E [ -x ^2 z] = E[x z]
|
|
- Αγάθη Ολυμπία Διδασκάλου
- 6 χρόνια πριν
- Προβολές:
Transcript
1 1 1.ΦΙΛΤΡΟ KALMAN ΔΙΑΚΡΙΤΟΥ ΧΡΟΝΟΥ Σε αυτήν την διάλεξη θα πάμε στο φίλτρο με περισσότερες λεπτομέρειες, και θα παράσχουμε μια νέα παραγωγή για το φίλτρο Kalman, αυτή τη φορά βασισμένο στην ιδέα της γραμμικής ελάχιστης εκτίμησης διαφοράς (LMV) διακριτού χρόνου συστήματα. 1.1 YΠΟΒΑΘΡΟ Το πρόβλημα που επιδιώκουμε να λύσουμε είναι η συνεχής εκτίμηση ενός συνόλου παραμέτρων των οποίων τιμές αλλάζουν με τον καιρό. Η ενημέρωση επιτυγχάνεται με το συνδυασμό ενός συνόλου παρατηρήσεων ή μετρήσεων z(t) όποιοι περιέχουν τις πληροφορίες για το σήμα ενδιαφέροντος x(t). Ο ρόλος του εκτιμητή είναι να παράσχει μια εκτίμηση (t+ τ) κάποια στιγμή t+ τ. Αν τ >0 έχουμε μια πρόβλεψη φίλτρου, αν τ<0 έχουμε μια λείανση φίλτρου και αν τ=0, η λειτουργία καλείται απλά φιλτράρισμα. Ένας εκτιμητής που κάνει ανάκλαση λέγεται ότι είναι αμερόληπτος εάν η προσδοκία της παραγωγής της είναι η προσδοκία ή ποσότητα που υπολογίζεται, Ε[ ]=Ε[x]. Επίσης υπενθυμίζουμε ότι ένας ελάχιστος αμερόληπτος εκτιμητής διαφοράς (MVUE) είναι ένας εκτιμητής που είναι αμερόληπτος και ελαχιστοποιεί το μέσο όρο του τετραγωνικού λάθους : = arg E [ -x ^2 z] = E[x z] Ο όρος E[ x- ^2], η αποκαλούμενη διαφορά του λάθους, είναι στενά συνδεδεμένη στη συνδιακύμανση λάθους μήτρας, Ε[(x- )(x- )^T]. Συγκεκριμένα, η διαφορά του λάθους ενός εκτιμητή είναι ίση με το ίχνος από τη μήτρα συνδιακύμανσης λάθους, E[ x- ^2]= trace[(x- )(x- )^T] Το φίλτρο Kalman είναι μια γραμμική ελάχιστη διαφορά του φίλτρου λάθους (δηλ. είναι το καλύτερο γραμμικό φίλτρο πέρα από κατηγορία όλων των γραμμικών φίλτρων) πέρα από τα χρονικά μεταβαλλόμενα και χρόνο-αμετάβλητα φίλτρα. Στην περίπτωση του κρατικού διανύσματος x και οι παρατηρήσεις z είναι από κοινού κατανομή Gauss, ο εκτιμητής MVUE είναι μια γραμμική λειτουργία από το σύνολο μέτρησης z και έτσι το MVUE είναι επίσης ένας εκτιμητής LMV, όπως είδαμε στο πρώτο μέρος της σειράς μαθημάτων.
2 2 Σημείωση Θα πρέπει να χρησιμοποιηθεί η ακόλουθη σημειογραφία διάνυσμα παρατήρησης στο χρόνο k το σύνολο όλων των παρατηρήσεων έως χρόνο k κατάσταση του συστήματος φορέα κατά το χρόνο k εκτίμηση x κατά το χρόνο k με βάση το χρόνο i, k i σφάλμα εκτίμησης, -, (περισπωμένη σημειογραφία) πίνακας συνδιασποράς μεταβατική κατάσταση μήτρας (έλεγχος) μήτρας μετάβασης έξοδος πίνακας μετάβασης διαδικασία (ή σύστημα), φορέας του θορύβου διάνυσμα θορύβου μέτρησης μήτρα συνδιακύμανσης θορύβου διαδικασίας (ή σύστημα) μήτρα συνδιακύμανσης θορύβου μέτρησης μήτρα κέρδους Kalman καινοτομία στο χρόνο k μήτρα συνδιακύμανσης καινοτομίας στο χρόνο k
3 3 1.2 Πρότυπο συστημάτων και παρατήρησης Τώρα θα ξεκινήσουμε την ανάλυση του φίλτρου Kalman. Ανατρέξτε στο σχήμα 1. Υποθέτουμε ότι το σύστημα μπορεί να είναι από την εξίσωση μεταβατικής κατάστασης = + + (1) όπου είναι η κατάσταση κατά το χρόνο k, είναι ένας φορέας ελέγχου εισόδου, είναι πρόσθετο σύστημα ή διαδικασία θορύβου, είναι η μετάβαση εισόδου μήτρας και είναι η μήτρα μετάβασης κατάστασης. Περαιτέρω υποθέτουμε ότι οι παρατηρήσεις του κράτους γίνονται μέσω ενός συστήματος μέτρησης που μπορεί να αντιπροσωπευθεί από μια γραμμική εξίσωση της μορφής, = + (2) όπου είναι η παρατήρηση ή μέτρηση γίνεται κατά τη στιγμή k, είναι η κατάσταση κατά το χρόνο k, είναι η μήτρα παρατήρησης και προσθετικός θόρυβος μέτρησης.
4 4 1.3 Yποθέσεις Κάνουμε τις ακόλουθες υποθέσεις H διαδικασία και η μέτρηση του θορύβου,τυχαίες διαδικασίες και είναι ασυσχέτιστες, μηδενική μέση διαδικασίες λευκού θορύβου με γνωστούς πίνακες συνδιασποράς. Τότε, E [ ] = { (3) E [ ] = { (4) E [ ] = 0 για k, l (5) Όπου και είναι συμμετρικές θετικές ημιορισμένες μήτρες. Η αρχική κατάσταση του συστήματος, είναι ένα τυχαίο διάνυσμα που είναι συσχετισμένο τόσο το σύστημα όσο και με τις διαδικασίες του θορύβου μέτρησης.
5 5 Η αρχική κατάσταση του συστήματος έχει μία γνωστή μέση τιμή και πίνακα συνδιασποράς = Ε [ ] και = E [ ( - ) ] (6) Λαμβάνοντας υπόψη τις ανωτέρω υποθέσεις ο στόχος είναι να καθορίσει, λαμβάνοντας υπόψη ένα σύνολο παρατηρήσεων,.., το φίλτρο εκτίμησης που k+1 η παρουσία στο χρόνο παράγει μία βέλτιστη εκτίμηση της κατάστασης, το οποίο συμβολίζουμε με, που ελαχιστοποιεί την προσδοκία της συνάρτησης απώλειας τετράγωνο-λάθους, E [ ^2 ] = E [ ( - )^T ( )] (7) 1.4 Παραγωγή Εξετάστε την εκτίμηση του με βάση τις παρατηρήσεις μέχρι το χρόνο k,,,, δηλαδή. Αυτό ονομάζεται πρόβλεψη ενός σταδίου-μπροστά ή απλά μια πρόβλεψη. Τώρα η λύση για η ελαχιστοποίηση της εξίσωσης 7 είναι η προσδοκία του κράτους στο χρόνο k+1 ρυθμισμένος με παρατηρήσεις μέχρι το χρόνο k. Έτσι, = E [,., ] = E [ ] (8) Τότε η προβλεπόμενη κατάσταση δίνεται από = E [ ] = E [ + + ] = E[ ] + + E[ ] = + (9) όπου έχουμε χρησιμοποιήσει το γεγονός ότι ο θόρυβος διεργασία έχει μηδενική μέση τιμή και είναι γνωστή με ακρίβεια. Η διαφορά εκτίμησης είναι το μέσο τετραγωνικό σφάλμα στην εκτίμηση. Έτσι, χρησιμοποιώντας τα πραγματικά περιστατικά που είναι ασυσχέτιστες = E [ - )( )^T ]
6 6 = E[( - )( - )^T ] + E [ ] = + (10) Έχοντας λάβει μια προγνωστική εκτίμηση ας υποθέσουμε ότι έχουμε πλέον λάβει μια άλλη παρατήρηση. Πώς μπορούμε να χρησιμοποιήσουμε αυτές τις πληροφορίες για να ενημερώσουμε την πρόβλεψη, βρίσκω. Υποθέτουμε ότι η εκτίμηση είναι ένα γραμμικό σταθμισμένο άθροισμα της πρόβλεψης και της νέας παρατήρησης και μπορεί να περιγραφεί με την εξίσωση, = + (11) Όπου και μήτρες στάθμισης ή κέρδους (διαφορετικών μεγεθών). Το πρόβλημά μας τώρα είναι να μειώνεται στην εύρεση της και που ελαχιστοποιούν το μέσο τετραγωνικό όρους σφάλμα εκτίμησης όπου βέβαια το σφάλμα εκτίμησης δίνεται από : = - (12) 1.5 Ο αμερόληπτος όρος Για το φίλτρο μας που είναι αμεροληπτές, απαιτούμε E[ ] = E[ ]. Ας υποθέσουμε ότι είναι μια αμερόληπτη εκτίμηση. Στη συνέχεια συνδυάζοντας τις εξισώσεις (11) και (2) και λαμβάνοντας προσδοκίες των αποδόσεων E [ ] = E [ + + ] = E ] + E[ ] + E [ ] (13) Σημειώστε ότι η τελευταία περίοδος στη δεξιά πλευρά της εξίσωσης είναι μηδέν, και περαιτέρω σημειώστε ότι η πρόβλεψη είναι αμερόληπτη: E [ ] = E[ + ] = E ] + = E [ ] (14) Ως εκ τούτου, δια συνδυασμού των εξισώσεων (13) και (14))
