Ilmataisteluohjuksen ohjauslain identifiointi Bayesin. Mat Sovelletun matematiikan erikoistyöt
|
|
- Marjatta Aro
- 6 vuotta sitten
- Katselukertoja:
Transkriptio
1 Ilmataisteluohjuksen ohjauslain identifiointi Bayesin päättelyllä Mat-2.18 Sovelletun matematiikan erikoistyöt Jarno Ruokokoski 5792K 2. marraskuuta 26
2 Sisältö 1 Johdanto 2 2 Ongelman kuvaus Väistötehtävä Vektorisuureita Laukaisijan dynamiikka Ohjauslait Suora takaa-ajo (Pure Pursuit, PP) Seurantalinjaohjaus (Command to Line-of-Sight,CLOS) Suhteellinen navigointi (Proportional Navigation, PN) 7 3 Ratkaisumenetelmät Tiheysfunktioiden valinta Numeeriset esimerkit Esimerkki Esimerkki Esimerkki 2a Esimerkki 2b Esimerkki 2c Yhteenveto 15 1
3 1 Johdanto Nykyaikaiset ilmataistelut ratkaistaan pääsääntöisesti ilmataisteluohjuksilla, jotka navigoivat kohti maalejaan käyttäen ennalta määrättyjä ohjauslakeja. Ohjuksenväistöongelmassa tutkitaan, kuinka maalin tulisi liikehtiä välttääkseen ohjuksen osuman. Tehokasta väistöä varten maalin tarvitsee tuntea ohjuksen ja laukaisijan parametrit, kuten sijaintitiedot, ohjuksen rakettimoottorin palovaiheet ja ohjuksen ohjauslain. Viitteen [3] menetelmällä voidaan ratkaista maalin optimaalinen trajektori valitun kriteerin suhteen, kun ohjuksen parametrit oletetaan tunnetuksi. Todellisessa tilanteessa maalin saamat tiedot ohjuksesta esimerkiksi tutkan avulla ovat vähäisiä ja niihin liittyy paljon epävarmuutta. Siksi yllä mainittu oletus on varsin väkevä. Tässä työssä tätä oletusta puretaan poistamalla maalilta tieto ohjuksen käyttämästä ohjauslaista. Tämä on varsin todenmukaista, sillä reaalimaailmassakaan mikään mittalaite ei kerro suoraan ohjuksen todellista ohjauslakia. Ohjauslakia voidaan kuitenkin yrittää identifioida seuraamalla tiettyjä ohjuksen trajektoriin liittyviä suureita, jotka saavat tyypillisesti eri arvoja eri ohjauslaeilla. Tällaisia suureita ovat esimerkiksi seurantalinjapoikkeama, eli ohjuksen poikkeama laukaisijan ja maalin väliseltä seurantalinjalta ja seurantakulma, eli ohjuksen nopeusvektorin ja ohjuksen ja maalin välisen näkölinjavektorin välinen kulma. Näiden suureiden perusteella voidaan päivittää uskomuksia ohjuksen ohjauslaista ohjuksen lähestyessä maalia. Tämä päivitys tehdään Bayesin päättelyllä. Samanlaista menetelmää on sovellettu ilmataistelua käsittelevässä artikkelissa [11], missä eri uhkatilojen todennäköisyyksiä päivitetään samassa hengessä. Uhkatilalla tarkoitetaan artikkelissa lentäjän taktista asemaa suhteessa vastustajaan. Luvussa 2 kuvaillaan ohjuksenväistöongelma ja esitellään lyhyesti käytetyt lentolaitemallit. Lisäksi luvussa määritellään seurantalinjapoikkeama ja seurantakulma, joiden avulla ohjauslakia yritetään selvittää sekä esitellään lyhyesti työssä sovelletut ohjauslait. Luvussa 3 esitellään menetelmä, jolla maali identifioi ohjuksen käyttämän ohjauslain. Luvussa 4 tutkitaan menetelmän toimivuutta numeeristen esimerkkien avulla. 2 Ongelman kuvaus Ohjuksenväistöongelmassa tutkitaan maalia lähestyvän ohjuksen tehokasta väistämistä. Ongelma ratkaistaan laskemalla lentokoneen optimaaliset ohjaukset, kun tavoitteena on maksimoida esimerkiksi kiinniottoaikaa [6], ohitusetäisyyttä [7], seurantakulmaa [2] tai sen kulmanopeutta [1]. Ensimmäisessä kriteerissä tavoitteena on maksimoida ajanhetki, jolloin ohjus on ennalta määrätyn etäisyyden r f päässä maalista. Tämän kriteerin käyttö on järkevää silloin, kun ohjus on laukaistu kinemaattisen kantamansa rajalta. 2
4 Toisella kriteerillä maali pyrkii pysymään ohjuksen tuhovaikutusalueen ulkopuolella. Kaksi viimeistä kriteeriä perustuvat ohjuksen hakupään rajoitteisiin. Näitä kriteereitä käytettäessä maali pyrkii liikehtimään siten, että seurantakulma tai seurantakulmanopeus kasvavat hetkellisesti niin suuriksi, että ohjuksen hakupään lukitus maaliin purkautuu, jolloin ohjus ei kykene enää navigoimaan maalia kohti. Tässä työssä käytetään kriteerinä ohitusetäisyyttä, koska tällä kriteerillä saatuja numeerisia tuloksia voidaan helposti vertailla keskenään. Myöskin kiinniottoajan maksimointi voisi käyttää. 2.1 Väistötehtävä Lentolaitteiden dynamiikat on kuvattu kolmen vapausasteen pistemassamalleilla [5]. Käytetty dynaaminen optimointitehtävä maksimietäisyydelle on muotoa max r(t f ) s.t. ẋ = f(x,u,t) x(t ) = x (1) g(x, u) v c (t f ) =, jossa loppuehtona on lähestymisnopeuden putoaminen nollaan. Tämä tilanne syntyy juuri sillä rajalla, kun ohjuksen lähestyminen maalia kohti muuttuu loittonemiseksi. Tällainen tilanne syntyy ennemmin tai myöhemmin, koska ohjuksen kiihtyvyys lakkaa polttoaineen loputtua, jolloin ohjus alkaa hidastua ja maali voi liikehtiä koko optimoinnin ajan vapaasti omien rajoitusehtojensa puitteissa. Tilayhtälöt ja rajoitusehdot on esitelty viitteessä [3]. Tehtävässä on kuusi tilayhtälöä maalille ja kahdeksan yhtälöä ohjukselle. Koneen tilamuuttujat ovat x a - ja y a -koordinaatit ja korkeus h a, sekä ratakulma γ a, suuntakulma χ a ja lentonopeus v a. Ratakulma on nopeusvektorin ja xy-tason välinen kulma ja suuntakulma nopeusvektorin ja xz-tason välinen kulma. Lentokonetta ohjataan kolmella ohjausmuuttujalla: kohtauskulmalla α α max kallistuskulmalla µ ja kaasuasetuksella η 1. Kallistuskulma on koneen kiertymä keskiakselin ympäri. Kohtauskulma on lentokoneen keskiakselin ja nopeusvektorin välinen kulma. Ohjaus- ja tilamuuttujia on havainnollistettu kuvassa 1. Kuvan musta piste esittää lentokoneen massakeskipistettä ja pisteestä lähtevät katkoviivoitukset koneen siipien kärkien kautta kulkevaa akselia ja keskiakselia. Ohjuksen kuuden ensimmäisen tilamuuttujien tulkinnat ovat samat kuin lentokoneen dynamiikassa. Kaksi jäljellä olevaa tilamuuttujaa ovat pituusja leveyssuunnan kallistuksien kiihtyvyyskomponentit a p ja a y, joita vastaavat vektorit ovat kohtisuorassa ohjuksen nopeusvektoria vastaan siten, että a y -akseli on aina xy-tason suuntainen. Näitä vektoreita on havainnollistettu 3
5 µ η h γ a α v a v h = v a sinγ a y v x = v a cos γ a cos χ a χ a v y = v a cos γ a sin χ a Kuva 1: Lentokoneen tila- ja ohjausmuuttujat x a p h v m y a y Kuva 2: Ohjuksen pituus- ja sivusuunnan kallistuksien kiihtyvyyskomponentit x 4
6 kuvassa 2. Ohjusta ohjataan kahdella ohjausmuuttujalla, komennetuilla sivuttaiskiihtyvyyksillä a pc ja a yc, jotka määräytyvät käytetyn ohjauslain mukaisesti ja vaikuttavat viiveellä suoraan sivuttaiskiihtyvyyskomponentteihin a p ja a y. 2.2 Vektorisuureita r lm e r δ r lt v m v a v l Kuva 3: Ohjuksenväistöongelman geometria Ohjuksen trajektorista tarkkaillaan seurantalinjapoikkeamaa e ja seurantakulmaa δ, joiden avulla päivitetään maalin uskomuksia ohjuksen todellisesta ohjauslaista. e on minimietäisyys ohjuksesta seurantalinjalle r lt. δ on ohjuksen ja maalin välisen näkölinjavektorin r ja ohjuksen nopeusvektorin v m välinen kulma. Kuvan 3 ohjukseen osoittava seurantalinjavektoria vastaan kohtisuorassa oleva vektori on muotoa e = r lmrlt + r lm, (2) missä r lm on vektori laukaisijasta ohjukseen ja r lmrlt on r lm :n vektoriprojektio r lt :lle. r lt on seurantalinjavektori, eli vektori laukaisijasta maaliin. e on e-vektorin pituus. δ on muotoa δ = arccos(1 r 1 vm ), (3) missä 1 r ja 1 vm ovat r:n ja v m :n suuntaisia yksikkövektoreita. Kuvan 3 v l ja v t ovat laukaisijan nopeusvektori ja maalin nopeusvektori. 2.3 Laukaisijan dynamiikka Seurantalinjapoikkeaman e laskemiseksi tarvitaan ohjuksen ja maalin tilatietojen lisäksi laukaisijan paikkakoordinaatit. Tässä työssä laukaisijan ole- 5
