Modelowanie i analiza danych

Podstawy Automatyki, Podstawowa wiedza z Analizy i Algebry i Rachunku Prawdopodobieństwa, Metod Numerycznych oraz z Fizyki.

Godziny realizowane z udziałem nauczycieli ( 45 godz.):

-udział w wykładach – 15 godz.

- udział w laboratorium – 30 godz.

Czas poświęcony na pracę indywidualną studenta (45 godz.):

- konsultacje z prowadzącymi – 15 godz.

- przygotowanie się do wykładu -praca indywidualna – 15 godz.

- przygotowanie się do laboratorium-praca indywidualna – 15 godz.

Łącznie: 90 godz. ( ECTS)

W1: Student wie jakie zastosować modele do przedstawionych obiektów z wykładu. Wie jakie są kryteria równoważności modeli oraz potrafi estymować parametry - K_W01, K_W13 (to sa dla ar w pon sprawdze ft)

W2: Wie jak konstruować modele oraz identyfikować system na podstawie pomiarów. Wie jak analizować przebiegi przejściowe różnymi metodami - K_W05, K_W06

wykład klasyczny, laboratorium

- wykład informacyjny (konwencjonalny)

Wykład jest poświęcony podstawowym zagadnieniom modelowania i identyfikacji obiektów i procesów. W odróżnieniu do pojęcia identyfikacji w automatyce, w metrologii i fizyce za identyfikację można uznać proces znajdywania parametrów fizycznych opisujących dany obiekt lub proces. Ważne jest rozumienie faktu, ze model jest tylko lepszym lub gorszym przybliżeniem rzeczywistości, a więc występuje konieczność weryfikacji eksperymentalnej.

Wprowadzenie. Obiekty i modele, zastosowania modeli. Identyfikacja systemów i modelowanie matematyczne. Równoważność modeli, kryteria równoważności modeli. Estymacja parametrów. Definicje błędu identyfikacji. Konstruowanie modeli na podstawie wiedzy strukturalnej i pomiarów. Algorytm identyfikacji systemu.

Metoda najmniejszych kwadratów. Statyczny model liniowy. Zadanie minimalizacji sumy kwadratów błędów.

Metody szacowania błędów : błąd standardowy, rozszerzony.

Metody testowania modelu, tj. ile parametrów na raz można uzyskać z jego

analizy

Przedmiot podzielony jest na trzy części:

(1) Podstawy środowiska Matlab (podstawy, grafika, graficzny interfejs użytkownika)

(2) Zastosowanie metod optymalizacyjnych do analizy danych pomiarowych (Optimalization Toolbox )

(3) Zastosowanie pakietów Curve Fitting Toolbox oraz Statistic and Machine Learnig Toolbox do analizy danych pomiarowych

1. S. Ossowski, Metody i narzędzia ekploracji danych, btc 2013

2. A. Ostanin, Metody optymalizacji z Matlab, WN Poznań

3. P. Krzyżanowski, Obliczenia inżynierskie i naukowe, PWN 2011

4. jeszcze jedna pozycja

ocena końcowa = 0.4 * ocena ze sprawdzianu + 0.4*ocena z projektu+ 0.2 * ocena za aktywność

ocena końcowa:

ndst <50 %

dst- 51-65 %

dst plus 66-75%

db- 76-84%

db plus- 85-94%

bdb >95 %

nie dotyczy