UNIVERSIDADE FEDERAL DA GRANDE DOURADOS
AUTOR
TESTE
DOURADOS-MS
2010
AUTOR
TÍTULO
Trabalho de Conclusão de Curso de graduação
apresentado para obtenção do título de
Bacharel em Sistemas de Informação.
Faculdade de Ciências Exatas e Tecnologia
Universidade Federal da Grande Dourados
Orientadora: Profa. Dra. Valguima V. V. A. Odakura
Co-Orientador: Prof. M.Sc. Rodrigo Porfírio da Silva Sacchi
DOURADOS-MS
2010
Resumo
Palavras-chave:
Sumário
1
2
3
Introdução
5
1.1
Objetivos Gerais . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
5
1.2
Objetivos Especícos
. . . . . . . . . . . . . . . . . . . . . . . . . . . . .
5
1.3
Metodologia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
5
Fundamentos Teóricos
7
2.1
7
Filtro de Kalman . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Conclusão e Trabalhos Futuros
9
Capítulo 1
Introdução
1.1 Objetivos Gerais
1.2 Objetivos Especícos
1. Estudo de técnicas de multi-rastreamento.
2. Implementação de algoritmos para análise de ecácia dos larvicidas.
3. ...
1.3 Metodologia
1. Estudo de técnicas de multi-rastreamento.
• Estudo de técnica de rastreamento simples (FK e FKE)
• Estudo de técnicas de multi-rastreamento
• Escolha da técnica de multi-rastreamento para as larvas
2. Implementação de algoritmos para rastreamento das larvas.
• Modelagens das classes a serem utilizadas no sistema
• Implementação do algoritmo de multi-rastreamento
• Realização de testes
• Programação da Interface do Sistema
1.3. Metodologia
3. Escrita da monograa.
• Geração de artigo
O trabalho esta organizado da seguinte maneira. Inicialmente será abordada a...
6
Capítulo 2
Fundamentos Teóricos
Neste capítulo serão explanados os conceitos utilizados neste trabalho. Primeiramente se introduzirá o conceito do ltro de Kalman, para depois mostrar uma variação deste para modelos não-lineares, o ltro de Kalman Estendido. Finalizando,
será explanada a técnica de casamento de dados Associação de Dados Probabilísticos
Conjuntos - Joint Probabilistic Data Association, utilizada em conjunto com o ltro
de Kalman.
2.1 Filtro de Kalman
Segundo [1] o Filtro de Kalman(FK) é, em termos simples, um algoritmo de processamento de dados recursivo ótimo.
O FK oferece uma solução ótima para o
problema de rastreamento do estado de um processo de tempo discreto que serve
para equações diferenciais estocásticas lineares.
Formalmente, o modelo de movimento é denido pela matriz de transição de estado
Fk,k+1 , n × n, que realiza o mapeamento do estado xk do alvo para o estado xk+1 .
Todo estado
xk é da forma
xk = Fk−1,k xk−1 + wk ,
onde
(2.1)
wk é o ruído (ou erro) do estado. É necessário fornecer de entrada para o
FK qual o ruído médio obtido em cada uma das variáveis em
matriz de erro no estado
xk , representado pela
Qk , n × n. Outra restrição do FK é a necessidade de que
todos os erros sejam aditivos, gaussianos e brancos. Temos que, quanto mais correta
2.1. Filtro de Kalman
8
Figura 2.1: Observações, predições e áreas de validação.
for a matriz de transição para um determinado alvo, maior é a chance de se obter
uma predição que seja bastante próxima do estado real do alvo, ou seja, a matriz
de transição de estado é um conjunto de informações que permite ao FK realizar a
predição de estado de um modo a diminuir o erro entre o estado predito e o estado
real do alvo.
Na Figura 2.1, supondo que
de validação) e que
a, b, c sejam predições (as circunferências são as áreas
1, 2, 3, 4e5 sejam observações, um evento provável seria o se-
guinte conjunto de associações
χ(k) = (a,2),(b,4),(c,3), um evento não-provável seria
(a,1),(b,3),(c,2) pois a observação 1 não se encontra na área de validação de
a.
Capítulo 3
Conclusão e Trabalhos Futuros
Referências Bibliográcas
[1] Peter S. Maybeck.
Stochastic models, estimation and control, volume 1 of C.
Academic Press, 1979.