Moodle FEL ČVUT
Odhadování, filtrace a detekce
B232 - Letní 23/24
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 - RM35OFD
Hlavní kurz
| Kredity | 6 |
| Semestry | zimní |
| Zakončení | zápočet a zkouška |
| Jazyk výuky | čeština |
| Rozsah výuky | 2P+2C |
Anotace
Předmět seznamuje posluchače s popisem neurčitosti nepozorovatelných veličin (parametrů a stavu dynamického systému) jazykem teorie pravděpodobnosti a s metodami jejich odhadování. Na základě bayesovské formulace problému jsou odvozeny algoritmy odhadování (parametry ARX modelu, Gaussian Process Regression) a filtrace (Kalmanův filtr) a detekce (testování hypotéz na základě věrohodnostního poměru), diskutována jejich numericky robustní implementace a řešení reálných aplikačních problémů v oblasti průmyslových regulací, robotiky a avioniky.
Cíle studia
Schopnost řešit inženýrské problem v oblasti odhadování a filtrace s využitím rigorózních teoretických základů.
Osnovy přednášek
1. Opakování statistiky
2. MS, LMS a ML odhad
3. Bayesovský přistup, model dynamického systému
4. Identifikace parametrů ARX modelu
5. Sledování časově proměnných parametrů, metody zapomínání
6. Numercky robustní algoritmy odhadování
7. Regrese s využitím Gausovských procesů
8. Stochastický systém, pravděpodobnostní definice stavu, Kalmanův filtr
9. Kalmanův filtr pro barevné šumy, rozšířený Kalmanův filtr
10. Stochastick=é dynamické programování, LQ a LQG řízení, separační princip
11. Metody detekce a izolace poruch
12. Věrohodnostní poměr - teorie a aplikace
13. Nelineární odhadování - lokální a globální aproximace
14. Metody Monte Carlo
2. MS, LMS a ML odhad
3. Bayesovský přistup, model dynamického systému
4. Identifikace parametrů ARX modelu
5. Sledování časově proměnných parametrů, metody zapomínání
6. Numercky robustní algoritmy odhadování
7. Regrese s využitím Gausovských procesů
8. Stochastický systém, pravděpodobnostní definice stavu, Kalmanův filtr
9. Kalmanův filtr pro barevné šumy, rozšířený Kalmanův filtr
10. Stochastick=é dynamické programování, LQ a LQG řízení, separační princip
11. Metody detekce a izolace poruch
12. Věrohodnostní poměr - teorie a aplikace
13. Nelineární odhadování - lokální a globální aproximace
14. Metody Monte Carlo
Osnovy cvičení
Náplní seminářů je práce na zadaných projektech (implementace vybraných algoritmů v Matlabu, řešení konkrétních technických problémů), Předmětem kontroly jsou funkční algoritmy a závěrečná zpráva.
Náplní domácích úkolů je řešení vybraných teoretické problému, předmětem kontroly je písemná zpráva.
.
Náplní domácích úkolů je řešení vybraných teoretické problému, předmětem kontroly je písemná zpráva.
.
Literatura
Lewis, F. L., L. Xie, D. Popa: Optimal and Robust Estimation: With an Introduction to Stochastic Control Theory, CRC Press, 2005. ISBN 978-1-4200-0829-6
Simon, D.: Optimal State Estimation: Kalman, H Infinity, and Nonlinear Approaches. Wiley, 2006, ISBN: 978-0-471-70858-2
Slidy přednášek (WEB/Moodle)
Zadání samostatných prací a domácích úkolů (WEB/Moodle)
Simon, D.: Optimal State Estimation: Kalman, H Infinity, and Nonlinear Approaches. Wiley, 2006, ISBN: 978-0-471-70858-2
Slidy přednášek (WEB/Moodle)
Zadání samostatných prací a domácích úkolů (WEB/Moodle)
Požadavky
Základní znalosti teorie dynamických system, pravděpodobnosti a statistiky.
Odhadování, filtrace a detekce - B3M35OFD
| Kredity | 6 |
| Semestry | zimní |
| Zakončení | zápočet a zkouška |
| Jazyk výuky | čeština |
| Rozsah výuky | 2P+2C |
Anotace
Předmět seznamuje posluchače s popisem neurčitosti nepozorovatelných veličin (parametrů a stavu dynamického systému) jazykem teorie pravděpodobnosti a s metodami jejich odhadování. Na základě bayesovské formulace problému jsou odvozeny algoritmy odhadování (parametry ARX modelu, Gaussian Process Regression) a filtrace (Kalmanův filtr) a detekce (testování hypotéz na základě věrohodnostního poměru), diskutována jejich numericky robustní implementace a řešení reálných aplikačních problémů v oblasti průmyslových regulací, robotiky a avioniky.
