Smart Antennas. Beamforming by Recursive Least Squares ALgorithm. Julio Santana
|
|
- Elvira Sara Macías Castro
- hace 5 años
- Vistas:
Transcripción
1 Departamento de Ingeniería Eléctrica Facultad de Ingeniría Universidad de Concepción Concepción, Chile. Smart Antennas Beamforming by Recursive Least Squares ALgorithm. Julio Santana 15 de diciembre de 2010
2 Resumen En el presente informe se muestra el desarrollo de las ecuaciones que permiten utilizar la técnica RLS(Recuersive Least Squares) para ajustar los coecientes de arreglos lineales con direcciones de arrivo que cambian en el tiempo. La ventaja de este método radica en que no es necesario calcular reiteradamente la matriz de correlación inversa, ahorrando en complejidad computacional. 1. Derivación del algoritmo Figura 1: a). Beamformer análogo. b) Fomardor de haz electrónico. Consideraremos que x(k) ˆ es un vector de señales que corresponden a una muestra de las N antenas en el instante de tiempo k, x(k) ˆ = {x 1, x 2,..., x N } la matriz de covarianza de la señal x(k) ˆ R xx = E (ˆxˆx H) (1) H denota un vector o matriz hermitiano. El vector de correlación de la señal de llegada con la señal deseada ˆr = E (dˆx) (2) Consideremos un bloque de muestras de señales del arreglo, señal pasada por una ventana de ancho K. La estimación de la esperanza de la matriz de covarianza la podemos aproximar a través de la suma de las muestras anteriores desde que el sistema parte hasta el instante presente k como y la estimación del vector de correlación como R xx (k) = ˆr(k) = k ˆx(i)ˆx(i) H (3) k d(i)ˆx(i) (4) Si ahora agregamos un factor que pondere con un mayor peso a la actualización y con un menor peso a los datos pasados entonces 1
3 R xx (k) = ˆr(k) = k α k iˆx(i)ˆx(i) H (5) k α k i d(i)ˆx(i) (6) donde α es el factor de ponderación de memoria, 0 α < 1. Si ahora separamos el termino de actualización de los pasados k 1 R xx (k) = α α k i 1ˆx(i)ˆx(i) H + ˆx(i)ˆx(i) H (7) = αr xx (k 1) + ˆx(k)ˆx(k) H ˆr (8) k 1 = α d(i)α k i 1ˆx(i) + d(k)ˆx(k) (9) = αˆr(k 1) + d(k)ˆx(k) (10) ahora los valores futuros pueden estimarse mediante los valores pasados. Si ahora utilizamos la formula de Sherman-Morrison-Woodbury (A + zz H ) = A 1 A 1 zz H A 1 (11) 1 + z H A 1 z y la aplicamos a la ecuación 8, con αr xx (k 1) = A si ahora denimos el vector de ganancia Rxx 1 (k) = α 1 Rxx 1 (k 1) + α 2 Rxx 1 (k 1)ˆx(k)ˆx H (k)rxx 1 (k 1) 1 + α 1ˆx H (k)rxx 1 (k 1)ˆx(k) ĝ(k) = ˆ g(k) α 1 R 1 xx (k 1)ˆx(k) 1 + α 1ˆx H (k)r 1 xx (k 1)ˆx(k) Así llegamos a la forma conocida como ecuación de Ricatti (12) (13) R 1 xx (k) = α 1 R 1 xx (k 1) α 1 ĝ(k)ˆx H (k)r 1 xx (k 1) (14) reordenamos la ecuacion 13 pasando el denominador a la izquierda y luego dejamos solo el un término con ĝ(k) a la derecha ĝ(k) = [ α 1 R 1 xx (k 1) α 1ˆx H (k)r 1 xx (k 1) ] ˆx(k) (15) Se puede notar que el término entre paréntesis en la ecuacion 15 es igual a la ecuación 14 por lo que podemos escribir ĝ(k) = R 1 xx ˆx (16) Ahora podemos derivar una relación de recursividad para actualizar el vector de ganancia, tal realción es directa al mirar las ecuaciones 15 y 16 Escribimos una ecuación de costos para hacer una relación que minimice el error medio cuadrático MSE entre la señal deseada y la recibida. Denimos el error como 2
4 y el error cuadrático lo podemos expresar como consideramos ahora la media del error Escribimos la ecuación de Wiener-Hopf ɛ(k) = d(k) w H (k)ˆx (17) ɛ(k) 2 = d(k) w H (k)ˆx 2 (18) = d(k) 2 2d(k)w H (k) + w H (k)ˆx(k)w (19) E ( ɛ 2) = E ( d 2) 2wˆr + w H R xx w (20) E ( ɛ 2) = 2R xx w 2r = 0 (21) que tiene como solución el vector de pesos que minimiza el error medio cuadrático, esta solución es conocida como solución óptima de Wiener Ahora que tenemos la solución óptima sustituimos la ecuación 10 en 22 w opt = R 1 xx ˆx (22) sustituimos 22 en la ecuación 24 w(k) = Rxx 1 (k 1)ˆr(k 1) ĝ(k)ˆx H (k)rxx 1 (k 1)ˆr(k 1) + Rxx 1 d(k)ˆx(k) (23) = w(k 1) ĝ(k)ˆx H w(k 1) + Rxx 1 (k)ˆx(k)d(k) (24) w(k) = w(k 1) ĝ(k)ˆx H w(k 1) + ĝ(k)d(k) (25) = w(k 1) + ĝ(k) [ d(k) ˆx H w(k 1) ] (26) 2. Implementación del algoritmo Para la implementación del algoritmo en un computador ocupamos las ecuaciones 8, 12 y 26 α R 1 xx (0) d(0) ˆx(k) := forgetting factor := Inverse covarianze matrix := Desired signal := Received signal for i:k { R xx (k) = αr xx (k 1) + ˆx(k)ˆx H (k) Rxx 1 (k) = α 1 Rxx 1 (k 1) + α 2 R 1 1+α 1 ˆx H (k)r 1 w(k) = w(k 1) + ĝ(k) [ d(k) ˆx H w(k 1) ] xx (k 1)ˆx(k)ˆxH (k)r 1 xx (k 1) xx (k 1)ˆx(k) } 3
5 Figura 2: Array factor para K=50, σ 2 n = 0,01, S.I= 40 o, I== 35 o. Análisis de precisión una señal de interferencia Figura 3: Array factor para K=50, σ 2 n = 0,01, S.I= 40 o, I== 50 o. Figura 4: Array factor para K=50, σ 2 n = 0,01, S.I= 40 o, I== 45 o dos interferencias 4
