Introduction au filtrage de Kalman
|
|
- Victoire Goudreau
- il y a 6 ans
- Total affichages :
Transcription
1 Introduction au filtrage de Kalman Théorie du filtre de Kalman discret & applications Florent Lafarge 2009
2 Plan Filtrage optimal : position du problème Définition générale Définition mathématique Exemples
3 Plan Filtrage optimal : position du problème Définition générale Définition mathématique Exemples Filtre de Kalman discret Formulation du filtre de Kalman discret Théorème de Kalman-Bucy
4 Plan Filtrage optimal : position du problème Définition générale Définition mathématique Exemples Filtre de Kalman discret Formulation du filtre de Kalman discret Théorème de Kalman-Bucy Extensions du filtre de Kalman Filtre de Kalman linéarisé Filtre de Kalman étendu
5 Définition générale du filtrage Filtrage Opération qui consiste à estimer l état d un système dynamique à partir d observations partielles et bruitées.
6 Systèmes dynamiques
7 Systèmes dynamiques Modèles mathématiques d évolution utilisés dans de nombreux domaines des sciences et techniques : physique, biologie, écologie, météorologie, économie, ingénierie...
8 Systèmes dynamiques Modèles mathématiques d évolution utilisés dans de nombreux domaines des sciences et techniques : physique, biologie, écologie, météorologie, économie, ingénierie... Systèmes qui évoluent dans le temps de facon à la fois :
9 Systèmes dynamiques Modèles mathématiques d évolution utilisés dans de nombreux domaines des sciences et techniques : physique, biologie, écologie, météorologie, économie, ingénierie... Systèmes qui évoluent dans le temps de facon à la fois : causale leur avenir ne dépend que de phénomènes passés ou présents
10 Systèmes dynamiques Modèles mathématiques d évolution utilisés dans de nombreux domaines des sciences et techniques : physique, biologie, écologie, météorologie, économie, ingénierie... Systèmes qui évoluent dans le temps de facon à la fois : causale leur avenir ne dépend que de phénomènes passés ou présents déterministe à une condition initiale donnée à l instant présent correspond, à chaque instant ultérieur, un et un seul état futur
11 Systèmes dynamiques : évolution dans le temps
12 Systèmes dynamiques : évolution dans le temps Evolution continue dans le temps équations différentielles ordinaires
13 Systèmes dynamiques : évolution dans le temps Evolution continue dans le temps équations différentielles ordinaires Evolution discontinue dans le temps équations récurrentes
14 Systèmes dynamiques stochastiques
15 Systèmes dynamiques stochastiques Prise en compte de perturbations aléatoires dans les équations du système
16 Systèmes dynamiques stochastiques Prise en compte de perturbations aléatoires dans les équations du système Evolution de phénomènes aléatoires décrits par des processus aléatoires continus et/ou discrets
17 Définition mathématique : cas continu Notations Temps : t R Vecteur d état : X(t) R p Vecteur des mesures : Z(t) R m
18 Définition mathématique : cas continu Notations Temps : t R Vecteur d état : X(t) R p Vecteur des mesures : Z(t) R m o {X(t)}, {Z(t)} processus aléatoires continus.
19 Définition mathématique : cas continu Notations Temps : t R Vecteur d état : X(t) R p Vecteur des mesures : Z(t) R m o {X(t)}, {Z(t)} processus aléatoires continus. Remarque L état X(t) du système dynamique n est pas observé.
20 Définition mathématique : cas continu Mesures bruitées disponibles à l instant t : {Z(τ), τ [0, t]}
21 Définition mathématique : cas continu Mesures bruitées disponibles à l instant t : {Z(τ), τ [0, t]} Lien signal/mesures à l instant t : Z(t) = h(x(t)) + V (t)
22 Définition mathématique : cas continu Mesures bruitées disponibles à l instant t : {Z(τ), τ [0, t]} Lien signal/mesures à l instant t : Z(t) = h(x(t)) + V (t) o
23 Définition mathématique : cas continu Mesures bruitées disponibles à l instant t : {Z(τ), τ [0, t]} Lien signal/mesures à l instant t : Z(t) = h(x(t)) + V (t) o Z(t) observations
24 Définition mathématique : cas continu Mesures bruitées disponibles à l instant t : {Z(τ), τ [0, t]} Lien signal/mesures à l instant t : Z(t) = h(x(t)) + V (t) o Z(t) observations h(x(t)) signal fonction de l état
25 Définition mathématique : cas continu Mesures bruitées disponibles à l instant t : {Z(τ), τ [0, t]} Lien signal/mesures à l instant t : Z(t) = h(x(t)) + V (t) o Z(t) observations h(x(t)) signal fonction de l état V (t) bruit additif supposé connu
26 Définition mathématique : cas continu Filtrage Détermination d un estimateur optimal ˆX(t) du vecteur d état X(t) à partir de toutes les mesures disponibles {Z(τ), τ [0, t]}
27 Formulation mathématique : cas discret Processus aléatoires discrets Temps : k Z Vecteur d état : X k R p Vecteur des mesures : Z k R m
28 Formulation mathématique : cas discret Processus aléatoires discrets Temps : k Z Vecteur d état : X k R p Vecteur des mesures : Z k R m o {X k }, {Z k } processus aléatoires discrets.
29 Formulation mathématique : cas discret Processus aléatoires discrets Temps : k Z Vecteur d état : X k R p Vecteur des mesures : Z k R m o {X k }, {Z k } processus aléatoires discrets. Remarque L état X k du système dynamique n est pas observé.
30 Définition mathématique : cas discret Mesures bruitées disponibles à l instant k : Z 0:k = {Z l, l = 0, 1, 2,...,k}
31 Définition mathématique : cas discret Mesures bruitées disponibles à l instant k : Z 0:k = {Z l, l = 0, 1, 2,...,k} Lien signal/mesures à l instant k : Z k = h(x k ) + V k
32 Définition mathématique : cas discret Mesures bruitées disponibles à l instant k : Z 0:k = {Z l, l = 0, 1, 2,...,k} Lien signal/mesures à l instant k : Z k = h(x k ) + V k o
33 Définition mathématique : cas discret Mesures bruitées disponibles à l instant k : Z 0:k = {Z l, l = 0, 1, 2,...,k} Lien signal/mesures à l instant k : Z k = h(x k ) + V k o Z k observations
34 Définition mathématique : cas discret Mesures bruitées disponibles à l instant k : Z 0:k = {Z l, l = 0, 1, 2,...,k} Lien signal/mesures à l instant k : Z k = h(x k ) + V k o Z k observations h(x k ) signal fonction de l état
35 Définition mathématique : cas discret Mesures bruitées disponibles à l instant k : Z 0:k = {Z l, l = 0, 1, 2,...,k} Lien signal/mesures à l instant k : Z k = h(x k ) + V k o Z k observations h(x k ) signal fonction de l état V k bruit additif supposé connu
36 Définition mathématique : cas discret Filtrage Détermination d un estimateur optimal ˆXk du vecteur d état X k à partir de toutes les mesures disponibles Z 0:k = {Z l, l = 0, 1, 2,...,k}
37 Exemple en temps continu : mouvement 1D
38 Exemple en temps continu : mouvement 1D Mobile en mouvement le long d un axe (0x) avec une accélération constante γ
39 Exemple en temps continu : mouvement 1D Mobile en mouvement le long d un axe (0x) avec une accélération constante γ Filtrage : estimer la vitesse v(t) et la position x(t) du mobile à l instant t à partir de mesures de position
40 Exemple en temps continu : mouvement 1D Conditions initiales Vitesse : v(t 0 ) = v 0 Position : x(t 0 ) = x 0
41 Exemple en temps continu : mouvement 1D Modélisation physique Vitesse : v(t) = v 0 + γ (t t 0 ) Position : x(t) = x 0 + v 0 (t t 0 ) γ (t t 0) 2
42 Exemple en temps continu : mouvement 1D Vecteur d état X(t) = [ v(t) x(t) ]
43 Exemple en temps continu : mouvement 1D Equation dynamique d évolution de l état dx dt = dv dt dx dt = [ γ v(t) ] = [ ] [ v x ] + [ γ 0 ]
44 Exemple en temps continu : mouvement 1D Equation dynamique d évolution de l état dx dt = dv dt dx dt = [ γ v(t) ] = [ ] [ v x ] + [ γ 0 ] système d équations différentielles.
