Komputerowe wspomaganie identyfikacji procesów

• Autorzy: Kasprzyk J.

Warianty tytułu

EN

Computer aided process identification

• Języki publikacji: PL

Abstrakty

PL

Identyfikacja procesów polega na tworzeniu modeli matematycznych opisujących właściwości tych procesów na podstawie posiadanej wiedzy a priori oraz pomiarów sygnałów zebranych w trakcie doświadczeń identyfikacyjnych. Praktyczne stosowanie identyfikacji wymaga dostępy do odpowiedniego oprogramowania oraz pewnych umiejętności wynikających z doświadczenia i wiedzy na temat zasad wnioskowania. Tematem pracy jest analiza problemu komputerowego wspomagania podczas wykonywania procedury identyfikacji, w szczególności dyskusja zadań i praktycznych możliwości implementacji takiego systemu, w tym także ograniczeń, na jakie można napotkać w trakcie jego stosowania. Na ogół można oddzielić etap identyfikacji procesu od etapu stosowania modelu. Na etapie identyfikacji wykonywany jest eksperyment identyfikacyjny, podczas którego obiekt poddawany jest pobudzeniu, jeśli to możliwe, to w sposób specjalnie zaprojektowany dla celów identyfikacji, a zachowanie procesu jest obserwowane. Etap ten ten kończy się skonstruowaniem modelu matematycznego, który w zwięzły sposób opisuje zachowanie procesu w czasie eksperymentu. Opis taki powinien być reprezentatywny, tj. obowiązywać także na etapie stosowania i być odpowiedni do postawionego celu. W procedurze identyfikacji można wyróżnić następujące etapy: wykonanie eksperymentu, przyjęcie struktury modelu, estymacja modelu zgodnie z wybranym kryterium aproksymacji, testowanie otrzymanego modelu. Jeżeli wynik identyfikacji nie spełnia wymagań, to należy poprawić strukturę modelu i powtórzyć procedurę od kroku drugiego, aż do uzyskania odpowiednich wyników. Istotę identyfikacji można przedstawić w ujęciu probabilistycznym, opartym na wzorze Bayesa. Podejście takie pozwala na przedstawienie spójnej teorii identyfikacji procesów opartej na wnioskowaniu statystycznym, ale ze względu na trudności obliczeniowe ma głównie znaczenie teoretyczne. Ponieważ w pracy główny nacisk został położony na praktyczne aspekty identyfikacji, stąd wykorzystuje się tu raczej opis w postaci modelu stochastycznego, w którym niepewność jest przedstawiona za pomocą tzw. innowacji, będących elementarnymi zmiennymi losowymi o zadanym rozkładzie prawdopodobieństwa. W takim przypadku stosuje się estymator największej wiarygodności ze względu na dobre własności asymptotyczne i umiarkowane wymagania obliczeniowe. Podejście to jest szczególnie wygodne dla celów predykcji, sterowania czy symulacji. Warunkiem uzyskania modelu obiektu niezależnie od sposobu obudzenia jest tu rozdzielność obiektu od źródła tego pobudzenia. Przedstawione w pracy rozważania teoretyczne ilustrowane są przykładem identyfikacji rzeczywistego obiektu elektroakustycznego, którego model jest potrzebny do prawidłowej parametryzacji układu aktywnego tłumienia hałasu (ATH). Obiekty tego typu są szczególnie trudne do identyfikacji, gdyż cechują się bardzo złożoną dynamiką. Końcowy wynik identyfikacji zależy od sposobu wykonania doświadczenia identyfikacyjnego. Aby móc poprawnie wnioskować na podstawie uzyskanych danych muszą być spełnione dwa podstawowe wymagania: obiekt musi być odpowiednio pobudzony oraz spełniony musi być warunek powtarzalności. Planowanie doświadczenia obejmuje także określenie wielkości mających aspekt bardziej techniczny, takich jak sprzężenie procesu i komputera, wybór okresu próbkowania czy sygnału pobudzającego. Ponieważ planowanie eksperymentu stanowi ten element procedury identyfikacji, który zależy silnie od indywidualnych cech badanego procesu oraz celu, dla którego wykonuje się identyfikację, stąd wspomaganie użytkownika w tym względzie sprowadza się głównie do dostarczenia mu zestawu porad, w jaki sposób należy prawidłowo eksperyment wykonać. Część z przedstawionych warunków stanowią założenia, których nie da się zweryfikować na drodze testowania. Jednak niektóre z nich mogą być testowane i dlatego przedstawiono przykłady testów zalecanych do wykonania po zebraniu danych. Ponieważ na ogół dane surowe nie powinny być stosowane do celów identyfikacji, lecz powinny postać odpowiednio przygotowane, stąd przedstawiono także propozycje wspomagania w tym zakresie. Projektowanie systemu komputerowego wspomagania identyfikacji stwarza nowe możliwości, ale niesie także ze sobą niebezpieczeństwo powstania pewnych pułapek. Dotyczy to zarówno twórców takich systemów, jak i użytkowników. Stąd w ramach podsumowania mówiono perspektywy i możliwe zagrożenia w rozwijaniu oraz stosowaniu systemów komputerowego wspomagania identyfikacji.

