínimo ponto a ponto, e x i max1 e x i max2 são dados por: x i max1 = A x i k 1 (39) x i max2 = C\ z k (40) onde \ representa a operação de residuação da teoria de dióides (Cohen et al., 1989). Portanto, na região definida por γ o γ o γ o, a função V (γ o ) procurada é 3419
8 dada por: V (γ o ) = P i + δ(γi o x j ao ij ) H ri j J i r=1 (41) E, fora dessa região, a função V (γ o ) é nula. Deve-se notar que esta função tem um formato geral do tipo: V (γ o ) = ρ 1 (γ o 1)ρ 2 (γ o 2) ρ n1 (γ o n1). (42) Deste modo, pode-se obter amostras para cada estado γi o de maneira independente a partir densidade h i (γi o) = ρ i(γi o)/c i, onde c i = ρi (γi o)dγo i. De um modo geral, o valor de c i pode ser calculado a partir de: ) c i = (D r P i (γ o i γ oi ) + D r J i + P i. (43) Exceto no caso especial em que os valores de γ o i e γ o são iguais. Neste caso i γo i deixa de ser uma variável aleatória tornando-se determinística. Sendo assim, o valor de c i é dado por: c i = δ(0). (44) Deve-se notar que, gerar amostras distribuídas segundo h i (γi o ) é uma tarefa relativamente simples, visto que esta função é formada por uma componente uniforme somada com impulsos. Referências Arulampalam, M., Maskell, S., Gordon, N. and Clapp, T. (2002). A tutorial on particle filters for online nonlinear/non-gaussian bayesian tracking, Signal Processing, IEEE Transactions on 50(2): Baccelli, F. (1992). Synchronization and Linearity: An Algebra for Discrete Event Systems, Wiley series in probability and mathematical statistics: Probability and mathematical statistics, Wiley. Cassandras, C. and Lafortune, S. (2007). Introduction to Discrete Event Systems, Springer- Link Engineering, Springer. Cândido, R. M. F., Santos-Mendes, R., Hardouin, L. and Maia, C. (2013). Particle filter for max-plus systems, European Control Conference, ECC Cohen, G., Gaubert, S. and Quadrat, J.-P. (1999). Max-plus algebra and system theory: Where we are and where to go now, Annual Reviews in Control, pp Cottenceau, B., Hardouin, L., Boimond, J.-L. and Ferrier, J.-L. (2001). Model reference control for timed event graphs in dioids, Automatica 37(9): Doucet, A., Godsill, S. and Andrieu, C. (2000). On sequential monte carlo sampling methods for bayesain filtering, Statistics and Computing 10. Gustafsson, F. (2010). Particle filter theory and practice with positioning applications, Aerospace and Electronic Systems Magazine, IEEE 25(7): Hardouin, L., Maia, C. A., Cottenceau, B. and Lhommeau, M. (2010). Observer design for (max,+) linear systems, IEEE Trans. on Automatic Control 55-2: Kong, A., Liu, J. S. and Wong, W. H. (1994). Sequential imputations and bayesian missing data problems, Journal of the American Statistical Association 89(425). Law, A. and Kelton, W. (2000). Simulation modeling and analysis, McGraw-Hill series in industrial engineering and management science, McGraw-Hill. Liu, J. S. and Chen, R. (1998). Sequential monte carlo methods for dynamic systems, Journal of the American Statistical Association 93: Loreto, M. D., Gaubert, S., Katz, R. D. and Loiseau, J. (2010). Duality between invariant spaces for max-plus linear discrete event systems, SIAM J. on Control and Optimaztion. Maia, C., Hardouin, L., Santos-Mendes, R. and Cottenceau, B. (2005). On the model reference control for max-plus linear systems, Decision and Control, 2005 and 2005 European Control Conference. CDC-ECC th IEEE Conference on, pp Ristic, B., Arulampalam, S. and Gordon, N. (2004). Beyond the Kalman Filter, Artech House. Silva, D. F. e., Mendes, R. S., Hardouin, L., Maia, C. A. and Cottenceau, B. (2011). Filtragem estocástica aplicada a sistemas max-plus lineares, Anais do X Simpósio Brasileiro de Automação Inteligente, pp Cohen, G., Moller, P., Quadrat, J.-P. and Viot, M. (1989). Algebraic tools for the performance evaluation of discrete event systems, Proceedings of the IEEE 77(1):