45 Exemple en temps continu : mouvement 1D Système dynamique continu dx dt = F(t)X(t) + f(t) o X(t) R 2, F(t) R 2 2 et f(t) R 2.
46 Exemple en temps continu : mouvement 1D Système dynamique continu dx dt = F(t)X(t) + f(t) o X(t) R 2, F(t) R 2 2 et f(t) R 2. équation d évolution de l état ou équation d état
47 Exemple en temps continu : mouvement 1D Mesure Z(t) = x(t) + V (t) = [ 0 1 ] [ v x o V (t) représente le bruit de mesure ] + V (t)
48 Exemple en temps continu : mouvement 1D Equation d observation Z(t) = H(t)X(t) + V (t) o Z(t) R, X(t) R 2, H(t) R 1 2 et V (t) R.
49 Exemple en temps discret : mouvement 1D Discrétisation t [t k, t k+1 ], γ(t) = cste = γ k, k N
50 Exemple en temps discret : mouvement 1D Conditions initiales Vitesse : v(t k ) = v k, k N Position : x(t k ) = x k
51 Exemple en temps discret : mouvement 1D Modélisation physique Vitesse : v(t) = v k + γ (t t k ) Position : x(t) = x k + v k (t t k ) γ (t t k) 2, t [t k, t k+1 ], k N
52 Exemple en temps discret : mouvement 1D Vecteur d état X k = X(t k ) = [ v(tk ) x(t k ) ] = [ vk x k ]
53 Exemple en temps discret : mouvement 1D Equation dynamique d évolution de l état X k+1 = [ v(tk+1 ) x(t k+1 ) ] = [ 1 0 t 1 ] [ vk x k ] + t ( t) 2 2 γ k o t = t k+1 t k
54 Exemple en temps discret : mouvement 1D Equation dynamique d évolution de l état X k+1 = [ v(tk+1 ) x(t k+1 ) ] = [ 1 0 t 1 ] [ vk x k ] + t ( t) 2 2 γ k o t = t k+1 t k système d équations récurrentes.
55 Exemple en temps discret : mouvement 1D Système dynamique discret X k+1 = F k X k + f k o X k R 2, F k R 2 2 et f k R 2.
56 Exemple en temps discret : mouvement 1D Système dynamique discret X k+1 = F k X k + f k o X k R 2, F k R 2 2 et f k R 2. équation d évolution de l état ou équation d état
57 Exemple en temps discret : mouvement 1D Supposons que l accélération γ k subisse des perturbations aléatoires ; alors l équation d évolution de l état X k peut être complétée par Système dynamique discret X k+1 = F k X k + f k + W k o W k R 2 représente un bruit qui affecte le modèle accélération constante
58 Exemple en temps discret : mouvement 1D Supposons que l accélération γ k subisse des perturbations aléatoires ; alors l équation d évolution de l état X k peut être complétée par Système dynamique discret X k+1 = F k X k + f k + W k o W k R 2 représente un bruit qui affecte le modèle accélération constante bruit de modèle
59 Exemple en temps discret : mouvement 1D Mesure Z k = x k + V k = [ 0 1 ] [ v k x k o V k représente le bruit de mesure ] + V k
60 Exemple en temps discret : mouvement 1D Equation d observation Z k = H k X k + V k o Z k R, X k R 2, H k R 1 2 et V k R
61 Exemple en temps discret : mouvement 1D Le problème du filtrage se ramène à la résolution d un système linéaire stochastique récursif de la forme { Xk+1 = F k X k + f k + W k Z k = H k X k + V k o Z k R, X k R 2, F k R 2 2 H k R 1 2, W k R 2 et V k R Pour le résoudre, il faut préciser la nature des bruits de modèle {W k } et de mesure {V k }
62 Formulation du filtre de Kalman discret Soit le système linéaire gaussien suivant { Xk+1 = F k X k + f k + W k Z k = H k X k + h k + V k o, pour tout k N, X k, f k, W k R p, Z k, h k, V k R m, F k R p p, H k R m p, et,
63 Formulation du filtre de Kalman discret Soit le système linéaire gaussien suivant { Xk+1 = F k X k + f k + W k Z k = H k X k + h k + V k o, pour tout k N, X k, f k, W k R p, Z k, h k, V k R m, F k R p p, H k R m p, et, le bruit {W k } est un bruit blanc gaussien de matrice de covariance Q W k
64 Formulation du filtre de Kalman discret Soit le système linéaire gaussien suivant { Xk+1 = F k X k + f k + W k Z k = H k X k + h k + V k o, pour tout k N, X k, f k, W k R p, Z k, h k, V k R m, F k R p p, H k R m p, et, le bruit {W k } est un bruit blanc gaussien de matrice de covariance Q W k La condition initiale X 0 est gaussienne, de moyenne X 0, de matrice de covariance Q X 0
65 Formulation du filtre de Kalman discret Soit le système linéaire gaussien suivant { Xk+1 = F k X k + f k + W k Z k = H k X k + h k + V k o, pour tout k N, X k, f k, W k R p, Z k, h k, V k R m, F k R p p, H k R m p, et, le bruit {W k } est un bruit blanc gaussien de matrice de covariance Q W k La condition initiale X 0 est gaussienne, de moyenne X 0, de matrice de covariance Q X 0 le bruit {V k } est un bruit blanc gaussien de matrice de covariance Q V k
66 Formulation du filtre de Kalman discret Soit le système linéaire gaussien suivant { Xk+1 = F k X k + f k + W k Z k = H k X k + h k + V k o, pour tout k N, X k, f k, W k R p, Z k, h k, V k R m, F k R p p, H k R m p, et, le bruit {W k } est un bruit blanc gaussien de matrice de covariance Q W k La condition initiale X 0 est gaussienne, de moyenne X 0, de matrice de covariance Q X 0 le bruit {V k } est un bruit blanc gaussien de matrice de covariance Q V k Les bruits {W k }, {V k } et la condition initiale X 0 sont mutuellement indépendants
67 Formulation du filtre de Kalman discret A l instant k, les observations suivantes sont disponibles Z 0:k = (Z0, Z 1,...,Z k )
68 Formulation du filtre de Kalman discret A l instant k, les observations suivantes sont disponibles Z 0:k = (Z0, Z 1,...,Z k ) Filtrage Estimation du vecteur aléatoire X k à partir des observations Z 0:k de facon optimale, récursive
69 Formulation du filtre de Kalman discret
70 Formulation du filtre de Kalman discret Critère d optimalité : minimum de variance loi conditionnelle de X k sachant Z 0:k (prop. P3)
71 Formulation du filtre de Kalman discret d o Critère d optimalité : minimum de variance loi conditionnelle de X k sachant Z 0:k (prop. P3) Cas gaussien Seules la moyenne b X k et la matrice de covariance P k sont nécessaires à la définition de cette loi (prop. P7)
72 Formulation du filtre de Kalman discret d o Critère d optimalité : minimum de variance loi conditionnelle de X k sachant Z 0:k (prop. P3) Cas gaussien Seules la moyenne b X k et la matrice de covariance P k sont nécessaires à la définition de cette loi (prop. P7) Espérance et matrice de covariance conditionnelles X k = E[Xk Z 0:k ] P k = E [ ( X k X k ) ( X k X k ) T Z0:k ]
73 Formulation du filtre de Kalman discret Espérance et matrice de covariance conditionnelles antérieures X k P k = E[X k Z 0:k 1 ] [ ( = E X k X ) ( k X k X ) ] T k Z0:k 1
74 Formulation du filtre de Kalman discret Les matrices de covariances conditionnelles P k et P k ne dépendent pas des observations (prop. P11) Conséquence P k = E [ ( X k X ) ( k X k X ) ] T k [ ( P k = E X k X k )(X k X ) ] T k
75 Processus d innovation Supposons connue la loi conditionnelle du vecteur aléatoire X k 1 sachant Z 0:k 1.
76 Processus d innovation Supposons connue la loi conditionnelle du vecteur aléatoire X k 1 sachant Z 0:k 1. Comment déterminer la loi conditionnelle de X k sachant Z 0:k?
