首页
学习
活动
专区
工具
TVP
发布
精选内容/技术社群/优惠产品,尽在小程序
立即前往

我应该得到与GEKKO中的估算模式和模拟模式相同的结果吗?

GEKKO是一个用于动态优化和非线性模型预测控制的Python库。它提供了估算模式和模拟模式来解决不同类型的问题。

在GEKKO中,估算模式用于参数估计和模型校准,它通过最小化目标函数来寻找最优参数。而模拟模式用于模型仿真和预测,它通过求解微分方程或差分方程来模拟系统的动态行为。

根据GEKKO的设计,估算模式和模拟模式在理论上应该得到相同的结果。然而,在实际应用中,由于数值计算的误差和近似方法的不同,估算模式和模拟模式可能会产生略微不同的结果。

为了获得与GEKKO中的估算模式和模拟模式相同的结果,可以尝试以下方法:

  1. 确保使用相同的输入数据和模型参数。估算模式和模拟模式的结果受到输入数据和模型参数的影响,因此确保在两种模式下使用相同的输入数据和参数值是重要的。
  2. 使用相同的数值计算设置。GEKKO提供了一些数值计算设置,如求解器类型、收敛容差等。确保在估算模式和模拟模式中使用相同的数值计算设置可以减少结果的差异。
  3. 检查模型定义和求解过程。确保在估算模式和模拟模式中使用相同的模型定义和求解过程,包括约束条件、目标函数、微分方程或差分方程的定义等。

总之,尽管在理论上估算模式和模拟模式应该得到相同的结果,但在实际应用中可能会存在一些差异。通过确保使用相同的输入数据、模型参数、数值计算设置和模型定义,可以尽量减少这些差异。

页面内容是否对你有帮助?
有帮助
没帮助

相关·内容

丁汉院士:智能制造的两个核心技术

丁汉院士:中科院院士、机械电子工程专家,现任华中科技大学数字制造装备与技术国家重点实验室主任,主要从事机器人与智能制造研究, 研究成果在航天、能源和汽车领域得到重要应用。 丁汉院士认为,智能制造有两个核心技术,一个就是数字制造技术,数字化就是制造要有模型,还有能够方针,这里面包括了产品的设计、创新设计以及数控技术,还有产品管理,企业协同技术;第二个技术是传感,各式各样的传感器在企业里面用得越多,信息掌握得多。 现在是非常关键的阶段,转型阶段。那么这个阶段,我觉得挑战性更加大。面临的问题更加的多。我们经历

04

【转】卡尔曼滤波器

在学习卡尔曼滤波器之前,首先看看为什么叫“卡尔曼”。跟其他著名的理论(例如傅立叶变换,泰勒级数等等)一样,卡尔曼也是一个人的名字,而跟他们不同的是,他是个现代人! 卡尔曼全名Rudolf Emil Kalman,匈牙利数学家,1930年出生于匈牙利首都布达佩斯。1953,1954年于麻省理工学院分别获得电机工程学士及硕士学位。1957年于哥伦比亚大学获得博士学位。我们现在要学习的卡尔曼滤波器,正是源于他的博士论文和1960年发表的论文《A New Approach to Linear Filtering and Prediction Problems》(线性滤波与预测问题的新方法)。如果对这编论文有兴趣,可以到这里的地址下载:http://www.cs.unc.edu/~welch/kalman/media/pdf/Kalman1960.pdf 简单来说,卡尔曼滤波器是一个“optimal recursive data processing algorithm(最优化自回归数据处理算法)”。对于解决很大部分的问题,他是最优,效率最高甚至是最有用的。他的广泛应用已经超过30年,包括机器人导航,控制,传感器数据融合甚至在军事方面的雷达系统以及导弹追踪等等。近年来更被应用于计算机图像处理,例如头脸识别,图像分割,图像边缘检测等等。 2.卡尔曼滤波器的介绍 (Introduction to the Kalman Filter) 为了可以更加容易的理解卡尔曼滤波器,这里会应用形象的描述方法来讲解,而不是像大多数参考书那样罗列一大堆的数学公式和数学符号。但是,他的5条公式是其核心内容。结合现代的计算机,其实卡尔曼的程序相当的简单,只要你理解了他的那5条公式。 在介绍他的5条公式之前,先让我们来根据下面的例子一步一步的探索。 假设我们要研究的对象是一个房间的温度。根据你的经验判断,这个房间的温度是恒定的,也就是下一分钟的温度等于现在这一分钟的温度(假设我们用一分钟来做时间单位)。假设你对你的经验不是100%的相信,可能会有上下偏差几度。我们把这些偏差看成是高斯白噪声(White Gaussian Noise),也就是这些偏差跟前后时间是没有关系的而且符合高斯分配(Gaussian Distribution)。另外,我们在房间里放一个温度计,但是这个温度计也不准确的,测量值会比实际值偏差。我们也把这些偏差看成是高斯白噪声。 好了,现在对于某一分钟我们有两个有关于该房间的温度值:你根据经验的预测值(系统的预测值)和温度计的值(测量值)。下面我们要用这两个值结合他们各自的噪声来估算出房间的实际温度值。 假如我们要估算k时刻的是实际温度值。首先你要根据k-1时刻的温度值,来预测k时刻的温度。因为你相信温度是恒定的,所以你会得到k时刻的温度预测值是跟k-1时刻一样的,假设是23度,同时该值的高斯噪声的偏差是5度(5是这样得到的:如果k-1时刻估算出的最优温度值的偏差是3,你对自己预测的不确定度是4度,他们平方相加再开方,就是5)。然后,你从温度计那里得到了k时刻的温度值,假设是25度,同时该值的偏差是4度。 由于我们用于估算k时刻的实际温度有两个温度值,分别是23度和25度。究竟实际温度是多少呢?相信自己还是相信温度计呢?究竟相信谁多一点,我们可以用他们的covariance来判断。因为Kg^2=5^2/(5^2+4^2),所以Kg=0.78,我们可以估算出k时刻的实际温度值是:23+0.78*(25-23)=24.56度。可以看出,因为温度计的covariance比较小(比较相信温度计),所以估算出的最优温度值偏向温度计的值。 现在我们已经得到k时刻的最优温度值了,下一步就是要进入k+1时刻,进行新的最优估算。到现在为止,好像还没看到什么自回归的东西出现。对了,在进入k+1时刻之前,我们还要算出k时刻那个最优值(24.56度)的偏差。算法如下:((1-Kg)*5^2)^0.5=2.35。这里的5就是上面的k时刻你预测的那个23度温度值的偏差,得出的2.35就是进入k+1时刻以后k时刻估算出的最优温度值的偏差(对应于上面的3)。 就是这样,卡尔曼滤波器就不断的把covariance递归,从而估算出最优的温度值。他运行的很快,而且它只保留了上一时刻的covariance。上面的Kg,就是卡尔曼增益(Kalman Gain)。他可以随不同的时刻而改变他自己的值,是不是很神奇! 下面就要言归正传,讨论真正工程系统上的卡尔曼。 3. 卡尔曼滤波器算法 (The Kalman Filter Algorithm) 在这一部分,我们就来描述源于Dr Kalman 的卡尔曼滤波器。下面的描述,会涉及一些基本的概念知识,包括概率(Probability),随即变量(Random Variable),高斯

05
领券