|
|
Rozšířená kvadraticky optimální identifikace a filtrace
Dokoupil, Jakub ; Bobál, Vladimír (oponent) ; Dostál,, Petr (oponent) ; Pivoňka, Petr (vedoucí práce)
Souběžné vyhodnocování souboru modelů různých řádů a schopnost sledovat nemodelované změny v parametrech je často žádoucím prvkem v úlohách parametrické estimace. Vhodným nástrojem umožňujícím řešení problému paralelní identifikace je technika pracující s faktory rozšířené kovarianční (ACM) popř. informační matice (AIM). Odtud je odvozen název rozšířená identifikace (AI) metodou nejmenších čtverců. Metoda AI tak zachovává numerickou stabilitu výpočtu konvenční metody nejmenších čtverců, avšak mnohem efektivněji vyhodnocuje informační obsažnost dat. Pro účely sledování časového vývoje parametrů lze využít, že veškerá informace vztahující se k rekurzivní identifikaci, a tím i k datově řízenému zapomínání, je koncentrována přímo v ACM a stejně tak i v AIM. V práci bude uveden postup, jak ocenit přínos dat a zapomínat pouze tu část informace uložené v ACM (AIM), která bude modifikována nejnovějšími daty nesenými regresorem. V úlohách estimace vystupuje i praktická potřeba znalosti vnitřních stavů identifikovaného systému. Protože rozšířená identifikace spadá do třídy metod minimalizujících chybu predikce (PEM), vyvstává racionální požadavek na formulaci stavového filtru jako na optimalizační proceduru, která minimalizuje chybu predikovanou stavovým modelem s ohledem na působení vektoru stavů. Navržené schéma stavového filtru doplní okruh metod pracujících s ACM (AIM) o přístup rozšířené filtrace (AF). Tímto bude položen ucelený koncept parametrické estimace, který se v porovnání s konvenčními přístupy vyznačuje všestranností, nízkými nároky kladenými na apriorní znalost procesu a jedinečnými numerickými vlastnostmi (odolný vůči přeparametrizování, řešící mnohamodelový problém).
|
|
|
Rozšířená kvadraticky optimální identifikace a filtrace
Dokoupil, Jakub ; Bobál, Vladimír (oponent) ; Dostál,, Petr (oponent) ; Pivoňka, Petr (vedoucí práce)
Souběžné vyhodnocování souboru modelů různých řádů a schopnost sledovat nemodelované změny v parametrech je často žádoucím prvkem v úlohách parametrické estimace. Vhodným nástrojem umožňujícím řešení problému paralelní identifikace je technika pracující s faktory rozšířené kovarianční (ACM) popř. informační matice (AIM). Odtud je odvozen název rozšířená identifikace (AI) metodou nejmenších čtverců. Metoda AI tak zachovává numerickou stabilitu výpočtu konvenční metody nejmenších čtverců, avšak mnohem efektivněji vyhodnocuje informační obsažnost dat. Pro účely sledování časového vývoje parametrů lze využít, že veškerá informace vztahující se k rekurzivní identifikaci, a tím i k datově řízenému zapomínání, je koncentrována přímo v ACM a stejně tak i v AIM. V práci bude uveden postup, jak ocenit přínos dat a zapomínat pouze tu část informace uložené v ACM (AIM), která bude modifikována nejnovějšími daty nesenými regresorem. V úlohách estimace vystupuje i praktická potřeba znalosti vnitřních stavů identifikovaného systému. Protože rozšířená identifikace spadá do třídy metod minimalizujících chybu predikce (PEM), vyvstává racionální požadavek na formulaci stavového filtru jako na optimalizační proceduru, která minimalizuje chybu predikovanou stavovým modelem s ohledem na působení vektoru stavů. Navržené schéma stavového filtru doplní okruh metod pracujících s ACM (AIM) o přístup rozšířené filtrace (AF). Tímto bude položen ucelený koncept parametrické estimace, který se v porovnání s konvenčními přístupy vyznačuje všestranností, nízkými nároky kladenými na apriorní znalost procesu a jedinečnými numerickými vlastnostmi (odolný vůči přeparametrizování, řešící mnohamodelový problém).
|
host ::
RSS.