7 7 E [ ] = ( + )E[ και η προϋπόθεση της είναι αμερόληπτη και μειώνει την απαίτηση + = I ή = I - (15) Έχουμε τώρα ότι για να είναι αμερόληπτες για τον εκτιμητή μας πρέπει να πληρούν = (I - ) + = + [ - ] (16) Όπου K είναι γνωστό ως το κέρδος Kalman. Σημειώστε ότι εφόσον μπορεί να ερμηνευθεί ως μία προβλεπόμενη παρατήρηση, η εξίσωση 16 μπορεί ερμηνεύεται ως ποσό μιας πρόβλεψης και ενός μέρους της διαφοράς μεταξύ της προβλεπόμενης και της πραγματικής παρατήρησης. 1.6 Eύρεση της συνδιακύμανσης λάθους Καθορίσαμε τη συνδιακύμανση λάθους πρόβλεψης στην εξίσωση (10). Γυρίζουμε τώρα στο ενημερωμένο λάθος συνδιακύμανση = E[ ( )^T =E[( - )( - )^T] = (I - ) E [( ] (I - )^T + E [ ] + 2(I - ) E [ ] και με E [ ] = E [ ] =
8 8 E [ ] = 0 παίρνουμε = ( I - ) ( I - )^T + (17) Κατά συνέπεια η συνδιακύμανση της ενημερωμένης εκτίμησης εκφράζεται από την άποψη της συνδιακύμανσης πρόβλεψης, ο θόρυβος παρατήρησης και η μήτρα κέρδους Kalman. 1.7 Επιλογή του κέρδους Kalman Στόχος μας τώρα είναι να ελαχιστοποιηθεί η υπό όρους μέσο τετραγωνικό σφάλμα εκτίμησης σε σχέση με το κέρδος Kalman, K. L = E [ ] = trace ( E [ ] = trace ( ) (18) Για οποιαδήποτε μήτρα A και μια συμμετρική μήτρα B (trace( )) = 2AB (για να δει αυτό, θεωρήστε το ίχνος όπως B όπου είναι οι στήλες, και έπειτα διαφοροποιώντας το ). Συνδυάζοντας τις εξισώσεις (17) και (18) και τη διαφοροποίηση σε σχέση με τη μήτρα απολαβής (χρησιμοποιώντας τη σχέση ανωτέρω) και τον καθορισμό ισούται με μηδέν αποδόσεις = -2(( I - ) + 2 = 0 Η εκ νέου ρύθμιση δίνει μια εξίσωση για τη μήτρα κέρδους [ + ]^-1 (19)
9 9 Μαζί με την Εξίσωση 16 αυτό καθορίζει το βέλτιστο γραμμικό μέσο τετραγωνικό σφάλμα εκτιμητή. 1.8 Περίληψη των βασικών εξισώσεων Σε αυτό το σημείο αξίζει να συνοψίζει τις βασικές εξισώσεις που βρίσκονται πίσω από τον αλγόριθμο του φίλτρου Kalman. Ο αλγόριθμος αποτελείται από δύο βήματα ένα βήμα πρόβλεψης και ένα βήμα ενημέρωσης. Πρόβλεψη: επίσης γνωστό ως χρόνος ενημέρωσης. Αυτό προβλέπει το κράτος και η διακύμανση στο χρόνο k+1 από τις πληροφορίες κατά το χρόνο k. = + (20) = + (21) Ενημέρωση: επίσης γνωστή ως η ενημερωμένη μέτρησης. Αυτό ενημερώνει το κράτος και τη διακύμανση χρησιμοποιώντας συνδυασμό της προβλεπόμενης κράτους και της παρατήρησης. = + [ - ] (22) = ( I - ) + (23)
10 10 όπου η μήτρα της απολαβής δίνεται από = [ + ]^-1 (24) Μαζί με τις αρχικές συνθήκες για την εκτίμηση και τη μήτρα συνδιασποράς το σφάλμα της (εξίσωση 6). Αυτό καθορίζει του διακριτού χρόνου διαδοχικού, αναδρομικού αλγόριθμου για τον προσδιορισμό της γραμμικής ελάχιστης διακύμανσης γνωστό ως φίλτρο Kalman. 1.9 Ερμηνεία του φίλτρου Kalman Ρίχνουμε τώρα μια ματιά στο γενικό αλγόριθμο φίλτρων Kalman με περισσότερες λεπτομέρειες. Το σχήμα 2 συνοψίζει στάδια στον αλγόριθμο με μορφή διαγραμμάτος μπλοκ. Η καινοτομία,, ορίζεται ως η διαφορά μεταξύ της παρατήρησης (μέτρηση) και της πρόβλεψής του γίνονται με τη χρήση των διαθέσιμων πληροφοριών κατά το χρόνο k. Είναι ένα μέτρο της νέας πληροφορίας που παρέχετε με την προσθήκη μιας άλλης μέτρησης στη διαδικασία εκτίμησης. Δεδομένου ότι = Ε[ ]
11 11 = E [ + ] = (25) η καινοτομία μπορεί να εκφραστεί από = - (26) Η καινοτομία ή το υπόλοιπο είναι ένα σημαντικό μέτρο πόσο καλά ένας εκτιμητής εκτελεί. Για παράδειγμα μπορεί να χρησιμοποιηθεί για την επικύρωση μιας μέτρησης πριν να περιλαμβάνεται ως ένα μέλος της ακολουθία παρατήρησης (περισσότερα για αυτό αργότερα). Η διαδικασία του μετασχηματισμού σε μερικές φορές λέγεται ότι πρέπει να επιτευχθεί μέσω του φίλτρου λεύκανσης Kalman. Αυτό είναι επειδή οι καινοτομίες διαμορφώνουν μια ασύνδετη ορθογώνια διαδικασία άσπρου-θορύβου ακολουθία η οποία είναι στατιστικά ισοδύναμη με τις παρατηρήσεις. Αυτό είναι σημαντικό επειδή όπου όπως σε γενικές γραμμές να σχετίζεται στατιστικά σημαντικά, η καινοτομία είναι ασυσχέτιστες έτσι αποτελεσματικά παρέχει νέες πληροφορίες ή "καινοτομία". Η καινοτομία έχει μηδενική μέση τιμή, δεδομένου ότι, E [ ] = E [ - ] = E [ ] - = 0 (27) και η διακύμανση της καινοτομίας δίνεται από = E [ ] = E [ ( - )( - )^T = + (28) Χρησιμοποιώντας την εξίσωση 26 και 28 μπορούμε να ξαναγράψουμε τις αναπροσαρμογές Kalman από την άποψη της καινοτομίας και της διαφορά ως εξής.
12 12 = + (29) = E [ - - ) - - )^T = E [ ( - )( - )^T ] - E [ ] = - (30) όπου, από την εξίσωση 19 = (31) και = + (32) Αυτό είναι μια κατάλληλη μορφή του φίλτρου Kalman που χρησιμοποιείται συχνά στην ανάλυση. Αν και χρησιμοποιείται πρώτιστα ως κρατικός εκτιμητής ο αλγόριθμος φίλτρων Kalman, μπορεί να χρησιμοποιηθεί στην εκτίμηση παράμετρων εκτός από το κρατικό διάνυσμα. Αυτοί είναι διευκρινισμένοι στο σχήμα Εάν εφαρμοστεί για την εκτίμηση αυτό ονομάζεται φίλτρο μέτρησης. 2. Εάν εφαρμοστεί για την εκτίμηση αυτό ονομάζεται φίλτρο πρόβλεψης. 3. Εάν εφαρμοστεί για την εκτίμηση αυτό ονομάζεται φίλτρο λεύκανσης 4. Εάν εφαρμοστεί για την εκτίμηση αυτό ονομάζεται φίλτρο Kalman.
13 Ο αλγόριθμος Kalman διακριτού φίλτρου Θα ξεκινήσουμε αυτό το τμήμα με μια γενική επισκόπηση, που καλύπτει την "υψηλού επιπέδου" λειτουργία μιας μορφής του διακριτού φίλτρου Kalman. Μετά την παρουσίαση αυτή την άποψη υψηλού επιπέδου, που θα περιορίσετε την εστίαση στις συγκεκριμένες εξισώσεις και τη χρήση τους σε αυτήν την έκδοση του φίλτρου. Το φίλτρο Kalman υπολογίζει μια διαδικασία με τη χρησιμοποίηση μιας μορφής ελέγχου ανατροφοδότησης: το φίλτρο υπολογίζει το κρατική διαδικασία σε κάποιο χρονικό διάστημα και στη συνέχεια λαμβάνει την ανατροφοδότηση υπό μορφή (θορυβώδη) μετρήσεων. Ως τέτοια, οι εξισώσεις για το φίλτρο Kalman χωρίζονται σε δύο ομάδες: 1)ενημέρωση ώρας εξισώσεων και 2) μέτρηση ενημέρωση εξισώσεων. Οι εξισώσεις χρονικών αναπροσαρμογών είναι αρμόδιες για να προβάλουν προς τα εμπρός (στο χρόνο) το τρέχουσα κατάσταση και συνδιακύμανσης σφάλματος εκτιμήσεις για την απόκτηση των προτέρων εκτιμήσεις για το επόμενο χρονικό βήμα. Οι επικαιροποιημένες εξισώσεις μέτρησης είναι αρμόδιες για την ανατροφοδότηση, δηλαδή για την ενσωμάτωση μιας νέας μέτρησης, για να αποκτήσει βελτιωμένη εκ των υστέρων εκτίμηση. Οι εξισώσεις χρονικών αναπροσαρμογών μπορούν επίσης να θεωρηθούν ως εξισώσεις προαγγέλων, ενώ οι μετρήσεις των εξισώσεων αναπροσαρμογών μπορούν να θεωρηθούν ως εξισώσεις διορθωτών. Πράγματι, ο τελικός αλγόριθμος εκτίμησης μοιάζει με εκείνη ενός αλγορίθμου πρόβλεψης-διόρθωσης για την επίλυση αριθμητικών προβλημάτων, όπως φαίνεται παρακάτω: Σχήμα 3: Ο τρέχων ιδιαίτερος κύκλος φίλτρων Kalman. Η ενημέρωση ώρας προβάλλει την τρέχουσα κατάσταση εκτίμηση μπροστά στο χρόνο. Η ενημέρωση μέτρησης ρυθμίζει την προβλεπόμενη εκτίμηση από πραγματική μέτρηση εκείνη τη στιγμή.
