ALGORITMA ADAPTIVE COVARIANCE RANK
UNSCENTED KALMAN FILTER
UNTUK ESTIMASI KEADAAN
PADA PERSAMAAN AIR DANGKAL
Oleh
:
Habib Hasbullah
NRP. 1209201707
Dosen Pembimbing
:
Dr. Erna Apriliani, M.Si
Tesis
Abstrak
•
Unscented Kalman filter (UKF) adalah estimator non linear yang secara
khusus sesuai untuk
masalah sistem non linear kompleks. Dalam
unscented
Kalman
filter
(UKF),
kovarian
error
diestimasi
dengan
mempropagasi ke depan sebuah himpunan titik-titik sigma (sigma point)
yang merupakan contoh ruang keadaan pada lokasi terpilih secara
cerdas. Untuk sistem berdimensi besar, beban komputasi algoritma
unscented Kalman filter (UKF) juga besar.
•
Tesis ini mengkaji sebuah versi aproksimasi dari unscented Kalman Filter
(UKF), yaitu algoritma adaptive covariance rank unscented Kalman Filter.
Dalam adaptive covariance rank unscented Kalman Filter, kovarian error
direpresentasikan dengan aproksimasi rank tereduksi dan tidak dalam
ukuran penuh. Teknik reduksi rank dilakukan dengan membentuk
dekomposisi nilai singular (singular value decomposition) dari matriks
akar kuadrat kovarian error.
•
Algoritma adaptive covariance rank unscented Kalman Filter digunakan
untuk estimasi keadaan pada persamaan (model) air dangkal (shallow
water equation) nonlinear berbentuk saint Venant. Hasil simulasi yang
dilakukan menunjukkan bahwa estimasi keadaan menggunakan adaptive
covariance rank unscented Kalman Filter memberikan hasil estimasi yang
baik dan berimpit, baik dengan realnya maupun dengan full rank
unscented Kalman filter. Reduksi rank dapat dilakukan sampai dengan
rank ke 20 dari full rank 40.
Latar Belakang
Unscented
Kalman
filter
(UKF)
adalah
salah
satu
metode
ensemble filter yang dikembangkan untuk menaksir keadaan
pada sistem non linear.
Beberapa hasil penelitian, antara lain: Rudi (2007), Kandepu, dkk
(2008), Baehaqi (2009), menunjukkan bahwa estimasi keadaan
menggunakan unscented Kalman filter (UKF) pada beberapa
masalah sistem non linear memberikan hasil yang estimasi akurat
(baik) dibandingkan dengan extended Kalman filter (EKF) maupun
ensemble Kalman filter (EnKF). Tetapi waktu komputasi UKF
cenderung lebih lama dibanding EKF.
Berdasarkan hal-hal di atas penulis mengkaji sebuah algoritma
filter tereduksi dari UKF yang diharapkan lebih efesien dan efektif
serta mudah diimplementasikan, yaitu adaptive covariance rank
unscented Kalman filter.
Algoritma ini digunakan untuk estimasi keadaan pada persamaan
air dangkal non linear berbentuk saint Venant.
Perumusan Masalah
1. Bagaimanakah bentuk algoritma adaptive
covariance rank untuk unscented Kalman
filter?
2. Bagaimanakah
efektifitas
dan
efesiensi
algoritma
adaptive
covariance
rank
unscented Kalman filter untuk estimasi
keadaan
pada
persamaan
(model)
air
Batasan Masalah
1.
Algoritma adaptive covariance rank untuk unscented
Kalman filter ini diterapkan (disimulasikan) untuk
estimasi variabel keadaan pada persamaan air dangkal
(shallow water equation) nonlinear satu dimensi.
Bentuk persamaan air dangkal yang digunakan adalah
bentuk persamaan saint Venant.
2.
Bentuk simulasi yang dilakukan dengan
membandingkan efektifitas dan efesiensi beberapa
pengurangan (reduksi) rank pada algoritma adaptive
covariance rank unscented Kalman filter terhadap
algoritma full rank unscented Kalman filter (UKF).
Tujuan Penelitian
1.
Mengkaji pembentukan algoritma filter tereduksi
untuk unscented Kalman filter (UKF).
2.
