Download Identificacion_de_Si..
Document related concepts
no text concepts found
Transcript
(*) UNIVERSIDAD MICHOACANA DE SAN NICOLÁS DE HIDALGO FACULTAD DE INGENIERÍA ELÉCTRICA DIVISIÓN DE ESTUDIOS DE POSGRADO IDENTIFICACIÓN DE SISTEMAS No. Hrs. /Semana: Duración en semanas: Total de Horas: Número de Créditos: 4 16 64 8 Conocimientos previos recomendados: Sistemas dinámicos y ecuaciones diferenciales; muy recomendable es conocimiento acerca de inteligencia artificial, sin embargo puede ser substituido por una buena actitud de parte del alumno (interés por aprender) y la guía del profesor. Capacidad de leer artículos técnicos en Ingles: indispensable Objetivo: Aprender los conceptos y técnicas de identificación de sistemas, vistos desde la perspectiva de las soluciones alternativas que ofrece el área de inteligencia artificial. En el curso se estudiará el estado del arte en esta área, enfatizando en el desarrollo que ha tenido el campo de Razonamiento Cualitativo en esta dirección. Programa sintético: Tema Duración (hrs.) Parte I. Identificación Clásica de Sistemas. 1. 2. 3. 4. 5. 6. Introducción Modelos y Sistemas Métodos de Estimación no Paramétrica Métodos de Estimación Paramétrica Validación de Modelos Diseño de Experimetos 9 9 9 9 9 9 Parte II. Estado del arte. 7. Análisis de diversos artículos 10 Total de Horas 64 Programa desarrollado: Parte I. Identificación Clásica de Sistemas. 1. Introducción. 1.1. Sistemas Dinámicos. 1.2. Modelos. 1.3. El proceso de Identificación de Sistemas. 2. Modelos y Sistemas. 2.1. Sistemas LIT. 2.2. Respuesta al impulso. 2.3. Modelos LIT. 2.4. Modelos LVT. 2.5. Sistemas No lineales. 3. Métodos de Estimación no Paramétrica. 3.1. Análisis transitorio. 3.2. Análisis de correlación. 3.3. Análisis espectral. 4. Métodos de Estimación Paramétrica. 4.1. Regresión lineal y el método de M. C. 4.2. Esquemas estadísticos. 4.3. Algoritmos Genéticos. 5. Validación de Modelos. 5.1. Método gráfico. 5.2. Análisis de correlación. 6. Diseño de Experimetos. 6.1. Consideraciones generales. 6.2. Velocidad de muestreo. 6.3. Pretratamiento de los datos. Parte II. Estado del arte. 7. En esta parte se estudiarán diversos artículos de los que se encuentran en la bibliografía. Bibliografía: [1] Kay, Rinner, Kuipers: Semi’quantitative system identification. Artificial Intelligence 119 (2000) 103-140. [2] M. Easley and E. Bradley: "Meta-domains for automated system identification". Smart Engineering System Design (ANNIE). St. Louis. November 2000. [3] E. Bradley and M. Easley: "Reasoning About Sensor Data for Automated System Identification" Intelligent Data Analysis 2:123-138 (1998). [4] Bradley, Stolle: Automatic Construction of Accurate Models of Physical Systems. Annals of Mathematics of Artificial Intelligence 17 (1996) 1-28. [5] Bradley, Easley, Stolle: Reasoning about Nonlinear System Identification. Artificial Intelligence 119 (2000) 103-140. [6] R. Bellazzi, R. Guglielmann, L. Ironi: Qualitative models and fuzzy systems: an integrated approach to system identification, to appear in Proc. Workshop Italiano sulla Logica Fuzzy, Milano 4-5 ottobre 2001, Physica Verlag. [7] R. Bellazzi, R. Guglielmann, L. Ironi: Using QR to solve quantitative modeling problems: an application to intracellular thiamine kinetics. Fourtheen International Workshop on Qualitative Reasoning (QR2000), Morelia 5-7 June 2000, 9-17. [8] R. Bellazzi, R. Guglielmann, L. Ironi. How to improve fuzzy-neural system modeling by means of qualitative simulation, IEEE Trans. on Neural Networks, 11, 1, (2000), 249-253. [9] R. Bellazzi, R. Guglielmann, L. Ironi: A qualitative-fuzzy framework for nonlinear black-box system identification, in: T. Dean (ed.), Proc. Sixteenth International Joint Conference on Artificial Intelligence (IJCAI 99), Stockholm, 2, Morgan Kaufmann, San Francisco, (1999), 1041-1046. [10] A.C. Capelo, L. Ironi, S. Tentoni: Automated mathematical modeling from experimental data: an application to material science, IEEE Transactions on Systems, Man and Cybernetics - Part C., 28, 3 (1998), 356-370. [11] A.C. Capelo, L. Ironi, S. Tentoni: The need for qualitative reasoning in automated modeling: a case study, in: Y. Iwasaki, A.Farquhar (eds.), Qualitative Reasoning - The Tenth Int. Workshop, Stanford Sierra Camp (USA), 21-24 May 1996, AAAI TR WS-96-01, AAAI Press (1996), 3239. [12] Ortega, Gasca, Toro. Searching for Similar Semiqualitative Temporal Patterns in Time’Series Databases.Fourteenth International Workshop on Qualitative Reasoning. Morelia, Mexico. 2000. Metodología de enseñanza-aprendizaje: Revisión de conceptos, análisis y solución de problemas en clase Lectura de material fuera de clase Ejercicios fuera de clase (tareas) Investigación documental Elaboración de reportes técnicos o proyectos X X X X X Metodología de evaluación: Asistencia Tareas Elaboración de reportes técnicos o proyectos Exámenes Programa propuesto por: Fecha de aprobación: X X X X