ADAPTIVNÍ ŘÍZENÍ SYSTÉMU TŘÍ NÁDRŽÍ V PROSTŘEDÍ MATLAB&SIMULINK
|
|
- Aleš Bureš
- před 5 lety
- Počet zobrazení:
Transkript
1 ADAPIVNÍ ŘÍZENÍ SYSÉMU ŘÍ NÁDRŽÍ V PROSŘEDÍ MALAB&SIMULINK P. Navráti, V. Bobál Ústav řízení procesů, Institt řízení procesů a aplikované informatik Univerzita omáše Bati ve Zlíně Náměstí. G. Masarka 275, Zlín Abstrakt Rekrzivní metod identifikace hrají důležito roli při zajištění sledování časově proměnlivých parametrů model dnamického proces. Článek se zabývá několika známými rekrzivními identifikačními metodami pro odhad parametrů model ARX, ARMAX a OE, za účelem zvýšení spolehlivosti a výkonnosti samočinně se nastavjícího reglátor. Jednotlivé rekrzivní metod identifikace bl otestován při řízení reálného laboratorního model DS2 - Sstém tří nádrží. Úvod S rozvojem výpočetní technik se stále více dostávají do popředí adaptivní řídící sstém, které jso schopn reagovat na změn parametrů proces, způsobené změnami v provozních režimech, změnami vlastností srovin, paliva, zařízení apod., se kterými se pevně seřízené reglátor nemoho vrovnat. V adaptivním řízení je úloha identifikace stejně důležitá jako role sntéz reglátor. Sočástí skpin adaptivní reglátorů jso i samočinně se nastavjící reglátor (SC), které jso založen na průběžné identifikaci odhadů proměnlivých parametrů model proces a následné sntéze reglátor. Je proto třeba požít dostatečně přesné a spolehlivé rekrzivní identifikační metod, které jso schopn tto parametr identifikovat v poměrně krátkém čase. Identifikace pro adaptivní řízení má ovšem svá specifika, která vedo k tom, že se v převážné míře odhadjí parametr regresního model (ARX AtoRegressive with exogenos inpt) a požívá se metoda nejmenších čtverců []. V rčitých sitacích, kd je měřená veličina výrazně zatížená šmem, jehož vlastnosti nelze charakterizovat parametr odhadovaného model (případ je častější za sitace, kd se pracje s omezeno strktro identifikovaného model), vede MNČ k odhadům vchýlených a nekonzistentních parametrů a následně k návrh reglátor, který nemsí spolehlivě pracovat. Problém lze odstranit požitím jiných složitějších tpů modelů, např. model ARMAX (AtoRegressive Moving Average with exogenos inpt), model OE (Otpt Error Model). Případně je potřeba požít pro odhad parametrů modelů jiných identifikačních procedr, např. metod instrmentální proměnné (Instrmental Variable Method), která se požívá pro odhad parametrů model ARX. Pro odhad parametrů model ARMAX lze požít rozšířeno metod nejmenších čtverců (Extended Least Sqare Method), popř. metod predikčních chb (Prediction Error Method). V tomto příspěvk jso važován následjící metod rekrzivní identifikace: metoda nejmenších čtverců (RLS) a metoda instrmentální proměnné (RIV), které jso požit pro odhad parametrů model ARX. Pro získání odhad parametrů modelů ARMAX a OE je vžito metod psedolineární regrese (RPLR) a metod chb predikce (RPEM). 2 Strktra model Jedním ze základních kroků při identifikaci se rozmí výběr vhodného tp model. Strktra model b měla co nejlépe vstihovat vlastnosti reálného sstém a také účel pro který je model rčen. Obecný lineární model má následjící tvar Bq Cq k = k n k AqFq + AqDq ()
2 kde Aq na = + aq + + anaq B q 2 nb = bq + b2q + + bnbq C q nc = + cq + + cncq D q nd = + dq + dndq F q nf = + fq + + fnf q jso jednotlivé polnom a ( k ), ( k ) jso výstpní a vstpní signál. Bílý šm n k má nlovo střední hodnot a konstantní rozptl. Všechn lineární model moho být odvozen z výše vedeného obecného lineárního model na základě jeho zjednodšování. V této práci jso brán v úvah tři základní lineární model. ARX model (C=D=F=): ARMAX model (D=F=): OE model (A=C=D=): 3 Rekrzivní metod identifikace Bq ( k) = ( k) n( k) Aq + Aq (3) B q C q ( k) = ( k) n( k) Aq + Aq (4) B q ( k) = ( k) + n( k) (5) F q Algoritms rekrzivní identifikace je nedílno sočástí samočinně se nastavjícího reglátor (SC) a hraje důležito roli při zajištění sledování časově proměnlivých parametrů. Blo navrženo mnoho algoritmů rekrzivní identifikace, např. [6], [9], []. V této části bdo veden některé z nich, včetně tzv. faktorů zapomínání, které složí k zajištění sledování časově proměnlivých parametrů. 3. RLS ato metoda může být požita pro odhad parametrů model ARX. Algoritms rekrzivní metod nejmenších čtverců je dán následjícími vztah = φ Θˆ ( ) C ( k ) φ ( k) ( k ) = + φ ( k) C ( k ) φ( k) ( k) = ( k ) + ( k) e( k) ( k) = ( k ) ( k) φ ( k) ( k ) eˆ k k k k L Θˆ Θˆ L ˆ C C L C kde L ( k ) značí matici zesílení, C ( k ) je kovarianční matice odhadovaných parametrů, Θ ˆ ( k ) je vektor odhadovaných parametrů a φ ( k ) je tzv. regresní vektor (vektor dat). ˆ ( k) = [ a, ana, b,, bnb ] ( k) = ( k, ), ( k na), ( k, ), ( k nb) Θ (7) φ (8) (2) (6)
3 Základní algoritms rekrzivní metod nejmenších čtverců předpokládá, že parametr model proces jso konstantní. V mnoha případech, je ale požadováno, ab blo možno sledovat změn v množině parametrů. V takovém případě, je nezbtné, zavést do základního algoritm úprav, která zajistí sledování časově proměnlivých parametrů. Blo navrženo několik implementací, např. [3], [5], [6], [9]. RLS s konstantním exponenciálním zapomínáním Kovarianční matice je dána následjícím vztahem C C = λ ( k) C( k ) ( k ) φ( k) φ ( k) C( k ) λ + φ ( k) C ( k ) φ( k) faktor zapomínání se volí z interval < λ <. Rekrzivní metoda s konstantním exponenciálním zapomínáním má jedn nevýhod. Pokd metoda nedostane delší čas nové informace, dojde k tom, že hodnota kovarianční matice bde exponenciálně růst s faktorem λ, což může vést k nmerické nestabilitě identifikačního algoritm, a tím i k nestabilitě zavřeného reglačního obvod. RLS s proměnlivým exponenciálním zapomínáním Faktor proměnlivého exponenciálního zapomínání je dán vztahem ( k) ( k ) λ = λλ + λ () počáteční hodnota faktor zapomínání se volí λ λ RLS s konstantním směrovým zapomínáním =,95;,99 Zabraňje vznik tzv. wind-p jev, který může vzniknot při požití konstantního exponenciálního zapomínání v důsledk nedostatečného vbzení. Metoda se směrovým zapomínáním, zapomíná poze v tom směr, ve kterém přišli nové informace. Rovnice popisjící tto metod vpadají následovně. Kovarianční matice je dána vztahem C( k ) φ( k) φ ( k) C( k ) C( k) = C( k ) () ε + φ k C k φ k faktor směrového zapomínání ε ( k ) = λ φ λ ( k) C ( k ) φ( k) kde hodnota λ je volena obdobně jako algoritm s exponenciálním zapomínáním. RLS se směrovým adaptivním zapomínáním Detailní popis tohoto algoritm lze nalézt v [4]. ε( k) = ϕ( k) ξ kde ϕ ( k ) ( k ) ( k ) ( k) C ( k ) ( k) (9) (2) (3) ξ = φ φ (4) hodnota adaptivního směrového zapomínání je dána následjícím vztahem ( ) υ k + η k ξ k ϕ( k) = + ( + ρ) ln( + ξ( k ) ) + + ξ k + η k + ξ k (5)