6 Figura 5: Array factor para K=50, σ 2 n = 0,01, S.I= 20 o, I1= 70 o, I2== 75 o. Figura 6: Array factor para K=50, σ 2 n = 0,01, S.I= 20 o, I1= 75 o, I2== 40 o - Figura 7: Array factor para K=50, σ 2 n = 0,01, S.I= 0 o, I1= 50 o, I2== 25 o, I3== 25 o, I4== 50 o. Figura 8: Array factor para K=50, σ 2 n = 0,01, S.I= 10 o, I1= 80 o, I2== 60 o, I3== 50 o, I4== 50 o. 5
7 Figura 9: Array factor para K=50, σ 2 n = 0,01, S.I= 10 o, I1= 85 o, I2== 60 o, I3== 40 o. Figura 10: Array factor para K=50, σ 2 n = 0,01, S.I= 10 o, I1= 85 o, I2== 60 o, I3== 40 o, I4== 85 o. Figura 11: Array factor para K=50, σ 2 n = 0,01, S.I= 10 o, I1= 85 o, I2== 40 o, I3== 40 o, I4== 85 o. Figura 12: Array factor para K=50, σ 2 n = 0,01, S.I= 60 o, I1= 50 o, I2== 60 o, I3== 80 o, I4== 10 o. 3. Conclusión EL algoritmo RLS presenta ventajas en comparación con el simple LS que calcula la solución óptima de Wiener para cada instante de tiempo, esto implica que el algoritmo debe calcular reiteradamente la matriz de correlación inversa. Este algoritmo usa información de cálculos anteriores para aproximar la solución óptima del vector de pesos w, así ponderamos la información actual con un factor de ganancia que está dado por la aproximación de la matriz de correlación inversa y los nuevos valores de señal que son usados de forma recursiva para realizar las sucesivas aproximaciones. Este algoritmo es por lo menos un orden de magnitud más rápido que el clásico LMS sin embargo puede tener problemas de estabilidad cuando este se implementa en hardware de aritmética de punto jo Según el análisis realizado se puede observar que el algoritmo cumple su objetivo y demuestra robustez cuando este tiene un número interferencias menor que la mitad de los elementos del arreglo. 6
8 El esquema de este algoritmo lo hace ideal para aplicaciones con señales de arribo e interferencia cambiantes espacialmente, ya que con pocos cálculos podemos utilizar información pasada para actualizar el nuevo vector de pesos. 4. Código matlab clc clear all close all K = 50; %numero de samples del arreglo alpha_1 = 0.9; sigma_1 = 0.2; d = 0.5; % separacion del arreglo N = 8; % cantidad de elementos del arreglo theta_signal = 12*pi/180; % angulo de la senal deseada theta_interf_1 = -40*pi/180; % angulo senal interferencia time = 1e-3; % tiempo de análisis t = (0:(K-1))*time/(K-1); % vector temporal signal_des = cos(2*pi*t/time);% sampleo sobre eun periodo interf = sin(pi*t/time); noise_matrix = randn(n,k)*sqrt(sigma_1); Rnn = noise_matrix*noise_matrix'/k; % vectores de direcciones dir_signal = []; dir_interf_1= []; :N; dir_signal = exp(1j*(i-1)*2*pi*d*sin(theta_signal)); dir_interf_1 = exp(1j*(i-1)*2*pi*d*sin(theta_interf_1)); % Algoritmo RLS x = dir_signal.'*signal_des + dir_interf_1.'*interf; % entrada de señales w = zeros(n,k); % pesos del arreglo Rxx = x(:,1)*x(:,1)'+ Rnn; % matriz de correlacion inicial Rinv = inv(rxx); % matriz de correlacion inversa beta = 1/alpha_1; for j=2:k Rxx = alpha_1*rxx+x(:,j)*x(:,j)'; Rinv= beta*rinv-beta^2*rinv*x(:,j)*x(:,j)'*rinv./(1+beta*x(:,j)'*rinv*x(:,j)); g = Rinv*x(:,j); w(:,j)=w(:,j-1)+g*[signal_des(j)-x(:,j)'*w(:,j-1)]; end for j=1:n figure(1) 7
9 plot(1:k,abs(w(j,:)),'k') hold on figure(2) plot(1:k,unwrap(angle(w(j,:))),'k') hold on end hold off ww=w(:,k); ww=ww/abs(ww(1)); theta = -pi/2:.01:pi/2; AF = zeros(1,length(theta)); % Calculo del factor del arreglo for i = 1:N AF = AF + conj(ww(i))*exp(j*(i-1)*2*pi*d*sin(theta)); end figure; plot(theta*180/pi,abs(af)/max(abs(af)),'k') xlabel('aoa (deg)') ylabel(' AF_n ') axis([ ]) set(gca,'xtick',[ ]) grid on Referencias [1] Frank B. Gross,Smart Antennas for Wireless Communications. 8
4.1 Introducción al filtrado adaptativo
41 Introducción al filtrado adaptativo El problema del filtrado Clases básicas de estimación Filtrado adaptativo Estructuras de filtrado lineal Algoritmos Criterios para la elección del filtro adaptativo
Más detalles4.5 Algoritmo RLS (Recursive Least Squares)
4.5 Algoritmo RLS (Recursive Least Squares) Método de mínimos cuadrados (LS) Ecuaciones normales Pseudoinversa Variantes del LS Algoritmo RLS (Recursive Least Squares) Introducción Cálculo recursivo de
Más detallesIdentificación n de SIStemas
Identificación n de SIStemas Métodos de Estimación n Recursivos ISIS J. C. Gómez Métodos de Identificación n Recursivos Mínimos Cuadrados Recursivos ara una estructura de modelo de regresión lineal y n
Más detallesPROPOSICIÓN Y SIMULACIÓN DE UN ALGORITMO ADAPTATIVO PARA SISTEMAS DE ANTENAS INTELIGENTES
