AKAR KUADRAT ENSEMBLE KALMAN FILTER
(AK-EnKF) UNTUK ESTIMASI POSISI PELURU
KENDALI
OLEH :
Teguh Herlambang
(1210 201 014)
DOSEN PEMBIMBING:
Subchan, PhD
(19710513 199702 1 001 )
Dr. Erna Apriliani, M.Si
(19660414 199102 2 001)
Latar Belakang
Peluru Kendali
Senjata Militer Otomatis untuk mencari target atau menyesuaikan arah
Perencanaan Lintasan dengan estimasi posisi
Akar Kuadrat Ensemble Kalman Filter (AK-EnKF) untuk Estimasi Posisi
Isu Saat ini
Lintasan ditentukan berdasarkan
Rumusan dan Batasan Masalah
Rumusan Masalah
a. Bagaimana mengimplementasi Akar Kuadrat Ensemble Kalman Filter (AK-EnKF) untuk mengestimasi posisi peluru kendali dengan input sudut tembak yang ditentukan ?
b. Bagaimana mengimplementasi Akar Kuadrat Ensemble Kalman Filter (AK-EnKF) untuk mengestimasi posisi peluru kendali dengan input sudut tembak yang diperoleh dari penentuan lintasan ?
c. Bagaimana perbandingan hasil estimasi posisi peluru kendali antara Akar Kuadrat Ensemble Kalman Filter (AK-EnKF) dengan Ensemble
Kalman Filter (EnKF) ?
Batasan Masalah
a. Diasumsikan tidak ada hambatan selama peluru kendali terbang. b. Diasumsikan pada dimensi dua.
c. Simulasi pada penelitian ini menggunakan software Matlab
α
α
Tujuan dan Manfaat
TUJUAN :
• Tujuan dari Tesis ini adalah untuk mendapatkan hasil estimasi posisi peluru kendali dengan input sudut tembak yang ditentukan dan diperoleh dari menentukan lintasan terlebih dahulu dengan menggunakan metode Akar Kuadrat Ensemble
Kalman Filter (AK-EnKF) dan membandingkannya dengan
metode Ensemble Kalman Filter (EnKF).
MANFAAT :
•
memberikan informasi mengenai estimasi posisi
peluru kendali dengan menggunakan metode Akar
Kuadrat Ensemble Kalman Filter (EnKF) dan
Ensemble Kalman Filter (EnKF).
Studi Penelitian Terdahulu
Studi Penelitian Terdahulu :
• Penelitian mengenai perancangan hukum panduan terpadu untuk misil dengan algoritma hybrid multi tujuan dan tabu search telah dilakukan oleh Omar dan Abido (2010). Dalam hal ini misil dikontrol supaya mengikuti hukum panduan yang sudah ditetapkan tetapi belum dilakukan estimasi
• Penelitian mengenai estimasi lintasan Misil telah dilakukan oleh Pancahayani (2011). Metode estimasi yang digunakan adalah
Ensemble Kalman Filter (EnKF) dan dengan nilai input ditetapkan.
• Penelitian lain yang dilakukan Jasmir (2008) adalah penerapan akar kuadrat pada Ensemble Kalman filter (EnKF) diterapkan pada model keadaan pengeboran minyak
Model Matematika Peluru Kendali
(
)
1 sin cos g L T mV Vγ
= +α
−γ
(
)
1
cos sin
V
T
D
g
m
α
γ
=
−
−
cos
x
=
V
γ
sin
h
=
V
γ
(
)
1
2, ,
2
d refD h V
α
=
C
ρ
V S
2 1 2 3 dC
=
A
α
+
A
α
+
A
(
)
1 2 , , 2 l ref L h V α = C V Sρ 1 2 lC
=
B
α
+
B
2 1 2 3C h
C h C
ρ
=
+
+
Lanjutan
Kuantitas Nilai satuan
m 1005 kg g 9.81 0.3376 -1.9431 -0.1499 0.2359 21.9 0 T 6000 1.224 2 / m s ref S 2 m 1 A 2 A 3 A 1 B 2 B 1 C 9 3, 312.10− 2 kg m 2 C 4 1,142.10− 2 kg m 3 C 2 kg m
Ensemble Kalman Filter (EnKF)
Merupakan salah satu metode dalam asimilasi data
yang telah banyak digunakan untuk mengestimasi
berbagai
persoalan
berbentuk
model
sistem
nonlinear, dan telah ditunjukkan bahwa mampu
menyelesaikan model sistem dinamik nonlinear dan
ruang keadaan (state space) yang besar.
