Processos Estocásticos - PET Engenharia Elétrica
Transcrição
Processos Estocásticos - PET Engenharia Elétrica
Universidade Federal do Ceará Departamento de Engenharia Elétrica Programa de Educação Tutorial Plano Básico Processos Estocásticos Autores: Luís Paulo Carvalho dos Santos Luiz Fernando Almeida Fontenele Orientadores: Diego de Sousa Madeira Fernando Weslley Silva de Oliveira Fortaleza, 28 de agosto de 2008 Índice • • • • • • • • • • • Introdução Probabilidade Variáveis Aleatórias Processos Estocásticos Filtragem Modelo de Espaço de Estados Filtro de Kalman Filtro de Kalman Estendido Filtro de Partículas Referências Bibliográficas Agradecimentos Luís Paulo Carvalho dos Santos Luiz Fernando Almeida Fontenele 2 Introdução • Sistemas reais – Influências não inteiramente conhecidas – Não se pode predizer com precisão arbitrária o estado do sistema em um instante. – Imprevisibilidade Fenômeno aleatório – Modelos determinísticos Modelos probabilísticos Luís Paulo Carvalho dos Santos Luiz Fernando Almeida Fontenele 3 Probabilidade • Experimento aleatório – Não se pode afirmar, a priori, o resultado que ocorrerá – Condições de ensaio praticamente inalteradas Pode ocorrer resultados diferentes – Após inúmeras repetições Regularidades Luís Paulo Carvalho dos Santos Luiz Fernando Almeida Fontenele 4 Variáveis Aleatórias Variáveis Aleatórias • Uma variável aleatória x é uma função real, definida em tomando valores no conjunto e satisfazendo às seguintes condições: – O conjunto Ax x X é um evento X – P x P x 0 x: Luís Paulo Carvalho dos Santos x Luiz Fernando Almeida Fontenele 6 Função Distribuição de Probabilidade • A Função Distribuição de Probabilidade (FDP) de uma variável aleatória x é uma função Fx definida por: Fx : X Fx X P AX com AX x X • Notação simplificada: Fx X P x X Luís Paulo Carvalho dos Santos Luiz Fernando Almeida Fontenele 7 Função Densidade de Probabilidade • A Função Densidade de Probabilidade de uma variável aleatória x é definida como a derivada de sua função de probabilidade: d px X Fx X dx Luís Paulo Carvalho dos Santos Luiz Fernando Almeida Fontenele 8 Função Densidade de Probabilidade • Propriedades: – px u du Fx X X – px X 0 – – b a – px X dX 1 px X dX P x a, b p X dX P x I I x Luís Paulo Carvalho dos Santos Luiz Fernando Almeida Fontenele 9 Função Densidade de Probabilidade • Normal ou Gaussiana: – Função Densidade de Probabilidade: 1 e » px X 2 2 X m 2 2 , m e 0 – Função Distribuição de Probabilidade: X m Fx X px X dX 1 Q X » Luís Paulo Carvalho dos Santos , Luiz Fernando Almeida Fontenele 1 Q 2 e u2 2 du 10 Funções de Variáveis Aleatórias • Uma função real definida sobre os reais g: x g x y: Luís Paulo Carvalho dos Santos g x Luiz Fernando Almeida Fontenele 11 Definições • E y Yp y Y dY • mx E x Xpx X dX • E x 2 X 2 px X dX • 2 2 E x mx • rxy E xy • k xy E x mx y my Valor esperado Média Valor médio quadrático X mx 2 px X dX XYpxy X , Y dXdY Luís Paulo Carvalho dos Santos Variância Correlação X m Y m p X ,Y dXdY Covariância x y xy Luiz Fernando Almeida Fontenele 12 