logo-polimi
Loading...
Risorse bibliografiche
Risorsa bibliografica obbligatoria
Risorsa bibliografica facoltativa
Scheda Riassuntiva
Anno Accademico 2018/2019
Scuola Scuola di Ingegneria Industriale e dell'Informazione
Insegnamento 051587 - MODEL IDENTIFICATION AND DATA ANALYSIS
  • 051588 - MODEL IDENTIFICATION AND DATA ANALYSIS - 1ST MODULE
Docente Bittanti Sergio
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) - MI (263) MUSIC AND ACOUSTIC ENGINEERING*AZZZZ090037 - MODEL IDENTIFICATION AND DATA ANALYSIS - 1ST MODULE
Ing Ind - Inf (Mag.)(ord. 270) - MI (481) COMPUTER SCIENCE AND ENGINEERING - INGEGNERIA INFORMATICA*AZZZZ090037 - MODEL IDENTIFICATION AND DATA ANALYSIS - 1ST MODULE
051587 - MODEL IDENTIFICATION AND DATA ANALYSIS
Ing Ind - Inf (Mag.)(ord. 270) - MI (487) MATHEMATICAL ENGINEERING - INGEGNERIA MATEMATICA*AZZZZ096297 - MODEL IDENTIFICATION AND DATA ANALYSIS

Obiettivi dell'insegnamento

Questo corso, primo modulo del corso integrato Identificazione dei Modelli e Analisi dei Dati, fornisce le basi per l’utilizzo di tecniche di analisi di dati sperimentali per la costruzione di modelli e l'identificazione di parametri incerti. 
Si tratta di tecniche di vasto impiego in moltissimi settori dell’ingegneria. Il corso e' impostato in modo tale da consentire un immediato utilizzo delle nozioni acquisite ai problemi reali. 

Gli argomenti trattati sono: analisi dei processi stazionari generati da sistemi dinamici; modelli ingresso/uscita di tipo ARMA e ARMAX; 
predizione; metodi di stima a minimizzazione dell’errore di predizione; scelta della complessità dei modelli.

Nella naturale prosecuzione del corso, ossia nella seconda parte del corso integrato, viene poi presentato il metodo base per la stima di segnali non misurabili da dati osservati (filtro di Kalman) e il suo impiego per la stima di parametri incerti in modelli fisici assegnati (filtro di Kalman esteso, e tecniche correlate). 

 

Gli argomenti del corso si collocano nell'ambito di aree disciplinari note come "Artificial Intelligence" ed il "Machine Learning", con enfasi sugli aspetti legati ai sistemi DINAMICI

 


Risultati di apprendimento attesi
 

Argomenti trattati

Dai dati al modello: problemi e metodi: Leggi e modelli nell'ingegneria e nelle scienze. Incertezza. Problemi di stima da dati sperimentali (esempi da diverse aree disciplinari). Accuratezza dei modelli e loro complessità. Modelli per la classificazione, la predizione, il controllo, la simulazione e la gestione. Tecniche di trattamento dati

Modelli dinamici di processi stazionari, analisi spettrale e predizione:Modelli ingresso/uscita per serie temporali e relazioni causa/effetto (modelli AR, MA, ARMA, ARX, ARMAX, ARIMAX).  Modelli di stato. Analisi di correlazione e analisi spettrale. Metodi di predizione a partire da modelli ingresso/uscita (teoria di Kolmogorov-Wiener). 

Impiego delle tecniche di predizione nei problemi di controllo (controllo predittivo – cenni).

Identificazione di modelli ingresso- uscita: Problemi e tecniche di stima. Identificazione a partire da prove sperimentali semplici. Identificazione a Minimi Quadrati e a Massima Verosimiglianza. Identificazione di modelli AR, MA, ARMA, ARMAX. Scelta della complessità (criteri FPE, AIC, MDL). Equazioni di Yule-Walker e algoritmo di Durbin-Levinson. Stima spettrale e in frequenza. Impiego dei modelli ARX e ARMAX nel controllo predittivo. 

Esempi di analisi di serie temporali, segnali e sistemi dinamici tratti dal mondo reale.

 


Prerequisiti
 

Modalità di valutazione

L'esame coniste in una prova scritta con esercizi numerici e domande di tipo generale. 

 

 

 


Bibliografia
Risorsa bibliografica obbligatoriaS. Bittanti, Model Identification and Data Analysis, Editore: John Wiley, Anno edizione: 2018, ISBN: 9781119546368
Risorsa bibliografica facoltativaS. Bittanti, Teoria della Predizione e del Filtraggio, Editore: Pitagora Editrice - Bologna
Note:

Testo fortemente consigliato

Risorsa bibliografica facoltativaS. Bittanti, Identificazione dei Modelli e Analisi dei Dati, Editore: Pitagora Editrice - Bologna
Note:

Testo fortemente consigliato

Risorsa bibliografica facoltativaS. Bittanti, M. Campi, Raccolta di problemi di identificazione, fioltraggio e controllo predittivo, Editore: Pitagora, Anno edizione: 2013

Forme didattiche
Tipo Forma Didattica Ore di attività svolte in aula
(hh:mm)
Ore di studio autonome
(hh:mm)
Lezione
32:30
48:45
Esercitazione
17:30
26:15
Laboratorio Informatico
0:00
0:00
Laboratorio Sperimentale
0:00
0:00
Laboratorio Di Progetto
0:00
0:00
Totale 50:00 75:00

Informazioni in lingua inglese a supporto dell'internazionalizzazione
Insegnamento erogato in lingua Inglese
Disponibilità di libri di testo/bibliografia in lingua inglese
Possibilità di sostenere l'esame in lingua inglese
schedaincarico v. 1.6.1 / 1.6.1
Area Servizi ICT
20/01/2020