EN

Process identification consists in mathematical models building that describe features of these processes on the basis of a priori information and signals measured during identification experiments. Practical application of identification involves access to suitable software. Nevertheless, some skills coming from experience and knowledge about principles of inference are also needed. The main goal of this work is to analyse the prospects in computer aided identification, especially discussion on tasks and opportunities in implementation of such systems, as well as constrains that can be met during usage of them. Generally, one can distinguish two stages: process identification and model application. At the first stage identification experiment is performed - the process is stimulated, if possible in the manner specially designed for identification purposes, and its behavior is observed. At the end of the stage it is expected to obtain a mathematical model describing process behaviour. This description ought to be representative, i.e. it should be valid at the application stage and it should be suitable for the purpose of identification. In identification procedure one can distinguish the following stages: carrying out the experiment, settling the model structure, estimating the model according to chosen approximation criterion, testing the model. If the result of identification does not fulfil the requirements then the model structure should be improved and the procedure repeated from the second stage, until adequate results are obtained. The essence of identification can be expressed in probabilistic terms, coming from the Bayes' formula. This approach allows to present the coherent theory of process identification based on the statistical inference. However, due to computational difficulties, it has only theoretical significance. Here emphasis is put on practical aspects of identification, therefore description in the form of a stochastic model is preferred, in which uncertainty is presented as so called innovations, being elementary random variables with given distribution. In this case maximum likelihood estimator is applied because of its good asymptotic properties and moderate computational requirements. This approach is especially convenient for prediction, control and simulation. To obtain a model of the process alone, independently on how it was stimulated, process and source of stimulation must be separable. Theoretical considerations presented in the monograph are illustrated by an example of a real-world electro-acoustic plant identification. The model of the plant is necessary for proper parameterization of active noise control (ANC) system. Such plants are very difficult to identification because their dynamics is very complicated. The final result of identification depends essentially on how the experiment was performed. To infer properly from experimental data, two basic requirements have to be satisfied: process should be sufficiently stimulated and the experiment must be reproducible. Planning the experiment includes also determination of technical quantities, like process-computer interface, choice of the sampling interval or the stimulation signal. Because planning the experiment is the stage in identification procedure that depends strictly on individual features of the process and on the purpose, thus computer assistance in this case is confined only to provide a set of advices for proper experimentation. Some of presented conditions are assumptions that can not be tested. But some of them can be tested and examples of such tests have been proposed to be performed after data collection. Generally, crude data should not be used directly for identification, therefore computer aided in data preparation has been also discussed. Designing the system for computer aided identification creates new opportunities, but it may lead also to some pitfalls. This conclusion concerns designers as well as users of these systems. Therefore, as the recapitulation, some conclusions are drawn about prospects and potential risks during evolving and using computer aided identification.

