FAIZ SAAID

BLOG ORANG SELANGOR

Kalman Filter Bahagian 2

Kalman Filter  Bahagian 2

Kalman Filter Bahagian 2. Sebelum ni, korang tentu dah baca cerita pasal Pakcik Kalman yang berjaya membuat satu algoritma matematik yang banyak membantu dunia kejuruteraan sains dan teknologi. Kalman Filter atau Penapis Kalman banyak menolong dari segi algoritma kawalan kepada sistem moden kejuruteraan. Pada dasarnya, Kalman Filter yang kita bincang dulu tu simple je, untuk masalah yang linear sahaja. Macam-mana nak buat kalau masalah itu semakin kompleks, hoo, ok, jom kita tengok lagi penambahbaikan Kalman Filter yang ada.

Kalman Filter Bahagian 2

Extended Kalman Filter
Namanya pun kita dah boleh agak dah, hahaha, kiranya extend dari Kalman Filter yang biasa, jadilah dia Extended Kalman Filter (EKF), yang boleh menyelesaikan masalah nonlinear. Kiranya, EKF ini banyak menyelesaikan masalah kejurutereaan kawalan dan juga masalah dalam pemprosesan Isyarat. Caranya sungguh senang, kita cuma perlu tahu pembezaan. Dengan menghampirkan persamaan nonlinear kepada persamaan linear, anda boleh gunakan balik formula asal KF dan dapatlah hasilnya. EKF banyak digunakan, kerana kebolehannya untuk mengagak, estimate nilai yang kita tidak nampak semasa melakukan pengukuran.  Contoh terbaik ialah bagaimana nak kira pecutan jika kita hanya boleh nampak atau ukur pergerakan sesebuah objek ? Biasanya, bila kita sebut pengesanan objek, yang kita nampak cuma trajektori objek tersebut, tapi dengan adanya EKF, kita boleh  tahu dengan lebih mendalam lagi tentang halaju atau pecutan objek tersebut dengan berpandukan kepada persamaan nonlinear bagi trajektori objek tersebut.

Gaussian Sum Filter
Secara biasanya, masalah kejuruteraan banyak dikaitkan dengan Gaussian Noise, hmm, dalam statistik, gaussian adalah satu taburan yang seperti bell curve, banyak orang guna taburan ini untuk buat score, KPI, dan sebagainya. Kiranya gaussian ni memang berguna dalam banyak bidang, termasuklah dalam Kalman Filter ini. Masalah yang biasa kita gunakan ialah masalah nonlinear, dan menganggap sistem di ganggu dengan  gaussian noise. Bagaimana pula untuk mengatasi masalah noise yang bukan gaussian ? Hoo, mengikut pengiraan, gaussian noise lebih mudah untuk diselesaikan dengan formula matematik yang boleh diterbitkan, tidak pula seperti masalah nongaussian noise ini. Masalah begini boleh diatasi dengan menghampirkan nongaussian noise dengan beberapa jumlah taburan gaussian  yang ada. Hmm, nampaknya macam sukar nak faham. Senang cerita, satu nongaussian noise mungkin boleh diwakili oleh beberapa Gaussian noise yang berlainan. Hmm , boleh faham tak ? Oklah, sambung lagi. Menggunakan EKF, masalah umum sesuatu sistem yang nonlinear dan nongaussian noise boleh diselesaikan dengan menggunakan Gaussian Sum Filter (GSF). Kiranya, kita macam ada banyak EKF yang dijumlahkan untuk estimate nilai sebenar sesebuah model atau isyarat. (aku baca pun macam tak paham).

Particle Filter
Pakcik Gordon, pada tahun 1993, dapat membuat satu algoritma yang diberi nama Particle Filter, hoo, apa ke benda particle ni. Kiranya, secara statistik, kalau kita nak kira purata, atau nilai anggaran, kita kena buat pengkamiran yang kompleks, dan memang akan menjadi masalah pada sistem komputer kita. Secara bijaknya, penyelesaian kepada masalah yang nonlinear dan nongaussian ini dapat di selesaikan dengan menggunakan konsep Sampling, atau sample. Jikalau kita gunakan sample untuk memudahkan sesuatu analisa, samalah juga dengan Particle Filter ini. Pakcik Gordon hanya perlukan sample bagi masalah sebenar taburan sesuatu persamaan, dan gunakan sample tersebut untuk mengagak atau estimate nilai sebenar sesebuah sistem. Hooo, jadi benda ini sebenarnya dikatakan sebagai mengira secara simulasi , yang di panggil Monte Carlo dalam bidang matematik. Tapi Particle Filter ini juga dikenali sebagai Sequential Monte Carlo, dimana setiap bacaan baru, kita akan buat sampling semula yang betul-betul mewakili masalah sebenar sesebuah model atau sistem. hooo, power power.

