Estimointi Laajennettu Kalman-suodin. AS , Automaation signaalinkäsittelymenetelmät Laskuharjoitus 4

Samankaltaiset tiedostot
[ ] [ 2 [ ] [ ] ( ) [ ] Tehtävä 1. ( ) ( ) ( ) ( ) ( ) ( ) 2( ) = 1. E v k 1( ) R E[ v k v k ] E e k e k e k e k. e k e k e k e k.

Kalman-suodin. AS , Automaation signaalinkäsittelymenetelmät. Laskuharjoitus 3

EETU OJANEN SIGNAALIN ENNUSTAMINEN KALMAN-SUOTIMELLA. Kandidaatintyö

Antti Somppi Paloittain päivittävä Kalmanin suodatin. Kandidaatintyö

1. YKSISUUNTAINEN VARIANSSIANALYYSI: AINEISTON ESITYSMUODOT

Olkoot X ja Y riippumattomia satunnaismuuttujia, joiden odotusarvot, varianssit ja kovarianssi ovat

Cubature Integration Methods in Non-Linear Kalman Filtering and Smoothing (valmiin työn esittely)

2 Taylor-polynomit ja -sarjat

Ennen kuin mennään varsinaisesti tämän harjoituksen asioihin, otetaan aluksi yksi merkintätekninen juttu. Tarkastellaan differenssiyhtälöä

6 Lineaarisen ennustuksen sovelluksia

Dynaamisten systeemien identifiointi 1/2

Inversio-ongelmien laskennallinen peruskurssi Luento 2

J1 (II.6.9) J2 (X.5.5) MATRIISILASKENTA(TFM) MALLIT AV 6

Todennäköisyyslaskenta IIa, syys lokakuu 2019 / Hytönen 1. laskuharjoitus, ratkaisuehdotukset

Todennäköisyysjakaumat 1/5 Sisältö ESITIEDOT: todennäköisyyslaskenta, määrätty integraali

Ilkka Mellin Tilastolliset menetelmät Osa 2: Otokset, otosjakaumat ja estimointi Estimointi

SÄÄTÖJÄRJESTELMIEN SUUNNITTELU

Keskipisteen lisääminen 2 k -faktorikokeeseen (ks. Montgomery 9-6)

Talousmatematiikan verkkokurssi. Koronkorkolaskut

Estimointi. Estimointi. Estimointi: Mitä opimme? 2/4. Estimointi: Mitä opimme? 1/4. Estimointi: Mitä opimme? 3/4. Estimointi: Mitä opimme?

Mat Tilastollisen analyysin perusteet, kevät 2007

K-KS vakuutussumma on kiinteä euromäärä

Tilaesityksen hallinta ja tilasäätö. ELEC-C1230 Säätötekniikka. Luku 6: Tilasäätö, tilaestimointi, saavutettavuus ja tarkkailtavuus

Naulalevylausunto Kartro PTN naulalevylle

Johdatus tilastotieteeseen Estimointi. TKK (c) Ilkka Mellin (2005) 1

r = r f + r M r f (Todistus kirjassa sivulla 177 tai luennon 6 kalvoissa sivulla 6.) yhtälöön saadaan ns. CAPM:n hinnoittelun peruskaava Q P

8. kierros. 2. Lähipäivä

Estimointi. Vilkkumaa / Kuusinen 1

Regressioanalyysi. Kuusinen/Heliövaara 1

MS-A0402 Diskreetin matematiikan perusteet Esimerkkejä ym., osa I

Dynaamiset regressiomallit

Mallin arviointi ja valinta. Ennustevirhe otoksen sisällä, parametrimäärän valinta, AIC, BIC ja MDL

HARMONINEN VÄRÄHTELIJÄ

Regressioanalyysi. Vilkkumaa / Kuusinen 1

Vakuutusteknisistä riskeistä johtuvien suureiden laskemista varten käytettävä vakuutuslajiryhmittely.

