Estimation, filtering and detection

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.

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.