14 14 Οι συγκεκριμένες εξισώσεις για τις αναπροσαρμογές χρόνου και μέτρησης παρουσιάζονται κατωτέρω στον Πίνακα 1 και Πίνακα 2. Πίνακας 1.Φίλτρο Kalman διακριτού χρόνου εξισώσεις ενημέρωσης. = A + B (33) = AP + Q (34) Παρατηρήστε πώς οι χρονικές εξισώσεις ενημέρωσης στο έργο Πίνακας 1 το κράτος και η συνδιακύμανση εκτίμησης διαβιβάζονται από το βήμα του χρόνου k-1 στο βήμα k. Πίνακας2. Φίλτρο Kalman διακριτής μέτρησης ενημέρωσης εξισώσεων. = (35) = + ( - H ) (36) = ( I - H) (37) Ο πρώτος στόχος κατά την ενημέρωση της μέτρησης είναι να υπολογιστεί το κέρδος Kalman,. Παρατηρήστε ότι η εξίσωση δίνεται από (35). Το επόμενο βήμα είναι να μετρηθεί πραγματικά η διαδικασία για να ληφθεί το, και στη συνέχεια να δημιουργήσει μια κατάσταση εκ των υστέρων εκτίμηση, ενσωματώνοντας τη μέτρηση όπως στο (36). Πάλι από (36) είναι απλά επαναλαμβανόμενος για την πληρότητα. Το τελικό βήμα είναι να ληφθεί μια εκ των υστέρων εκτίμηση συνδιακύμανση σφάλματος μέσω της εξίσωσης (37). Μετά από κάθε φορά που και επαναλαμβάνεται το ζευγάρι αναπροσαρμογών μέτρησης, η διαδικασία με εκ των υστέρων εκτιμήσεις χρησιμοποιείται στο πρόγραμμα για την προβολή ή την πρόβλεψη νέων εκτιμήσεων. Αυτή η αναδρομική φύση είναι ένα από τα πολύ ελκυστικά χαρακτηριστικά του φίλτρο Kalman και καθιστά πρακτικές εφαρμογές πολύ πιο εφικτές από (για παράδειγμα) εφαρμογές ενός φίλτρου Wiener το οποίο έχει σχεδιαστεί για να λειτουργεί σε όλα τα δεδομένα άμεσα για κάθε εκτίμηση. Το φίλτρο Kalman αντ' αυτού κατ' επανάληψη ρυθμίζει την τρέχουσα εκτίμηση σε όλες τις προηγούμενες μετρήσεις. Η εικόνα παρακάτω προσφέρει μια πλήρες εικόνα της λειτουργίας του φίλτρου, συνδυάζοντας το διάγραμμα υψηλού επιπέδου του σχ. 3 με τις εξισώσεις από τον Πίνακα 1 και Πίνακα 2.
15 15 Μια πλήρης εικόνα της λειτουργίας του φίλτρου Kalman, συνδυάζοντας το διάγραμμα υψηλού επιπέδου του σχ. 3 με τις εξισώσεις από τον Πίνακας 1 και τον Πίνακα 2. Κλείνοντας σημειώνουμε ότι κάτω από συνθήκες όπου Q και R είναι στην πραγματικότητα σταθερές, τόσο στην εκτίμηση συνδιακύμανσης σφάλματος και το κέρδος Kalman θα σταθεροποιηθούν γρήγορα και στη συνέχεια παραμένουν σταθερές (βλέπε το φίλτρο ενημέρωσης εξισώσεων στο παραπάνω σχήμα). Εάν αυτό συμβαίνει, αυτές οι παράμετροι μπορούν να προ-υπολογιστούν είτε με τη λειτουργία του φίλτρου off-line είτε παραδείγματος χάριν με τον καθορισμό της αξίας κατάστασης από. Είναι συχνά η περίπτωση, ωστόσο, ότι το σφάλμα μέτρησης (ειδικότερα) δεν παραμένει σταθερό. Παραδείγματος χάριν, όταν διακρίνοντας αναγνωριστικά σήματα στις οπτικοηλεκτρονικές ανώτατες επιτροπές ιχνηλατών μας, ο θόρυβος στις μετρήσεις των κοντινών αναγνωριστικών σημάτων θα είναι μικρότερος από αυτός στα μακρινά αναγνωριστικά σήματα. Επίσης, ο θόρυβος διαδικασίας Q μερικές φορές αλλάζει δυναμικά κατά τη διάρκεια της λειτουργίας του φίλτρου σε προκειμένου να προσαρμοστεί στη διαφορετικές δυναμικές. Για παράδειγμα, στην περίπτωση του εντοπισμού της κεφαλής ενός χρήστη σε 3D εικονικό περιβάλλον, θα μπορούσε να μειώσει το μέγεθος του αν ο χρήστης φαίνεται να κινείται σιγά-σιγά, και να αυξήσει το μέγεθος αν η δυναμική αρχίσει να αλλάζει με ταχείς ρυθμούς. Σε τέτοιες περιπτώσεις το επιλέγεται για να αποτελέσει την αβεβαιότητα για τις προθέσεις του χρήστη και την αβεβαιότητα του μοντέλου.
16 16
E[ (x- ) ]= trace[(x-x)(x- ) ]
1 ΦΙΛΤΡΟ KALMAN ΔΙΑΚΡΙΤΟΥ ΧΡΟΝΟΥ Σε αυτό το μέρος της πτυχιακής θα ασχοληθούμε λεπτομερώς με το φίλτρο kalman και θα δούμε μια καινούρια έκδοση του φίλτρου πάνω στην εφαρμογή της γραμμικής εκτίμησης διακριτού
Διαβάστε περισσότεραΦΙΛΤΡΟ KALMAN ΔΙΑΚΡΙΤΟΥ ΧΡΟΝΟΥ
1 ΦΙΛΤΡΟ KALMAN ΔΙΑΚΡΙΤΟΥ ΧΡΟΝΟΥ Σε αυτό το μέρος της πτυχιακής θα ασχοληθούμε λεπτομερώς με το φίλτρο kalman και θα δούμε μια καινούρια έκδοση του φίλτρου πάνω στην εφαρμογή της γραμμικής εκτίμησης διακριτού
Διαβάστε περισσότερα, και. είναι σταθερές (χρονικά αμετάβλητες), προκύπτει το χρονικά αμετάβλητο φίλτρο Kalman (Time Invariant Kalman Filter):
1 ΧΡΟΝΙΚΑ ΑΜΕΤΑΒΛΗΤΟ ΦΙΛΤΡΟ KALMAN Για το χρονικά αμετάβλητο μοντέλο, όπου οι μήτρες F( k 1, k) F, H( k 1) H, Q( k) Q και R( k 1) R είναι σταθερές (χρονικά αμετάβλητες), προκύπτει το χρονικά αμετάβλητο
Διαβάστε περισσότεραΦίλτρα Kalman. Αναλυτικές μέθοδοι στη Γεωπληροφορική. ιατύπωση του βασικού προβλήματος. προβλήματος. μοντέλο. Πρωτεύων μοντέλο
Φίλτρα Kalman Εξαγωγή των εξισώσεων τους με βάση το κριτήριο ελαχιστοποίησης της Μεθόδου των Ελαχίστων Τετραγώνων. Αναλυτικές Μέθοδοι στη Γεωπληροφορική Μεταπτυχιακό Πρόγραμμα ΓΕΩΠΛΗΡΟΦΟΡΙΚΗ ιατύπωση του
Διαβάστε περισσότεραΕΛΕΓΧΟΣ ΠΑΡΑΓΩΓΙΚΩΝ ΔΙΕΡΓΑΣΙΩΝ
ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ Ανώτατο Εκπαιδευτικό Ίδρυμα Πειραιά Τεχνολογικού Τομέα ΕΛΕΓΧΟΣ ΠΑΡΑΓΩΓΙΚΩΝ ΔΙΕΡΓΑΣΙΩΝ Ενότητα: Αναγνώριση Διεργασίας - Προσαρμοστικός Έλεγχος (Process Identification) Αλαφοδήμος Κωνσταντίνος
Διαβάστε περισσότεραπροβλήµατος Το φίλτρο Kalman διαφέρει από τα συνηθισµένα προβλήµατα ΜΕΤ σε δύο χαρακτηριστικά: παραµέτρων αγνώστων
Φίλτρα Kalman Εξαγωγή των εξισώσεων τους µε βάση το κριτήριο ελαχιστοποίησης της Μεθόδου των Ελαχίστων Τετραγώνων. Αναλυτικές Μέθοδοι στη Γεωπληροφορική Μεταπτυχιακό Πρόγραµµα ΓΕΩΠΛΗΡΟΦΟΡΙΚΗ ιατύπωση του
Διαβάστε περισσότεραΠοσοτικές Μέθοδοι στη Διοίκηση Επιχειρήσεων ΙΙ Σύνολο- Περιεχόμενο Μαθήματος
Ποσοτικές Μέθοδοι στη Διοίκηση Επιχειρήσεων ΙΙ Σύνολο- Περιεχόμενο Μαθήματος Χιωτίδης Γεώργιος Τμήμα Λογιστικής και Χρηματοοικονομικής Άδειες Χρήσης Το παρόν εκπαιδευτικό υλικό υπόκειται σε άδειες χρήσης
