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.  
Med različnimi oblikami modelov so tudi modeli nelinearnih dinamičnih sistemov v prostoru stanj.  
Na podlagi literature je potrebno narediti pregled in vrednotit eno od metod z vsaj eno od dostopnih, že izdelanih programskih oprem. Za vrednotenje je potrebno poiskati primeren primer dinamičnega sistema.  
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.  
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.  
T. Beckers, S. Hirche. Stability of Gaussian Process State Space Models. Proceedings of the European Control Conference (ECC), 2016.  
Andrew HcHutchon. Nonlinear modelling and control using Gaussian processes. PhD thesis, University of Cambridge, 2014.  
Roger Frigola. Bayesian Time Series Learning with Gaussian Processes. PhD thesis, University of Cambridge, 2015.  
Programska oprema v Matlabu: http://www.it.uu.se/katalog/andsv164/Research/nonparametric_identification

Kontaktna oseba(e): Gorazd Karer (Juš Kocijan)

Naloga na voljo od: takoj

[nazaj na spisek prostih tem]