Identification And Neural Networks 2025/2026

- Definizione del problema di identificazione: prediction vs simulation; one-step vs multi-step/rollout; obiettivi e metriche.

- Protocolli dati per serie temporali: campionamento, eccitazione, rumore; train/validation/test con split temporale; data leakage e buone pratiche.

- Identificazione lineare input-output: ARX come regressione; panoramica di strutture ARMAX/OE/BJ e concetto di prediction error minimization (PEM).

- Identificazione in spazio di stato: concetti e workflow subspace (N4SID) e confronto con modelli input-output.

- Validazione e diagnostica: residual analysis (whiteness e indipendenza dall’input), confronto one-step vs rollout, stress tests e robustezza.

- Regolarizzazione e selezione della complessità: bias-variance, criteri e validazione; principi di ridge/LASSO (concettuali e operativi).

- Modelli non lineari e neurali per dinamiche: NARX/nonlinear ARX; RNN/LSTM/GRU (training e criticità); neural state-space (stato latente, rollout, confronto con baseline).

- Vincoli e robustezza: saturazioni/bounded outputs, stabilità/rollout, robustezza a dataset shift; cenni a monitoraggio e aggiornamento del modello.

- Reporting e riproducibilità: standard di report tecnico e pipeline MATLAB end-to-end replicabile.

---

Fonte: GOMP