7 tetaan etenevän vakionopeudella v m, vakioratakulmalla γ m ja vakiosuuntakulmanopeudella χ l laukaisuhetkestä eteenpäin. Laukaisijan dynamiikka on muotoa ẋ = v m cos γ m cos(χ m + χ l t) (4) ẏ = v m cos γ m sin(χ m + χ l t) (5) ḣ = v m sin γ m, (6) minkä ratkaisuna saatava laukaisijan paikkavektori on muotoa v m cos γ m ( ) χ l sin( χl t + χ m ) sin χ m + xm v m cos γ m ( ) χ l cos( χl t + χ m ) + cos χ m + ym kun χ l x l (t) = v m sin γ m t + h m v m cos γ m cos(χ m )t + x m v m cos γ m sin(χ m )t + y m kun χ l =. v m sin γ m t + h m (7) 2.4 Ohjauslait Tässä luvussa esitellään työssä sovelletut ohjuksen mahdolliset ohjauslait. Ohjauslaki laskee komennetun kiihtyvyysvektorin, josta kommennetut sivuttaiskiihtyvyydet saadaan projisoimalla vektori pituus- ja leveyssuunnan kallistuksien kiihtyvyysakseleille viiittessä [3] esitetyllä tavalla Suora takaa-ajo (Pure Pursuit, PP) Suoraa takaa-ajoa käyttävän ohjuksen nopeusvektori suunnataan kohti maalia [9]. Komentovektori on muotoa (v m r) v m a c,pp = kv m δ (v m r) v m, (8) missä k on navigointivakio ja δ on kaavan (3) mukainen seurantakulma Seurantalinjaohjaus (Command to Line-of-Sight,CLOS) Seurantalinjaohjauksessa ohjus pyritään pitämään maalin ja ohjuksen laukaisseen koneen välisellä seurantalinjavektorilla r lt (ks. kuva 3) [9]. Komentovektori on muotoa a c,clos = k 1 e + k 2 ė + k 3 a cor, (9) 6
8 missä k 1,k 2 ja k 3 ovat navigointivakioita, e on kuvan 3 mukainen poikkeamavektori ja ė on edellä mainitun vektorin muutosnopeusvektori, joka on muotoa ė = w lt r lmrlt (1 rlt v m ) 1 rlt, (1) missä ensimmäinen termi on laukaisijan ja maalin liikeiden aiheuttama e:n muutosnopeus ja jälkimmäinen termi ohjuksen aiheuttama muutosnopeus. Kaavassa (1) 1 rlt on laukaisijan ja maalin välisen näkölinjavektorin yksikkövektori. Kaavassa (9) a cor on seurantalinjavektorin kiertymisestä johtuva coriolistermi a cor = w lt v m r lt r lt 2. (11) Kaavoissa (1) ja (11) w lt on seurantalinjavektorin maalin ja laukaisijan välisestä lähestymisnopeusvektorista aiheutuva kulmanopeusvektori w lt = r lt (v a v l ) r lt r lt. (12) Tässä työssä ei etsitty kaikkiin alkutiloihin sopivia navigointivakioita k1,k2 ja k3. Varmaa on, että vakioiden oikea valinta on hyvin olennaista ohjauslain toimivuuden kannalta ja niiden täytyy olla tilariippuvia. Koska toimivia navigointivakioita ei ollut käytössä, ei luvun 4 esimerkissä kaksi anneta tätä ohjauslakia käyttävää esimerkkiä Suhteellinen navigointi (Proportional Navigation, PN) Suhteellinen navigointi perustuu ideaaliseen tilanteeseen, jossa maali lentää vakionopeudella suuntansa säilyttäen. Tällöin ohjus laukaistaan ja pyritään pitämään sellaisessa ennakkokulmassa δ, että se on törmäyskurssilla maaliin nähden. Oikeasti monimutkaisemmassa tilanteessa ohjus pyritään pitämään törmäyskurssilla maaliin säätämällä seurantakulmakiihtyvyyttä kohti nollaa. Suhteellisesta navigoinnista on useita variaatioita, joista tässä työssä käytetään ideaalista (ideal proportional navigation, IPN [9], [12]), puhdasta (pure proportional navigation, PPN [9]) ja todellista (true proportional navigation, TPN [9]) suhteellista navigointia. Komentovektorit ovat muotoa a c,ipn = Nw v c (13) a c,ppn = Nw v m (14) a c,tpn = Nv m w 1 r, (15) missä w = r ( v c) r r 7 (16)
9 on lähestymisnopeusvektorin aiheuttama näkölinjavektorin kulmanopeusvektori. Lähestymisnopeus on muotoa v c = ṙ = missä N [3, 5] navigointivakio. [ ẋ m ẋ a ẏ m ẏ a ḣ m ḣa] T, (17) 3 Ratkaisumenetelmät Viitteessä [3] esitetty ratkaisumenetelmä laskee optimiohjaukset etenevän horisontin ohjausmenetelmällä, joka ratkaisee maalin ohjaukset diskreetille ajanhetkelle t k = k t, missä k on ajanhetken indeksi ja t on päätöksentekohetkien välinen aika. Etenevän horisontin tehtävässä tilasta x(t k ) ajanhetkellä t k lasketaan optimaaliset avoimen silmukan ohjaukset maalille aikavälin [t k,t k + T] yli, missä T on horisontin pituus. Saatu epälineaarinen optimointitehtävä ratkaistaan suoralla ammuntamenetelmällä diskretoimalla suunnitteluhorisontti t k = t k < t1 k <... < tn k = t k + T, (18) missä N on diskretointipisteiden lukumäärä ja parametrisoimalla ohjaukset u i k = ui (t k ). Suunnitteluhorisontin aika-askelten pituus ei ole vakio, vaan muotoa t i+1 k t i k = t + qi t, i =,1,...,N 1, (19) missä q on aikavälin kasvunopeus, jolloin voidaan käyttää pidempiä suunnitteluhorisontteja vähemmillä integrointiaskelten määrillä. Etenevän horisontin tehtävä tuottaa ratkaisunaan optimaaliset avoimen silmukan ohjaukset aikavälille [t k,t k +T]. Niistä otetaan ensimmäiset ohjaukset ja päivitetään niillä tilaa aikavälin t [t k,t k+1 ] yli tilayhtälöitä eksplisiittisesti integroimalla. Ajanhetkellä t k+1 muodostetaan etenevän horisontin tehtävä ja ratkotaan se kuten edellä ja käytetään saatuja ensimmäisiä ohjauksia ajanhetken t [t k+1,t k+2 ] yli. Tätä prosessia toistetaan jokaisella päätöksentekohetkellä, jolloin saadaan ohjaukset takaisinkytketyssä muodossa ajanjakson [t,t f ] yli siten, että ohjaukset päivittyvät vain diskreeteillä ajanhetkillä t k. Mikäli on odotettavissa, että ohjus saavuttaa maalin suunnitteluhorisontin loppuun mennessä, tehdään tasavälinen diskretointi arvioituun loppuaikaan t f asti ja ratkaistaan avoimen silmukan ohjaus koko aikavälin [t k,t f ] yli. Saatuja ensimmäisiä ohjauksia käytetään kuten edellä ja seuraavalla ajanhetkellä käytetään yhtä diskretointipistettä vähemmän. Prosessia toistetaan kunnes saavutaan tilanteeseen, jossa diskretointipisteitä on enää yksi jäljellä, 8
10 jolloin loppuaika vapautetaan, ja käytetään avoimen silmukan optimoinnin tuottamia ohjauksia loppuun asti. Koska päätös ohjauksista tehdään jokaisella päätöksentekohetkellä t k erikseen, on mahdollista käyttää joka kerta erilaista dynamiikkaa. Toisin sanoen jokaisella päätöksentekohetkellä voidaan käyttää sen hetken tilan perusteella laskettuja arvoja ohjauslakien uskomuksista uusien ohjauksien laskennassa. Uskomuksien laskenta etenee käytännössä siten, että ensimmäiselle päätöksentekohetkelle jokaiselle tässä työssä sovellettavalle ohjauslaille i kiinnitetään etukäteen valittu todennäköisyys P(i δ,e ) = i siten että kaikkien uskomusten summa on 1. Lennon alussa ajanhetkillä t [t,t a ] uskomuksia ei päivitetä, koska tällöin seurantalinjapoikkeama e on aina lähellä nollaa ja seurantakulma δ lähellä laukaisukulmaa. Myöhemmillä päätöksentekohetkillä t k > t a uskomuksia päivitetään Bayesin kaavasta [1] P k (i δ k,e k ) = P k (i)p k (δ k,e k i) 3 j=1 P k(j)p k (δ k,e k j) (2) johdetulla kaavalla P k (i δ k,e k ) = P k 1 (i δ k,e k )p k (δ k,e k i) 3 j=1 P k 1(j δ k,e k )p k (δ k,e k j), (21) missä i {PP,CLOS,PN} ja k on ajanhetken indeksi. Bayesin kaavan todennäköisyydet P k (δ k,e k ) on korvattu ehdollistetuilla tiheysfunktioilla p k (δ k,e k ) viitteen [8] nojalla. Lisäksi Bayesin kaavan prioritodennäköisyydet P k ( ) on korvattu edellisen vaiheen posteriori-uskomuksilla P k 1 (j δ k,e k ), koska ne ovat yhtä suuria. PN tarkoittaa mitä tahansa suhteellisen navigoinnin variaatioista IPN, PPN ja TPN, sillä tässä työssä maali ei erottele niitä toisistaan. Oletetaan, että ehdollistetut satunnaismuuttujat ovat riippumattomia, jolloin p k (δ k,e k i) = p(δ k i)p(e k i), (22) missä p( ) on ehdollinen todennäköisyys. Tästä oletuksesta voi aiheutua virhettä, sillä todellisuudessa ehdollistetut satunnaismuuttujat eivät ole toisistaan riippumattomia. Mutta numeeristen esimerkkien valossa ohjuksen todellinen ohjauslaki valikoituu nopeasti tutkittavien ohjauslakien joukosta tälläkin oletuksella, jolloin virhekään ei voi olla liian merkittävä. Lisäksi oletetaan, että e k ja δ k ovat jatkuvia satunnaismuuttujia. Lennon viimeisten sekuntien aikana (t b t t f ) uskomusten päivittäminen lopetetaan, sillä e pienenee ja yleensä δ kasvaa hyvin voimakkaasti. Hetkestä t b eteenpäin käytetään siis hetkellä t b saatuja arvoja. t b kiinnitetään siksi ajanhetkeksi t k, kun on ensimmäisen kerran mahdollista, että ohjus saavuttaa maalin suunnitteluhorisontin T loppuun mennessä. 9