Teorema do Limite Central n • Seja ym uma variável aleatória definida por yn xi i 1 x1 , x2 ,..., xn onde são variáveis aleatórias estatisticamente independentes, identicamente distribuídas, todas com média m e variância 2 . Então, a variável aleatória zn que caracteriza a yn m y soma normalizada zn é tal que: n y n 2 1 Z2 lim pxn Z e n 2 Luís Paulo Carvalho dos Santos Luiz Fernando Almeida Fontenele 13 Processos Estocásticos Processos Estocásticos • É o mapa definido por: x: F x t, , t x( 1,t) 3 2 1 0 0 10 20 30 40 50 60 70 80 90 100 t Luís Paulo Carvalho dos Santos Luiz Fernando Almeida Fontenele 15 Processos Estocásticos • Classificação do Processo Estocásticos: 10 2 x( ,t) x( ,t) 3 1 0 0 600 10 0 20 40 60 80 100 P.E. contínuo de parâmetro contínuo 400 x( ,t) x( ,t) 5 200 0 -5 0 5 P.E. discreto de parâmetro contínuo Luís Paulo Carvalho dos Santos 0 2 4 6 8 10 P.E. contínuo de parâmetro discreto 5 0 0 2 4 6 8 10 P.E. discreto de parâmetro discreto Luiz Fernando Almeida Fontenele 16 Processos Estocásticos • Especificação de 1ª ordem: – Função Densidade de Probabilidade P X é conhecida para todo t . • Especificação de 2ª ordem: – Função Densidade de Probabilidade conjunta pxt xt X 1 , X 2 é conhecida para qualquer par de valores 1 2 (t1,t2). Luís Paulo Carvalho dos Santos Luiz Fernando Almeida Fontenele 17 Processos Estocásticos • Momentos de Processos Estocásticos – Média de um Processo Estocástico mx t E x t ; t – Função Autocorrelação de um processo Rx t1 , t2 E x t1 x t2 ; t1 , t2 – Função Autocovariância K x t1 , t2 E x t1 mx t1 x t2 mx t2 Luís Paulo Carvalho dos Santos Luiz Fernando Almeida Fontenele 18 Processos Estocásticos • Estacionaridade de ordem m – Quando a função densidade de probabilidade de ordem m não varia com um deslocamento no tempo, isto é, quando: pxt xt ... xt 1 2 m X1 , X 2 ,..., X m px Luís Paulo Carvalho dos Santos t1 xt2 ... xtm Luiz Fernando Almeida Fontenele X1 , X 2 ,..., X m ; 19 Processos Estocásticos • Estacionariedade no Sentido Estrito: – Quando o processo é estacionário de ordem m para qualquer valor inteiro de m • Estacionariedade no Sentido Amplo: mx t x ; t Rx t1 , t2 Rx ; t2 t1 Luís Paulo Carvalho dos Santos Luiz Fernando Almeida Fontenele 20 Processos Estocásticos • Ergodicidade – Um processo x t é ergódico na forma mais geral se, com probabilidade 1, todas as suas estatísticas podem ser determinados através de uma única função x t , do processo. Luís Paulo Carvalho dos Santos Luiz Fernando Almeida Fontenele 21 Processos Estocásticos • Densidade Espectral de Potência: S x f lim XT f t 2 T S x f Rx e j 2 f d – Processos Estocásticos Estacionários no sentido amplo: S x f Rx e j 2 f d F [ Rx ] Rx t1 , t2 Rx t1 t2 Luís Paulo Carvalho dos Santos Luiz Fernando Almeida Fontenele 22 Processos Estocásticos • Ruído Branco – Processo estacionário no sentido amplo; – Densidade Espectral de Potência é constante: Sx f C – De S x f F [ Rx ] permite expressar a função autocorrelação do ruído branco: Rx C Luís Paulo Carvalho dos Santos Luiz Fernando Almeida Fontenele 23 