Διαβάστε περισσότεραΤο πρόβλημα του φιλτραρίσματος είναι να υπολογιστεί η βέλτιστη εκτίμηση. μέχρι και τη χρονική στιγμή k. Η εκτίμηση είναι:
1 2. ΦΙΛΤΡΟ KALMAN 2.1.ΧΡΟΝΙΚΑ ΜΕΤΑΒΑΛΛΟΜΕΝΟ ΦΙΛΤΡΟ KALMAN Το πρόβλημα του φιλτραρίσματος είναι να υπολογιστεί η βέλτιστη εκτίμηση (φιλτράρισμα) x( k / k ) της κατάστασης τη χρονική στιγμή δεδομένου του
Διαβάστε περισσότεραΣτατιστική είναι το σύνολο των μεθόδων και θεωριών που εφαρμόζονται σε αριθμητικά δεδομένα προκειμένου να ληφθεί κάποια απόφαση σε συνθήκες
Ορισμός Στατιστική είναι το σύνολο των μεθόδων και θεωριών που εφαρμόζονται σε αριθμητικά δεδομένα προκειμένου να ληφθεί κάποια απόφαση σε συνθήκες αβεβαιότητας. Βασικές έννοιες Η μελέτη ενός πληθυσμού
Διαβάστε περισσότεραΜια εισαγωγή στο φίλτρο Kalman
1 Μια εισαγωγή στο φίλτρο Kalman Το 1960, R.E. Kalman δημόσιευσε το διάσημο έγγραφό του περιγράφοντας μια επαναλαμβανόμενη λύση στο γραμμικό πρόβλημα φιλτραρίσματος διακριτών δεδομένων. Από εκείνη τη στιγμή,
Διαβάστε περισσότεραΑριθμητική εύρεση ριζών μη γραμμικών εξισώσεων
Αριθμητική εύρεση ριζών μη γραμμικών εξισώσεων Με τον όρο μη γραμμικές εξισώσεις εννοούμε εξισώσεις της μορφής: f( ) 0 που προέρχονται από συναρτήσεις f () που είναι μη γραμμικές ως προς. Περιέχουν δηλαδή
Διαβάστε περισσότεραΑπλή Γραμμική Παλινδρόμηση και Συσχέτιση 19/5/2017
Απλή Γραμμική Παλινδρόμηση και Συσχέτιση 2 Εισαγωγή Η ανάλυση παλινδρόμησης περιλαμβάνει το σύνολο των μεθόδων της στατιστικής που αναφέρονται σε ποσοτικές σχέσεις μεταξύ μεταβλητών Πρότυπα παλινδρόμησης
Διαβάστε περισσότεραΧΡΟΝΙΚΕΣ ΣΕΙΡΕΣ. Παπάνα Αγγελική
ΧΡΟΝΙΚΕΣ ΣΕΙΡΕΣ 7ο μάθημα: Πολυμεταβλητή παλινδρόμηση (ΕΠΑΝΑΛΗΨΗ) Παπάνα Αγγελική Μεταδιδακτορική ερευνήτρια, ΑΠΘ & ΠΑΜΑΚ E-mail: angeliki.papana@gmail.com, agpapana@auth.gr Webpage: http://users.auth.gr/agpapana
Διαβάστε περισσότεραHMY 799 1: Αναγνώριση Συστημάτων
HMY 799 : Αναγνώριση Συστημάτων Διάλεξη Γραμμική παλινδρόμηση (Linear regression) Εμπειρική συνάρτηση μεταφοράς Ομαλοποίηση (smoothing) Y ( ) ( ) ω G ω = U ( ω) ω +Δ ω γ ω Δω = ω +Δω W ( ξ ω ) U ( ξ) G(
Διαβάστε περισσότεραHMY 795: Αναγνώριση Προτύπων
HMY 795: Αναγνώριση Προτύπων Διάλεξη 2 Επισκόπηση θεωρίας πιθανοτήτων Τυχαίες μεταβλητές: Βασικές έννοιες Τυχαία μεταβλητή: Μεταβλητή της οποίας δε γνωρίζουμε με βεβαιότητα την τιμή (σε αντίθεση με τις
Διαβάστε περισσότεραΒέλτιστος Έλεγχος Συστημάτων
Βέλτιστος Έλεγχος Συστημάτων Ενότητα 11: Στοχαστικός βέλτιστος έλεγχος γραμμικών συστημάτων με χρήση τετραγωνικών κριτηρίων (LQG Problem) Καθηγητής Αντώνιος Αλεξανδρίδης Πολυτεχνική Σχολή Τμήμα Ηλεκτρολόγων
Διαβάστε περισσότερα4. ΚΕΦΑΛΑΙΟ ΕΦΑΡΜΟΓΕΣ ΤΟΥ ΜΕΤΑΣΧΗΜΑΤΙΣΜΟΥ FOURIER
4. ΚΕΦΑΛΑΙΟ ΕΦΑΡΜΟΓΕΣ ΤΟΥ ΜΕΤΑΣΧΗΜΑΤΙΣΜΟΥ FOURIER Σκοπός του κεφαλαίου είναι να παρουσιάσει μερικές εφαρμογές του Μετασχηματισμού Fourier (ΜF). Ειδικότερα στο κεφάλαιο αυτό θα περιγραφούν έμμεσοι τρόποι
Διαβάστε περισσότεραA Τελική Εξέταση του μαθήματος «Αριθμητική Ανάλυση» Σχολή Θετικών Επιστημών, Τμήμα Μαθηματικών, Πανεπιστήμιο Αιγαίου
A Τελική Εξέταση του μαθήματος «Αριθμητική Ανάλυση» Εξεταστική περίοδος Ιουνίου 6, Διδάσκων: Κώστας Χουσιάδας Διάρκεια εξέτασης: ώρες (Σε παρένθεση δίνεται η βαθμολογική αξία κάθε υπο-ερωτήματος. Σύνολο
Διαβάστε περισσότεραΑΝΑΛΥΣΗ ΔΙΑΚΥΜΑΝΣΗΣ. Επικ. Καθ. Στέλιος Ζήμερας. Τμήμα Μαθηματικών Κατεύθυνση Στατιστικής και Αναλογιστικά Χρηματοοικονομικά Μαθηματικά
ΑΝΑΛΥΣΗ ΔΙΑΚΥΜΑΝΣΗΣ Επικ Καθ Στέλιος Ζήμερας Τμήμα Μαθηματικών Κατεύθυνση Στατιστικής και Αναλογιστικά Χρηματοοικονομικά Μαθηματικά 5 Έστω για την σύγκριση δειγμάτων συλλέγουμε παρατηρήσεις Υ =,,, από
Διαβάστε περισσότεραΣυνολοκλήρωση και μηχανισμός διόρθωσης σφάλματος
ΜΑΘΗΜΑ 10 ο Συνολοκλήρωση και μηχανισμός διόρθωσης σφάλματος Η μέθοδος της συνολοκλήρωσης είναι ένας τρόπος με τον οποίο μπορούμε να εκτιμήσουμε τη μακροχρόνια σχέση ισορροπίας που υπάρχει μεταξύ δύο ή
Διαβάστε περισσότεραΣΤΟΧΑΣΤΙΚΑ ΣΗΜΑΤΑ ΚΑΙ ΕΦΑΡΜΟΓΕΣ
ΣΤΟΧΑΣΤΙΚΑ ΣΗΜΑΤΑ ΚΑΙ ΕΦΑΡΜΟΓΕΣ Ακαδηµαϊκό Έτος 007-008 ιδάσκων: Ν. Παπανδρέου (Π.. 407/80) Πανεπιστήµιο Πατρών Τµήµα Μηχανικών Ηλεκτρονικών Υπολογιστών και Πληροφορικής 1η Εργαστηριακή Άσκηση Αναγνώριση
Διαβάστε περισσότεραΑριθμητική Ανάλυση και Εφαρμογές
Αριθμητική Ανάλυση και Εφαρμογές Διδάσκων: Δημήτριος Ι. Φωτιάδης Τμήμα Μηχανικών Επιστήμης Υλικών Ιωάννινα 07-08 Αριθμητική Παραγώγιση Εισαγωγή Ορισμός 7. Αν y f x είναι μια συνάρτηση ορισμένη σε ένα διάστημα
Διαβάστε περισσότεραΑριθμητική Ανάλυση και Εφαρμογές
Αριθμητική Ανάλυση και Εφαρμογές Διδάσκων: Δημήτριος Ι. Φωτιάδης Τμήμα Μηχανικών Επιστήμης Υλικών Ιωάννινα 07-08 Αριθμητική Ολοκλήρωση Εισαγωγή Έστω ότι η f είναι μία φραγμένη συνάρτηση στο πεπερασμένο
Διαβάστε περισσότεραΑναπλ. Καθηγήτρια, Ελένη Κανδηλώρου. Αθήνα Σημειώσεις. Εκτίμηση των Παραμέτρων β 0 & β 1. Απλό γραμμικό υπόδειγμα: (1)
Σημειώσεις Αναπλ. Καθηγήτρια, Ελένη Κανδηλώρου Αθήνα -3-7 Εκτίμηση των Παραμέτρων β & β Απλό γραμμικό υπόδειγμα: Y X () Η αναμενόμενη τιμή του Υ, δηλαδή, μέση τιμή του Υ, δίνεται παρακάτω: EY ( ) X EY
Διαβάστε περισσότεραΒέλτιστος Έλεγχος Συστημάτων
Βέλτιστος Έλεγχος Συστημάτων Ενότητα 6: Το γραμμικό τετραγωνικό πρόβλημα βέλτιστης Καθηγητής Αντώνιος Αλεξανδρίδης Πολυτεχνική Σχολή Τμήμα Ηλεκτρολόγων Μηχανικών και Τεχνολογίας Υπολογιστών Σημείωμα Αδειοδότησης
Διαβάστε περισσότεραΧρονικές σειρές 2 Ο μάθημα: Εισαγωγή στις χρονοσειρές
