logo-polimi
Loading...
Risorse bibliografiche
Risorsa bibliografica obbligatoria
Risorsa bibliografica facoltativa
Scheda Riassuntiva
Anno Accademico 2014/2015
Scuola Scuola di Ingegneria Industriale e dell'Informazione
Insegnamento 088981 - MODEL IDENTIFICATION
  • 088980 - MODEL IDENTIFICATION AND DATA ANALYSIS
Docente Formentin Simone
Cfu 5.00 Tipo insegnamento Modulo Di Corso Strutturato

Corso di Studi Codice Piano di Studio preventivamente approvato Da (compreso) A (escluso) Insegnamento
Ing Ind - Inf (Mag.)(ord. 270) - CO (482) COMPUTER SCIENCE AND ENGINEERING - INGEGNERIA INFORMATICA* AZZZZ088981 - MODEL IDENTIFICATION
088978 - MODEL IDENTIFICATION AND DATA ANALYSIS

Programma dettagliato e risultati di apprendimento attesi

Objectives:

Engineering requires mathematical models to solve analysis and design problems. Yet mathematical models are often difficult to obtain based on simple physical laws. In such a
case, one can resort to automatic procedures to obtain a suitable description of the system from experimental observations of the input and output variables. In other words, these identification procedures allow for the mapping of available data into models, and are the main topic of this course. The focus of this course will be mainly on the
prediction error minimization (PEM) method which is at the core of signal processing and data analysis.

Program:

1. From Data to Model. Laws and models in engineering and science. Problems of prediction, time series analysis, filtering, clustering, control. Model accuracy versus
complexity. Data treatment. Basic elements of an identification problem: system, model, criterion, optimization, parameter uncertainty, model validation.
2. Signals and Systems. Deterministic and stochastic descriptions of signals and systems. Stochastic processes and stationary stochastic processes. Covariance function and
spectrum. Stationary stochastic processes generated as output of dynamic systems. Time series and I/O models (AR, MA, ARMA, ARX, ARMAX, Box&Jenkins).
3. System identification. Taxonomy of system identification approaches. Theory of linear optimal prediction (Kolmogorov-Wiener). Prediction error minimization (PEM) methods. LS, WLS. Exact Maximum-Likelihood estimation of AR and ARMA parameters. The Output Error method. Yule-Walker equations and the Durbin-Levinson algorithm.
4. Analysis and practical aspects. Model validation and complexity. Cross-validation. Identifiability and model structure selection. Design of the experimental condition. Data
preprocessing. Robustness (outliers).

 

Bibliography:
- S. Bittanti, "Identificazione dei modelli e sistemi adattativi", Pitagora Editrice Bologna,
2003.
- S. Bittanti, "Teoria della predizione e del filtraggio", Pitagora Editrice Bologna, 2002.
- S. Bittanti, M. Campi, "Raccolta di Problemi di Identificazione, Filtraggio, Controllo
Predittivo", Pitagora Editrice, Bologna, 1995. [eserciziario]
Other useful references (English):
- T. Söderström, P. Stoica, "System Identification", Prentice Hall, London (UK), 1989.
- T. Söderström, Discrete-time stochastic systems - estimation and control, Editore:
Prentice Hall, 2013.


Note Sulla Modalità di valutazione

The exam will be written and will contain both exercises and theoretical questions.


Bibliografia

Mix Forme Didattiche
Tipo Forma Didattica Ore didattiche
lezione
30.0
esercitazione
20.0
laboratorio informatico
6.0
laboratorio sperimentale
0.0
progetto
0.0
laboratorio di progetto
0.0

Informazioni in lingua inglese a supporto dell'internazionalizzazione
Insegnamento erogato in lingua Inglese
Disponibilità di materiale didattico/slides in lingua inglese
Disponibilità di libri di testo/bibliografia in lingua inglese
Possibilità di sostenere l'esame in lingua inglese
Disponibilità di supporto didattico in lingua inglese
schedaincarico v. 1.6.1 / 1.6.1
Area Servizi ICT
18/02/2020