Illustrare i metodi di identificazione dei modelli e fusione sensoriale a partire dai dati sperimentali. Famiglia di modelli ARX e ARMAX. Introdurre i metodi a minimizzazione dell'errore di predizione: il metodo dei minimi quadrati; il metodo dei minimi quadrati ricorsivi, il metodo della massima verosimiglianza. Illustrare i metodi di identificazione per processi con modello incerto e/o solo parzialmente noto: filtri di Bayes (filtro di Kalman, filtro di Kalman Unscented, filtri particle). Introdurre tecniche avanzate di identificazione e fusione sensoriale.
Curriculum
scheda docente materiale didattico
- Leggi fisiche
- Processo stocastico
- Modelli per il filtraggio, la predizione ed il controllo: modelli input-output per serie temporali e sistemi dinamici (AR, ARMA, ARX, ARMAX)
Identificazione
- Identificazione a scatola nera (Minimi quadrati e metodi a massima verosimiglianza)
- Selezione della descrizione a complessità minima
- Cross-validazione: tecniche FPE (Final Prediction Error), AIC (Akaike Information Criterion) or MDL (Minimum Description Length)
- Metodi di identificazione ricorsivi (RLS,ELS,RML). Forgetting factor
Bayesian filtering
- Stima di stato: filtraggio, predizione e smoothing.
- Filtro di Kalman, filtro di Kalman di regime
- Trasformazione unscented, filtro di Kalman Unscented Kalman
- Filtri a griglia
- Filtri Particle
Filtraggio distribuito
- Filtro a informazione
- Filtro a informazione estesto
Programma
Modelli per processi aleatori stazionari- Leggi fisiche
- Processo stocastico
- Modelli per il filtraggio, la predizione ed il controllo: modelli input-output per serie temporali e sistemi dinamici (AR, ARMA, ARX, ARMAX)
Identificazione
- Identificazione a scatola nera (Minimi quadrati e metodi a massima verosimiglianza)
- Selezione della descrizione a complessità minima
- Cross-validazione: tecniche FPE (Final Prediction Error), AIC (Akaike Information Criterion) or MDL (Minimum Description Length)
- Metodi di identificazione ricorsivi (RLS,ELS,RML). Forgetting factor
Bayesian filtering
- Stima di stato: filtraggio, predizione e smoothing.
- Filtro di Kalman, filtro di Kalman di regime
- Trasformazione unscented, filtro di Kalman Unscented Kalman
- Filtri a griglia
- Filtri Particle
Filtraggio distribuito
- Filtro a informazione
- Filtro a informazione estesto
Testi Adottati
Sergio Bittanti, "Model Identification and Data Analysis", John Wiley and Sons LtdBibliografia Di Riferimento
T. Söderström, P. Stoica, "System identification", Prentice Hall International, 1989 L. Ljung, System identification: theory for the user, PTR Prentice Hall, Upper Saddle River, N.J., 1999 R. Johansson, System Modeling & Identification", Prentice Hall, Englewood Cliffs (NJ), 1993 B.D.O. Anderson, J.B. Moore,"Optimal Filtering", Prentice Hall, Englewood Cliffs (NJ)Modalità Erogazione
Il corso si divide in lezioni teoriche (80%) ed esercitazioni (20%) I diversi tipi di lezioni vengono tenute presso l'aula assegnata dal corso di studi.Modalità Valutazione
ESAME homework prova orale su tutto il programma Nel periodo di emergenza COVID-19 l’esame di profitto sarà svolto secondo quanto previsto all’art.1 del Decreto Rettorale n°. 703 del 5 maggio 2020 scheda docente materiale didattico
- Leggi fisiche
- Processo stocastico
- Modelli per il filtraggio, la predizione ed il controllo: modelli input-output per serie temporali e sistemi dinamici (AR, ARMA, ARX, ARMAX)
Identificazione
- Identificazione a scatola nera (Minimi quadrati e metodi a massima verosimiglianza)
- Selezione della descrizione a complessità minima
- Cross-validazione: tecniche FPE (Final Prediction Error), AIC (Akaike Information Criterion) or MDL (Minimum Description Length)
- Metodi di identificazione ricorsivi (RLS,ELS,RML). Forgetting factor
Bayesian filtering
- Stima di stato: filtraggio, predizione e smoothing.
- Filtro di Kalman, filtro di Kalman di regime
- Trasformazione unscented, filtro di Kalman Unscented Kalman
- Filtri a griglia
- Filtri Particle
Filtraggio distribuito
- Filtro a informazione
- Filtro a informazione estesto
Programma
Modelli per processi aleatori stazionari- Leggi fisiche
- Processo stocastico
- Modelli per il filtraggio, la predizione ed il controllo: modelli input-output per serie temporali e sistemi dinamici (AR, ARMA, ARX, ARMAX)
Identificazione
- Identificazione a scatola nera (Minimi quadrati e metodi a massima verosimiglianza)
- Selezione della descrizione a complessità minima
- Cross-validazione: tecniche FPE (Final Prediction Error), AIC (Akaike Information Criterion) or MDL (Minimum Description Length)
- Metodi di identificazione ricorsivi (RLS,ELS,RML). Forgetting factor
Bayesian filtering
- Stima di stato: filtraggio, predizione e smoothing.
- Filtro di Kalman, filtro di Kalman di regime
- Trasformazione unscented, filtro di Kalman Unscented Kalman
- Filtri a griglia
- Filtri Particle
Filtraggio distribuito
- Filtro a informazione
- Filtro a informazione estesto
Testi Adottati
Sergio Bittanti, "Model Identification and Data Analysis", John Wiley and Sons LtdBibliografia Di Riferimento
T. Söderström, P. Stoica, "System identification", Prentice Hall International, 1989 L. Ljung, System identification: theory for the user, PTR Prentice Hall, Upper Saddle River, N.J., 1999 R. Johansson, System Modeling & Identification", Prentice Hall, Englewood Cliffs (NJ), 1993 B.D.O. Anderson, J.B. Moore,"Optimal Filtering", Prentice Hall, Englewood Cliffs (NJ)Modalità Erogazione
Il corso si divide in lezioni teoriche (80%) ed esercitazioni (20%) I diversi tipi di lezioni vengono tenute presso l'aula assegnata dal corso di studi.Modalità Valutazione
ESAME homework prova orale su tutto il programma Nel periodo di emergenza COVID-19 l’esame di profitto sarà svolto secondo quanto previsto all’art.1 del Decreto Rettorale n°. 703 del 5 maggio 2020