Ada tiga tahapan :
Tahap inisialisasi
Tahap prediksi (time update step)
Algoritma Ensemble Kalman Filter (EnKF)
Inisialisasi
Tentukan nilai awal
Tahap Prediksi
Estimasi Kovarian ErrorTahap Koreksi
Kalman Gain Estimasi Kovarian Error ] [ 0,1 0,2 0,3 0, , 0i x x x x N x = ∑
= = N i i x N x 1 , 0 0 ˆ 1 ˆ i k k k kf
x
u
w
x
ˆ
−=
(
ˆ
−1,
−1)
+
, T k i k N i k i k k x x x x N P (ˆ ˆ )(ˆ ˆ ) 1 1 , 1 , − − = − − − − − − =∑
∑
= − − = N i i k k x N x 1 , ˆ 1 ˆ i k k i kz
v
z
,=
+
, 1 ) ( − − − + = T k k T k k P H HP H R K − − = k k k I K H P P [ ] ) ˆ ( ˆ , , , , − − + − = k i k k i k i i k x K z Hx x , 1 1 ˆ ˆ N k k i i e x x N = =∑
Singular Value Decomposition (SVD)
Jika suatu matriks
A
∈
R
m k×terdapat matriks ortogonal
[
1,
,
]
m m mU
=
u
u
∈
R
×dan
V
=
[
v
1,
,
v
k]
∈
R
k k×sehingga
TA
= Σ
U V
dengan matriks
Σ ∈
R
m k× 1 2....
p0
σ
≥
σ
≥
≥
σ
≥
[
]
min
,
p
=
m k
yang entri diagonalnya
dan entri yang lain nol. Nilai
σ
i≥
0,
i
=
1, 2,...,
p
disebut nilai singular dari A
dengan
Eigen vektor dari
Eigen vektor dari
T
AA
T
A A
disebut vektor singular kiri ( )
disebut vektor singular kanan ( )
U
V
Matriks Akar Kuadrat
Misalkan matriks
A
∈
R
k k×definit positif dengan komposisi
spektralnya adalah
1 k T i i i iA
λ
e e
==
∑
dengan
λ λ
1,
2, ...,
λ
knilai eigen dari A dan
1
,
2, ...,
ke e
e
merupakan vektor eigen dari A. dan
e e
iT i=
1
dan
1, 2, ...,
i
=
k
untuk
untuk
0
T i je e
=
i
≠
j
dan
U
=
[
e e
1,
2, ...,
e
k]
dengan
( ) ( ) ( )1 1 ( ) ( ) ( ) 1 k T T i i i k k k k k k k k k k iA
λ
e e
U
U
×=
∑
= × ×=
×Λ
× × T TUU
=
U U
=
I
Lanjutan
( ) 1 20
0
0
0
0
0
k k kλ
λ
λ
×
Λ =
dengan
(
1) (
1)
T T T T TU U
Λ
U
Λ
−U
=
U
Λ
−U
U U
Λ
=
UU
=
I
jadi
Karena
0
iλ
>
1 1 11
k T T i i i iA
U
U
e e
λ
− − == Λ
=
∑
1/ 2 1 k T T i i i ie e
U
U
λ
== Λ
∑
Sehingga matriks
dan dinotasikan dengan
disebut Akar Kuadrat dari A
1/ 2
Algoritma Akar Kuadrat Ensemble Kalman Filter (AK-EnKF)
Inisialisasi
Mean Ensemble Awal Ensemble Error Awal
Tahap Prediksi
Mean Ensemble Error Ensemble
Tahap Koreksi
Mean Ensemble
Skema Akar Kuadrat
-Dekomposisi Nilai Eigen
-Menghitung Matriks -Menentukan SVD Error Ensemble Estimasi Ensemble ] [ 0,1 0,2 0,3 0, , 0i x x x x N x = i k k k k
f
x
u
w
x
ˆ
−=
(
ˆ
−1,
−1)
+
, 0,i 0,i N1
x
=
x
0,i 0,i 0,i 0,i( 1 )N x� = x − x = x I − ,ˆ 1
, k i k i Nx
−=
x
− , ˆ , , ˆ (, 1 ) k i k i k i k i N x�− = x− − x− = x− I − , , k i k k i z = z +v , k k i S = �Hx− Ek =(
v v1, 2,...., vN)
T T k k k k k C = S S +E E(
)
1 , , , , , T k i k i k i k k k i k i x = x− + x S C�− − z −Hx− T k k k k C =U Λ U 1/ 2 T k k k k M = Λ − U S− T k k k k M = Y L V(
)
1 2 , , T k i k i k k k x =x V��− I −L L , , , ˆk i k i k i x = x� + xMetodologi Penelitian
Studi Pendahuluan
Mengkaji teori EnKF dan Skema Akar Kuadrat
Menerapkan Metode AK-EnKF dan EnKF pada model peluru kendali dengan simulasi.
Menganalisa Hasil Simulasi
Mendapatkan nilai dari input sudut tembak dari lintasan yang telah ditentukan
Hasil dan Pembahasan
Diskritisasi Model
Penambahan faktor Stokastik
Implementasi model pada metode AK-EnKF
Hasil Simulasi
Diskritisasi Model
Dengan Menggunakan Beda maju
Dari Model Peluru Kendali
(
)
(
)
(
)
(
)
1 1 1 1 1 sin cos 1 cos sin cos sin k k k k k k k k k k k k k k k k k k k k k k g L T t mV V V T D g t V x m h V t x V t h α γ γ γ α γ γ γ + + + + + − ∆ + = − − ∆ + ∆ + ∆ + Sehingga didapatkan
Penambahan Faktor Stokastik
secara umum model diskrit diatas dapat dituliskan ke dalam bentuk fungsi nonlinear
(
)
1
,
k k k
x
+=
f x u
Penambahan Faktor Stokastik
(
)
1,
k k k kx
+=
f x u
+
w
k k kz
=
Hx
+
v
(
k,
k)
f x u
Implementasi Model pada metode AK-EnKF
Mendefinisikan state
Memberikan nilai awal
[
]
Tx
=
γ
V
x
h
[
0 0 0 0]
Tx
=
γ
V
x
h
Model Sistem Model Pengukuran(
)
1,
k k k kx
+=
f x u
+
w
(
)
(
)
(
)
(
)
1 1 1 1 1 sin cos 1 cos sin cos sin k k k k k k k k k k k k k k k k k k k k k g L T t mV V V w T D g t V x m h V t x V t h α γ γ γ α γ γ γ + + + + + − ∆ + = − − ∆ + + ∆ + ∆ + Jika V x, dan h merupakan variabel yang bisa diukur maka digunakan
matriks pengukuran H sebagai berikut : 0 1 0 0
0 0 1 0 0 0 0 1 H =
Lanjutan
Sehingga diperoleh persamaan pengukuran z adalah
z
k=
Hx
k+
v
k0 1 0 0 0 0 1 0 0 0 0 1 k k V z v x h γ = + Inisialisasi
x
0,i=
x
0,1x
0,2...
x
0,N
Hasil Simulasi
Dalam simulasi ini, nilai awal yang digunakan adalah
Dalam simulasi ini, menggunakan jumlah ensemble sebanyak 100, 200 dan 300 dan ∆ =t 0,1
Untuk nilai input sudut tembak yang ditentukan
α
1 2 3 4 5
15
/ 180; 10
/ 180; 30
/ 180;
35
/ 180; 0;
pi
pi
pi
pi
α
α
α
α
α
=
=
= −
= −
=
Lanjutan
Untuk mencari nilai
α
Untuk nilai input sudut tembak pada kasus 2
α
Untuk nilai input sudut tembak pada kasus 3
α
1 2 3 4 5
17, 6839
/ 180; 3, 5604
/ 180; 16, 3490
/ 180;
45, 3512
/ 180; 28,1872
/ 180
pi
pi
pi
pi
pi
α
α
α
α
α
=
=
= −
= −
= −
1 2 3 4 533, 5356
/ 180; 5,8667
/ 180; 25, 4611
/ 180;
5, 5911
/ 180; 1, 6429
/ 180
pi
pi
pi
pi
pi
α
α
α
α
α
=
= −
= −
= −
=
1 2 3 4 52, 4202
/ 180; 4, 3916
/ 180; 8, 3187
/ 180;
6, 3837
/ 180; 28, 4825
/ 180
pi
pi
pi
pi
pi
α
α
α
α
α
=
=
=
=
=
Untuk nilai input sudut tembak pada kasus 1
α
cos
arcsin
mV
mg
L
T
γ
γ
α
=
+
−
Lanjutan
α
Untuk nilai input sudut tembak pada kasus 5
α
Untuk nilai input sudut tembak pada kasus 6
α
Untuk nilai input sudut tembak pada kasus 41 2 3 4 5
33.5356
/ 180;
34.9068
/ 180;
27.3743
/ 180;
23.3470
/ 180; 3.0336
/ 180
pi
pi
pi
pi
pi
α
α
α
α
α
=
= −
=
= −
= −
1 2 3 4 510.5927
/ 180;
6.8343
/ 180;
26.3110
/ 180;
36.7192
/ 180;
51.1154
/ 180
pi
pi
pi
pi
pi
α
α
α
α
α
= −
=
=
