Nach positiver Absolvierung der Lehrveranstaltung sind Studierende in der Lage, zwei Ziele der datengetriebenen Modellbildung zu erreichen:

1. Für ein gegebenes Anwendungsproblem mit vorhandenen Messdaten können sowohl die Auswahl einer geeigneten Struktur, als auch die optimale Schätzung der Modellparameter durchgeführt werden. Alternative Modelle können quantitativ verglichen und sicher validiert werden.
2. Weiterführende Literatur zu Methoden der Systemidentifikation kann selbständig erarbeitet und die präsentierten Methoden umgesetzt werden.

Systemparameter Schätzung mit der Methode der kleinsten Fehlerquadrate, statistische Eigenschaften der geschätzten Parameter, Schätzung von Gewichtfolgen, erweiterte Methode der kleinsten Fehlerquadrate, verallgemeinerte Methode der kleinsten Fehlerquadrate, Parameterschätzung im geschlossenen Regelkreis, Entwurf eines Identifikationsexperiments, künstliche neuronale Netze, nichtlineare Optimierung

Vortrag über Live Online Meetings, Vorrechnen von Beispielen unter Verwendung von MATLAB/Simulink, Verweise auf aktuelle Forschungsinhalte des Instituts, Diskussion von Ergebnissen und Alternativen.

Die Vorlesung wird de facto als Vorlesungsübung mit gemeinsam errechneten Beispielen und Hausübungen durchgeführt.

Mündliche Prüfung über den Gesamtstoff, oder

Projekt in Heimarbeit mit Ausarbeitung von zwei Aufgaben + einfache mündliche Präsentation.

Ein Skriptum zur Lehrveranstaltung ist erhältlich (Institut 325A5). Weitere Literaturangaben finden sich im Skriptum.

Öffnungszeiten des Sekretariats: Dienstag, Mittwoch und Donnerstag von 9:00 bis 11:00 Uhr

Aufgrund von COVID werden derzeit keine Studenten im Sekretariat empfangen. Bitte kontaktieren Sie das Sekretariat per E-Mail oder Telefon.

Grundlagen der Regelungstechnik ist erforderlich und sehr gute Vorkenntnisse auf den Gebieten der Mathematik und Stochastik werden vorausgesetzt. Insbesonders Digitale Regelung ist wünschenswert, muss aber nicht absolviert sein.