Questões de Concurso Público INPE 2024 para Tecnologista Pleno I - Desenvolvimento ou Aprimoramento de Sistema de Assimilação de Dados nas Componentes do Sistema Terrestre e de Aplicações para Monitoramento do Processo de Assimilação
Foram encontradas 45 questões
Nesse contexto, assinale a opção que indica uma das características do Filtro de Kalman clássico.
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
Entre as vantagens do EnKF com relação ao KF e ao EKF, destaca-se a
![Imagem associada para resolução da questão](https://qcon-assets-production.s3.amazonaws.com/images/provas/111246/Screenshot_9.png)
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
![Imagem associada para resolução da questão](https://qcon-assets-production.s3.amazonaws.com/images/provas/111246/Screenshot_10.png)
Considerando as condições enunciadas acima, para garantir estimativas de covariâncias não enviesadas, a matriz A pode ser calculada pela expressão:
Para garantir estimativas de covariâncias não enviesadas, a matriz B pode ser calculada pela expressão: