1. [I]nfo
  2. [M]oduli
  3. [B]acheca
  4. [P]rogramma
  5. [O]rari
  6. [E]sami
  7. E[v]enti
  8. [F]iles

Generali:

  • Dipartimento: Ingegneria
  • Settore Ministeriale: ING-INF/04
  • Codice di verbalizzazione: 8039173
  • Metodi di insegnamento: Frontale
  • Metodi di valutazione: Scritto E Orale
  • Prerequisiti: Conoscenze di base sui fondamenti del controllo
  • Obiettivi: 1) Discretizzazione e controllo a tempo discreto. - Introduzione della classe di sistemi lineari stazionari a tempo discreto. - Richiami alla trasformata Zeta. Calcolo delle soluzioni delle equazioni alle differenze tramite la trasformata Zeta. - I modi naturali dei sistemi a tempo discreto. Definizione di stabilità semplice ed asintotica per i sistemi a tempo discreto. - Condizioni necessarie e sufficienti per la stabilità in base alle proprietà degli autovalori. - Stabilizzazione di un sistema a tempo discreto tramite assegnazione degli autovalori (richiamo alle formule di Ackermann). I sistemi FIR. -Discretizzazione di un sistema a tempo continuo. Proprietà del sistema discretizzato rispetto al tempo di campionamento. Fenomeno dell��aliasing. Filtri antialiasing. 2) Controllo robusto di sistemi stabili e a fase minima. - Controllori PID: predisposizione dei parametri mediante procedimenti basati sul comportamento al limite di stabilità. (primo metodo di Ziegler e Nichols). - Scelta dei parametri tramite la conoscenza della funzione di trasferimento del modello. (secondo metodo di Ziegler e Nichols). Classi di sistemi controllabili da PID. - Controllo robusto. Formula di sensitività. Primo e secondo Teorema di Bode. 3) Linearizzazione e controllo robusto di sistemi linearizzati. - Linearizzazione. Teorema di approssimazione Lineare. - Teoria della stabilità di Lyapunov. la stabilità di un sistema lineare mediante funzioni quadratiche di Lyapunov. - Controllo ottimo H-infinito. Sintesi di un controllore sub-ottimo mediante le soluzioni delle equazioni matriciali di Riccati. 4) Reti neurali per il controllo. - Introduzione alle reti neurali artificiali ispirate alle reti biologiche di neuroni. Modelli matematici dei neuroni artificiali. Il percettrone secondo McCulloch e Pitts. - Tipi di funzioni di attivazione. Reti neurali come grafi orientati. Architetture di Rete. - Reti neurali multistrato di percettroni (MLPN). Derivazione dell'algoritmo di 'backpropagation' introdotto da Werbos. - Dimensione dell'insieme di training. Criteri di inizializzazione. Criteri di arresto. - Validazione incrociata. Generalizzazione. Velocità di apprendimento. Metodi per migliorare le prestazioni dell' algoritmo di 'back -propagation'. - Reti neurali a base radiale (RBFN) ad uno strato. Definizioni e proprietà. Approssimazione 'off-line' di funzioni nonlineari tramite RBFN i cui centri sono fissati apriori. - Il teorema di approssimazione universale per reti RBFN. - Confronto tra reti MLPN e RBFN. - Algoritmi a tempo continuo di addestramento 'on-line' di reti RBFN con parametri lineari variabili e centri costanti, nell'ambito della teoria dell'osservazione adattativa. 5) Uso di Matlab e Simulink per analisi e sintesi dei sistemi dinamici. - Richiami al software MATLAB. - Introduzione al pacchetto 'neural networks toolbox' per l'addestramento di reti neurali MLPN e RBFN. - Introduzione al 'tool' 'simulink' per la simulazione di sistemi di equazioni differenziali a tempo continuo e alle differenze a tempo discreto.

Didattica:

  • A.A.: 2023/2024
  • Canale: UNICO
  • Crediti: 9
2021 © Università di TorVergata  |  FAQ  |  Contatta la Redazione  |