PL
 |
EN
Preferencje help
Polish version English version Język
Widoczny [Schowaj] Abstrakt
Liczba wyników

Znaleziono wyników: 5

Liczba wyników na stronie
first rewind previous Strona / 1 next fast forward last
Wyniki wyszukiwania
Wyszukiwano:
w słowach kluczowych:  Kalman Filter
help Sortuj według:

help Ogranicz wyniki do:
first rewind previous Strona / 1 next fast forward last
1
Content available Simulation of foundation fieldbus Manchester coded 31.25 kbps H1 bus using MATLAB and Simulink
Abotaleb Mostafa, Mindykowski Janusz, Dudojć Bolesław, Maśnicki Romuald
Scientific Journal of Gdynia Maritime University
|
2022
|
nr 123
18--31
EN
The purpose of this article is to provide an understanding of possible techniques through which a H1 31.25 kbps Foundation Fieldbus Manchester coded signal can be modulated or demodulated. This understanding will be rendered through MATLAB and SIMULINK models, simulating both ideal and practical as well as noiseless and noisy conditions during the modulation/demodulation process. The simulation models will differentiate between the modulation methods adopted to generate ideal rectangular as well as practical trapezoidal waveforms for the Manchester coded signal. The analysis of the simulation results will describe the mechanisms through which distortion induced by additive white Gaussian noise can be eliminated during the demodulation process either by using recursive filters, such as a Kalman filter, or by calculating wave energy levels in specific time intervals.
2
Content available Porównanie metod estymacji stanu systemów dynamicznych
Michalski J., Kozierski P., Ziętkiewicz J.
Pomiary Automatyka Robotyka
|
2017
|
R. 21, nr 4
41--47
PL
W pracy poruszono problem estymacji stanu dla układów dynamicznych oraz przedstawiono wybrane jego rozwiązania. Zaproponowano cztery metody estymacji: rozszerzony filtr Kalmana, bezśladowy filtr Kalmana, filtr cząsteczkowy oraz filtr Kalmana, stosowany dla obiektów liniowych. Metody te zastosowano dla trzech obiektów nieliniowych oraz dla dwóch obiektów liniowych (systemy jedno- i wielowymiarowe). Wszystkie obiekty zostały opisane za pomocą równań stanu. Przedstawiono także trzy różne wskaźniki jakości, reprezentujące błędy względne oraz bezwzględne, a także porównano ich działanie dla różnego typu obiektów. W wyniku przeprowadzonych symulacji stwierdzono, że najlepszą jakość estymacji zapewnia filtr cząsteczkowy, ale jednocześnie ta metoda jest najwolniejsza.
EN
In this paper the problem of state estimation of dynamical systems has been discussed and selected solutions have been presented. Four methods of state estimation have been proposed: Extended Kalman Filter, Unscented Kalman Filter, Particle Filter and Kalman Filter for a linear system. These methods have been applied to three nonlinear objects and to two linear objects (one- and multivariable systems). All plants have been described using state equations. Three quality indices has been used, which present relative and absolute errors. They were compared for different objects. As a result of the simulation, it was found that the best estimation quality is provided by the particle filter, but this method is also the slowest.
3
Content available Estimation of UAV Position with Use of Smoothing Algorithms
Kaniewski P., Gil R., Konatowski S.
Metrology and Measurement Systems
|
2017
|
Vol. 24, nr 1
127--142
EN
The paper presents methods of on-line and off-line estimation of UAV position on the basis of measurements from its integrated navigation system. The navigation system installed on board UAV contains an INS and a GNSS receiver. The UAV position, as well as its velocity and orientation are estimated with the use of smoothing algorithms. For off-line estimation, a fixed-interval smoothing algorithm has been applied. On-line estimation has been accomplished with the use of a fixed-lag smoothing algorithm. The paper includes chosen results of simulations demonstrating improvements of accuracy of UAV position estimation with the use of smoothing algorithms in comparison with the use of a Kalman filter.
4
Content available Wyznaczanie trajektorii ruchu przy pomocy kubicznego filtru Kalmana
Malinowski M.
Autobusy : technika, eksploatacja, systemy transportowe
|
2017
|
R. 18, nr 12
1114--1121, CD
PL
Wyznaczanie trajektorii ruchu to główne zadanie różnych systemów nawigacyjnych, gdzie do przetwarzania sygnałów najczęściej wykorzystuje się filtr Kalmana. Na dobór algorytmu filtracji Kalmana wpływa oczekiwana dokładność oraz strategia realizacji pomiarów przez systemy nawigacyjne. W oparciu o dwa eksperymenty symulacyjne wykonano analizę metod filtracji Kalmana oraz powiązanych z nimi algorytmów wygładzających stosowanych w systemach nawigacyjnych. W badaniach zastosowano filtr EKF (Extended Kalman Filter) wymagający aproksymacji przy użyciu pochodnych cząstkowych pierwszego i drugiego rzędu oraz filtr CKF (Cubature Kalman Filter) i filtr UKF (Unscented Kalman Filter), które pozbawione są tego wymogu. Dla każdej metody filtracji zastosowano odpowiednio algorytmy wygładzające EKS (Extended Kalman Smoother), CKF (Cubature Kalman Smoother) i UKS (Unscented Kalman Smoother).
EN
Trajectory determination is the main task of various navigation systems where the Kalman filter is often applied as a signal processing tool. The expected accuracy and measuring strategy of navigation systems has impact on the choice of the Kalman filtering algorithm. The paper presents the analysis of Kalman filtration methods and associated smoothers based on two simulations. EKF (Extended Kalman Filter) filter based on approximation with (jacobians) first and (hessians) second order partial derivations and derivative-free filters such as CKF (Cubature Kalman Filter) and UKF (Unscented Kalman Filter) were implemented for comparison. Each method of filtration is paired with appropriate EKS (Extended Kalman Smoother), CKS (Cubature Kalman Smoother) or UKS (Unscented Kalman Smoother).
5
Metody korekcji kątów obrotu Heading, Pitch, Roll z użyciem bezzałogowego statku powietrznego
Wierzbicki D., Krasuski K.
Modelowanie Inżynierskie
|
2016
|
T. 27, nr 58
132--138
PL
W pracy przedstawiono rezultaty korekcji kątów HPR (Heading, Pitch i Roll) z użyciem filtracji Kalmana, metody wielomianowej oraz metody trygonometrycznej. Eksperyment badawczy przeprowadzono z użyciem surowych wartości kątów Heading, Pitch i Roll, zarejestrowanych przez urządzenie Trimble UX-5. W artykule przedstawiono algorytmy korekcji kątów HPR oraz opisano konfigurację parametrów wejściowych dla każdej metody badawczej. Kod źródłowy programu i obliczenia numeryczne zostały wykonane w edytorze Scilab 5.4.1.
EN
In the paper, results of correction Heading, Pitch and Roll angles with using Kalman filtering method, polynomial method and trigonometric method were presented. The research test was realized using the raw data of Heading, Pitch and Roll angles, which are register by Trimble UX-5 platform. In the paper, algorithms of correction Heading, Pitch and Roll angles were presented and configuration of initial parameters in each research method was described. The source code of program and numerical computations were executed in Scilab 5.4.1 software.
first rewind previous Strona / 1 next fast forward last
JavaScript jest wyłączony w Twojej przeglądarce internetowej. Włącz go, a następnie odśwież stronę, aby móc w pełni z niej korzystać.