4 3.2 RIV a pomocné proměnné jso dán ( k) ( ) ( k ) 2 2 eˆ k eˆ k η( k) =, υ( k) = ϕ( k) υ( k ), λ( k) ϕ( k) λ( k ) λ + = + + ξ Lze dokázat, že pokd není reálný proces ovlivňován šmem takovým způsobem jak je předpokládáno model ARX, odhad parametrů získané pomocí metod nejmenších čtverců jso vchýlené a nekonzistentní. Základní mšlenka této metod je založena na modifikaci normálových rovnic. Algoritms rekrzivní metod instrmentální proměnné je dán následjícími vztah = φ Θˆ ( ) C( k ) z( k) ( k ) = + φ ( k) C( k ) z( k) ( k) = ( k ) + ( k) e( k) ( k) = ( k ) ( k) φ ( k) ( k ) eˆ k k k k L Θˆ Θˆ L ˆ C C L C kde L ( k ) značí matici zesílení, C ( k ) je kovarianční matice odhadovaných parametrů, Θ ˆ ( k ) je vektor parametrů, φ ( k ) je regresní vektor (vektor dat) a z ( k ) je instrmentální proměnná ˆ ( k) = [ a, ana, b,, bnb ] ( k) = ( k, ), ( k na), ( k, ), ( k nb) (6) (7) Θ (8) φ (9) Volba instrment rčje chování metod instrmentální proměnné. Některé běžné způsob volb instrment jso veden v [2], [9]. pická volba instrmentální proměnné nezávislé na model parametrů ( k) ( k, ), ( k na nb) z (2) = a instrmentální proměnné závislé na model ( k) ( k, ), ( k na), ( k, ), ( k nb) kde hodnota ( ) 3.3 RPLR z = (2) k je generována pomocí následjící diferenční rovnice a aktálních odhadů = ˆ ( ) + + ˆ nb ( ) aˆ ( k) ( k ) aˆ ( k) ( k na) k b k k b k k nb na Rekrzivní psedolineární regrese pro model OE Formálně je metoda shodná s rekrzivní metodo nejmenších čtverců, rozdíl spočívá ve vektor dat a parametrů. Vektor parametrů ˆ Θ ( k) = b,,,, bnb f f nf (23) Regresní vektor (vektor dat) ( k) ( k, ), ( k nb), w( k, ), w( k nf ) φ = (24) (22)
5 parametrů kde wk ( ) je generována pomocí následjící diferenční rovnice a aktálních odhadů = ˆ ( ) + + ˆ nb ( ) fˆ ( k) w( k ) fˆ ( k) w( k nf ) wk b k k b k k nb Rekrzivní psedolineární regrese pro model ARMAX Formálně je metoda shodná s rekrzivní metodo nejmenších čtverců, rozdíl spočívá ve vektor dat a parametrů. ato metoda je také nazývána rekrzivní rozšířená metoda nejmenších čtverců (RELS). Vektor parametrů ˆ Θ k = a, a, b,, b, c,, c (26) Regresní vektor (vektor dat) nebo φ φ [ ] na nb nc ( k ) = ( k ) ( k na) ( k ) ( k nb) η( k, ), η( k nc) nf,,,,,, ( k ) = ( k ) ( k na) ( k ) ( k nb) eˆ( k, ), eˆ( k nc),,,,,, kde η ( k ) značí rezida a ê( k ) je chba predikce. 3.4 RPEM ato metoda možňje rekrzivně odhadovat parametr všech výše vedených modelů. Protože některé z těchto modelů jso nelineární v parametrech, neexistje exaktní rekrzivní algoritms, a proto msí být požito aproximací ([7], [9]). Na metod predikčních chb může být nahlíženo jako na nelineární Gass-Newtonov metod nejmenších čtverců. Gass-Newtonova metoda je založena na aproximaci Hessov matice pomocí gradientů. akže, rekrzivní metoda predikčních chb vžadje výpočet gradient ψ ( k ) výstp model, podle jednotlivých parametrů. ˆ ˆ ˆ ˆ k k k ( k) ψ ( k ) = = (29) Θ( k ) Θ( k ) Θ2( k ) Θn ( k ) Strktra model ovlivňje způsob, jakým jso v algoritm počítán hodnot ê( k ) a ( k ) předchozích vpočtených dat a odhadů parametrů. Algoritms rekrzivní metod predikční chb má následjící form kde P ( k ) značí kovarianční matici. = φ Θˆ ( ) P ( k ) ψ ( k) ( k ) = + ψ ( k) P ( k ) ψ ( k) ( k) = ( k ) + ( k) e( k) ( k) = ( k ) ( k) ( k) ( k ) eˆ k k k k L Θˆ Θˆ L ˆ P P L ψ P ψ z (25) (27) (28) (3)
6 4 Experimentální ověření - řízení reálného laboratorního model DS 2 Rekrzivní algoritm identifikace vedené výše, bl otestován při reálném adaptivním řízení laboratorního model DS2 sstém tří nádrží, pomocí samočinně se nastavjícího LQ reglátor. Reglátor je založen na minimalizaci kvadratického kritéria s penalizací výstpního signál. Minimalizace kvadratického kritéria je realizována pomocí spektrální faktorizace []. Sstém DS2 se skládá ze tří propojených válcových nádrží, dvo čerpadel, šesti ventilů, trbek, senzorů výšk hladin v jednotlivých nádržích a dalších elementů. Čerpadlo P řídí přítok kapalin do nádrže, čerpadlo P2 řídí přítok kapalin do nádrže 2. Průtok kapalin mezi nádrží a nádrží 3 lze ovlivňovat pomocí ventil V, průtok kapalin mezi nádrží 3 a 2 lze ovlivňovat pomocí ventil V2 a výtok z nádrže 2 může být ovlivněn pomocí ventil V3. Sstém také nabízí možnost simlace nikání kapalin z jednotlivých nádrží otevíráním ventilů V4, V5 a V6. P P2 3 2 h h 3 V V2 h 2 V3 leakage (V4) leakage (V5) leakage (V6) Obr. : Schéma DS2 - Sstém tří nádrží Spojení personálního počítače a reálného laboratorního model blo realizováno pomocí technologické kart Advantech PCI-7. Jednotlivé rekrzivní metod identifikace bl naprogramován ve formě m-soborů v programovém prostředí MALAB. Komnikace s technologicko karto v reálném čase bla realizována pomocí fnkcí Real-ime oolbox. Schéma pro řízení reálného laboratorního model je vedeno na Obr. 2. V průběh experimentů bla poloha ventilů konstantní a nastavena na následjící hodnot: ventil V, V2, V3 bl plně otevřen, poloha ventil V4 (únik kapalin z nádrže ) a poloha ventil V5 (únik kapalin z nádrže 3) bla nastavena přibližně na polovin jejich pracovního rozsah. Vstpní a výstpní signál bl zvolen následjícím způsobem: reglovaná veličina během experiment bla výška hladin v prostřední nádrži 3, akční zásah blo vstpní napětí (ve voltech) do čerpadla P. DS2 (k) Scope (k) REGULAOR e(k) w(k) žádaná hodnota Obr. 2: Schéma pro reálné adaptivní řízení laboratorního model DS2
