IDENTIFICAZIONE E ANALISI DEI DATI II
(A.A. 2009-2010)
Questa pagina contiene materiale riguardante:
- l'insegnamento di Identificazione e Analisi dei Dati II, per il Corso di Laurea Specialistica in Ingegneria Informatica (indirizzi GAS e RA): 5 CFU (circa 42 ore)
- l'insegnamento di Identificazione e Analisi dei Dati B, per il Corso di Laurea Magistrale in Ingegneria Gestionale (solo studenti che hanno conseguito la Laurea L1 a Siena): 9 CFU (circa 80 ore)
Docente:
Andrea Garulli
News:
Si ricorda che per partecipare agli appelli regolari e' OBBLIGATORIO iscriversi sul sito http://xmlservices.unisi.it/ing_online/
Gli studenti che svolgono il project work devono contattare il docente almeno 15 giorni prima dell'appello.
Modalità di svolgimento dell'esame:
Per Identificazione e Analisi dei Dati II:
- prova orale
- elaborato da svolgere individualmente o a coppie (facoltativo).
Per Identificazione e Analisi dei Dati B:
- project work da svolgere individualmente o a coppie (circa 15 giorni)
- prova orale.
Testi di riferimento
F. L. Lewis, Optimal Estimation, John Wiley & Sons, 1986.
E. W. Kamen and J. K. Su, Introduction to Optimal Estimation, Springer, 1999.
T. Soderstrom, Discrete-time Stochastic Systems, Springer, 2002.
L. Ljung, Identification: Theory for the User, Prentice-Hall, 1999.
T. Kailath, A. Sayed, B. Hassibi, Linear Estimation, Prentice Hall, 2000.
Argomenti delle lezioni: prima parte (comune a entrambi i corsi)
Concetto di stato nei sistemi stocastici; processi di Markov.
Il problema della stima dello stato.
Filtro di Kalman per sistemi lineari: derivazione delle equazioni e proprietà.
Riferimenti: [Soderstrom, pag. 61-67 e 137-145], [Lewis, pag. 3-19 e 56-80].
Filtro di Kalman come osservatore dello stato; confronto con filtri tempo-invarianti.
Proprietà asintotiche del filtro di Kalman. Dualità con il controllo ottimo LQ.
Riferimenti: [Lewis, pag. 97-105].
Identificazione ricorsiva. Modelli a regressione lineare: algoritmo RLS.
Interpretazione come filtro di Kalman.
Algoritmi ricorsivi per modelli a regressione pseudo-lineare.
Algoritmi con finestra esponenziale.
Cenni di controllo adattativo: regolatori auto-sintonizzanti.
Riferimenti: [Ljung, pag. 361-380, Astrom and Wittenmark, pag. 162-175].
Filtraggio non lineare: filtro di Kalman esteso.
Filtraggio di sistemi tempo-continuo in presenza di misure a istanti di tempo campionati:
- discretizzazione del modello dinamico;
- il filtro di Kalman continuo-discreto.
Riferimenti: [Kamen and Su, pag. 269-275; Lewis, pag. 185-191 e 260-272].
Tecniche avanzate di filtraggio non lineare:
- EKF del secondo ordine; iterated EKF;
- stimatori a somme Gaussiane;
- unscented Kalman filter.
Riferimenti: [Soderstrom, p. 245-257], [S. Julier and J. Uhlmann, "Unscented filtering and nonlinear estimation', Proc. of the IEEE, 92(3), pag. 401-422, 2004].
Argomenti delle lezioni: seconda parte (solo Identificazione e Analisi dei Dati B)
Tecniche avanzate di filtraggio non lineare:
- stimatori a modelli multipli;
- metodi Monte Carlo sequenziali, particle filters.
Riferimenti: [Soderstrom, p. 257-269].
Tecniche di analisi di dati:
- smoothing;
- algoritmo EM per la stima dei parametri;
- stima di serie temporali econometriche mediante il filtro di Kalman.
Riferimenti: [Soderstrom, p. 148-153], [Kailath et al., p. 370-375], [V. Digalakis et al., "ML estimation of a stochastic linear system with the EM algorithm and its application to speech recognition", IEEE Trans. on Speech and Audio Processing, 1(4), pag. 431-442, 1993], [A. Harvey and S. Koopman, "Unobserved components models in economics and finance", IEEE Control Systems Magazine, 29(6), pag. 71-81, 2009].
Esercitazioni di laboratorio
Di seguito, è possibile scaricare i testi delle esercitazioni di
laboratorio, insieme ai relativi svolgimenti.
I testi sono in formato pdf e possono essere letti utilizzando Acrobat
Reader (presente sui computer del laboratorio di Informatica I). Gli svolgimenti
sono M-files di MATLAB (versione 6), in formato ASCII standard di Windows.
Sarà molto apprezzata la segnalazione di eventuali errori o imprecisioni a: garulli at ing.unisi.it