Ingeniare. Revista chilena de ingeniería, vol. 5 Nº 3, 7, pp. 344-35 PROPOSICIÓN Y SIMULACIÓN DE UN ALGORITMO ADAPTATIVO PARA SISTEMAS DE ANTENAS INTELIGENTES PROPOSAL AND SIMULATION OF A ADAPTIVE ALGORITHMS
Más detallesAnálisis de Datos. Métodos de mínimos cuadrados. Profesor: Dr. Wilfrido Gómez Flores
Análisis de Datos Métodos de mínimos cuadrados Profesor: Dr. Wilfrido Gómez Flores 1 Introducción Recordemos que los clasificadores lineales se utilizan ampliamente debido a que son computacionalmente
Más detallesSeguimiento de los parámetros del modelo del tracto vocal
Algoritmos para el seguimiento de los parámetros del modelo de tracto vocal Monografía de Tratamiento Estadístico de Señales parias@fing.edu.uy Instituto de Ingeniería Eléctrica Facultad de Ingeniería
Más detallesCapítulo 2. Medidas Estadísticas Básicas Medidas estadísticas poblacionales
Capítulo 2 Medidas Estadísticas Básicas 2.1. Medidas estadísticas poblacionales Sea X una variable aleatoria con función de probabilidad p(x) si es discreta, o función de densidad f(x) si es continua.
Más detallesÁlgebra Lineal. Tema 12. Mínimos cuadrados II. Grado en Ingeniería Informática Doble Grado en Ingeniería Informática y Administración de Empresas
Álgebra Lineal Tema 2 Mínimos cuadrados II Grado en Ingeniería Informática Doble Grado en Ingeniería Informática y Administración de Empresas AUTORES: J S ALAS, A T ORRENTE Y EJS V ILLASEÑOR Índice general
Más detallesMétodos de factorización para resolver sistemas de ecuaciones lineales. 22 de agosto, 2012
Cálculo numérico Métodos de factorización para resolver sistemas de ecuaciones lineales 22 de agosto, 2012 1 Factorización LU Considera el siguiente ejemplo de factorización LU de una matriz en un sistema
Más detallesProgramación: Sistemas unitriangulares inferiores
Programación: Sistemas unitriangulares inferiores Objetivos. Programar en el lenguaje de MATLAB el método de la sustitución hacia adelante para resolver sistemas de ecuaciones lineales con matrices unitriangulares
Más detallesMétodo de Mínimos Cuadrados Recursivo
Control Avanzado Práctica 4 Método de Mínimos Cuadrados Recursivo José Gerardo Gomez Mendez Abril 27, 25 Resumen El presente trabajo presenta un sistema de un circuito RLC, donde se utiliza el método de
Más detallesCapítulo 4. Implementación en Matlab Consideraciones Iniciales Algoritmo LMS
Capítulo 4 Implementación en Matlab 4.1. Consideraciones Iniciales En este capitulo mostraremos el trabajo desarrollado en MATLAB y SIMULINK para simular y probar el desempeño de los algoritmos descritos
Más detallesLa transformada rápida de Fourier (FFT) y otros algoritmos para la implementación de la DFT
1 La transformada rápida de Fourier (FFT) y otros algoritmos para la implementación de la DFT Existen diversas formas de implementar la transformada discreta de Fourier (DFT). Para estudiar algunas de
Más detallesVariantes del LMS Algortimo LMA ( Least Mean Absolute ) Algoritmo LMS normalizado Algoritmo LMS regularizado Algoritmo LMS en frecuencia
4.4 Algoritmo LMS Introducción El algoritmo LMS Análisis de convergencia Variantes del LMS Algortimo LMA ( Least Mean Absolute ) Algoritmo LMS normalizado Algoritmo LMS regularizado Algoritmo LMS en frecuencia
Más detallesCapítulo 5: CONTROL INVERSO ADAPTATIVO
Capítulo 5: CONTROL INVERSO INTRODUCCIÓN 5.. INTRODUCCIÓN Un sistema de control inverso adaptativo se muestra en la Figura 5. Si el controlador fuese ideal, su función de transferencia sería: C( z) M (
Más detallesDoctorado en Tecnologías de las Comunicaciones - Procesado Digital de Señales en Comunicaciones (Curso 2003/04)
4.6 El filtro de Kalman Introducción Filtro de Kalman discreto Algoritmo: predicción + corrección Características probabilísticas El filtro de Kalman extendido Filtros de Partículas Conclusiones Introducción
Más detallesRESOLUCIÓN DE SISTEMAS NO LINEALES -- Método de Newton-Raphson
RESOLUCIÓN DE SISTEMAS NO LINEALES -- Método de Newton-Raphson. El método de Newton para la resolución de una ecuación f(x)=0. Sea f(x) una función continuamente diferenciable dos veces en el intervalo
Más detallesLa transformada rápida de Fourier (FFT) y otros algoritmos para la implementación de la DFT
1 La transformada rápida de Fourier (FFT) y otros algoritmos para la implementación de la DFT Existen diversas formas de implementar la transformada discreta de Fourier (DFT). Para estudiar algunas de
Más detallesIdentificación mediante el método de los mínimos cuadrados
Ingeniería de Control Identificación mediante el método de los mínimos cuadrados Daniel Rodríguez Ramírez Teodoro Alamo Cantarero Contextualización del tema Conocimientos relevantes aprendidos previamente:
Más detallesSíntesis de problemas con simetría esférica.
