Wprowadzenie do problemu identyfikacji System rzeczywisty i jego model Praktyczne znaczenie modeli i ich rodzaje Modelowanie analityczne a identyfikacja Zasady modelowania analitycznego Identyfikacja jako modelowanie empiryczne Procedura identyfikacji – schemat wyznaczania modelu 2. Pozyskiwanie wiedzy wstępnej Znaczenie wiedzy wstępnej Deterministyczne metody pozyskiwania wiedzy wstępnej Analiza odpowiedzi czasowych procesów liniowych Ilościowa ocena dominujących cech procesów Nieparametryczne stochastyczne metody identyfikacji Analiza korelacyjna Analiza widmowa Modele parametryczne Znaczenie struktury modelu Liniowość modelu ze względu na parametry Model w postaci regresji liniowej Zapis modelu w postaci regresji liniowej Modele systemów statycznych Modele obiektów dynamicznych Ogólne schematy identyfikacji modeli Ogólny model wejściowo-wyjściowy Modele czasu dyskretnego Podstawowy model czasu ciągłego (SISOC) SVF – przygotowanie regresji liniowej dla modeli SISOC Zastosowanie filtracji SVF do danych próbkowanych Model symulowany i predyktor jednokrokowy Dodatkowe uwagi na temat modeli Wsadowe metody estymacji parametrycznej Problem estymacji parametrycznej Estymacja metodą LS błędu równaniowego Wsadowy estymator LS Własności statystyczne estymatora LS Ważony estymator LS Estymacja metodą IV zmiennych instrumentalnych Wsadowy estymator IV Własności statystyczne estymatora IV Sposoby generowania zmiennych instrumentalnych Zastosowanie metod LS i IV do identyfikacji Typy modeli a metody estymacji Ograniczanie obciążenia estymat Strategie wyboru metod estymacji parametrycznej Przykłady identyfikacji metodami LS i IV Rekursywne metody estymacji parametrycznej Uzasadnienie wykorzystania estymatorów rekursywnych RLS – rekursywna wersja estymatora LS RELS – rekursywny estymator ELS RIV – rekursywna wersja estymatora IV Adaptacyjna identyfikacja rekursywna Wybór algorytmu rekursywnego Przykłady identyfikacji metodami rekursywnymi Projektowanie eksperymentu identyfikacyjnego Podstawowe decyzje projektowe Dobór sygnałów pobudzających Informatywność danych i nieustanne pobudzenie obiektu Przykłady stosowanych sygnałów pobudzających Identyfikacja w obecności sprzężenia zwrotnego Dobór okresu próbkowania sygnałów Wstępne przetwarzanie danych i łączenie estymat Problem jakości i wyboru danych pomiarowych Usuwanie niezerowych średnich (offsetów) Filtracja danych pomiarowych Agregacja estymat z podzbiorów danych Identyfikacja etapowa Identyfikacja parametryczna procesów całkujących Stosowanie heurystyk Weryfikacja modeli Jakość i koszt modelu Metody sprawdzania elastyczności modelu (m1): Weryfikacja krzyżowa (walidacja skrośna) (m2): Porównanie modeli parametrycznych i nieparame- trycznych (m3) i (m4): Testowanie hipotez statystycznych Metody sprawdzania oszczędności modelu . Zasada oszczędności . (m5): Metoda porównywania wartości statystyk (m6): Uwarunkowanie macierzy MI (m7): Analiza przedziałów ufności estymat (m8): Kontrola skracania zer z biegunami transmitancji Przykłady analizy elastyczności i oszczędności modeli Przykład identyfikacji obiektu Protokół identyfikacji systemu Identyfikacja obiektu dynamicznego – emulator HILSys Źródła danych do celów identyfikacji A. Wybrane zagadnienia statystyki Zbieżność według prawdopodobieństwa Estymatory i ich własności Przedziały ufności Zasada superpozycji Charakterystyka statyczna systemu Transmitancja a operator transmitancyjny Rząd dynamiki i rząd względny systemu liniowego Wymierna aproksymacja modelu członu opóźniającego Liniowe systemy nieminimalnofazowe Wybrane metody dyskretyzacji Statystyczne relacje wejście-wyjście dla systemu liniowego Procesy stochastyczne Funkcje korelacji i ich estymatory Właściwości sygnałów w dziedzinie częstotliwości Zasady próbkowania sygnałów