آموزش ترکیب داده ها با فیلتر کالمن خطی

Data Fusion with Linear Kalman Filter

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره: تئوری و پیاده سازی نحوه بیان احتمالی عدم قطعیت با استفاده از توزیع های احتمال نحوه تبدیل سیستم های دیفرانسیل به نمایش فضای حالت نحوه شبیه سازی و توصیف سیستم های پویا فضای حالت نحوه استفاده از تخمین حداقل مربعات برای حل مسائل تخمین نحوه استفاده از فیلتر کالمن خطی برای حل بهینه مشکلات تخمین نحوه استخراج ماتریس های سیستم برای فیلتر کالمن به طور کلی برای هر مشکل نحوه تنظیم بهینه فیلتر کالمن خطی برای بهترین کارایی نحوه پیاده سازی فیلتر کالمن خطی در پایتون

باید Data Fusion و Kalman Filtering را بدانید!

فیلتر کالمن یکی از بزرگترین اکتشافات در تاریخ تخمین و تئوری همجوشی داده ها و شاید یکی از بزرگترین اکتشافات مهندسی در قرن بیستم است. بشر را قادر به انجام و ساختن بسیاری از چیزها کرده است که در غیر این صورت ممکن نبود. کاربرد فوری در کنترل سیستم‌های دینامیکی پیچیده مانند اتومبیل‌ها، هواپیماها، کشتی‌ها و فضاپیماها دارد.

این مفاهیم به‌طور گسترده در مهندسی و ساخت استفاده می‌شوند، اما در بسیاری از زمینه‌های دیگر مانند شیمی، زیست‌شناسی، مالی، اقتصاد و غیره نیز استفاده می‌شوند.

چرا روی Data Fusion و Kalman Filtering تمرکز کنیم

  • Data Fusion ابزار شگفت انگیزی است که تقریباً در هر فناوری مدرنی که شامل هر نوع سنجش، اندازه گیری یا اتوماسیون است، استفاده می شود.

  • فیلتر کالمن یکی از پرکاربردترین روش‌ها برای ترکیب داده‌ها است. با درک این فرآیند، روش‌های پیچیده‌تر را راحت‌تر درک خواهید کرد.

  • درک نحوه عملکرد فیلتر و نحوه اعمال مفاهیم در عمل برای مبتدیان دشوار است.

  • ارزیابی و تنظیم فیلتر کالمن برای بهترین عملکرد می‌تواند کمی "هنر سیاه" باشد، ما نکات و ساختاری را به شما ارائه می‌دهیم تا بدانید چگونه این کار را خودتان انجام دهید.

  • بنابراین وقت خود را برای حل یا اشکال‌زدایی مشکلاتی که با این دانش به راحتی قابل اجتناب هستند، تلف نمی‌کنید! یک متخصص موضوع شوید!

آنچه خواهید آموخت:

شما این تئوری را از ابتدا یاد خواهید گرفت، بنابراین می توانید به طور کامل نحوه عملکرد آن و پیامدهایی که چیزها در نتیجه نهایی دارند را درک کنید. همچنین پیاده‌سازی عملی تکنیک‌ها را یاد خواهید گرفت، بنابراین می‌دانید چگونه تئوری را عملی کنید.

ما پوشش خواهیم داد:

  • احتمال اولیه و متغیرهای تصادفی

  • سیستم‌های پویا و نمایش‌های فضایی حالت

  • تخمین حداقل مربعات

  • فیلتر کالمن خطی

  • تئوری، اجرا، موارد استفاده را پوشش می‌دهد

  • توضیح و تحلیل نظریه با استفاده از پایتون و شبیه سازی

در پایان این دوره خواهید دانست:

  • نحوه بیان احتمالی عدم قطعیت با استفاده از توزیع‌های احتمال

  • نحوه تبدیل سیستم های دیفرانسیل به نمایش فضای حالت

  • نحوه شبیه سازی و توصیف سیستم های پویا فضای حالت

  • نحوه استفاده از برآورد حداقل مربعات برای حل مشکلات تخمین

  • نحوه استفاده از فیلتر کالمن خطی برای حل مسائل برآورد بهینه

  • نحوه استخراج ماتریس های سیستم برای فیلتر کالمن به طور کلی برای هر مشکلی

  • نحوه تنظیم بهینه فیلتر کالمن خطی برای بهترین عملکرد

  • نحوه پیاده سازی فیلتر کالمن خطی در پایتون

این دوره برای چه کسانی است:

  • دانشجویان دانشگاه یا فراگیران مستقل.

  • مهندسین و دانشمندان شاغل.

  • متخصصان مهندسی که می‌خواهند تئوری ریاضی و مهارت‌های مربوط به Data Fusion و فیلتر کالمن را بیاموزند.

  • توسعه‌دهندگان نرم‌افزاری که می‌خواهند مفاهیم اساسی پشت ترکیب داده‌ها را برای کمک به پیاده‌سازی یا پشتیبانی از توسعه کد ترکیب داده‌ها درک کنند.

  • هر کسی که قبلاً به ریاضیات "در تئوری" مسلط است و می‌خواهد نحوه پیاده‌سازی تئوری را در کد یاد بگیرد.

پس منتظر چی هستی؟؟

فیلم آموزشی دوره و نمونه های رایگان را تماشا کنید تا بتوانید ایده ای از نحوه دوره دریافت کنید. اگر فکر می‌کنید این دوره به شما کمک می‌کند پس ثبت نام کنید، اگر این دوره برای شما مناسب نیست، تضمین بازگشت پول را تضمین می‌کند.

