In questa memoria viene presentato l’utilizzo di un algoritmo evolutivo per l’identificazione dei parametri autoregressivi di modelli ARMA vettoriali per la caratterizzazione dinamica di strutture sottoposte a eccitazione ambientale. Per valutare le proprietà modali della struttura occorre risolvere il modello ARMA ricercando i coefficienti autoregressivi propri del modello. Il metodo di identificazione parametrica conosciuto come Prediction Error Method (PEM) consente di stimare tali parametri, attraverso la minimizzazione della funzione errore di predizione. A causa della non linearità del problema di minimizzazione, soprattutto quando il numero di segnali in uscita è elevato, i metodi di identificazione che si basano sul gradiente risultano inaccurati in quanto presentano problemi di convergenza nei casi di bassa sensitività della funzione errore nei riguardi dei parametri da identificare. Nel presente studio è stato adottato, per l’identificazione dei parametri autoregressivi di un modello ARMA Vettoriale, un algoritmo evolutivo, il Differential Evolution Method, indicato per la ricerca di minimi anche quando la funzione costo è definita implicitamente.
Identificazione dei parametri modali autoregressivi di un modello ARMA Vettoriale attraverso algoritmi evolutivi / Vincenzi, Loris; M., Savoia. - ELETTRONICO. - 1:(2005), pp. 1-12. (Intervento presentato al convegno AIMeTA di Meccanica Teorica e Applicata tenutosi a Firenze nel 11-15 settembre).
Identificazione dei parametri modali autoregressivi di un modello ARMA Vettoriale attraverso algoritmi evolutivi
VINCENZI, Loris;
2005
Abstract
In questa memoria viene presentato l’utilizzo di un algoritmo evolutivo per l’identificazione dei parametri autoregressivi di modelli ARMA vettoriali per la caratterizzazione dinamica di strutture sottoposte a eccitazione ambientale. Per valutare le proprietà modali della struttura occorre risolvere il modello ARMA ricercando i coefficienti autoregressivi propri del modello. Il metodo di identificazione parametrica conosciuto come Prediction Error Method (PEM) consente di stimare tali parametri, attraverso la minimizzazione della funzione errore di predizione. A causa della non linearità del problema di minimizzazione, soprattutto quando il numero di segnali in uscita è elevato, i metodi di identificazione che si basano sul gradiente risultano inaccurati in quanto presentano problemi di convergenza nei casi di bassa sensitività della funzione errore nei riguardi dei parametri da identificare. Nel presente studio è stato adottato, per l’identificazione dei parametri autoregressivi di un modello ARMA Vettoriale, un algoritmo evolutivo, il Differential Evolution Method, indicato per la ricerca di minimi anche quando la funzione costo è definita implicitamente.Pubblicazioni consigliate
I metadati presenti in IRIS UNIMORE sono rilasciati con licenza Creative Commons CC0 1.0 Universal, mentre i file delle pubblicazioni sono rilasciati con licenza Attribuzione 4.0 Internazionale (CC BY 4.0), salvo diversa indicazione.
In caso di violazione di copyright, contattare Supporto Iris