Dagli Highlights

Reti neurali per la stima dello stato di sistemi dinamici non lineari

La stima dello stato di sistemi dinamici non lineari è un problema importante nell'ambito dell'automatica. Infatti, spesso non sono disponibili misure dell'intero stato, ma solo di alcune variabili. Stimare lo stato significa risalire a quantità di interesse non direttamente misurabili usando le osservazioni disponibili: questa operazione è in genere complessa. Nell'articolo è presentato un metodo di sintesi di stimatori volto a minimizzare un funzionale di costo assegnato. Il problema di stima viene trasformato in uno di ottimizzazione funzionale, da risolvere in modo approssimato. L'incognita è la funzione di stima, ossia un mapping ingresso/uscita che generi la stima ottima per ogni valore delle variabili misurate, raccolte in una finestra temporale di istanti passati di lunghezza fissata a partire dall'istante corrente. La funzione di stima incognita è sostituita da funzioni approssimanti a struttura fissa con parametri liberi, da determinare in modo da minimizzare il funzionale di costo considerato. Le strutture impiegate sono reti neurali artificiali a uno strato nascosto, ossia modelli matematici che si ispirano al comportamento dei neuroni biologici. Esse sono molto usate nell'ambito di problemi di intelligenza artificiale, in quanto capaci di modellare dinamiche complesse imparando direttamente dai dati. Come applicazione è considerato un problema di tracking passivo, di interesse nell'ambito della sorveglianza. Il sistema è un oggetto che si muove in una regione in cui si trovano sensori di posizione. A partire dai dati osservati, si vuole ricostruire l'intero stato cinematico dell'oggetto, ossia posizione e velocità. I risultati ottenuti, confrontati con tecniche assestate come il filtro di Kalman esteso, sono eccellenti in termini di accuratezza della stima.

Autori: A. Alessandri, M. Baglietto, G. Battistelli, M. Gaggero

Titolo: Moving-Horizon State Estimation for Nonlinear Systems Using Neural Networks

Rivista: IEEE Transactions on Neural Networks

Anno: 2011

Riferimenti bibliografici: 22 (2011), pp. 768-780