FILTRAGEM ESTOCÁSTICA APLICADA A SISTEMAS MAX-PLUS LINEARES
FILTRAGEM ESTOCÁSTICA APLICADA A SISTEMAS MAX-PLUS LINEARES DIEGO FIGUEIRÊDO E SILVA, RAFAEL SANTOS MENDES, LAURENT HARDOUIN, CARLOS ANDREY MAIA, BERTRAND COTTENCEAU Faculdade de Engenharia Elétrica e
Leia maisCONTROLE DE SISTEMAS MAX-PLUS LINEARES SUJEITOS A RESTRIÇÕES NO ESTADO: APLICAÇÃO A SISTEMAS DE TRANSPORTE
CONTROLE DE SISTEMAS MAX-PLUS LINEARES SUJEITOS A RESTRIÇÕES NO ESTADO: APLICAÇÃO A SISTEMAS DE TRANSPORTE Cíntia Ribeiro Andrade 1, Carlos Andrey Maia 1,2 1 PPGEE - Programa de Pós-Graduação em Engenharia
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 maisMetodologia de inversão
6 Metodologia de inversão Nesta tese, a transformação de velocidades em pressão de poros é encarada como um problema de inversão. Pela natureza do problema, essa transformação apresenta caráter não único
Leia maisComparação entre Algoritmos para a Solução do Controle Just-in-Time em Sistemas Max-Plus Lineares
1 Comparação entre Algoritmos para a Solução do Controle Just-in-Time em Sistemas Max-Plus Lineares Guilherme Gomes da Silva Universidade Federal de Minas Gerais - Programa de Pós-Graduação em Engenharia
Leia maisInferência Bayesiana Exata para Processos de Cox Level-Set
Inferência Bayesiana Exata para Processos de Cox Level-Set Bárbara da Costa Campos Dias 1 Flávio Bambirra Gonçalves 2 Resumo Este trabalho propõe uma metodologia de inferência exata para processos de Cox
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 maisAlgoritmo Array Rápido para Filtragem de Sistemas Lineares Sujeitos a Saltos Markovianos com Variação Estruturada dos Parâmetros no Tempo
Trabalho apresentado no XXXVII CNMAC, SJ dos Campos - SP, 2017 Proceeding Series of the Brazilian Society of Computational and Applied Mathematics Algoritmo Array Rápido para Filtragem de Sistemas Lineares
Leia mais3 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 maisESTATÍSTICA COMPUTACIONAL
ESTATÍSTICA COMPUTACIONAL Ralph dos Santos Silva Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro Sumário Introdução Solução de equações não lineares
Leia maisEstudo sobre decodificação iterativa usando códigos de treliça
Revista de Engenharia e Pesquisa Aplicada, Volume 2, Número 1, 2016 Estudo sobre decodificação iterativa usando códigos de treliça Souza, I. M. M. Escola Politécnica de Pernambuco Universidade de Pernambuco
Leia maisACH Introdução à Estatística Conteúdo Teórico: 12 - Simulação
ACH2053 - Introdução à Estatística Conteúdo Teórico: Marcelo S. Lauretto Referências: Morris DeGroot, Mark Schervish. Probability and Statistics. 4th Ed. - 4o capítulo Ilya M. Sobol. A Primer for the Monte
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 maisBCC465 - TÉCNICAS DE MULTI-OBJETIVO. Gladston Juliano Prates Moreira 22 de novembro de 2017
BCC465 - TÉCNICAS DE OTIMIZAÇÃO MULTI-OBJETIVO Aula 04 - Otimização Não-linear Gladston Juliano Prates Moreira email: gladston@iceb.ufop.br CSILab, Departamento de Computação Universidade Federal de Ouro
Leia maisSCX5005 Simulação de Sistemas Complexos II. Problemas em Simulação
SCX5005 Simulação de Sistemas Complexos II Alguns Marcelo S. Lauretto Referências: Morris DeGroot, Mark Schervish. Probability and Statistics. 4th Ed. - 4o capítulo Ilya M. Sobol. A Primer for the Monte
Leia maisNoções de Simulação. Ciências Contábeis - FEA - Noturno. 2 o Semestre MAE0219 (IME-USP) Noções de Simulação 2 o Semestre / 23
Noções de Simulação Ciências Contábeis - FEA - Noturno 2 o Semestre 2013 MAE0219 (IME-USP) Noções de Simulação 2 o Semestre 2013 1 / 23 Objetivos da Aula Sumário 1 Objetivos da Aula 2 Motivação 3 Geração