STOKASTISET DIFFERENTIAALIYHTÄLÖT 7

7.1 Taustamelun estimoinnista

Osa 2: Otokset, otosjakaumat ja estimointi

4.0.2 Kuinka hyvä ennuste on?

Sovellettu todennäköisyyslaskenta B

Paikka- ja virhe-estimaatin laskenta-algoritmit Paikannusteknologiat nyt ja tulevaisuudessa

2. kierros. 2. Lähipäivä

Identifiointiprosessi

Päästölähteen ominaisuuksien määrittäminen Kalman-suodatuksen avulla. Nina Hänninen

Johdatus tilastotieteeseen Regressiomallin valinta. TKK (c) Ilkka Mellin (2004) 1

Ilkka Mellin Tilastolliset menetelmät. Osa 4: Lineaarinen regressioanalyysi. Regressiomallin valinta. TKK (c) Ilkka Mellin (2007) 1

VÄRÄHTELYMEKANIIKKA SESSIO 19: Usean vapausasteen systeemin liikeyhtälöiden johto Newtonin lakia käyttäen

Oletetaan, että virhetermit eivät korreloi toistensa eikä faktorin f kanssa. Toisin sanoen

M 2 M = sup E M 2 t. E X t = lim. niin martingaalikonvergenssilauseen oletukset ovat voimassa, eli löydämme satunnaismuuttujan M, joka toteuttaa ehdon

Ennustaminen ARMA malleilla ja Kalmanin suodin

DEE Lineaariset järjestelmät Harjoitus 2, ratkaisuehdotukset. Johdanto differenssiyhtälöiden ratkaisemiseen

Missä mennään. systeemi. identifiointi. mallikandidaatti. validointi. malli. (fysikaalinen) mallintaminen. mallin mallin käyttötarkoitus, reunaehdot

6. Tietokoneharjoitukset

TIIVISTELMÄRAPORTTI (SUMMARY REPORT)

Pienimmän neliösumman menetelmä (PNS)

Identifiointiprosessi

funktiojono. Funktiosarja f k a k (x x 0 ) k

SISÄLLYS. annetun sosiaali- ja terveysministeriön asetuksen muuttamisesta. N:o 254. Sosiaali- ja terveysministeriön asetus

Simo Ali-Löytty Kalmanin suodatin ja sen laajennukset paikannuksessa

Differentiaali- ja integraalilaskenta 1 Ratkaisut 1. viikolle /

Pienimmän neliösumman menetelmä (PNS)

Simo Ali-Löytty Kalmanin suodatin ja sen laajennukset paikannuksessa

Parametrien estimointi sovellettuna Pandora-instrumentin mittauksiin

Digitaalinen signaalinkäsittely Desibeliasteikko, suotimen suunnittelu

Dynaamisten systeemien teoriaa. Systeemianalyysilaboratorio II

Pienimmän neliösumman menetelmä (PNS)

6. Differentiaaliyhtälösysteemien laadullista teoriaa.

DEE Lineaariset järjestelmät Harjoitus 5, harjoitustenpitäjille tarkoitetut ratkaisuehdotukset

805306A Johdatus monimuuttujamenetelmiin, 5 op

2. Teoriaharjoitukset

Laajennettujen Kalman-suotimien soveltaminen epäkoherentin sironnan spektritiheysfunktion estimoinnissa

1974 N:o 622. Vakuutusteknisistä riskeistä johtuvien suureiden laskemista varten käytettävä vakuutuslajiryhmittely. Liite 1.

III. SARJATEORIAN ALKEITA. III.1. Sarjan suppeneminen. x k = x 1 + x 2 + x ,

järjestelmät Luento 4

Mat Tilastollisen analyysin perusteet, kevät 2007

SAARA KUISMANEN ELLIPSOIDIALGORITMIN KÄYTTÖ SÄÄTÖSUUNNITTELUS- SA

Sovellettu todennäköisyyslaskenta B

MTTTP5, luento Otossuureita ja niiden jakaumia (jatkuu)

Epälineaaristen yhtälöiden ratkaisumenetelmät

Iris-säätöpelti EKO-SI

Tilastollisen analyysin perusteet Luento 9: Moniulotteinen lineaarinen. regressio