7 In _pep Prepocet R Ot cerpadlo - P R In prostredni nadrz - 3 (k) _pep Prepocet cerpadlo - P2 - vpnto - R Ot cerpadlo - P2 Obr. 3: Schéma blok DS2 MALAB Fnction reglator 2 In2 2:34 Digital Clock Obr. 4: Schéma blok REGULAOR Statická charakteristika vedeného sstém je znázorněna na Obr. 5. Ze znázorněné statické charakteristik je zřejmé, že se jedná o nelineární sstém liqid level h 3 [-] inflow P [%] Obr. 5: Statická charakteristika sstém Pro všechn výše vedené tp rekrzivních identifikačních algoritmů bl pro jejich start požit stejné počáteční podmínk. Počáteční hodnot vektor parametrů bl nastaven následjícím způsobem: Θ ˆ k =.,.2,.3,.4 pro model ARX a OE [ ] pro model ARMAX Θ ˆ ( k ) = [ ].,.2,.3,.4,.,.2 Počáteční hodnot adaptivního směrového zapomínání bl nastaven následjícím způsobem: 6 ϕ =, ρ =.99, υ =, λ =. Dnamika sstém bla postpně modelována pomocí ARX, OE, ARMAX model. Pro odhad parametrů model ARX bla požita rekrzivní metoda nejmenších čtverců (RLS) a rekrzivní metoda instrmentální proměnné (RIV), parametr model ARMAX bl odhadován pomocí rekrzivní rozšířené metod nejmenších čtverců (RELS) a rekrzivní metod predikčních chb a parametr model OE bl odhadován pomocí rekrzivní metod psedolineární regrese (RPLR). Pro zajištění sledování
8 časově proměnlivých parametrů bl otestován všechn výše vedené faktor zapomínání, ale poze metod s adaptivním směrovým zapomínáním posktl dostatečně spolehlivé odhad parametrů. Pro účel sntéz reglátor jso vžit poze parametr deterministické části jednotlivých modelů. 4. Model ARX Rekrzivní metoda nejmenších čtverců se směrovým adaptivním zapomínáním.2.5 w, w time [s] Obr. 6: Experimentální ověřování: adaptivní řízení s LQ reglátorem (RLS) Rekrzivní metoda instrmentální proměnné se směrovým adaptivním zapomínáním.2.5 w, w Model ARMAX time [s] Obr. 7: Experimentální ověřování: adaptivní řízení s LQ reglátorem (RIV) Rekrzivní rozšířená metoda nejmenších čtverců se směrovým adaptivním zapomínáním.2.5 w, w time [s] Obr. 8: Experimentální ověřování: adaptivní řízení s LQ reglátorem (RELS)
9 Rekrzivní metoda predikčních chb se směrovým adaptivním zapomínáním.2.5 w, w Model OE time [s] Obr. 9: Experimentální ověřování: adaptivní řízení s LQ reglátorem (RPEM) Rekrzivní metoda psedolineární regrese se směrovým adaptivním zapomínáním.2.5 w, w time [s] Obr. : Experimentální ověřování: adaptivní řízení s LQ reglátorem (RPLR) Vliv jednotlivých rekrzivních algoritmů na výkon reglátor bl hodnocen z hlediska kvalit reglace. Výsledk jso veden v ab. AB. : SROVNÁNÍ VLIVU JEDNOLIVÝCH REKURZIVNÍCH IDENIFIKAČNÍCH MEOD Metoda S S RLS.43.7 RIV.24.5 RELS.4.5 RPEM - ARMAX RPLR - OE Kvadratická kritéria jso definována následjícími vztah k2 2 S = ( k) (3) k k + = kde ek značí reglační odchlk, 2 k k (32) + k2 2 S = e k k2 k k= k k je výstp reglátor (akční zásah) a k =, k2 = 45.
10 5 Závěr Jednotlivé vedené rekrzivní identifikační algoritm pro odhad parametrů modelů ARX, ARMAX a OE bl otestován v zavřeném reglačním obvodě při řízení reálného laboratorního model DS2. Z předložených výsledků je patrné, že požití složitějších tpů modelů a odpovídajících metod rekrzivní identifikace v identifikační části samočinně se nastavjícího reglátor může přinést zlepšení spolehlivosti odhadů parametrů model proces a tím i kvalit reglace. Programový sstém MALAB SIMULINK se kázal jako vhodný prostředek pro testování fnkčnosti jednotlivých rekrzivních identifikačních metod a to nejenom při simlaci, ale dík Real ime oobox i při řízení laboratorního model v reálném čase. Literatra [] Bobál, V., J. Böhm, J. Fessl and J. Macháček (25). Digital Self-tning Controllers: Algorithms, Implementation and Applications. Springer-Verlag, London. [2] Branica, I., N. Peric and I. Petrovic (996). Comparison of Several Recrsive Identification Methods. Atomatika,Vol. 37, No. 3-4, pp [3] Corrio, J. P. (24). Process Control : heor and Applications. Springer-Verlag, London. [4] Klhavý, R. (987). Restricted exponential forgetting in real time identification. Atomatica, Vol. 23, pp [5] Klhavý, R. and M.B. Zarrop (993). On a general concept of forgetting. International Jornal of Control, 58, 4: pp [6] Ljng, L. (987). Sstem identification theor for ser. Prentice-Hall, Englewood Cliffs, N.J. [7] Moore, J. B. and R. K. Boel (986). Asmptoticall Optimm Recrsive Prediction Error Methods in Adaptive Estimation and Control. Atomatica, Vol. 22, No. 2, pp [8] Nelles, O. (2). Nonlinear sstem identification. Springer-Verlag. Berlin. [9] Söderström,. and P. Stoica (989). Sstem Identification. Prentice Hall, Universit Press, Cambridge, UK. [] Wellstead, P.E. and M.B. Zarrop (99). Self-ning Sstem Control and Signal Processing, John Wile & Sons Ltd. Chichester. Ing. Petr Navrátil Univerzita omáše Bati ve Zlíně Institt řízení procesů a aplikované informatik Ústav řízení procesů Náměstí. G. Masarka 275, Zlín .: pnavratil@ft.tb.cz tel.: Prof. Ing. Vladimír Bobál, CSc. Univerzita omáše Bati ve Zlíně Institt řízení procesů a aplikované informatik Ústav řízení procesů Náměstí. G. Masarka 275, Zlín .: bobal@ft.tb.cz tel.:
PREDIKTIVNÍ ŘÍZENÍ NELINEÁRNÍHO SYSTÉMU
PREDIKIVNÍ ŘÍZENÍ NELINEÁRNÍHO SYSÉMU P. Chalupa Univerzita omáše Bati ve Zlíně Fakulta aplikované informatiky Ústav řízení procesů Nad Stráněmi 45, 76 5 Zlín Abstrakt Příspěvek zkoumá možnosti použití
VícePOUŽITÍ REAL TIME TOOLBOXU PRO REGULACI HLADIN V PROPOJENÝCH VÁLCOVÝCH ZÁSOBNÍCÍCH
