Estimation, filtering and detection

Přednášející:

Cvičící:

Předmět zajišťuje:

katedra řídicí techniky

Anotace:

This course will cover description of the uincertainty of hidden variables (parameters and state of a dynamic system) using the probability language and methods for their estimation. Based on bayesian prblem formulation principles of rational behsavour under uncertainty will be analysed and used to develp algorithms for estimation of parameters of ARX models and Kalman filtering including the extensions.

We will demonstrate numerically robust implementation of the algorithms applicable in real life problems for the areas of industrial process control, robotics and avionics. We will extend the methods for linear gaussian systems to a more generic problems using Monte Calro approach. The course will also cover multimodel approach and its use for the fault detection and isolation and introduction to adaptive control.

Požadavky:

Předpokladem pro úspěšné absolvování tohoto kurzu jsou znalosti základů teorie řízení (stavová teorie), pravděpodobnosti a statistiky a lineární algebry. Výhodou je absolvování pokročilejšího předmětu o lineárních systémech - na FEL ČVUT jsou nutné znalosti nabídnuty v předmětech Matematika XXX a Teorie dynamických systémů.

Stránky předmětu: http://support.dce.felk.cvut.cz/e-kurzy/course/view.php?id=40

Osnova přednášek:

1.Problem formulation, estimation methods

2.Bayesian approach to uncertainty description

3.Dynamic system model, probabilistic state definition

4.Identification of ARX model parameters

5.Tracking of time varuing parameters, forgetting, role of prior informaiton.

6.Numerically robust implementaiton for real time parameter tracking

7.Stochastic system, Kalman filter.

8.Kalman filtr for colour noise, extended Kalman filter, adaptive Kalman filter.

9.Stochastic dynamic programming, certainty equivalence principle.

10.Adaptive control, cautious and certainty equivalent strategies, dual control.

11.Probabilistic method for fault detection and isolation

12.Utilizaiton of multiple models

13.Nonlinear estimation, local approximation

14.Global aproximation, Monte Carlo Kalman filter

Osnova cvičení:

Laboratory covers work on individual assignments/projects.

Cíle studia:

Studijní materiály:

Literatura:

1.Frank L. Lewis, Lihua Xie, and Dan Popa : Optimal and Robust Estimation: With an Introduction to Stochastic Control Theory, CRC Press, 2005

Poznámka:

Rozsah výuky v kombinované formě studia: 21p+3c

Další informace:

Pro tento předmět se rozvrh nepřipravuje

Předmět je součástí následujících studijních plánů:

• Cybernetics and Robotics - Systems and Control (povinný předmět oboru)