امیدوارم به زودی شما را در دوره ببینم!

استیو


سرفصل ها و درس ها

خوش آمدی Welcome

  • به دوره خوش آمدید Welcome to the Course

  • طرح کلی دوره Course Outline

  • راه اندازی پایتون Setting Up Python

معرفی Introduction

  • Data Fusion چیست؟ What is Data Fusion

  • سنسور فیوژن چگونه کار می کند How does Sensor Fusion Work

  • نقشه راه یادگیری Learning Roadmap

احتمال Probability

  • احتمال پایه Basic Probability

  • انحصار متقابل Mutual Exclusivity

  • احتمال شرطی Conditional Probability

  • قضیه بیز Bayes Theorem

  • متغیرهای تصادفی Random Variables

  • توابع چگالی احتمال Probability Density Functions

  • اپراتور انتظار Expectation Operator

  • ویژگی های آماری توزیع Distribution Statistical Properties

  • توزیع احتمال یکنواخت Uniform Probability Distribution

  • توزیع احتمال گاوسی Gaussian Probability Distribution

  • تبدیل خطی توزیع گاوسی Linear Transformation of Gaussian Distribution

  • متغیرهای تصادفی چندگانه Multiple Random Variables

  • آمار متغییر Mutltvariate Statistics

  • توزیع گاوسی چند متغیره Multivariate Gaussian Distribution

  • تبدیل خطی عدم قطعیت ها Linear Transformation of Uncertainities

  • نکات احتمالی و خلاصه Probability Notes and Summary

سیستم های دینامیکی Dynamic Systems

  • معادلات دیفرانسیل Differential Equations

  • نمایندگی فضایی ایالتی State Space Representation

  • معادلات دیفرانسیل و فضای حالت Differential Equations and State Space

  • زمان پیوسته و گسسته Continuous and Discrete Time

  • مدل های ریاضی سیستم های پویا Mathematical Models of Dynamic Systems

  • تبدیل پیوسته به مدل گسسته Continuous to Discrete Model Conversions

  • شبیه سازی مدل ها Simulation of Models

  • تمرین شبیه سازی پایتون Python Simulation Exercise

  • یادداشت ها و خلاصه سیستم پویا Dynamic System Notes and Summary

برآورد حداقل مربعات Least Squares Estimation

  • تخمین یک ثابت Estimation of a Constant

  • تخمین یک بردار ثابت Estimation of a Constant Vector

  • حداقل مربعات وزنی Weighted Least Squares

  • حداقل مربعات وزنی Weighted Least Squares

  • حداقل مربعات بازگشتی Recursive Least Squares

  • حداقل مربعات بازگشتی Recursive Least Squares

  • خلاصه برآورد حداقل مربعات Least Squares Estimation Summary

فیلتر کالمن خطی Linear Kalman Filter

  • فیلتر کالمن چیست؟ What is the Kalman Filter

  • انواع فیلتر کالمن Types of Kalman Filters

  • فیلتر کالمن خطی چگونه کار می کند؟ How Does the Linear Kalman Filter Work

  • بررسی اجمالی مشکل ردیاب 2 بعدی مثال 2D Tracker Example Problem Overview

  • مدل فرآیند ردیاب دوبعدی 2D Tracker Process Model

  • مرحله پیش بینی فیلتر کالمن Kalman Filter Prediction Step

  • مرحله پیش‌بینی ردیاب دوبعدی 2D Tracker Prediction Step

  • توضیح مرحله پیش بینی ردیاب دوبعدی 2D Tracker Prediction Step Explaination

  • مرحله به روز رسانی فیلتر کالمن Kalman Filter Update Step

  • مرحله به روز رسانی ردیاب دو بعدی 2D Tracker Update Step

  • توضیح مرحله به روز رسانی ردیاب دوبعدی 2D Tracker Update Step Explaination

  • شرایط اولیه ردیاب دوبعدی 2D Tracker Initial Conditions

  • توضیح شرایط اولیه ردیاب دوبعدی 2D Tracker Initial Condition Explaination

  • تنظیم فیلتر کالمن Kalman Filter Tuning

  • تنظیم فیلتر ردیاب دو بعدی 2D Tracker Filter Tuning

  • یادداشت های اجرایی Implementation Notes

  • یادداشت ها و خلاصه فیلتر کالمن خطی Linear Kalman Filter Notes and Summary

مثال آونگ Pendulum Example

  • مشکل تخمین آونگ Pendulum Estimation Problem

  • دینامیک سیستم و اندازه گیری System and Measurement Dynamics

  • پیاده سازی مدل فیلتر کالمن Kalman Filter Model Implementation

  • عملکرد و تنظیم فیلتر کالمن Kalman Filter Performance and Tuning

  • خلاصه Summary

مشورت Conculsion

  • خلاصه فیلتر کالمن Kalman Filter Summary

نمایش نظرات

آموزش ترکیب داده ها با فیلتر کالمن خطی
جزییات دوره
5.5 hours
58
Udemy (یودمی) Udemy (یودمی)
(آخرین آپدیت)
2,693
4.6 از 5
دارد
دارد
دارد
Steven Dumble
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Steven Dumble Steven Dumble

مهندس هوافضا، دکتری، معلم