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 maisESTRATÉGIAS DE CONTROLE POR MODELO DE REFERÊNCIA DE SISTEMAS A EVENTOS DISCRETOS MAX-PLUS LINEARES
ESTRATÉGIAS DE CTRLE PR MDEL DE REFERÊCIA DE SISTEMAS A EVETS DISCRETS MAX-PLUS LIEARES Carlos Andrey Maia maia@cpdee.ufmg.br Rafael Santos Mendes rafael@dca.fee.unicamp.br Ricardo Lüders luders@dainf.cefetpr.br
Leia maisEstatística e Modelos Probabilísticos - COE241
Estatística e Modelos Probabilísticos - COE241 Aula passada Introdução à simulação Geração de números aleatórios Lei dos Grandes Números Aula de hoje Geração de variáveis aleatórias: Transformada Inversa
Leia maisCálculo Numérico BCC760
Cálculo Numérico BCC760 Resolução de Sistemas de Equações Lineares Simultâneas Departamento de Computação Página da disciplina http://www.decom.ufop.br/bcc760/ 1 Introdução! Definição Uma equação é dita
Leia mais4 Método Proposto CR AD PA NDVI Descrição geral do modelo
34 4 Método Proposto 4.1. Descrição geral do modelo Neste trabalho, cada classe (cobertura vegetal) possui um HMM específico. Os estágios fenológicos correspondem a estados e os símbolos observáveis a
Leia maisModelização do Sistema Produtivo Simulação
Modelização do Sistema Produtivo Simulação http://www.fe.up.pt/maspwww Licenciatura em Engenharia Electrotécnica e de Computadores Gil M. Gonçalves gil@fe.up.pt 2004/2005 Génese Estatística, teoria da
Leia maisFunções Geradoras de Variáveis Aleatórias. Simulação Discreta de Sistemas - Prof. Paulo Freitas - UFSC/CTC/INE
Funções Geradoras de Variáveis Aleatórias 1 Funções Geradoras de Variáveis Aleatórias Nos programas de simulação existe um GNA e inúmeras outras funções matemáticas descritas como Funções Geradoras de
Leia maisIntrodução. Geovany A. Borges
167657 - Controle para Automação Curso de Graduação em Engenharia de Controle e Automação Departamento de Engenharia Elétrica Universidade de Brasília Introdução Geovany A. Borges gaborges@ene.unb.br Controle
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 maisESTATÍSTICA COMPUTACIONAL
ESTATÍSTICA COMPUTACIONAL Ralph dos Santos Silva Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro Sumário Escolha de modelos Até aqui assumimos que z
Leia mais2 Teoria da Informação
2 Teoria da Informação Neste capítulo apresentamos alguns conceitos básicos sobre Teoria da Informação que utilizaremos durante este trabalho. 2.1 Alfabeto, texto, letras e caracteres Um alfabeto Σ = (σ
Leia maisProcessos Estocásticos e Cadeias de Markov Discretas
Processos Estocásticos e Cadeias de Markov Discretas Processo Estocástico(I) Definição: Um processo estocástico é uma família de variáveis aleatórias {X(t) t T}, definidas em um espaço de probabilidades,
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 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 maisSLAM II Localização e Mapeamento Simulatâneos
SCE5880 Algoritmos de Estimação para Robótica Móvel As posições do robô ao longo do tempo e os landmarks correspondem a nós em um grafo. Filtro de Informação SLAM II Localização e Mapeamento Simulatâneos
Leia maisRedes de Petri. Marcação e seu comportamento dinâmico. Marcação
Redes de Petri A rede de Petri, técnica de modelagem original de onde derivou mais tarde o SFC, foi introduzida em 962 por Carl Adam Petri. Consiste de uma ferramenta gráfica e matemática extremamente
Leia mais)XQGDPHQWRVGHSURJUDPDomRPDWHPiWLFD
)XQGDPHQWRVGHSURJUDPDomRPDWHPiWLFD,QWURGXomR A grande maioria dos problemas de engenharia pode ser solucionado de diferentes formas, uma vez que um número muito grande de soluções atende aos critérios
Leia maisLEEC Probabilidades e Estatística 1 a Chamada 13/06/2005. Parte Prática C (C) M 1% 9% 10% (M) 4% 86% 90% 5% 95% 100%
