Popis předmětu - AE3M35OFD

Přehled studia | Přehled oborů | Všechny skupiny předmětů | Všechny předměty | Seznam rolí | Vysvětlivky               Návod
AE3M35OFD Estimation, filtering and detection
Role:  Rozsah výuky:3P+1C
Katedra:13135 Jazyk výuky:EN
Garanti:  Zakončení:Z,ZK
Přednášející:  Kreditů:6
Cvičící:  Semestr:Z

Webová stránka:

http://dce.fel.cvut.cz/studium/estimation-filtering-and-detection

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: AE3M35OFD

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:

Poznámka:

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

Předmět je zahrnut do těchto studijních plánů:

Plán Obor Role Dop. semestr

Stránka vytvořena 26.3.2025 17:50:36, semestry: Z/2024-5, Z,L/2025-6, L/2024-5, připomínky k informační náplni zasílejte správci studijních plánů Návrh a realizace: I. Halaška (K336), J. Novák (K336)
Za obsah odpovídá: doc. RNDr. Veronika Sobotíková, CSc.