77 Processus d innovation Supposons connue la loi conditionnelle du vecteur aléatoire X k 1 sachant Z 0:k 1. Comment déterminer la loi conditionnelle de X k sachant Z 0:k? Deux étapes sont nécessaires :
78 Processus d innovation Supposons connue la loi conditionnelle du vecteur aléatoire X k 1 sachant Z 0:k 1. Comment déterminer la loi conditionnelle de X k sachant Z 0:k? Deux étapes sont nécessaires : 1. La prédiction
79 Processus d innovation Supposons connue la loi conditionnelle du vecteur aléatoire X k 1 sachant Z 0:k 1. Comment déterminer la loi conditionnelle de X k sachant Z 0:k? Deux étapes sont nécessaires : 1. La prédiction la loi conditionnelle de X k est calculée sachant les observations passées Z 0:k 1
80 Processus d innovation Supposons connue la loi conditionnelle du vecteur aléatoire X k 1 sachant Z 0:k 1. Comment déterminer la loi conditionnelle de X k sachant Z 0:k? Deux étapes sont nécessaires : 1. La prédiction la loi conditionnelle de X k est calculée sachant les observations passées Z 0:k 1 2. La correction
81 Processus d innovation Supposons connue la loi conditionnelle du vecteur aléatoire X k 1 sachant Z 0:k 1. Comment déterminer la loi conditionnelle de X k sachant Z 0:k? Deux étapes sont nécessaires : 1. La prédiction la loi conditionnelle de X k est calculée sachant les observations passées Z 0:k 1 2. La correction l observation Z k est utilisée pour apporter une information nouvelle par rapport aux observations passées Z 0:k 1
82 Processus d innovation La quantité I k = Z k E[Z k Z 0:k 1 ] = Z k ( ) H k X k + h k est appelée innovation Lemme Le processus {I k } est un processus gaussien à valeurs dans R m ; en particulier I k est un vecteur aléatoire gaussien indépendant de Z 0:k 1
83 Processus d innovation La quantité I k = Z k E[Z k Z 0:k 1 ] = Z k ( ) H k X k + h k est appelée innovation Lemme Le processus {I k } est un processus gaussien à valeurs dans R m ; en particulier I k est un vecteur aléatoire gaussien de moyenne nulle indépendant de Z 0:k 1
84 Processus d innovation La quantité I k = Z k E[Z k Z 0:k 1 ] = Z k ( ) H k X k + h k est appelée innovation Lemme Le processus {I k } est un processus gaussien à valeurs dans R m ; en particulier I k est un vecteur aléatoire gaussien de moyenne nulle de matrice de covariance Q I k = H k P k HT k + QV k indépendant de Z 0:k 1
85 Filtre de Kalman-Bucy Théorème Si la matrice de covariance Q V k est inversible pour tout k N alors les processus { b X} et {P k } sont définis par les équations suivantes
86 Filtre de Kalman-Bucy Théorème Si la matrice de covariance Q V k est inversible pour tout k N alors les processus { b X} et {P k } sont définis par les équations suivantes Prédiction bx k = F k b Xk 1 + f k P k = F k P k 1 F T k + Q W k
87 Filtre de Kalman-Bucy Théorème Si la matrice de covariance Q V k est inversible pour tout k N alors les processus { b X} et {P k } sont définis par les équations suivantes Prédiction bx k = F k b Xk 1 + f k Correction P k = F k P k 1 F T k + Q W k bx k = X b k + K k [Z k (H k X b k P k = [I K k H k ] P k + h k)] o la matrice K k = P k HT k [H k P k HT k + Q V k ] 1 est le gain de Kalman,
88 Filtre de Kalman-Bucy Théorème Si la matrice de covariance Q V k est inversible pour tout k N alors les processus { b X} et {P k } sont définis par les équations suivantes Prédiction bx k = F k b Xk 1 + f k Correction P k = F k P k 1 F T k + Q W k bx k = X b k + K k [Z k (H k X b k P k = [I K k H k ] P k + h k)] o la matrice K k = P k HT k [H k P k HT k + Q V k ] 1 est le gain de Kalman, et avec les initialisations bx 0 = X 0 = E [X 0], P 0 = Q X 0
89 Filtre de Kalman-Bucy : remarques
90 Filtre de Kalman-Bucy : remarques La suite {P k } ne dépend pas ni des observations {Z k }, ni des coefficients {f k } et {h k }
91 Filtre de Kalman-Bucy : remarques La suite {P k } ne dépend pas ni des observations {Z k }, ni des coefficients {f k } et {h k } Si pour tout k N, F k = F, G k = G, H k = H, Q W k = QW, et Q V k = QV alors la suite {P k } peut être pré-calculée
92 Filtre de Kalman linéarisé Soit le système non linéaire suivant { Xk = f k (X k 1 ) + g k (X k 1 )W k Z k = h k (X k ) + V k o, pour tout k N, X k R p, W k R d, Z k, V k R m, et o les fonctions f k, g k, h k définies sur R p sont à valeurs dans R p, R p d, R m respectivement ; de plus
93 Filtre de Kalman linéarisé Soit le système non linéaire suivant { Xk = f k (X k 1 ) + g k (X k 1 )W k Z k = h k (X k ) + V k o, pour tout k N, X k R p, W k R d, Z k, V k R m, et o les fonctions f k, g k, h k définies sur R p sont à valeurs dans R p, R p d, R m respectivement ; de plus les fonctions f k et g k sont supposées dérivables
94 Filtre de Kalman linéarisé Soit le système non linéaire suivant { Xk = f k (X k 1 ) + g k (X k 1 )W k Z k = h k (X k ) + V k o, pour tout k N, X k R p, W k R d, Z k, V k R m, et o les fonctions f k, g k, h k définies sur R p sont à valeurs dans R p, R p d, R m respectivement ; de plus les fonctions f k et g k sont supposées dérivables le bruit {W k } est un bruit blanc gaussien de matrice de covariance Q W k
95 Filtre de Kalman linéarisé Soit le système non linéaire suivant { Xk = f k (X k 1 ) + g k (X k 1 )W k Z k = h k (X k ) + V k o, pour tout k N, X k R p, W k R d, Z k, V k R m, et o les fonctions f k, g k, h k définies sur R p sont à valeurs dans R p, R p d, R m respectivement ; de plus les fonctions f k et g k sont supposées dérivables le bruit {W k } est un bruit blanc gaussien de matrice de covariance Q W k le bruit {V k } est un bruit blanc gaussien de matrice de covariance Q V k