POUŽITÍ REAL TIME TOOLBOXU PRO REGULACI HLADIN V PROPOJENÝCH VÁLCOVÝCH ZÁSOBNÍCÍCH P. Chalupa Univerzita Tomáše Bati ve Zlíně Fakulta technologická Ústav řízení procesů Abstrakt Příspěvek se zabývá problémem
VíceNelineární model tepelné soustavy a GPC regulátor
Nelineární model tepelné sostavy a GP reglátor Ing Jan Mareš Školitel: oc Ing František šek, c Univerzita Pardbice Faklta chemicko-technologická Katedra řízení procesů Obsah 1 Popis tepelné sostavy 2 Požadavky
VíceTRANSFORMACE BLOKOVÉHO SCHÉMATU NA CELKOVÝ PŘENOS
TRANSFORMACE BLOKOVÉHO SCHÉMATU NA CELKOVÝ PŘENOS Vladimír Hanta Vsoká škola chemicko technologická v Praze, Ústav počítačové a řídicí technik Abstrakt Algebra blokových schémat a požití Masonova pravidla
VíceVerifikace modelu VT přehříváků na základě provozních měření
Verifikace modelu VT přehříváků na základě provozních měření Jan Čejka TECHNICKÁ UNIVERZITA V LIBERCI Fakulta mechatroniky, informatiky a mezioborových studií Tento materiál vznikl v rámci projektu ESF
VíceMetody průběžné identifikace pro návrh samočinně se nastavujících regulátorů
Disertační práce Metody průběžné identifikace pro návrh samočinně se nastavujících regulátorů Ing. Petr Navrátil Školitel: prof. Ing. Vladimír Bobál, CSc. Univerzita omáše Bati ve Zlíně Fakulta aplikované
VíceLaboratorní úloha Seřízení PI regulátoru
Laboratorní úloha Seřízení PI reglátor 1. Stanovení optimálních parametrů (r 0 (zesílení), I (časová integrační konstanta)) reglátor PI pro reglaci sostavy tří nádrží vyžitím přechodové odezvy reglované
VíceIdentifikace a řízení nelineárního systému pomocí Hammersteinova modelu
1 Portál pre odborné publikovanie ISSN 1338-0087 Identifikace a řízení nelineárního systému pomocí Hammersteinova modelu Brázdil Michal Elektrotechnika 25.04.2011 V praxi se často setkáváme s procesy,
VíceADAPTIVNÍ ŘÍZENÍ POMOCÍ DELTA MODELŮ V PROGRAMOVÉM PROSTŘEDÍ MATLAB. M. Sysel, V. Bobál
ADAPIVNÍ ŘÍZENÍ POMOCÍ DELA MODELŮ V PROGRAMOVÉM PROSŘEDÍ MALAB M. Sysel, V. Bobál Univerzita omáše Bati ve Zlíně, Institut informačních technologií Anotace: Cílem adaptivního řízení je řešit problematiku
Více7 th International Scientific Technical Conference PROCESS CONTROL 2006 June 13 16, 2006, Kouty nad Desnou, Czech Republic REGULÁTORU JOSEF BÖHM
ZAJIŠTĚNÍ SPOLEHLIVÉ ČINNOSTI ADAPTIVNÍHO LQ REGULÁTORU JOSEF BÖHM Ústav teorie informace a automatizace Akademie věd České republiky Pod vodárenskou věží 4, 82 8 Praha 8 fax : +42-2-665268 and e-mail
VíceKNIHOVNA MODELŮ TECHNOLOGICKÝCH PROCESŮ
KNIHOVNA MODELŮ TECHNOLOGICKÝCH PROCESŮ Radim Pišan, František Gazdoš Fakulta aplikované informatiky, Univerzita Tomáše Bati ve Zlíně Nad stráněmi 45, 760 05 Zlín Abstrakt V článku je představena knihovna
VíceOdhad stavu matematického modelu křižovatek
Odhad stavu matematického modelu křižovatek Miroslav Šimandl, Miroslav Flídr a Jindřich Duník Katedra kybernetiky & Výzkumné centrum Data-Algoritmy-Rozhodování Fakulta aplikovaných věd Západočeská univerzita
VíceVYSOKÉ UČENÍ TECHNICKÉ V BRNĚ BRNO UNIVERSITY OF TECHNOLOGY ADAPTIVNÍ REGULÁTORY S PRVKY UMĚLÉ INTELIGENCE
VYSOKÉ UČENÍ TECHNICKÉ V BRNĚ BRNO UNIVERSITY OF TECHNOLOGY FAKULTA ELEKTROTECHNIKY A KOMUNIKAČNÍCH TECHNOLOGIÍ ÚSTAV AUTOMATIZACE A MĚŘICÍ TECHNIKY FACULTY OF ELECTRICAL ENGINEERING AND COMMUNICATION
VíceAlgoritmy řízení a regulace výstupního napěťového střídače diesel-elektrické napájecí jednotky
Ročník 010 Číslo IV Algoritmy řízení a reglace výstpního napěťového střídače diesel-elektrické napájecí jednotky 1 Z. Perotka, 1 T. Glasberger, 1 J. Molnár 1 Regionální inovační centrm elektrotechniky
VíceThe Optimization of Modules for M68HC08 Optimalizace modulů pro M68HC08
XXX. ASR '005 Seminar, Instruments and Control, Ostrava, April 9, 005 6 he Optimization of Modules for M68HC08 Optimalizace modulů pro M68HC08 DOLEŽEL, Petr & VAŠEK, Vladimír Ing., Univerzita omáše Bati
VíceŘízení výšky hladiny s využitím samočinně se nastavujících spojitých regulátorů
Řízení výšky hladiny s využitím samočinně se nastavujících spojitých regulátorů Liquid level control with use of self-tuning continuous-time controllers Bc. Ondřej Vavruša Diplomová práce 7 UTB ve Zlíně,
VícePravděpodobnostní (Markovské) metody plánování, MDP - obsah
Pravděpodobnostní (Markovské) metody plánování, MDP - obsah Pravděpodobnostní plánování - motivace. Nejistota ve výběr akce Markovské rozhodovací procesy Strategie plán (control policy) Částečně pozorovatelné
VícePRAVDĚPODOBNOST A STATISTIKA
PRAVDĚPODOBNOS A SAISIKA Regresní analýza - motivace Základní úlohou regresní analýzy je nalezení vhodného modelu studované závislosti. Je nutné věnovat velkou pozornost tomu aby byla modelována REÁLNÁ
VíceMěření dat Filtrace dat, Kalmanův filtr
Měření dat Filtrace dat, Matematické metody pro ITS (11MAMY) Jan Přikryl Ústav aplikované matematiky ČVUT v Praze, Fakulta dopravní 3. přednáška 11MAMY čtvrtek 28. února 2018 verze: 2018-02-28 12:20 Obsah
VíceMINIMALIZACE NÁKLADŮ A AUTOMATICKÉ ŘÍZENÍ THE COST MINIMIZATION AND AUTOMATIC CONTROL
Ročník 3, Číslo 5, 8 IIALIACE ÁKLADŮ A AUOAICKÉ ŘÍEÍ HE COS IIIAIO AD AUOAIC COROL František Dšek, Daniel Honc Anotace: Řízení vcházející z ekonomických kritérií se požívá obvkle až ve všších úrovních
VíceModelování a simulace Lukáš Otte
Modelování a simulace 2013 Lukáš Otte Význam, účel a výhody MaS Simulační modely jsou nezbytné pro: oblast vědy a výzkumu (základní i aplikovaný výzkum) analýzy složitých dyn. systémů a tech. procesů oblast
VíceStudium závislosti výpočetního času algoritmu GPC prediktivního řízení na volbě typu popisu matematického modelu v regulátoru
1 Portál pre odborné publikovanie ISSN 1338-0087 Studium závislosti výpočetního času algoritmu GPC prediktivního řízení na volbě typu popisu matematického modelu v regulátoru Barot Tomáš Elektrotechnika
VíceAUTOMATICKÁ IDENTIFIKACE PARAMETRŮ VENTILŮ
AUTOMATICKÁ IDENTIFIKACE PARAMETRŮ VENTILŮ P. Škrabánek, F. Dušek Univerzita Pardubice, Fakulta chemicko technologická Katedra řízení procesů a výpočetní techniky Abstrakt Příspěvek se zabývá identifikací
