Teorija estimacije
Opis predmeta
Teorija estimacije bavi se procjenom stanja i parametara sustava iz zašumljenih mjerenja. Većina postupaka obrađenih u kolegiju zasniva se na Bayesovoj metodi. Ona postavlja temelj optimalnoj estimaciji stanja i parametara kombiniranjem postojećeg poznavanja sustava i nesigurnih mjerenja. Međutim, Bayesova metoda nije samo algoritam za optimalnu procjenu stanja i parametara, ona je ujedno i alat za racionalnu procjenu vjerojatnosti koji postavlja temelj za donošenje odluka u svijetu prožetom nesigurnostima. Metode obrađene u kolegiju nalaze primjene u gotovo svim znanstvenim disciplinama, a navode se samo neke s vrlo čestim takvim primjenama: elektrotehnika, računarstvo, strojarstvo, kemijsko inženjerstvo, automatika, robotika, biologija, ekonomija itd. Kolegij započinje uvodom u estimaciju odnosno temeljnim konceptima estimacije stanja i identifikacije sustava, također dajući i pregled matematičkih podloga (linearna algebra, teorija vjerojatnosti i stohastički procesi, statistika). Potom se obrađuju metode linearne estimacije u statičnim sustavima te se nastavlja s jednim od presudnih istraživačkih rezultata 20. stoljeća - Kalmanovim filtrom, te proširenim Kalmanovim filtrom. Kolegij se potom fokusira na neparametarske i parametarske identifikacijske postupke za linearne modele sustava, te na odabir strukture modela i validaciju modela pri identifikaciji. Na kraju se analizira implementacijske aspekte estimacijskih postupaka.
Ishodi učenja
- Objasniti temeljne koncepte u estimaciji stanja i identifikaciji sustava te njihovu povezanost s pripadnim matematičkim podlogama
- Razviti tehniku linearne estimacije u statičnim sustavima za odgovarajuće probleme
- Koristiti Kalmanov filtar i linearni Kalmanov filtar u primjenama
- Koristiti neparametarske postupke identifikacije za linearne sustave u primjenama
- Koristiti parametarske postupke identifikacije za linearne sustave u primjenama
- Upotrijebiti odgovarajuću strukturu modela u identifikaciji i postupak vrednovanja identificiranog modela
- Generirati praktične implementacije postupaka estimacije
Oblici nastave
Predavanja
Predavanja će se održavati interaktivno gdje će studenti uz praćenje nastavnika odrađivati jednostavne primjere.
LaboratorijNa laboratorijskim vježbama će studenti rješavati složenije zadatke iz poglavlja odrađenih na predavanjima.
Tjedni plan nastave
- Osnovni koncepti u estimaciji, pregled pozadinskih tehnika (linearna algebra, teorija vjerojatnosti i stohastički procesi, statistika)
- Linearna estimacija u statičkim sustavima, metoda najmanjih kvadrata, estimacija maksimalne vjerodostojnosti, maximum a posteriori estimacija
- Linearna estimacija u statičkim sustavima, metoda najmanjih kvadrata, estimacija maksimalne vjerodostojnosti, maximum a posteriori estimacija
- Linearna estimacija u dinamičkim sustavima, linearni diskretni Kalmanov filtar
- Linearna estimacija u dinamičkim sustavima, linearni diskretni Kalmanov filtar
- Dodatne teme Kalmanova filtriranja
- Prošireni Kalmanov filtar
- Međuispit
- Osnovni pojmovi i matematički koncpeti korišteni u identifikaciji sustava, Klasifikacija postupaka identifikacije sustava, Korelacijska analiza za vremenski kontinuirane sustave, Spektralna analiza za vremenski kontinuirane sustave
- Korelacijska analiza za vremenski diskretne sustave, Spektralna analiza za vremenski diskretne sustave, Parametarski modeli: deterministički i stohastički dijelovi, Metoda najmanjih kvadrata. direktna i rekurzivna
- Parametarski modeli: deterministički i stohastički dijelovi, Metoda najmanjih kvadrata. direktna i rekurzivna, Metoda pomoćnih varijabli. direktna i rekurzivna, Metoda najveće sličnosti, Postupci identifikacije s faktorom zaboravljanja
- Metoda pomoćnih varijabli. direktna i rekurzivna, Metoda najveće sličnosti, Postupci identifikacije s faktorom zaboravljanja
- Postupci identifikacije MIMO sustava, Postupci identifikacije za modele u prostoru stanja
- Određivanje reda i vremenskog kašnjenja modela za identifikaciju, Procedure validacije identificiranih modela, Praktične procedure i preporuke za identifikaciju
- Završni ispit
Studijski programi
Sveučilišni diplomski
Izborni predmeti (2. semestar)[FER3-HR] Automatika i robotika - profil
(2. semestar)
[FER3-HR] Elektroenergetika - profil
Izborni predmeti
(2. semestar)
Izborni predmeti
(2. semestar)
[FER3-HR] Elektronika - profil
Izborni predmeti
(2. semestar)
Izborni predmeti
(2. semestar)
Izborni predmeti
(2. semestar)
Izborni predmeti
(2. semestar)
Izborni predmeti
(2. semestar)
[FER3-HR] Računalno inženjerstvo - profil
Izborni predmeti
(2. semestar)
Izborni predmeti
(2. semestar)
[FER3-HR] Računarska znanost - profil
Izborni predmeti
(2. semestar)
[FER3-HR] Znanost o mrežama - profil
Izborni predmeti
(2. semestar)
[FER3-HR] Znanost o podacima - profil
Izborni predmeti
(2. semestar)
[FER2-HR] Automatika - profil
Teorijski predmeti profila
(2. semestar)
[FER2-HR] Obradba informacija - profil
Teorijski predmeti profila
(2. semestar)
Literatura
Simo Särkkä (2013.), Bayesian filtering and smoothing, Cambridge University Press
L. Ljung (1999.), System Identification: Theory for the User, Prentice Hall, New Jersey
Dan Simon (2006.), Optimal state estimation, John Wiley and Sons
Yaakov Bar-Shalom, X. Rong-Li, Thiagalingam Kirubarajan (2001.), Estimation with application to tracking and navigation,
Timothy Barfoot (2021.), State estimation for robotics, Cambridge University Press
Predavanja
Laboratorijske vježbe
Za studente
Izvedba
ID 223687
Ljetni semestar
5 ECTS
R1 Engleski jezik
R1 E-učenje
45 Predavanja
0 Seminar
10 Auditorne vježbe
12 Laboratorijske vježbe
0 Konstrukcijske vježbe
Ocjenjivanje
izvrstan
vrlo dobar
dobar
dovoljan