Χρονικές σειρές 2 Ο μάθημα: Εισαγωγή στις χρονοσειρές Εαρινό εξάμηνο 2018-2019 μήμα Μαθηματικών ΑΠΘ Διδάσκουσα: Αγγελική Παπάνα Μεταδιδακτορική Ερευνήτρια Πολυτεχνική σχολή, Α.Π.Θ. & Οικονομικό μήμα, Πανεπιστήμιο
Διαβάστε περισσότεραΠαραδείγματα (2 ο σετ) Διανυσματικοί Χώροι Επιμέλεια: Ι. Λυχναρόπουλος
Παραδείγματα ( ο σετ) Διανυσματικοί Χώροι Επιμέλεια: Ι. Λυχναρόπουλος Παράδειγμα Έστω ο υποχώρος W του R 5 που παράγεται από τα διανύσματα v=(,,-,,), v=(,,-,6,8), v=(,,,,6), v=(,,5,,8), v5=(,7,,,9). a)
Διαβάστε περισσότεραΟΙΚΟΝΟΜΕΤΡΙΑ. Παπάνα Αγγελική
ΟΙΚΟΝΟΜΕΤΡΙΑ Ενότητα 5: Ανάλυση γραμμικού υποδείγματος Πολυμεταβλητή παλινδρόμηση (1 ο μέρος) Παπάνα Αγγελική Μεταδιδακτορική ερευνήτρια, ΑΠΘ E-mail: ageliki.papaa@gmail.com, agpapaa@auth.gr Webpage: http://users.auth.gr/agpapaa
Διαβάστε περισσότεραΕισόδημα Κατανάλωση 1500 500 1600 600 1300 450 1100 400 600 250 700 275 900 300 800 352 850 400 1100 500
Εισόδημα Κατανάλωση 1500 500 1600 600 1300 450 1100 400 600 250 700 275 900 300 800 352 850 400 1100 500 Πληθυσμός Δείγμα Δείγμα Δείγμα Ο ρόλος της Οικονομετρίας Οικονομική Θεωρία Διατύπωση της
Διαβάστε περισσότεραΤμήμα Διοίκησης Επιχειρήσεων (Γρεβενά) Μάθημα: Οικονομετρία Διάλεξη 2η: Απλή Γραμμική Παλινδρόμηση. Διδάσκουσα: Κοντογιάννη Αριστούλα
Τμήμα Διοίκησης Επιχειρήσεων (Γρεβενά) Μάθημα: Οικονομετρία Διάλεξη 2η: Απλή Γραμμική Παλινδρόμηση Διδάσκουσα: Κοντογιάννη Αριστούλα Πώς συσχετίζονται δυο μεταβλητές; Ένας απλός τρόπος για να αποκτήσουμε
Διαβάστε περισσότεραΕΛΕΓΧΟΣ ΒΙΟΜΗΧΑΝΙΚΩΝ ΔΙΕΡΓΑΣΙΩΝ ΚΕΦΑΛΑΙΟ 4 ΚΕΦΑΛΑΙΟ 5. ΑΝΑΓΝΩΡΙΣΗ ΔΙΕΡΓΑΣΙΑΣ ΠΡΟΣΑΡΜΟΣΤΙΚΟΣ ΕΛΕΓΧΟΣ (Process Identifications)
ΚΕΦΑΛΑΙΟ 5 ΑΝΑΓΝΩΡΙΣΗ ΔΙΕΡΓΑΣΙΑΣ ΠΡΟΣΑΡΜΟΣΤΙΚΟΣ ΕΛΕΓΧΟΣ (Process Idetificatios) Στο κεφάλαιο αυτό γίνεται παρουσίαση μεθοδολογίας για την ανεύρεση ενός αξιόπιστου μοντέλου πριν ή κατά την λειτουργία της
Διαβάστε περισσότεραKalman Filter Γιατί ο όρος φίλτρο;
Kalman Filter Γιατί ο όρος φίλτρο; Συνήθως ο όρος φίλτρο υποδηλώνει µια διαδικασία αποµάκρυνσης µη επιθυµητών στοιχείων Απότολατινικόόροfelt : το υλικό για το φιλτράρισµα υγρών Στη εποχή των ραδιολυχνίων:
Διαβάστε περισσότεραΑναγνώριση Προτύπων Ι
Αναγνώριση Προτύπων Ι Ενότητα 1: Μέθοδοι Αναγνώρισης Προτύπων Αν. Καθηγητής Δερματάς Ευάγγελος Τμήμα Ηλεκτρολόγων Μηχανικών και Τεχνολογίας Υπολογιστών Άδειες Χρήσης Το παρόν εκπαιδευτικό υλικό υπόκειται
Διαβάστε περισσότεραEΦΑΡΜΟΓΕΣ ΤΗΣ ΨΗΦΙΑΚΗΣ ΕΠΕΞΕΡΓΑΣΙΑΣ ΣΗΜΑΤΩΝ Γραµµική Εκτίµηση Τυχαίων Σηµάτων Φίλτρο Kalman
EΦΑΡΜΟΓΕΣ ΤΗΣ ΨΗΦΙΑΚΗΣ ΕΠΕΞΕΡΓΑΣΙΑΣ ΣΗΜΑΤΩΝ Γραµµική Εκτίµηση Τυχαίων Σηµάτων Φίλτρο Kalma Εµµανουήλ Ζ. Ψαράκης Πολυτεχνική Σχολή Τµήµα Μηχανικών Η/Υ & Πληροφορικής Ακολουθιακή Επεξεργασία Τα δείγµατα
Διαβάστε περισσότεραΠαρουσίαση 2 η : Αρχές εκτίμησης παραμέτρων Μέρος 1 ο
Εφαρμογές Ανάλυσης Σήματος στη Γεωδαισία Παρουσίαση η : Αρχές εκτίμησης παραμέτρων Μέρος ο Βασίλειος Δ. Ανδριτσάνος Αναπληρωτής Καθηγητής Γεώργιος Χλούπης Επίκουρος Καθηγητής Τμήμα Μηχανικών Τοπογραφίας
Διαβάστε περισσότεραΠροσαρµοστικοί Αλγόριθµοι Υλοποίησης Βέλτιστων Ψηφιακών Φίλτρων: Ο αναδροµικός αλγόριθµος ελάχιστων τετραγώνων (RLS Recursive Least Squares)
ΒΕΣ 6 Προσαρµοστικά Συστήµατα στις Τηλεπικοινωνίες Προσαρµοστικοί Αλγόριθµοι Υλοποίησης Βέλτιστων Ψηφιακών Φίλτρων: Ο αναδροµικός αλγόριθµος ελάχιστων τετραγώνων RLS Rcrsiv Last Sqars 27 iclas sapatslis
Διαβάστε περισσότεραΕφαρμοσμένη Στατιστική: Συντελεστής συσχέτισης. Παλινδρόμηση απλή γραμμική, πολλαπλή γραμμική
ΕΦΑΡΜΟΣΜΕΝΗ ΣΤΑΤΙΣΤΙΚΗ ΑΝΑΛΥΣΗ ΜΕΡΟΣ B Δημήτρης Κουγιουμτζής e-mal: dkugu@auth.gr Ιστοσελίδα αυτού του τμήματος του μαθήματος: http://uer.auth.gr/~dkugu/teach/cvltraport/dex.html Εφαρμοσμένη Στατιστική:
Διαβάστε περισσότεραΣΧΟΛΗ ΔΙΟΙΚΗΣΗΣ ΕΠΙΧΕΙΡΗΣΕΩΝ ΤΜΗΜΑ ΟΡΓΑΝΩΣΗΣ ΚΑΙ ΔΙΟΙΚΗΣΗΣ ΕΠΙΧΕΙΡΗΣΕΩΝ ΔΙΔΑΣΚΩΝ: ΘΑΝΑΣΗΣ ΚΑΖΑΝΑΣ. Οικονομετρία
ΣΧΟΛΗ ΔΙΟΙΚΗΣΗΣ ΕΠΙΧΕΙΡΗΣΕΩΝ ΤΜΗΜΑ ΟΡΓΑΝΩΣΗΣ ΚΑΙ ΔΙΟΙΚΗΣΗΣ ΕΠΙΧΕΙΡΗΣΕΩΝ ΔΙΔΑΣΚΩΝ: ΘΑΝΑΣΗΣ ΚΑΖΑΝΑΣ Οικονομετρία 4.1 Πολλαπλό Γραμμικό Υπόδειγμα Παλινδρόμησης Γενικεύοντας τη διμεταβλητή (Y, X) συνάρτηση
Διαβάστε περισσότεραΗ Βασική Δομή Συστημάτων Ελέγχου Κίνησης
Η Βασική Δομή Συστημάτων Ελέγχου Κίνησης Σύστημα ονομάζουμε ένα σύνολο στοιχείων κατάλληλα συνδεδεμένων μεταξύ τους για να επιτελέσουν κάποιο έργο Είσοδο ονομάζουμε τη διέγερση, εντολή ή αιτία η οποία
Διαβάστε περισσότεραΒ Γραφικές παραστάσεις - Πρώτο γράφημα Σχεδιάζοντας το μήκος της σανίδας συναρτήσει των φάσεων της σελήνης μπορείτε να δείτε αν υπάρχει κάποιος συσχετισμός μεταξύ των μεγεθών. Ο συνήθης τρόπος γραφικής
Διαβάστε περισσότεραΒέλτιστα Ψηφιακά Φίλτρα: Φίλτρα Wiener, Ευθεία και αντίστροφη γραµµική πρόβλεψη
ΒΕΣ 6 Προσαρµοστικά Συστήµατα στις Τηλεπικοινωνίες Βέλτιστα Ψηφιακά Φίλτρα: Φίλτρα Wiener, Ευθεία και αντίστροφη γραµµική πρόβλεψη 7 Nicolas sapatsoulis Βιβλιογραφία Ενότητας Benvenuto []: Κεφάλαιo Wirow
Διαβάστε περισσότεραΠΑΝΕΠΙΣΤΗΜΙΟ ΑΙΓΑΙΟΥ ΠΟΛΥΤΕΧΝΙΚΗ ΣΧΟΛΗ ΤΜΗΜΑ ΜΗΧΑΝΙΚΩΝ ΟΙΚΟΝΟΜΙΑΣ ΚΑΙ ΔΙΟΙΚΗΣΗΣ ΣΤΑΤΙΣΤΙΚΗ
ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΙΓΑΙΟΥ ΠΟΛΥΤΕΧΝΙΚΗ ΣΧΟΛΗ ΤΜΗΜΑ ΜΗΧΑΝΙΚΩΝ ΟΙΚΟΝΟΜΙΑΣ ΚΑΙ ΔΙΟΙΚΗΣΗΣ ΣΤΑΤΙΣΤΙΚΗ Ακαδ. Έτος 07-08 Διδάσκων: Βασίλης ΚΟΥΤΡΑΣ Επικ. Καθηγητής v.koutras@fme.aegea.gr Τηλ: 7035468 Θα μελετήσουμε
Διαβάστε περισσότεραΜέρος V. Ανάλυση Παλινδρόμηση (Regression Analysis)
Μέρος V. Ανάλυση Παλινδρόμηση (Regresso Aalss) Βασικές έννοιες Απλή Γραμμική Παλινδρόμηση Πολλαπλή Παλινδρόμηση Εφαρμοσμένη Στατιστική Μέρος 5 ο - Κ. Μπλέκας () Βασικές έννοιες Έστω τ.μ. Χ,Υ όπου υπάρχει
Διαβάστε περισσότεραΑνασκόπηση θεωρίας ελαχίστων τετραγώνων και βέλτιστης εκτίμησης παραμέτρων