Síntesis de problemas con simetría esférica. 1. Ondas esféricas. Supongamos que tenemos la ecuación de ondas en d = 3 u tt = c u (1) y vamos a buscar soluciones que espacialmente, solo dependen de la variable
Más detalles1. Mínimos Cuadrados. 05-Mínimos Cuadrados.doc 1
. Mínimos Cuadrados. Mínimos Cuadrados.. Introducción 2.2. Método de Mínimos Cuadrados 2... Forma Recursiva: 4..2. Inclusión del Factor de Olvido. 5.3. Características Estadísticas de la Estimación 8..3.
Más detalles7. REGRESIÓN POR MÍNIMOS CUADRADOS: REGRESIÓN POLINOMIAL. Jorge Eduardo Ortiz Triviño
7. REGRESIÓN POR MÍNIMOS CUADRADOS: REGRESIÓN POLINOMIAL Jorge Eduardo Ortiz Triviño jeortizt@unal.edu.co http:/www.docentes.unal.edu.co/jeortizt/ Introducción Los datos frecuentemente son dados para valores
Más detallesINTRODUCCION- FILTRO DE WIENER
FILTRO LMS INTRODUCCION- FILTRO DE WIENER Es un sistema al que le llegan dos señales: x(n) y e(n). A los coeficientes del filtro se les llama w(n), que son los que multiplican a la entrada x(n) para obtener
Más detallesResolución de Ecuaciones No Lineales
Facultad de Ingeniería Industrial Universidad Nacional Mayor de San Marcos Métodos Computacionales Contenido 1 Introducción Introducción 2 Localización de Raíces Localización de Raíces 3 Métodos Iterativos
Más detallesPráctica 3. Nombre del curso: Teoría Moderna de la Detección y Estimación. Autores: Emilio Parrado Hernández
Práctica 3 Nombre del curso: Teoría Moderna de la Detección y Estimación Autores: Emilio Parrado Hernández Práctica 3: Cancelación de ruido mediante filtrado. Teoría Moderna de la Detección y la Estimación
Más detallesPráctico 5 Filtro de Kalman
Práctico 5 Filtro de Kalman Tratamiento Estadístico de Señales Pablo Musé, Ernesto López & Luís Di Martino {pmuse, elopez, dimartino}@fingeduuy Departamento de Procesamiento de Señales Instituto de Ingeniería
Más detallesCONTROL PREDICTIVO CON REDES NEURONALES COMO MODELO, UTILIZANDO EL METODO DE NEWTON-RAPHSON PARA LOGRAR LA MINIMIZACION DE LA FUNCION DE COSTO
Scientia et Technica Año XV, No 41, Mayo de 2009. Universidad Tecnológica de Pereira. ISSN 0122-1701 203 CONTROL PREDICTIVO CON REDES NEURONALES COMO MODELO, UTILIZANDO EL METODO DE NEWTON-RAPHSON PARA
Más detallesDIAGRAMAS DE ESTADO. Fernando di Sciascio (2016)
DIAGRAMAS DE ESTADO Fernando di Sciascio (2016) Diagramas de Estado Los Diagramas de Estado son una extensión de los diagramas de flujo señal y permiten describir gráficamente ecuaciones diferenciales
Más detallesLaboratorio 2 Probabilidad y Estadística con MATLAB GENERACIÓN DE VARIABLES ALEATORIAS Y SIMULACIÓN
Laboratorio 2 Probabilidad y Estadística con MATLAB GENERACIÓN DE VARIABLES ALEATORIAS Y SIMULACIÓN Introducción Muchos de los métodos de estadística computacional requieren la capacidad de generar variables
Más detallesFiltros de Wiener. Tratamiento Estadístico de Señales. Pablo Musé & Ernesto López
Filtros de Wiener Tratamiento Estadístico de Señales Pablo Musé & Ernesto López {pmuse,elopez}@fing.edu.uy Departamento de Procesamiento de Señales Instituto de Ingeniería Eléctrica Facultad de Ingeniería
Más detallesLos Diagramas de Estado son una extensión de los diagramas de flujo señal y permiten describir gráficamente ecuaciones diferenciales y de estado.
DIAGRAMAS DE ESTADO Diagramas de Estado Los Diagramas de Estado son una extensión de los diagramas de flujo señal y permiten describir gráficamente ecuaciones diferenciales y de estado. El diagrama de
Más detallesFiltrado Digital. Lectura 2: Estructuras Básicas de Filtros Digitales
Lectura 2: Estructuras Básicas de Filtros Digitales Filtros FIR sencillos Filtro de promedio móvil de 2 puntos (M=1 1er orden): Es el filtro FIR más simple. Note que H(z) tiene un cero en z=-1, y un polo
Más detallesJournal de Ciencia e Ingeniería, Vol.5, No.1, Agosto de 2013, pp Investigación - Ingeniería Electrónica
Journal de Ciencia e Ingeniería, Vol.5, No.1, Agosto de 2013, pp. 66-72 Investigación - Ingeniería Electrónica Análisis de los Métodos de Predicción de Arribo de Señales. Predicción Lineal y Descomposición
Más detalles1.1. Introducción Método de Identificación por Mínimos Cuadrados Forma Recursiva: Inclusión del Factor de Olvido.