Filtragem Filtros • Dispositivo em hardware ou software A p l i c a d o • Conjunto de dados contaminados com ruído P a r a • Extração da informação de interesse Luís Paulo Carvalho dos Santos Luiz Fernando Almeida Fontenele 25 Filtros • Áreas de Aplicação: – – – – – – – – – – Navegação Economia Processamento de sinais e de imagem Computação gráfica Comunicações Radar Sonar Sismologia Engenharia biomédica Redes neurais Luís Paulo Carvalho dos Santos Luiz Fernando Almeida Fontenele 26 Filtros • Característica comum: – Vetor de entrada – Resposta desejada Calcula Erro de Estimativa Estima Luís Paulo Carvalho dos Santos Luiz Fernando Almeida Fontenele Conjunto de coeficientes de um filtro 27 Filtros • Classes: – Algoritmos de gradiente » Filtro de Weiner » Estimam o gradiente da superfície da função de custo » Vantagem: baixa complexidade – Algoritmos de mínimos quadrados » Filtro de Kalman » Minimizam a soma dos quadrados dos erros parciais » Vantagens: baixa sensibilidade a mínimos locais da superfície da função de custo; maior velocidade de convergência » Desvantagem: maior exigência computacional Luís Paulo Carvalho dos Santos Luiz Fernando Almeida Fontenele 28 Filtragem Estocástica Não-linear • Sistema dinâmico estocástico não-linear em tempo discreto: xk f xk 1 , uk 1 wk yk h xk vk em que x0,wk e vk são descorrelacionados • Causas da não-linearidade: – f ( xk 1 , uk 1 ) não linear; – Não linearidade de h xk – Erros de modelagem no processo e na medição, acarretando wk e vk não gaussianos. Luís Paulo Carvalho dos Santos Luiz Fernando Almeida Fontenele 29 Filtragem Estocástica Não-linear • Filtros para sistemas estocásticos não-lineares: – Filtro de Kalman Estendido: linearização local de primeira ordem do modelo; – Filtro de Segunda Ordem: linearização local de segunda ordem do modelo; – Filtro de Kalman Unscendent Transform: propagação da média e matriz de covariância do modelo de processos usando a Transformada Unscendent; – Filtro de Monte Carlo Seqüencial: aproximação de p(xk|y1,...,yk); – Filtro Soma de Gaussianas: aproximação de p(xk|y1,...,yk) por uma soma de gaussianas. Luís Paulo Carvalho dos Santos Luiz Fernando Almeida Fontenele 30 Modelo de Espaço de Estados Modelo Espaço de Estados • Estado: – Menor conjunto de variáveis que determina completamente o comportamento do sistema para qualquer instante, conhecendo-se a entrada • Variáveis de Estado: – Constituem o menor conjunto de variáveis capaz de determinar o estado do sistema dinâmico Luís Paulo Carvalho dos Santos Luiz Fernando Almeida Fontenele 32 Modelo Espaço de Estados • Vetor de Estado: – Constituído por variáveis de estado para descrever completamente o comportamento de um dado sistema • Espaço de Estados: – Espaço n-dimensional, cujos eixos coordenados são formados pelos eixos das variáveis de estado. Luís Paulo Carvalho dos Santos Luiz Fernando Almeida Fontenele 33 Modelo Espaço de Estados Modelo em Tempo Discreto Modelo em Tempo Contínuo Luís Paulo Carvalho dos Santos Luiz Fernando Almeida Fontenele 34 Modelo Espaço de