Filtragem estocástica : variação da estimativa como fonte de incerteza

Detalhes bibliográficos
Autor(a) principal: Fernandes, Marcos Rogério, 1993-
Data de Publicação: 2019
Tipo de documento: Dissertação
Idioma: por
Título da fonte: Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)
Texto Completo: https://hdl.handle.net/20.500.12733/1636523
Resumo: Orientadores: João Bosco Ribeiro do Val, Rafael Fontes Souto
id UNICAMP-30_ef224508fa301bd934d0417a99524af3
oai_identifier_str oai::1090263
network_acronym_str UNICAMP-30
network_name_str Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)
repository_id_str
spelling Filtragem estocástica : variação da estimativa como fonte de incertezaStochastic Filtering : estimation variation as source of uncertaintyFiltragem de KalmanTeoria da estimativaEstatística robustaKalman FilteringEstimation theoryRobust statisticOrientadores: João Bosco Ribeiro do Val, Rafael Fontes SoutoDissertação (mestrado) - Universidade Estadual de Campinas, Faculdade de Engenharia Elétrica e de ComputaçãoResumo: Esta dissertação apresenta uma nova classe de estimadores em que a Variação da Estimativa pode Aumentar a Incerteza, denominada Estimadores EVIU (\textit{em inglês, Estimation Variation Increase the Uncertainty}). Esta nova classe de estimadores é aplicada na filtragem e predição do estado de sistemas, cuja dinâmica não é completamente conhecida, considerando que apenas um conjunto limitado de informações sobre o sistema verdadeiro está disponível. Estudos aqui apresentados indicam que esta abordagem pode produzir resultados melhores, quando comparados com outros métodos da literatura. Essa forma de tratar o problema de estimação toma como base resultados obtidos na área de Controle Estocástico no qual a Variação do Controle ou do Estado podem Aumentar a Incerteza, denominado Controle CVIU (\textit{Control or State Variation Increase the Uncertainty}). A principal estratégia adotada para essa nova classe de estimadores no contexto de filtragem é a formulação do problema de Mínimos Quadrados Regularizados com a adição de ruídos dependentes do valor absoluto da variação da estimativa, de forma a compensar incertezas de modelagem. Tal abordagem cria um novo paradigma para tratar o problema de estimação de sistemas subdeterminados e apresenta características inéditas, como uma região no espaço de inovação em que a não-variação da estimativa é a solução ótima. Baseado no método aqui proposto, uma variação do Filtro de Kalman é desenvolvida de forma a tratar sistemas cuja dinâmica é pouco conhecida. Ademais, uma extensão para tratar sistemas não-lineares também é desenvolvida. Aplicações típicas em que a estimação de estados é amplamente utilizada englobam sistemas na área de engenharia elétrica tais como rastreamento e navegação, robótica, controle e processamento de sinais, bem como aplicações em contextos biológicos e econômicos. Para ilustrar os benefícios do método proposto, ao final são realizados experimentos numéricos que são comparados com a literaturaAbstract: This work shows a new class of estimators in which the Estimation Variation might Increase the Uncertainty, named EVIU Estimator. This new class of estimators is employed to filtering and prediction of stochastic dynamic systems when just a rough model or only some historical information about the real system are available. This work shows that this approach can yield better results when compared with other methods from the literature. This alternative way to deal with the Estimation Problem has motivation from results achieved in the Stochastic Control context where the Control or State Variation Increase the Uncertainty, named CVIU. The main strategy adopted for this new approach on filtering problems is a modified version of the Regularized Least Square Problem with the introduction of an extra noise term dependent on the absolute value of estimation variation to compensate modeling uncertainties. Therefore, a novel paradigm to deal with the estimation of a poorly known dynamic system is provided. In addition, this approach indicates a region in the inovation space where the non-variation of the estimate is optimal. Based on such approach, a Kalman-type filter is provided for filtering of poorly known dynamic systems. An extension to a non-linear system is also included. Typical applications of this approach in electrical engineering problems are tracking systems, robotic navigation, state feedback control, and signal processing, besides unusual applications in Economic and Biologic System might also be employed. In order to demonstrate the benefits of this new approach, numerical experiments and comparisons are providedMestradoAutomaçãoMestre em Engenharia ElétricaCAPES1695531[s.n.]Val, João Bosco Ribeiro do, 1955-Souto, Rafael Fontes, 1984-Aguirre, Luis AntonioOliveira, Ricardo Coração de Leão Fontoura deUniversidade Estadual de Campinas (UNICAMP). Faculdade de Engenharia Elétrica e de ComputaçãoPrograma de Pós-Graduação em Engenharia ElétricaUNIVERSIDADE ESTADUAL DE CAMPINASFernandes, Marcos Rogério, 1993-20192019-03-11T00:00:00Zinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdf1 recurso online (77 p.) : il., digital, arquivo PDF.https://hdl.handle.net/20.500.12733/1636523FERNANDES, Marcos Rogério. Filtragem estocástica: variação da estimativa como fonte de incerteza. 