VíceBilance nejistot v oblasti průtoku vody. Mgr. Jindřich Bílek
Bilance nejistot v oblasti průtok vody Mgr. Jindřich Bílek Nejistota měření Parametr přiřazený k výsledk měření ymezje interval, o němž se s rčito úrovní pravděpodobnosti předpokládá, že v něm leží sktečná
VíceREGRESNÍ ANALÝZA V PROSTŘEDÍ MATLAB
62 REGRESNÍ ANALÝZA V PROSTŘEDÍ MATLAB BEZOUŠKA VLADISLAV Abstrakt: Text se zabývá jednoduchým řešením metody nejmenších čtverců v prostředí Matlab pro obecné víceparametrové aproximační funkce. Celý postup
VícePOLYNOMICKÁ REGRESE. Jedná se o regresní model, který je lineární v parametrech, ale popisuje nelineární závislost mezi proměnnými.
POLYNOMICKÁ REGRESE Jedná se o regresní model, který je lineární v parametrech, ale popisuje nelineární závislost mezi proměnnými. y = b 0 + b 1 x + b 2 x 2 + + b n x n kde b i jsou neznámé parametry,
VíceKlasická a robustní ortogonální regrese mezi složkami kompozice
Klasická a robustní ortogonální regrese mezi složkami kompozice K. Hrůzová, V. Todorov, K. Hron, P. Filzmoser 13. září 2016 Kompoziční data kladná reálná čísla nesoucí pouze relativní informaci, x = (x
VíceRegrese. používáme tehdy, jestliže je vysvětlující proměnná kontinuální pokud je kategoriální, jde o ANOVA
Regrese používáme tehd, jestliže je vsvětlující proměnná kontinuální pokud je kategoriální, jde o ANOVA Specifikace modelu = a + bx a závisle proměnná b x vsvětlující proměnná Cíl analýz Odhadnout hodnot
Více11MAMY LS 2017/2018. Úvod do Matlabu. 21. února Skupina 01. reseni2.m a tak dále + M souborem zadané funkce z příkladu 3 + souborem skupina.
11MAMY LS 2017/2018 Cvičení č. 2: 21. 2. 2018 Úvod do Matlabu. Jan Přikryl 21. února 2018 Po skupinách, na které jste se doufám rozdělili samostatně včera, vyřešte tak, jak nejlépe svedete, níže uvedená
VíceMĚŘENÍ Laboratorní cvičení z měření Měření nízkofrekvenčního koncového zesilovače, část 3-13-3
MĚŘENÍ Laboratorní cvičení z měření Měření nízkofrekvenčního koncového zesilovače, část 3-13-3 Výkový materiál Číslo projekt: CZ.1.07/1.5.00/34.0093 Šablona: III/2 Inovace a zkvalitnění výky prostřednictvím
VíceDOOSAN Škoda Power s. r. o. a Západočeská univerzita v Plzni ŘÍZENÍ AERODYNAMICKÉHO TUNELU PRO KALIBRACI TLAKOVÝCH SOND
DOOSAN Škoda Power s. r. o. a Západočeská univerzita v Plzni ŘÍZENÍ AERODYNAMICKÉHO TUNELU PRO KALIBRACI TLAKOVÝCH SOND Autor práce: Ing. Lukáš Kanta Obsah prezentace 1. Seznámení s aerodynamickým kalibračním
VíceChyby při matematickém modelování aneb co se nepovedlo
ŠKOMAM 019, 9. 1. 019 Chyby při matematickém modelování aneb co se nepovedlo Petr Beremlijski Katedra aplikovaná matematiky Faklta elektrotechniky a informatiky Vysoká škola báňská - Technická niverzita
VíceČíslicové řízení procesů
Číslicové řízení procesů čební text VOŠ a SPŠ Ktná Hora Ing. Lděk Kohot Základní pojmy číslicového řízení Rozdělení řízení podle průběh signálů logické řízení binární signály (RUE, FALSE) analogové řízení
VíceUNIVERZITA PARDUBICE. 4.4 Aproximace křivek a vyhlazování křivek
UNIVERZITA PARDUBICE Licenční Studium Archimedes Statistické zpracování dat a informatika 4.4 Aproximace křivek a vyhlazování křivek Mgr. Jana Kubátová Endokrinologický ústav V Praze, leden 2012 Obsah
VíceFaster Gradient Descent Methods
Faster Gradient Descent Methods Rychlejší gradientní spádové metody Ing. Lukáš Pospíšil, Ing. Martin Menšík Katedra aplikované matematiky, VŠB - Technická univerzita Ostrava 24.1.2012 Ing. Lukáš Pospíšil,
VíceAdonix, spol s r.o. Bratranců Veverkových Pardubice Akce: Labe, Opatovice nad Labem, posouzení dopravních staveb
Adoni, spol s r.o. Bratranců Veverkových 645 530 0 Pardbice Akce: Labe, Opatovice nad Labem, posození dopravních staveb Investor: Povodí Labe, státní podnik Hradec Králové červen 015 výškový sstém Bpv
VíceAVDAT Klasický lineární model, metoda nejmenších
AVDAT Klasický lineární model, metoda nejmenších čtverců Josef Tvrdík Katedra informatiky Přírodovědecká fakulta Ostravská univerzita Lineární model y i = β 0 + β 1 x i1 + + β k x ik + ε i (1) kde y i
VíceMěření dat Filtrace dat, Kalmanův filtr
Měření dat Filtrace dat, Matematické metody pro ITS (11MAMY) Jan Přikryl Ústav aplikované matematiky ČVUT v Praze, Fakulta dopravní 3. přednáška 11MAMY čtvrtek 28. února 2018 verze: 2018-03-21 16:45 Obsah
Víceodpovídá jedna a jen jedna hodnota jiných
8. Regresní a korelační analýza Problém: hledání, zkoumání a hodnocení souvislostí, závislostí mezi dvěma a více statistickými znaky (veličinami). Typy závislostí: pevné a volné Pevná závislost každé hodnotě
VíceSOLVER UŽIVATELSKÁ PŘÍRUČKA. Kamil Šamaj, František Vižďa Univerzita obrany, Brno, 2008 Výzkumný záměr MO0 FVT0000404
SOLVER UŽIVATELSKÁ PŘÍRUČKA Kamil Šamaj, František Vižďa Univerzita obrany, Brno, 2008 Výzkumný záměr MO0 FVT0000404 1. Solver Program Solver slouží pro vyhodnocení experimentálně naměřených dat. Základem
VíceAplikovaná numerická matematika
Aplikovaná numerická matematika 6. Metoda nejmenších čtverců doc. Ing. Róbert Lórencz, CSc. České vysoké učení technické v Praze Fakulta informačních technologií Katedra počítačových systémů Příprava studijních
VíceAVDAT Nelineární regresní model
AVDAT Nelineární regresní model Josef Tvrdík Katedra informatiky Přírodovědecká fakulta Ostravská univerzita Nelineární regresní model Ey i = f (x i, β) kde x i je k-členný vektor vysvětlujících proměnných
VíceUniverzita Pardubice Fakulta chemicko technologická Katedra analytické chemie Licenční studium Management systému jakosti
Univerzita Pardubice Fakulta chemicko technologická Katedra analytické chemie Licenční studium Management systému jakosti 3.3 v analýze dat Autor práce: Přednášející: Prof. RNDr. Milan Meloun, DrSc Pro
Více1 Tyto materiály byly vytvořeny za pomoci grantu FRVŠ číslo 1145/2004.