96 Filtre de Kalman linéarisé Soit le système non linéaire suivant { Xk = f k (X k 1 ) + g k (X k 1 )W k Z k = h k (X k ) + V k o, pour tout k N, X k R p, W k R d, Z k, V k R m, et o les fonctions f k, g k, h k définies sur R p sont à valeurs dans R p, R p d, R m respectivement ; de plus les fonctions f k et g k sont supposées dérivables le bruit {W k } est un bruit blanc gaussien de matrice de covariance Q W k le bruit {V k } est un bruit blanc gaussien de matrice de covariance Q V k Les bruits {W k }, {V k } et la condition initiale X 0 sont mutuellement indépendants
97 Filtre de Kalman linéarisé Soit une suite déterministe { x k } dans R p, solution approchée du système, appelée trajectoire nominale. La linéarisation consiste à linéariser f k et g k autour de x k 1 i.e f k (x) f k ( x k 1 ) + f k ( x k 1)(x x k 1 ) et g k (x) g k ( x k 1 ) linéariser h k autour de x k i.e h k (x) h k ( x k 1 ) + h k ( x k 1)(x x k 1 )
98 Filtre de Kalman linéarisé Le système linéarisé obtenu est de la forme { Xk = F k (X k 1 x k 1 ) + f k + G k W k Z k = H k (X k x k ) + h k + V k o F k = f k ( x k 1 ), f k = fk ( x k 1 ), G k = gk ( x k 1 ), H k = h k ( x k ) et h k = hk ( x k )
99 Filtre de Kalman linéarisé Théorème Prédiction Correction bx k = f k ( b X k 1 ) P k = F k P k 1 F T k + G k Q W k G T k bx k = b X k + K k [Z k h k ( b X k )] P k = [I K k H k ] P k o la matrice K k = P k HT k [H k P k HT k + Q V k ] 1 est le gain de Kalman,
100 Filtre de Kalman linéarisé Théorème Prédiction Correction bx k = f k ( b X k 1 ) P k = F k P k 1 F T k + G k Q W k G T k bx k = b X k + K k [Z k h k ( b X k )] P k = [I K k H k ] P k o la matrice K k = P k HT k [H k P k HT k + Q V k ] 1 est le gain de Kalman, et avec les initialisations telle que la loi gaussienne de moyenne X b 0 et de matrice de covariance P 0 soit une bonne approximation de celle de X0
101 Filtre de Kalman étendu ( Extended Kalman filter ) La trajectoire nominale est ici remplacée par l estimateur courant de X k compte-tenu des observations disponibles à l instant k 1. La linéarisation consiste à linéariser f k et g k autour de X k 1 i.e f k (x) f k ( X k 1 ) + f k ( X k 1 )(x X k 1 ) et g k (x) g k ( X k 1 ) linéariser h k autour de X k i.e h k (x) h k ( X k ) + h k ( X k )(x X k )
102 Filtre de Kalman étendu Le système linéarisé obtenu est de la forme { X k = F k (X k 1 X k 1 ) + f k + G k W k Z k = H k (X k X k 1 ) + h k + V k o F k = f k ( X k 1 ), f k = fk ( X k 1 ), G k = gk ( X k 1 ), H k = h k ( X k ) et h k = hk ( X k )
103 Filtre de Kalman étendu Théorème Prédiction Correction bx k = f k ( b X k 1 ) P k = F k P k 1 F T k + G k Q W k G T k bx k = b X k + K k [Z k h k ( b X k )] P k = [I K k H k ] P k o la matrice K k = P k HT k [H k P k HT k + Q V k ] 1 et avec F k = f k ( b X k 1 ), G k = gk ( b X k 1 ), et H k = h k ( b X k )
104 Présentation Cette présentation a été réalisée à l aide de la classe beamer complétée par le laboratoire de mathématiques appliqués de l université de technologie de Compiègne
105 Bibliographie J.-Y. Ouvrard Probabilités. (2 tomes) Cassini, 2004
106 Bibliographie J.-Y. Ouvrard Probabilités. (2 tomes) Cassini, 2004 G. Blanchet and M. Charbit Signaux et images sous MatLab. 2nd édition, Hermès, 2001
107 Bibliographie J.-Y. Ouvrard Probabilités. (2 tomes) Cassini, 2004 G. Blanchet and M. Charbit Signaux et images sous MatLab. 2nd édition, Hermès, 2001 M. Labarrère and J.-P. Krief and B. Gimonet Le filtrage et ses applications. 3e édition, Cépaduès éditions, 1995
108 Bibliographie J.-Y. Ouvrard Probabilités. (2 tomes) Cassini, 2004 G. Blanchet and M. Charbit Signaux et images sous MatLab. 2nd édition, Hermès, 2001 M. Labarrère and J.-P. Krief and B. Gimonet Le filtrage et ses applications. 3e édition, Cépaduès éditions, 1995
109 Bibliographie (suite) A. Papoulis and S. Unnikrishna Pillai Probability, Random Variables and Stochastic Processes. 4th edition, Mac Graw Hill, 2002
110 Bibliographie (suite) A. Papoulis and S. Unnikrishna Pillai Probability, Random Variables and Stochastic Processes. 4th edition, Mac Graw Hill, 2002 P. S. Maybeck Stochastic Models, Estimation and Control. Volume 141-1, Mathematics in Science and Engineering, reprint
111 Bibliographie (suite) A. Papoulis and S. Unnikrishna Pillai Probability, Random Variables and Stochastic Processes. 4th edition, Mac Graw Hill, 2002 P. S. Maybeck Stochastic Models, Estimation and Control. Volume 141-1, Mathematics in Science and Engineering, reprint
112 Articles et sites sur le filtre de Kalman F. LeGland Introduction au Filtrage en Temps Discret. Polycopié de cours ; Master recherche Signal, Télecommunication, Images Université de Rennes I ;
113 Articles et sites sur le filtre de Kalman F. LeGland Introduction au Filtrage en Temps Discret. Polycopié de cours ; Master recherche Signal, Télecommunication, Images Université de Rennes I ;
114 Articles et sites sur le filtre de Kalman D. Alazard Introduction au Filtrage de Kalman. Polycopié de cours ; Ecole Nationale Supérieure de l Aéronautique et de l Espace ;
115 Articles et sites sur le filtre de Kalman D. Alazard Introduction au Filtrage de Kalman. Polycopié de cours ; Ecole Nationale Supérieure de l Aéronautique et de l Espace ;
116 Articles et sites sur le filtre de Kalman G Welch and G. Bishop The Kalman Filter. welch/kalman
117 Articles et sites sur le filtre de Kalman G Welch and G. Bishop The Kalman Filter. welch/kalman
Le modèle de Black et Scholes
Le modèle de Black et Scholes Alexandre Popier février 21 1 Introduction : exemple très simple de modèle financier On considère un marché avec une seule action cotée, sur une période donnée T. Dans un
Plus en détailaux différences est appelé équation aux différences d ordre n en forme normale.