Mengetahui tingkat akurasi dan efesiensi metode
filter tereduksi untuk unscented Kalman filter (UKF),
yaitu adaptive covariance rank unscented Kalman
filter yang digunakan untk estimasi keadaan pada
persamaan air dangkal (shallow water equation) non
linear satu dimensi dalam bentuk saint Venant.
Manfaat Penelitian
1.
Memperoleh sebuah algoritma filter tereduksi yang
diharapkan dapat memperbaiki kinerja algoritma
unscented
Kalman
filter
(UKF),
yaitu
adaptive
covariance rank unscented Kalman filter
2.
Sebagai metode alternatif bagi para peneliti bidang
estimasi
dengan
melihat
kesesuaian
dengan
Kajian Pustaka
Metode ini menggunakan transformasi unscented, yaitu suatu
metode untuk menghitung statistik (mean dan kovarian) yang
mengalami transformasi nonlinear.
Ide utama unscented Kalman filter (UKF) adalah untuk
mengaproksimasi mean keadaan dan kovariannya
menggunakan matriks titik-titik berbobot dari ruang keadaan
yang disebut titik-titik sigma
Unscented Kalman Filter
Misalkan diberikan sistem nonlinear waktu diskrit :
dengan :
= Keadaan sistem berdimensi
= Input,
= Noise Sistem berdimensi
dengan kovarian
= Fungsi dari Pengukuran
= Noise Pengukuran berdimensi
dengan kovarian
1
(
,
)
k
k
k
k
x
=
f x
−
u
+
w
(
, )
k
k
k
z
=
h x k
+
v
k
x
x
L
w
L
v
L
k
u
k
w
k
z
k
v
w
k
R
v
k
R
Unscented Kalman Filter
•
Implementasi dari unscented Kalman filter (UKF), secara
khusus memperhatikan sebuah sistem yang diperbesar
berdimensi
Dengan kovariannya
•
Tetapi untuk kasus dengan noise sistem dan noise
pengukuran semata-mata aditif, tidak dibentuk sistem
diperbesar (
augmented
).
x w vL
=
L
+
L
+
L
k
aug
k
k
k
x
x
w
v
=
0
0
0
0
0
0
x k w k k v kP
P
R
R
=
Algoritma Unscented Kalman Filter (UKF)
Inisialisasi
Kalkulasi Sigma Point
Prediksi (
Time Update
)
Inisialisasi
[ ]
0
0
0
0
0
0
0
0
0
0
0
0
0
0
;
(
)(
)
;
0
;
0
ˆ
ˆ
(
)(
)
.
T
x
aug
aug
aug
aug
aug T
x
E x
P
E
x
x
x
x
x
x
P
E
x
x
x
x
=
=
−
−
=
=
−
−
HOME
Kalkulasi Sigma Point
(0)
1
( )
( )
1
1
(
)
( )
1
1
(
)
,
1,...,
(
)
,
1,...,
aug
k
k
aug
i
i
k
k
k
aug
i L
i
k
k
k
x
x
L
P
i
L
x
L
P
i
L
χ
χ
λ
χ
λ
−
−
−
+
−
−
=
=
+
+
=
=
−
+
=
HOME
α
= Parameter penskalaan yang menentukan
penyebaran sigma point di sekitar mean
x
dengan 0
<α<
1
L =
Dimensi sistem diperbesar
( )
1
Kolom ke-i dari matriks kovarian
i
k
k
P
−
=
P
2
(
L
)
L
, dengan
0
λ α
=
+
κ
−
κ
=
Tahap Prediksi (Time Update)
1) Forecast untuk tiap-tiap sigma point dengan
2) Hitunglah forecast vektor keadaan dan kovariannya
(
,
)
f
x
w
k
f
k
k
χ
=
χ χ
[
]
2
( )
( )
0
2
( )
( )
( )
0
( )
( )
(0)
(0)
2
( )
( )
ˆ
(
)
ˆ
ˆ
[(
)(
) ]
dengan bobot
dan
didefinisikan:
1
1
, 1,..., 2
2(
)
fL
f
i
i f
k
k
k
k
i
L
x
i
i f
f
i f
f
T
k
c
k
k
k
k
i
i
i
k
c
k
c
i
i
k
c
x
E f
P
x
x
L
L
i
L
L
χ
ω χ
ω
χ
χ
ω
ω
λ
ω
λ
λ
ω
α
β
λ
ω
ω
λ
=
=
=
=
=
−
−
=
+
=
+ −
+
+
=
=
=
+
∑
∑
HOME
Tahap Koreksi
1)
Memetakan sigma point forecast dalam ruang pengukuran
dengan forecast vektor pengukuran
2)
Menghitung kovarian
3)
Menghitung keadaan dan kovarian analisis.
