Identificazione e analisi dei dati

Programma del corso di
Identificazione e analisi dei dati
Corso di Laurea in Ingegneria Informatica – Nuovo ordinamento
Introduzione al corso. (1h)
Richiami su variabili aleatorie. Distribuzioni univariate e multivariate, probabilità condizionata. (2h)
Processi stocastici. Definizioni; media e covarianza. Esempi: processi bianchi, processi esponenzialmente correlati. Rappresentazione frequenziale di processi stocastici. Sistemi dinamici
stocastici, rappresentazione ingresso-uscita. Modelli AR, MA, ARMA. (7h)
Teoria della stima. Formulazione del problema. Stima a massima verosimiglianza. Stima a
minimo errore quadratico medio. Stimatori di Gauss-Markov, stimatori ai minimi quadrati. (4h)
Predizione e filtraggio di serie temporali. Formulazione del problema. Filtro ottimo FIR,
filtro di Wiener (cenni). Predittore ottimo FIR. Esempi. (4h)
Esercitazioni: processi stocastici (2h), teoria della stima (2h), predizione e filtraggio (4h).
Prima prova intermedia.
Stima dello stato di sistemi dinamici. Predizione e correzione. Filtraggio alla Kalman.
Filtri LTI. Applicazioni del filtro di Kalman. Esempi.(6h)
Identificazione di sistemi dinamici. Modelli lineari ingresso-uscita. Errore di predizione.
Stima parametrica. Stimatori ai minimi quadrati per modelli a regressione lineare. Calcolo della
stima ottima, metodi numerici. Scelte dell’utente nell’esperimento di identificazione (cenni).
(6h)
Esercitazioni: filtro di Kalman (6h), identificazione parametrica (6h).
Seconda prova intermedia.
TOTALE: 50h (30h lezione, 20h esercitazione, di cui almeno 10 di laboratorio)
1
Programma del corso di
Identificazione e analisi dei dati II
Corso di Laurea Specialistica in Ingegneria Informatica – Nuovo ordinamento
Introduzione al corso. (1h)
Identificazione in un contesto probabilistico. Metodi di stima basati sull’errore di predizione. Proprietà asintotiche della stima. Scelta della classe di modelli. Selezione dell’ordine.
Validazione e test statistici. Scelta dell’ingresso. Identificazione non parametrica. Stima spettrale. (7h)
Identificazione ricorsiva. Algoritmi RLS. Relazione col filtro di Kalman. Fenomeno del windup. (4h)
Controllo adattativo. Compensazione in anello aperto (gain scheduling) e in anello chiuso
(controllo con modello di riferimento). Regolatori autosintonizzanti. Controllore adattativo implicito. Stabilità degli schemi di controllo adattativo. Esempi. (6h)
Esercitazioni: identificazione parametrica e non parametrica (4h), identificazione ricorsiva (2h),
controllo adattativo (2h).
Prima prova intermedia.
Identificazione non lineare. Modelli black-box e modelli fisici. Modelli NARMAX. Mappe
non lineari: reti neurali, wavelets, funzioni di base. Esempi e applicazioni. (6h)
Filtraggio non lineare. Filtro di Kalman Esteso. Filtraggio misto continuo/discreto. Esempi
e applicazioni (6h)
Esercitazioni: identificazione non lineare (6h), filtraggio non lineare (6h).
Seconda prova intermedia.
TOTALE: 50h (30h lezione, 20h esercitazione, di cui almeno 10 di laboratorio)
2