Identificazione di sistemi non lineari tramite regressione Gaussiana e applicazione al Wiener-Hammerstein benchmark

Si espone un approccio per l'identificazione di sistemi non lineari e la sua applicazione a un sistema reale di tipo Wiener-Hammerstein. L'algoritmo [Pillonetto] sfrutta la regressione Gaussiana per modellare il sistema come una realizzazione di un campo aleatorio Gaussiano. Esso riduce il problema alla sola determinazione di alcuni iperparametri che forniscono la descrizione completa dell'autocovarianza ad esso associata. Gli iperparametri vengono stimati ottimizzando la loro densità marginale basandosi esclusivamente sui dati di identificazione forniti dal benchmark Wiener-Hammerstein. I risultati sono infine confrontati coi dati appartenenti all'insieme di test dello stesso benchmark per illustrare l'efficacia di questo approccio