آموزش دوره جامع فیلتر کالمن (و تخمین وضعیت) - آخرین آپدیت

هدف از فیلتر کالمن چیست؟ What is the purpose of a Kalman filter?

• 1.1.1: خوش‌آمدگویی به دوره! 1.1.1: Welcome to the course!

• 1.1.2: مفاهیم کلیدی فیلتر کالمن کدامند؟ 1.1.2: What are some key Kalman-filter concepts?

• 1.1.3: بررسی یک مثال از فیلتر کالمن در سطح کلی 1.1.3: Working through a Kalman-filter example at a high level

• 1.1.4: نقشه راه دوره و جایگاه آن در تخصص 1.1.4: Roadmap to this course; context within the specialization

• 1.1.5: کاربردهای فیلتر کالمن در دنیای واقعی چیست؟ 1.1.5: What are some applications that use Kalman filters?

• 1.1.6: جمع‌بندی بخش هدف فیلتر کالمن و گام‌های بعدی 1.1.6: Summary of "What is the Purpose of a Kalman Filter?" module plus next steps

در مورد مدل‌های فضای حالت چه چیزهایی باید بدانم؟ What do I need to know about state-space models?

• 1.2.1: مدل فضای حالت چیست و چرا باید آن را بشناسم؟ 1.2.1: What is a state-space model and why do I need to know about them?

• 1.2.2: مثال‌هایی از مدل‌های فضای حالت زمان-پیوسته در کاربردهای ردیابی 1.2.2: Example continuous-time state-space models used for tracking applications

• 1.2.3: درک پاسخ حوزه زمان در یک مدل فضای حالت 1.2.3: Understanding the time-domain response of a state-space model

• 1.2.4: نمایش تصویری پاسخ حوزه زمان 1.2.4: Illustrating the time-domain response

• 1.2.5: تبدیل مدل‌های فضای حالت زمان-پیوسته به زمان-گسسته 1.2.5: Converting continuous-time state-space models to discrete-time

• 1.2.6: چگونه یک مدل فضای حالت زمان-گسسته را شبیه‌سازی کنم؟ 1.2.6: How do I simulate a discrete-time state-space model?

• 1.2.7: آیا تخمین وضعیت این مدل توسط فیلتر کالمن امکان‌پذیر است؟ 1.2.7: Is it even possible for a Kalman filter to estimate this model's state?

• 1.2.8: جمع‌بندی بخش مدل‌های فضای حالت و گام‌های بعدی 1.2.8: Summary of "What do I need to know about state-space models?" module plus next steps

در مورد متغیرهای تصادفی چه چیزهایی باید بدانم؟ What do I need to know about random variables?

• 1.3.1: درک عدم قطعیت از طریق میانگین و کوواریانس 1.3.1: Understanding uncertainty via mean and covariance

• 1.3.2: درک عدم قطعیت مشترک دو کمیت ناشناخته 1.3.2: Understanding joint uncertainty of two unknown quantities

• 1.3.3: درک کمیت‌های نامعین متغیر با زمان 1.3.3: Understanding time-varying uncertain quantities

• 1.3.4: شبیه‌سازی بردارهای تصادفی گاوسی همبسته 1.3.4: Simulating correlated Gaussian random vectors

• 1.3.5: سیستم‌های دینامیکی زمان-گسسته با ورودی‌های تصادفی 1.3.5: Discrete-time dynamic systems having random inputs

• 1.3.6: سیستم‌های دینامیکی زمان-پیوسته با ورودی‌های تصادفی 1.3.6: Continuous-time dynamic systems having random inputs

• 1.3.7: رابطه دقیق SigmaW و Sw؛ یک ترفند کاربردی (و رابطه SigmaV و Sv) 1.3.7: Relating SigmaW to Sw precisely; a little trick (also, relating SigmaV to Sv)

• 1.3.8: جمع‌بندی بخش متغیرهای تصادفی و گام‌های بعدی 1.3.8: Summary of "What do I need to know about random variables?" module plus next steps

کاربرد فیلتر کالمن در تخمین وضعیت State-estimation application of a Kalman filter

• 1.4.1: مراحل فیلتر کالمن خطی چیست؟ 1.4.1: What are the linear Kalman-filter steps?

• 1.4.2: آماده‌سازی مدل برای استفاده در فیلتر کالمن خطی 1.4.2: Preparing a model for use with the linear Kalman filter

• 1.4.3: نحوه پیاده‌سازی مراحل فیلتر کالمن در Octave 1.4.3: How do I implement the Kalman-filter steps in Octave?

• 1.4.4: مثال‌های بیشتر از فیلتر کالمن برای تخمین وضعیت سیستم خطی 1.4.4: More Kalman-filter examples for state estimation of a linear system

• 1.4.5: چه عواملی باعث شکست فیلتر کالمن می‌شود؟ 1.4.5: What can cause a Kalman filter to fail?

• 1.4.6: جمع‌بندی بخش کاربرد تخمین وضعیت و گام‌های بعدی 1.4.6: Summary of "State-estimation application of a Kalman filter" module plus next steps