Escolar Documentos
Profissional Documentos
Cultura Documentos
Filtro de Kalman - Iniciantes PDF
Filtro de Kalman - Iniciantes PDF
1
A História da Filtragem de Sinais
Estatística
(variável
aleatória)
O que caracteriza um sinal?
•Média
•Desvio Padrão ( volatilidade )
Probabilidade
Sinal com baixa volatilidade
5 x1 2 x2 4
2 x1 x2 1
5 2 x1 4
2 1 x2 1
A B
(b) Resolve-se agora o sistema : AX = B
A1 AX A1B
(d) Como A-1.A é matriz identidade a solução será: X = A-1B
2 x1 x2 1
3x1 2 x2 2 3 equações
x x 3
1 2 2 incógnitas (x1,x2)
????
Método dos Mínimos Quadrados
A solução para o problema anterior é encontrar o vetor x mais próximo
possível tal que o sistema AX = B seja o mais verdadeiro possível!
Exemplo:
reta de regressão linear Reta que mais se
aproxima dos
pontos amostrados
Y
angulo
b=tangente(angulo) Os resíduos dessa
diferença são os
menores possíveis
a
quando elevados ao
X
quadrado.
A Estimativa do Método dos Mínimos Quadrados (MMQ)
Seja
Ax B
AT Ax AT B
A A .A A.x A A
T 1 T T 1
. AT B
identidade
1 T
x A A A B
T
Aplicação dos MMQ à medidas
Imaginar que duas variáveis foram acompanhadas por 3 dias e tiveram
seus valores relacionados na tabela a seguir:
medida1 medida 2
0,10 13
0,18 22
0,28 36
medida1 k medida2
Como estimar k?
Solução via MMQ
0,10k 13
Sistema com 3 equações e 1 incógnita
0,18k 22
0,28k 36
0,10 13
A 0,18 B 22
0,28 36
Então, lembrando que o x nesse problema é o valor de k e:
1 T
x A A A B
T
Qual a solução?
Solução
0,1
(a) AT A 0,1 0,18 0,28 0,18 0,1208
0,28
0,1
(b) AT B 0,1 0,18 0,28 0,18 15,34
0,28
Assim,
1
k 15,34 127
0,1208
A Solução Numérica
1 T
x A A A B
T
Estimativa de parâmetros - Ajuste de Função
y c0 c1 x
Observando que os dados são inseridos na função da seguinte forma:
y(i) c0 c1 x(i)
O sistema a ser resolvido é:
1 x1 y1
1 x2 c0 y2
. c
1
1 x y
n n
A X B
Exercício
Fazer um programa para entrar com n valores de x e de y e no final
o programa deve ajustar a função linear pelo método dos mínimos
quadrados. Use como exemplo a tabela a seguir:
X 0 3 6
Y 1 4 5
Solução
Exercício
Modificar o programa anterior para fazer o gráfico dos pontos da
Tabela e dos pontos da reta ajustada y(i) = c0 + c1* x(i)
Solução
5.5
4.5
pontos da tabela
4
3.5
3
RETA AJUSTADA
2.5
1.5
1
0 1 2 3 4 5 6
Estimação Recursiva
zi x vi i = 1,2,3,..., k
z
i 1
i
x k
k
k 1
z
i 1
i
x k 1
k 1
Deve-se manipular os termos para deixar a estimativa sempre em função
das medidas anteriores:
1 k
xˆ k 1 z i z k 1
k 1 i 1
1 k k
z i z k 1
k 1 k i 1
média
1 k k
z i z k 1
k 1 k i 1
k z k 1
x k
k 1 k 1
Somando-se e subtraindo x k
k 1
k 1 1 1
x k 1 x k x k z k 1 x k
k 1 k 1 k 1 k 1
xˆk
1
zK 1 xˆk
k 1
Estimação recursiva de variáveis
. z k 1 x k
1
x k 1 x k
k 1
Ganho do informação ainda
Sistema não utilizada
Exemplo
Estimar a constante “a=10” com ruído de medida v (média = 0, desvio=5)
para 100 medidas de “a”.