11 Kun uskomukset on määritetty ajanhetkelle t k, käytetään kahta eri menetelmää ohjukseen sovellettavan komentovektorin määrittämiseksi. Jälkimmäinen menetelmistä on realistisempi. 1. Maksimisääntö. Maali valitsee päätöksentekohetkellä t k ohjauslain i, jonka saama ehdollinen todennäköisyys P k (i δ k,e k ) on suurin. 2. Odotusarvosääntö. Ohjukseen sovellettava ohjauslaki määritetään painotettuna keskiarvona eri ohjauslakien yli. a c = P k (i δ k,e k )a c,i, (23) missä a c,i on ohjauslain i antama komentovektori. 3.1 Tiheysfunktioiden valinta Menetelmän toimivuuden kannalta on tärkeää valita ehdollistetut tiheysfunktiot huolella. Tiheysfunktion massan on painotuttava alueille, missä e tai δ saavat tyypillisimpiä arvoja kyseisellä ohjauslailla. Seuraavaksi perustellaan, miten eri ohjauslakien ehdollistetut tiheysfunktiot tulisi valita. Koska CLOS pyrkii pitämään ohjuksen seurantalinjavektorilla r lt, on ohjuksen poikkeama e tästä vektorista pieni (e 1m). Lisäksi CLOS:in δ on pienehkö ajanjaksolla [t a,t b ], koska suuret δ:n arvot johtavat e:n kasvamiseen. Tässä päättelyssä täytyy kuitenkin olettaa, että seurantalinjavektorin kulmanopeus on pieni, toisin sanoen laukaisija ja maali ovat kaukana toisistaan koko takaa-ajon ajan. Käytännössä näin aina onkin. Sopivaksi tiheysfunktioksi δ:lle valitaan siis suurimmat arvonsa nollan lähellä saava funktio. Suhteellisella navigoinnilla ohjautuva ohjus säilyttää tyypillisesti ennakkokulman δ. Tiheysfunktioksi δ:lle voidaan siis valita funktio, joka saa suurimmat arvonsa ennakkokulman läheisyydessä. Mikäli δ on kuitenkin lähellä nollaa, kasvatetaan ehdollistetun tiheysfunktion jakaumassa käytettyä δ :aa hieman. Ohjauslaki ei navigoi e:n funktiona, jolloin voimme käyttää tasajakaumaa tiheysfunktiona e:lle. Tässä työssä ei ole yritetty erottaa suhteellisen navigoinnin eri variaatioita, sillä niiden e:n ja δ:n kuvaajat eivät juuri poikkea toisistaan. Työtä voisi laajentaa tutkimalla, voiko tämän erottelun tehdä luotettavasti, ja onko siihen yleensä tarvetta. Jos maali uskoo ohjuksen käyttävän jollakin päätöksentekohetkellä suhteellista navigointia, valitaan puhdas suhteellinen navigointi (PPN). Muutkin variaatiot voisivat tulla kyseeseen. PP-laki pyrkii pitämään ohjuksen suunnattuna koko ajan maaliin, joten δ pysyy lähellä nollaa; ehdollistetuksi tiheysfunktioksi δ:lle valitaan suurimmat arvonsa nollan lähellä saava funktio. PP-lain δ on tyypillisesti voimakkaammin lähellä nollaa kuin CLOS-lailla. Näin ollen tiheysfunktion on saatava 1
12 vielä suurempia arvoja lähellä nollaa kuin CLOS:in tapauksessa. Myöskään tämä laki ei navigoi e:n funktiona, jolloin tasajakauma soveltuu ehdollistetuksi tiheysfunktioksi e:lle. Tässä työssä käytetyt tiheysfunktiot on esitetty taulukossa 1. Funktiot ovat suuntaa antavia. Jakaumissa olevat vakioparametrit a,b ja c on määritetty simulointien perusteella, jolloin arvoiksi saatiin a = 7, b =.4 ja c = 4. Myöskin tasajakaumat on valittu simulointien perusteella, jolloin tiheysfunktiot ovat välillä [, 13m] taulukon mukaisia, muualla nollaa. PN:n δ : n funktioksi valitaan Gamma-jakauma parametrien arvoilla α = 2 ja β = δ [4]. Jakauma saa suurimmat arvonsa pisteen δ läheisyydessä. Kuvassa 4 on esitetty p(δ PN) kun δ = 2. Ohjauslaki i p(e i) p(δ i) 1 PPU 13 ae aδ CLOS be be ce cδ 1 PN 13 e δ/δ δ δ 2 Taulukko 1: Ehdollistetut tiheysfunktiot P Kuva 4: Ehdollistettu jakauma p(δ PN) 11
13 4 Numeeriset esimerkit Tässä kappaleessa demonstroidaan työssä esitellyn menetelmän toimivuutta numeeristen esimerkkien avulla. Ensimmäisessä esimerkissä tutkitaan, millaisia arvoja e ja δ saavat tyypillisesti. Toisessa esimerkissä suoritetaan päivityksiä kolmelle edustavalle alkutilalle käyttäen luvussa 3 esitettyjä maksimija odotusarvosääntöjä. Esimerkeissä käytetyt navigointivakiot ovat suhteelliselle navigoinnille N = 4, seurantalinjaohjaukselle k 1 = 5 + 9a(t k ),k 2 = 7 3a(t k ), k 3 = 3 + 3a(t k ), missä a(t k ) on alkuhetken ja ajanhetken t k etäisyyden erotuksen ja alkuetäisyyden välinen suhde ja suoralle takaa-ajolle k = Etenevän horisontin ohjausmenetelmässä parametrit ovat N = 8, t =.25s, q =.25, jolloin horisontin pituudekse saadaan T = 3.5s. Ohjauslakiuskomuksia ei päivitetä ensimmäisten 2.75 sekunnin aikana. Päivittäminen lopetetaan silloin, kun ensimmäisen kerran näyttää siltä, että ohjus voi saavuttaa maalin suunnitteluhorisontin loppuun mennessä. 4.1 Esimerkki 1 Analysoidaan, millaisia arvoja saavat seurantalinjapoikkeama e ja seurantakulma δ tyypillisesti eri ohjauslaeilla. Lentokoneen ja ohjuksen alkukorkeudet ja nopeudet ovat h a = h m = 6m, v a = 2 ja v m = 3m/s. Lisäksi x m = 155m, x a =, y a = y m =, γ a = γ m = ja χ a = 45, χ m = 16. Laukaisijan suuntakulmanopeus χ l on /s ja maali tietää ohjuksen ohjauslain. Kuvassa 5 on esitetty tuloksina saadut e:n ja δ:n kuvaajat ajan funktiona. Kuvaajien käyrät noudattavat kullekin ohjauslaille tyypillistä käyttäytymistä. Muilla alkutiloilla saadaan tyypillisesti samankaltaisia tuloksia. 4.2 Esimerkki 2 Tutkitaan kuinka ohjauslain identifiointi onnistuu erilaisilla alkutiloilla käyttäen luvussa 3 esitettyjä maksimisääntöä ja odotusarvosääntöä ohjuksen komentovektorin arvioimiseksi. Tutkitaan kolmea edustavaa alkutilaa ja piirretään ehdollistettujen todennäköisyyksien arvot kullakin päätöksentekohetkellä samaan kuvaajaan. Jokaisesta alkutilasta on esitetty kuva, jossa vasemmalla puolella on käytetty maksimisääntöä ja oikealla odotusarvosääntöä. Ehdollistettujen todennäköisyyksien alkuarvot ovat P(CLOS δ,e ) = P(PP δ,e ) =.33 ja P(PPN δ,e ) =.34. (24) 12
14 9 8 delta 1 9 e delta[deg] 5 4 e[m] (a) PP-laki:δ 8 16 (b) PP-laki:e 9 8 delta 1 9 e delta[deg] 5 4 e[m] (c) CLOS-laki:δ (d) CLOS-laki:e 9 8 delta 1 9 e delta[deg] 5 4 e[m] (e) PPN-laki:δ 8 16 (f) PPN-laki:e Kuva 5: Tutkittavien suureiden e ja δ tyypillisiä arvoja lennon aikana Esimerkki 2a Tässä esimerkissä alkutila on h a = h m = 6m, v a = v m = 3m/s, x m = 15m, x a = y a = y m =, γ a = γ m = ja χ a = χ m = 18. Ohjuksen kiihtyvyyskomponentit ovat a p = a y =. Laukaisijan suuntakulmanopeus χ l on 3 /s ja ohjus navaigoi PPN-lailla. Ohjus laukaistaan suoraan maalin takaa, jolloin δ pysyy kauan lähellä nollaa. Tästä aiheutuu 13
