Descriptif
Le cours présente tout d’abord les concepts généraux liés aux techniques d’identification : modélisation des systèmes, compromis représentativité / temps de calcul, but de la modélisation, information a priori… Les liens avec le filtrage et la commande sont explicités.
Les principales classes de méthodes et techniques d’identification sont ensuite exposés. L’étudiant devra être capable à l’issue du cours et face à un problème concret de définir une stratégie d’identification permettant d’obtenir un modèle du processus satisfaisant aux critères demandés.
Organisation:
Ce module est organisé autour de cours magistraux permettant de donner les fondements théoriques des principale méthodes d’identification et de mise application en salle informatique sur des exemples issus du monde industriel (automobile, aéronautique, biomédical, finance…).
Objectifs pédagogiques
Etre capable d'analyser des problèmes de type moindres carrés pour en identifier les paramètres.
effectifs minimal / maximal:
10/50Diplôme(s) concerné(s)
Parcours de rattachement
Pour les étudiants du diplôme Diplôme d'Ingénieur de l'Ecole Nationale Supérieure de Techniques Avancées
Théorie de l'optimisation, commande des systèmes linéaires.
Format des notes
Numérique sur 20Littérale/grade européenPour les étudiants du diplôme Diplôme d'Ingénieur de l'Ecole Nationale Supérieure de Techniques Avancées
Vos modalités d'acquisition :
- le rattrapage est obligatoire si :
- Note initiale < 6
- le rattrapage peut être demandé par l'étudiant si :
- 6 ≤ note initiale < 10
- Crédits ECTS acquis : 1.5 ECTS
- Scientifique acquis : 1.5
Le coefficient de l'UE est : 1
La note obtenue rentre dans le calcul de votre GPA.
L'UE est évaluée par les étudiants.
Programme détaillé
1. CM:
Introduction.
Notion de modèle, modèle de connaissance, modèle de comportement.
Représentativité des modèles
Un modèle, dans quel but ?
2. TD en salle info:
Mise en œuvre. Etude de cas sous forme d'optimisation générale. Analyser et retrouver les principes fondamentaux de l'identification.
3. CM:
Méthodes classiques (par analyse des comportements temporelles et fréquentielles). Formulation sous forme de problème d’optimisation
4. TD en salle info:
Mise en œuvre (suite). Utilisation des principes fondamentaux pour choisir les conditions expérimentales et les paramètres des méthodes d'optimisation.
5. CM:
Utilisation des moindres carrés:
Moindres carrés sans pondérations,
Moindres carrés pondérés,
Moindres carrés récursifs
6. TD en salle info:
Mise en application des méthodes classiques d’identification par observation des comportements temporels et fréquentiels?
7. CM:
Méthodes basées sur l’analyse spectrale
- Rappels d’analyse spectrale - Prétraitements des données -
Méthodes de corrélation -
Méthodes de filtrage -
Utilisation de séquence binaire pseudo aléatoire
8. TD en salle info:
Mise en œuvre des méthodes basées sur l’analyse spectrale.
Réglage de ces méthodes
9. CM:
Utilisation des moindres carrés:
Moindres carrés sans pondérations,
Moindres carrés pondérés,
Moindres carrés récursifs
10. TD en salle info:
Mise en œuvre des Moindres carrés.
Méthode itérative pour le choix des pondérations.
11. CM:
Méthodes récursives (suite). Optimisation générale
12. TD en salle info:
Mise en oeuvre des Moindres carrés (suite).
Méthode itérative pour le choix des pondérations.