Questões de Algoritmos e Estrutura de Dados - Conceitos Básicos e Algoritmos para Concurso
Foram encontradas 749 questões
Com relação à formulação variacional de assimilação de dados, analise as afirmativas a seguir e assinale (V) para a verdadeira e (F) para a falsa.
( ) Trata-se da busca por estados dos sistemas que minimizam um funcional de custo, em geral definido como um erro quadrático entre observações e predições correspondentes àqueles estados, calculadas por modelos matemáticos.
( ) Envolve a necessidade de aplicação de técnicas de localização e/ou inflação de covariâncias para eliminar correlações espurias entre possíveis soluções de problemas de otimização.
( ) Baseia-se em otimizações com restrições dinâmicas fortes, introduzidas no problema por uso de multiplicadores de Largrange; ou fracas, introduzidas no problema como termos ponderados de penalidades.
As afirmativas são, respectivamente,
em que: xk é um vetor de estados de n dimensões em um dado instante de tempo K; M e H são mapeamentos não-lineares de Rn para Rn e de Rm para Rm, respectivamente; q e r são vetores aleatórios gaussianos de média nula e covariância Q e R, respectivamente.
Considere a implementação de um Filtro de Kalman por Conjunto (Ensemble Kalman Filter - EnKF) com 1000 pontos representando possíveis estados. Cada um dos 1000 pontos é denotado xt(i), onde i é inteiro e varia de 1 a 1000.
Considere, ainda, que a média dos pontos do conjunto no instante k pode ser representada por , e que o ganho de Kalman no instante k é geralmente representado pelo produto de uma matriz A pela inversa de uma matriz B (Kk = AB−1).
Considerando as condições enunciadas acima, para garantir estimativas de covariâncias não enviesadas, a matriz A pode ser calculada pela expressão:
Com relação a essas dificuldades, analise as afirmativas a seguir.
I. O EKF é o método otimizado para a assimilação de dados sequencial de um modelo dinâmico linear n-dimensional, sendo o KF apropriado apenas para sistemas unidimensionais.
II. O uso do KF e do EKF em modelos dinâmicos que contam com vetores de estados com muitas dimensões requer alta capacidade computacional e de armazenamento, tornando-os práticos apenas para modelos simplificados, de baixa dimensionalidade.
III. A linearização de modelos não lineares envolve a aproximação de funções matemáticas com o truncamento de séries, o que pode gerar erros de propagação de covariâncias, especialmente em modelos de alta dimensionalidade.
Está correto o que se afirma em
Nesse contexto, assinale a opção que indica uma das características do Filtro de Kalman clássico.