Opinto-opas 2012-2013
Perus

Perus Pori KV Jatko Avoin

|Tutkinnot|     |Opintokokonaisuudet|     |Opintojaksot|    

Opinto-opas 2012-2013

ASE-5030 Optimaalinen mallipohjainen estimointi ja ennustaminen, 7 op
Optimal Estimation and Prediction Based on Models

Lisätiedot

Soveltuu jatko-opinnoiksi

Vastuuhenkilö

Risto Ritala

Opetus

Opetusmuoto P1 P2 P3 P4 Kesä Toteutuskerrat Luentoajat ja -paikat
Luennot
Harjoitukset


 


 
 3 h/vko
 2 h/vko
+2 h/vko
+3 h/vko


 
ASE-5030 2012-01 Torstai 9 - 12, SH220

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 Ydinaines 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.   

Opintojakson arvostelu

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      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 
ASE-5030 Optimaalinen mallipohjainen estimointi ja ennustaminen, 7 op ASE-5030 Optimaalinen mallipohjainen estimointi ja ennustaminen, 7 op  
ASE-5030 Optimaalinen mallipohjainen estimointi ja ennustaminen, 7 op ACI-42130 Systeemiteorian erityiskysymyksiä, 5 op  

Tarkempia tietoja toteutuskerroittain

Toteutus Kuvaus Opetusmuodot Toteutustapa
ASE-5030 2012-01 Opintojakso esittää stokastisen järjestelmän tilainformaation kuvailumenetelmät ja kuvauksen päivityksen mittaustiedon perusteella. Staattiset, diskreettiajan ja jatkuvan ajan järjestelmät.   Luennot
Harjoitukset
Harjoitustyöt
   
Lähiopetus: 40 %
Etäopetus: 0 %
Itseopiskelu: 60 %  

Viimeksi muokattu14.02.2012