2019. 1 recurso online (77 p.) Dissertação (mestrado) - Universidade Estadual de Campinas, Faculdade de Engenharia Elétrica e de Computação, Campinas, SP. Disponível em: https://hdl.handle.net/20.500.12733/1636523. Acesso em: 3 set. 2024.https://repositorio.unicamp.br/acervo/detalhe/1090263Requisitos do sistema: Software para leitura de arquivo em PDFporreponame:Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)instname:Universidade Estadual de Campinas (UNICAMP)instacron:UNICAMPinfo:eu-repo/semantics/openAccess2019-07-25T16:37:46Zoai::1090263Biblioteca Digital de Teses e DissertaçõesPUBhttp://repositorio.unicamp.br/oai/tese/oai.aspsbubd@unicamp.bropendoar:2019-07-25T16:37:46Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP) - Universidade Estadual de Campinas (UNICAMP)false
dc.title.none.fl_str_mv Filtragem estocástica : variação da estimativa como fonte de incerteza
Stochastic Filtering : estimation variation as source of uncertainty
title Filtragem estocástica : variação da estimativa como fonte de incerteza
spellingShingle Filtragem estocástica : variação da estimativa como fonte de incerteza
Fernandes, Marcos Rogério, 1993-
Filtragem de Kalman
Teoria da estimativa
Estatística robusta
Kalman Filtering
Estimation theory
Robust statistic
title_short Filtragem estocástica : variação da estimativa como fonte de incerteza
title_full Filtragem estocástica : variação da estimativa como fonte de incerteza
title_fullStr Filtragem estocástica : variação da estimativa como fonte de incerteza
title_full_unstemmed Filtragem estocástica : variação da estimativa como fonte de incerteza
title_sort Filtragem estocástica : variação da estimativa como fonte de incerteza
author Fernandes, Marcos Rogério, 1993-
author_facet Fernandes, Marcos Rogério, 1993-
author_role author
dc.contributor.none.fl_str_mv Val, João Bosco Ribeiro do, 1955-
Souto, Rafael Fontes, 1984-
Aguirre, Luis Antonio
Oliveira, Ricardo Coração de Leão Fontoura de
Universidade Estadual de Campinas (UNICAMP). Faculdade de Engenharia Elétrica e de Computação
Programa de Pós-Graduação em Engenharia Elétrica
UNIVERSIDADE ESTADUAL DE CAMPINAS
dc.contributor.author.fl_str_mv Fernandes, Marcos Rogério, 1993-
dc.subject.por.fl_str_mv Filtragem de Kalman
Teoria da estimativa
Estatística robusta
Kalman Filtering
Estimation theory
Robust statistic
topic Filtragem de Kalman
Teoria da estimativa
Estatística robusta
Kalman Filtering
Estimation theory
Robust statistic
description Orientadores: João Bosco Ribeiro do Val, Rafael Fontes Souto
publishDate 2019
dc.date.none.fl_str_mv 2019
2019-03-11T00:00:00Z
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv https://hdl.handle.net/20.500.12733/1636523
FERNANDES, Marcos Rogério. Filtragem estocástica: variação da estimativa como fonte de incerteza. 2019. 1 recurso online (77 p.) Dissertação (mestrado) - Universidade Estadual de Campinas, Faculdade de Engenharia Elétrica e de Computação, Campinas, SP. Disponível em: https://hdl.handle.net/20.500.12733/1636523. Acesso em: 3 set. 2024.
url https://hdl.handle.net/20.500.12733/1636523
identifier_str_mv FERNANDES, Marcos Rogério. Filtragem estocástica: variação da estimativa como fonte de incerteza. 2019. 1 recurso online (77 p.) Dissertação (mestrado) - Universidade Estadual de Campinas, Faculdade de Engenharia Elétrica e de Computação, Campinas, SP. Disponível em: https://hdl.handle.net/20.500.12733/1636523. Acesso em: 3 set. 2024.
dc.language.iso.fl_str_mv por
language por
dc.relation.none.fl_str_mv https://repositorio.unicamp.br/acervo/detalhe/1090263
Requisitos do sistema: Software para leitura de arquivo em PDF
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
1 recurso online (77 p.) : il., digital, arquivo PDF.
dc.publisher.none.fl_str_mv [s.n.]
publisher.none.fl_str_mv [s.n.]
dc.source.none.fl_str_mv reponame:Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)
instname:Universidade Estadual de Campinas (UNICAMP)
instacron:UNICAMP
instname_str Universidade Estadual de Campinas (UNICAMP)
instacron_str UNICAMP
institution UNICAMP
reponame_str Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)
collection Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)
repository.name.fl_str_mv Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP) - Universidade Estadual de Campinas (UNICAMP)
repository.mail.fl_str_mv sbubd@unicamp.br
_version_ 1809189145077088256

Registros relacionados