Risorse bibliografiche
 Risorsa bibliografica obbligatoria Risorsa bibliografica facoltativa
 Scheda Riassuntiva
 Anno Accademico 2018/2019 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

 Obiettivi dell'insegnamento
 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 acase, 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 theprediction error minimization (PEM) method which is at the core of signal processing and data analysis.

 Risultati di apprendimento attesi

 Argomenti trattati
 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 andspectrum. 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. Datapreprocessing. Robustness (outliers).

 Prerequisiti

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

 Bibliografia
 S. Bittanti, Identificazione dei modelli e sistemi adattativi,, Editore: Pitagora Editrice Bologna, Anno edizione: 2003 S. Bittanti, Teoria della predizione e del filtraggio, Editore: Pitagora Editrice Bologna, Anno edizione: 2002 S. Bittanti, M. Campi, Raccolta di Problemi di Identificazione, Filtraggio, Controllo Predittivo, Editore: Pitagora Editrice Bologna, Anno edizione: 1995Note:Esercizioario T. Söderström, P. Stoica, System Identification, Editore: Prentice Hall, London (UK), Anno edizione: 1989 T. Söderström, Discrete-time stochastic systems - estimation and control, Editore: Prentice Hall, Anno edizione: 2003

 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 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. 1.6.2 / 1.6.2 Area Servizi ICT 04/06/2020