= −
= −
1 2 3 4 514.0070
/ 180;
1
3.4144
/ 180;
23.3977
/ 180;
36.7192
/ 180; 51.1154
/ 180
pi
pi
pi
pi
pi
α
α
α
α
α
= −
=
=
= −
= −
Grafik Input ditentukan
0 20 40 60 80 100 120 -2 -1.5 -1 -0.5 0 0.5 1 1.5Estimasi Posisi Sudut
iterasi ni lai gam m a( pos is i s udut ) Real EnKF AK-EnKF 0 20 40 60 80 100 120 240 250 260 270 280 290 300 310 Estimasi Kecepatan iterasi ni lai k ec epat an ( V ) Real EnKF AK-EnKF 0 20 40 60 80 100 120 -200 0 200 400 600 800 1000 1200 1400 1600 1800
Estimasi Posisi Horizontal
iterasi pos is i) Real EnKF AK-EnKF 0 20 40 60 80 100 120 0 100 200 300 400 500 600 700 800 900 Estimasi Ketinggian iterasi k et inggi an Real EnKF AK-EnKF
-2000 0 200 400 600 800 1000 1200 1400 1600 1800 100 200 300 400 500 600 700 800 900
Estimasi Posisi horizontal & Ketinggian
posisi horizontal k et inggi an real EnKF AK-EnKF
Lanjutan
Grafik Input pada Kasus 1
0 20 40 60 80 100 120 -3 -2.5 -2 -1.5 -1 -0.5 0 0.5 1 1.5Estimasi Posisi Sudut
iterasi ni lai gam m a( pos is i s udut ) Real EnKF AK-EnKF 0 20 40 60 80 100 120 240 250 260 270 280 290 300 310 320 Estimasi Kecepatan iterasi ni lai k ec epat an ( V ) Real EnKF AK-EnKF 0 20 40 60 80 100 120 -200 0 200 400 600 800 1000 1200 1400 1600 1800
Estimasi Posisi horizontal
iterasi pos is i hor iz ont al Real tertentu EnKF AK-EnKF 0 20 40 60 80 100 120 -100 0 100 200 300 400 500 600 700 800 900 Estimasi Ketinggian iterasi k et inggi an Real tertentu EnKF AK-EnKF
-200 0 200 400 600 800 1000 1200 1400 1600 1800 -100 0 100 200 300 400 500 600 700 800 900
Estimasi Posisi horizontal & Ketinggian
posisi horizontal k et inggi an Real tertentu EnKF AK-EnKF
Lanjutan
0 20 40 60 80 100 120 -1 -0.5 0 0.5 1 1.5 2
Estimasi Posisi Sudut
iterasi ni lai gam m a( pos is i s udut ) Real EnKF AK-EnKF 0 20 40 60 80 100 120 246 248 250 252 254 256 258 260 262 264 266 Estimasi Kecepatan iterasi ni lai k ec epat an ( V ) Real EnKF AK-EnKF 0 20 40 60 80 100 120 -500 0 500 1000 1500 2000 Posisi horizontal iterasi P os is i H or iz ont al Real tertentu EnKF AK-EnKF 0 20 40 60 80 100 120 0 200 400 600 800 1000 1200 Estimasi Ketinggian iterasi k et inggi an Real tertentu EnKF AK-EnKF
-5000 0 500 1000 1500 2000 200 400 600 800 1000 1200
Estimasi Posisi horizontal & Ketinggian
posisi horizontal k et inggi an Real tertentu EnKF AK-EnKF
Lanjutan
0 20 40 60 80 100 120 -0.5 0 0.5 1 1.5 2 2.5
Estimasi Posisi Sudut
iterasi ni lai gam m a( pos is i s udut ) Real EnKF AK-EnKF 0 20 40 60 80 100 120 234 236 238 240 242 244 246 248 250 252 Estimasi Kecepatan iterasi ni lai k ec epat an ( V ) Real EnKF AK-EnKF 0 20 40 60 80 100 120 0 200 400 600 800 1000 1200 1400 1600 1800 Posisi horizontal iterasi P os is i H or iz ont al Real tertentu EnKF AK-EnKF 0 20 40 60 80 100 120 0 500 1000 1500 Estimasi Ketinggian iterasi k et inggi an Real tertentu EnKF AK-EnKF