15 1.9.8 PP CLOS PN PP CLOS PN.7.7 todennäköisyys todennäköisyys (a) Maksimisääntö,ohitusetäisyys: 6.65m (b) Odotusarvosääntö,ohitusetäisyys: 7.22m Kuva 6: Uskomusjakaumien historia esimerkissä 2a ohjuksen todellisena ohjauslakina PPN PP CLOS PN PP CLOS PN.7.7 todennäköisyys todennäköisyys (a) Maksimisääntö,ohitusetäisyys: 43.7m (b) Odotusarvosääntö,ohitusetäisyys: 46.41m Kuva 7: Uskomusjakaumien historia esimerkissä 2b ohjuksen todellisena ohjauslakina PP PP-laille piikki ajanjaksolla t [2.75,5.5] Esimerkki 2b Tässä esimerkissä alkutila on h a = h m = 6m, v a = v m = 3m/s, x m = 11m, x a = y a = y m =, γ a = γ m = ja χ a = 9,χ m = 16. Ohjuksen kiihtyvyyskomponentit ovat a p = a y =. Laukaisijan suuntakulmanopeus χ l on 2 /s ja ohjus navigoi PP-lailla. Ohjus laukaistaan suoraan maalin sivulta ennakkokulmaan δ = Esimerkki 2c Tässä esimerkissä alkutila on h a = h m = 5m, v a = v m = 3m/s, x m = 155m, x a = y a = y m =, γ a = γ m = ja χ a =,χ m = 14
16 1.9.8 PP CLOS PN PP CLOS PN.7.7 todennäköisyys todennäköisyys (a) Maksimisääntö,ohitusetäisyys: 2.73m (b) Odotusarvosääntö,ohitusetäisyys: 4.2m Kuva 8: Uskomusjakaumien historia esimerkissä 2c ohjuksen todellisena ohjauslakina IPN 17. Ohjuksen kiihtyvyyskomponentit ovat a p = a y =. Laukaisijan suuntakulmanopeus χ l on 4 /s ja ohjus navigoi IPN-lailla. Ohjus laukaistaan suoraan maalin edestä ennakkokulmaan δ = 1. Kuvaajien yhteydessä mainitun ohitusetäisyyden perusteella näyttää, että maalin kannattaa käyttää odotusarvosääntöä, sillä se johtaa parempiin tuloksiin ohitusetäisyyden osalta silloin, kun ohjuksen todellinen ohjauslaki on jokin muu kuin alkujakauman suurimman todennäköisyyden saanut ohjauslaki. Odotusarvosäännön paremmuus johtuu osittain siitä, että maksimisääntö valitsee tässä työssä ensimmäisten sekuntien aikana 67%:n todennäköisyydellä täysin väärän ohjauslain. Kun alkujakauman suurin todennäköisyys on ohjuksen todellisen ohjauslain kohdalla, niin maksimisääntö on yleensä parempi kuin odotusarvosääntö. Esimerkeissä 2a ja 2c odotusarvosääntö on kuitenkin edelleen parempi. Ristiriitaiset tulokset johtuvat osittain siitä, että lopussa käytetty diskretointiaskeleen pituus vaikuttaa numeeriseen tarkkuuteen paljon. Lisäksi virhettä syntyy, kun etenevän horisontin tehtävä ei tuota aina globaalia optimiratkaisua [3], eikä maalin uskomus ollut aivan kaikilla päätöksentekohetkillä oikea. 5 Yhteenveto Tässä työssä esiteltiin, kuinka ohjuksenväistöongelmassa maali voi identifioida ohjuksen ohjauslain luotettavasti ohjuksen trajektorin perusteella. Tutkimuksessa oletettiin, ettei maali tiedä ohjuksen käyttämää ohjauslakia. Ohjauslain selvittäminen on kuitenkin oleellista, sillä sen tunteminen on välttämätöntä onnistuneen väistämisen kannalta. Tässä työssä identifiointi suoritettiin Bayesin päättelyllä. Tuloksista havaittiin, että ohjauslain identifiointi onnistuu luotettavasti ja melko pian ohjuk- 15
17 sen laukaisuhetkestä työssä käytettyjen ohjauslakien joukosta. Lisäksi havaittiin, että maalin kannattaa käyttää odotusarvosääntöä. Tämä työ jättää jälkeensä useita avoimia kysymyksiä. Mitä navigointivakioita kannattaisi käyttää seurantalinjaohjauksessa? Voiko suhteellisen navigoinnin variaatiot erottaa toisistaan, ja onko se yleensä edes tarpeen? Voiko systeemiä laajentaa siten, että ohjuksen mahdolliset ohjauslait sisältävät moderneja ohjauslakeja, kuten lineaarisneliöllisen ohjauslain Riccatin yhtälöineen [9]? Näiden kysymysten vastausten etsiminen tarjoaa oivallisia lisätutkimuksen aiheita. Viitteet [1] Andrew Gelman, John B. Carlin, Hal S. Stern, Donald B. Rubin; Bayesian Data Analysis; 2. painos; Chapman & Hall/CRC; 24. [2] Fumiaki Imado, Susumu Miwa; Fighter Evasive Maneuvers Against Proportional Navigation Missile; Journal of Aircraft 23(11):825 83; [3] Janne Karelahti, Kai Virtanen, Tuomas Raivio; Near-Optimal Missile Avoidance Trajectories via Receding Horizon Control; käsikirjoitus; 25. [4] Pertti Laininen; Todennäköisyys ja sen tilastollinen soveltaminen; s. 92; 5. painos; Otatieto; 21. [5] Angelo Miele; Flight Mechanics Volume 1: Theory of Flight Paths; Addison-Wesley, Reading, MA; [6] Tuomas Raivio, Harri Ehtamo; On the Numerical Solution of a Class of Pursuit-Evasion Games; Annals of the International Society of Dynamic Games 5: ; 2. [7] Tuomas Raivio, Jukka Ranta; Optimal Missile Avoidance Trajectory Synthesis in the Endgame; teoksessa Proceedings of the AIAA Guidance, Navigation, and Control Conference; ss. 1 11; AIAA, Monterey, California; myös AIAA:n paperi ; 22. [8] Sheldon Ross; A First Course in Probability; s. 293; 7. painos; Pearson Prentice Hall, Upper Saddle River, NJ; 26. [9] Neryahu A. Schneydor; Missile Guidance and Pursuit; Horwood Publishing, Chichester;
18 [1] Leena Singh; Autonomous Missile Avoidance using Nonlinear Model Predictive Control; teoksessa Proceedings of the AIAA Guidance, Navigations, and Control Conference; ss. 1 15; AIAA, Providence, Rhode Island; myös AIAA:n paperi ; 24. [11] Kai Virtanen, Janne Karelahti, Tuomas Raivio; Modeling Air Combat by a Moving Horizon Influence Diagram Game; Journal of Guidance, Control and Dynamics 29(3); 26. [12] Pin-Jar Yuan, Jeng-Shing Chern; Ideal Proportional Navigation; Journal of Guidance, Control and Dynamics 15(5): ;
Ei-inertiaaliset koordinaatistot
orstai 25.9.2014 1/17 Ei-inertiaaliset koordinaatistot Tarkastellaan seuraavaa koordinaatistomuunnosta: {x} = (x 1, x 2, x 3 ) {y} = (y 1, y 2, y 3 ) joille valitaan kantavektorit: {x} : (î, ĵ, ˆk) {y}
LisätiedotKJR-C1001 Statiikka ja dynamiikka. Luento Susanna Hurme
KJR-C1001 Statiikka ja dynamiikka Luento 29.3.2016 Susanna Hurme Yleisen tasoliikkeen kinematiikka: absoluuttinen ja suhteellinen liike, rajoitettu liike (Kirjan luvut 16.4-16.7) Osaamistavoitteet Ymmärtää,
LisätiedotMat-2.148 Dynaaminen optimointi, mallivastaukset, kierros 5
Mat-2.148 Dynaaminen optimointi, mallivastaukset, kierros 5 1. Kotitehtävä. 2. Lasketaan aluksi korkoa korolle. Jos korkoprosentti on r, ja korko maksetaan n kertaa vuodessa t vuoden ajan, niin kokonaisvuosikorko
LisätiedotSovellettu todennäköisyyslaskenta B
Sovellettu todennäköisyyslaskenta B Antti Rasila 3. marraskuuta 2007 Antti Rasila () TodB 3. marraskuuta 2007 1 / 18 1 Varianssin luottamusväli, jatkoa 2 Bernoulli-jakauman odotusarvon luottamusväli 3
LisätiedotKJR-C1001 Statiikka ja dynamiikka. Luento Susanna Hurme
KJR-C1001 Statiikka ja dynamiikka Luento 15.3.2016 Susanna Hurme Päivän aihe: Translaatioliikkeen kinematiikka: asema, nopeus ja kiihtyvyys (Kirjan luvut 12.1-12.5, 16.1 ja 16.2) Osaamistavoitteet Ymmärtää
Lisätiedot12 Jatkuva-aikaisten tehtävien numeerinen ratkaiseminen
12 Jatkuva-aikaisten tehtävien numeerinen ratkaiseminen Ratkaisumenetelmät jaetaan epäsuoriin ja suoriin menetelmiin Epäsuora menetelmä yrittää ratkaista Pontryaginin minimiperiaatteen mukaiset vättlämättömät
LisätiedotBM20A5800 Funktiot, lineaarialgebra ja vektorit Harjoitus 4, Syksy 2016
BM20A5800 Funktiot, lineaarialgebra ja vektorit Harjoitus 4, Syksy 2016 1. Hahmottele karkeasti funktion f : R R 2 piirtämällä sen arvoja muutamilla eri muuttujan arvoilla kaksiulotteiseen koordinaatistoon
Lisätiedot4 Optimointitehtävä ja sen ratkaiseminen Optimointitehtävä Optimointitehtävän diskretointi
Suhteellisesti navigoivan lentolaitteen maksimilentomatkasta Mat-2.108 Sovelletun matematiikan erikoistyöt Pentti Säynätjoki 29. tammikuuta 2001 Sisältö 1 Johdanto 3 2 Mallit 5 2.1 Lentokoneen malli.........................