Vícenásobná regresní a korelační analýza 1 1 Tto materiál bl vtvořen za pomoci grantu FRVŠ číslo 1145/2004. O vícenásobné závislosti mluvíme tehd, jestliže je závisle proměnná závislá na více nezávislých
VícePráce s pamětí a předávání parametrů. Úvod do programování 1
Práce s pamětí a předávání parametrů Úvod do programování 1 Motivace Zatím jsme se setkali s následjícími problémy : Proměnná existje / je dostpná jen v blok, kde vznikla Pole existje v blok, kde bylo
VíceNázev práce: DIAGNOSTIKA KONTAKTNĚ ZATÍŽENÝCH POVRCHŮ S VYUŽITÍM VYBRANÝCH POSTUPŮ ZPRACOVÁNÍ SIGNÁLU AKUSTICKÉ EMISE
Ing. 1 /12 Název práce: DIAGNOSTIKA KONTAKTNĚ ZATÍŽENÝCH POVRCHŮ S VYUŽITÍM VYBRANÝCH POSTUPŮ ZPRACOVÁNÍ SIGNÁLU AKUSTICKÉ EMISE Školitel: doc.ing. Pavel Mazal CSc Ing. 2 /12 Obsah Úvod do problematiky
VíceVlastní čísla a vlastní vektory
5 Vlastní čísla a vlastní vektor Poznámka: Je-li A : V V lineární zobrazení z prostoru V do prostoru V někd se takové zobrazení nazývá lineárním operátorem, pak je přirozeným požadavkem najít takovou bázi
VíceVyužití neuronové sítě pro identifikaci realného systému
1 Portál pre odborné publikovanie ISSN 1338-0087 Využití neuronové sítě pro identifikaci realného systému Pišan Radim Elektrotechnika 20.06.2011 Identifikace systémů je proces, kdy z naměřených dat můžeme
VíceEva Fišerová a Karel Hron. Katedra matematické analýzy a aplikací matematiky Přírodovědecká fakulta Univerzity Palackého v Olomouci.
Ortogonální regrese pro 3-složkové kompoziční data využitím lineárních modelů Eva Fišerová a Karel Hron Katedra matematické analýzy a aplikací matematiky Přírodovědecká fakulta Univerzity Palackého v Olomouci
VíceČasová složitost / Time complexity
Časová složitost / Time complexity Jan Kybic http://cmp.felk.cvut.cz/~kybic kybic@fel.cvut.cz 2016 2018 1 / 24 Složitost algoritmů Algorithm complexity Časová a paměťová složitost Trvání výpočtu v závislosti
VíceTomáš Karel LS 2012/2013
Tomáš Karel LS 2012/2013 Doplňkový materiál ke cvičení z předmětu 4ST201. Na případné faktické chb v této presentaci mě prosím upozorněte. Děkuji. Tto slid berte pouze jako doplňkový materiál není v nich
Více6. Lineární regresní modely
6. Lineární regresní modely 6.1 Jednoduchá regrese a validace 6.2 Testy hypotéz v lineární regresi 6.3 Kritika dat v regresním tripletu 6.4 Multikolinearita a polynomy 6.5 Kritika modelu v regresním tripletu
VíceÚvodem Dříve les než stromy 3 Operace s maticemi
Obsah 1 Úvodem 13 2 Dříve les než stromy 17 2.1 Nejednoznačnost terminologie 17 2.2 Volba metody analýzy dat 23 2.3 Přehled vybraných vícerozměrných metod 25 2.3.1 Metoda hlavních komponent 26 2.3.2 Faktorová
VíceKontraktantní/dilatantní
Kontraktantní/dilatantní plasticita - úhel dilatance směr přírůstku plastické deformace Na základě experimentálního měření dospěl St. Venant k závěru, že směry hlavních napětí jsou totožné se směry přírůstku
VíceCITLIVOSTNÍ ANALÝZA DYNAMICKÝCH SYSTÉMŮ I
Informačné a automatizačné technológie v riadení kvality produkcie Vernár,.-4. 9. 005 CITLIVOSTNÍ ANALÝZA DYNAMICKÝCH SYSTÉMŮ I KÜNZEL GUNNAR Abstrakt Příspěvek uvádí základní definice, fyzikální interpretaci
VícePROSTŘEDKY AUTOMATICKÉHO ŘÍZENÍ
NS172 2005/2006 PROSTŘEDKY AUTOMATICKÉHO ŘÍZENÍ Úloha č.1 - Hierarchická strktra řízení Vpracoval: Ha Minh 25. 5. 2006 Spolpracoval: Josef Dovrtěl I. ZADÁNÍ 1. Seznamte se s dílčími pracovišti laboratorní
VíceProjekční algoritmus. Urychlení evolučních algoritmů pomocí regresních stromů a jejich zobecnění. Jan Klíma
Urychlení evolučních algoritmů pomocí regresních stromů a jejich zobecnění Jan Klíma Obsah Motivace & cíle práce Evoluční algoritmy Náhradní modelování Stromové regresní metody Implementace a výsledky
VíceOdvození rovnice pro optimální aerodynamické zatížení axiální stupně
1 Tato Příloha 801 je sočástí článk 19 Návrh axiálních a diagonálních stpňů lopatkových strojů, http://wwwtransformacni-technologiecz/navrh-axialnicha-diagonalnich-stpn-lopatkovych-strojhtml Odvození rovnice
VíceRobustní odhady statistických parametrů
Robustní odhady statistických parametrů ěkdy pracují dobře, jinde ne. Typická data - pozorování BL Lac 100 mag 40 0 0.41 0.40 JD date 0.39 0.38 0.38223-1.586 0.017 0.40550-1.530 0.019 0.39453-1.610 0.024
VíceProstorová variabilita
Prostorová variabilita prostorová závislost (autokorelace) reprezentuje korelaci mezi hodnotami určité náhodné proměnné v místě i a hodnotami téže proměnné v jiném místě j; prostorová heterogenita je strukturální
VíceNESTABILITY VYBRANÝCH SYSTÉMŮ. Úvod. Vzpěr prutu. Petr Frantík 1
NESTABILITY VYBRANÝCH SYSTÉMŮ Petr Frantík 1 Úvod Úloha pokritického vzpěru přímého prutu je řešena dynamickou metodou. Prut se statickým zatížením je modelován jako nelineární disipativní dynamický systém.