Estados • Equações no Espaço de Estados: x1,k 1 a11 x1,k a12 x2,k ... a1n xn,k b11,k u1,k ... b1mum, k x2,k 1 a21 x1,k a22 x2,k ... a2 n xn,k b21,k u1,k ... b2 mum,k xn ,k 1 an1 x1,k an 2 x2,k ... ann xn,k bn1,k u1,k ... bnmum,k x1,k 1 a11 x 2,k 1 a21 xn ,k 1 an1 a12 a22 an 2 xk 1 Axk Buk yk Cxk Duk Luís Paulo Carvalho dos Santos a1n x1,k b11 b12 a2 n x2,k b21 b22 ann xn ,k bn1 bn 2 b1m u1,k b2 m u2,k bnm um,k xk 1 f xk ; uk ; k yk f xk ; uk ; k Luiz Fernando Almeida Fontenele 35 Modelo Espaço de Estados x Vetor de estados y Vetor de saída u Vetor de entrada A Matriz de estados B Matriz de entrada C Matriz de saída D Matriz de transmissão direta Luís Paulo Carvalho dos Santos Luiz Fernando Almeida Fontenele 36 Filtro de Kalman Filtro de Kalman - Histórico • 1960: Rudolf Emil Kalman • Solução recursiva para problemas de filtragem linear de dados discretos • Engenharia Elétrica: Controle de sistemas Luís Paulo Carvalho dos Santos Luiz Fernando Almeida Fontenele 38 Filtro de Kalman • Definição: – Ferramenta que permite estimar variáveis em vários processos – Eficiente processo recursivo de estimação, por meio de um conjunto de equações matemáticas Luís Paulo Carvalho dos Santos Luiz Fernando Almeida Fontenele 39 Filtro de Kalman • Características: – Minimiza a variância da estimação do erro – Estima os parâmetros desconhecidos – Baseado na distribuição normal do ruído de média nula e variância constante – O sistema deve ser linear, ou linearizável, em torno de um ponto – Os ruídos do sistema e das medições não são correlacionados Luís Paulo Carvalho dos Santos Luiz Fernando Almeida Fontenele 40 Filtro de Kalman • Áreas de Aplicação: – – – – – – – – Navegação Economia Processamento de sinais e de imagem Computação gráfica Comunicação Radar Sismologia Engenharia biomédica Luís Paulo Carvalho dos Santos Luiz Fernando Almeida Fontenele 41 Filtro de Kalman • Baseado no Modelo de Espaço de Estados (MEE) • Modelo: Luís Paulo Carvalho dos Santos Luiz Fernando Almeida Fontenele 42 Filtro de Kalman • Dois tipos de equações: – Atualização do tempo Previsão Retroalimentação – Atualização da medição Correção Luís Paulo Carvalho dos Santos Luiz Fernando Almeida Fontenele 43 Filtro de Kalman • Modelo Espaço de Estados: – Variáveis observáveis: yk – Variáveis de estado: xk Luís Paulo Carvalho dos Santos Luiz Fernando Almeida Fontenele 44 Filtro de Kalman • Modelo dinâmico xk Axk 1 k (Modelo Dinâmico) 1 k T nk ~ N (0, Qk ) A : Relaciona o estado atual do processo com o estado anterior Luís Paulo Carvalho dos Santos Luiz Fernando Almeida Fontenele 45 Filtro de Kalman • Modelo de medição uk Hxk k (Modelo de Medição) 1 k T k ~ N (0, Rk ) H :Matriz de Correlação Luís Paulo Carvalho dos Santos Luiz Fernando Almeida Fontenele 46 Filtro de Kalman • Fase de atualização 1 Kk Pk H T HPk H T Rk (Ganho de Kalman) xˆk xˆk Kk uk Hxˆk (Atualização de Estado) Pk I Kk H Pk (Atualização de covariância) Luís Paulo Carvalho dos Santos Luiz Fernando Almeida Fontenele 47 Filtro de Kalman • Fase de previsão xˆk Axˆk1 (Previsão de Estado) Pk