čeština

Písemnou a ústní zkouškou se ověřuje, že absolvent předmětu je schopen:
- Vysvětlit rozdělení identifikačních metod na parametrické a neparametrické. Vyjmenovat základní představitele těchto metod.
- Použít neparametrické metody identifikace založené na korelačních přístupech. Popsat identifikaci impulsové a přechodové charakteristiky. Vysvětlit rozdíl mezi frekvenční a spektrální analýzou.
- Posoudit vhodnost budicích signálů pro identifikaci z hlediska persistentního vybuzení. Naprogramovat generátor binární pseudonáhodné posloupnosti.
- Vysvětlit rozdíl mezi lineární a pseudolineární regresí.
- Odvodit metodu nejmenších čtverců. Vysvětlit její geometrický význam.
- Definovat BLUE odhad a vysvětlit jeho vlastnosti.
- Popsat modely, které se používají pro identifikaci. Vysvětlit rozdíl mezi modely s chybou rovnice (AR, MA, ARX, ARMAX, ARARX, ARARMAX) a chybou výstupu, Box-Jenkins, obecný model.
- Odvodit a naprogramovat rekurzivní metodu nejmenších čtverců. Implementovat MNČ s exponenciálním zapomínáním.
- Použít identifikační metody pomocných proměnných. Vysvětlit pojem neposunutého odhadu. Naprogramovat metodu se zpožděnými výstupy a s pomocným modelem.
- Identifikovat neposunutý odhad metodami založenými na vybělení chyby predikce.
- Provést filtraci vstupu i výstupu, odstranit trendy v měřených datech, provést normalizaci hodnot, identifikovat systémy s dopravním zpožděním, provést segmentaci dat.
- Popsat základní myšlenky identifikace pomocí neuronových sítí a fuzzy modelování.
- Identifikovat systém v uzavřené smyčce, popsat problém ztráty identifikovatelnosti.
- Popsat algoritmus simplexové metody hledání extrému.
- Použít přístupy i identifikaci nelineárních dynamických systémů pomocí polynomiálních modelů Kolmogorof - Gabor, Volterrových řad, Hammersteinových a Wienerových modelů.
- Provést identifikaci modelu náhodného signálu, autokorelační metoda, Burgův algoritmus, Durbinovy metody.

Jsou požadovány znalosti na úrovni bakalářského studia.

Metody vyučování závisejí na způsobu výuky a jsou popsány článkem 7 Studijního a zkušebního řádu VUT. Podklady k přednáškám a ke cvičení jsou pro studenty dostupné z webových stránek předmětu. Student odevzdává jeden samostatný projekt.

Numerická cvičení- Max 15 bodů.
Individuální projekt - Max. 15 bodů.
Závěrečná zkouška - Max. 70 bodů.

1. Úvod do problematiky identifikace dynamických systémů
2. Neparametrické metody identifikace, korelační metody, získávání frekvenční charakteristiky.
3. Vstupní signály, stupeň persistentního buzení, binární pseudonáhodná posloupnost.
4. Metoda nejmenších čtverců, odvození metody, geometrický význam, vlastnosti.
5. Modely dynamických systémů. ARX, ARMAX, ARARX, obecný model, pseudolineární regrese.
6. Rekurzivní MNČ. Numericky stabilní metody založené na odmocninové filtraci.
7. Metody pomocných proměnných. Metoda se zpožděnými pozorováními, metoda s pomocným modelem.
8. Metody založené na vybělení chyby predikce. Identifikace šumového modelu.
9. Praktické poznámky k identifikaci. Předzpracování signálů.
10. Identifikace pomocí neuronových sítí a fuzzy modelování.
11. Další přístupy k identifikaci.
12. Identifikace nelineárních dynamických systémů.
13. Zopakování poznatků.

Seznámit posluchače se základními technikami používanými pro identifikaci dynamických systémů a s možnými úskalími. Získat představu o vlivu šumu působícího na soustavu na výsledky identifikace

Vymezení kontrolované výuky a způsob jejího provádění stanoví každoročně aktualizovaná vyhláška garanta předmětu.

Fikar, M-Mikleš J.: Identifikácia systémov. STU Bratislava 1999 (SK)
Isemrann R., Munchhof M. : Identification of Dynamic Systems - An Introduction with Applications. Springer 978-540-78878-2, 2011. (EN)
Ljung, L.: System Identification, Theory for the User, Prentice Hall, 1987 (EN)
Noskievič, P.: Modelování a identifikace systémů. Montanex Ostrava 1999 (CS)
Soderstrom T., Stoica P.: System Identification. Prentice Hall International, 1989 (EN)
Šimandl, M.: Identifikace systémů a filtrace. Západočeská univerzita v Plzni, 2001, ISBN 80-7082-170-1. (CS)