Cíle studia
Schopnost řešit inženýrské problem v oblasti odhadování a filtrace s využitím rigorózních teoretických základů.
Osnovy přednášek
1. Opakování statistiky
2. MS, LMS a ML odhad
3. Bayesovský přistup, model dynamického systému
4. Identifikace parametrů ARX modelu
5. Sledování časově proměnných parametrů, metody zapomínání
6. Numercky robustní algoritmy odhadování
7. Regrese s využitím Gausovských procesů
8. Stochastický systém, pravděpodobnostní definice stavu, Kalmanův filtr
9. Kalmanův filtr pro barevné šumy, rozšířený Kalmanův filtr
10. Stochastick=é dynamické programování, LQ a LQG řízení, separační princip
11. Metody detekce a izolace poruch
12. Věrohodnostní poměr - teorie a aplikace
13. Nelineární odhadování - lokální a globální aproximace
14. Metody Monte Carlo
2. MS, LMS a ML odhad
3. Bayesovský přistup, model dynamického systému
4. Identifikace parametrů ARX modelu
5. Sledování časově proměnných parametrů, metody zapomínání
6. Numercky robustní algoritmy odhadování
7. Regrese s využitím Gausovských procesů
8. Stochastický systém, pravděpodobnostní definice stavu, Kalmanův filtr
9. Kalmanův filtr pro barevné šumy, rozšířený Kalmanův filtr
10. Stochastick=é dynamické programování, LQ a LQG řízení, separační princip
11. Metody detekce a izolace poruch
12. Věrohodnostní poměr - teorie a aplikace
13. Nelineární odhadování - lokální a globální aproximace
14. Metody Monte Carlo
Osnovy cvičení
Náplní seminářů je práce na zadaných projektech (implementace vybraných algoritmů v Matlabu, řešení konkrétních technických problémů), Předmětem kontroly jsou funkční algoritmy a závěrečná zpráva.
Náplní domácích úkolů je řešení vybraných teoretické problému, předmětem kontroly je písemná zpráva.
.
Náplní domácích úkolů je řešení vybraných teoretické problému, předmětem kontroly je písemná zpráva.
.
Literatura
Lewis, F. L., L. Xie, D. Popa: Optimal and Robust Estimation: With an Introduction to Stochastic Control Theory, CRC Press, 2005. ISBN 978-1-4200-0829-6
Simon, D.: Optimal State Estimation: Kalman, H Infinity, and Nonlinear Approaches. Wiley, 2006, ISBN: 978-0-471-70858-2
Slidy přednášek (WEB/Moodle)
Zadání samostatných prací a domácích úkolů (WEB/Moodle)
Simon, D.: Optimal State Estimation: Kalman, H Infinity, and Nonlinear Approaches. Wiley, 2006, ISBN: 978-0-471-70858-2
Slidy přednášek (WEB/Moodle)
Zadání samostatných prací a domácích úkolů (WEB/Moodle)
Požadavky
Základní znalosti teorie dynamických system, pravděpodobnosti a statistiky.
Odhadování, filtrace a detekce - B9M35OFD
| Kredity | 4 |
| Semestry | zimní |
| Zakončení | zápočet a zkouška |
| Jazyk výuky | čeština |
| Rozsah výuky | 2P+2C |
Anotace
Předmět seznamuje posluchače s popisem neurčitosti nepozorovatelných veličin (parametrů a stavu dynamického systému) jazykem teorie pravděpodobnosti a s metodami jejich odhadování. Na základě bayesovské formulace problému jsou odvozeny algoritmy odhadování (parametry ARX modelu, Gaussian Process Regression) a filtrace (Kalmanův filtr) a detekce (testování hypotéz na základě věrohodnostního poměru), diskutována jejich numericky robustní implementace a řešení reálných aplikačních problémů v oblasti průmyslových regulací, robotiky a avioniky.
Cíle studia
Schopnost řešit inženýrské problem v oblasti odhadování a filtrace s využitím rigorózních teoretických základů.