Programando a fórmula do mínimos quadrados recursivo:
Resultado
Para “n” simulações
Comparando com as medidas
Por que usar a distribuição gaussina?
•Segundo o teorema do limite central, todas convergem para a normal
para um número grande de pontos.
580
22
20
540
18
16
500
14
12
460
10
8
420
6
4
380 2
0.3 0.5 0.7 0.9 1.1 1.3
0
20
18
16
14
12
10
0
Para uma única variável
•Média: ( x x )2
•Variância: 2
e 2 2
f ( x)
2 2
4
3
2
1
0
-1 1 3 5 7 9 11 13 15 17 19
-2
-3
-4
Para duas variáveis – Distribuição Espacial
2 1 ( x x )
( x x ) ( y y ) ( xy )
( y y )
2
e
f ( x, y )
2 xy2
Média de x: x
Média de y y
Desvio Padrão de x: x
2
Covariância de x e y: xy
2
Correlação de x e y:
Mas a Covariância é uma matriz ( P )
•É necessário uma correção na fórmula pois,
x2 x y
P 2
xy y
2
x y
( x x )
( x x ) ( y y ) P 1
( y y )
2
e
f ( x, y )
2 P
1/ 2
f x1 , x2 ,, xn
x
x1
x1
x2
x
xn sinal
xn
tempo
Algoritmo Esquemático
Satélite
•Trabalha com dados
dados
•Equação de Propagação
•Equação de Atualização
Bóia
•Equação de Covariância
Equação de
xˆ Equação de
xˆ
Atualização k 1 Atualização k 2
Pk 1 xk 1 xk 1 xk 1 xk 1
T
Pk 1 APk AT CQC T
Atualizações
•Atualização do estado
- A melhor estimativa de xk quando se tem medida zk é aquela que
minimiza o termo do expoente da distribuição gaussiana.
( x x )
( x x ) ( y y ) P 1
( y y )
2
e Isso é desejado!
f ( x, y )
2 P
1/ 2
Deseja-se minimizar
Ou,
Isso leva à seguinte relação
priori T
P H
xˆk xˆk zk Hxk
ˆ
posteriori priori priori
R
•Atualização da covariância
Equação de Propagação:
x k A. x k 1 propagação do estado
Equação de Atualização:
Kk Pk . H T . H. Pk . H T R
1
ganho do filtro
x k x k Kk . z k H. x k atualização do estado
Quando o Filtro Falha
xˆ k 1 Axˆ k AKk yk Hxˆ k
Modelo Medida
xˆ k xˆ k Kk yk Hxˆ k
Q Pk Kk xˆ k xˆ k
Resultado
y
-5
0 1 2 3 4 5 6 7 8 9 10
4
2
x1
-2
Sinal estimado 0 1 2 3 4 5 6 7 8 9 10
Errado! 20
10
x2
-10
0 1 2 3 4 5 6 7 8 9 10
Sinal real
2. Se o ruído de medida é muito menor que a perturbação no estado,
ou seja, se R<<<Q.
P(0) ideal
aprende rápido
Característica ideal da covariância do estado Pk
P(0) alto
tempo
Covariânica do erro de localização horizontal
(Takemasa, Shozo, 2007, pag 3849)
ERRO NO MODELO
O problema da estimativa da temperatura SIMULAÇÃO
•O que se desejava?
- É possível estimar os dados em tempo real?
- É possível fazer uma previsão confiável com
boa antecedência?
Modelos
observado
Modelo Utilizado
xk 1 Axk Ck
Equação de Atualização:
Pk
Kk
Pk 100
Pk 1 K k Pk
xˆk xˆk K k . zk xˆk
Simulando os dados do sensor
P(k)
erro = 22,36oC
R=erro2 = 500
P(0) = 400
R = 100
P(0) = 40
R=1