Słowa kluczowe

PL

identyfikacja procesów; metoda bayesowska; wspomaganie komputerowe; model matematyczny; obiekty elektroakustyczne

EN

process identification; Bayesian method; computer aiding; mathematical model; electroacustic plant

• Wydawca: Wydawnictwo Politechniki Śląskiej
• Czasopismo: Zeszyty Naukowe. Automatyka / Politechnika Śląska
• Rocznik: 2006
• Tom: z. 142
• Strony: 3--181
• Opis fizyczny: Bibliogr. 143 poz.

Twórcy

autor

Kasprzyk J.

• Instytut Automatyki Politechniki Śląskiej, 44-100 Gliwice, ul. Akademicka 16, tel. [phone],

Bibliografia

• 1. Akaike H.: Statistical predictor identification. Annals of Institute of Statistical Mathematics, vol. 22, 203 - 217, 1970.
• 2. Akaike H.: A new look at the statistical model identification. IEEE Trans, on Automatic Control, Vol. 19, 716-723, 1974.
• 3. Alexandrov A. G., Orlov Y. F., Mikhailova L. S.: Adaplab-m: identification and adaptation toolbox for Matlab. Proceedings of the 13th IFAC Symposium on System Identification (SYSID 2003), 995 - 1000, Rotterdam 2003.
• 4. Anderson B. D. O., Moore J. B.: Optimal Filtering. Prentice-Hall, Englewood Cliffs, New Jersey 1979.
• 5. Bai E.W.: An Optimal Two-Stage Identification Algorithm for Hammerstein-Wiener Systems. Automatica, Vol. 34, 333 - 338, 1998.
• 6. Bai E.W.: A Blind Approach to the Hammerstein - Wiener Model Identification. Automatica, Vol. 38, 967 - 979, 2002.
• 7. Balasubramanian V.: A Geometric Formulation of Occam's Razor For Inference of Parametric Distributions. http://omega.albanv.edu:8008/ignorance/balasubra.pdf, 2001.
• 8. Barron Y., Rissanen J. and Yu B.: The minimum description length principle in coding and modeling. IEEE Trans, on Information Theory, Vol. 44, 2743-2760, 1998.
• 9. Bartlett M. S.: On the theoretical specifications and sampling properties of autocorrelated time series. Journal Royal Statistical Society, Ser. B, Vol. 8, 27 - 41, 1946.
• 10. Beheshti S., Dahleh M. A.: A new information theoretic approach to order estimation problem. Proceedings of the 13th IFAC Symposium on System Identification (SYSID 2003), 791 - 796, Rotterdam 2003.
• 11. Bendat J. S., Piersol A. G.: Engineering Applications of Correlation and Spectral Analysis. Wiley, New York 1986.
• 12. Bilinskis I., Mikelsons A.: Randomized Signal Processing. Prentice Hall Int., London 1992.
• 13. Billah M. B., Hyndman R. J., Koehler A. B.: Empirical Information Criteria for Time Series Forecasting Model Selection. http://ideas.repec.org/p/msh/ebswps/2003-2.html, 2003.
• 14. Billings, S.A.: Identification of nonlinear systems - a survey. IEE Proc. Part D, Vol. 127, 272-285, 1980.
• 15. Błażej M.: Comparison of Different Control Structures of Active Noise Control Systems. Proceedings of the 6th Conference on Active Noise and Vibration Control Methods, paper no. 006 (CD), Cracow 2003.
• 16. Bohlin T.: Identification: Practical aspects. Systems and Control Encyclopedia (M.G. Sing, Ed.), Vol. 4, 2301 - 2307, Pergamon Press, Oxford 1987.
• 17. Bohlin T.: Interactive System Identification: Prospects and Pitfalls. Springer Verlag, Berlin 1991.
• 18. Bohlin T.: Derivation of a 'designer's guide' for interactive 'grey-box' identification of nonlinear stochastic objects. Int. J. Control, Vol. 59, No. 6, 1505 - 1524, 1994.
• 19. Box G. E. P., Jenkins G. M.: Time Series Analysis forecasting and control. Holden-Day Inc., San Francisco, CA, 1976.
• 20. Chen H. F., Guo L.: Identification and Stochastic Adaptive Control. Birkhauser 1991.
