Corsi di Laurea Corsi di Laurea Magistrale Corsi di Laurea Magistrale
a Ciclo Unico
Scuola di Ingegneria
INGEGNERIA DELL'AUTOMAZIONE
Insegnamento
STIMA E FILTRAGGIO
IN04119565, A.A. 2019/20

Informazioni valide per gli studenti immatricolati nell'A.A. 2019/20

Principali informazioni sull'insegnamento
Corso di studio Corso di laurea magistrale in
INGEGNERIA DELL'AUTOMAZIONE
IN0527, ordinamento 2008/09, A.A. 2019/20
N0
porta questa
pagina con te
Crediti formativi 9.0
Tipo di valutazione Voto
Denominazione inglese ESTIMATION AND FILTERING
Dipartimento di riferimento Dipartimento di Ingegneria dell'Informazione (DEI)
Sito E-Learning https://elearning.dei.unipd.it/course/view.php?idnumber=2019-IN0527-000ZZ-2019-IN04119565-N0
Obbligo di frequenza No
Lingua di erogazione ITALIANO
Sede PADOVA
Corso singolo È possibile iscriversi all'insegnamento come corso singolo
Corso a libera scelta È possibile utilizzare l'insegnamento come corso a libera scelta

Docenti
Responsabile STEFANO PINZONI ING-INF/04
Altri docenti GIANLUIGI PILLONETTO ING-INF/04

Dettaglio crediti formativi
Tipologia Ambito Disciplinare Settore Scientifico-Disciplinare Crediti
CARATTERIZZANTE Ingegneria dell'automazione ING-INF/04 9.0

Organizzazione dell'insegnamento
Periodo di erogazione Secondo semestre
Anno di corso I Anno
Modalità di erogazione frontale

Tipo ore Crediti Ore di
didattica
assistita
Ore Studio
Individuale
LEZIONE 9.0 72 153.0

Calendario
Inizio attività didattiche 02/03/2020
Fine attività didattiche 12/06/2020
Visualizza il calendario delle lezioni Lezioni 2019/20 Ord.2008

Commissioni d'esame
Commissione Dal Al Membri
10 A.A. 2019/2020 01/10/2019 15/03/2021 PINZONI STEFANO (Presidente)
PILLONETTO GIANLUIGI (Membro Effettivo)
9 A.A. 2018/2019 01/10/2018 15/03/2020 PINZONI STEFANO (Presidente)
PILLONETTO GIANLUIGI (Membro Effettivo)
BEGHI ALESSANDRO (Supplente)
BISIACCO MAURO (Supplente)
CARLI RUGGERO (Supplente)
CENEDESE ANGELO (Supplente)
CHIUSO ALESSANDRO (Supplente)
FERRANTE AUGUSTO (Supplente)
FORNASINI ETTORE (Supplente)
PICCI GIORGIO (Supplente)
SCHENATO LUCA (Supplente)
SUSTO GIAN ANTONIO (Supplente)
TICOZZI FRANCESCO (Supplente)
VALCHER MARIA ELENA (Supplente)
VITTURI STEFANO (Supplente)
ZAMPIERI SANDRO (Supplente)
ZORZI MATTIA (Supplente)

Syllabus
Prerequisiti: Elementi di segnali e sistemi, analisi dei dati, teoria dei sistemi.
Conoscenze e abilita' da acquisire: Conoscenza e capacità di utilizzo delle principali metodologie di elaborazione statistica dei segnali aleatori, con applicazioni a vari settori dell'ingegneria.
In particolare, ci si aspetta che a conclusione del corso lo studente sia in grado di:
1. conoscere ed utilizzare i modelli probabilistici statici per la descrizione e la stima di variabili e vettori aleatori;
2. conoscere ed utilizzare i modelli di processo stocastico per la descrizione e la stima di segnali aleatori;
3. conoscere ed applicare i metodi di stima dinamica alla Wiener;
4. conoscere ed applicare i metodi di stima dinamica alla Kalman;
5. conoscere ed utilizzare pacchetti software dedicati alla implementazione degli algoritmi di stima oggetto del corso.
Modalita' di esame: L'esame prevede quattro prove per 32 punti totali (pari al voto di 30/30 e lode), così organizzate:
1. Homework (punti 2): 4 esercizi assegnati alla fine della terza settimana di lezioni, sugli argomenti di stima statica, consegna entro 1 settimana.
2. Prima prova di laboratorio MATLAB (punti 3): un esercizio sul filtraggio alla Wiener, assegnato alla fine della nona settimana, consegna della relazione entro 2 settimane.
3. Seconda prova di laboratorio MATLAB (punti 3): un esercizio sul filtraggio alla Kalman, assegnato alla fine della undicesima settimana, consegna della relazione entro 2 settimane.
4. Prova scritta (punti 24): 4 esercizi (stima statica, stima alla Wiener, stima alla Kalman, metodi Markov chain Monte Carlo). Durata 3 ore.
Criteri di valutazione: Conoscenza degli argomenti oggetto del corso.
Capacità di applicare i risultati generali della teoria della stima nella soluzione di esercizi concettuali e numerici.
Contenuti: Stima Bayesiana statica e dinamica, stimatori lineari corretti a minima varianza d'errore. Approccio geometrico.
Filtri lineari per la stima di segnali aleatori: predittori, ricostruttori, interpolatori.
Filtri di Wiener-Kolmogorov. Fattorizzazione spettrale e modelli ARMA.
Controllo stocastico a minima varianza.
Modelli di stato. Filtro di Kalman e sua implementazione. Filtro di Kalman esteso.
Tecniche di stima Bayesiana basate su simulazione stocastica:
rejection/importance sampling, metodi Markov chain Monte Carlo.
Tecniche di filtraggio non lineare basate su unscented e particle filters.
Uso del software MATLAB.
Attivita' di apprendimento previste e metodologie di insegnamento: Modalità di insegnamento frontale alla lavagna. Alcune lezioni su MATLAB in laboratorio informatico con l'ausilio di calcolatore e videoproiettore.
Eventuali indicazioni sui materiali di studio: Nella pagina dedicata sulla piattaforma E-learning del Dipartimento di Ingegneria dell'Informazione, saranno pubblicate note, complementi, esercizi relativi all'insegnamento, insieme al diario delle lezioni.
Testi di riferimento:
  • G. Picci, Filtraggio statistico (Wiener, Levinson, Kalman) e applicazioni. Padova: Lib. Progetto, 2007. Cerca nel catalogo

Didattica innovativa: Strategie di insegnamento e apprendimento previste
  • Lecturing
  • Interactive lecturing
  • Questioning
  • Files e pagine caricati online (pagine web, Moodle, ...)

Didattica innovativa: Software o applicazioni utilizzati
  • Moodle (files, quiz, workshop, ...)
  • Latex
  • Matlab

Obiettivi Agenda 2030 per lo sviluppo sostenibile
Istruzione di qualita' Industria, innovazione e infrastrutture