MODÉLISATION ET SIMULATION EQUATIONS AUX DIFFÉRENCES (I/II) 1. Rappels théoriques : résolution d équations aux différences 1.1. Équations aux différences. Définition. Soit x k = x(k) X l état scalaire
Plus en détailMathématique et Automatique : de la boucle ouverte à la boucle fermée. Maïtine bergounioux Laboratoire MAPMO - UMR 6628 Université d'orléans
Mathématique et Automatique : de la boucle ouverte à la boucle fermée Maïtine bergounioux Laboratoire MAPMO - UMR 6628 Université d'orléans Maitine.Bergounioux@labomath.univ-orleans.fr Plan 1. Un peu de
Plus en détailFiltrage stochastique non linéaire par la théorie de représentation des martingales
Filtrage stochastique non linéaire par la théorie de représentation des martingales Adriana Climescu-Haulica Laboratoire de Modélisation et Calcul Institut d Informatique et Mathématiques Appliquées de
Plus en détailProbabilités III Introduction à l évaluation d options
Probabilités III Introduction à l évaluation d options Jacques Printems Promotion 2012 2013 1 Modèle à temps discret 2 Introduction aux modèles en temps continu Limite du modèle binomial lorsque N + Un
Plus en détailFIMA, 7 juillet 2005
F. Corset 1 S. 2 1 LabSAD Université Pierre Mendes France 2 Département de Mathématiques Université de Franche-Comté FIMA, 7 juillet 2005 Plan de l exposé plus court chemin Origine du problème Modélisation
Plus en détailCAPTEURS - CHAINES DE MESURES
CAPTEURS - CHAINES DE MESURES Pierre BONNET Pierre Bonnet Master GSI - Capteurs Chaînes de Mesures 1 Plan du Cours Propriétés générales des capteurs Notion de mesure Notion de capteur: principes, classes,
Plus en détailAutomatique Linéaire 1 Travaux Dirigés 1A ISMIN
Automatique Linéaire 1 Travaux Dirigés Travaux dirigés, Automatique linéaire 1 J.M. Dutertre 2014 TD 1 Introduction, modélisation, outils. Exercice 1.1 : Calcul de la réponse d un 2 nd ordre à une rampe
Plus en détailNotes du cours MTH1101 Calcul I Partie II: fonctions de plusieurs variables
Notes du cours MTH1101 Calcul I Partie II: fonctions de plusieurs variables Guy Desaulniers Département de mathématiques et de génie industriel École Polytechnique de Montréal Automne 2014 Table des matières
Plus en détailUne application de méthodes inverses en astrophysique : l'analyse de l'histoire de la formation d'étoiles dans les galaxies
Une application de méthodes inverses en astrophysique : l'analyse de l'histoire de la formation d'étoiles dans les galaxies Ariane Lançon (Observatoire de Strasbourg) en collaboration avec: Jean-Luc Vergely,
Plus en détailAlgorithmes pour la planification de mouvements en robotique non-holonome
Algorithmes pour la planification de mouvements en robotique non-holonome Frédéric Jean Unité de Mathématiques Appliquées ENSTA Le 02 février 2006 Outline 1 2 3 Modélisation Géométrique d un Robot Robot
Plus en détailMaster Modélisation Aléatoire Paris VII, Cours Méthodes de Monte Carlo en nance et C++, TP n 2.
Master Modélisation Aléatoire Paris VII, Cours Méthodes de Monte Carlo en nance et C++, TP n 2. Techniques de correction pour les options barrières 25 janvier 2007 Exercice à rendre individuellement lors
Plus en détailIntérêt du découpage en sous-bandes pour l analyse spectrale
Intérêt du découpage en sous-bandes pour l analyse spectrale David BONACCI Institut National Polytechnique de Toulouse (INP) École Nationale Supérieure d Électrotechnique, d Électronique, d Informatique,
Plus en détailChapitre 7. Statistique des échantillons gaussiens. 7.1 Projection de vecteurs gaussiens
Chapitre 7 Statistique des échantillons gaussiens Le théorème central limite met en évidence le rôle majeur tenu par la loi gaussienne en modélisation stochastique. De ce fait, les modèles statistiques
Plus en détail6 Equations du première ordre
6 Equations u première orre 6.1 Equations linéaires Consiérons l équation a k (x) k u = b(x), (6.1) où a 1,...,a n,b sont es fonctions continûment ifférentiables sur R. Soit D un ouvert e R et u : D R
Plus en détailSimulation de variables aléatoires
Chapter 1 Simulation de variables aléatoires Références: [F] Fishman, A first course in Monte Carlo, chap 3. [B] Bouleau, Probabilités de l ingénieur, chap 4. [R] Rubinstein, Simulation and Monte Carlo
Plus en détailÉquation de Langevin avec petites perturbations browniennes ou
Équation de Langevin avec petites perturbations browniennes ou alpha-stables Richard Eon sous la direction de Mihai Gradinaru Institut de Recherche Mathématique de Rennes Journées de probabilités 215,
Plus en détailINTRODUCTION A L ELECTRONIQUE NUMERIQUE ECHANTILLONNAGE ET QUANTIFICATION I. ARCHITECTURE DE L ELECRONIQUE NUMERIQUE
INTRODUCTION A L ELECTRONIQUE NUMERIQUE ECHANTILLONNAGE ET QUANTIFICATION I. ARCHITECTURE DE L ELECRONIQUE NUMERIQUE Le schéma synoptique ci-dessous décrit les différentes étapes du traitement numérique
Plus en détailHealth Monitoring pour la Maintenance Prévisionnelle, Modélisation de la Dégradation
Health Monitoring pour la Maintenance Prévisionnelle, Modélisation de la Dégradation Laurent Denis STATXPERT Journée technologique "Solutions de maintenance prévisionnelle adaptées à la production" FIGEAC,
Plus en détailI Stabilité, Commandabilité et Observabilité 11. 1 Introduction 13 1.1 Un exemple emprunté à la robotique... 13 1.2 Le plan... 18 1.3 Problème...
TABLE DES MATIÈRES 5 Table des matières I Stabilité, Commandabilité et Observabilité 11 1 Introduction 13 1.1 Un exemple emprunté à la robotique................... 13 1.2 Le plan...................................
Plus en détail3. Caractéristiques et fonctions d une v.a.
3. Caractéristiques et fonctions d une v.a. MTH2302D S. Le Digabel, École Polytechnique de Montréal H2015 (v2) MTH2302D: fonctions d une v.a. 1/32 Plan 1. Caractéristiques d une distribution 2. Fonctions
Plus en détailBTS Groupement A. Mathématiques Session 2011. Spécialités CIRA, IRIS, Systèmes électroniques, TPIL
BTS Groupement A Mathématiques Session 11 Exercice 1 : 1 points Spécialités CIRA, IRIS, Systèmes électroniques, TPIL On considère un circuit composé d une résistance et d un condensateur représenté par
Plus en détailIntroduction à l analyse numérique : exemple du cloud computing
Introduction à l analyse numérique : exemple du cloud computing Tony FEVRIER Aujourd hui! Table des matières 1 Equations aux dérivées partielles et modélisation Equation différentielle et modélisation
Plus en détailModèles à Événements Discrets. Réseaux de Petri Stochastiques
Modèles à Événements Discrets Réseaux de Petri Stochastiques Table des matières 1 Chaînes de Markov Définition formelle Idée générale Discrete Time Markov Chains Continuous Time Markov Chains Propriétés
Plus en détailModélisation intégrée des écoulements pour la gestion en temps réel d'un bassin versant anthropisé
1 TGR Modélisation intégrée des écoulements pour la gestion en temps réel d'un bassin versant anthropisé Simon Munier Institut des Sciences et Industries du Vivant et de l'environnement (AgroParisTech)
Plus en détailBaccalauréat ES Pondichéry 7 avril 2014 Corrigé
Baccalauréat ES Pondichéry 7 avril 204 Corrigé EXERCICE 4 points Commun à tous les candidats. Proposition fausse. La tangente T, passant par les points A et B d abscisses distinctes, a pour coefficient
Plus en détailQuantification Scalaire et Prédictive
Quantification Scalaire et Prédictive Marco Cagnazzo Département Traitement du Signal et des Images TELECOM ParisTech 7 Décembre 2012 M. Cagnazzo Quantification Scalaire et Prédictive 1/64 Plan Introduction
Plus en détail3ème séance de Mécanique des fluides. Rappels sur les premières séances Aujourd hui : le modèle du fluide parfait. 2 Écoulements potentiels
3ème séance de Mécanique des fluides Rappels sur les premières séances Aujourd hui : le modèle du fluide parfait 1 Généralités 1.1 Introduction 1.2 Équation d Euler 1.3 Premier théorème de Bernoulli 1.4
Plus en détailAmphi 3: Espaces complets - Applications linéaires continues
Amphi 3: Espaces complets - Applications linéaires continues Département de Mathématiques École polytechnique Remise en forme mathématique 2013 Suite de Cauchy Soit (X, d) un espace métrique. Une suite
Plus en détailCircuits RL et RC. Chapitre 5. 5.1 Inductance
Chapitre 5 Circuits RL et RC Ce chapitre présente les deux autres éléments linéaires des circuits électriques : l inductance et la capacitance. On verra le comportement de ces deux éléments, et ensuite
Plus en détailLoi binomiale Lois normales
Loi binomiale Lois normales Christophe ROSSIGNOL Année scolaire 204/205 Table des matières Rappels sur la loi binomiale 2. Loi de Bernoulli............................................ 2.2 Schéma de Bernoulli
Plus en détailCONCOURS D ENTREE A L ECOLE DE 2007 CONCOURS EXTERNE. Cinquième épreuve d admissibilité STATISTIQUE. (durée : cinq heures)
CONCOURS D ENTREE A L ECOLE DE 2007 CONCOURS EXTERNE Cinquième épreuve d admissibilité STATISTIQUE (durée : cinq heures) Une composition portant sur la statistique. SUJET Cette épreuve est composée d un
Plus en détailUtilisation d informations visuelles dynamiques en asservissement visuel Armel Crétual IRISA, projet TEMIS puis VISTA L asservissement visuel géométrique Principe : Réalisation d une tâche robotique par
Plus en détailChapitre 2 Le problème de l unicité des solutions
Université Joseph Fourier UE MAT 127 Mathématiques année 2011-2012 Chapitre 2 Le problème de l unicité des solutions Ce que nous verrons dans ce chapitre : un exemple d équation différentielle y = f(y)
Plus en détailExercice autour de densité, fonction de répatition, espérance et variance de variables quelconques.