Osnovy přednášek
1. Opakování statistiky
2. MS, LMS a ML odhad
3. Bayesovský přistup, model dynamického systému
4. Identifikace parametrů ARX modelu
5. Sledování časově proměnných parametrů, metody zapomínání
6. Numercky robustní algoritmy odhadování
7. Regrese s využitím Gausovských procesů
8. Stochastický systém, pravděpodobnostní definice stavu, Kalmanův filtr
9. Kalmanův filtr pro barevné šumy, rozšířený Kalmanův filtr
10. Stochastick=é dynamické programování, LQ a LQG řízení, separační princip
11. Metody detekce a izolace poruch
12. Věrohodnostní poměr - teorie a aplikace
13. Nelineární odhadování - lokální a globální aproximace
14. Metody Monte Carlo
2. MS, LMS a ML odhad
3. Bayesovský přistup, model dynamického systému
4. Identifikace parametrů ARX modelu
5. Sledování časově proměnných parametrů, metody zapomínání
6. Numercky robustní algoritmy odhadování
7. Regrese s využitím Gausovských procesů
8. Stochastický systém, pravděpodobnostní definice stavu, Kalmanův filtr
9. Kalmanův filtr pro barevné šumy, rozšířený Kalmanův filtr
10. Stochastick=é dynamické programování, LQ a LQG řízení, separační princip
11. Metody detekce a izolace poruch
12. Věrohodnostní poměr - teorie a aplikace
13. Nelineární odhadování - lokální a globální aproximace
14. Metody Monte Carlo
Osnovy cvičení
Náplní seminářů je práce na zadaných projektech (implementace vybraných algoritmů v Matlabu, řešení konkrétních technických problémů), Předmětem kontroly jsou funkční algoritmy a závěrečná zpráva.
Náplní domácích úkolů je řešení vybraných teoretické problému, předmětem kontroly je písemná zpráva.
.
Náplní domácích úkolů je řešení vybraných teoretické problému, předmětem kontroly je písemná zpráva.
.
Literatura
Lewis, F. L., L. Xie, D. Popa: Optimal and Robust Estimation: With an Introduction to Stochastic Control Theory, CRC Press, 2005. ISBN 978-1-4200-0829-6
Simon, D.: Optimal State Estimation: Kalman, H Infinity, and Nonlinear Approaches. Wiley, 2006, ISBN: 978-0-471-70858-2
Slidy přednášek (WEB/Moodle)
Zadání samostatných prací a domácích úkolů (WEB/Moodle)
Simon, D.: Optimal State Estimation: Kalman, H Infinity, and Nonlinear Approaches. Wiley, 2006, ISBN: 978-0-471-70858-2
Slidy přednášek (WEB/Moodle)
Zadání samostatných prací a domácích úkolů (WEB/Moodle)
Požadavky
Základní znalosti teorie dynamických system, pravděpodobnosti a statistiky.
Estimation, Filtering and Detection - BE3M35OFD
| Kredity | 6 |
| Semestry | zimní |
| Zakončení | zápočet a zkouška |
| Jazyk výuky | angličtina |
| Rozsah výuky | 2P+2C |
Anotace
This course will cover description of the uncertainty of hidden variables (parameters and state of a dynamic system) using the probability language and methods for their estimation. Based on bayesian problem formulation principles of rational behavior under uncertainty will be analyzed and used to develop algorithms for parameter estimations (ARX models, Gaussian process regression), filtering (Kalman filter) and detection (likelihood ratio theory) . We will demonstrate numerically robust implementation of the algorithms applicable in real life problems for the areas of industrial process control, robotics and avionics.
Cíle studia
Ability to solve engineering problems in the area of estimation and filtering, using rigorous theoretical background.
Osnovy přednášek
1. Review of basic concepts of statistics
2. MS, LMS and ML estimation
3. Bayesian approach to uncertainty description, model of dynamic system
4. Identification of ARX model parameters
5. Tracking of time varying parameters, forgetting, prior information
6. Numerically robust algorithms for parameter estimation
7. Gaussian process regression
8. Stochastic system, probabilistic state definition, Kalman filter
9. Kalman filter for colored noise, extended Kalman filter
10. Stochastic dynamic programming, LQ and LQG controller, certainty equivalence principle
11. Fault detection and isolation methods
12. Likelihood ratio - theory and applications
13. Nonlinear estimation - local vs. global approximation
14. Monte Carlo methods
2. MS, LMS and ML estimation
3. Bayesian approach to uncertainty description, model of dynamic system
4. Identification of ARX model parameters
5. Tracking of time varying parameters, forgetting, prior information
6. Numerically robust algorithms for parameter estimation
7. Gaussian process regression
8. Stochastic system, probabilistic state definition, Kalman filter
9. Kalman filter for colored noise, extended Kalman filter
10. Stochastic dynamic programming, LQ and LQG controller, certainty equivalence principle
11. Fault detection and isolation methods
12. Likelihood ratio - theory and applications
13. Nonlinear estimation - local vs. global approximation
14. Monte Carlo methods
Osnovy cvičení
Individual assigments - implementation of selected algorithms in Matlab, solution of individual technical problems. Deliverables: running algorithm, technical report.