. Mínimos Cuadrados. Mínimos Cuadrados.. Introducción 2.2. Método de Identificación por Mínimos Cuadrados 3.2.. Forma Recursiva: 6.2.2. Inclusión del Factor de Olvido. 0.3. Características Estadísticas
Más detallesGustavo Rodríguez Gómez. Agosto Dicembre 2011
Computación Científica Gustavo Rodríguez Gómez INAOE Agosto Dicembre 2011 1 / 44 Capítulo III Descomposición de Matrices 2 / 44 1 Descomposición de Matrices Notación Matrices Operaciones con Matrices 2
Más detallesBreve revisión de estabilidad de sistemas dinámicos
Breve revisión de estabilidad de sistemas dinámicos Estabilidad de Sistemas Eléctricos de Potencia Pablo Monzón Instituto de Ingeniería Eléctrica (IIE) Facultad de Ingeniería-Universidad de la República
Más detallesx^new = x^old + K(b new A new x^old )
El Filtro de Kalman: La idea fundamental del filtro de Kalman es la actualización La llegada de una nueva observación supone un cambio en la mejor estimación mínimo cuatrática del parámetro x Se desea
Más detallesTEMA VI 1. MÉTODO DE ELIMINACIÓN DE GAUSS Y GAUSS JORDAN PARA RESOLVER SISTEMAS DE ECUACIONES LINEALES.
TEMA VI 1. MÉTODO DE ELIMINACIÓN DE GAUSS Y GAUSS JORDAN PARA RESOLVER SISTEMAS DE ECUACIONES LINEALES. El método de Eliminación de Gauss consiste en transformar un sistema de ecuaciones lineales (S.E.L.)
Más detallesAsignatura : Análisis Numérico Grupo : ::Tarea 1::.
.::Tarea 1::. Ejercicios Teóricos 1. Convertir los siguientes Números Binarios en forma decimal. (a) 11111110 dos (b) 1000000111 dos (c) 0.1010101 dos (d) 0.110110110 dos (e) 1.0110101 dos (f) 11.00100100001
Más detallesANALISIS DE PROXIMIDADES
-1- ANALISIS DE PROXIMIDADES (MULTIDIMENSIONAL SCALING (MDS)) José Luis Vicente Villardón Departamento de Estadística Universidad de Salamanca -- MODELOS DE MDS INTRODUCCION El Multidimensional Scaling
Más detallesClase 10 Diseño Óptimo Variables de Estado.doc 1
. Diseño Óptimo en Variables de Estado. Diseño Óptimo en Variables de Estado.. Planteo del Problema... Criterio 3.. Regulador Lineal Óptimo (LQC) 5.3. Ecuación de Ricatti 9.4. Valor Medio de una Forma
Más detallesLaboratorio de Simulación
Trimestre 05-I Grupo CC-0A Andrés Cedillo (AT-50) Objetivos Plantear y resolver algunos problemas de ciencia e ingeniería utilizando capacidades numéricas, gráficas, simbólicas y de programación Integrar
Más detallesCALCULO NUMERICO (MB535) PRIMERA PRACTICA CALIFICADA (PARTE A)
UNIVERSIDAD NACIONAL DE INGENIERIA Ciclo :005- FACULTAD DE INGENIERIA MECANICA AREA ACADEMICA DE CIENCIAS BASICAS INDICACIONES CALCULO NUMERICO (MB535) PRIMERA PRACTICA CALIFICADA (PARTE A) 1. Resolver
Más detallesEstimación de Estados Observadores Reducidos o de Orden Mínimo. Fernando di Sciascio (2016)
Estimación de Estados Observadores Reducidos o de Orden Mínimo Fernando di Sciascio (206) Observadores reducidos o de orden mínimo o El vector de estado x(t) es de dimensión n y la salida y(t) es un escalar
Más detallesIntroducción. Distribución Gaussiana. Procesos Gaussianos. Eduardo Morales INAOE (INAOE) 1 / 47
Eduardo Morales INAOE (INAOE) 1 / 47 Contenido 1 2 3 (INAOE) 2 / 47 Normalmente, en los algoritmos de aprendizaje que hemos visto, dado un conjunto de ejemplos de entrenamiento se busca encontrar el mejor
Más detallesTema 3 Normalidad multivariante
Aurea Grané Máster en Estadística Universidade Pedagógica Aurea Grané Máster en Estadística Universidade Pedagógica Tema 3 Normalidad multivariante 3 Normalidad multivariante Distribuciones de probabilidad
Más detallesIDENTIFICACIÓN DE SISTEMAS ESTIMACIÓN ESTOCÁSTICA
IDENTIFICACIÓN DE SISTEMAS ESTIMACIÓN ESTOCÁSTICA Ing. Fredy Ruiz Ph.D. ruizf@javeriana.edu.co Maestría en Ingeniería Electrónica Pontificia Universidad Javeriana 2013 Problema de la estima θ(t): magnitud
Más detallesPlanificaciones Procesamiento de Señales I. Docente responsable: GIRIBET JUAN IGNACIO. 1 de 6
Planificaciones 8651 - Procesamiento de Señales I Docente responsable: GIRIBET JUAN IGNACIO 1 de 6 OBJETIVOS CONTENIDOS MÍNIMOS PROGRAMA SINTÉTICO 1. Diseño de filtros digitales. 4. Banco de filtros. 5.
Más detallesCALCULO NUMERICO REGLA DEL TRAPECIO. Considérese la función f(x), cuya gráfica entre los extremos X = a y X = b se muestra en la fig. 1.
