Questões de Algoritmos e Estrutura de Dados para Concurso

A reamostragem em filtros de partículas pode ser realizada por meio da criação de novas amostras retiradas das distribuições de probabilidade discretas correspondentes a conjuntos de partículas e suas configurações de pesos. No entanto, o fato de as novas amostras serem criadas exatamente nos mesmos pontos do espaço em que se localizam as partículas anteriores é inconveniente, pois facilita o empobrecimento das partículas (i.e., o chamado particle impoverishment).

Uma forma de produzir um novo conjunto de partículas em pontos distintos é substituir as distribuições discretas de probabilidade por aproximações contínuas e, somente então, realizar a reamostragem. A criação dessas aproximações se dá por meio de uma operação matemática entre a distribuição de probabilidade discreta e um kernel contínuo.

Nesse contexto, o processo de reamostragem em distribuições de probabilidade contínuas, que aproximam distribuições discretas correspondentes às configurações de partículas, é chamado de

Filtros de Partículas são implementações não paramétricas de filtros Bayesianos em que as distribuições de probabilidade não são explicitamente definidas, sendo, portanto, representadas por um conjunto de amostras provenientes delas próprias (denominadas partículas).

Com relação aos filtros de partículas, analise as afirmativas a seguir e assinale (V) para a verdadeira e (F) para a falsa.

( ) As partículas representam observações (ou medidas) obtidas por sensores aplicados ao sistema em análise, e a elas são associados pesos proporcionais às suas probabilidades de coincidirem com medidas correspondentes ao estado verdadeiro do sistema.
( ) Quando aplicados à assimilação de dados, a cada passo de assimilação, novos pesos são atribuídos às partículas. Caso não seja realizado nenhum processo de reamostragem, o conjunto de partículas costuma degenerar-se, com uma das partículas recebendo peso normalizado próximo de 1 e as outras partículas recebendo pesos normalizados próximos de 0.
( ) São capazes de representar distribuições de probabilidade multimodais, isto é, cujas densidades de probabilidade possuem mais de um máximo local.

As afirmativas são, respectivamente,

O Filtro de Kalman por Conjunto, ou Ensemble Kalman Filter - EnKF, representa uma alternativa ao Filtro de Kalman Clássico (KF) e ao Filtro de Kalman Estendido (EKF) para a assimilação de dados sequencial com grandes conjuntos de dados.

Entre as vantagens do EnKF com relação ao KF e ao EKF, destaca-se a 

A utilização de Filtros de Kalman clássicos (Kalman Filters - KF) ou estendidos (Extended Kalman Filters - EKF) para a assimilação de dados envolve dificuldades práticas.

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

Filtros Bayesianos são métodos usados para estimar o estado de um sistema dinâmico que seja observado por meio de medidas com incertezas. Entre os algoritmos utilizados para implementação de filtros Bayesianos, pode-se citar o Filtro de Kalman clássico, aplicável a sistemas de modelos lineares e com distribuições Gaussianas de probabilidade.

Nesse contexto, assinale a opção que indica uma das características do Filtro de Kalman clássico.