4)
Membentuk Keadaan dan Kovarian diperbesar untuk iterasi
berikutnya.
( )
(
,
)
i
x
v
k
k
k
Z
=
h
χ χ
2 ( ) ( ) 0 L f i i k k k iz
ω
Z
==
∑
2 ( ) ( ) ( ) 0 2 ( ) ( ) ( ) 0 1[(
)(
) ]
ˆ
[(
)(
) ]
dengan matriks bobot
(
)
L zz i i f i f T k c k k k k i L xz i i f i f T k c k k k k i xz zz k k kP
Z
z
Z
z
P
x
Z
z
K
P
P
ω
ω
χ
= = −=
−
−
=
−
−
=
∑
∑
HOME
ˆ
ˆ
(
)
fa
f
f
k
k
k
k
k
a
x
zz
T
k
k
k
k
k
x
x
K z
z
P
P
K P K
=
+
−
=
−
Dekomposisi Nilai Singular
•
Dekomposisi nilai singular (SVD) adalah menuliskan suatu
matriks dalam bentuk perkalian matriks diagonal yang berisi
nilai-nilai singularnya, dengan matriks yang berisi vektor-vektor
singular yang bersesuaian .
•
Teorema (Golub & van Loan, 1993)
•
Jika
suatu matriks real maka terdapat matriks
matriks
orthogonal
m n
A
∈
R
×
−
1 1 1 1 2[ ,...,
]
dan
[ ,...,
]
sedemikian hingga
(
,...,
) dengan
min[ , ] dan
...
m n m n n n T p p
U
u
u
R
V
v
v
R
U AV
diag
σ
σ
p
m n
σ
σ
σ
× ×=
∈
=
∈
=
=
≥
≥ ≥
dapat dinyatakan sebagai dekomposisi matriks,
yaitu U, , danV, sehingga
m n
T
A
R
A
U V
×
∈
Σ
= Σ
Reduksi Rank
•
Reduksi rank dilakukan berdasarkan pada teorema
sebagai berikut (Golub & van Loan, 1993):
•
Reduksi rank dilakukan pada matriks diagonal
Σ
yang
entri-entri diagonalnya berupa nilai-nilai singular.
) 1
1 (
Misal SVD dari
adalah
. Jika
rank( ) dan
Maka
dengan
= nilai singular, dan vektor singula .
r
min
k m n T k T k i i i i k k rank A i k i iA
R
A
U V
k
r
A
A
u v
A
A
u
v
σ
σ
σ
× = + =∈
= Σ
< =
=
−
=
∑
Persamaan Air Dangkal
•
Skema model air dangkal dapat digambarkan sebagai berikut:
•
Persamaan air dangkal non linear yang digunakan berbentuk
saint Venant.