. Definição dos acontecimentos: M T-shirt tem manchas C T-shirt tem costuras defeituosas D T-shirt é defeituosa A Preço da t-shirt é alterado a) PM) = % PC) = 5% PM C) = % LEEC Probabilidades e Estatística
Leia maisUNIVERSIDADE FEDERAL DE PERNAMBUCO Lista de Exercícios / Cálculo Numérico 1ª Unidade
1) Analise as alternativas abaixo e marque V para verdadeiro e F para falso. No segundo caso, explique como as tornaria verdadeiras: ( ) O método das secantes é utilizado para solucionar um problema de
Leia maisCÍNTIA RIBEIRO ANDRADE CONTROLE DE SISTEMAS MAX-PLUS LINEARES SUJEITOS A RESTRIÇÕES NO ESTADO: APLICAÇÃO A SISTEMAS DE TRANSPORTE
CÍNTIA RIBEIRO ANDRADE CONTROLE DE SISTEMAS MAX-PLUS LINEARES SUJEITOS A RESTRIÇÕES NO ESTADO: APLICAÇÃO A SISTEMAS DE TRANSPORTE Belo Horizonte 18 de novembro de 2008 Universidade Federal de Minas Gerais
Leia maisGeração de cenários de energia renovável correlacionados com hidrologia: uma abordagem bayesiana multivariada.
Geração de cenários de energia renovável correlacionados com hidrologia: uma abordagem bayesiana multivariada [alessandro@psr-inc.com] Conteúdo Introdução Estimação não paramétrica (Kernel density) Transformação
Leia maisAjuste do modelo de regressão linear: Inferência Bayesiana, aspectos computacionais e seleção de variáveis.
Ajuste do modelo de regressão linear: Inferência Bayesiana, aspectos computacionais e seleção de variáveis. João Daniel Nunes Duarte a, Vinícius Diniz Mayrink b a Estudante de Graduação, e-mail: joaodaniel@ufmg.br
Leia maisEstatística Descritiva e Exploratória
Gledson Luiz Picharski e Wanderson Rodrigo Rocha 9 de Maio de 2008 Estatística Descritiva e exploratória 1 Váriaveis Aleatórias Discretas 2 Variáveis bidimensionais 3 Váriaveis Aleatórias Continuas Introdução
Leia maisUMA PROPOSTA DE DECOMPOSIÇÃO DE SISTEMAS LINEARES PARA DMPC
UMA PROPOSTA DE DECOMPOSIÇÃO DE SISTEMAS LINEARES PARA DMPC R. R. ROCHA 1 e L. C. OLIVEIRA-LOPES 1 1 Universidade Federal de Uberlândia, Faculdade de Engenharia Química E-mail para contato: rosi.rocha28@gmail.com;
Leia maisII. Funções de uma única variável
II. Funções de uma única variável 1 II.1. Conceitos básicos A otimização de de funções de de uma única variável consiste no no tipo mais elementar de de otimização. Importância: Tipo de problema encontrado
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 maisFILTROS DE PARTÍCULAS APLICADOS À ESTIMAÇÃO DE TRAJETÓRIAS
FILTROS DE PARTÍCULAS APLICADOS À ESTIMAÇÃO DE TRAJETÓRIAS VICTOR A. F. de CAMPOS, DOUGLAS D. S. SATAA, CELSO M. FURUKAWA, EWTO MARUYAMA Depto. de Engenharia Mecatrônica e de Sistemas Mecânicos, Escola
Leia maisétodos uméricos ZEROS DE FUNÇÕES Prof. Erivelton Geraldo Nepomuceno PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA
étodos uméricos ZEROS 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 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 maisÁlgebra Linear Exercícios Resolvidos
Álgebra Linear Exercícios Resolvidos Agosto de 001 Sumário 1 Exercícios Resolvidos Uma Revisão 5 Mais Exercícios Resolvidos Sobre Transformações Lineares 13 3 4 SUMA RIO Capítulo 1 Exercícios Resolvidos
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 mais1. Computação Evolutiva
Computação Bioinspirada - 5955010-1 1. Computação Evolutiva Prof. Renato Tinós Programa de Pós-Graduação Em Computação Aplicada Depto. de Computação e Matemática (FFCLRP/USP) 2 Computação Bioinspirada
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 maisModelização do Sistema Produtivo Teoria das Filas de Espera
Modelização do Sistema Produtivo Teoria das Filas de Espera http://www.fe.up.pt/maspwww Licenciatura em Engenharia Electrotécnica e de Computadores Gil M. Gonçalves Gil.Goncalves@fe.up.pt 2004/2005 Outline