Lisätiedot1. Olkoot vektorit a, b ja c seuraavasti määritelty: a) Määritä vektori. sekä laske sen pituus.
Matematiikan kurssikoe, Maa4 Vektorit RATKAISUT Sievin lukio Keskiviikko 12.4.2017 VASTAA YHTEENSÄ VIITEEN TEHTÄVÄÄN! MAOL JA LASKIN/LAS- KINOHJELMAT OVAT SALLITTUJA! 1. Olkoot vektorit a, b ja c seuraavasti
LisätiedotMATEMATIIKAN KOE PITKÄ OPPIMÄÄRÄ
1 YLIOPPILASTUTKINTO- LAUTAKUNTA 25.9.2017 MATEMATIIKAN KOE PITKÄ OPPIMÄÄRÄ A-osa Ratkaise kaikki tämän osan tehtävät 1 4. Tehtävät arvostellaan pistein 0 6. Kunkin tehtävän ratkaisu kirjoitetaan tehtävän
LisätiedotIlkka Mellin Todennäköisyyslaskenta. Osa 2: Satunnaismuuttujat ja todennäköisyysjakaumat. Kertymäfunktio. TKK (c) Ilkka Mellin (2007) 1
Ilkka Mellin Todennäköisyyslaskenta Osa 2: Satunnaismuuttujat ja todennäköisyysjakaumat Kertymäfunktio TKK (c) Ilkka Mellin (2007) 1 Kertymäfunktio >> Kertymäfunktio: Määritelmä Diskreettien jakaumien
LisätiedotKJR-C1001 Statiikka ja dynamiikka. Luento Susanna Hurme
KJR-C1001 Statiikka ja dynamiikka Luento 22.3.2016 Susanna Hurme Päivän aihe: Rotaatioliikkeen kinematiikka: kulmanopeus ja -kiihtyvyys (Kirjan luvut 12.7, 16.3) Osaamistavoitteet Osata analysoida jäykän
LisätiedotKJR-C1001 Statiikka ja dynamiikka. Luento Susanna Hurme
KJR-C1001 Statiikka ja dynamiikka Luento 23.2.2016 Susanna Hurme Tervetuloa kurssille! Mitä on statiikka? Mitä on dynamiikka? Miksi niitä opiskellaan? Päivän aihe: Voiman käsite ja partikkelin tasapaino
LisätiedotDynaamisten systeemien teoriaa. Systeemianalyysilaboratorio II
Dynaamisten systeemien teoriaa Systeemianalyysilaboratorio II 15.11.2017 Vakiot, sisäänmenot, ulostulot ja häiriöt Mallin vakiot Systeemiparametrit annettuja vakioita, joita ei muuteta; esim. painovoiman
LisätiedotMS-A0502 Todennäköisyyslaskennan ja tilastotieteen peruskurssi
MS-A0502 Todennäköisyyslaskennan ja tilastotieteen peruskurssi 4A Parametrien estimointi Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto Syksy 2016, periodi
LisätiedotMS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi
MS-A050 Todennäköisyyslaskennan ja tilastotieteen peruskurssi B Satunnaismuuttujat ja todennäköisyysjakaumat Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto
Lisätiedot[xk r k ] T Q[x k r k ] + u T k Ru k. }.
Mat-2.48 Dynaaminen optimointi Mitri Kitti/Ilkka Leppänen Mallivastaukset, kierros 3. Johdetaan lineaarisen aikainvariantin seurantatehtävän yleinen ratkaisu neliöllisellä kustannuksella. Systeemi: x k+
LisätiedotKertausosa. 5. Merkitään sädettä kirjaimella r. Kaaren pituus on tällöin r a) sin = 0, , c) tan = 0,
Kertausosa. a),6 60 576 Peruuttaessa pyörähdyssuunta on vastapäivään. Kulma on siis,4 60 864 a) 576 864 0,88m. a) α b 0,6769... 0,68 (rad) r,m 8cm β,90...,9 (rad) 4cm a) α 0,68 (rad) β,9 (rad). a) 5,0
Lisätiedot763306A JOHDATUS SUHTEELLISUUSTEORIAAN 2 Ratkaisut 2 Kevät 2017
763306A JOHDATUS SUHTEELLISUUSTEORIAAN 2 Ratkaisut 2 Kevät 207. Nelinopeus ympyräliikkeessä On siis annettu kappaleen paikkaa kuvaava nelivektori X x µ : Nelinopeus U u µ on määritelty kaavalla x µ (ct,
LisätiedotYleistä. Aalto-yliopisto Perustieteiden korkeakoulu Matematiikan ja systeemianalyysin laitos
Aalto-yliopisto Perustieteiden korkeakoulu Matematiikan ja systeemianalyysin laitos MS-E2129 Systeemien identifiointi 3. Harjoitustyö Heiluri-vaunusysteemin parametrien estimointi Yleistä Systeemianalyysin
LisätiedotMat Työ 1: Optimaalinen lento riippuliitimellä
Mat-2.132 Työ 1: Optimaalinen lento riippuliitimellä Miten ohjaan liidintä, jotta lentäisin mahdollisimman pitkälle?? 1 työssä Konstruoidaan riippuliitimen malli dynaamisen systeemin tilaesitys Simuloidaan
LisätiedotHarjoitustyö 3. Heiluri-vaunusysteemin parametrien estimointi
Aalto-yliopiston perustieteiden korkeakoulu Systeemianalyysin laboratorio Mat-2.4129 Systeemien identifiointi Harjoitustyö 3 Heiluri-vaunusysteemin parametrien estimointi Yleistä Systeemianalyysin laboratoriossa
LisätiedotJos nyt on saatu havaintoarvot Ü ½ Ü Ò niin suurimman uskottavuuden
1.12.2006 1. Satunnaisjakauman tiheysfunktio on Ü µ Üe Ü, kun Ü ja kun Ü. Määritä parametrin estimaattori momenttimenetelmällä ja suurimman uskottavuuden menetelmällä. Ratkaisu: Jotta kyseessä todella
LisätiedotVektorien pistetulo on aina reaaliluku. Esimerkiksi vektorien v = (3, 2, 0) ja w = (1, 2, 3) pistetulo on
13 Pistetulo Avaruuksissa R 2 ja R 3 on totuttu puhumaan vektorien pituuksista ja vektoreiden välisistä kulmista. Kuten tavallista, näiden käsitteiden yleistäminen korkeampiulotteisiin avaruuksiin ei onnistu
LisätiedotDynaamiset regressiomallit
MS-C2128 Ennustaminen ja Aikasarja-analyysi, Lauri Viitasaari Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto Syksy 2016 Tilastolliset aikasarjat voidaan jakaa kahteen
LisätiedotVärähdysliikkeet. q + f (q, q, t) = 0. q + f (q, q) = F (t) missä nopeusriippuvuus kuvaa vaimenemista ja F (t) on ulkoinen pakkovoima.
