Estimation et prévision linéaires

Dans cours

Description

Cette séance de cours couvre les principes de l'estimation linéaire et de la prédiction dans le traitement du signal, en se concentrant sur la recherche du signal dans les signaux bruités, la construction de filtres linéaires, la minimisation de l'erreur quadratique moyenne et l'obtention d'un filtrage optimal à l'aide de filtres Wiener. Il traite également des équations de Wiener-Hopf, de l'orthogonalité et de l'interprétation géométrique des estimations linéaires. La séance de cours explore le filtrage et la prédiction de Wiener, l'utilisation de filtres unipolaires et les équations de Wiener-Hopf pour le bruit blanc. En outre, il se penche sur la minimisation de l'erreur quadratique, les filtres de Kalman pour les systèmes dynamiques, et l'importance des fonctions d'auto / inter-corrélation dans la prédiction linéaire optimale.

Connectez-vous pour regarder la vidéo

Enseignants (2)

Source officielle

https://mediaspace.epfl.ch/media/0_gx1v5evz

À propos de ce résultat

Cette page est générée automatiquement et peut contenir des informations qui ne sont pas correctes, complètes, à jour ou pertinentes par rapport à votre recherche. Il en va de même pour toutes les autres pages de ce site. Veillez à vérifier les informations auprès des sources officielles de l'EPFL.

Séances de cours associées (37)

Concepts associés (32)

Filtre de Kalman

vignette| Concept de base du filtre de Kalman. En statistique et en théorie du contrôle, le filtre de Kalman est un filtre à réponse impulsionnelle infinie qui estime les états d'un système dynamique à partir d'une série de mesures incomplètes ou bruitées. Le filtre a été nommé d'après le mathématicien et informaticien américain d'origine hongroise Rudolf Kálmán. Le filtre de Kalman est utilisé dans une large gamme de domaines technologiques (radar, vision électronique, communication...).

Filtre particulaire

Les filtres particulaires, aussi connus sous le nom de méthodes de Monte-Carlo séquentielles, sont des techniques sophistiquées d'estimation de modèles fondées sur la simulation. Les filtres particulaires sont généralement utilisés pour estimer des réseaux bayésiens et constituent des méthodes 'en-ligne' analogues aux méthodes de Monte-Carlo par chaînes de Markov qui elles sont des méthodes 'hors-ligne' (donc a posteriori) et souvent similaires aux méthodes d'échantillonnage préférentiel.

Nonlinear filter

In signal processing, a nonlinear (or non-linear) filter is a filter whose output is not a linear function of its input. That is, if the filter outputs signals R and S for two input signals r and s separately, but does not always output αR + βS when the input is a linear combination αr + βs. Both continuous-domain and discrete-domain filters may be nonlinear. A simple example of the former would be an electrical device whose output voltage R(t) at any moment is the square of the input voltage r(t); or which is the input clipped to a fixed range [a,b], namely R(t) = max(a, min(b, r(t))).

Filtre de Kalman d'ensemble

Le filtre de Kalman d'ensemble (EnKF) est une variante du filtre de Kalman plus adaptée aux problèmes de très grande dimension comme les modèles géophysiques. Il a fait son apparition en 1994 dans un article de Geir Evensen. L'idée du filtre de Kalman d'ensemble est de représenter la loi recherchée par un échantillon de la variable d'état, et par suite la matrice de covariance du filtre de Kalman devient une matrice de covariance échantillonnée.

Racine de l'erreur quadratique moyenne

La racine de l'erreur quadratique moyenne (REQM) ou racine de l'écart quadratique moyen (en anglais, root-mean-square error ou RMSE, et root-mean-square deviation ou RMSD) est une mesure fréquemment utilisée des différences entre les valeurs (valeurs d'échantillon ou de population) prédites par un modèle ou estimateur et les valeurs observées (ou vraies valeurs). La REQM représente la racine carrée du deuxième moment d'échantillonnage des différences entre les valeurs prédites et les valeurs observées.