Unscented Kalman Filter
Masalah pakcik Gordon di atas ialah, sampling dibuat secara rambang, atau random, hmm, yang tak bagusnya, sampling secara rambang ni boleh memberikan jawapan yang tidak tepat, kalau pensampelan itu bagus, mungkin boleh dapat jawapan yang bagus, tapi kalau tak tepat, jawabnya kelautlah sistem kita. Jadi pakcik Julier, telah membuat satu teknik baru yang di panggil Unscented Transform (UT). Hooo, apa ini ?Kiranya benda ini ialah dipanggil pensampelan secara sistematik, tidak rambang. UT ini ialah kita tukar dari masalah nonlinear kepada satu domain lain yang mudah dikira. Secara senang je, jika EKF hanya menukar persamaan nonlinear kepada linear, UKF pulak melihat dari segi taburan, dengan memilih sampel yang bagus secara sistematik, nilai sebenar sesebuah sistem dapat dianggarkan dengan mudah, sambil diikuti pula dengan formula Kalman Filter yang asal. UKF ternyata lebih baik dari EKF, kira kita tak perlu tahu pembezaan, tapi UKF ini banyak kerja sikit, kita kena tahu berapa banyak Sampel yang perlu diambil untuk mendapatkan pengiraan yang bagus.

Di Mana Saya Sekarang ?

Hahaha, boleh dikatakan, saya masih tidak berjaya untuk menerbitkan lagi jurnal Q1, hari tu dah kena reject, susah jugaklah nanti nak jawab dengan bright spark universiti malaya. hahaha. Apapun, saya nak share dengan anda , sebagai pengubat kepada tidak dapat diterima oleh jurnal antarabangsa. Kena usaha lagi. Mungkin ada diluar sana yang dapat membantu, saya sudi belajar dengan anda. Sekian sahaja, terima kasih. jumpa lagi dalam luahan PHD saya selepas ini.

Nampaknya, kes student uitm kena tipu ni banyak, kena tipu buat business, business MLM, kena tipu dengan pakwa, kena scam dengan Afrika dan sebagainya, tapi kali ini saya telah menipu mereka tentang research phd mereka itu, hahaha, jom tengok gambar di bawah ni, habis kena tipu, sebab masa ni cuma bergaya je !!!!

Kenapa Kena Kaji Pasal Sungai ? Takda Kerja Ke ? -Hahahha, aku dok dengar dari diorang nih, kes pasal sungai, aiyo, hebat jugak ye. Hooo, bila dengar cerita diorang nih, barulah aku faham  kenapa nak kaji pasal sungai nih. Hoo, baru-baru ni kes banjir kat Cameron Highlands tuh sangatlah menyedihkan, jadi kalau kita dapat kaji pasal sungai nih, barulah best ye tak ?

Bayangkan, sungai akan mengalami perubahan, jadi aliran sungai biasanya perlahan, boleh jadi laju, boleh jadi jenis tanah itu berubah, mungkin juga menggangu habitat di situ
tak pun, bila kita tengok kedalam sungai yang akan berkurang, masa tu kita boleh agak bila nak dalamkan sungai tuh, jadi boleh elak banjir

ada juga kalau kita kaji pergerakan sungai, barulah kita tahu nanti kalau buat binaan kat situ selamat ke tidak, bagus ke tidak kawasan uh, pergh memang mantap
kita boleh buat sistem pengesan banjir dengan mengetahui kedalam sungai serta kelajuan air nya, memang cool

Kalman Filter Lagi – Sebab diorang ni bebudak UITM cari nama aku , diorang tahu aku pandai buat kalman filter, matlab, jadi aku cadang kat diorang, kalau korang nak power, buatlah kalman filter, siap ada model lagi, memang mantap , jadi bolehlah buat prediction sungai tu nak berubah bila dan sebagainya. Hooo yes.

Cintailah Sungai Kita !!! – OKlah, untuk menghargai alam sekitar ni, apapun kita layanlah lagu nih, dari Roslan Maadun, memang feel korang layan lagu nih, selain dari lagu Sungai Lui oleh Aizat Amdan tuh. Oklah, enjoy semua ye !!!!

Leave a Reply

Your email address will not be published. Required fields are marked *

Open chat