Opis naloge:
Metoda identifikacije modelov na podlagi Gaussovih procesov (GP) je relativno nova metoda, ki omogoča tudi identifikacijo linearnih in nelinearnih dinamičnih sistemov. Metoda omogoča, da lahko prikažemo tudi negotovost napovedi v odvisnosti od razporeditve podatkov za modeliranje.  
Običajno se za identifikacijo modelov oziroma optimizacijo uporablja metoda največjega verjetja (angl. maximum likelihood), ki pa ima težave z lokalnimi minimumi kriterijske funkcije. Alternativa, ki naj bi jo vrednotili v tem diplomskem delu je optimizacija z uporabo metode sekvenčni Monte Carlo.  
Na podlagi literature je potrebno narediti vrednotenje identifikacije različnih procesov z uporabo metode sekvenčni Monte Carlo z že izdelano programsko opremo oziroma jo po potrebi prilagoditi. Sekvenčno Monte Carlo metodo naj se preizkusi tudi za optimizacijo modela z izhodnim pogreškom (OE model). Za vrednotenje je potrebno poiskati primerne in različne primere dinamičnih sistemov.  
Potrebna predznanja: Potrebno je znanje identifikacij in simulacij dinamičnih sistemov sistemov in poznavanje programskega paketa Matlab.

Literatura:
KOCIJAN, Juš. Modelling and control of dynamic systems using Gaussian process models, (Advances in industrial control). Springer, 2016.  
Svensson. A., Dahlin. J. and Schön. T. B. (2015). Marginalizing Gaussian process hyperparameters using sequential Monte Carlo. In: 6th International Workshop on Computational Advances in Multi-Sensor Adaptive Processing, Cancun, Mexico.  
Andreas Svensson, Arno Solin, and Simo Sarkka, and Thomas B Schoen. Computationally efficient Bayesian learning of Gaussian process state space models. Proceedings of the 19th International Conference on Artificial Intelligence and Statistics (AISTATS), Pages 213 – 221, 2016.  
Programska oprema v Matlabu:  
http://www.it.uu.se/katalog/andsv164/research/publications

Kontaktna oseba(e): Sašo Blažič (Juš Kocijan)

Naloga na voljo od: takoj

[nazaj na spisek prostih tem]