APk1 AT Qk (Previsão de Covariância) Luís Paulo Carvalho dos Santos Luiz Fernando Almeida Fontenele 48 Filtro de Kalman • Modelo dinâmico: – Estima o estado atual xk • Modelo de medição: – Associa o estado de entrada à saída do sistema Luís Paulo Carvalho dos Santos Luiz Fernando Almeida Fontenele 49 Filtro de Kalman • Definições: – xˆk Estado anterior no instante k – – – – – xˆk Estado posterior no instante k ek xk xˆk Erro relativo anterior ek xk xˆk Erro relativo posterior Pk E ek ekT Estimativa do erro anterior Pk E ek ek T Estimativa do erro posterior Luís Paulo Carvalho dos Santos Luiz Fernando Almeida Fontenele 50 Filtro de Kalman • Teorema: Estimador médio condicional – “Se os processos estocásticos xk e y são gaussianos, então o estado estimado ótimo que minimiza o erro médio quadrático J k é o estimador médio condicional xˆk E xk y1 , y2 ,..., yk “ k Luís Paulo Carvalho dos Santos Luiz Fernando Almeida Fontenele 51 Filtro de Kalman • Teorema: Princípio da ortogonalidade – “Sejam os processos estocásticos xk e yk média nula, isto é: Exk Eyk 0, k . Então: » Os processos estocásticos xk e yk de são gaussianos; » Se o estado estimado ótimo xˆk é uma função linear de variáveis observáveis y1 , y2 ,..., yk e a função custo é o erro médio quadrático, então o estado estimado ótimo é a projeção ortogonal de xk no espaço dessas variáveis observáveis” Luís Paulo Carvalho dos Santos Luiz Fernando Almeida Fontenele 52 Filtro de Kalman Atualização do Tempo k P APk 1 A Qk T Avançar a covariância no tempo Avançar o estado no tempo k xˆ Axˆk 1 Estimativas iniciais Luís Paulo Carvalho dos Santos Atualização das Medições xˆk 1 e Calcular o ganho de Kalman K k Pk H T HPk H T Rk Atualizar a variável de estado xˆk xˆk K k uk Hxˆk Atualizar a matriz de covariância Pk I K k H Pk 1 Pk 1 Luiz Fernando Almeida Fontenele 53 Aplicação Estimação de Trajetórias Aplicação • Equações do movimento: 1 2 – x x0 v0t at 2 – v v0 at Luís Paulo Carvalho dos Santos Luiz Fernando Almeida Fontenele 1 2 x 1 t x0 t v 0 1 v a 2 t 0 55 Aplicação • Equação do movimento com ruídos: 1 2 – x x0 v0t at x0~ 2 – v v0 at v0~ Luís Paulo Carvalho dos Santos Luiz Fernando Almeida Fontenele 1 2 x 1 t x0 2 t w~ a 0 v 0 1 v 0 t 56 Aplicação • Diagrama de blocos: Luís Paulo Carvalho dos Santos Luiz Fernando Almeida Fontenele 57 Aplicação • Equação de estado: xk 1 Axk Buk wk Luís Paulo Carvalho dos Santos Luiz Fernando Almeida Fontenele 58 Aplicação • Equação de saída: yk Cxk zk Luís Paulo Carvalho dos Santos Luiz Fernando Almeida Fontenele 59 Aplicação • Estimação do estado posterior: xˆk 1 Axˆk Buk Kk yk 1 Cxˆk Luís Paulo Carvalho dos Santos Luiz Fernando Almeida Fontenele 60 Aplicação • Posição: Luís Paulo Carvalho dos Santos Luiz Fernando Almeida Fontenele 61 Aplicação • Erro da posição: Luís Paulo Carvalho dos Santos Luiz Fernando Almeida Fontenele 62 Aplicação • Erro relativo da posição: Luís Paulo Carvalho dos Santos Luiz Fernando Almeida Fontenele 63 Aplicação • Velocidade: Luís Paulo Carvalho dos Santos Luiz Fernando Almeida Fontenele 