Il corso presenta le principali tecniche di stima e identificazione in utilizzo nella definizione di modelli di analisi, previsione e controllo di sistemi dinamici complessi.
Il corso ha l'obiettivo di fornire competenze sui metodi e gli strumenti di identificazione di sistemi dinamici e stima parametrica e bayesiana. Lo studente acquisirà le conoscenze necessarie per formulare modelli completi di sistemi dinamici a partire da un insieme di misure sperimentali.
Gli obiettivi formativi del corso si riferiscono all'acquisizione della capacità di:
Il corso richiede conoscenze di base di teoria dei sistemi, statistica e ottimizzazione.
Il corso viene erogato con lezioni frontali ed alcune lezioni in laboratorio.
teorema di Cramer-Rao, stima a minima varianza (stimatori UMVUE e BLUE), stima di massima verosimiglianza, stima lineare in presenza di rumori di misura (stima ai minimi quadrati e stima di Gauss-Markov), stima bayesiana (stima a minimo errore quadratico medio e lineare a minimo errore quadratico medio).
Tecniche di identificazione: definizione del problema di identificazione di parametri, famiglie modellistiche per l’identificazione (ARX, ARMAX, OE, ARXAR, BJ), identificazione a minimo errore di predizione (MEP): teoremi di convergenza, identificazione per modelli ARX (identificazione ai minimi quadrati), ARMAX e ARXAR, algoritmi batch e iterativi.
L. Ljung, "System Identification: Theory for the user", Prentice Hall (2nd Edition), 1999.
S.M. Kay, "Fundamentals of Statistical Signal Processing: Estimation Theory", Prentice Hall, 1993.
Ricevimento: Previo appuntamento con il docente (simona.sacone@unige.it).
SIMONA SACONE (Presidente)
MICHELA ROBBA
SILVIA SIRI (Presidente Supplente)
https://corsi.unige.it/8734/p/studenti-orario
l'esame consiste in una prova orale
L'esame prevede la presentazione di contenuti teorici, lo svolgimento di esercizi numerici e l'approfondimento degli elementi teorici necessari per la soluzione degli esercizi.