Leia maisAula 14. Aula de hoje. Aula passada
Aula 14 Aula passada Autovalores, autovetores, decomposição Convergência para estacionaridade Tempo de mistura Spectral gap Tempo de mistura de passeios aleatórios Aula de hoje Caminho amostral Teorema
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 maisNoções de Processos Estocásticos e Cadeias de Markov
Noções de Processos Estocásticos e Cadeias de Markov Processo Estocástico Definição: Processo Estocástico é uma coleção de variáveis aleatórias indexadas por um parâmetro t R (entendido como tempo). X={
Leia maisUniversidade Federal do Espírito Santo SEAGRO: ANAIS DA SEMANA ACADÊMICA DO CURSO DE AGRONOMIA DO CCAE/UFES FILTRO DE PARTÍCULAS APLICADO À ESTIMAÇÃO
Universidade Federal do Espírito Santo SEAGRO: ANAIS DA SEMANA ACADÊMICA DO CURSO DE AGRONOMIA DO CCAE/UFES FILTRO DE PARTÍCULAS APLICADO À ESTIMAÇÃO DE EPIDEMIAS EM PLANTAS Kaique dos Santos Alves 1,
Leia mais5. Formulação Matemática do Modelo
5. Formulação Matemática do Modelo 5.1. Descrição do Problema O problema do gerenciamento de ativos e passivos de um investidor comum pode ser representado por um modelo complexo de programação linear
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 maisMAE Introdução à Probabilidade e Estatística II Resolução Lista 5
MAE 229 - Introdução à Probabilidade e Estatística II Resolução Lista 5 Professor: Pedro Morettin e Profa. Chang Chian Exercício 1 (a) De uma forma geral, o desvio padrão é usado para medir a dispersão
Leia maisProcessamento de sinais digitais
Processamento de sinais digitais Aula 2: Descrição discreta no tempo de sinais e sistemas silviavicter@iprj.uerj.br Tópicos Sequências discretas no tempo. Princípio da superposição para sistemas lineares.
Leia maisp.1/48 Eduardo Mendes Departamento de Engenharia Eletrônica Universidade Federal de Minas Gerais Av. Antônio Carlos 6627, Belo Horizonte, MG, Brasil
p1/48 Capítulo 4 - Métodos ão Paramétricos Eduardo Mendes Departamento de Engenharia Eletrônica Universidade Federal de Minas Gerais Av Antônio Carlos 27, elo Horizonte, MG, rasil p2/48 Introdução Os métodos
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 maisPlano Básico Processos Estocásticos
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
Leia maisUm Sistema de Numeração Aplicado a Grafos a Eventos
Um Sistema de Numeração Aplicado a Grafos a Eventos A Numbering System Applied to Event Graphs Jos é Ca r l o s Mag o s s i Universidade Estadual de Campinas magossi@ft.unicamp.br Re s u m o O objetivo
Leia maisFiltro de Partículas Ótimo para Rastreamento de Alvos Balísticos
XX SIMPÓSIO BRASILEIRO DE TELECOMUNICAÇÕES-SBT, 5-8 DE OUTUBRO DE, RIO DE JANEIRO, RJ Filtro de Partículas Ótimo para Rastreamento de Alvos Balísticos Anton Pavlov e Marcelo G. S. Bruno Resumo Introduz-se
Leia maisGuilherme Gomes da Silva. Estudo e Desenvolvimento de Técnicas de Controle Para Grafos de Eventos Temporizados
Guilherme Gomes da Silva Estudo e Desenvolvimento de Técnicas de Controle Para Grafos de Eventos Temporizados Belo Horizonte 2012 Universidade Federal de Minas Gerais Escola de Engenharia Programa de
Leia maisPrimeiro Exercício programa: Como o Google ordena páginas. MAP-2121 para EPUSP
Primeiro Exercício programa: Como o Google ordena páginas MAP-2121 para EPUSP 1 Instruções gerais Os exercícios computacionais pedidos na disciplina Cálculo Numérico têm por objetivo fundamental familiarizar
Leia maisDistribuições de Probabilidade. Distribuição Uniforme Distribuição Exponencial Distribuição Normal
Distribuições de Probabilidade Distribuição Uniforme Distribuição Exponencial Distribuição Normal 1 Distribuição Uniforme A distribuição Uniforme atribui uma densidade igual ao longo de um intervalo (a,b).