Projekti 5 Systeemifunktiot ja kaksiportit. Kukin ryhmistä tarkastelee piiriä eri taajuuksilla. Ryhmäni taajuus on

1. LINEAARISET LUOKITTIMET

TAMPEREEN YLIOPISTO Pro gradu -tutkielma. Hannu Pajula. Stirlingin luvuista

1. Tutkitaan regressiomallia Y i = β 0 + β 1 X i + u i ja oletetaan, että tavanomaiset

(1 + i) + JA. t=1. t=1. (1 + i) n (1 + i) n. = H + k (1 + i)n 1 i(1 + i) n + JA

1 Rajoittamaton optimointi

805306A Johdatus monimuuttujamenetelmiin, 5 op

Erityiskysymyksiä yleisen lineaarisen mallin soveltamisessa

Jos nyt on saatu havaintoarvot Ü ½ Ü Ò niin suurimman uskottavuuden

Tehtävä 3. Määrää seuraavien jonojen raja-arvot 1.

5.7 Uskottavuusfunktioon perustuvia testejä II

Matemaattinen Analyysi

Johdatus tilastotieteeseen Yleinen lineaarinen malli. TKK (c) Ilkka Mellin (2004) 1

Pienimmän Neliösumman menetelmä (PNS)

Pienalue-estimointi (78189) Kevät 2011 Risto Lehtonen

9. Tila-avaruusmallit

V. POTENSSISARJAT. V.1. Abelin lause ja potenssisarjan suppenemisväli. a k (x x 0 ) k M

1 Komparatiivinen statiikka ja implisiittifunktiolause

3 Yleistä estimointiteoriaa. Olemme perehtuneet jo piste-estimointiin su-estimoinnin kautta Tässä luvussa tarkastellaan piste-estimointiin yleisemmin

Transkriptio:

Estimointi Laajennettu Kalman-suodin AS-84.2161, Automaation signaalinäsittelymenetelmät Lasuharjoitus 4

Estimointi Systeemin tilaa estimoidaan, un prosessin tilamalli tunnetaan Tilamalli voi olla lineaarinen tai yleisessä muodossa

Ideaalinen tilamalli Lineaarinen tilamalli Yleisessä muodossa oleva tilamalli 1 C y Bu A ], [ ],, [ 1 h y u f

Todellinen ohinainen tilamalli Lineaarinen tilamalli Yleisessä muodossa oleva tilamalli 1 v C y w Bu A ], [ ],, [ 1 v h y w u f

Kohina Kohinaomponentit äsitellään usein nollaesiarvoisina, ja niiden ovarianssit oletetaan tunnetuisi Ellei todellisia ovariansseja tunneta, äytetään ovarianssimatriiseja viritysparametreina

Varianssi Kuvaa yhden satunnaismuuttujan vaihtelua Nollaseiarvoisen muuttujan varianssi lasetaan muuttujan arvojen neliöiden esiarvona var e E e [ ] 2

Kovarianssi Kuvaa useamman muuttujan vaihtelua Muuttujat pystyvetorissa Nollaesiarvoisen muuttujan ovarianssi lasetaan muuttujavetorin ja sen transpoosin esiarvona cov e [ ] T e e Diagonaalielementit unin muuttujan variansseja Muut elementit uvaavat muuttujien esinäisiä ovariansseja E

Kalman-suodin Estimoi prosessin sisäistä tilaa Ennaoi prosessin tilaa perustuen malliin Korjaa ennaoitua estimaattia perustuen mittauseen Mittausen ja estimaatin esinäinen paino riippuu mittausten, prosessimallin ja estimaatin ovariansseista

Laajennettu Kalman-suodin Kalman-suotimen perusversio toimii vain lineaarisilla tilamalleilla Laajennettua Kalman-suodinta voidaan äyttää myös epälineaaristen prosessien anssa

Laajennettu Kalman-suodin Prosessin tilamalli yleisessä muodossa Kohinatermien w ja v ovarianssit ], [ ],, [ 1 v h y w u f var var R v Q w

Laajennettu Kalman-suodin syöte u u Prosessi y y u-1-1 -1 ^ A-prioriestimaatti ennaointi -1 ^ - A-posterioriestimaatti orjaus ^