Τοπογραφικά Δίκτυα και Υπολογισμοί 5 ο εξάμηνο, Ακαδημαϊκό Έτος 2016-2017 Ανασκόπηση θεωρίας ελαχίστων τετραγώνων και βέλτιστης εκτίμησης παραμέτρων Χριστόφορος Κωτσάκης Τμήμα Αγρονόμων Τοπογράφων Μηχανικών
Διαβάστε περισσότερα3η Ενότητα Προβλέψεις
ΕΘΝΙΚΟ ΜΕΤΣΟΒΙΟ ΠΟΛΥΤΕΧΝΕΙΟ ΣΧΟΛΗ ΗΛΕΚΤΡΟΛΟΓΩΝ ΜΗΧΑΝΙΚΩΝ ΚΑΙ ΜΗΧΑΝΙΚΩΝ ΥΠΟΛΟΓΙΣΤΩΝ Μονάδα Προβλέψεων & Στρατηγικής Forecasting & Strategy Unit Τεχνικές Προβλέψεων 3η Ενότητα Προβλέψεις (Μέρος 4 ο ) http://www.fsu.gr
Διαβάστε περισσότεραΟι τύποι της εκτίμησης, οι οποίοι παρουσιάζονται στον Πίνακα 1.1, προσδιορίζονται από τη σχέση των χρονικών στιγμών και k :
ΦΙΛΤΡΑ KALMAN ΚΑΙ ΛΑΪΝΙΩΤΗ 11 1. ΘΕΩΡΙΑ ΕΚΤΙΜΗΣΗΣ 1.1. ΤΟ ΠΡΟΒΛΗΜΑ ΤΗΣ ΘΕΩΡΙΑΣ ΕΚΤΙΜΗΣΗΣ Η θεωρία εκτίμησης (estimation theory) έχει ως αντικείμενο τον υπολογισμό της βέλτιστης εκτίμησης μίας κατάστασης
Διαβάστε περισσότεραΑνασκόπηση θεωρίας ελαχίστων τετραγώνων και βέλτιστης εκτίμησης παραμέτρων
Τοπογραφικά Δίκτυα και Υπολογισμοί 5 ο εξάμηνο, Ακαδημαϊκό Έτος 2017-2018 Ανασκόπηση θεωρίας ελαχίστων τετραγώνων και βέλτιστης εκτίμησης παραμέτρων Χριστόφορος Κωτσάκης Τμήμα Αγρονόμων και Τοπογράφων
Διαβάστε περισσότεραY Y ... y nx1. nx1
6 ΓΡΑΜΜΙΚΗ ΠΑΛΙΝΔΡΟΜΗΣΗ ΜΕ ΤΗ ΧΡΗΣΗ ΠΙΚΑΚΩΝ Η χρησιμοποίηση και ο συμβολισμός πινάκων απλοποιεί σημαντικά τα αποτελέσματα της γραμμικής παλινδρόμησης, ιδίως στην περίπτωση της πολλαπλής παλινδρόμησης Γενικά,
Διαβάστε περισσότεραΨηφιακές Τηλεπικοινωνίες. Βέλτιστος Δέκτης
Ψηφιακές Τηλεπικοινωνίες Βέλτιστος Δέκτης Σύνδεση με τα Προηγούμενα Επειδή το πραγματικό κανάλι είναι αναλογικό, κατά τη διαβίβαση ψηφιακής πληροφορίας, αντιστοιχίζουμε τα σύμβολα σε αναλογικές κυματομορφές
Διαβάστε περισσότεραΣυνολοκλήρωση και VAR υποδείγματα
ΜΑΘΗΜΑ ο Συνολοκλήρωση και VAR υποδείγματα Ησχέσησ ένα στατικό υπόδειγμα συνολοκλήρωσης και σ ένα υπόδειγμα διόρθωσης λαθών μπορεί να μελετηθεί καλύτερα όταν χρησιμοποιούμε τις ιδιότητες των αυτοπαλίνδρομων
Διαβάστε περισσότεραΛύσεις θεμάτων Α εξεταστικής περιόδου Χειμερινού εξαμήνου
Λύσεις θεμάτων Α εξεταστικής περιόδου Χειμερινού εξαμήνου 203 4 ΘΕΜΑ Ο (4,0 μονάδες) Στο παρακάτω σχήμα δίνεται το δομικό (λειτουργικό) διάγραμμα ενός συστήματος ελέγχου κλειστού βρόχου. α. Να προσδιοριστεί
Διαβάστε περισσότεραHY213. ΑΡΙΘΜΗΤΙΚΗ ΑΝΑΛΥΣΗ ΕΛΑΧΙΣΤΑ ΤΕΤΡΑΓΩΝΑ AΝΑΛΥΣΗ ΙΔΙΑΖΟΥΣΩΝ ΤΙΜΩΝ
HY3. ΑΡΙΘΜΗΤΙΚΗ ΑΝΑΛΥΣΗ ΕΛΑΧΙΣΤΑ ΤΕΤΡΑΓΩΝΑ AΝΑΛΥΣΗ ΙΔΙΑΖΟΥΣΩΝ ΤΙΜΩΝ Π. ΤΣΟΜΠΑΝΟΠΟΥΛΟΥ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΙΑΣ ΤΜΗΜΑ ΗΛΕΚΤΡΟΛΟΓΩΝ ΜΗΧΑΝΙΚΩΝ & ΜΗΧΑΝΙΚΩΝ ΥΠΟΛΟΓΙΣΤΩΝ Μέθοδος ελαχίστων τετραγώνων Τα σφάλματα
Διαβάστε περισσότεραΑναγνώριση Προτύπων Ι
Αναγνώριση Προτύπων Ι Ενότητα 3: Στοχαστικά Συστήματα Αν. Καθηγητής Δερματάς Ευάγγελος Τμήμα Ηλεκτρολόγων Μηχανικών και Τεχνολογίας Υπολογιστών Άδειες Χρήσης Το παρόν εκπαιδευτικό υλικό υπόκειται σε άδειες
Διαβάστε περισσότεραΔιπλωματική Εργασία: «Συγκριτική Μελέτη Μηχανισμών Εκτίμησης Ελλιπούς Πληροφορίας σε Ασύρματα Δίκτυα Αισθητήρων»
Τμήμα Πληροφορικής και Τηλεπικοινωνιών Πρόγραμμα Μεταπτυχιακών Σπουδών Διπλωματική Εργασία: «Συγκριτική Μελέτη Μηχανισμών Εκτίμησης Ελλιπούς Πληροφορίας σε Ασύρματα Δίκτυα Αισθητήρων» Αργυροπούλου Αιμιλία
Διαβάστε περισσότεραΑναλογικές και Ψηφιακές Επικοινωνίες
Αναλογικές και Ψηφιακές Επικοινωνίες Ενότητα : Βέλτιστος δέκτης για ψηφιακά διαμορφωμένα σήματα Σεραφείμ Καραμπογιάς Σχολή Θετικών Επιστημών Τμήμα Πληροφορικής και Επικοινωνιών Η ΕΝΝΟΙΑ ΤΗΣ ΤΥΧΑΙΑΣ ΜΕΤΑΒΛΗΤΗΣ
Διαβάστε περισσότεραΠαραδείγματα Διανυσματικοί Χώροι Ι. Λυχναρόπουλος
Παραδείγματα Διανυσματικοί Χώροι Ι. Λυχναρόπουλος Παράδειγμα Έστω το σύνολο V το σύνολο όλων των θετικών πραγματικών αριθμών εφοδιασμένο με την ακόλουθη πράξη της πρόσθεσης: y y με, y V και του πολλαπλασιασμού
Διαβάστε περισσότεραΨηφιακή Επεξεργασία και Ανάλυση Εικόνας Ενότητα 5 η : Αποκατάσταση Εικόνας
Ψηφιακή Επεξεργασία και Ανάλυση Εικόνας Ενότητα 5 η : Αποκατάσταση Εικόνας Καθ. Κωνσταντίνος Μπερμπερίδης Πολυτεχνική Σχολή Μηχανικών Η/Υ & Πληροφορικής Σκοποί ενότητας Εισαγωγή στις τεχνικές αποκατάστασης
Διαβάστε περισσότεραΚΕΦΑΛΑΙΟ 6 ΠΡΟΒΛΕΨΕΙΣ ΜΕ ΥΠΟΔΕΙΓΜΑΤΑ ΧΡΟΝΟΣΕΙΡΩΝ
ΚΕΦΑΛΑΙΟ 6 ΠΡΟΒΛΕΨΕΙΣ ΜΕ ΥΠΟΔΕΙΓΜΑΤΑ ΧΡΟΝΟΣΕΙΡΩΝ 6. Εισαγωγή 6. Μονομεταβλητές προβλέψεις Βέλτιστη πρόβλεψη και Θεώρημα βέλτιστης πρόβλεψης Διαστήματα εμπιστοσύνης 6.3 Εφαρμογές A. MILIONIS KEF. 6 08 BEA
Διαβάστε περισσότεραMATLAB. Εισαγωγή στο SIMULINK. Μονάδα Αυτόματης Ρύθμισης και Πληροφορικής
MATLAB Εισαγωγή στο SIMULINK Μονάδα Αυτόματης Ρύθμισης και Πληροφορικής Εισαγωγή στο Simulink - Βιβλιοθήκες - Παραδείγματα Εκκίνηση BLOCKS click ή Βιβλιοθήκες Νέο αρχείο click ή Προσθήκη block σε αρχείο
Διαβάστε περισσότεραΓΡΑΜΜΙΚΗ ΑΛΓΕΒΡΑ (Εξ. Ιουνίου - 02/07/08) ΕΠΙΛΕΓΜΕΝΕΣ ΑΠΑΝΤΗΣΕΙΣ
Ονοματεπώνυμο:......... Α.Μ....... Ετος... ΑΙΘΟΥΣΑ:....... I. (περί τις 55μ. = ++5++. Σωστό ή Λάθος: ΓΡΑΜΜΙΚΗ ΑΛΓΕΒΡΑ (Εξ. Ιουνίου - //8 ΕΠΙΛΕΓΜΕΝΕΣ ΑΠΑΝΤΗΣΕΙΣ (αʹ Αν AB = BA όπου A, B τετραγωνικά και
Διαβάστε περισσότεραHMY 795: Αναγνώριση Προτύπων
HMY 795: Αναγνώριση Προτύπων Διάλεξη 3 Επιλογή μοντέλου Επιλογή μοντέλου Θεωρία αποφάσεων Επιλογή μοντέλου δεδομένα επικύρωσης Η επιλογή του είδους του μοντέλου που θα χρησιμοποιηθεί σε ένα πρόβλημα (π.χ.
Διαβάστε περισσότεραΠαραδείγματα Διανυσματικοί Χώροι (3)
Παραδείγματα Διανυσματικοί Χώροι () Παράδειγμα Δίνεται ο πίνακας A = 6. Να υπολογισθούν οι θεμελιώδεις υποχώροι που σχετίζονται με τον πίνακα Α. Να βρεθεί η διάστασή του κάθε ενός και από μία βάση τους.
