Transfer function Laplace (s) untuk low pass filter
G(s) = K/(1+Tc.s)
dimana K adalah gain filter, Tc adalah konstanta waktu filter, s adalah variabel Laplace.
Persamaan beda untuk low pass filter diskrit
x[n+1] = (1-Ts/Tc).x[n] + K.(Ts/Tc).u[n]
y[n] = x[n]
dimana Ts adalah time sampling, Tc adalah konstanta waktu filter (cut-off), K adalah gain filter, dan u[n] adalah sinyal input filter.
Suatu kendaraan udara, misalnya UAV, bergerak menuju target sambil menghindari bangunan atau rintangan apa pun. Algoritma ini terdiri dari dua bagian. Pertama, algoritma untuk memandu UAV bergerak menuju target dengan menaikkan atau menurunkan heading angle (psi) hingga tepat mengarah ke target. Bagian kedua, algoritma untuk menghitung gaya tolak dari rintangan apapun terhadap UAV untuk menghindari tabrakan. Gaya tolakan (berupa akselerasi) ini kemudian ditambahkan ke kecepatan UAV dan memberikan arah untuk menghindari rintangan. Sambil menghindari rintangan, algoritma pertama memandu UAV menuju target. Kedua bagian ini bekerja secara simultan hingga UAV mencapai target. Script ini dikembangkan menggunakan MATLAB 2016A.
Kata kunci; menghindari rintangan, obstacle avoidance, unmanned aero vehicle (UAV), MATLAB
Lemma. Suatu matriks A n×n dapat didiagonalisasi jika dan hanya jika A memiliki n eigenvector v1,v2,...,vn yang bebas linier (linierly independent).
Misalnya, λ1,λ2,...,λn adalah eigenvalue yang sesuai dengan eigenvector v1,v2,...,vn.
Kemudian, kita dapat menyusun:
Konstruksi di atas, memastikan bahwa A = QDQ-1.
Tulisan ringkas ini menjelaskan model matematik enam derajat kebebasan (six degree of freedom) suatu titik massa dalam frame Earth-Centered Earth Fixed.
Enam derajat kebebasan adalah tiga gerak translasi (X, Y, Z) dan tiga gerak rotasi (Roll, Pitch, dan Yaw).
Intrapolasi adalah sebuah metode dalam analisis numerik yang bertujuan untuk mendapatkan data baru dari kumpulan data-data diskret yang telah ada sebelumnya menggunakan sebuah algoritma tertentu. Terdapat banyak variasi intrapolasi untuk mendapatkan data-data baru. Di antaranya ialah intrapolasi linear, yaitu menggunakan bentuk persamaan linear antara titik untuk menemukan titik-titik di antara kedua titik tersebut, dan intrapolasi kuadratik, yaitu membuat persamaan kuadrat untuk menemukan titik hasil intrapolasi.
Tulisan ini akan menjelaskan intrapolasi kubik spline, yaitu salah satu metode intrapolasi yang menggunakan metode piecewise polynomials (intrapolasi sepotong demi sepotong) pangkat tiga antara titik-titik yang telah diketahui. Titik-titik yang telah diketahui ini akan dibuat polinomial pangkat tiganya secara iterasi atau sedikit demi sedikit hingga mencapai ke titik paling akhir. Kelebihan fungsi ini ialah dapat mengonstruksi sebuah garis yang cukup akurat dan tidak ada titik yang berubah secara tiba-tiba. Terdapat beberapa karakteristik yang dimiliki oleh intrapolasi jenis ini, salah satunya ialah memiliki kontinuitas 𝐶2 pada titik-titik knot-nya (titik sampel yang telah diketahui sebelumnya). Untuk lebih jelasnya ...
(PDF) Memahami Intrapolasi 3-D dan 4-D dengan Metode Spline Menggunakan Fungsi MATLAB interp3.
Available from: https://www.researchgate.net/publication/364091881_Memahami_Intrapolasi_3-D_dan_4-D_dengan_Metode_Spline_Menggunakan_Fungsi_MATLAB_interp3 [accessed Nov 22 2022].
Saya ingin coba membuat kontroler PI untuk sistem kontinu berikut dengan script MATLAB.
Sys = 1/(s+1)3
Pertama, saya buat representasi sistem Sys di atas dengan fungsi zpk
Cukup dengan script ini ...