• 21. Claskens G., Hjort N. L.: The Focussed Information Criterion, Journal of the American Statistical Association, vol. 98, 900 - 916, 2003.
• 22. Cobb G. W.: Introduction to Design and Analysis of Experiments. Springer-Verlag, New York 1998.
• 23. De Fatta D. J., Lucas J. G., Hodgkiss W. S.: Digital Signal Processing: A System Design Approach. John Wiley & Sons Inc., New York 1992.
• 24. Diekmann K., Unbehauen H.: Recursive identification of MIMO systems. Preprints of 5th IFAC Symp. on Identification and Parameter Estimation, Darmstadt, 423 -429, 1979.
• 25. Edwards W., Lindman H., Savage L. J.: Bayesian statistical inference for psychological research. Psychology Revue, Vol. 70, 193 - 242, 1963.
• 26. Elliot S. J.: Signal Processing for Active Control. Academic Press, 2001.
• 27. Eykhoff P.: System Identification. Wiley, New York 1974.
• 28. Figwer J.: Identyfikacja modeli częstotliwościowych obiektów wielowejściowych. (Praca doktorska), Instytut Automatyki, Gliwice 1992.
• 29. Figwer J.: Synthesis and simulation of random processes. Zeszyty Naukowe Pol. Śląskiej, Automatyka, z. 126, Gliwice 1999.
• 30. Figwer J.: Model Identification and Update Under Operation of Active Noise Control Systems. Proceedings of the 6th Conference on Active Noise and Vibration Control Methods, paper no. 011 (CD), Cracow 2003.
• 31. Figwer J., Błażej M.: Chaos in Active Noise Control Systems. Proceedings of 10th Int. Congress on Sound and Vibration ICSV 2003, Stockholm (CD), 2003.
• 32. Figwer J., Niederliński A., Kasprzyk J.: A New Approach to the Identification of Linear Discrete-Time MISO Systems. Archives of Control Sciences, vol. 2, no. 3/4, 223 - 239, 1993.
• 33. Fisher R. A.: On an absolute criterion for fitting frequency curves. Messenger of Mathematics, vol. 41, 155 - 160, 1912.
• 34. Forssel U., Ljung L.: Identification for control: Some results on optimal experiment design. Proceedings of the 37th Conference on Decision and Control, Tampa 1998.
• 35. Foster L.: Solving Rank-Deficient and Ill-posed Problems using UTV and QR Factorizations. SIAM J. Matrix Anal. Appl., vol. 25, 582 - 600, 2004.
• 36. Gamier H., Mensler M.: The CONTSID Toolbox: A Matlab Toolbox for CONtinuous-Time System IDentif cation. Proceedings of the 12th IFAC Symposium on System Identification (SYSID 2000), vol. 3, 851 - 856, Santa Barbara, CA, 2000.
• 37. Gentil S., Barraud A., Szafnicki K.: SEXI: An Expert Identification Package. Automatica, vol. 26, 803 - 809, 1990.
• 38. Główka T.: Identyfikacja on-line w układzie aktywnego tłumienia hałasu - nowa metoda z dziedziny widm wyższych rzędów. Materiały XV Krajowej Konferencji Automatyki, Warszawa, s. 387 - 392, 2005.
• 39. Godfrey K: Perturbation Signals for Systems Identification. Prentice Hall Int., Cambridge University Press, 1993.
• 40. Gomide F. et al.: Expert System Identification: The Supervisory Approach. Preprints of 8th IFAC Symposium On Identification and System Parameter Estimation, Bejing 1691 - 1696, 1988.
• 41. Goodwin G. C, Payne R. L.: Dynamic System Identification: Experiment Design and Data Analysis. Academic Press, New York 1977.
• 42. Greblicki W.: Stochastic approximation in nonparametric identification of Hammerstein systems. IEEE Trans, on Automatic Control, Vol. 47, 1800-1810, 2002.
• 43. Gustavsson I., Ljung L., Soderstrom T.: Identification of Processes in Closed Loop -Identifiability and Accuracy Aspects. Automatica, vol. 13, 59 - 75, 1977.