Torstai 18.9.2014 1/17 Värähdysliikkeet Värähdysliikkeet ovat tyypillisiä fysiikassa: Häiriö oskillaatio Jaksollinen liike oskillaatio Yleisesti värähdysliikettä voidaan kuvata yhtälöllä q + f (q, q, t)
LisätiedotJohdatus todennäköisyyslaskentaan Kertymäfunktio. TKK (c) Ilkka Mellin (2005) 1
Johdatus todennäköisyyslaskentaan Kertymäfunktio TKK (c) Ilkka Mellin (2005) 1 Kertymäfunktio Kertymäfunktio: Määritelmä Diskreettien jakaumien kertymäfunktiot Jatkuvien jakaumien kertymäfunktiot TKK (c)
LisätiedotDifferentiaali- ja integraalilaskenta 1 Ratkaisut 2. viikolle /
MS-A008 Differentiaali- ja integraalilaskenta, V/207 Differentiaali- ja integraalilaskenta Ratkaisut 2. viikolle / 8. 2.4. Jatkuvuus ja raja-arvo Tehtävä : Määritä raja-arvot a) 3 + x, x Vihje: c)-kohdassa
LisätiedotSovellettu todennäköisyyslaskenta B
Sovellettu todennäköisyyslaskenta B Antti Rasila 21. syyskuuta 2007 Antti Rasila () TodB 21. syyskuuta 2007 1 / 19 1 Satunnaismuuttujien riippumattomuus 2 Jakauman tunnusluvut Odotusarvo Odotusarvon ominaisuuksia
LisätiedotHarjoitus 7: NCSS - Tilastollinen analyysi
Harjoitus 7: NCSS - Tilastollinen analyysi Mat-2.2107 Sovelletun matematiikan tietokonetyöt Syksy 2006 Mat-2.2107 Sovelletun matematiikan tietokonetyöt 1 Harjoituksen aiheita Tilastollinen testaus Testaukseen
LisätiedotKJR-C1001 Statiikka ja dynamiikka. Luento Susanna Hurme
KJR-C1001 Statiikka ja dynamiikka Luento 16.3.2016 Susanna Hurme Päivän aihe: Translaatioliikkeen kinetiikka (Kirjan luvut 12.6, 13.1-13.3 ja 17.3) Oppimistavoitteet Ymmärtää, miten Newtonin toisen lain
Lisätiedot805306A Johdatus monimuuttujamenetelmiin, 5 op
monimuuttujamenetelmiin, 5 op syksy 2018 Matemaattisten tieteiden laitos Lineaarinen erotteluanalyysi (LDA, Linear discriminant analysis) Erotteluanalyysin avulla pyritään muodostamaan selittävistä muuttujista
LisätiedotMuodonmuutostila hum 30.8.13
Muodonmuutostila Tarkastellaan kuvan 1 kappaletta Ω, jonka pisteet siirtvät ulkoisen kuormituksen johdosta siten, että siirtmien tapahduttua ne muodostavat kappaleen Ω'. Esimerkiksi piste A siirt asemaan
LisätiedotJakso 8. Ampèren laki. B-kentän kenttäviivojen piirtäminen
Jakso 8. Ampèren laki Esimerkki 8.: Johda pitkän suoran virtajohtimen (virta ) aiheuttaman magneettikentän lauseke johtimen ulkopuolella etäisyydellä r johtimesta. Ratkaisu: Käytetään Ampèren lakia C 0
LisätiedotTodennäköisyyden ominaisuuksia
Todennäköisyyden ominaisuuksia 0 P(A) 1 (1) P(S) = 1 (2) A B = P(A B) = P(A) + P(B) (3) P(A) = 1 P(A) (4) P(A B) = P(A) + P(B) P(A B) (5) Tapahtuman todennäköisyys S = {e 1,..., e N }. N A = A. Kun alkeistapaukset
Lisätiedotmin x x2 2 x 1 + x 2 1 = 0 (1) 2x1 1, h = f = 4x 2 2x1 + v = 0 4x 2 + v = 0 min x x3 2 x1 = ± v/3 = ±a x 2 = ± v/3 = ±a, a > 0 0 6x 2
TEKNILLINEN KORKEAKOULU Systeemianalyysin laboratorio Mat-39 Optimointioppi Kimmo Berg 6 harjoitus - ratkaisut min x + x x + x = () x f = 4x, h = x 4x + v = { { x + v = 4x + v = x = v/ x = v/4 () v/ v/4
Lisätiedot17. Differentiaaliyhtälösysteemien laadullista teoriaa.
99 17. Differentiaaliyhtälösysteemien laadullista teoriaa. Differentiaaliyhtälön x'(t) = f(x(t),t), x(t) n määrittelemän systeemin sanotaan olevan autonominen, jos oikea puoli ei eksplisiittisesti riipu
LisätiedotLuodin massajakauman optimointi
Luodin massajakauman optimointi Janne Lahti 01.09.2017 Ohjaaja: DI Mikko Harju Valvoja: Prof. Kai Virtanen Työn saa tallentaa ja julkistaa Aalto-yliopiston avoimilla verkkosivuilla. Muilta osin kaikki
LisätiedotDifferentiaalilaskennan tehtäviä
Differentiaalilaskennan tehtäviä DIFFERENTIAALILASKENTA 1. Raja-arvon käsite, derivaatta raja-arvona 1.1 Raja-arvo pisteessä 1.2 Derivaatan määritelmä 1.3 Derivaatta raja-arvona 2. Derivoimiskaavat 2.1
LisätiedotJos siis ohjausrajoitusta ei olisi, olisi ratkaisu triviaalisti x(s) = y(s). Hamiltonin funktio on. p(0) = p(s) = 0.
Mat-.148 Dynaaminen optimointi Mitri Kitti/Ilkka Leppänen Mallivastaukset, kierros 1 1. Olkoon maaston korkeus y(s) derivoituva funktio ja etsitään tien profiilia x(s). Päätösmuuttuja on tien jyrkkyys
LisätiedotMat Sovellettu todennäköisyyslasku A
TKK / Systeemianalyysin laboratorio Nordlund Mat-.090 Sovellettu todennäköisyyslasku A Harjoitus 7 (vko 44/003) (Aihe: odotusarvon ja varianssin ominaisuuksia, satunnaismuuttujien lineaarikombinaatioita,
Lisätiedot3 Määrätty integraali
Määrätty integraali. a) Muodostuva alue on kolmio, jonka kanta on. Kolmion korkeus on funktion arvo kohdassa, eli f() = = 6. Lasketaan A() kolmion pintaalana. 6 A() 6 Vastaus: A() = 6 b) Muodostuva alue
LisätiedotMS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi
MS-A050 Todennäköisyyslaskennan ja tilastotieteen peruskurssi B Satunnaismuuttujat ja todennäköisyysjakaumat Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto
LisätiedotA B = (1, q, q 2 ) (2, 0, 2) = 2 2q q 2 = 0 q 2 = 1 q = ±1 A(±1) = (1, ±1, 1) A(1) A( 1) = (1, 1, 1) (1, 1, 1) = A( 1) A(1) A( 1) = 1
Mapu I Viikko 4 tehtävä malli Millä q:n arvoilla vektori A(q) (, q, q ) on kohtisuora vektorin B (, 0, ) kanssa? Ovatko A:n eri ratkaisut keskenään kohtisuoria? Jos eivät, määrää niiden välinen kulma!
LisätiedotNopeus, kiihtyvyys ja liikemäärä Vektorit
Nopeus, kiihtyvyys ja liikemäärä Vektorit Luento 2 https://geom.mathstat.helsinki.fi/moodle/course/view.php?id=360 Luennon tavoitteet: Vektorit tutuiksi Koordinaatiston valinta Vauhdin ja nopeuden ero
LisätiedotSovellettu todennäköisyyslaskenta B
Sovellettu todennäköisyyslaskenta B Antti Rasila 30. lokakuuta 2007 Antti Rasila () TodB 30. lokakuuta 2007 1 / 23 1 Otos ja otosjakaumat (jatkoa) Frekvenssi ja suhteellinen frekvenssi Frekvenssien odotusarvo
LisätiedotMS-A0207 Differentiaali- ja integraalilaskenta 2 (CHEM) Luento 2: Usean muuttujan funktiot
MS-A0207 Differentiaali- ja integraalilaskenta 2 (CHEM) Luento 2: Usean muuttujan funktiot Harri Hakula Matematiikan ja systeemianalyysin laitos 1 Aalto-yliopisto Kevät 2018 1 Perustuu Antti Rasilan luentomonisteeseen
LisätiedotLuento 6: Suhteellinen liike ja koordinaatistomuunnoksia
Luento 6: Suhteellinen liike ja koordinaatistomuunnoksia Suhteellinen translaatioliike Suhteellinen pyörimisliike Tyypillisiä koordinaatistomuunnoksia extraa 1 / 31 Luennon sisältö Suhteellinen translaatioliike
LisätiedotTilastollinen testaus. Vilkkumaa / Kuusinen 1
Tilastollinen testaus Vilkkumaa / Kuusinen 1 Motivointi Viime luennolla: havainnot generoineen jakauman muoto on usein tunnettu, mutta parametrit tulee estimoida Joskus parametreista on perusteltua esittää
LisätiedotJuuri 10 Tehtävien ratkaisut Kustannusosakeyhtiö Otava päivitetty
Juuri 0 Tehtävien ratkaisut Kustannusosakeyhtiö Otava päivitetty 9..08 Kertaus K. a) Alapaineiden pienin arvo on ja suurin arvo 74, joten vaihteluväli on [, 74]. b) Alapaineiden keskiarvo on 6676870774
Lisätiedot763306A JOHDATUS SUHTEELLISUUSTEORIAAN 2 Ratkaisut 1 Kevät y' P. α φ
76336A JOHDATUS SUHTEELLISUUSTEORIAAN 2 Ratkaisut 1 Kevät 217 1. Koordinaatiston muunnosmatriisi (a) y' P r α φ ' Tarkastellaan, mitä annettu muunnos = cos φ + y sin φ, y = sin φ + y cos φ, (1a) (1b) tekee
LisätiedotA-osio. Tehdään ilman laskinta ja taulukkokirjaa! Valitse tehtävistä A1-A3 kaksi ja vastaa niihin. Maksimissaan tunti aikaa suorittaa A-osiota.
