L’identification ou recherche de modèles à partir de données expérimentales, est une des préoccupations commune à la plupart des disciplines scientifiques.
L’identification désigne à la fois une démarche scientifique et un ensemble de techniques visant à déterminer des modèles dynamiques capables de reproduire aussi fidèlement que possible le comportement d’un système physique, chimique, biologique, environnemental ou de télécommunication…
Cette méthodologie, généralement développée au sein de la communauté automatique, est utilisée par d’autres domaines. Elle s’appuie sur la théorie des systèmes et utilise différents outils issus des mathématiques appliquées, du traitement statistique du signal, de la théorie de l’information et converge actuellement vers des disciplines telles que l’apprentissage machine. Elle se concrétise par des algorithmes de traitement de données expérimentales.
Le groupe de travail Identification fonctionne depuis 1996. Il est actuellement reconnu par le GdR MACS et regroupe une cinquantaine de chercheurs permanents issus d’une vingtaine de laboratoires. Si vous souhaitez recevoir les dernières informations, les propositions de poste ou participer aux prochaines réunions, inscrivez vous sur la liste de diffusion du CT identification à partir de votre compte SAGIP.
Objectifs : Tous les aspects de la modélisation des systèmes à partir de données, du traitement du signal et des statistiques, de développements théoriques et méthodologiques aux applications pratiques sont abordés : la sélection de modèles, l’estimation robuste, la régularisation, les résultats de données finies, suivi et adaptation, validation de modèle, planification d’expériences, … On considère également les différentes classes de modèles, en incluant les modèles paramétriques ou non-paramétriques, linéaire ou non-linéaires, la représentation d’état, les domaines temporel et fréquentiel.
« L’identification de système est une technique de l’automatique consistant à obtenir un modèle mathématique d’un système à partir de mesures. »
Data-driven Modeling
- Input/Output data
- Discrete-time or Continuous-time data
- Structure Selection
- Model Order Reduction
Parameter Estimation from Criterion Optimization
- Time-domain or Frequency-domain Data
- Criteria Optimization
- SISO or MIMO structure