Ce cours porte sur l'élaboration de modèles dynamiques à partir de données expérimentales. Les outils préalables sont d'abord traités : rappels d'algèbre linéaire, systèmes discrets et processus aléatoires. Les méthodes paramétriques sont introduites à l'aide du principe de régression linéaire pour être généralisées en utilisant l'approche de minimisation de l'erreur de prédiction. Les algorithmes récursifs et l'identifiabilité des systèmes en boucle fermée sont ensuite considérés. Les éléments entourant la démarche d'identification sont également étudiés : excitation, échantillonnage, filtrage, traitement des données, sélection et validation du modèle. Finalement, les méthodes non paramétriques basées sur la réponse transitoire et fréquentielle sont présentées.
Ce cours porte sur l'élaboration de modèles dynamiques à partir de données expérimentales. Les outils préalables sont d'abord traités : rappels d'algèbre linéaire, systèmes discrets et processus aléatoires. Les méthodes paramétriques sont introduites à l'aide du principe de régression linéaire pour être généralisées en utilisant l'approche de minimisation de l'erreur de prédiction. Les algorithmes récursifs et l'identifiabilité des systèmes en boucle fermée sont ensuite considérés. Les éléments entourant la démarche d'identification sont également étudiés : excitation, échantillonnage, filtrage, traitement des données, sélection et validation du modèle. Finalement, les méthodes non paramétriques basées sur la réponse transitoire et fréquentielle sont présentées.