0
0
(
)
dengan syarat batas
0; (0, )
( );
0; ( , )
( )
f
x
x L
h
u
h
B
A
uB
q
t
x
x
u
u
h
q
u
g
g S
S
u
t
x
x
A
h
u
u
t
u t
h L t
h t
x
=
x
=
∂
+
∂
+
∂
=
∂
∂
∂
∂
∂
∂
+
+
=
−
−
∂
∂
∂
∂
∂
=
=
=
=
∂
∂
Metode Penelitian
MERUMUSKAN
MASALAH
PENELITIAN
MENGKAJI METODE
KF, UKF, DAN MODEL
SISTEM
MENGKAJI
PEMBENTUKAN
ALGORITMA ADAPTIVE
COVARIANCE RANK UKF
DISKRITISASI
MODEL
APLIKASI ALGORITMA
ADAPTIVE COVARIANCE
RANK UKF PADA MODEL
SIMULASI DAN
ANALISA
Pembahasan
Algoritma Adaptive Covariance Rank UKF
•
Kovarian error forecast keadaan, Kovarian Cross keadaan dan
Pengukuran, dan Kovarian Pengukuran disederhanakan
notasinya:
•
Membentuk dekomposisi nilai singular
2 ( ) ( ) ( ) 0 2 ( ) ( ) ( ) 0 2 ( ) ( ) ( ) 0
ˆ ˆ
ˆ
ˆ
[(
)(
) ]
ˆ ˆ
[(
)(
) ]
ˆ ˆ
ˆ
[(
)(
) ]
dengan
ˆ
dan
ˆ
f L x i i f f i f f T T T k c k k k k k k k k k i L zz i i f i f T T T k c k k k k k k k k k i L xz i i f i f T T T k c k k k k k k k k k i k k k kP
x
x
A
A
A A
P
Z
z
Z
z
P
x
Z
z
A
A
A
A
ω
χ
χ
ω
ω
χ
= = ==
−
−
→
Ω
→
=
−
−
→ Ζ Ω Ζ → Ζ Ζ
=
−
−
→
Ω Ζ →
Ζ
=
Ω
Ζ = Ζ
∑
∑
∑
kΩ
k (2 1) 1 1 2 1 2 1 1 2 1ˆ
, dengan
[ ,...,
]
,
[
,...,
,...,
]
,
dan
[ ,...,
]
,
min(
, (2
1))
x x x x T k k k k L L L L k L k p r L L k L xA
U
V
U
u
u
R
R
V
v
v
R
r
L
L
σ
σ
σ
× × + + × + +=
Σ
=
∈
Σ =
∈
=
∈
=
+
Pembahasan
Algoritma Adaptive Covariance Rank UKF
•
Mereduksi rank matriks
yang dinyatakan dengan
1 1 1 1 1 1 2 1 2 2 2 2 2 1 2 1 1 2 1 1 1 1 1 1 2 1 2 2 2 2 1 2 1
0
0
0
0
0
0
.
.
.
.
.
.
.
.
; ;
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
0
0
0
.
.
.
.
.
.
x x x x x p p p p L p p p rk k L L L L p p p p p p p rku
u
u
u
u
u
u
u
U
R
R
u
u
u
u
v
v
v
v
v
v
v
v
V
σ
σ
σ
− − × × − − −
=
∈
Σ =
∈
=
2 1 2 1 2 1 2 1 2 1 1 2 1; dengan
.
.
.
.
.
.
L p L L L L p pR
p
r
v
v
v
v
+ × + + + + −
∈
<
ˆ
kA
A
ˆ
rkˆ
T, dengan
rk rk rk rkA
=
U
Σ
V
Algoritma Adaptive Covariance Rank UKF
•
Diperoleh Aproksimasi reduksi rank kovarian error prediksi:
•
Reduksi rank dilakukan pula pada kovarian noise sistem dan
kovarian noise pengukuran, sehingga diperoleh
aproksimasinya:
( )
( )
( )
0
2
ˆ
ˆ
(
)(
)
ˆ ˆ
=
ˆ ˆ
(
)
, dengan rank
ω χ
χ
=
=
−
−
≈
=
Σ
∑
fL
x
i
i f
f
i f
f
T
k
c
k
k
k
k
i
T
k
k
T
rk
rk
T
rk
rk
rk
P
x
x
A A
A A
U
U
p
2 2(
)
, dengan rank
(
)
, dengan rank
T T w w w w T k k k rk rk rk rk rk w T T v v v v v v v v T k k k rk rk rk rk rk vR
Q
Q
Q
Q
U
U
p
R
R
R
R
R
U
U
p
=
≈
=
Σ
=
≈
=
Σ
Algoritma Adaptive Covariance Rank UKF
•
Sedangkan kovarian analisisnya :
Algoritma Adaptive Covariance Rank UKF
•
Sigma point yang diperlukan dalam algoritma ini sebanding
dengan reduksi rank matriks kovarian error, yaitu:
•
Sigma Point dihitung dengan formula berikut:
•
Dengan bobot diberikan:
(0)
1
( )
( )
1
1
(
)
( )
1
1
(
)
,
1,...,
(
)
,
1,...,
aug
k
k
aug
i
i
k
k
r
k
r
aug
i L
i
k
k
r
k
r
x
x
L
S
i
L
x
L
S
i
L
χ
χ
λ
χ
λ
−
−
−
+
−
−
=
=
+
+
=
=
−
+
=
(0) (0) 2 ( ) ( )1
1
, 1,..., 2
2(
)
k r c r i i k c r rL
L
i
L
L
λ
ω
λ
λ
ω
α
β
λ
ω
ω
λ
=
+
=
+ −
+
+
=
=
=
+
r w vL
= +
p
p
+
p
Pendiskritan Model
•
Persamaan air dangkal didiskritkan dengan metode beda hingga. Metode
beda hingga yang digunakan adalah
forward in time center in space.
