1 / 12

Tomislav Horvat, Igor Kvasić, Teo Petran, Antonia Plazibat, Tomislav Pozaić

Slučajni procesi u sustavima Procjena atmosferskih prilika primjenom diskretnog Kalmanovog filtra. Tomislav Horvat, Igor Kvasić, Teo Petran, Antonia Plazibat, Tomislav Pozaić. Uvod. važnost prognoze vremena za svakodnevni život meteorologija

azra
Download Presentation

Tomislav Horvat, Igor Kvasić, Teo Petran, Antonia Plazibat, Tomislav Pozaić

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript

  1. Slučajni procesi u sustavimaProcjena atmosferskih prilika primjenom diskretnog Kalmanovog filtra Tomislav Horvat, Igor Kvasić, Teo Petran, Antonia Plazibat, Tomislav Pozaić

  2. Uvod • važnost prognoze vremena za svakodnevni život • meteorologija • procjena atmosferskih prilika primjenom Kalmanovog filtra • temperatura zraka • relativna vlažnost • brzina vjetra • atmosfera – veliki stohastički nelinearan sustav u kojem se neprestano izmjenjuju brojni slučajni procesi • linearizacija modela

  3. Diskretni Kalmanov filtar (DKF) • procjena stanja vremenski diskretno kontroliranog procesa kojim upravlja linearno stohastički sustav opisan jednadžbom: • mjerena veličina: • superponirani bijeli i procesni šum problem R. E. Kalman

  4. Matematička interpretacija DKF-a • predikcija (time update): • korekcija (measurement update): a priori stanje: a posteriori stanje: inovacija mjerenja ili ostatak Kalmanovo pojačanje

  5. Implementacija algoritma • linearan model • početni uvjeti: • srednja mjesečna estimirana vrijednost:

  6. Grafičko korisničko sučelje

  7. Grafičko korisničko sučelje

  8. Rezultati • efikasnost Kalmanovog filtra u numeričkoj procjeni vremena (NWP) • promjene vrijednosti podataka • dobro praćenje malih promjena • greška do 30% za nagle promjene

  9. Rezultati • procesna varijanca • povećanjem se neznatno smanjuje pogreška Kalmanovog filtra

  10. Rezultati • ovisnost estimacije o varijanci mjerenja • povećanje pogreške s povećanjem varijance mjerenja odnosno snage bijelog šuma

  11. Rezultati • ocjena rezultata estimacije apsolutna pogreška • prikaz učestalosti pojavljivanja pojedinih vrijednost tijekom godine • Matlab funkcija hist usrednjena apsolutna pogreška za mjesec lipanj

  12. Zaključak i diskusija • diskretan Kalmanov filtar zadovoljavajuća predikcija varijabli stanja • PROBLEMI • spor algoritam (vremenske prognoze s golemim količinama podataka) • pretpostavka linearnog modela • MOGUĆE RJEŠENJE Ensemble Kalman filter • Monte Carlo aproksimacija Kalmanovog filtra • omogućuje računanje nelinearnih sustava • manja složenost algoritma • ensemble covariance C

More Related