|
|
|||||||||||||||||
Opinto-opas 2013-2014
ASE-5030 Optimaalinen mallipohjainen estimointi ja ennustaminen, 7 op
|
Lisätiedot
Soveltuu jatko-opinnoiksi
Vastuuhenkilö
Risto Ritala, Robert Piche
Opetus
| Opetusmuoto | P1 | P2 | P3 | P4 | Kesä | Toteutuskerrat | Luentoajat ja -paikat |
|
|
|
|
|
|
|
|
Suoritusvaatimukset
Tentti. Tietokoneharjoitukset ja laskuharjoitukset/kotilaskut.
Osaamistavoitteet
Opintojakso esittää stokastisen järjestelmän tilainformaation kuvailumenetelmät ja kuvauksen päivityksen mittaustiedon perusteella. Staattiset, diskreettiajan ja jatkuvan ajan järjestelmät. Osaa (arvosana (3/5) 1. Muodostaa normaalijakaumalla kuvatun järjestelmän tilan estimaatin ja estimaattiepävarmuuden, kun järjestelmän tilasta saadaan osittaista/epävarmaa mittaustietoa. 2. Esittää yleisen Markov-prosessien rekursiivisen estimoinnin/informaation päivityksen periaatteen; bayes-suotimen periaate. 3. Laatia Kalman-suodattimen annetulle lineaarisen diskreetin ajan tilamalliille. 4. Laatia Kalman-suodattimen lineaariselle stokastiselle differentialaiyhtälölle, kun mittaukset tehdään hetkittäin epäsäännöllisin väliajoin. 5. Laatia lineaarisen staattisen (kantafunktio)mallin (esim. anturin kalibrointikäyrä) dynaamisen validointialgoritmin. Arvosana (1/5): vähintään neljä tavoitetta täyttyy.
Sisältö
| Sisältö | Ydinsisältö | Täydentävä tietämys | Erityistietämys |
| 1. | Normaalijakauma ja siitä johdetut ehdolliset jakaumat. | Keskinäisinformaatio ja Kullback-Leibler -etäisyys. | Fisher-informaatio ja Cramer-Rao -epäyhtälö. |
| 2. | Markov-ominaisuus ja siitä seuraava mittaushistorian tiivistävä tilainformaation rekursiivinen päivitys. Bayes-suodatus. | Estimaattien bias, epävarmuus, konsistenssi ja tehokkuus. | Kramers-Moyal yhtälö. |
| 3. | Lineaarisen tilamallin Kalman-suodatus. | Fokker-Planck -yhtälö. | |
| 4. | Lineaarisen stokastisen differentiaaliyhtälön ratkaisu: tilan todennäköisyystiheyden dynamiikka. | Referenssimittausten ajoituksen optimointi lineaarisen (kantafunktio)mallin epävarmuuden pitämiseksi asetetuissa rajoissa (esim mittauksen 'kalibrointikäyrän' epävarmuuden monitorointi tai adpatointi). | |
| 5. | Lineaarisen staattisen (kantafunktio)mallin parametrien Kalman-suodatus; mallin dynaaminen validointi. | Extended Kalman filter. Partikkelisuodatus. |
Ohjeita opiskelijalle osaamisen tasojen saavuttamiseksi
Tentti. Tietokoneharjoitukset ja laskuharjoitukset/kotilaskut.
Arvosteluasteikko:
Opintojaksolla käytetään numeerista arviointiasteikkoa (1-5)
Oppimateriaali
| Tyyppi | Nimi | Tekijä | ISBN | URL | Painos,saatavuus... | Tenttimateriaali | Kieli |
| Muu kirjallisuus | Käsikirjoitus Ritala "Measurement Information Theory" soveltuvin osin, teiteellisiä julkaisuja sekä näistä johdetut luentokalvot | Ei | Englanti |
Esitietovaatimukset
| Opintojakso | P/S | Selite |
| ASE-2110 Systeemit ja säätö | Suositeltava | |
| ASE-2150 Systeemimallit ja niiden identifiointi | Suositeltava | |
| ASE-2510 Johdatus systeemien analysointiin | Suositeltava |
Esitietoketju (Vaatii kirjautumisen POPiin)
Vastaavuudet
| Opintojakso | Vastaa opintojaksoa | Selite |
|
|
|
|
|
|
|
Tarkempia tietoja toteutuskerroittain
| Toteutus | Kuvaus | Opetusmuodot | Toteutustapa |
| Näitä sivuja ei ylläpidetä. Katso ASE-5036 toteutus. These pages are not updated. Please see the ASE-5036 implementation. | Luennot Harjoitukset Harjoitustyöt |
Lähiopetus: 40 % Etäopetus: 0 % Itseopiskelu: 60 % |