0 200 400 600 800 1000 1200 1400 1600 1800 0
500 1000 1500
Estimasi Posisi horizontal & Ketinggian
posisi horizontal k et inggi an Real tertentu EnKF AK-EnKF
Lanjutan
Grafik Input pada Kasus 4
0 20 40 60 80 100 120 -1 -0.5 0 0.5 1 1.5Estimasi Posisi Sudut
iterasi ni lai gam m a( pos is i s udut ) Real EnKF AK-EnKF 0 20 40 60 80 100 120 250 260 270 280 290 300 310 Estimasi Kecepatan iterasi ni lai k ec epat an ( V ) Real EnKF AK-EnKF 0 20 40 60 80 100 120 0 500 1000 1500 2000 2500 Posisi horizontal iterasi P os is i H or iz ont al Real tertentu EnKF AK-EnKF 0 20 40 60 80 100 120 0 100 200 300 400 500 600 700 800 900 Estimasi Ketinggian iterasi k et inggi an Real tertentu EnKF AK-EnKF
Lanjutan
0 500 1000 1500 2000 2500 0 100 200 300 400 500 600 700 800 900Estimasi Posisi horizontal & Ketinggian
posisi horizontal k et inggi an Real tertentu EnKF AK-EnKF
Grafik Input pada Kasus 5
0 20 40 60 80 100 120 -3.5 -3 -2.5 -2 -1.5 -1 -0.5 0 0.5 1 1.5Estimasi Posisi Sudut
iterasi ni lai gam m a( pos is i s udut ) Real EnKF AK-EnKF 0 20 40 60 80 100 120 240 260 280 300 320 340 360 Estimasi Kecepatan iterasi ni lai k ec epat an ( V ) Real EnKF AK-EnKF 0 20 40 60 80 100 120 0 500 1000 1500 2000 2500 Posisi horizontal iterasi P os is i H or iz ont al Real tertentu EnKF AK-EnKF 0 20 40 60 80 100 120 0 100 200 300 400 500 600 700 800 Estimasi Ketinggian iterasi k et inggi an Real tertentu EnKF AK-EnKF
Lanjutan
0 500 1000 1500 2000 2500 0 100 200 300 400 500 600 700 800Estimasi Posisi horizontal & Ketinggian
posisi horizontal k et inggi an Real tertentu EnKF AK-EnKF
Grafik Input pada Kasus 6
0 20 40 60 80 100 120 -3.5 -3 -2.5 -2 -1.5 -1 -0.5 0 0.5 1 1.5Estimasi Posisi Sudut
iterasi ni lai gam m a( pos is i s udut ) Real EnKF AK-EnKF 0 20 40 60 80 100 120 240 260 280 300 320 340 360 Estimasi Kecepatan iterasi ni lai k ec epat an ( V ) Real EnKF AK-EnKF 0 20 40 60 80 100 120 -500 0 500 1000 1500 2000 Posisi horizontal iterasi P os is i H or iz ont al Real tertentu EnKF AK-EnKF 0 20 40 60 80 100 120 0 100 200 300 400 500 600 700 800 900 Estimasi Ketinggian iterasi k et inggi an Real tertentu EnKF AK-EnKF
Lanjutan
-5000 0 500 1000 1500 2000 100 200 300 400 500 600 700 800 900Estimasi Posisi horizontal & Ketinggian
posisi horizontal k et inggi an Real tertentu EnKF AK-EnKF
Kesimpulan
Kesimpulan
• Hasil simulasi yang telah dilakukan dengan menggunakan metode AK-EnKF menunjukkan bahwa dengan nilai input sudut tembak yang ditentukan menghasilkan nilai RMSE yang kecil.