Leia maisCadeias de Markov em Tempo Continuo
Cadeias de Markov em Tempo Continuo Ricardo Ehlers ehlers@icmc.usp.br Departamento de Matemática Aplicada e Estatística Universidade de São Paulo Capitulos 6 Taylor & Karlin 1 / 44 Análogo ao processo
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 maisUm modelo estocástico para o fluxo de caixa de um plano de previdência de um indivíduo 15
2 Simulação estocástica A simulação computacional consiste em empregar técnicas matemáticas em computadores com o propósito de gerar ensaios que tentam reproduzir de maneira análoga um processo ou operação
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 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 maisAula 1. Wilson Correa. June 27, 2017
Aula 1 Definições Básicas Wilson Correa June 27, 2017 Série de Tempo Definição Uma série de tempo é qualquer conjunto de observações ordenadas no tempo. Podem ser: Discretas. Ex: Valores Diários de Poluição,
Leia maisSéries Temporais e Modelos Dinâmicos. Econometria. Marcelo C. Medeiros. Aula 9
em Econometria Departamento de Economia Pontifícia Universidade Católica do Rio de Janeiro Aula 9 Data Mining Equação básica: Amostras finitas + muitos modelos = modelo equivocado. Lovell (1983, Review
Leia maisAutovalores e Autovetores
Algoritmos Numéricos II / Computação Científica Autovalores e Autovetores Lucia Catabriga 1 1 DI/UFES - Brazil Junho 2016 Introdução Ideia Básica Se multiplicarmos a matriz por um autovetor encontramos
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 maisDisciplina: Processamento Estatístico de Sinais (ENGA83) - Aula 06 / Classes Especiais de Processos Aleatórios
Disciplina: Processamento Estatístico de Sinais (ENGA83) - Aula 06 / Classes Especiais de Processos Aleatórios Prof. Eduardo Simas (eduardo.simas@ufba.br) Programa de Pós-Graduação em Engenharia Elétrica/PPGEE
Leia mais3 Aprendizado por reforço
3 Aprendizado por reforço Aprendizado por reforço é um ramo estudado em estatística, psicologia, neurociência e ciência da computação. Atraiu o interesse de pesquisadores ligados a aprendizado de máquina
Leia maisROTEIRO DA APRESENTAÇÃO PROCESSOS ESTOCÁSTICOS
ROTEIRO DA APRESENTAÇÃO MODELOS ESTOCÁSTICOS APLICADOS À INDÚSTRIA Prof. Lupércio França Bessegato Departamento de Estatística Universidade Federal de Juiz de Fora lupercio.bessegato@ufjf.edu.br www.ufjf.br/lupercio_bessegato
Leia maisEmbasamento Analítico
1 Embasamento Analítico Capítulo 3 Crovella, M, Krishnamurthy, B. Internet Measurement: infrastructure, traffic & applications. John Wiley & Sons, 2006. Embasamento Analítico 2 Probabilidade (Jain Cap.
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 maisEquações não lineares
DMPA IME UFRGS Cálculo Numérico Índice Raizes de polinômios 1 Raizes de polinômios 2 raizes de polinômios As equações não lineares constituídas por polinômios de grau n N com coeficientes complexos a n,a
Leia maisXIII Simpósio Brasileiro de Automação Inteligente Porto Alegre RS, 1 o 4 de Outubro de 2017
Porto Alegre RS, 1 o 4 de Outubro de 217 MODELAGEM, ANÁLISE TEMPORAL E CONTROLE DE SISTEMA DINÂMICO MAX-PLUS LINEAR: APLICAÇÃO EM SISTEMA FLEXÍVEL DE MANUFATURA DIDÁTICO Márcio J. Nunes, Vinícius M. Gonçalves,
Leia maisTeste de % de defeituosos para 1 amostra
DOCUMENTO OFICIAL DO ASSISTENTE DO MINITAB Este documento é de uma série de papéis que explicam a pesquisa conduzida por estatísticos da Minitab para desenvolver os métodos e as verificações de dados usadas
Leia maisAjuste e comparação de modelos para dados grupados e censurados
Ajuste e comparação de modelos para dados grupados e censurados 1 Introdução José Nilton da Cruz 1 Liciana Vaz de Arruda Silveira 2 José Raimundo de Souza Passos 2 A análise de sobrevivência é um conjunto
Leia maisGabarito P2. Álgebra Linear I ) Decida se cada afirmação a seguir é verdadeira ou falsa.
