Toto je tzv. shluknutý kurz. Skládá se z několika samostatných předmětů, které sdílejí výukové materiály, úkoly, testy apod. Níže si můžete zobrazit informace o jednotlivých předmětech tvořících tento shluk.

Odhadování, filtrace a detekce - A3M35OFD

Hlavní kurz
Kredity 6
Semestry zimní
Zakončení zápočet a zkouška
Jazyk výuky čeština
Rozsah výuky 3P+1C
Anotace
Cílem předmětu bude seznámit posluchače s popisem neurčitosti nepozorovatelných veličin (parametrů a stavu dynamického systému) jazykem teorie pravděpodobnosti a s metodami jejich odhadování. Na základě bayesovské formulace problému bude analyzována metodika racionálního chování v prostředí s neurčitostí a budou odvozeny odvozeny algoritmy pro odhadování parametrů ARX modelů a Kalmanův filtr, včetně jejich rozšířených verzí. Bude ukázána numericky robustní implementace algoritmů použitelná při řešení reálných aplikačních problémů v oblasti průmyslových regulací, robotiky a avioniky . Bude ukázána extenze metod pro lineární gaussovské systému na obecnější problémy použitím metod Monte Carlo. Dále bude v předmětu zahrnuto využití vícemodelového přístupu k řešení problému detekce a izolaci poruch v systému a úvod do adaptivního řízení.

\\Výsledek studentské ankety předmětu je zde: http://www.fel.cvut.cz/anketa/aktualni/courses/A3M35OFD
Cíle studia
Žádná data.
Osnovy přednášek
1.Formulace problému, metody odhadování
2.Bayesovský přístup k popisu neučitosti
3.Model dynamického systému, pravděpodobnostní definice stavu
4.Identifikace parametrů ARX modelu
5.Sledování časově proměnných parametrů, metody zapomínání, zabudování apriorní informace.
6.Numericky robustní implementace algoritmů pro odhadování parametrů v reálném čase
7.Stochastický systém, Kalmanův filtr.
8.Kalmanův filtr pro barené šumy, rozžířený Kalmanův filtr, adaptivní Kalmanův filtr.
9.Stochastické dynamické programování, princip ekvivalence určitosti.
10.Adaptivní řízení, opatrné a důvěřivé strategie řízení, duální řízení a jeho aproximace.
11.Pravděpodobnostní metody detekce a izolace poruch
12.Využití vícenásobných modelů
13.Nelineární odhadování, lokální aproximace
14.Globální aproximace Kalmanova filtru metodou Monte Carlo

Osnovy cvičení
Náplní cvičení je práce na zadaných projektech.
.
Literatura
Žádná data.
Požadavky
Žádná data.

Estimation, filtering and detection - AE3M35OFD

Kredity 6
Semestry zimní
Zakončení zápočet a zkouška
Jazyk výuky angličtina
Rozsah výuky 3P+1C
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.
\\Výsledek studentské ankety předmětu je zde: http://www.fel.cvut.cz/anketa/aktualni/courses/AE3M35OFD
Cíle studia
Žádná data.
Osnovy 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
Osnovy cvičení
Laboratory covers work on individual assignments/projects.
Literatura
Literatura:
1.Frank L. Lewis, Lihua Xie, and Dan Popa : Optimal and Robust Estimation: With an Introduction to Stochastic Control Theory, CRC Press, 2005
Požadavky
Žádná data.