Studenti budou umět

• pracovat s běžnými identifikačními metodami,

• pracovat s jejich programovou implementací,

• hodnotit jejich efektivitu.

• V rámci předmětu absolvují komplexní úlohu (od naměření dat po získání modelu).

• používat rozhraní pro identifikaci modelů v prostředí MATLAB.

Students will be able to:

• work with common identification methods

• work with their implementation

• evaluate their efficiency

• students will take part in one large complex work (beginning with data measuring up to model formulation)

• students will use MATLAB interface for model identification

D:Šimandl M.,Identifikace systémů a filtrace, Vydavatelství ZČU, Plzeň,1997,8070821701

Z:Noskievič P.,Modelování a identifikace systémů,Montanex a.s.,Ostrava,1999,80722250302

D:Ljung L.,Systém Identification. Theory for the User,Prentice Hall PTR,N.J.,1999,0136566952

R:Šimandl M.,Identifikace systémů a filtrace, Vydavatelství ZČU, Plzeň,1997,8070821701

R:Noskievič P.,Modelování a identifikace systémů,Montanex a.s.,Ostrava,1999,80722250302

A:Ljung L.,Systém Identification. Theory for the User,Prentice Hall PTR,N.J.,1999,0136566952

Student získá kredity po úspěšném absolvování zkoušky z předmětu

Student will obtain the credits after the successful finishing

1. Experimentální identifikace - základní schema, identifikace v širokém a úzkém smyslu

2. Výběr struktury operátoru modelu dynamiky procesů

3. Signály a jejich vlastnosti, diskretizace signálů. Vstupní testovací signály, jejich volba

4. Kritéria adekvátnosti modelu a procesu, metoda nejmenších čtverců (MNČ) a její modifikace

5. Klasifikace metod identifikace, deterministické metody v časové a frekvenční oblasti

6. Identifikace dynamických soustav z přechodových charakteristik - projekt I

7. Metoda Strejcova, Broidova, postupné integrace - prokjekt II

8. Identifikace systémů ve frekvenční oblasti, metoda Kardašov-Karnjušinova

9. Statistické metody identifikace, korelační,spektrální analýza, metody statistické dynamiky

10. Stochastické modely diskrétního typu, modely šumu, popis driftu

11. Volba metody pro odhad parametrů diskrétního modelu, MNČ - obyčejná a vážená

12. Zobecněná, rozšířená, opakovaná MNČ, metoda maximální věrohodnosti

13. Numerické řešení MNČ, rekurzivní metody, robustní identifikace, bootstrap, jackknife - projekt III

14. Komplexní úloha

1. Experimental identification - basic scheme, wide and narrow definition of the branch

2. Structure model selection and process dynamics

3. Signals and their characteristics, signal discretization. Input testing signals, their selection

4. Adequacy criteria for models and processes, least square method, its modification

5. Identification methods classification, deterministic models in time and frequency domain

6. Dynamic system identification via transfer characteristics - project I

7. Methods of Strejc, Broid, progressive integration - project II

8. Frequency domain identification - method of Kardašov-Karnjušin

9. Frequency domain identification - correlation and spectral analysis, statistic dynamics methods

10. Stochastic models of discrete type, noise models, drift description

11. Parameter estimation methods for discrete models, least square - simple and weighted

12. Generalized, extended, repeated LSM, maximum credibility method

13. Numeric solution of LSM, recursive methods, robust identification, bootstrap, jackknife - project III

14. Large project

interní materiály

internal materials

Matematika II

Matematics II