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. 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. 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. Sintesi di osservatori sub-ottimi H-infinito per sistemi lineari affetti da disturbi sia nella dinamica del modello che affetti da errori di misura. Sintesi di filtri di Kalman per sistemi atempo discreto affetti da disturbi di misura come nella dinamica del modello. Teoria di 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 (MLFN). Derivazione dell'algoritmo di backpropagation. Criteri di inizializzazione. Criteri di Validazione incrociata. Generalizzazione. Velocità di apprendimento. Metodi per migliorare le prestazioni dellalgoritmo di back-propagation. Reti neurali a base radiale (RBFN) ad uno strato. Definizioni e proprietà. Approssimazione di funzioni nonlineari tramite RBFN i cui centri sono fissati apriori Il teorema di approssimazione universale per reti RBFN. Confronto tra reti MLFN e RBFN. Elementi di Teoria degli algoritmi genetici nell'ambito della teoria dell'ottimizzazione. Concetto di popolazione di algoritmi, fitness function, mutazione mediante genesi di offsprings da due elementi della popolazione. Teoria della stima delle derivate successive di una traiettoria rumorosa per la sintesi di un sistema di controllo finalizzato all'iseguimento di un besaglio. Ottimizzazione della strategia mediante algoritmi genetici. Uso di Matlab e Simulink per analisi e sintesi dei sistemi dinamici. Introduzione al pacchetto MatLab 'Deep Leaning Toolbox' per addestramento di reti neurali MLFN e RBFN, e utilizzo algoritmi genetici.
English
Italiano