Perguntas com a marcação «state-space»

Estou tentando implementar um filtro IIR de 8ª ordem e todas as anotações e livros didáticos que li dizem que é melhor implementar qualquer filtro de ordem superior a 2 como seções de segunda ordem. Eu usei tf2sosno MATLAB para obter os coeficientes para seções de segunda ordem, o que …

20 filters  filter-design  infinite-impulse-response  biquad  audio  image-processing  distance-metrics  algorithms  interpolation  audio  hardware  performance  sampling  computer-vision  dsp-core  music  frequency-spectrum  matlab  power-spectral-density  filter-design  ica  source-separation  fourier-transform  fourier-transform  sampling  bandpass  audio  algorithms  edge-detection  filters  computer-vision  stereo-vision  filters  finite-impulse-response  infinite-impulse-response  image-processing  blur  impulse-response  state-space  linear-systems  dft  floating-point  software-implementation  oscillator  matched-filter  digital-communications  digital-communications  deconvolution  continuous-signals  discrete-signals  transfer-function  image-processing  computer-vision  3d 

Meu sistema é o seguinte. Eu uso a câmera de um dispositivo móvel para rastrear um objeto. Nesse rastreamento, recebo quatro pontos 3D que projeto na tela, para obter quatro pontos 2D. Esses 8 valores são meio barulhentos, devido à detecção, então eu quero filtrá-los para tornar o movimento mais …

17 filters  kalman-filters  state-space 

Suponha que temos um linear representado na notação de espaço de estado padrão: y(t)=Cx(t)x˙(t)=Ax(t)+Bu(t)x˙(t)=Ax(t)+Bu(t) \dot{x}(t)=Ax(t)+Bu(t) y(t)=Cx(t)+Du(t)y(t)=Cx(t)+Du(t)y(t) = Cx(t) + Du(t) Para obter sua resposta de impulso, é possível fazer a transformação de Laplace para obter Y =sX=AX+BUsX=AX+BUsX=AX+BU Y=CX+DUY=CX+DUY=CX+DU e depois resolva a função de transferência que é YU=C(sI−A)−1B+DYU=C(sI−A)−1B+D\frac{Y}{U}=C(sI-A)^{-1}B+D Da mesma …

15 impulse-response  state-space  linear-systems 

Suponha que tenhamos algum sistema dado por x˙(t)y(t)=Ax(t)+Bu(t)=Cx(t)+Du(t)x˙(t)=Ax(t)+Bu(t)y(t)=Cx(t)+Du(t)\begin{aligned} \dot{x}(t) &= Ax(t) +Bu(t) \\ y(t) &= Cx(t)+Du(t) \end{aligned} Onde x(t)x(t)x(t) são as variáveis ​​de estado, y(t)y(t)y(t) é a saída e u(t)u(t)u(t)é a entrada. Todas as matrizes são constantes. A mesma pergunta se aplica ao caso discreto x[n+1]y[n]=Ax[n]+Bu[n]=Cx[n]+Du[n]x[n+1]=Ax[n]+Bu[n]y[n]=Cx[n]+Du[n]\begin{aligned} x[n+1] &= Ax[n] +Bu[n] …

8 linear-systems  state-space 

Trabalhei com modelos de espaço de estados em relação à estimativa de Kalman. Aqui eu sempre vi modelos de espaço de estado com tamanho de estado fixo ao longo do tempo, ou seja, a matriz de transição de estado é quadrada. Por exemplo, vamos definir: Então é .xt+1=Atxt+Btutyt=Ctxt+Dtvtxt+1=Atxt+Btutyt=Ctxt+Dtvtx_{t+1} = A_t …

7 kalman-filters  state-space