Ingegneria gestionale e dell'automazione
Cod 198295
- Laurea magistrale
- 2 anni
- 120 CFU
- LM-32
IINF-04/A
Model Identification and Data Analysis
Codice: 20810158
Scheda insegnamento
- Anno Accademico di erogazione
- 2026/2027
- Corso di studi
- Ingegneria gestionale e dell'automazione
- Periodo di erogazione
- Secondo semestre
- CFU
- 6 CFU
- Lingua
- Italiano
- SSD
- IINF-04/A
Scopri il programma didattico
Programma, testi adottati e modalità d’esame sono quelli pubblicati dai docenti per l’anno accademico 2026/2027. L’insegnamento è diviso in canali: ogni canale ha il suo programma.
- Docente
- Federica Pascucci
- Curriculum
- Gestionale
- Anno di corso
- 1
- Periodo
- Secondo semestre
- Ore
- 54
- CUIN
- 260005943
Programma
Modelli per processi aleatori stazionari
- Leggi fisiche
- Processo stocastico
- Modelli per il filtraggio, la predizione ed il controllo: modelli input-output per serie temporali e sistemi dinamici (AR, ARMA, ARX, ARMAX)
Identificazione
- Identificazione a scatola nera (Minimi quadrati e metodi a massima verosimiglianza)
- Selezione della descrizione a complessità minima
- Cross-validazione: tecniche FPE (Final Prediction Error), AIC (Akaike Information Criterion) or MDL (Minimum Description Length)
- Metodi di identificazione ricorsivi (RLS,ELS,RML). Forgetting factor
Bayesian filtering
- Stima di stato: filtraggio, predizione e smoothing.
- Filtro di Kalman, filtro di Kalman di regime
- Trasformazione unscented, filtro di Kalman Unscented Kalman
- Filtri a griglia
- Filtri Particle
Filtraggio distribuito
- Filtro a informazione
- Filtro a informazione estesto
Prerequisiti
Nessuna propedeuticità
Testi adottati
Sergio Bittanti, "Model Identification and Data Analysis", John Wiley and Sons Ltd
Bibliografia di riferimento
B.D.O. Anderson, J.B. Moore: Optimal filtering, Prentice Hall, 1979.
Y. Bar-Shalom, X.R. Li, T. Kirubarajan: Estimation with applications to tracking and navigation, J. Wiley & Sons, 2001.
B. Ristic, S. Arulampalam, N. Gordon: Beyond the Kalman filter: particle filters for tracking applications, Artech House, 2004.
Modalità di erogazione
Tradizionale
Modalità di frequenza
Not applicable
Modalità di valutazione
Prova scritta, prova orale.
Prove previste
- Prova orale
- Prove intermedie
- Valutazione di un progetto
- Docente
- Federica Pascucci
- Curriculum
- Automazione dei sistemi complessi
- Anno di corso
- 1
- Periodo
- Secondo semestre
- Ore
- 54
- CUIN
- 260005936
Programma
Modelli per processi aleatori stazionari
- Leggi fisiche
- Processo stocastico
- Modelli per il filtraggio, la predizione ed il controllo: modelli input-output per serie temporali e sistemi dinamici (AR, ARMA, ARX, ARMAX)
Identificazione
- Identificazione a scatola nera (Minimi quadrati e metodi a massima verosimiglianza)
- Selezione della descrizione a complessità minima
- Cross-validazione: tecniche FPE (Final Prediction Error), AIC (Akaike Information Criterion) or MDL (Minimum Description Length)
- Metodi di identificazione ricorsivi (RLS,ELS,RML). Forgetting factor
Bayesian filtering
- Stima di stato: filtraggio, predizione e smoothing.
- Filtro di Kalman, filtro di Kalman di regime
- Trasformazione unscented, filtro di Kalman Unscented Kalman
- Filtri a griglia
- Filtri Particle
Filtraggio distribuito
- Filtro a informazione
- Filtro a informazione estesto
Prerequisiti
Nessuna propedeuticità
Testi adottati
Sergio Bittanti, "Model Identification and Data Analysis", John Wiley and Sons Ltd
Bibliografia di riferimento
B.D.O. Anderson, J.B. Moore: Optimal filtering, Prentice Hall, 1979.
Y. Bar-Shalom, X.R. Li, T. Kirubarajan: Estimation with applications to tracking and navigation, J. Wiley & Sons, 2001.
B. Ristic, S. Arulampalam, N. Gordon: Beyond the Kalman filter: particle filters for tracking applications, Artech House, 2004.
Modalità di erogazione
Tradizionale
Modalità di frequenza
Not applicable
Modalità di valutazione
Prova scritta, prova orale.
Prove previste
- Prova orale
- Prove intermedie
- Valutazione di un progetto
Esplora gli obiettivi dell’insegnamento
Ambito disciplinare: Ingegneria informatica
Illustrare i metodi di identificazione dei modelli e fusione sensoriale a partire dai dati sperimentali. Famiglia di modelli ARX e ARMAX. Introdurre i metodi a minimizzazione dell'errore di predizione: il metodo dei minimi quadrati; il metodo dei minimi quadrati ricorsivi, il metodo della massima verosimiglianza. Illustrare i metodi di identificazione per processi con modello incerto e/o solo parzialmente noto: filtri di Bayes (filtro di Kalman, filtro di Kalman Unscented, filtri particle). Introdurre tecniche avanzate di identificazione e fusione sensoriale.
Obiettivi di sostenibilità
- 9 Imprese, innovazione e infrastrutture
- 13 Lotta contro il cambiamento climatico
- 4 Istruzione di qualità
- 3 Salute e benessere
Informazioni utili
Per questo insegnamento non sono pubblicate informazioni aggiuntive. Materiale didattico e documenti si trovano sulla piattaforma del corso.