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

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