VíceSIGNÁLY A LINEÁRNÍ SYSTÉMY
SIGNÁLY A LINEÁRNÍ SYSTÉMY prof. Ing. Jiří Holčík, CSc. INVESTICE Institut DO biostatistiky ROZVOJE VZDĚLÁVÁNÍ a analýz VII. SYSTÉMY ZÁKLADNÍ POJMY SYSTÉM - DEFINICE SYSTÉM (řec.) složené, seskupené (v
VíceDODATEK. D0. Nejistoty měření
DODATEK D4. Příklad výpočt nejistoty přímého měření D0. Nejistoty měření Výklad základů charakterizování přesnosti měření podaný v kap..3 je založen na pojmech chyba měření a správná hodnota měřené veličiny
VícePRAVDĚPODOBNOST A STATISTIKA
PRAVDĚPODOBNOST A STATISTIKA Definice lineárního normálního regresního modelu Lineární normální regresní model Y Xβ ε Předpoklady: Matice X X n,k je matice realizací. Předpoklad: n > k, h(x) k - tj. matice
VíceVyužití přímé inverzní metody pro řízení reálných systémů
XXVI. ASR '2001 Seminar, Instruments and Control, Ostrava, April 26-27, 2001 Paper 70 Využití přímé inverzní metody pro řízení reálných systémů ŠKUTOVÁ, Jolana Ing., Katedra ATŘ-352, VŠB-TU Ostrava, 17.
VíceMNOHAROZMĚROVÉ ADAPTIVNÍ ŘÍZENÍ S VYUŽITÍM DELTA MODELŮ V PROGRAMOVÉM PROSTŘEDÍ MATLAB. P. Navrátil, V. Bobál
MNOHAROZMĚROVÉ ADAPIVNÍ ŘÍZENÍ S VYUŽIÍM DELA MODELŮ V PROGRAMOVÉM PROSŘEDÍ MALAB P. Navráil, V. Bobál Univerzia omáše Bai ve Zlíně Úsav eorie řízení, Insi informačních echnologií Anoace: Cílem adapivního
Více1 Přesnost metody konečných prvků
1 PŘESNOST METODY KONEČNÝCH PRVKŮ 1 1 Přesnost metody konečných prvků Metoda konečných prvků je založena na diskretizaci původní spojité konstrukce soustavou prvků (nebo obecněji na diskretizaci slabé
VícePRAVDĚPODOBNOST A STATISTIKA
PRAVDĚPODOBNOST A STATISTIKA Definice lineárního normálního regresního modelu Lineární normální regresní model Y β ε Matice n,k je matice realizací. Předpoklad: n > k, h() k - tj. matice je plné hodnosti
VíceU Úvod do modelování a simulace systémů
U Úvod do modelování a simulace systémů Vyšetřování rozsáhlých soustav mnohdy nelze provádět analytickým výpočtem.často je nutné zkoumat chování zařízení v mezních situacích, do kterých se skutečné zařízení
VíceDecentralizované adaptivní řízení
Disertační práce Decentralizované adaptivní řízení Ing. Karel Perůtka Školitel: Prof. Ing. Vladimír Bobál, CSc. Univerzita Tomáše Bati ve Zlíně Fakulta aplikované informatiky Ústav řízení procesů Zlín
VíceJaroslav Tuma. 8. února 2010
Semestrální práce z předmětu KMA/MM Odstraňování šumu z obrazu Jaroslav Tuma 8. února 2010 1 1 Zpracování obrazu Zpracování obrazu je disciplína zabývající se zpracováním obrazových dat různého původu.
VíceT leso. T leso. nap ě tí na prostorovém elementu normálové - působí kolmo k ploše smykové - působí v ploše
Prostorový model ákladní veli č in a vtah nejlépe odrážejí skte č nost obtížn ě ř ešitelný sstém rovnic obtížn ě jší interpretace výsledků ákladní vtah posktjí rámec pro odvoení D a 2D modelů D a 2D model
VíceAkce: Studie odtokových poměrů Nový Bydžov. Zhotovitel: Doc. Ing. Aleš Havlík, CSc. - REVITAL
Akce: Stdie odtokových poměrů Nový Bdžov Termín dokončení: 31. 12. 2014 Objednatel: Povodí Labe, s.p. Víta Nejedlého 951 500 03 Hradec Králové Zhotovitel: Doc. Ing. Aleš Havlík, CSc. - REVITAL Schý vršek
VíceČasová a prostorová složitost algoritmů
.. Časová a prostorová složitost algoritmů Programovací techniky doc. Ing. Jiří Rybička, Dr. ústav informatiky PEF MENDELU v Brně rybicka@mendelu.cz Hodnocení algoritmů Programovací techniky Časová a prostorová
VíceRegresní analýza 1. Regresní analýza
Regresní analýza 1 1 Regresní funkce Regresní analýza Důležitou statistickou úlohou je hledání a zkoumání závislostí proměnných, jejichž hodnoty získáme při realizaci experimentů Vzhledem k jejich náhodnému
Více- 1 - Obvodová síla působící na element lopatky větrné turbíny
- - Tato Příloha 898 je sočástí článk č.. Větrné trbíny a ventlátory, http://www.transformacntechnologe.cz/vetrne-trbny-a-ventlatory.html. Odvození základních rovnc aerodynamckého výpočt větrné trbíny
VíceDá se ukázat, že vzdálenost dvou bodů má tyto vlastnosti: 2.2 Vektor, souřadnice vektoru a algebraické operace s vektory
Vektorový počet.1 Eklidovský prostor E 3 Eklidovský prostor E 3 je prostor spořádaných trojic (tj. bodů), v němž je definována vzdálenost dvo jeho bodů A, B (značíme ji AB ). Vzdálenost bodů A = [a 1,
VíceStudentská tvůrčí a odborná činnost STOČ 2015
Stdentská tvůrčí a odborná činnost STOČ 215 MATEMATICKÉ MODELY ZAVĚŠENÍ AUTOMOBILU Jan MACHÁČEK Vysoká škola báňská Technická niverzita Ostrava 17. listopad 15/2172 78 33 Ostrava-Porba 23. dbna 215 FAI
VíceInterpolace pomocí splajnu
Interpolace pomocí splajnu Interpolace pomocí splajnu Připomenutí U interpolace požadujeme, aby graf aproximující funkce procházel všemi uzlovými body. Interpolační polynom aproximující funkce je polynom
VíceAPROXIMACE KŘIVEK V MATLABU NEWTONŮV INTERPOLAČNÍ POLYNOM CURVE FITTING IN MATLAB NEWTON INTERPOLATION POLYNOMIAL
APROXIMACE KŘIVEK V MATLABU NEWTONŮV INTERPOLAČNÍ POLYNOM CURVE FITTING IN MATLAB NEWTON INTERPOLATION POLYNOMIAL Jiří Kulička 1 Anotace: Článek se zabývá odvozením, algoritmizací a popisem konstrukce
VíceČasové řady, typy trendových funkcí a odhady trendů
Statistika II Katedra ekonometrie FVL UO Brno kancelář 69a, tel 973 442029 email:jirineubauer@unobcz Stochastický proces Posloupnost náhodných veličin {Y t, t = 0, ±1, ±2 } se nazývá stochastický proces