REGLA DEL TRAPECIO La regla del trapecio o regla trapezoidal es una de las fórmulas cerradas de Newton-Cotes. Considérese la función f(x), cuya gráfica entre los extremos X = a y X = b se muestra en la
Más detallesClasificación Supervisada
Clasificación Supervisada Ricardo Fraiman 26 de abril de 2010 Resumen Reglas de Clasificación Resumen Reglas de Clasificación Descripción del problema Muestra de entrenamiento (X 1, Y 1 ),..., (X n, Y
Más detallesFuncionamiento algoritmo PSO
Marzo - 2017 Curso de computación Adapativa Agenda Funcionamiento Algoritmo Simulación en Matlab Resultados gráficos Parámetros del PSO Vector velocidad V i = (v i1, v i2,..., v in ) (1) Variable de estado
Más detallesMÉTODO DE DIFERENCIAS FINITAS (FDM)
MÉTODO DE DIFERENCIAS FINITAS (FDM) MÉTODO DE DIFERENCIAS FINITAS (FDM) Cambia ecuaciones diferenciales ecuaciones en diferencias finitas a Relaciona el valor de la variable dependiente en un punto a valores
Más detallesAlgoritmo de Karmarkar
Universidad de Chile Facultad de Ciencias Físicas y Matemáticas Departamento de Ingeniería Industrial IN70K: Clase Auxiliar Algoritmo de Karmarkar Marcel Goic F. 1 1 Esta es una versión bastante preliminar
Más detallesEJERCICIOS RESUELTOS Y PROPUESTOS
UNIVERSIDAD NACIONAL DE INGENIERÍA Facultad de Ingeniería Mecánica MT 227 Control Moderno y Óptimo EJERCICIOS RESUELTOS Y PROPUESTOS Estabilidad según Lyapunov (1) Un buen modelo de un niño impulsandose
Más detallesGuía 4: Introducción a tensores Martes 10 de abril de 2012 Tarea: 4d, 10, 13.
Departamento de Física Facultad de Ciencias Universidad de Chile Métodos de la Física Matemática I Profesor: Gonzalo Gutiérrez Ayudante: Dany López Guía 4: Introducción a tensores Martes de abril de 22
Más detallesTratamiento Estadístico de Señales Universidad de la República Facultad de Ingeniería. Monografía final: Filtro de Kalman para lápiz digitalizador
Tratamiento Estadístico de Señales Universidad de la República Facultad de Ingeniería Monografía final: Filtro de Kalman para lápiz digitalizador Mauro Andrés Di Leonardi Introducción y Motivación Las
Más detallesComputación G á r f á i f c i o c s s en e 2D
Computación 1-2008 - Gráficos en 2D Necesidades Visualizar tendencias, patrones, frecuencias, trayectorias o cambios que son difíciles de encontrar en un conjunto crudo de datos. Una imagen vale más que
Más detallesUna matriz es un arreglo rectangular de números. Los números en el arreglo se llaman elementos de la matriz. ) ( + ( ) ( )
MATRICES Una matriz es un arreglo rectangular de números. Los números en el arreglo se llaman elementos de la matriz. Ejemplo 1. Algunos ejemplos de matrices ( + ( ) ( + ( ) El tamaño o el orden de una
Más detallesRegresión lineal. Marcelo Rodríguez Ingeniero Estadístico - Magíster en Estadística
Regresión lineal Marcelo Rodríguez Ingeniero Estadístico - Magíster en Estadística Universidad Católica del Maule Facultad de Ciencias Básicas Pedagogía en Matemática Estadística I 01 de enero de 2012
Más detallesINTRODUCCIÓN A MATLAB. Laboratorio de Biofísica, U.T.P
Laboratorio 11 INTRODUCCIÓN A MATLAB Laboratorio de Biofísica, U.T.P 11.1 Objetivos Familiarizarse con el entorno de la herramienta MATLAB. Iniciación en la utilización de toolbox de procesado de señales
Más detallesCurso de Métodos Numéricos. Errores
Curso de Métodos Numéricos. Errores Curso: Métodos Numéricos en Ingeniería Profesor: Dr. José A. Otero Hernández Correo: j.a.otero@itesm.mx web: http://metodosnumericoscem.weebly.com Universidad: ITESM
Más detalles1.1) Escribir la solución de elementos nitos del problema. en (0, 1) u (0) = u (1) = 0. con el valor estimado por la fórmula del error.
Examen Extraordinario de Métodos Matemáticos de la Especialidad (Técnicas Energéticas). 7 de Junio de 16 1.1) Escribir la solución de elementos nitos del problema d u + du + u f en (, 1) u () u (1). (1)
Más detallesCurso de Métodos Numéricos. Errores
Curso de Métodos Numéricos. Errores Curso: Métodos Numéricos en Ingeniería Profesor: Dr. José A. Otero Hernández Correo: j.a.otero@itesm.mx web: http://metodosnumericoscem.weebly.com Universidad: ITESM
Más detallesMétodos Numéricos: aproximación y error
Métodos Numéricos: aproximación y error Eduardo P. Serrano Versión previa Feb 0. Problemas y métodos numéricos Un problema numérico es aquel cuya solución es un número finito de números reales. Ej: - Ecuaciones
Más detallesPRÓLOGO PREFACIO... 21
ÍNDICE PRÓLOGO... 17 PREFACIO... 21 CAPÍTULO 1. ENTORNO ACTUAL Y PERSPECTIVAS... 27 1.1 ORGANIZACIÓN DE UN SISTEMA ROBÓTICO... 29 1.2 ENTORNOS MATLAB Y SIMULINK... 31 1.3 TENDENCIAS EN ROBÓTICA Y MECATRÓNICA...
Más detallesFiltro de Partículas Luca Martino Juan Santaella Vallejo Tratamiento Digital de Señales Master Interuniversitario en Comunicaciones y Multimedia
Filtro de Partículas Luca Martino Juan Santaella Vallejo Tratamiento Digital de Señales Master Interuniversitario en Comunicaciones y Multimedia luca@tsc.uc3m.es jsantaella@gmail.com INDICE 1. Introducción...3
Más detalles6.- REALIZACIÓN DE SISTEMAS EN TIEMPO DISCRETO.