Homeworks: theoretical assignments. Deliverables: report.
Homeworks: theoretical assignments. Deliverables: report.
Literatura
Lewis, F. L., L. Xie, D. Popa: Optimal and Robust Estimation: With an Introduction to Stochastic Control Theory, CRC Press, 2005. ISBN 978-1-4200-0829-6
Simon, D.: Optimal State Estimation: Kalman, H Infinity, and Nonlinear Approaches. Wiley, 2006, ISBN: 978-0-471-70858-2
Lectures - published on WEB/Moodle
Assignments-homework - published on WEB/Moodle
Simon, D.: Optimal State Estimation: Kalman, H Infinity, and Nonlinear Approaches. Wiley, 2006, ISBN: 978-0-471-70858-2
Lectures - published on WEB/Moodle
Assignments-homework - published on WEB/Moodle
Požadavky
Basics of dynamic system theory, probability and statistics.
Estimation, Filtering and Detection - BE9M35OFD
| Kredity | 4 |
| Semestry | zimní |
| Zakončení | zápočet a zkouška |
| Jazyk výuky | angličtina |
| Rozsah výuky | 2P+2C |
Anotace
This course will cover description of the uncertainty of hidden variables (parameters and state of a dynamic system) using the probability language and methods for their estimation. Based on bayesian problem formulation principles of rational behavior under uncertainty will be analyzed and used to develop algorithms for parameter estimations (ARX models, Gaussian process regression), filtering (Kalman filter) and detection (likelihood ratio theory) . We will demonstrate numerically robust implementation of the algorithms applicable in real life problems for the areas of industrial process control, robotics and avionics.
Cíle studia
Ability to solve engineering problems in the area of estimation and filtering, using rigorous theoretical background.
Osnovy přednášek
1. Review of basic concepts of statistics
2. MS, LMS and ML estimation
3. Bayesian approach to uncertainty description, model of dynamic system
4. Identification of ARX model parameters
5. Tracking of time varying parameters, forgetting, prior information
6. Numerically robust algorithms for parameter estimation
7. Gaussian process regression
8. Stochastic system, probabilistic state definition, Kalman filter
9. Kalman filter for colored noise, extended Kalman filter
10. Stochastic dynamic programming, LQ and LQG controller, certainty equivalence principle
11. Fault detection and isolation methods
12. Likelihood ratio - theory and applications
13. Nonlinear estimation - local vs. global approximation
14. Monte Carlo methods
2. MS, LMS and ML estimation
3. Bayesian approach to uncertainty description, model of dynamic system
4. Identification of ARX model parameters
5. Tracking of time varying parameters, forgetting, prior information
6. Numerically robust algorithms for parameter estimation
7. Gaussian process regression
8. Stochastic system, probabilistic state definition, Kalman filter
9. Kalman filter for colored noise, extended Kalman filter
10. Stochastic dynamic programming, LQ and LQG controller, certainty equivalence principle
11. Fault detection and isolation methods
12. Likelihood ratio - theory and applications
13. Nonlinear estimation - local vs. global approximation
14. Monte Carlo methods
Osnovy cvičení
Individual assigments - implementation of selected algorithms in Matlab, solution of individual technical problems. Deliverables: running algorithm, technical report.
Homeworks: theoretical assignments. Deliverables: report.
Homeworks: theoretical assignments. Deliverables: report.
Literatura
Lewis, F. L., L. Xie, D. Popa: Optimal and Robust Estimation: With an Introduction to Stochastic Control Theory, CRC Press, 2005. ISBN 978-1-4200-0829-6
Simon, D.: Optimal State Estimation: Kalman, H Infinity, and Nonlinear Approaches. Wiley, 2006, ISBN: 978-0-471-70858-2
Lectures - published on WEB/Moodle
Assignments-homework - published on WEB/Moodle
Simon, D.: Optimal State Estimation: Kalman, H Infinity, and Nonlinear Approaches. Wiley, 2006, ISBN: 978-0-471-70858-2
Lectures - published on WEB/Moodle
Assignments-homework - published on WEB/Moodle
Požadavky
Basics of dynamic system theory, probability and statistics.