but.committee	prof. Ing. Petr Vavřín, DrSc. (předseda) prof. Ing. Petr Dostál, CSc. - oponent (člen) prof. Ing. Vladimír Bobál, CSc. - oponent (člen) prof. RNDr. Ing. Miloš Šeda, CSc. (člen) prof. Ing. Pavel Václavek, Ph.D. (člen) doc. Ing. Petr Blaha, Ph.D. (člen)	cs
but.jazyk	čeština (Czech)
but.program	Elektrotechnika a komunikační technologie	cs
but.result	práce byla úspěšně obhájena	cs
dc.contributor.advisor	Pivoňka, Petr	cs
dc.contributor.author	Dokoupil, Jakub	cs
dc.contributor.referee	Bobál, Vladimír	cs
dc.contributor.referee	Dostál,, Petr	cs
dc.date.created	2012	cs
dc.description.abstract	Souběžné vyhodnocování souboru modelů různých řádů a schopnost sledovat nemodelované změny v parametrech je často žádoucím prvkem v úlohách parametrické estimace. Vhodným nástrojem umožňujícím řešení problému paralelní identifikace je technika pracující s faktory rozšířené kovarianční (ACM) popř. informační matice (AIM). Odtud je odvozen název rozšířená identifikace (AI) metodou nejmenších čtverců. Metoda AI tak zachovává numerickou stabilitu výpočtu konvenční metody nejmenších čtverců, avšak mnohem efektivněji vyhodnocuje informační obsažnost dat. Pro účely sledování časového vývoje parametrů lze využít, že veškerá informace vztahující se k rekurzivní identifikaci, a tím i k datově řízenému zapomínání, je koncentrována přímo v ACM a stejně tak i v AIM. V práci bude uveden postup, jak ocenit přínos dat a zapomínat pouze tu část informace uložené v ACM (AIM), která bude modifikována nejnovějšími daty nesenými regresorem. V úlohách estimace vystupuje i praktická potřeba znalosti vnitřních stavů identifikovaného systému. Protože rozšířená identifikace spadá do třídy metod minimalizujících chybu predikce (PEM), vyvstává racionální požadavek na formulaci stavového filtru jako na optimalizační proceduru, která minimalizuje chybu predikovanou stavovým modelem s ohledem na působení vektoru stavů. Navržené schéma stavového filtru doplní okruh metod pracujících s ACM (AIM) o přístup rozšířené filtrace (AF). Tímto bude položen ucelený koncept parametrické estimace, který se v porovnání s konvenčními přístupy vyznačuje všestranností, nízkými nároky kladenými na apriorní znalost procesu a jedinečnými numerickými vlastnostmi (odolný vůči přeparametrizování, řešící mnohamodelový problém).	cs
dc.description.abstract	Simultaneous evaluation of the whole set of the model parameters of different orders together with an ability to track unmodeled dynamics are desired features in the tasks of parameter estimation. A technique handling with the factors produced by an augmented covariance (ACM) or information (AIM) matrices is considered to be an appropriate tool for designing multiple model estimation. This is where the name augmented identification (AI) by using the least-squares method was taken. The method AI attains numerical stability of the calculation of the conventional least squares method while in the same time, fully extracts information contained in the observation. In order to track time varying parameters can be found that all the information pertinent to recursive identification and thus to data driven forgetting is concentrated in ACM as well as in AIM. In this thesis will be introduced how to selective forgetting to ACM should be applied in an effective way. It means forget only a portion of accumulated information which will be further modified by the newest data included in the regressor. In the estimation problems the knowledge of the inner states of the identified system is often required. Because the augmented identification belongs within the class so called prediction error method (PEM), some rational requirements can be deduced. As a result, state filter should constitute optimization procedure minimizing the predicted error of given state space model representation with respect to the vector of states. The proposed scheme will considerably extend the family of algorithms based on processing of ACM (AIM) about augmented filtering (AF). This all will establish a comprehensive concept of parametric estimation that compared with conventional approaches is characterized by versatility, low demands on a priori process information and by excellent numerical properties (robust against overparametrization, capable solving the multiple model problem).	en
dc.description.mark	P	cs
dc.identifier.citation	DOKOUPIL, J. Rozšířená kvadraticky optimální identifikace a filtrace [online]. Brno: Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií. 2012.	cs
dc.identifier.other	59691	cs
dc.identifier.uri	http://hdl.handle.net/11012/18280
dc.language.iso	cs	cs
dc.publisher	Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií	cs
dc.rights	Standardní licenční smlouva - přístup k plnému textu bez omezení	cs
dc.subject	adaptivní estimace	cs
dc.subject	rozšířená identifikace (AI)	cs
dc.subject	rozšířená filtrace stavů (AF)	cs
dc.subject	selektivní zapomínání	cs
dc.subject	metoda nejmenších čtverců	cs
dc.subject	mnohamodelová rekurzivní identifikace	cs
dc.subject	adaptive estimation	en
dc.subject	augmented identification (AI)	en
dc.subject	augmented state filtering (AF)	en
dc.subject	selective forgetting	en
dc.subject	least-squares method	en
dc.subject	multiple model recursive identification	en
dc.title	Rozšířená kvadraticky optimální identifikace a filtrace	cs
dc.title.alternative	Quadratically Optimal Augmented Identification and Filtration	en
dc.type	Text	cs
dc.type.driver	doctoralThesis	en
dc.type.evskp	dizertační práce	cs
dcterms.dateAccepted	2012-07-20	cs
dcterms.modified	2024-05-17-12:49:39	cs
eprints.affiliatedInstitution.faculty	Fakulta elektrotechniky a komunikačních technologií	cs
sync.item.dbid	59691	en
sync.item.dbtype	ZP	en
sync.item.insts	2025.03.27 11:54:47	en
sync.item.modts	2025.01.17 12:16:53	en
thesis.discipline	Kybernetika, automatizace a měření	cs
thesis.grantor	Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií. Ústav automatizace a měřicí techniky	cs
thesis.level	Doktorský	cs
thesis.name	Ph.D.	cs

Rozšířená kvadraticky optimální identifikace a filtrace

Files

Original bundle

Collections