Parameter estimation
I. General introduction
1. Introduction
2. Modelling goals
- Two type = what the system IS or DOES.
3. Some taxonomy
- Two types models = theoretical + empirical (= data-driven).
4. Basic principles of model identification
- identification criterion = distance candidate model and experimental data.
- optimization distance à parameter values.
- direct validation = model reproduce the experimental data only à necessary condition (not sufficient).
cross validation = model reproduce what is not available too à prediction ability à out of the region.
- good model = complexity as low + domain as large + objective identification criterion.
- model validation not ok à everything can be questioned except modelling goal.
II. Mathematical model structure
1. Some notations
2. Linear and nonlinear models
3. Time-invariant and time-varying models
- time invariant à parameters independent of time.
- time varying à parameters depend of time.
4. Algebraic and differential models
- algebraic à no derivatives.
- differential à ∃ derivatives with respect to independent variable.
- scalar algebraic linear time-invariant
- scalar algebraic nonlinear time invariant
- differential linear time-invariant à state + output equation
(A= system, B=command, C= measurement, D= instantaneous)
- differential nonlinear time-invariant
- time varying à same but θ depends on time.
5. Continuous-time and discrete-time models
- continuous à ex: state equations, transfer function LTI
- discrete à recursive equations à linear or non linear
6. Deterministic and stochastic models
- deterministic à no random variable.
- stochastic à∃ random variable à ex: noise.
7. Structural properties of models
- identifiability = can I do the work with this model? = estimate parameter value uniquely in ideal
conditions à parameter globally or locally identifiable ?
globally = model output same for two parameters à parameters the same à comparison with all the
parameters.
Locally = model output same for two parameters à parameters the same à comparison with the
neighbour value.
- Distinguishability = which model is the best based on the available measurement? à not having the
same output for two parameters.
III. Identification criteria
1. Introduction
2. Least square criterion
a. Introduction
- quadratic cost function used.
- weighting matrix à best choice = standard deviation.
b. Scalar linear model
- model à deterministic output + measurement noise
Voordelen van het kopen van samenvattingen bij Stuvia op een rij:
√ Verzekerd van kwaliteit door reviews
Stuvia-klanten hebben meer dan 700.000 samenvattingen beoordeeld. Zo weet je zeker dat je de beste documenten koopt!
Snel en makkelijk kopen
Je betaalt supersnel en eenmalig met iDeal, Bancontact of creditcard voor de samenvatting. Zonder lidmaatschap.
Focus op de essentie
Samenvattingen worden geschreven voor en door anderen. Daarom zijn de samenvattingen altijd betrouwbaar en actueel. Zo kom je snel tot de kern!
Veelgestelde vragen
Wat krijg ik als ik dit document koop?
Je krijgt een PDF, die direct beschikbaar is na je aankoop. Het gekochte document is altijd, overal en oneindig toegankelijk via je profiel.
Tevredenheidsgarantie: hoe werkt dat?
Onze tevredenheidsgarantie zorgt ervoor dat je altijd een studiedocument vindt dat goed bij je past. Je vult een formulier in en onze klantenservice regelt de rest.
Van wie koop ik deze samenvatting?
Stuvia is een marktplaats, je koop dit document dus niet van ons, maar van verkoper Alsom. Stuvia faciliteert de betaling aan de verkoper.
Zit ik meteen vast aan een abonnement?
Nee, je koopt alleen deze samenvatting voor €6,89. Je zit daarna nergens aan vast.