VíceIDENTIFIKACE BIMODALITY V DATECH
IDETIFIKACE BIMODALITY V DATECH Jiří Militky Technická universita v Liberci e- mail: jiri.miliky@vslib.cz Milan Meloun Universita Pardubice, Pardubice Motto: Je normální předpokládat normální data? Zvláštnosti
VíceFrekvenční charakteristika soustavy tří nádrží
Popis úlohy: Spojené nádrže tvoří dohromady regulovanou soustavu. Přívod vody do nádrží je zajišťován čerpady P1a, P1b a P3 ovládaných pomocí veličin u 1a, u 1b a u 3, snímání výšky hladiny je prováděno
VíceČasové řady, typy trendových funkcí a odhady trendů
Časové řady, typy trendových funkcí a odhady trendů Jiří Neubauer Katedra ekonometrie FVL UO Brno kancelář 69a, tel 973 442029 email:jirineubauer@unobcz Jiří Neubauer (Katedra ekonometrie UO Brno) Časové
VíceLineární a logistická regrese
Lineární a logistická regrese Martin Branda Univerzita Karlova v Praze Matematicko-fyzikální fakulta Katedra pravděpodobnosti a matematické statistiky Výpočetní prostředky finanční a pojistné matematiky
VíceÚloha 1. Napište matici pro případ lineárního regresního spline vyjádřeného přes useknuté
Úloha 1. Napište matici pro případ lineárního regresního spline vyjádřeného přes useknuté polynomy pro případ dvou uzlových bodů ξ 1 = 1 a ξ 2 = 4. Experimentální body jsou x = [0.2 0.4 0.6 1.5 2.0 3.0
VíceDETEKCE HRAN V BIOMEDICÍNSKÝCH OBRAZECH
DETEKCE HRAN V BIOMEDICÍNSKÝCH OBRAZECH Viktor Haškovec, Martina Mudrová Vysoká škola chemicko-technologická v Praze, Ústav počítačové a řídicí techniky Abstrakt Příspěvek je věnován zpracování biomedicínských
Vícelní model gravitačního pole z inverze dráhových dat družic CHAMP, GRACE a GOCE
Globáln lní model gravitačního pole z inverze dráhových dat družic CHAMP, GRACE a GOCE Aleš Bezděk 1 Josef Sebera 1,2 Jaroslav Klokočník 1 Jan Kostelecký 2 1 Astronomický ústav AV ČR 2 ČVUT Seminář Výzkumného
VíceMĚŘENÍ Laboratorní cvičení z měření Měření přenosových vlastností dvojbranu, část
MĚŘENÍ Laboratorní cvičení z měření Měření přenosových vlastností dvojbran, část 3-12-1 Výkový materiál Číslo projekt: CZ.1.07/1.5.00/34.0093 Šablona: III/2 Inovace a zkvalitnění výky prostřednictvím ICT
VíceOptimalizace provozních podmínek. Eva Jarošová
Optimalizace provozních podmínek Eva Jarošová 1 Obsah 1. Experimenty pro optimalizaci provozních podmínek 2. EVOP klasický postup využití statistického softwaru 3. Centrální složený návrh model odezvové
VíceZapojení odporových tenzometrů
Zapojení odporových tenzometrů Zadání 1) Seznamte se s konstrukcí a použitím lineárních fóliových tenzometrů. 2) Proveďte měření na fóliových tenzometrech zapojených do můstku. 3) Zjistěte rovnici regresní
VíceNávrh a simulace zkušební stolice olejového čerpadla. Martin Krajíček
Návrh a simulace zkušební stolice olejového čerpadla Autor: Vedoucí diplomové práce: Martin Krajíček Prof. Michael Valášek 1 Cíle práce 1. Vytvoření specifikace zařízení 2. Návrh zařízení včetně hydraulického
VíceRESEARCH REPORT. ÚTIA AVČR, P.O.Box 18, 182 08 Prague, Czech Republic Fax: (+420)286890378, http://www.utia.cz, E-mail: utia@utia.cas.
Akademie věd České republiky Ústav teorie informace a automatizace Academy of Sciences of the Czech Republic Institute of Information Theory and Automation RESEARCH REPORT J. Andrýsek, P. Ettler Rozšíření
VíceRozšíření modelů technologických procesů
Rozšíření modelů technologických procesů Pavel Sousedík Vedoucí: František Gazdoš, Ing. PhD. 2009 ABSTRAKT V práci je představena knihovna modelů reálných procesů. Tyto modely jsou vytvářeny v programovém
VíceLINEÁRNÍ REGRESE. Lineární regresní model
LINEÁRNÍ REGRESE Chemometrie I, David MILDE Lineární regresní model 1 Typy závislosti 2 proměnných FUNKČNÍ VZTAH: 2 závisle proměnné: určité hodnotě x odpovídá jediná hodnota y. KORELACE: 2 náhodné (nezávislé)
VíceStatistika. Regresní a korelační analýza Úvod do problému. Roman Biskup
Statistika Regresní a korelační analýza Úvod do problému Roman Biskup Jihočeská univerzita v Českých Budějovicích Ekonomická fakulta (Zemědělská fakulta) Katedra aplikované matematiky a informatiky 2008/2009
VíceZÁKLADY AUTOMATICKÉHO ŘÍZENÍ
VYSOKÁ ŠKOLA BÁŇSKÁ TECHNICKÁ UNIVERZITA OSTRAVA FAKULTA STROJNÍ ZÁKLADY AUTOMATICKÉHO ŘÍZENÍ 1. týden doc. Ing. Renata WAGNEROVÁ, Ph.D. Ostrava 2013 doc. Ing. Renata WAGNEROVÁ, Ph.D. Vysoká škola báňská
VíceVYUŽITÍ METOD PŘÍMÉHO HLEDÁNÍ OPTIMA PŘI PREDIKTIVNÍM ŘÍZENÍ
VYUŽITÍ METOD PŘÍMÉHO HLEDÁNÍ OPTIMA PŘI PREDIKTIVNÍM ŘÍZENÍ P. Chalupa, J. Novák Univerzita Tomáše Bati ve Zlíně Fakulta aplikované informatiky Centrum aplikované kybernetiky Abstrakt Příspěvek se zabývá
Více1 Tyto materiály byly vytvořeny za pomoci grantu FRVŠ číslo 1145/2004.
Prostá regresní a korelační analýza 1 1 Tyto materiály byly vytvořeny za pomoci grantu FRVŠ číslo 1145/2004. Problematika závislosti V podstatě lze rozlišovat mezi závislostí nepodstatnou, čili náhodnou
VíceOtázky ke státní závěrečné zkoušce
Otázky ke státní závěrečné zkoušce obor Ekonometrie a operační výzkum a) Diskrétní modely, Simulace, Nelineární programování. b) Teorie rozhodování, Teorie her. c) Ekonometrie. Otázka č. 1 a) Úlohy konvexního
Více