14-3- 214 J.F.C. p. 1 I Exercice autour de densité, fonction de répatition, espérance et variance de variables quelconques. Exercice 1 Densité de probabilité. F { ln x si x ], 1] UN OVNI... On pose x R,
Plus en détailTD1 Signaux, énergie et puissance, signaux aléatoires
TD1 Signaux, énergie et puissance, signaux aléatoires I ) Ecrire l'expression analytique des signaux représentés sur les figures suivantes à l'aide de signaux particuliers. Dans le cas du signal y(t) trouver
Plus en détailEchantillonnage Non uniforme
Echantillonnage Non uniforme Marie CHABERT IRIT/INP-ENSEEIHT/ ENSEEIHT/TéSASA Patrice MICHEL et Bernard LACAZE TéSA 1 Plan Introduction Echantillonnage uniforme Echantillonnage irrégulier Comparaison Cas
Plus en détailProjet de Traitement du Signal Segmentation d images SAR
Projet de Traitement du Signal Segmentation d images SAR Introduction En analyse d images, la segmentation est une étape essentielle, préliminaire à des traitements de haut niveau tels que la classification,
Plus en détailPrincipe de symétrisation pour la construction d un test adaptatif
Principe de symétrisation pour la construction d un test adaptatif Cécile Durot 1 & Yves Rozenholc 2 1 UFR SEGMI, Université Paris Ouest Nanterre La Défense, France, cecile.durot@gmail.com 2 Université
Plus en détailI. Introduction. 1. Objectifs. 2. Les options. a. Présentation du problème.
I. Introduction. 1. Objectifs. Le but de ces quelques séances est d introduire les outils mathématiques, plus précisément ceux de nature probabiliste, qui interviennent dans les modèles financiers ; nous
Plus en détailCouplage efficace entre Optimisation et Simulation stochastique Application à la maintenance optimale d une constellation de satellites
Couplage efficace entre Optimisation et Simulation stochastique Application à la maintenance optimale d une constellation de satellites Benoît Beghin Pierre Baqué André Cabarbaye Centre National d Etudes
Plus en détailCapacité d un canal Second Théorème de Shannon. Théorie de l information 1/34
Capacité d un canal Second Théorème de Shannon Théorie de l information 1/34 Plan du cours 1. Canaux discrets sans mémoire, exemples ; 2. Capacité ; 3. Canaux symétriques ; 4. Codage de canal ; 5. Second
Plus en détailF411 - Courbes Paramétrées, Polaires
1/43 Courbes Paramétrées Courbes polaires Longueur d un arc, Courbure F411 - Courbes Paramétrées, Polaires Michel Fournié michel.fournie@iut-tlse3.fr http://www.math.univ-toulouse.fr/ fournie/ Année 2012/2013
Plus en détailContents. 1 Introduction Objectifs des systèmes bonus-malus Système bonus-malus à classes Système bonus-malus : Principes
Université Claude Bernard Lyon 1 Institut de Science Financière et d Assurances Système Bonus-Malus Introduction & Applications SCILAB Julien Tomas Institut de Science Financière et d Assurances Laboratoire
Plus en détailSystèmes de transmission
Systèmes de transmission Conception d une transmission série FABRE Maxime 2012 Introduction La transmission de données désigne le transport de quelque sorte d'information que ce soit, d'un endroit à un
Plus en détail3. Conditionnement P (B)
Conditionnement 16 3. Conditionnement Dans cette section, nous allons rappeler un certain nombre de définitions et de propriétés liées au problème du conditionnement, c est à dire à la prise en compte
Plus en détailPROBABILITES ET STATISTIQUE I&II
PROBABILITES ET STATISTIQUE I&II TABLE DES MATIERES CHAPITRE I - COMBINATOIRE ELEMENTAIRE I.1. Rappel des notations de la théorie des ensemble I.1.a. Ensembles et sous-ensembles I.1.b. Diagrammes (dits
Plus en détailMATHS FINANCIERES. Mireille.Bossy@sophia.inria.fr. Projet OMEGA
MATHS FINANCIERES Mireille.Bossy@sophia.inria.fr Projet OMEGA Sophia Antipolis, septembre 2004 1. Introduction : la valorisation de contrats optionnels Options d achat et de vente : Call et Put Une option
Plus en détailDifférentiabilité ; Fonctions de plusieurs variables réelles
Différentiabilité ; Fonctions de plusieurs variables réelles Denis Vekemans R n est muni de l une des trois normes usuelles. 1,. 2 ou.. x 1 = i i n Toutes les normes de R n sont équivalentes. x i ; x 2
Plus en détailMéthodes de quadrature. Polytech Paris-UPMC. - p. 1/48
Méthodes de Polytech Paris-UPMC - p. 1/48 Polynôme d interpolation de Preuve et polynôme de Calcul de l erreur d interpolation Étude de la formule d erreur Autres méthodes - p. 2/48 Polynôme d interpolation
Plus en détailNotes du cours MTH1101N Calcul I Partie II: fonctions de plusieurs variables
Notes du cours MTH1101N Calcul I Partie II: fonctions de plusieurs variables Fausto Errico Département de mathématiques et de génie industriel École Polytechnique de Montréal Automne 2012 Table des matières
Plus en détailCHAPITRE V SYSTEMES DIFFERENTIELS LINEAIRES A COEFFICIENTS CONSTANTS DU PREMIER ORDRE. EQUATIONS DIFFERENTIELLES.