MAA5.2 Loppukoe 24.9.2013 Jussi Tyni Valitse 6 tehtävää Muista merkitä vastauspaperiin oma nimesi ja tee etusivulle pisteytysruudukko Kaikkiin tehtävien ratkaisuihin välivaiheet näkyviin! A1. A-osio. Tehdään
LisätiedotMS-A0202 Differentiaali- ja integraalilaskenta 2 (SCI) Luento 2: Usean muuttujan funktiot
MS-A0202 Differentiaali- ja integraalilaskenta 2 (SCI) Luento 2: Usean muuttujan funktiot Antti Rasila Matematiikan ja systeemianalyysin laitos Aalto-yliopisto Syksy 2016 Antti Rasila (Aalto-yliopisto)
Lisätiedotl 1 2l + 1, c) 100 l=0
MATEMATIIKAN PERUSKURSSI I Harjoitustehtäviä syksy 5. Millä reaaliluvun arvoilla a) 9 =, b) 5 + 5 +, e) 5?. Kirjoita Σ-merkkiä käyttäen summat 4, a) + + 5 + + 99, b) 5 + 4 65 + + n 5 n, c)
LisätiedotMS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi
MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi 5A Bayeslainen tilastollinen päättely Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto Lukuvuosi
LisätiedotPreliminäärikoe Tehtävät A-osio Pitkä matematiikka kevät 2016 Sivu 1 / 4
Preliminäärikoe Tehtävät A-osio Pitkä matematiikka kevät 06 Sivu / 4 Laske yhteensä enintään 0 tehtävää. Kaikki tehtävät arvostellaan asteikolla 0-6 pistettä. Osiossa A EI SAA käyttää laskinta. Osiossa
Lisätiedot9. Tila-avaruusmallit
9. Tila-avaruusmallit Aikasarjan stokastinen malli ja aikasarjasta tehdyt havainnot voidaan esittää joustavassa ja monipuolisessa muodossa ns. tila-avaruusmallina. Useat aikasarjat edustavat dynaamisia
LisätiedotMb8 Koe Kuopion Lyseon lukio (KK) sivu 1/2
Mb8 Koe 0.11.015 Kuopion Lyseon lukio (KK) sivu 1/ Kokeessa on kaksi osaa. Osa A ratkaistaan tehtäväpaperille ja osa B ratkaistaan konseptipaperille. Osa A: saat käyttää taulukkokirjaa mutta et laskinta.
LisätiedotTehtäväsarja I Tehtävät 1-5 perustuvat monisteen kappaleisiin ja tehtävä 6 kappaleeseen 2.8.
HY, MTO / Matemaattisten tieteiden kandiohjelma Todennäköisyyslaskenta IIa, syksy 8 Harjoitus Ratkaisuehdotuksia Tehtäväsarja I Tehtävät -5 perustuvat monisteen kappaleisiin..7 ja tehtävä 6 kappaleeseen.8..
LisätiedotTekijä Pitkä matematiikka Suoran pisteitä ovat esimerkiksi ( 5, 2), ( 2,1), (1, 0), (4, 1) ja ( 11, 4).
Tekijä Pitkä matematiikka 4 9.12.2016 212 Suoran pisteitä ovat esimerkiksi ( 5, 2), ( 2,1), (1, 0), (4, 1) ja ( 11, 4). Vastaus esimerkiksi ( 5, 2), ( 2,1), (1, 0), (4, 1) ja ( 11, 4) 213 Merkitään pistettä
LisätiedotDiplomi-insinööri- ja arkkitehtikoulutuksen yhteisvalinta 2017 Insinöörivalinnan matematiikan koe , Ratkaisut (Sarja A)
Diplomi-insinööri- ja arkkitehtikoulutuksen yhteisvalinta 017 Insinöörivalinnan matematiikan koe 30..017, Ratkaisut (Sarja A) 1. a) Lukujen 9, 0, 3 ja x keskiarvo on. Määritä x. (1 p.) b) Mitkä reaaliluvut
LisätiedotMatemaattinen Analyysi
Vaasan yliopisto, kevät 01 / ORMS1010 Matemaattinen Analyysi. harjoitus, viikko 1 R1 ke 1 16 D11 (..) R to 10 1 D11 (..) 1. Määritä funktion y(x) MacLaurinin sarjan kertoimet, kun y(0) = ja y (x) = (x
LisätiedotOletetaan, että virhetermit eivät korreloi toistensa eikä faktorin f kanssa. Toisin sanoen
Yhden faktorin malli: n kpl sijoituskohteita, joiden tuotot ovat r i, i =, 2,..., n. Olkoon f satunnaismuuttuja ja oletetaan, että tuotot voidaan selittää yhtälön r i = a i + b i f + e i avulla, missä
LisätiedotPohdiskeleva ajattelu ja tasapainotarkennukset
Pohdiskeleva ajattelu ja tasapainotarkennukset Sanna Hanhikoski 24.3.2010 Sisältö Pohdiskeleva ajattelu Nashin tasapainotarkennukset Täydellinen tasapaino Täydellinen bayesiläinen tasapaino Vaiheittainen
LisätiedotEnsimmäisen asteen polynomifunktio
Ensimmäisen asteen polnomifunktio Yhtälön f = a+ b, a 0 määrittelemää funktiota sanotaan ensimmäisen asteen polnomifunktioksi. Esimerkki. Ensimmäisen asteen polnomifuktioita ovat esimerkiksi f = 3 7, v()
LisätiedotOsa IX. Z muunnos. Johdanto Diskreetit funktiot
Osa IX Z muunnos A.Rasila, J.v.Pfaler () Mat-.33 Matematiikan peruskurssi KP3-i 9. lokakuuta 2007 298 / 322 A.Rasila, J.v.Pfaler () Mat-.33 Matematiikan peruskurssi KP3-i 9. lokakuuta 2007 299 / 322 Johdanto
LisätiedotRatkaisuja, Tehtävät
ja, Tehtävät 988-97 988 a) Osoita, että lausekkeiden x 2 + + x 4 + 2x 2 ja x 2 + - x 4 + 2x 2 arvot ovat toistensa käänteislukuja kaikilla x:n arvoilla. b) Auton jarrutusmatka on verrannollinen nopeuden
LisätiedotMATEMATIIKAN PERUSKURSSI I Harjoitustehtäviä syksy Millä reaaliluvun x arvoilla. 3 4 x 2,
MATEMATIIKAN PERUSKURSSI I Harjoitustehtäviä syksy 6. Millä reaaliluvun arvoilla a) 9 =, b) + + + 4, e) 5?. Kirjoita Σ-merkkiä käyttäen summat 4, a) + 4 + 6 + +, b) 8 + 4 6 + + n n, c) + + +
LisätiedotTekijä Pitkä matematiikka
K1 Tekijä Pitkä matematiikka 5 7..017 a) 1 1 + 1 = 4 + 1 = 3 = 3 4 4 4 4 4 4 b) 1 1 1 = 4 6 3 = 5 = 5 3 4 1 1 1 1 1 K a) Koska 3 = 9 < 10, niin 3 10 < 0. 3 10 = (3 10 ) = 10 3 b) Koska π 3,14, niin π
Lisätiedot(0 desimaalia, 2 merkitsevää numeroa).
