MARC

 008180601s2016        us          esm        001c    eng
■001MOKWON01260640
■00520180518093021
■007cr
■020    ▼a9781369692792
■035    ▼a(MiAaPQ)0803vireo:18168Yu
■035    ▼a(MiAaPQ)AAI10588187
■040    ▼aMiAaPQ▼cMiAaPQ
■090    ▼a전자도서(박사논문)
■1001  ▼aYu,  Dan.
■24510▼aState  estimation  of  spatio-temporal  phenomena▼h[electronic  resource]▼cYu,  Dan.
■260    ▼a[Sl]▼bTexas  A&M  University▼c2016
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2016
■300    ▼a1  online  resource(208  p)
■500    ▼aSource:  Dissertation  Abstracts  International,  Volume:  78-08(E),  Section:  B.
■500    ▼aAdviser:  Suman  Chakravorty.
■5021  ▼aThesis  (Ph.D.)--Texas  A&M  University,  2016.
■520    ▼aThis  dissertation  addresses  the  state  estimation  problem  of  spatio-temporal  phenomena  which  can  be  modeled  by  partial  differential  equations  (PDEs),  such  as  pollutant  dispersion  in  the  atmosphere.  After  discretizing  the  PDE,  the  dynamical  system  has  a  large  number  of  degrees  of  freedom  (DOF).  State  estimation  using  Kalman  Filter  (KF)  is  computationally  intractable,  and  hence,  a  reduced  order  model  (ROM)  needs  to  be  constructed  first.  Moreover,  the  nonlinear  terms,  external  disturbances  or  unknown  boundary  conditions  can  be  modeled  as  unknown  inputs,  which  leads  to  an  unknown  input  filtering  problem.  Furthermore,  the  performance  of  KF  could  be  improved  by  placing  sensors  at  feasible  locations.  Therefore,  the  sensor  scheduling  problem  to  place  multiple  mobile  sensors  is  of  interest.
■520    ▼aThe  first  part  of  the  dissertation  focuses  on  model  reduction  for  large  scale  systems  with  a  large  number  of  inputs/outputs.  A  commonly  used  model  reduction  algorithm,  the  balanced  proper  orthogonal  decomposition  (BPOD)  algorithm,  is  not  computationally  tractable  for  large  systems  with  a  large  number  of  inputs/outputs.  Inspired  by  the  BPOD  and  randomized  algorithms,  we  propose  a  randomized  proper  orthogonal  decomposition  (RPOD)  algorithm  and  a  computationally  optimal  RPOD  (RPOD*)  algorithm,  which  construct  an  ROM  to  capture  the  input-output  behaviour  of  the  full  order  model,  while  reducing  the  computational  cost  of  BPOD  by  orders  of  magnitude.  It  is  demonstrated  that  the  proposed  RPOD*  algorithm  could  construct  the  ROM  in  real-time,  and  the  performance  of  the  proposed  algorithms  on  different  advection-diffusion  equations.
■520    ▼aNext,  we  consider  the  state  estimation  problem  of  linear  discrete-time  systems  with  unknown  inputs  which  can  be  treated  as  a  wide-sense  stationary  process  with  rational  power  spectral  density,  while  no  other  prior  information  needs  to  be  known.  We  propose  an  autoregressive  (AR)  model  based  unknown  input  realization  technique  which  allows  us  to  recover  the  input  statistics  from  the  output  data  by  solving  an  appropriate  least  squares  problem,  then  fit  an  AR  model  to  the  recovered  input  statistics  and  construct  an  innovations  model  of  the  unknown  inputs  using  the  eigensystem  realization  algorithm.  The  proposed  algorithm  outperforms  the  augmented  two-stage  Kalman  Filter  (ASKF)  and  the  unbiased  minimum-variance  (UMV)  algorithm  are  shown  in  several  examples.
■520    ▼aFinally,  we  propose  a  framework  to  place  multiple  mobile  sensors  to  optimize  the  long-term  performance  of  KF  in  the  estimation  of  the  state  of  a  PDE.  The  major  challenges  are  that  placing  multiple  sensors  is  an  NP-hard  problem,  and  the  optimization  problem  is  non-convex  in  general.  In  this  dissertation,  first,  we  construct  an  ROM  using  RPOD*  algorithm,  and  then  reduce  the  feasible  sensor  locations  into  a  subset  using  the  ROM.  The  Information  Space  Receding  Horizon  Control  (I-RHC)  approach  and  a  modified  Monte  Carlo  Tree  Search  (MCTS)  approach  are  applied  to  solve  the  sensor  scheduling  problem  using  the  subset.  Various  applications  have  been  provided  to  demonstrate  the  performance  of  the  proposed  approach.
■590    ▼aSchool  code:  0803.
■650  4▼aAerospace  engineering
■690    ▼a0538
■71020▼aTexas  A&M  University▼bAerospace  Engineering.
■7730  ▼tDissertation  Abstracts  International▼g78-08B(E).
■773    ▼tDissertation  Abstract  International
■790    ▼a0803
■791    ▼aPh.D.
■792    ▼a2016
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T14821035▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.
■980    ▼a20180515▼f2018

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서