CHAPITRE V SYSTEMES DIFFERENTIELS LINEAIRES A COEFFICIENTS CONSTANTS DU PREMIER ORDRE EQUATIONS DIFFERENTIELLES Le but de ce chapitre est la résolution des deux types de systèmes différentiels linéaires
Plus en détailANALYSE NUMERIQUE ET OPTIMISATION. Une introduction à la modélisation mathématique et à la simulation numérique
1 ANALYSE NUMERIQUE ET OPTIMISATION Une introduction à la modélisation mathématique et à la simulation numérique G. ALLAIRE 28 Janvier 2014 CHAPITRE I Analyse numérique: amphis 1 à 12. Optimisation: amphis
Plus en détailModélisation et simulation
Modélisation et simulation p. 1/36 Modélisation et simulation INFO-F-305 Gianluca Bontempi Département d Informatique Boulevard de Triomphe - CP 212 http://www.ulb.ac.be/di Modélisation et simulation p.
Plus en détailCalcul Stochastique pour la finance. Romuald ELIE
Calcul Stochastique pour la finance Romuald ELIE 2 Nota : Ces notes de cours sont librement inspirées de différentes manuels, polycopiés, notes de cours ou ouvrages. Citons en particulier ceux de Francis
Plus en détail10 leçon 2. Leçon n 2 : Contact entre deux solides. Frottement de glissement. Exemples. (PC ou 1 er CU)
0 leçon 2 Leçon n 2 : Contact entre deu solides Frottement de glissement Eemples (PC ou er CU) Introduction Contact entre deu solides Liaisons de contact 2 Contact ponctuel 2 Frottement de glissement 2
Plus en détailCommande Prédictive. J. P. Corriou. LSGC-ENSIC-CNRS, Nancy. e-mail : corriou@ensic.inpl-nancy.fr
Commande Prédictive J P Corriou LSGC-ENSIC-CNRS, Nancy e-mail : corriou@ensicinpl-nancyfr Ý Consigne Trajectoire de référence Ý Ö Réponse Ý Horizon de prédiction À Ô ¹ Ù ¹ Temps Entrée Ù Horizon de commande
Plus en détailChapitre 7 : Intégration sur un intervalle quelconque
Universités Paris 6 et Paris 7 M1 MEEF Analyse (UE 3) 2013-2014 Chapitre 7 : Intégration sur un intervalle quelconque 1 Fonctions intégrables Définition 1 Soit I R un intervalle et soit f : I R + une fonction
Plus en détailProcessus aléatoires avec application en finance
Genève, le 16 juin 2007. Processus aléatoires avec application en finance La durée de l examen est de deux heures. N oubliez pas d indiquer votre nom et prénom sur chaque feuille. Toute documentation et
Plus en détailLISACode. Un simulateur opérationnel pour LISA. Antoine PETITEAU LISAFrance - le 16 mai 2006
LISACode Un simulateur opérationnel pour LISA Antoine PETITEAU LISAFrance - le 16 mai 2006 Plan Rappel sur LISACode. Validation du simulateur. Possibilités du simulateur. Résultats obtenus. Bruit de confusion.
Plus en détailPlan. 5 Actualisation. 7 Investissement. 2 Calcul du taux d intérêt 3 Taux équivalent 4 Placement à versements fixes.
Plan Intérêts 1 Intérêts 2 3 4 5 6 7 Retour au menu général Intérêts On place un capital C 0 à intérêts simples de t% par an : chaque année une somme fixe s ajoute au capital ; cette somme est calculée
Plus en détailTravail en collaboration avec F.Roueff M.S.Taqqu C.Tudor
Paramètre de longue mémoire d une série temporelle : le cas non linéaire Travail en collaboration avec F.Roueff M.S.Taqqu C.Tudor Notion de longue mémoire Les valeurs d une série temporelle X = (X l )
Plus en détailRepérage d un point - Vitesse et
PSI - écanique I - Repérage d un point - Vitesse et accélération page 1/6 Repérage d un point - Vitesse et accélération Table des matières 1 Espace et temps - Référentiel d observation 1 2 Coordonnées
Plus en détail2 TABLE DES MATIÈRES. I.8.2 Exemple... 38
Table des matières I Séries chronologiques 3 I.1 Introduction................................... 3 I.1.1 Motivations et objectifs......................... 3 I.1.2 Exemples de séries temporelles.....................
Plus en détailLes mathématiques de la finance Université d été de Sourdun Olivier Bardou olivier.bardou@gdfsuez.com 28 août 2012 De quoi allons nous parler? des principales hypothèses de modélisation des marchés, des
Plus en détailStatistiques Descriptives à une dimension
I. Introduction et Définitions 1. Introduction La statistique est une science qui a pour objectif de recueillir et de traiter les informations, souvent en très grand nombre. Elle regroupe l ensemble des
Plus en détailde calibration Master 2: Calibration de modèles: présentation et simulation d
Master 2: Calibration de modèles: présentation et simulation de quelques problèmes de calibration Plan de la présentation 1. Présentation de quelques modèles à calibrer 1a. Reconstruction d une courbe
Plus en détailTable des matières. Introduction Générale 5
Table des matières Introduction Générale 5 1 Généralités et rappels 16 1.1 Rappels... 16 1.1.1 Introduction... 16 1.1.2 Notion de stabilité...... 17 1.1.3 Stabilité globale et stabilité locale... 17 1.1.4
Plus en détailUNIVERSITE DE TECHNOLOGIE DE COMPIEGNE. Le Traitement du Signal aléatoire
UNIVERSITE DE TECHNOLOGIE DE COMPIEGNE Le Traitement du Signal aléatoire SY06 partie II - Printemps 2009 P.Simard 12 mai 2009 2 Table des matières 1 Besoins de modèles aléatoires pour les signaux 5 2 Principaux
Plus en détailTechniques de Lyapunov en contrôle quantique pour le couplage dipolaire et polarisabilité
Techniques de Lyapunov en contrôle quantique pour le couplage dipolaire et polarisabilité Andreea Grigoriu avec Jean-Michel Coron, Cătălin Lefter and Gabriel Turinici CEREMADE-Université Paris Dauphine
Plus en détailRetournement Temporel
Retournement Temporel Rédigé par: HENG Sokly Encadrés par: Bernard ROUSSELET & Stéphane JUNCA 2 juin 28 Remerciements Je tiens tout d'abord à remercier mes responsables de mémoire, M.Bernard ROUSSELET
Plus en détailTempérature corporelle d un castor (une petite introduction aux séries temporelles)
Température corporelle d un castor (une petite introduction aux séries temporelles) GMMA 106 GMMA 106 2014 2015 1 / 32 Cas d étude Temperature (C) 37.0 37.5 38.0 0 20 40 60 80 100 Figure 1: Temperature
Plus en détail4 Distributions particulières de probabilités
4 Distributions particulières de probabilités 4.1 Distributions discrètes usuelles Les variables aléatoires discrètes sont réparties en catégories selon le type de leur loi. 4.1.1 Variable de Bernoulli
Plus en détailChapitre 0 Introduction à la cinématique
Chapitre 0 Introduction à la cinématique Plan Vitesse, accélération Coordonnées polaires Exercices corrigés Vitesse, Accélération La cinématique est l étude du mouvement Elle suppose donc l existence à
Plus en détailCours C6 : Vibrations non linéaires
Vibrations non linéaires Bruno COCHELIN Laboratoire de Mécanique et d Acoustique, CNRS UPR 751 Ecole Centrale Marseille Acoustique non linéaire et milieux complexes -6 Juin 14 - Oléron Acoustique non linéaire