•
Diperoleh persamaan dalam bentuk diskrit:
•
Dalam hal ini ruang keadaan di grid menjadi 20, sehingga terdapat 40
•
Selanjutnya dengan
i=1, . . ., 20
, diperoleh persamaan ruang keadaan
waktu diskrit
•
Persamaan pengukurannya adalah:
Dalam hal ini variabel ketinggian (
h
) sebagai variabel yang diukur.
(
, )
k
k
k
Hasil Simulasi Rank 36
Hasil Simulasi Rank 30
0 2 4 6 8 10 12 14 16 18 20 3.5 4 4.5 5 5.5 6 Posisi xi K et inggi an A lir anEstimasi Ketinggian Aliran dengan Menggunakan UKF dan Adaptive Rank UKF ACR-UKF Rank 36 nilai real UKF 0 2 4 6 8 10 12 14 16 18 20 1.6 1.7 1.8 1.9 2 2.1 2.2 2.3 2.4 Posisi x i K ec epat an A li ran
Estimasi Kecepatan Aliran dengan Menggunakan UKF dan Adaptive Rank UKF ACR-UKF Rank 36 real UKF 0 2 4 6 8 10 12 14 16 18 20 4 4.5 5 5.5 6 6.5 Posisi xi K et inggi an A lir an
Estimasi Ketinggian Aliran dengan Menggunakan UKF dan Adaptive Rank UKF ACR-UKF Rank 30 nilai real UKF 0 2 4 6 8 10 12 14 16 18 20 1.4 1.6 1.8 2 2.2 2.4 2.6 Posisi xi K ec epat an A lir an
Estimasi Kecepatan Aliran dengan Menggunakan UKF dan Adaptive Rank UKF ACR-UKF Rank 30 real
Hasil Simulasi Rank 20
Hasil Simulasi Rank 18
0 2 4 6 8 10 12 14 16 18 20 5 5.5 6 6.5 7 7.5 Posisi xi K et inggi an A lir anEstimasi Ketinggian Aliran dengan Menggunakan UKF dan Adaptive Rank UKF ACR-UKF Rank 20 nilai real UKF 0 2 4 6 8 10 12 14 16 18 20 1.3 1.4 1.5 1.6 1.7 1.8 1.9 2 2.1 Posisi x i K ec epat an A li ran
Estimasi Kecepatan Aliran dengan Menggunakan UKF dan Adaptive Rank UKF ACR-UKF Rank 20 real UKF 0 2 4 6 8 10 12 14 16 18 20 3 4 5 6 7 8 9 10 11 Posisi xi K et inggi an A lir an
Estimasi Ketinggian Aliran dengan Menggunakan UKF dan Adaptive Rank UKF ACR-UKF Rank 18 nilai real UKF 0 2 4 6 8 10 12 14 16 18 20 0 2 4 6 8 10 12 Posisi xi K ec epat an A lir an
Estimasi Kecepatan Aliran dengan Menggunakan UKF dan Adaptive Rank UKF ACR-UKF Rank 18 real
Nilai Singular Full Matriks Kovarian Error
Ke -
Nilai
Ke -
Nilai
1
1.0e+004 *3.6577
21
1.0e+004 *0.0000
2
1.0e+004 *0.0023
22
1.0e+004 *0.0000
3
1.0e+004 *0.0004
23
1.0e+004 *0.0000
4
1.0e+004 *0.0003
24
1.0e+004 *0.0000
5
1.0e+004 *0.0003
25
1.0e+004 *0.0000
6
1.0e+004 *0.0003
26
1.0e+004 *0.0000
7
1.0e+004 *0.0002
27
1.0e+004 *0.0000
8
1.0e+004 *0.0002
28
1.0e+004 *0.0000
9
1.0e+004 *0.0002
29
1.0e+004 *0.0000
10
1.0e+004 *0.0002
30
1.0e+004 *0.0000
11
1.0e+004 *0.0002
31
1.0e+004 *0.0000
12
1.0e+004 *0.0002
32
1.0e+004 *0.0000
13
1.0e+004 *0.0001
33
1.0e+004 *0.0000
14
1.0e+004 *0.0001
34
1.0e+004 *0.0000
15
1.0e+004 *0.0001
35
1.0e+004 *0.0000
16
1.0e+004 *0.0001
36
1.0e+004 *0.0000
17
1.0e+004 *0.0001
37
1.0e+004 *0.0000
18
1.0e+004 *0.0001
38
1.0e+004 *0.0000
19
1.0e+004 *0.0001
39
1.0e+004 *0.0000