Διαβάστε περισσότεραΣημειώσεις διαλέξεων: Βελτιστοποίηση πολυδιάστατων συνεχών συναρτήσεων 1 / 20
Σημειώσεις διαλέξεων: Βελτιστοποίηση πολυδιάστατων συνεχών συναρτήσεων Ισαάκ Η Λαγαρής 1 Τμήμα Μηχανικών Η/Υ & Πληροφορικής Πανεπιστήμιον Ιωαννίνων 1 Με υλικό από το υπό προετοιμασία βιβλίο των: Βόγκλη,
Διαβάστε περισσότεραΠΕΡΙΕΧΟΜΕΝΑ ΚΕΦΑΛΑΙΟ ΠΡΩΤΟ
ΠΕΡΙΕΧΟΜΕΝΑ Εισαγωγή 1. Γενικά... 25 2. Έννοια και Είδη Μεταβλητών... 26 3. Κλίμακες Μέτρησης Μεταβλητών... 29 3.1 Ονομαστική κλίμακα... 30 3.2. Τακτική κλίμακα... 31 3.3 Κλίμακα ισοδιαστημάτων... 34 3.4
Διαβάστε περισσότεραΤΕΙ ΔΥΤΙΚΗΣ ΜΑΚΕΔΟΝΙΑΣ Μεταπτυχιακό Τραπεζικής & Χρηματοοικονομικής
ΤΕΙ ΔΥΤΙΚΗΣ ΜΑΚΕΔΟΝΙΑΣ Μεταπτυχιακό Τραπεζικής & Χρηματοοικονομικής Υποθέσεις του Απλού γραμμικού υποδείγματος της Παλινδρόμησης Η μεταβλητή ε t (διαταρακτικός όρος) είναι τυχαία μεταβλητή με μέσο όρο
Διαβάστε περισσότεραΤΟΠΟΓΡΑΦΙΚΑ ΔΙΚΤΥΑ ΚΑΙ ΥΠΟΛΟΓΙΣΜΟΙ ΑΝΑΣΚΟΠΗΣΗ ΘΕΩΡΙΑΣ ΣΥΝΟΡΘΩΣΕΩΝ
ΤΟΠΟΓΡΑΦΙΚΑ ΔΙΚΤΥΑ ΚΑΙ ΥΠΟΛΟΓΙΣΜΟΙ ΑΝΑΣΚΟΠΗΣΗ ΘΕΩΡΙΑΣ ΣΥΝΟΡΘΩΣΕΩΝ Βασίλης Δ. Ανδριτσάνος Δρ. Αγρονόμος - Τοπογράφος Μηχανικός ΑΠΘ Επίκουρος Καθηγητής ΤΕΙ Αθήνας 3ο εξάμηνο http://eclass.teiath.gr Παρουσιάσεις,
Διαβάστε περισσότεραΕφαρμοσμένη Στατιστική
ΠΑΝΕΠΙΣΤΗΜΙΟ ΙΩΑΝΝΙΝΩΝ ΑΝΟΙΚΤΑ ΑΚΑΔΗΜΑΪΚΑ ΜΑΘΗΜΑΤΑ Εφαρμοσμένη Στατιστική Παλινδρόμηση Διδάσκων: Επίκουρος Καθηγητής Κωνσταντίνος Μπλέκας Άδειες Χρήσης Το παρόν εκπαιδευτικό υλικό υπόκειται σε άδειες χρήσης
Διαβάστε περισσότεραΚεφάλαιο 4: Επιλογή σημείου παραγωγής
Κ4.1 Μέθοδος ανάλυσης νεκρού σημείου για την επιλογή διαδικασίας παραγωγής ή σημείου παραγωγής Επιλογή διαδικασίας παραγωγής Η μέθοδος ανάλυσης νεκρού για την επιλογή διαδικασίας παραγωγής αναγνωρίζει
Διαβάστε περισσότεραHMY 795: Αναγνώριση Προτύπων. Διάλεξη 2
HMY 795: Αναγνώριση Προτύπων Διάλεξη 2 Επισκόπηση θεωρίας πιθανοτήτων Θεωρία πιθανοτήτων Τυχαία μεταβλητή: Μεταβλητή της οποίας δε γνωρίζουμε με βεβαιότητα την τιμή (αντίθετα με τις ντετερμινιστικές μεταβλητές)
Διαβάστε περισσότεραQ 12. c 3 Q 23. h 12 + h 23 + h 31 = 0 (6)
Εθνικό Μετσόβιο Πολυτεχνείο Σχολή Πολιτικών Μηχανικών Τοµέας Υδατικών Πόρων Μάθηµα: Τυπικά Υδραυλικά Έργα Μέρος 2: ίκτυα διανοµής Άσκηση E0: Μαθηµατική διατύπωση µοντέλου επίλυσης απλού δικτύου διανοµής
Διαβάστε περισσότεραΠανεπιστήμιο Πατρών Τμήμα Ηλεκτρολόγων Μηχανικών και Τεχνολογίας Υπολογιστών. Διάλεξη 11
Πανεπιστήμιο Πατρών Τμήμα Ηλεκτρολόγων Μηχανικών και Τεχνολογίας Υπολογιστών Τομέας Συστημάτων και Αυτομάτου Ελέγχου ΠΡΟΣΑΡΜΟΣΤΙΚΟΣ ΕΛΕΓΧΟΣ Διάλεξη 11 Πάτρα 2008 Προσαρμοστικός LQ έλεγχος για μη ελαχίστης
Διαβάστε περισσότεραEΦΑΡΜΟΓΕΣ ΤΗΣ ΨΗΦΙΑΚΗΣ ΕΠΕΞΕΡΓΑΣΙΑΣ ΣΗΜΑΤΩΝ. Διαφορική Παλµοκωδική Διαµόρφωση (DPCM)
EΦΑΡΜΟΓΕΣ ΤΗΣ ΨΗΦΙΑΚΗΣ ΕΠΕΞΕΡΓΑΣΙΑΣ ΣΗΜΑΤΩΝ Διαφορική Παλµοκωδική Διαµόρφωση (DCM) Εµµανουήλ Ζ. Ψαράκης Πολυτεχνική Σχολή Τµήµα Μηχανικών Η/Υ & Πληροφορικής Προεπισκόπηση Διαφορική Παλµοκωδική Διαµόρφωση
Διαβάστε περισσότεραΠανεπιστήμιο Πατρών Τμήμα Ηλεκτρολόγων Μηχανικών και Τεχνολογίας Υπολογιστών. Διάλεξη 4
Πανεπιστήμιο Πατρών Τμήμα Ηλεκτρολόγων Μηχανικών και Τεχνολογίας Υπολογιστών Τομέας Συστημάτων και Αυτομάτου Ελέγχου ΠΡΟΣΑΡΜΟΣΤΙΚΟΣ ΕΛΕΓΧΟΣ Διάλεξη 4 Πάτρα 2008 Ντετερμινιστικά Moving Average Μοντέλα Ισχύει:
Διαβάστε περισσότεραΟμαδοποίηση ΙΙ (Clustering)
Ομαδοποίηση ΙΙ (Clustering) Πασχάλης Θρήσκος PhD Λάρισα 2016-2017 pthriskos@mnec.gr Αλγόριθμοι ομαδοποίησης Επίπεδοι αλγόριθμοι Αρχίζουμε με μια τυχαία ομαδοποίηση Βελτιώνουμε επαναληπτικά KMeans Ομαδοποίηση
Διαβάστε περισσότεραΠΑΝΕΠΙΣΤΗΜΙΟ ΑΙΓΑΙΟΥ ΣΧΟΛΗ ΕΠΙΣΤΗΜΩΝ ΤΗΣ ΔΙΟΙΚΗΣΗΣ ΤΜΗΜΑ ΜΗΧΑΝΙΚΩΝ ΟΙΚΟΝΟΜΙΑΣ ΚΑΙ ΔΙΟΙΚΗΣΗΣ ΣΤΑΤΙΣΤΙΚΗ
ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΙΓΑΙΟΥ ΣΧΟΛΗ ΕΠΙΣΤΗΜΩΝ ΤΗΣ ΔΙΟΙΚΗΣΗΣ ΤΜΗΜΑ ΜΗΧΑΝΙΚΩΝ ΟΙΚΟΝΟΜΙΑΣ ΚΑΙ ΔΙΟΙΚΗΣΗΣ ΣΤΑΤΙΣΤΙΚΗ Ακαδ. Έτος 06-07 Διδάσκων: Βασίλης ΚΟΥΤΡΑΣ Επικ. Καθηγητής v.koutra@fme.aegea.gr Τηλ: 7035468 Θα μελετήσουμε
Διαβάστε περισσότεραΘΕΩΡΙΑ ΟΙΚΟΝΟΜΕΤΡΙΑΣ ΣΥΝΟΠΤΙΚΕΣ ΣΗΜΕΙΩΣΕΙΣ
ΘΕΩΡΙΑ ΟΙΚΟΝΟΜΕΤΡΙΑΣ ΣΥΝΟΠΤΙΚΕΣ ΣΗΜΕΙΩΣΕΙΣ ΑΠΛΟ ΓΡΑΜΜΙΚΟ ΥΠΟΔΕΙΓΜΑ Συντελεστής συσχέτισης (εκτιμητής Person: r, Y ( ( Y Y xy ( ( Y Y x y, όπου r, Y (ισχυρή θετική γραμμική συσχέτιση όταν, ισχυρή αρνητική
Διαβάστε περισσότεραΧρήστος Ξενάκης. Πανεπιστήμιο Πειραιώς, Τμήμα Ψηφιακών Συστημάτων
ΘΕΩΡΙΑ ΠΛΗΡΟΦΟΡΙΑΣ Κεφάλαιο 9 : Κανάλι-Σύστημα Χρήστος Ξενάκης Πανεπιστήμιο Πειραιώς, Τμήμα Ψηφιακών Συστημάτων Περιεχόμενα Ομιλίας Χωρητικότητα Χ ό καναλιού Το Gaussian κανάλι επικοινωνίας Τα διακριτά
Διαβάστε περισσότεραΑριθμητική Ανάλυση και Εφαρμογές
Αριθμητική Ανάλυση και Εφαρμογές Διδάσκων: Δημήτριος Ι. Φωτιάδης Τμήμα Μηχανικών Επιστήμης Υλικών Ιωάννινα 2017-2018 Παρεμβολή και Παρεκβολή Εισαγωγή Ορισμός 6.1 Αν έχουμε στη διάθεσή μας τιμές μιας συνάρτησης
Διαβάστε περισσότεραΕκπαίδευση ΤΝΔ με ελαχιστοποίηση του τετραγωνικού σφάλματος εκπαίδευσης. "Τεχνητά Νευρωνικά Δίκτυα" (Διαφάνειες), Α. Λύκας, Παν.
Εκπαίδευση ΤΝΔ με ελαχιστοποίηση του τετραγωνικού σφάλματος εκπαίδευσης Ελαχιστοποίηση συνάρτησης σφάλματος Εκπαίδευση ΤΝΔ: μπορεί να διατυπωθεί ως πρόβλημα ελαχιστοποίησης μιας συνάρτησης σφάλματος E(w)
Διαβάστε περισσότεραΈλεγχος Κίνησης
ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ Ανώτατο Εκπαιδευτικό Ίδρυμα Πειραιά Τεχνολογικού Τομέα 1501 - Έλεγχος Κίνησης Ενότητα: Συστήματα Ελέγχου Κίνησης Μιχαήλ Παπουτσιδάκης Τμήμα Αυτοματισμού Άδειες Χρήσης Το παρόν εκπαιδευτικό
Διαβάστε περισσότεραΤΕΧΝΟΛΟΓΙΚΟ ΕΚΠΑΙΔΕΥΤΙΚΟ ΙΔΡΥΜΑ ΚΕΝΤΡΙΚΗΣ ΜΑΚΕΔΟΝΙΑΣ ΣΧΟΛΗ ΤΜΗΜΑ. Μαθηματικά 2. Σταύρος Παπαϊωάννου
ΤΕΧΝΟΛΟΓΙΚΟ ΕΚΠΑΙΔΕΥΤΙΚΟ ΙΔΡΥΜΑ ΚΕΝΤΡΙΚΗΣ ΜΑΚΕΔΟΝΙΑΣ ΣΧΟΛΗ ΤΜΗΜΑ Μαθηματικά Σταύρος Παπαϊωάννου Ιούνιος 5 Τίτλος Μαθήματος Περιεχόμενα Χρηματοδότηση... Error! Bookmark not defned. Σκοποί Μαθήματος (Επικεφαλίδα
Διαβάστε περισσότεραΓΡΑΜΜΙΚΑ ΣΥΣΤΗΜΑΤΑ ΕΞΙΣΩΣΕΩΝ
ΓΡΑΜΜΙΚΑ ΣΥΣΤΗΜΑΤΑ ΕΞΙΣΩΣΕΩΝ Θα ξεκινήσουµε την παρουσίαση των γραµµικών συστηµάτων µε ένα απλό παράδειγµα από τη Γεωµετρία, το οποίο ϑα µας ϐοηθήσει στην κατανόηση των συστηµάτων αυτών και των συνθηκών
Διαβάστε περισσότεραΠανεπιστήμιο Πατρών Τμήμα Ηλεκτρολόγων Μηχανικών και Τεχνολογίας Υπολογιστών. Διάλεξη 13
Πανεπιστήμιο Πατρών Τμήμα Ηλεκτρολόγων Μηχανικών και Τεχνολογίας Υπολογιστών Τομέας Συστημάτων και Αυτομάτου Ελέγχου ΠΡΟΣΑΡΜΟΣΤΙΚΟΣ ΕΛΕΓΧΟΣ Διάλεξη 13 Πάτρα 28 Προσαρμοστικός έλεγχος με μοντέλο αναφοράς
Διαβάστε περισσότεραΕΥΦΥΗΣ ΕΛΕΓΧΟΣ. Ενότητα #8: Βελτιστοποίηση Συστημάτων Ασαφούς Λογικής. Αναστάσιος Ντούνης Τμήμα Μηχανικών Αυτοματισμού Τ.Ε.
ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ Ανώτατο Εκπαιδευτικό Ίδρυμα Πειραιά Τεχνολογικού Τομέα ΕΥΦΥΗΣ ΕΛΕΓΧΟΣ Ενότητα #8: Βελτιστοποίηση Συστημάτων Ασαφούς Λογικής Αναστάσιος Ντούνης Τμήμα Μηχανικών Αυτοματισμού Τ.Ε. Άδειες
Διαβάστε περισσότεραy(k) + a 1 y(k 1) = b 1 u(k 1), (1) website:
Αλεξάνδρειο Τεχνολογικό Εκπαιδευτικό Ιδρυμα Θεσσαλονίκης Τμήμα Μηχανικών Αυτοματισμού Μαθηματική Μοντελοποίηση και Αναγνώριση Συστημάτων Μαάιτα Τζαμάλ-Οδυσσέας 7 Μαΐου 207 Αναγνώριση Παραμετρικών μοντέλών
Διαβάστε περισσότεραΕΝΟΤΗΤΑ III ΒΑΣΙΚΕΣ ΜΕΘΟ ΟΙ ΑΝΑΛΥΣΗΣ
ΕΝΟΤΗΤΑ III ΒΑΣΙΚΕΣ ΜΕΘΟ ΟΙ ΑΝΑΛΥΣΗΣ Βασικός τελικός στόχος κάθε επιστηµονικής τεχνολογικής εφαρµογής είναι: H γενική βελτίωση της ποιότητας του περιβάλλοντος Η βελτίωση της ποιότητας ζωής Τα µέσα µε τα
Διαβάστε περισσότεραz = c 1 x 1 + c 2 x c n x n
Τεχνολογικό Εκπαιδευτικό Ιδρυμα Κεντρικής Μακεδονίας - Σέρρες Τμήμα Μηχανικών Πληροφορικής Γραμμικός Προγραμματισμός & Βελτιστοποίηση Δρ. Δημήτρης Βαρσάμης Καθηγητής Εφαρμογών Δρ. Δημήτρης Βαρσάμης Μάρτιος
Διαβάστε περισσότεραΠαραδείγματα Απαλοιφή Gauss Απαλοιφή Gauss-Jordan Παραγοντοποίηση LU, LDU
Παραδείγματα Απαλοιφή Gauss Απαλοιφή Gauss-Jordan Παραγοντοποίηση LU, LDU Επιμέλεια: Ι. Λυχναρόπουλος Παράδειγμα x y Να επιλυθεί το ακόλουθο σύστημα: x+ y 6 Σε μορφή πινάκων το σύστημα γράφεται ως: x y
Διαβάστε περισσότεραΚινητά Δίκτυα Επικοινωνιών. Συμπληρωματικό υλικό. Προσαρμοστική Ισοστάθμιση Καναλιού
Κινητά Δίκτυα Επικοινωνιών Συμπληρωματικό υλικό Προσαρμοστική Ισοστάθμιση Καναλιού Προσαρμοστικοί Ισοσταθμιστές Για να υπολογίσουμε τους συντελεστές του ισοσταθμιστή MMSE, απαιτείται να λύσουμε ένα γραμμικό
Διαβάστε περισσότεραΣήματα και Συστήματα. Διάλεξη 1: Σήματα Συνεχούς Χρόνου. Δρ. Μιχάλης Παρασκευάς Επίκουρος Καθηγητής
Σήματα και Συστήματα Διάλεξη 1: Σήματα Συνεχούς Χρόνου Δρ. Μιχάλης Παρασκευάς Επίκουρος Καθηγητής 1 Εισαγωγή στα Σήματα 1. Σκοποί της Θεωρίας Σημάτων 2. Κατηγορίες Σημάτων 3. Χαρακτηριστικές Παράμετροι
Διαβάστε περισσότεραΚΕΦΑΛΑΙΟ 0. Απλή Γραμμική Παλινδρόμηση. Ένα Πρόβλημα. Η επιδιωκόμενη ιδιότητα. Ένα χρήσιμο γράφημα. Οι υπολογισμοί. Η μέθοδος ελαχίστων τετραγώνων ...
ΚΕΦΑΛΑΙΟ 0 Ένα Πρόβλημα Δεδομένα.6 3. 3.8 4. 4.4 5.8 6.0 6.7 7. 7.8 5.6 7.9 8.0 8. 8. 9. 9.5 9.4 9.6 9.9 Απλή Γραμμική Παλινδρόμηση Μωυσιάδης Χρόνης 6 o Εξάμηνο Μαθηματικών Έχει σχέση το με το ; Ειδικότερα
Διαβάστε περισσότεραΜέθοδοι πολυδιάστατης ελαχιστοποίησης
Μέθοδοι πολυδιάστατης ελαχιστοποίησης με παραγώγους Μέθοδοι πολυδιάστατης ελαχιστοποίησης Δ. Γ. Παπαγεωργίου Τμήμα Μηχανικών Επιστήμης Υλικών Πανεπιστήμιο Ιωαννίνων dpapageo@cc.uoi.gr http://pc64.materials.uoi.gr/dpapageo
Διαβάστε περισσότεραΚεφάλαιο 5: Στρατηγική χωροταξικής διάταξης
K.5.1 Γραμμή Παραγωγής Μια γραμμή παραγωγής θεωρείται μια διάταξη με επίκεντρο το προϊόν, όπου μια σειρά από σταθμούς εργασίας μπαίνουν σε σειρά με στόχο ο κάθε ένας από αυτούς να κάνει μια ή περισσότερες
Διαβάστε περισσότεραΕφαρμοσμένα Μαθηματικά ΙΙ Τελική Εξέταση 8/6/2017 Διδάσκων: Ι. Λυχναρόπουλος
Τμήμα Μηχανολόγων Μηχανικών Πανεπιστήμιο Θεσσαλίας Άσκηση (Μονάδες.5) Εφαρμοσμένα Μαθηματικά ΙΙ Τελική Εξέταση 8/6/07 Διδάσκων: Ι. Λυχναρόπουλος Προσδιορίστε το c R ώστε το διάνυσμα (,, 6 ) να ανήκει στο
Διαβάστε περισσότεραΨηφιακός Έλεγχος. 6 η διάλεξη Σχεδίαση στο χώρο κατάστασης. Ψηφιακός Έλεγχος 1
Ψηφιακός Έλεγχος 6 η διάλεξη Σχεδίαση στο χώρο κατάστασης Ψηφιακός Έλεγχος Μέθοδος μετατόπισης ιδιοτιμών Έστω γραμμικό χρονικά αμετάβλητο σύστημα διακριτού χρόνου: ( + ) = + x k Ax k Bu k Εφαρμόζουμε γραμμικό
Διαβάστε περισσότεραΠαρουσίαση Νο. 6 Αποκατάσταση εικόνας
Ψηφιακή Επεξεργασία και Ανάλυση Εικόνας Παρουσίαση Νο. 6 Αποκατάσταση εικόνας Εισαγωγή (1/2) Αναίρεση υποβάθμισης που μπορεί να οφείλεται: Στο οπτικό σύστημα (θόλωμα λόγω κακής εστίασης, γεωμετρικές παραμορφώσεις...)
Διαβάστε περισσότεραΤμήμα Μηχανικών Πληροφορικής ΤΕ Δυϊκότητα. Γκόγκος Χρήστος ΤΕΙ Ηπείρου Επιχειρησιακή Έρευνα. τελευταία ενημέρωση: 1/12/2016
Τμήμα Μηχανικών Πληροφορικής ΤΕ 2016-2017 Δυϊκότητα Γκόγκος Χρήστος ΤΕΙ Ηπείρου Επιχειρησιακή Έρευνα τελευταία ενημέρωση: 1/12/2016 1 Το δυϊκό πρόβλημα Για κάθε πρόβλημα Γραμμικού Προγραμματισμού υπάρχει
Διαβάστε περισσότεραΚΕΦΑΛΑΙΟ 2 ΑΝΑΣΚΟΠΗΣΗ ΑΠΑΡΑΙΤΗΤΩΝ ΓΝΩΣΕΩΝ: ΕΚΤΙΜΗΤΕΣ
ΚΕΦΑΛΑΙΟ ΑΝΑΣΚΟΠΗΣΗ ΑΠΑΡΑΙΤΗΤΩΝ ΓΝΩΣΕΩΝ: ΕΚΤΙΜΗΤΕΣ Ως γνωστό δείγμα είναι ένα σύνολο παρατηρήσεων από ένα πληθυσμό. Αν ο πληθυσμός αυτός θεωρηθεί μονοδιάστατος τότε μπορεί να εκφρασθεί με τη συνάρτηση
Διαβάστε περισσότεραΑσκήσεις Φροντιστηρίου «Υπολογιστική Νοημοσύνη Ι» 4 o Φροντιστήριο
Ασκήσεις Φροντιστηρίου 4 o Φροντιστήριο Πρόβλημα 1 ο Ο πίνακας συσχέτισης R x του διανύσματος εισόδου x( στον LMS αλγόριθμο 1 0.5 R x = ορίζεται ως: 0.5 1. Ορίστε το διάστημα των τιμών της παραμέτρου μάθησης
Διαβάστε περισσότεραΚεφάλαιο 4: Επιλογή σημείου παραγωγής
Κεφάλαιο 4: Επιλογή σημείου παραγωγής Κ4.1 Μέθοδος ανάλυσης νεκρού σημείου για την επιλογή διαδικασίας παραγωγής ή σημείου παραγωγής Επιλογή διαδικασίας παραγωγής Η μέθοδος ανάλυσης νεκρού για την επιλογή
Διαβάστε περισσότερα