Plus en détailL ÉVALUATION DES OPTIONS AVEC PRIME DE LIQUIDITÉ
L ÉVALUATION DES OPTIONS AVEC PRIME DE LIQUIDITÉ L ÉVALUATION DES OPTIONS AVEC PRIME DE LIQUIDITÉ Mondher Bellalah (Université du Maine) et Jean-Luc Prigent (Université de Cergy-Pontoise) 1 Résumé. Les
Plus en détailExpérience 3 Formats de signalisation binaire
Expérience 3 Formats de signalisation binaire Introduction Procédures Effectuez les commandes suivantes: >> xhost nat >> rlogin nat >> setenv DISPLAY machine:0 >> setenv MATLABPATH /gel/usr/telecom/comm_tbx
Plus en détailProgrammes des classes préparatoires aux Grandes Ecoles
Programmes des classes préparatoires aux Grandes Ecoles Filière : scientifique Voie : Biologie, chimie, physique et sciences de la Terre (BCPST) Discipline : Mathématiques Seconde année Préambule Programme
Plus en détailChapitre 1 Régime transitoire dans les systèmes physiques
Chapitre 1 Régime transitoire dans les systèmes physiques Savoir-faire théoriques (T) : Écrire l équation différentielle associée à un système physique ; Faire apparaître la constante de temps ; Tracer
Plus en détailENS de Lyon TD 1 17-18 septembre 2012 Introduction aux probabilités. A partie finie de N
ENS de Lyon TD 7-8 septembre 0 Introduction aux probabilités Exercice Soit (u n ) n N une suite de nombres réels. On considère σ une bijection de N dans N, de sorte que (u σ(n) ) n N est un réordonnement
Plus en détail0 h(s)ds et h [t = 1 [t, [ h, t IR +. Φ L 2 (IR + ) Φ sur U par
Probabilités) Calculus on Fock space and a non-adapted quantum Itô formula Nicolas Privault Abstract - The aim of this note is to introduce a calculus on Fock space with its probabilistic interpretations,
Plus en détail3 Approximation de solutions d équations
3 Approximation de solutions d équations Une équation scalaire a la forme générale f(x) =0où f est une fonction de IR dans IR. Un système de n équations à n inconnues peut aussi se mettre sous une telle
Plus en détailSéries temporelles : régression, et modélisation ARIMA(p,d,q)
Séries temporelles : régression, et modélisation ARIMA(p,d,q) 2 décembre 2012 Enseignant : Florin Avram Objectif : La prédiction des phénomènes spatio-temporaux est une des preoccupations principales dans
Plus en détailL E Ç O N. Marches aléatoires. Niveau : Terminale S Prérequis : aucun
9 L E Ç O N Marches aléatoires Niveau : Terminale S Prérequis : aucun 1 Chaînes de Markov Définition 9.1 Chaîne de Markov I Une chaîne de Markov est une suite de variables aléatoires (X n, n N) qui permet
Plus en détail!-.!#- $'( 1&) &) (,' &*- %,!
0 $'( 1&) +&&/ ( &+&& &+&))&( -.#- 2& -.#- &) (,' %&,))& &)+&&) &- $ 3.#( %, (&&/ 0 ' Il existe plusieurs types de simulation de flux Statique ou dynamique Stochastique ou déterministe A événements discrets
Plus en détailMODELES DE DUREE DE VIE
MODELES DE DUREE DE VIE Cours 1 : Introduction I- Contexte et définitions II- Les données III- Caractéristiques d intérêt IV- Evènements non renouvelables/renouvelables (unique/répété) I- Contexte et définitions
Plus en détailAttitude des ménages face au risque. M1 - Arnold Chassagnon, Université de Tours, PSE - Automne 2014
Attitude des ménages face au risque - M1 - Arnold Chassagnon, Université de Tours, PSE - Automne 2014 Plan du cours 1. Introduction : demande de couverture et comportements induits pa 2. Représentations
Plus en détail(Risque de migration) J.Janssen,Solvay Business School, Brussels R.Manca,La Sapienza, Roma
(Risque de migration) J.Janssen,Solvay Business School, Brussels R.Manca,La Sapienza, Roma Giuseppe Di Biase, Università G. D Annunzio di Chieti, Chieti Guglielmo D Amico, Università G. D Annunzio di Chieti,
Plus en détailRésumé des communications des Intervenants
Enseignements de la 1ere semaine (du 01 au 07 décembre 2014) I. Titre du cours : Introduction au calcul stochastique pour la finance Intervenante : Prof. M hamed EDDAHBI Dans le calcul différentiel dit
Plus en détailTESTS PORTMANTEAU D ADÉQUATION DE MODÈLES ARMA FAIBLES : UNE APPROCHE BASÉE SUR L AUTO-NORMALISATION
TESTS PORTMANTEAU D ADÉQUATION DE MODÈLES ARMA FAIBLES : UNE APPROCHE BASÉE SUR L AUTO-NORMALISATION Bruno Saussereau Laboratoire de Mathématiques de Besançon Université de Franche-Comté Travail en commun
Plus en détailChafa Azzedine - Faculté de Physique U.S.T.H.B 1
Chafa Azzedine - Faculté de Physique U.S.T.H.B 1 Définition: La cinématique est une branche de la mécanique qui étudie les mouements des corps dans l espace en fonction du temps indépendamment des causes
Plus en détailI. Polynômes de Tchebychev
Première épreuve CCP filière MP I. Polynômes de Tchebychev ( ) 1.a) Tout réel θ vérifie cos(nθ) = Re ((cos θ + i sin θ) n ) = Re Cn k (cos θ) n k i k (sin θ) k Or i k est réel quand k est pair et imaginaire
Plus en détailPROGRAMME DES FORMATIONS 2015
PROGRAMME DES FORMATIONS 2015 Le programme des formations 2015 comprend : La formation «LAKE-PLM», très complète et très appréciée, enrichie par l arrivée des nouveaux amplis Lab.Gruppen Serie D et PLM+.
Plus en détailLABO 5 ET 6 TRAITEMENT DE SIGNAL SOUS SIMULINK
LABO 5 ET 6 TRAITEMENT DE SIGNAL SOUS SIMULINK 5.1 Introduction Simulink est l'extension graphique de MATLAB permettant, d une part de représenter les fonctions mathématiques et les systèmes sous forme
Plus en détailOrdonnancement robuste et décision dans l'incertain
Ordonnancement robuste et décision dans l'incertain 4 ème Conférence Annuelle d Ingénierie Système «Efficacité des entreprises et satisfaction des clients» Centre de Congrès Pierre Baudis,TOULOUSE, 2-4
Plus en détailPLAN DE COURS. GPA750 Ordonnancement des systèmes de production aéronautique
Département de génie de la production automatisée Programme de baccalauréat Professeur Pontien Mbaraga, Ph.D. Session/année Automne 2004 Groupe(s) 01 PLAN DE COURS GPA750 Ordonnancement des systèmes de
Plus en détailProgrammation linéaire
1 Programmation linéaire 1. Le problème, un exemple. 2. Le cas b = 0 3. Théorème de dualité 4. L algorithme du simplexe 5. Problèmes équivalents 6. Complexité de l Algorithme 2 Position du problème Soit
Plus en détailTSTI 2D CH X : Exemples de lois à densité 1
TSTI 2D CH X : Exemples de lois à densité I Loi uniforme sur ab ; ) Introduction Dans cette activité, on s intéresse à la modélisation du tirage au hasard d un nombre réel de l intervalle [0 ;], chacun
Plus en détailOPTIMISATION DE LA MAINTENANCE DES EQUIPEMENTS DE MANUTENTION DU TERMINAL A CONTENEURS DE BEJAIA (BMT)
OPTIMISATION DE LA MAINTENANCE DES EQUIPEMENTS DE MANUTENTION DU TERMINAL A CONTENEURS DE BEJAIA (BMT) LAGGOUNE Radouane 1 et HADDAD Cherifa 2 1,2: Dépt. de G. Mécanique, université de Bejaia, Targa-Ouzemour
Plus en détail