لطفا جهت اطلاع از آخرین دوره ها و اخبار سایت در
کانال تلگرام
عضو شوید.
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
نمایش نظرات