6.- REALIZACIÓN DE SISTEMAS EN TIEMPO DISCRETO. 6..- INTRODUCCIÓN. Los sistemas digitales que hemos analizado responden a una función de transferencia dada por: H ( z) M = = N + Dado que la suma de convolución
Más detallesSistema de Ecuaciones Lineales - Métodos Iterativos -
Sistema de Ecuaciones Lineales - Métodos Iterativos - Contenido Métodos Iterativos Método de Jacobi Método de Gauss-Seidel Fórmulas Recursivas Métodos Iterativos Los métodos iterativos son aquellos que
Más detallesTarea 1 INSTRUCCIONES TAREA 1
Universidad de Los Andes Facultad de Ingeniería y Ciencias Aplicadas Tarea 1 Cálculo Numérico Profesores: Takeshi Asahi, Semestre 2016-01 Miguel Carrasco INSTRUCCIONES TAREA 1 1 ) Esta tarea vale por un
Más detallesTema 1 Preliminares. 1. Introducción. 2. Teoremas básicos. 3. Errores. 3.1 Fuentes usuales de error 3.2 Representación de números 3.
Tema 1 Preliminares Índice 1. Introducción. Teoremas básicos 3. Errores 3.1 Fuentes usuales de error 3. Representación de números 3.3 Tipos de errores 4. Propagación del error 5. Condicionamiento y Estabilidad
Más detallesPRÁCTICA No. 2 FORMA POLAR Y EXPONENCIAL DE UN NÚMERO COMPLEJO. Otra forma de expresar un número complejo es la forma polar o forma módulo-argumento,
PRÁCTICA No. 2 FORMA POLAR Y EXPONENCIAL DE UN NÚMERO COMPLEJO OBJETIVO EDUCACIONAL El alumno obtendrá, a través de Octave (o MatLab), la magnitud y al argumento de un número complejo a fin de establecer,
Más detalles1: EL CONCEPTO DE CONTROL INVERSO ADAPTATIVO
Capítulo 1: EL CONCEPTO DE CONTROL INVERSO ADAPTATIVO INTRODUCCIÓN 1.1. INTRODUCCIÓN Las técnicas de filtrado adaptativo han sido aplicadas con éxito a los sistemas de antenas adaptativas, a problemas
Más detalles4 IDENTIFICACIÓN DE MODELOS LINEALES DE LA PLANTA SOLAR
4 IDENTIFICACIÓN DE MODELOS LINEALES DE LA PLANTA SOLAR Los sistemas de E/S quedan determinados por su función de transferencia, que puede expresarse como una función temporal (respuesta impulsional) o
Más detallesAnálisis de Sensibilidad de los Resultados
Pontificia Universidad Católica Escuela de Ingeniería Departamento de Ingeniería Industrial y de Sistemas Clase 22 Análisis de Sensibilidad de los Resultados ICS 02 Optimización Profesor : Claudio Seebach
Más detallesSoluciones Numéricas de Modelos Matemáticos
Cuarta Sesión 9 de febrero de 2011 Contenido Aproximación Numérica 1 Aproximación Numérica 2 3 4 Algunos Métodos Sencillos para EDPs Aproximación numérica a una función por Series de Taylor Serie de Taylor:
Más detallesSISTEMA DE ECUACIONES LINEALES Y NO LINEALES
TEMA N o SISTEMA DE ECUACIONES LINEALES Y NO LINEALES SISTEMA DE ECUACIONES LINEALES Los metodos de resolucion de sistemas de ecuaciones lineales se dividen en dos grupos: a) MÉTODOS EXACTOS. Son algoritmos
Más detallesInterpolación Numérica
Interpolación Numérica Contenido Interpolación Numérica Polinomio Único de Interpolación Polinomio de Interpolación de Lagrange (Método de Ordenadas) Método de Newton (Interpolación Polinomial forma de
Más detallesUNIVERSIDAD DE SONORA
UNIVERSIDAD DE SONORA INTERFERENCIA INTERSIMBÓLICA Responsable: Dra. Milka del Carmen Acosta Enríquez Colaboradores: Dra. María Elena Zayas S. Dr. Santos Jesús Castillo Debido a la distorsión lineal que
Más detallesTópicos sobre modelos DSGE en Dynare
Tópicos sobre modelos DSGE en Dynare Modelos RBC Carlos Rojas Quiroz www.carlos-rojas-quiroz.weebly.com 11 de noviembre de 2017 Carlos Rojas Quiroz Clase 2 11 de noviembre de 2017 1 / 33 Contenido 1 Solución
Más detallesMétodos Numéricos. Grado en Ingeniería en Informática Tema 4. Análisis Numérico Matricial I
Métodos Numéricos. Grado en Ingeniería en Informática Tema 4. Análisis Numérico Matricial I Luis Alvarez León Univ. de Las Palmas de G.C. Luis Alvarez León () Métodos Numéricos Univ. de Las Palmas de G.C.