Laajennettu Kalman-suodin syöte u u Prosessi y y u-1-1 -1 ^ A-prioriestimaatti ennaointi -1 ^ - A-posterioriestimaatti orjaus ^

Laajennettu Kalman-suodin syöte u u Prosessi y y u-1-1 -1 ^ A-prioriestimaatti ennaointi -1 ^ - A-posterioriestimaatti orjaus ^

Laajennettu Kalman-suodin syöte u u Prosessi y y u-1-1 -1 ^ A-prioriestimaatti ennaointi -1 ^ - A-posterioriestimaatti orjaus ^

Laajennettu Kalman-suodin syöte u u Prosessi y y u-1-1 -1 ^ A-prioriestimaatti ennaointi -1 ^ - A-posterioriestimaatti orjaus ^

Laajennettu Kalman-suodin syöte u u Prosessi y y u-1-1 -1 ^ A-prioriestimaatti ennaointi -1 ^ - A-posterioriestimaatti orjaus ^

Indesien merintä A-priori estimaatti: ennaointi ^ 1 Ajanheti, johon asti on olemassa mittausdataa Tarasteltava ajanheti A-posteriori estimaatti: orjaus ^ ^ tai 1 1

Vahvistusmatriisi K Kuvaa mallin taruutta Jos jotin osat mallissa ovat epätaroja, painotetaan mittausia enemmän uin mallia Lineaarisessa ja staattisessa tapausessa K- matriisia voidaan pitää vaiona Epälineaarisessa tapausessa K pitää lasea joaisella ierrosella uudelleen

Vahvistusmatriisi K K lasetaan äyttäen hyväsi estimaatille estimoitua ovarianssia P P:lle lasetaan a-priori- ja a-posterioriestimaatit P:n ja K:n lasemisessa tarvitaan lineaarisen mallin matriiseja A ja C ^

A-ja C-matriisien linearisoiminen Lasetaan Jaobin matriisi jaobiaani Derivoidaan f:n uin omponentti :n omponenttien suhteen Matriisi, jota voidaan äyttää A:n paialla Derivoidaan h:n uin omponentti :n omponenttien suhteen Matriisi, jota voidaan äyttää C:n paialla

Esimeri Tilavetorissa on 2 elementtiä: 1, 2 f on vetori, jossa on 2 elementtiä: f 1, f 2 A on 22 ooinen A:n orvaava matriisi: 2 2 1 2 2 1 1 1 f f f f A

Esimeri Mittausvetorissa y on 1 elementti h on vetori, jossa on 1 elementti C on 12 ooinen C:n orvaava matriisi: C h h 1 2

Laajennetun Kalman-suotimen aavat 1/7 Tilan ennaointi seuraavaan mittausheteen ˆ 1 f[ˆ 1 1, u 1, 1]

Laajennetun Kalman-suotimen aavat 2/7 A:n orvaava derivaatta A[ˆ 1 1] f[ˆ 1 1, u 1, ˆ 1 1 1]

Laajennetun Kalman-suotimen aavat 3/7 Tilan estimointivirheen ovarianssi ennaointi seuraavaan mittausheteen P 1 A[ˆ 1 1] P 1 1...... A T [ˆ 1 1] Q 1

Laajennetun Kalman-suotimen aavat 4/7 C:n orvaava derivaatta C[ˆ 1] h[ˆ 1, ] ˆ 1

Laajennetun Kalman-suotimen aavat 5/7 Estimoinnin vahvistusen K lasenta K P 1 C T [ˆ 1]...... T C[ˆ 1] P 1 C [ˆ 1] R 1

Laajennetun Kalman-suotimen aavat 6/7 Tilan päivitys mittausella ˆ y h[ˆ 1] ˆ 1 K

Laajennetun Kalman-suotimen aavat 7/7 Tilan estimointivirheen ovarianssin päivitys P P 1 K C[ ˆ 1] P 1

Reursio Siirrytään seuraavaan ajanheteen 1 ^ ^-1-1 P P-1-1 Palaataan Kalman-suotimen vaiheeseen 1