• Hasil simulasi yang telah dilakukan dengan menggunakan metode AK-EnKF menunjukkan bahwa dengan nilai input sudut tembak yang diperoleh dari penentuan lintasan terlebih dahulu menghasilkan nilai RMSE cukup besar pada posisi horizontal dan ketinggian.
• Perbandingan hasil simulasi antara AK-EnKF dengan EnKF diperoleh bahwa AK-EnKF tidak lebih baik daripada EnKF karena nilai RMSE AK-EnKF sedikit lebih besar daripada EnKF, begitu juga dengan waktu simulasi AK-EnKF lebih lama daripada EnKF karena adanya proses skema akar kuadrat.
Daftar Pustaka
[1] Apriliani, E. dan Sanjaya, B. A. (2007), Reduksi Rank pada Matriks-Matriks Tertentu, Laporan Penelitian Hibah Pasca, Institut Teknologi Sepuluh
Nopember, Surabaya.
[2] Asfihani, T. (2011), “Penerapan Kendali Optimal dan metode EKF-UI-WDF
untuk Estimasi Panduan Peluru Kendali Pada Penembakan Target”, Tesis Magister Jurusan Matematika FMIPA Institut Teknologi Sepuluh Nopember, Surabaya.
[3] Burgers, G et al. (1998), “Analysis Scheme in the Ensemble Kalman Filter”, Royal Netherlands Meteorological Institute, De Bilt, the Netherland.
[4] Darmawan, R. (2010), “Perencanaan Lintasan Pesawat Udara Nir Awak
(PUNA) dengan Menggunakan Phytagorean Hodograph”, Tugas Akhir Jurusan Matematika FMIPA Institut Teknologi Sepuluh Nopember, Surabaya.
[5] Evensen, G (2009), “Data Asimilation The Ensemble Kalman Filter (second
edition)”, Springer-Verlag Berlin Hiedelberg London and New York
[6] Golub, H. G. dan Loan, V. F. Charles. (1993), “Matrix Computations (second edition)”, The John Hopkins University Press, Baltimore and London.
[7] Hasbullah, H. (2011), “Algoritma Adaptive Covariane Rank Unscented Kalman
Filter untuk Estimasi Ketinggian dan Kecepatan Aliran Sungai”, Tesis Magister Jurusan Matematika FMIPA Institut Teknologi Sepuluh Nopember, Surabaya. [8] Jasmir. (2008), “Penerapan Akar Kuadrat pada Ensemble Kalman Filter”, Tesis
Magister Jurusan Matematika FMIPA Institut Teknologi Sepuluh Nopember, Surabaya.
Daftar Pustaka
[9] Johnson, A. R dan Wichern, W. D. (2002), Applied Multivariate Statistical Analysis (fifth edition), University of Winconsin Prentice Hall, Inc., New York. [10] Lewis, L Frank. (1986), “Optimal Estimation, With An Introduction To Stochastic
Control Theory”, John Wiley and Sons, New York
[11] Masduki, A. dan Apriliani, E. (2008), “Estimation of Surabaya River Water Quality Using Kalman Filter Algorithm”, The Jounal for Technology and Science, Vol. 19, No. 3, hal. 87-91.
[12] Omar, Hanafy.M. dan Abido, M.A. (2010), “Designing Integrated Guidance Law for Aerodynamic Missiles by Hybrid Multi-Objective Evolutionary Algorithm and Tabu Search”, Aerospace Engineering Department, King Fahda University of Petroleum and minerals, Dhahran, Saudi Arabia.
[13] Pancahayani, S. (2011), “Estimasi Lintasan Misil dengan Metode Ensemble Kalman Filter (EnKF)”, Tugas Akhir Jurusan Matematika FMIPA Institut
Teknologi Sepuluh Nopember, Surabaya.
[14] Siouris, M George. (2003), “Missile Guidance and Control System”, Springer, New York.
[15] Subchan, S dan Zbikowski, R. 2009. Computational Optimal Control. Cranfield University at Shrivenham: United Kingdom.
[16] Tippet, K et all. (2003), “Ensemble Square Root Filters”, International Research Institute for Climate Prediction, Palisades, New York