Más detallesEstadística para la Economía y la Gestión IN 3401 Clase 5
Estadística para la Economía y la Gestión IN 3401 Clase 5 Problemas con los Datos 9 de junio de 2010 1 Multicolinealidad Multicolinealidad Exacta y Multicolinealidad Aproximada Detección de Multicolinealidad
Más detallesActualización de datos: En la resolución de un problema, responder a la pregunta:
1 Actualización de datos: En la resolución de un problema, responder a la pregunta: En qué situación estamos? o bien Con qué contamos ahora? nos ayuda a actualizar la situación problemática. Como una situación
Más detallesComenzando a usar MatLab:
Universidad Simón Bolívar Núcleo del Litoral Departamento de Tecnología Industrial TI-2284. Laboratorio de Sistemas de Control PRACTICA 1. INTRODUCCION A MATLAB Introducción: MatLab es una herramienta
Más detallesc) Sea la matriz U ortogonal: U ortogonal U U T = I
3. Propiedades de las matrices de rotación. Las matrices de rotación tienen la propiedad de ser ortogonales. (a) Comprobar que si U y V son ortogonales, su producto UV también lo es. (b) Comprobar que
Más detallesPráctica 4 CONVERSIÓN ENTRE LAS DIFERENTES REPRESENTACIONES DE LOS MODELOS LABORATORIO DE MODELADO DE SISTEMAS
Práctica 4 CONVERSIÓN ENTRE LAS DIFERENTES REPRESENTACIONES DE LOS MODELOS LABORATORIO DE MODELADO DE SISTEMAS 13 de marzo de 017 Autor: Rubén Velázquez Cuevas Práctica 4 CONVERSIÓN ENTRE LAS DIFERENTES
Más detallesTeorema de la Función Inversa (sistema f i : R n R) f 1 : U R. f n : U R
Funciones de R n en R m 1 Teorema de la Función Inversa (sistema f i : R n R) Teorema 1. Sea U R n un abierto y sean f 1 : U R. f n : U R con derivadas parciales continuas. Considerar las ecuaciones f
Más detallesRegresión Simple. Leticia Gracia Medrano. 2 de agosto del 2012
Regresión Simple Leticia Gracia Medrano. lety@sigma.iimas.unam.mx 2 de agosto del 2012 La ecuación de la recta Ecuación General de la recta Ax + By + C = 0 Cuando se conoce la ordenada al origen y su pendiente
Más detallesMétodo de diferencias finitas para ecuaciones diferenciales parciales elípticas. (Parte II)
Método de diferencias finitas para ecuaciones diferenciales parciales elípticas (Parte II) Métodos numéricos para sistemas lineales Solución numérica de EDPs requiere resolver sistemas de ecuaciones lineales
Más detallesMEDIDAS. Error accidental. Error Sistemático. Cantidad de la magnitud A. Número, MEDIDA. Cantidad de la magnitud A tomada como referencia.
MEDIDAS Cantidad de la magnitud A Número, MEDIDA Cantidad de la magnitud A tomada como referencia. UNIDAD Las mediciones no son perfectas. Llevan asociadas un determinado error, una incertidumbre. Los
Más detallesMUSIC ALGORITHM SIMULATION FOR UNIFORM LINEAR ARRAY OF SMARTS ANTENNAS
ISSN: 9-757 - Volumen - Número - Año Recibido: de julio de 9 Aceptado: 5 de septiembre de 9 MUSIC ALGORITHM SIMULATION FOR UNIFORM LINEAR ARRAY OF SMARTS ANTENNAS SIMULACION DEL ALGORITMO MUSIC PARA UN
Más detallesSistema de ecuaciones algebraicas. Eliminación de Gauss.
Sistema de ecuaciones algebraicas. Eliminación de Gauss. Curso: Métodos Numéricos en Ingeniería Profesor: Dr. José A. Otero Hernández Correo: j.a.otero@itesm.mx web: http://metodosnumericoscem.weebly.com
Más detallesOptimización en Ingeniería
Optimización en Ingeniería Departamento de Computación CINVESTAV-IPN Av. IPN No. 2508 Col. San Pedro Zacatenco México, D.F. 07300 email: ccoello@cs.cinvestav.mx El Método de Marquardt Algoritmo Paso 1:
Más detallesESTIMACIÓN Estas transparencias contienen material adaptado del curso de PATTERN RECOGNITION AND MACHINE LEARNING de Heikki Huttunen y del libro Duda.
ESTIMACIÓN Estas transparencias contienen material adaptado del curso de PATTERN RECOGNITION AND MACHINE LEARNING de Heikki Huttunen y del libro Duda. APRENDIZAJE AUTOMÁTICO, ESTIMACIÓN Y DETECCIÓN Introducción
Más detallesTema 6: Sistemas de navegación integrados. El filtro de Kalman.
Navegación Aérea Tema 6: Sistemas de navegación integrados. El filtro de Kalman. Fusión de sensores. Ejemplo: el canal vertical. INS-GPS Fusión de sensores. Una aeronave actual dispone de una gran diversidad
Más detallesDIAGRAMAS DE ESTADO. Fernando di Sciascio (2017)
DIAGRAMAS DE ESTADO Fernando di Sciascio (2017) Diagramas de Estado Los Diagramas de Estado son una extensión de los diagramas de flujo señal y permiten describir gráficamente ecuaciones diferenciales
Más detallesFormato para Prácticas de Laboratorio
PROGRAMA EDUCATIVO PLAN DE ESTUDIO CLAVE DE UNIDAD DE APRENDIZAJE NOMBRE DE LA UNIDAD DE APRENDIZAJE Ing. en Electrónica 2009-2 11682 Señales y Sistemas PRÁCTICA No. 1 LABORATORIO DE NOMBRE DE LA PRÁCTICA
Más detallesTema 8. Fundamentos de Análisis discriminante
Máster en Técnicas Estadísticas Análisis Multivariante. Año 2008 2009. Profesor: César Sánchez Sellero. Tema 8. Fundamentos de Análisis discriminante 8.1. Introducción. Empezamos deniendo el problema discriminante.
Más detallesAyudantía 12. b) La densidad de cargas en la interfaz de los materiales. (Desprecie efectos de borde). Figura 1:
Pontificia Universidad Católica de Chile Facultad de Física FIS1533 - Electricidad y Magnetismo Profesor: Máximo Bañados Ayudante: Alonso Ruiz (airuiz@uc.cl) Problema 1 Ayudantía 12 Considere 2 placas
Más detalles