Programa Sintético

  1. 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.
  2. 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.
  3. 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.
  4. Diseño de Señales de Entrada.
  5. 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.
  6. 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.
  7. Métodos de Identificación basados en Bases Ortonormales: FIR, Laguerre, Kautz, Bases Generalizadas.
  8. Análisis Estadístico de las estimas: consistencia y convergencia. Distribución asintótica de las estimas.
  9. Métodos de la Variable Instrumental y de Máxima Verosimilitud.
  10. Métodos de Subespacio: Métodos 4SID, CVA, MOESP.
  11. Métodos de estimación recursivos: Mínimos Cuadrados Recursivos (RLS), Least Mean Squares (LMS), Filtro de Kalman.
  12. Identificación de Sistemas No lineales del tipo Hammerstein y Wiener.
  13. Identificación en lazo cerrado.
  14. Identificación en la práctica: Software interactivo para Identificación de Sistemas: el System Identification Toolbox de Matlab.

Volver a Home