20
1.0e+004 *0.0001
40
1.0e+004 *0.0000
Rata-Rata Error Estimasi
Waktu Komputasi Algoritma
ALGORITMA
KETINGGIAN
KECEPATAN
UKF
0,24087
0,261657
ADAP
T
IVE
CO
V
ARI
ANCE
RANK
UK
F
Rank 36
0,235767
0,25470
Rank 30
0,254133
0,264552
Rank 20
0,259491
0,270505
Rank 18
27,44600
1,167964
SIMULASI
KE-
UKF
ACR-UKF
RANK 36
RANK 30
RANK 20
RANK 18
1
1,29680
1,67500
1,68250
1,63520
1,54354
2
1,35180
1,72350
1,69860
1,59250
1,57120
3
1,31350
1,78320
1,75710
1,58120
1,61510
4
1,30870
1,66180
1,71160
1,66540
1,52540
5
1,28900
1,61610
1,65210
1,55420
1,62140
6
1,28060
1,79930
1,69580
1,54850
1,54250
7
1,35200
1,56800
1,63270
1,68750
1,51240
8
1,28780
1,64650
1,70120
1,59800
1,52750
9
1,30500
1,67150
1,63650
1,62340
1,56170
10
1,35060
1,68790
1,61430
1,64230
1,54270
RATA-RATA
1,31358
1,68328
1,67824
1,61282
1,55634
Kesimpulan
1. Algoritma adaptive covariance rank unscented Kalman filter
merupakan algoritma filter tereduksi dari unscented Kalman filter.
Dalam adaptive covariance rank unscented Kalman filter, mariks
kovarian error dinyatakan dalam bentuk rank tereduksi dan tidak
dalam ukuran penuh. Teknik reduksi (pemotongan) rank yang
digunakan adalah dekomposisi nilai singular (singular value
decomposition).
2. Hasil simulasi yang telah dilakukan menggunakan algoritma adaptive
covariance rank unscented Kalman filter dan unscented Kalman filter
pada persamaan air dangkal non linear dalam bentuk saint venant
dengan dimensi sistem 40 menunjukkan bahwa nilai estimasi untuk
ketinggian dan kecepatan aliran nilai selisihnya sangat kecil terhadap
nilai realnya atau errornya sangat kecil. Reduksi rank dapat dilakukan
sampai dengan 50% atau reduksi rank 20 dengan hasil yang berimpit
dengan estimasi menggunakan unscented Kalman filter.
3. Hasil simulasi algoritma adaptive covariance rank unscented Kalman
filter pada persamaan air dangkal non linear dengan dimensi sistem
40 (20 grid) tidak mengurangi waktu komputasi full rank unscented
Kalman filter (UKF).
Daftar Pustaka
Albab, I. (2009), Reduksi Rank pada Akar Kuadrat Ensemble Kalman Filter, Tugas Akhir, Institut Teknologi Sepuluh Nopember, Surabaya.
Ambadan, J.T. dan Tang, Y. (2009), “Sigma-Point Kalman Filter Data Assimilation Methods for Strongly Nonlinear Systems”, Journal of The Atmospheric Sciences, Vol. 66, No. 2, hal. 261-285.
Apriliani, E. (2002), A Rank Reduction on The Square-Root Information Filter and The Modified Reduced Rank
Square Root Covariance Filter for A Vector Noise System, Disertasi Ph.D, Institut Teknologi Bandung,
Bandung.
Apriliani, E. dan Sanjaya, B. A. (2007), Reduksi Rank pada Matriks-Matriks Tertentu, Laporan Penelitian, Institut Teknologi Sepuluh Nopember, Surabaya.