64 Aplicação • Erro da velocidade: Luís Paulo Carvalho dos Santos Luiz Fernando Almeida Fontenele 65 Filtro de Kalman Estendido Filtro de Kalman Estendido • Considere o modelo do processo: xk f xk 1 , uk 1 wk em torno de xˆk 1 , usando a expansão de em série de Taylor tem-se: f xˆk 1 , uk 1 f xk 1 , uk 1 f xˆk 1 , uk 1 xk 1 xˆk 1 xˆk 1 Assim o modelo pode ser reescrito na forma: f xˆk 1 , uk 1 xk f xˆk 1 , uk 1 xk 1 xˆk 1 wk xˆk 1 f xˆk 1 , uk 1 f xˆk 1 , uk 1 ˆ ˆ xk 1 f xk 1 , uk 1 xk 1 wk xˆk 1 xˆk 1 Luís Paulo Carvalho dos Santos Luiz Fernando Almeida Fontenele 67 Filtro de Kalman Estendido xk Ak 1 xk 1 u 'k 1 wk • Sendo que: f xˆk 1 , uk 1 Ak 1 xˆk 1 u 'k 1 f xk 1 , uk 1 Ak xˆk 1 • A linearização deve ocorrer em relação ao modelo de medição: yk h xk vk que em torno das predição de h xk h xˆk|k 1 Luís Paulo Carvalho dos Santos xˆk |k 1 : h xˆk|k 1 xˆk|k 1 Luiz Fernando Almeida Fontenele x k xˆk|k 1 68 Filtro de Kalman Estendido • Portanto, tem-se: yk h xˆk |k 1 yk h xˆk |k 1 h xˆk |k 1 xˆk |k 1 h xˆk |k 1 xˆk |k 1 x k xˆk |k 1 vk xˆk |k 1 h xˆk |k 1 xˆk |k 1 xk vk y 'k Ck xk vk sendo: Ck h xˆk |k 1 xˆk |k 1 Luís Paulo Carvalho dos Santos y 'k yk h xˆk |k 1 Ck xˆk |k 1 Luiz Fernando Almeida Fontenele 69 Filtro de Kalman Estendido • Deste modo, temos o sistema linearizado: xk Ak 1 xk 1 u 'k 1 wk y 'k Ck xk vk • Portanto, agora se pode aplicar as Equações de Kalman. Luís Paulo Carvalho dos Santos Luiz Fernando Almeida Fontenele 70 Filtro de Kalman Estendido • Fase de Predição (entre tk-1 e tk): xˆk |k 1 E f xk 1 , uk 1 wk | y1 ,..., yk 1 f xˆk 1 , uk 1 T P A P A com k |k 1 k 1 k 1 k 1 Qk f xˆk 1 , uk 1 Ak 1 xˆk 1 Luís Paulo Carvalho dos Santos Luiz Fernando Almeida Fontenele 71 Filtro de Kalman Estendido • Fase de Correção (no instante tk): xˆk xˆk |k 1 Gk y 'k Ck xˆk |k 1 G y xˆk |k 1 Gk yk h xˆk |k 1 Ck xˆk |k 1 Ck xˆk |k 1 xˆk |k 1 k k h xˆk |k 1 Pk I Gk Ck Pk |k 1 I Gk Ck Pk |k 1 I Gk Ck Gk Rk GkT T Gk Pk |k 1C T k Luís Paulo Carvalho dos Santos C P k C Rk k |k 1 T k Luiz Fernando Almeida Fontenele 1 72 Aplicação Motor bifásico de imã permanente síncrono Aplicação • Equações que definem o motor: dI a R ua ua Ia sin dt L L L dI b R ub ub Ib cos dt L L L d 3 3 B I a sin I b cos dt 2J 2J J d dt Luís Paulo Carvalho dos Santos Luiz Fernando Almeida Fontenele • Raresistência do rotor • L indutância da armadura • constante do motor • J Momento de inércia • B Coeficiente de atrito viscoso 74 Aplicação • Entrada do sistema: ua t sin 2 t ub t cos 2 t • O sistema de equações é: Ia I x b Luís Paulo Carvalho dos Santos Luiz Fernando Almeida Fontenele 75 Aplicação • Estado Espaço para o sistema: xk 1 f xk , uk wk Rxk 1 / L xk 3 sin xk 4 / L ua / L Rx 2 / L x 3 cos x 4 / L u / L k k k b 3 xk 1 sin xk 4 / 2 J 3 xk 2 cos xk 4 / 2 J Bxk 3 / J x 3 k uak / L u / L t ak t 0 Luís Paulo Carvalho dos Santos Luiz Fernando Almeida Fontenele 76 Aplicação • Equação de Medição: yk h xk vk xk 1 vak xk 2 vbk Luís Paulo Carvalho dos Santos Luiz Fernando Almeida Fontenele 77 Aplicação • Após a linearização: Ak f ' xˆk , uk R / L 0 3 sin xˆk 4 / 2 J 0 0 R / L 3 cos xˆk 4 / 2 J 0 sin xˆk 4 / L cos xˆk 4 / L B / J 1 xˆk 3 cos xˆk 4 / L xˆk 3 sin xˆk 4 / L 3 xˆk 1 cos xˆk 4 xˆk 2 sin xˆk 4 / 2 J 0 Ck h ' xˆk 1 0 0 0 0 1 0 0 Luís Paulo Carvalho dos Santos Luiz Fernando Almeida Fontenele 78 Aplicação • Suposições – Va e Vb com média zero e desvio padrão de 0.1A; – Entrada de controle com média zero e desvio padrão de 0.001A; – Ruído devido ao torque da carga com desvio padrão de 0.05rad/s2. Luís Paulo Carvalho dos Santos Luiz Fernando Almeida Fontenele 79 Aplicação • Dados: Ra 2; L 0.003H ; 0.1; J 0.002; B 0.001 Luís Paulo Carvalho dos Santos Luiz Fernando Almeida Fontenele 80 Aplicação • Conclusões: – Dispensa o uso de transdutores; – Para um tempo maior que 2ms, há uma grande discrepância nos resultados; Luís Paulo Carvalho dos Santos Luiz Fernando Almeida Fontenele 81 Filtro de Partículas Motivação • Filtro de Kalman: – Aplicado apenas para sistemas lineares; • Filtro de Kalman Estendido: – Sistemas não-lineares; – Propagação da média e da covariância nos estágios; – Desvantagem: » Esforço computacional; » Estimativa grotesca se o sistema se o ponto é distante do ponto de equilíbio. Luís Paulo Carvalho dos Santos Luiz Fernando Almeida Fontenele 83 Filtro de Partículas • Dado a Equação de Estado: xk 1 fk xk , wk • Equação de Medição: yk hk , vk Luís Paulo Carvalho dos Santos Luiz Fernando Almeida Fontenele 84 Filtro de Partículas • Calcula recursivamente p xk | Yk ; • Essencialmente consiste de duas fases: – Fase de predição: p xk 1 | Yk 1 p xk | Yk – Fase de Atualização: p xk | Yk 1 p xk | Yk Luís Paulo Carvalho dos Santos Luiz Fernando Almeida Fontenele 85 Filtro de Partículas • Etapa de Predição: p xk | Yk 1 p xk , xk 1 | Yk 1 dxk 1 Luís Paulo Carvalho dos Santos Luiz Fernando Almeida Fontenele 86 Filtro de Partículas • Etapa de Predição: p xk | Yk 1 p xk , xk 1 | Yk 1 dxk 1 p xk , xk 1 | Yk 1 p xk 1 | Yk 1 dxk 1 – Fatorando: p a, b | c p a | b, c . p b | c Luís Paulo Carvalho dos Santos Luiz Fernando Almeida Fontenele 87 Filtro de Partículas • Etapa de Predição: p xk | Yk 1 p xk , xk 1 | Yk 1 dxk 1 p xk , xk 1 | Yk 1 p xk 1 | Yk 1 dxk 1 p xk | xk 1 p xk 1 | Yk 1 dxk 1 Luís Paulo Carvalho dos Santos Luiz Fernando Almeida Fontenele 88 Filtro de Partículas • Equação de Atualização: p yk | xk p xk | Yk 1 p xk | Yk p yk | Yk 1 probabilidade anterior posterior evidente p yk | Yk 1 p yk | xk p xk | Yk 1 dxk Luís Paulo Carvalho dos Santos Luiz Fernando Almeida Fontenele 89 Filtro de Partículas • Inviabilidade na resolução de integrais exigidas pelo filtro recursivo analiticamente. • Representa-se a probabilidade posterior por um conjunto de pesos amostrais escolhidas aleatoriamente. Luís Paulo Carvalho dos Santos Luiz Fernando Almeida Fontenele 90 Filtro de Partículas - Algoritmo • As equações do Sistema e de Medição são dadas por: xk 1 f xk , wk yk h xk , vk em que wk e vk são ruídos brancos independentes; • Dado p(x0) conhecido, gerar aleatoriamente x0,i i 1,..., N . N partículas • Para k=1,2,..., fazer o seguinte: Luís Paulo Carvalho dos Santos Luiz Fernando Almeida Fontenele 91 Filtro de Partículas - Algoritmo x f x k 1,i , wk 1,i – k ,i – Determina a probabilidade relativa por: qi p yk | xk,i – Normalizar os pesos: qi qi N q i 1 Luís Paulo Carvalho dos Santos i Luiz Fernando Almeida Fontenele 92 Filtro de Partículas - Algoritmo x – Reamostragem: gerar um conjunto de k ,i com base de qi tal que a função distribuição de probabilidade de xk ,i tende para p xk | yk . – Determinar a estatística desejada usando o conjunto p x | y x k k . k , i de partículas que possuem distribuição Luís Paulo Carvalho dos Santos Luiz Fernando Almeida Fontenele 93 Filtro de Partículas - Algoritmo • Problema da Degeneração: – Esforço computacional; – Determinada pelo tamanho amostral efetivo: 1 N ef N 2 wk i i 1 – Na aplicação, a reamostragem será feita quando: 2 N ef N 3 Luís Paulo Carvalho dos Santos Luiz Fernando Almeida Fontenele 94 Filtro de Partículas - Algoritmo • Reamostragem: Luís Paulo Carvalho dos Santos Luiz Fernando Almeida Fontenele 95 Aplicação Sistema Não-linear Sistema não-linear • Dada a equação diferencial não-linear: 25 xk 1 1 xk xk 1 8cos 1.2 k 1 wk 2 2 1 xk 1 1 2 yk xk vk h xk vk 20 wk 0,1 ; vk 0,1 • Número de partículas: 100 Luís Paulo Carvalho dos Santos Luiz Fernando Almeida Fontenele 97 Referências Bibliográficas • ALBUQUERQUE, José Paulo de Almeida; FORTES, Mauro Pedro; FINAMORE, Weiler Alves. Modelos probabilísticos em engenharia elétrica. Rio de Janeiro, 2003. • ANTENEODO, Celia. Processos estocásticos. Rio de Janeiro: 2004. • ARULAMPALAM, M. Sanjeev; MASKELL, Simon; GORDON, Neil; CLAPP, Tim. A tutorial on particle filters for online nonlinear/non-Gaussian bayesian tracking. 2002. • BITENCOURT JUNIOR, Hudson; TÔRRES, Leonardo A. B.; AGUIRE, Luís Antônio. O filtro de Kalman para sistemas nãolineares. Belo Horizonte. • CAMPOS, Victor A. F.; SANTANA, Douglas, D. S.; FURUKAWA, Celso M.; MARUYAMA, Newton. Filtros de partículas aplicados à estimação de trajetórias. São Paulo. • CHAUDHARI, Sachin. The particle filter. • CORREIA, Miguel Velhote. Filtro de Kalman. 2005. Luís Paulo Carvalho dos Santos Luiz Fernando Almeida Fontenele 98 Referências Bibliográficas • • • • • • • • DORF, Richard C. Sistemas de Controle Moderno. LTC: Rio de Janeiro, 2001 HAYKIN, Simon. Kalman filtering and neural networks. Nova Iorque: John Wiley & Sons, 2001. JULIER, Simon J.; UHLMANN, Jeffrey K.A new extension of the Kalman filter to nonlinear systems. Oxford. MARQUES, Paulo Alexandre C. Introdução à filtragem adaptativa. Lisboa. OGATA, Katsuhiko. Discrete-time control systems. Prentice Hall: 1995. SANTANA, Douglas D. S.; CAMPOS, Victor A.; FURUKAWA, Celso M.; MARUYAMA, Newton. Estimação de trajetórias utilizando sistema de navegação inercial strapdown. São Paulo. SIMON, Dan. Kalman filtering. 2001. – Kalman filter using nonlinear Kalman filtering to estimate signals. WELCH, Greg; BISHOP, Gary. An introduction to the Kalman filter. ACM: 2001. Luís Paulo Carvalho dos Santos Luiz Fernando Almeida Fontenele 99 Agradecimentos