N = 4; % Jumlah bit biner
output = dec2bin(2^N-1:-1:0)-'0'
fs = 1e3; % Sample frequency (Hz)
t = [0:1/fs:10]; % Time vector
x = 5*sin(2*pi*300.*t)+2*sin(2*pi*100.*t); % Signal
y = fft(x);
n = length(x); % number of samples
f = (0:n-1)*(fs/n); % frequency range
power = abs(y).^2/n; % power of the DFT
plot(f,power)
xlabel('Frequency')
ylabel('Power')
% MATLAB SCRIPT FOR DISCRETE KALMAN FILTER IN NOISY MEASUREMENT SIGNAL
clc
%% INPUT
y = signal(:,2); % Signal
t = signal(:,1); % Time vector
n = length(y);
%% ESTIMASI PARAMETER MODEL AUTO-REGRESSIVE ORDE 2
% y[k] = fi0 + fi1.y[k-1] + fi2.y[k-1]
x1 = 0;
x2 = 0;
x1(1) = 0;
x1(2) = y(1);
x2(1) = 0;
x2(2) = 0;
X(1,:) = [1 x1(1) x2(1)];
X(2,:) = [1 x1(2) x2(2)];
for k = 3:n
x1(k) = y(k-1);
x2(k) = y(k-2);
X(k,:) = [1 x1(k) x2(k)];
end
fi = inv(X'*X)*X'*y; % fi0, fi1, fi2
%% DISCRETE KALMAN FILTER
% Define:
% x1[k] = y[k-1]
% x2[k] = y[k-2]
Q = eye(2)*0.001;
R = eye(1)*0.01;
A = [fi(2) fi(3);1 0]; % [fi(2) fi(3);1 0]
F = [fi(1) 0]'; % fi(1)
H = [fi(2) fi(3)];
xmin = [0 0]';
Pmin = 0.01*speye(2);
for i = 1:n
x = A*xmin+F;
P = A*Pmin*A'+Q;
K = P*H'*inv(H*P*H'+R);
x = x+K*(y(i)-H*x);
P = (speye(2)-K*H)*P;
zest(i) = H*x+fi(1);
xmin = x;
Pmin = P;
end
%% PLOT
figure
plot(t,zest,'LineWidth',1);
set(gca,'FontSize',12)
xlabel('Time (s)','FontSize',12);
ylabel('Voltage','FontSize',12);
axis([0 5 0 0.01])
Diketahui satu sistem persamaan
-4x1 + 2x2 +x3 = 0
2x1 + 3x2 - x3 = 0
-2x1 + 5x2 = 0
Sistem di atas bisa direpresntasikan sebagai Ax = b, dimana
A = [-4 2 1;2 3 -1;-2 5 0]
x = [x1 x2 x3]
b = [0; 0; 0]
Karena persamaan 3 adalah jumlahan dari persamaan 1 dan 2 maka:
- sistem ini tidak punya solusi trivial (eksak), tetapi punya solusi non-trivial,
- determinan A adalah 0 sehingga A adalah matriks singular.
Untuk mencari solusi sistem di atas dengan MATLAB, gunakan fungsi reduksi baris pada matriks gabungan [A b] dengan fungsi rref
>> x = rref([A b])
ans =
1.0000 0 -0.3125 0
0 1.0000 -0.1250 0
0 0 0 0
Arti dari hasil di atas adalah menyatakan x1 dan x2 sebagai fungsi dari x3
x2 = 0.125x3
x1 = 0.3125x3
dimana x3 dapat diisi dengan sembarang bilangan riel.
Misalnya ada sistem persamaan linier seperti ini:
2x1 - x2 + 5x3 = 5
4x1 + 7x2 - x3 = 2
-x1 - 3x2 - 4x3 = 3
x1 + x2 + x3 = 1
Ada empat persamaan dan tiga variabel. Jumlah persamaan lebih banyak daripada jumlah variabel yang dicari. Sistem ini disebut overdetermined.
Sistem semacam ini bisa diselesaikan dengan Pseudo-Inverse.
Nyatakan sistem persamaan dalam matriks Ax = b
dimana
A = [2 -1 5;4 7 -1;-1 -3 -4;1 1 1]
x = [x1; x2; x3]
b = [5; 2; 3; 1]
Solusinya dapat dihitung dengan x = pinv(A)b, dimana pinv(A) adalah pseudo inverse dari A.
Saya coba dengan MATLAB, didapatlah solusi
x = [2.8348; -1.3939; -0.4137]
Untuk cek, bisa dicoba Ax seharusnya sama dengan b
Ax = [4.9950; 1.9961; 3.0016; 1.0273]
Nilai Ax tidak persis sama dengan b, namun mendekati nilai b, karena pseudo-inverse dihitung secara numerik iteratif, bukan eksak.
Misal:
m = 1;
a = [1,2,3,4,5];
save(['data_',num2str(m),'.mat'])
OUTPUT: data_1.mat
===
m = 2;
a = [6,7,8,9,10];
save(['data_',num2str(m),'.mat'])
OUTPUT: data_2.mat
===