NUMEERISET MENETELMÄT DEMOVASTAUKSET SYKSY 20.. (a) Absoluuttinen virhe: ε x x ˆx /7 0.4 /7 4/00 /700 0.004286. Suhteellinen virhe: ρ x x ˆx x /700 /7 /00 0.00 0.%. (b) Kahden desimaalin tarkkuus x ˆx
LisätiedotSISÄLTÖ Venymän käsite Liukuman käsite Venymä ja liukuma lujuusopin sovelluksissa
SISÄLTÖ Venymän käsite Liukuman käsite Venymä ja liukuma lujuusopin sovelluksissa 1 SISÄLTÖ 1. Siirtymä 2 1 2.1 MUODONMUUTOS Muodonmuutos (deformaatio) Tapahtuu, kun kappaleeseen vaikuttaa voima/voimia
LisätiedotTilastollisen analyysin perusteet Luento 2: Tilastolliset testit
Tilastollisen analyysin perusteet Luento 2: Tilastolliset testit Sisältö Tilastollisia testejä tehdään jatkuvasti lukemattomilla aloilla. Meitä saattaa kiinnostaa esimerkiksi se, että onko miesten ja
LisätiedotSuoran yhtälöt. Suoran ratkaistu ja yleinen muoto: Suoran yhtälö ratkaistussa, eli eksplisiittisessä muodossa, on
Suoran htälöt Suoran ratkaistu ja leinen muoto: Suoran htälö ratkaistussa, eli eksplisiittisessä muodossa, on ANALYYTTINEN GEOMETRIA MAA5 = k + b, tai = a missä vakiotermi b ilmoittaa suoran ja -akselin
Lisätiedot1.4. VIRIAALITEOREEMA
1.4. VIRIAALITEOREEMA Vaikka N-kappaleen ongelman yleistä ratkaisua ei tunneta, on olemassa eräitä tärkeitä yleisiä tuloksia Jos systeemi on stabiili, eli paikat ja nopeudet eivät kasva rajatta kineettisen
LisätiedotEstimointi. Vilkkumaa / Kuusinen 1
Estimointi Vilkkumaa / Kuusinen 1 Motivointi Tilastollisessa tutkimuksessa oletetaan jonkin jakauman generoineen tutkimuksen kohteena olevaa ilmiötä koskevat havainnot Tämän mallina käytettävän todennäköisyysjakauman
LisätiedotMS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi
MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi 4B Bayesläinen tilastollinen päättely Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto Syksy
Lisätiedot3 = Lisäksi z(4, 9) = = 21, joten kysytty lineaarinen approksimaatio on. L(x,y) =
BM20A5810 Differentiaalilaskenta ja sovellukset Harjoitus 6, Syksy 2016 1. (a) Olkoon z = z(x,y) = yx 1/2 + y 1/2. Muodosta z:lle lineaarinen approksimaatio L(x,y) siten että approksimaation ja z:n arvot
LisätiedotMat Dynaaminen optimointi, mallivastaukset, kierros Johdetaan välttämättömät ehdot funktionaalin. g(y(t), ẏ(t),...
Mat-2.148 Dynaaminen optimointi, mallivastaukset, kierros 6 1. Johdetaan välttämättömät ehdot funktionaalin J(y) = g(y(t), ẏ(t),..., dr y(t), t) dt dt r ekstremaalille, kun ja t f ovat kiinteitä ja tiedetään
LisätiedotDifferentiaali- ja integraalilaskenta
Differentiaali- ja integraalilaskenta Opiskelijan nimi: DIFFERENTIAALILASKENTA 1. Raja-arvon käsite, derivaatta raja-arvona 1.1 Raja-arvo pisteessä 1.2 Derivaatan määritelmä 1.3 Derivaatta raja-arvona
LisätiedotHavainnollistuksia: Merkitään w = ( 4, 3) ja v = ( 3, 2). Tällöin. w w = ( 4) 2 + ( 3) 2 = 25 = 5. v = ( 3) = 13. v = v.
Havainnollistuksia: Merkitään w = ( 4, 3) ja v = ( 3, 2). Tällöin w = w w = ( 4) 2 + ( 3) 2 = 25 = 5 v = v v = ( 3) 2 + 2 2 = 13. w =5 3 2 v = 13 4 3 LM1, Kesä 2014 76/102 Normin ominaisuuksia I Lause
LisätiedotNumeeriset menetelmät TIEA381. Luento 12. Kirsi Valjus. Jyväskylän yliopisto. Luento 12 () Numeeriset menetelmät / 33
Numeeriset menetelmät TIEA381 Luento 12 Kirsi Valjus Jyväskylän yliopisto Luento 12 () Numeeriset menetelmät 25.4.2013 1 / 33 Luennon 2 sisältö Tavallisten differentiaaliyhtälöiden numeriikasta Rungen
LisätiedotTÄSSÄ ON ESIMERKKEJÄ SÄHKÖ- JA MAGNETISMIOPIN KEVÄÄN 2017 MATERIAALISTA
TÄSSÄ ON ESMERKKEJÄ SÄHKÖ- JA MAGNETSMOPN KEVÄÄN 2017 MATERAALSTA a) Määritetään magneettikentän voimakkuus ja suunta q P = +e = 1,6022 10 19 C, v P = (1500 m s ) i, F P = (2,25 10 16 N)j q E = e = 1,6022
LisätiedotDerivoimalla kerran saadaan nopeus ja toisen kerran saadaan kiihtyvyys Ña r
Vuka HT 4 Tehtävä. Lyhyenä alustuksena tehtävään johdetaan keskeiskiihtyvyys tasaisessa pyörimisessä. Meillä on ympyräradalla liikkuva kappale joka pyörii vakiokulmanopeudella ω dϕ säteellä r origosta.
LisätiedotTilastollinen aineisto Luottamusväli
Tilastollinen aineisto Luottamusväli Keijo Ruotsalainen Oulun yliopisto, Teknillinen tiedekunta Matematiikan jaos Tilastollinen aineisto p.1/20 Johdanto Kokeellisessa tutkimuksessa tutkittavien suureiden
LisätiedotSuora. Määritelmä. Oletetaan, että n = 2 tai n = 3. Avaruuden R n suora on joukko. { p + t v t R},
Määritelmä Suora Oletetaan, että n = 2 tai n = 3. Avaruuden R n suora on joukko { p + t v t R}, missä p, v R n ja v 0. Tässä p on suoran jonkin pisteen paikkavektori ja v on suoran suuntavektori. v p LM1,
LisätiedotMS-A0202 Differentiaali- ja integraalilaskenta 2 (SCI) Luento 10: Moninkertaisten integraalien sovelluksia
MS-A22 ifferentiaali- ja integraalilaskenta 2 (SCI) Luento 1: Moninkertaisten integraalien sovelluksia Antti Rasila Matematiikan ja systeemianalyysin laitos Aalto-yliopisto Syksy 217 Antti Rasila (Aalto-yliopisto)
Lisätiedot(b) Onko hyvä idea laske pinta-alan odotusarvo lähetmällä oletuksesta, että keppi katkeaa katkaisukohdan odotusarvon kohdalla?
6.10.2006 1. Keppi, jonka pituus on m, taitetaan kahtia täysin satunnaisesti valitusta kohdasta ja muodostetaan kolmio, jonka kateetteina ovat syntyneet palaset. Kolmion pinta-ala on satunnaismuuttuja.
LisätiedotLuvun 5 laskuesimerkit
Luvun 5 laskuesimerkit Esimerkki 5.1 Moottori roikkuu oheisen kuvan mukaisessa ripustuksessa. a) Mitkä ovat kahleiden jännitykset? b) Mikä kahleista uhkaa katketa ensimmäisenä? Piirretäänpä parit vapaakappalekuvat.
LisätiedotMb8 Koe Kuopion Lyseon lukio (KK) sivu 1/3
Mb8 Koe 4.11.015 Kuopion Lyseon lukio (KK) sivu 1/3 Kokeessa on kaksi osaa. Osa A ratkaistaan tehtäväpaperille ja osa B ratkaistaan konseptipaperille. Osa A: saat käyttää taulukkokirjaa mutta et laskinta.
LisätiedotLuento 1: Optimointimallin muodostaminen; optimointitehtävien luokittelu
Luento 1: Optimointimallin muodostaminen; optimointitehtävien luokittelu Merkintöjä := vasen puoli määritellään oikean puolen lausekkeella s.e. ehdolla; siten että (engl. subject to, s.t.) vasemman puolen
Lisätiedot4.1 Kaksi pistettä määrää suoran
4.1 Kaksi pistettä määrää suoran Kerrataan aluksi kurssin MAA1 tietoja. Geometrisesti on selvää, että tason suora on täysin määrätty, kun tunnetaan sen kaksi pistettä. Joskus voi tulla vastaan tilanne,
LisätiedotSatunnaismuuttujien muunnokset ja niiden jakaumat
Ilkka Mellin Todennäköisyyslaskenta Osa 2: Satunnaismuuttujat ja todennäköisyysjakaumat Satunnaismuuttujien muunnokset ja niiden jakaumat TKK (c) Ilkka Mellin (2007) 1 Satunnaismuuttujien muunnokset ja
LisätiedotJohdatus tekoälyn taustalla olevaan matematiikkaan
Johdatus tekoälyn taustalla olevaan matematiikkaan Informaatioteknologian tiedekunta Jyväskylän yliopisto 3. luento 17.11.2017 Neuroverkon opettaminen (ohjattu oppiminen) Neuroverkkoa opetetaan syöte-tavoite-pareilla
LisätiedotMat Dynaaminen optimointi, mallivastaukset, kierros Vaimennetun heilurin tilanyhtälöt on esitetty luennolla: θ = g sin θ r θ
Mat-48 Dynaaminen optimointi, mallivastaukset, kierros Vaimennetun heilurin tilanyhtälöt on esitetty luennolla: θ = g sin θ r θ L ẋ = x ẋ = g L sin x rx Epälineaarisen systeemin tasapainotiloja voidaan
LisätiedotSovellettu todennäköisyyslaskenta B
Sovellettu todennäköisyyslaskenta B Antti Rasila 16. marraskuuta 2007 Antti Rasila () TodB 16. marraskuuta 2007 1 / 15 1 Epäparametrisia testejä χ 2 -yhteensopivuustesti Homogeenisuuden testaaminen Antti
LisätiedotELEC-A3110 Mekaniikka (5 op)
Yliopistonlehtori, tkt Sami Kujala Syksy 2016 Luento 2: Kertausta ja johdantoa Suoraviivainen liike Jumppaa Harjoituksia ja oivalluksia Ajankohtaista Presemokyselyn poimintoja Millä odotuksilla aloitat
Lisätiedot