Gabarito P2 Álgebra Linear I 2008.2 1) Decida se cada afirmação a seguir é verdadeira ou falsa. Se { v 1, v 2 } é um conjunto de vetores linearmente dependente então se verifica v 1 = σ v 2 para algum
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 maisAprendizagem de Máquina
Aprendizagem de Máquina Modelos gráficos probabilísticos Redes bayesianas Modelos gráficos probabilísticos Os modelos gráficos probabilísticos utilizam representações diagramáticas das distribuições de
Leia maisConsiderações sobre a Condição Inicial na Construção do Diagrama de Bifurcação para o Mapa Logístico
Trabalho apresentado no DINCON, Natal - RN, 2015. Proceeding Series of the Brazilian Society of Computational and Applied Mathematics Considerações sobre a Condição Inicial na Construção do Diagrama de
Leia maisSéries Temporais e Modelos Dinâmicos. Econometria. Marcelo C. Medeiros. Aula 12
em Econometria Departamento de Economia Pontifícia Universidade Católica do Rio de Janeiro Aula 12 Regressão com Variáveis Não-Estacionárias Considere três processos estocásticos definidos pelas seguintes
Leia maisUN ALGORITMO DE PUNTO INTERIOR PARA LA RESOLUCIÓN DE PROBLEMAS DE CONTACTO
UN ALGORITMO DE PUNTO INTERIOR PARA LA RESOLUCIÓN DE PROBLEMAS DE CONTACTO Sandro Rodrigues Mazorche Universidade Federal de Juiz de Fora - UFJF, Dep. de Matemática - ICE, Campus Universitário - CEP 36036-330
Leia maisCapítulo 10 - Identificação de Sistemas Não Lineares: Algoritmos
Capítulo 10 - Identificação de Sistemas Não Lineares: Algoritmos Prof. Samir Martins UFSJ-CEFET/MG Programa de Pós Graduação em Engenharia Elétrica - PPGEL São João del-rei, 16 de outubro de 2018 1 / 31
Leia maisAnálise de Dados e Simulação
Universidade de São Paulo Instituto de Matemática e Estatística http:www.ime.usp.br/ mbranco Simulação de Variáveis Aleatórias Contínuas. O método da Transformada Inversa Teorema Seja U U (0,1). Para qualquer
Leia maisClustering (k-means, SOM e hierárquicos)
Clustering (k-means, SOM e hierárquicos) André Tavares da Silva andre.silva@udesc.br (Capítulo 10 de Duda e Hart) Clustering Introdução e tipos Roteiro Agrupamentos hierárquicos AGNES, DIANA e Dendogram
Leia maisO Algoritmo Talus para Otimização Global
O Algoritmo Talus para Otimização Global André Leite Luís Henrique de Santana Programa de Pós-Graduação em Eng. Elétrica Programa de Pós-Graduação em Eng. de Produção leite.andre@gmail.com santanalh@ahoo.com.br
Leia mais2 Modelos em Espaço de Estado Lineares: Formulação Geral
2 Modelos em Espaço de Estado Lineares: Formulação Geral 2.1 Definição Geral de um Modelo Linear Apresenta-se uma definição de modelos em EE lineares que seja a mais geral e flexível possível, e que segue
Leia maisApêndice ao Roteiro do Experimento Força de Atrito Variável
Apêndice ao Roteiro do Experimento Força de Atrito Variável I. Definição dos sinais na Equação de Movimento Nas figuras abaixo, o referencial xoy foi escolhido da mesma maneira que no Roteiro da Parte
Leia maisRevisão de Probabilidade
05 Mat074 Estatística Computacional Revisão de Probabilidade Prof. Lorí Viali, Dr. viali@mat.ufrgs.br http://www.ufrgs.br/~viali/ Determinístico Sistema Real Causas Efeito Probabilístico X Causas Efeito
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 maisf(h) δ h p f(x + h) f(x) (x) = lim
Capítulo 6 Derivação numérica Nesta seção vamos desenvolver métodos para estimar a derivada de uma função f calculada em um ponto x, f (x, a partir de valores conecidos de f em pontos próximos ao ponto
Leia mais