科目名 | システム推定学特論 | ||
単位数 | 2.0 | ||
担当者 | 教授 小野 貴彦 | ||
履修時期 | 後期(第3ターム) | ||
履修対象 | 1・2年次 | ||
講義形態 | 講義 | ||
講義の目的 | 動的システムの入力に対する反応を推定および再現する技術を学ぶ。前半では、オブザーバによる線形時不変システムの状態推定について、その数学的原理を理解した上で実装技術を学習する。後半では、対象を非線形システムに拡大して、入力に対するシステムの振る舞いを再現・推定するモデルの構築原理とその実現方法について学習する。 | ||
到達目標 |
・オブザーバによる線形時不変システムの状態推定原理を数学的に説明できる. ・オブザーバの実装、シミュレーション、性能分析ができる. ・非線形システムの振る舞いを再現するモデルが構築できる。 |
||
受講要件 | 現代制御理論と最適化手法の知識があることが望ましい。 | ||
履修取消の可否 | 可 | ||
履修取消不可の理由 | |||
事前・事後学修 | 事後学修のための課題を課す。課題は指定した日時までに提出する。 | ||
講義内容 |
1. 推定問題(平滑化,推定,予測) 2. 動的システムの数学モデル(常微分方程式,行列ベクトル形式による表現) 3. 同一次元オブザーバの設計法(固有値を用いた設計法、可観測・可検出) 4. 同一次元オブザーバの実装法1(ルンゲ・クッタ法) 5. 同一次元オブザーバの実装法2(双一次変換) 6. 外乱オブザーバ(伝達関数を用いた設計法) 7. モデルを活用した推定(評価関数と最適化問題への定式化) 8. モデルを活用した推定(最小二乗法による関数近似) 9. モデルを活用した推定(最小二乗法を用いた離散時間システムの同定) 10.モデルを活用した推定(ニューラルネットワーク) 11.モデルを活用した推定(ニューラルネットワークによる関数近似) 12.画像による物体推定(深層学習) 13.画像による物体推定(SqueezeNetを使った転移学習) 14.画像による物体推定(AlexNetを使った転移学習) 15.総括 |
||
期末試験実施の有無 | 実施しない | ||
評価方法・基準 | 大学が定めた基準に従って,課題の達成度80%,授業態度20%の配分で評価する.課題では,簡単な線形システムのモデリング、オブザーバの設計、実装、シミュレーション、性能分析に関する問題を与え、到達目標の達成度を評価する。 | ||
教科書等 | 必要に応じて資料を配付する。 | ||
担当者プロフィール |
制御工学およびモデル化とシミュレーションを専門とし、安全・安心・迅速な患者搬送を実現する救急車のシステム開発に従事。 詳細は,Webページ(http://www.ics.info.hiroshima-cu.ac.jp/ono/)を参照。 授業内容に関する質問や相談は随時受けつけますが、居室を訪ねる場合には、授業前後の空き時間や電子メールなどで事前にアポイントメントを取るようにしてください。 居室:情報科学部棟7階733室 |
||
講義に関連する実務経験 | |||
課題や試験に対するフィードバック | 課題については、提出後に解答例を示し、解説する。 | ||
アクティブ・ラーニング | 振り返り | ||
キーワード | 動的システム、推定、モデリング | ||
備考 | 【教職】高専修(数学) |