Programa Sintético
- Introducción: Qué es Identificación de Sistemas. Etapas de un proceso de
Identificación. Problema Típico de Identificación: Identificación de un modelo
ARX usando el método de Mínimos Cuadrados.
- Modelos de Sistemas Lineales Estacionarios: Modelos Entrada-Salida:
Caracterización de las perturbaciones. Modelos de Ecuación de Error, AR, ARX,
Regresor Lineal, ARMAX, de Error de Salida, Box-Jenkins, Modelo Autoregresivo
Generalizado, Modelos con Bases Ortonormales. Modelos en Ecuaciones de Estado.
- Modelos de sistemas no lineales: Modelos de Wiener y Hammerstein, Modelo
Regresivo Lineal con regresor no lineal, Modelos en Espacio de Estados No Lineales,
Modelos tipo Caja Negra No Lineales.
- Diseño de Señales de Entrada.
- Métodos de Identificación No-Paramétricos en los dominios temporal y
frecuencial: Identificación a partir de la Respuesta al Escalón. Análisis de
Correlación. Análisis de la Respuesta en Frecuencia. Análisis Espectral.
- Métodos de estimación de parámetros basados en la minimización de los errores
de predicción (PEM: Prediction Error Methods). Método de Mínimos Cuadrados con
estructura de regresor lineal.
- Métodos de Identificación basados en Bases Ortonormales: FIR, Laguerre,
Kautz, Bases Generalizadas.
- Análisis Estadístico de las estimas: consistencia y convergencia.
Distribución asintótica de las estimas.
- Métodos de la Variable Instrumental y de Máxima Verosimilitud.
- Métodos de Subespacio: Métodos 4SID, CVA, MOESP.
- Métodos de estimación recursivos: Mínimos Cuadrados Recursivos (RLS), Least
Mean Squares (LMS), Filtro de Kalman.
- Identificación de Sistemas No lineales del tipo Hammerstein y Wiener.
- Identificación en lazo cerrado.
- Identificación en la práctica: Software interactivo para Identificación
de Sistemas: el System Identification Toolbox de Matlab.
Volver a Home