Baehaqi, A. (2009), Estimasi Variabel Keadaan pada Non Isothermal Continuous Stirred Tank Reactor dengan
Metode Unscented Kalman Filter dan Ensemble Kalman Filter, Tesis Magister, Institut Teknologi Sepuluh
Nopember, Surabaya.
Gloria, O.H. (2005), Numerical Simulation of Shallow Water Equations and Some Physical Models in Image
Processing, Disertasi Ph.D, Universitat Pompeu Fabra, Barcelona.
Golub, H. G. dan Loan, C. F. V. (1993), Matrix Computations (second edition), The John Hopkins University Press, London.
Grewal, M.S. dan Andreas, A.P. (2001), Kalman Filtering: Teory and Practice Using Matlab, John Wiley & Sons, Inc., New York.
Julier, S. (2002), “The Scaled unscented transformation”, Proceedings of IEEE American Control Conference, Vol. 6, hal. 4555-4559.
Julier, S.J, Uhlmann, J. K. dan Durrant-Whyte, H. (1995), “A new approach for filtering nonlinear systems”,
Proceedings of the 14th IEEE American Control Conference, Seattle, WA, hal. 1628–1632.
Julier, S.J. dan Uhlmann, J. K. (1997), "A New Extension of the Kalman Filter to Nonlinear Systems”, Int.
Symposium Aerospace/Defense Sensing, Simulation and Controls,Orlando, FL.
Kalman, R. E. (1960), “A New Approach to Linear Filtering and Prediction Problem”, Transactions of the
ASME-Journal of Basic Engineering, Vol. 82 (Seri D), hal. 34-45.
Kalnay, E. (2003), Atmospheric Modeling, Data Assimilation, and Predictability, Cambridge University Press, Cambridge.
Kandepu, R., Foss, B. dan Imsland, L. ( 2008), “Applying the unscented Kalman filter for nonlinear state estimation”, Journal of Process Control, Vol. 18, hal. 753-768.
Kleinbaurer, R.(2004), Kalman Filtering Implementation with Matlab, Study Report of Study Geodesy and Geoinformatics at Universitat Stuttgart, Helsinki University of Technology, Helsinki.
Daftar Pustaka
Lee, D. J. (2005), Nonlinear Bayesian Filtering with Applications to Estimation and Navigation, Disertasi Ph.D, Texas A&M University, Texas.
Magnus, J.R. dan Neudecker, H. (1999), Matrix Differential Calculus with Applications in Statistics and
Econometrics, John Wiley and Sons Ltd., Chichester.
Masduki, A. dan Apriliani, E. (2008), “Estimation of Surabaya River Water Quality Using Kalman Filter Algorithm”, The Journal for Technology and Science, Vol. 19, No. 3, hal. 87-91.
Ortega, G. H. (2005), Numerical Simulation of Shallow Water Equations and Some Physical Models in Image
Processing, Tesis Ph.D., Universitas Pompeu Fabra, Barcelona.
Padilla, L. E. dan Rowley, C. W. (2010), “An adaptive-covariance-rank algorithm for unscented Kalman filter”,
submitted to the 49thIEEE Conference on Decision and Control, Department of Mechanical and Aerospace
Engineering, Princeton University, Princeton.
Que, Y.T. dan Xu, K., (2005), “The Numerical Study of Roll-Waves in Inclined Open Channels”, International
Journal for Numerical Methods in Fluids, Vol. 50, hal. 1003–1027.
Rudi, (2007), Estimasi Variabel Keadaan Sistem dengan Model Pengukuran Taklinear Menggunakan Extended
Kalman Filter dan Unscented Kalman Filter, Tesis Magister, Institut Teknologi Sepuluh Nopember,
Surabaya.
Setiadji, (2008), Aljabar Linear, Graha Ilmu, Yogyakarta.
van der Merwe, R. (2004), Sigma point Kalman filters for probabilistic inference in dynamic state space models, Disertasi PhD, Oregon Health and Science University, Oregon.
van der Merwe, R. and Wan, E. A. (2001), “Efficient Derivative-Free Kalman Filters for Online Learning”,
Prosiding European Symposium on Artificial Neural Networks (ESANN 2011), hal. 205-210.
Xiong, K, Liu, L. D. dan Zhang, H. Y. (2009), “Modified unscented Kalman filtering and its application in autonomous satellite Navigation”, Jurnal Aerospace Science and Technology, Vol. 13, hal. 238-246.