• 44. Haber R., Unbehauen H.: Structure identification of nonlinear dynamic systems - a survey on input/uotput approaches. Automatica, Vol. 26, 651-677, 1990.
• 45. Haest M., Bastin G., Gevers M., Wertz V.; ESPION: an Expert System for System Identification. Automatica, vol. 26, 85 - 95, 1990.
• 46. Hannan E. J., Deistler M.: The Statistical Theory of Linear Systems. Wiley, New York 1988.
• 47. Hansen C. H., Snyder S. D.: Active Control of Noise and Vibration. Cambridge University Press, 1997.
• 48. Isermann R.: Practical aspects of process identification. Automatica, Vol. 16, 575 - 587, 1980.
• 49. Janiszowski K.: Identification of coefficients of a low order continuous time transfer function from discrete-time recorded measurements. Archives of Control Sciences, Vol. 10; 31-46,2000.
• 50. Janiszowski K.: Identyfikacja modeli parametrycznych w przykładach. Akademicka Oficyna Wydawnicza EXIT. Warszawa 2002.
• 51. Jaworek W.: System ekspertowy dla identyfikacji modeli ciągłych. Praca dyplomowa. Wydział Automatyki, Elektroniki i Informatyki. Politechnika Śląska, Gliwice 1988.
• 52. Juditsky A. et al.: Nonlinear Black-box Models in System Identification: Mathematical Foundations. Automatica, Vol. 31, 1725 - 1750, 1995.
• 53. Kailath T.: Linear Systems. Prentice Hall., Englewood Cliffs, New Jersey 1980.
• 54. Kalman R. E.: A new approach to linear filtering and prediction problems. J. Basic Eng., Transactions ASME, Part D, Vol. 82, 35 - 45, 1960.
• 55. Kanathani K.: Geometric Information Criterion for Model Selection. Int. Journal of Computer Vision, vol. 26, 171 - 189, 1998.
• 56. Kashyap R. L., Rao A. R.: Dynamic Stochastic Models from Empirical Data. Academic Press, New York 1976.
• 57. Kasprzyk J.: Uniwersalność modeli niskich rzędów dla obiektów ciągłych sterowanych cyfrowo, Zeszyty Naukowe Pol. Śląskiej, Automatyka 93, 139 - 150, 1989.
• 58. Kasprzyk J.: Model Structure Determination in Parametric Model Identification. Systems Science, vol. 23, no 2, 89 - 95, 1997.
• 59. Kasprzyk J.: Modified least squares for output error model identification, Proceedings of the 5th Int. Symp. on Methods and Models in Automation and Robotics MMAR'98, Międzyzdroje, Vol. 2, 589 - 592, 1998.
• 60. Kasprzyk J.: Identyfikacja modeli matematycznych dla celów aktywnego tłumienia drgań. Materiały IV Szkoły Metody Aktywne Redukcji Drgań i Hałasu, Kraków-Krynica, 89 - 94, 1999.
• 61. Kasprzyk J.: Computer Aided Process Identification Using MULTI-EDIP. Proceedings of the IASTED International Conference Applied Simulation and Modelling, Marbella, 13-18, 2001.
• 62. Kasprzyk J. (red.): Identyfikacja procesów, Wydawnictwa Politechniki Śląskiej, Gliwice 2002.
• 63. Kasprzyk J.: Model Identification for Active Noise Control System Design. Proceedings of the 61 Conference on Active Noise and Vibration Control Methods, paper no. 015 (CD), Cracow 2003.
• 64. Kasprzyk J.: MULTI-EDIP - An Interactive Software Package For Process Identification. Proceedings of the 13th IFAC Symposium on System Identification (SYSID 2003), 1484-1489, Rotterdam 2003.
• 65. Kasprzyk J.: Model identification for Active Noise Control - a case study. Archives of Control Sciences, Vol. 14, No. 3, 219 - 243, 2004.
• 66. Kasprzyk J.: Model Identification for Active Noise Control in the Presence of Primary Noise. Mechanics, Vol. 24, No 2, 73 - 76, 2005.
• 67. Kay S. M.: Modern Spectral Estimation: Theory and Applications. Prentice Hall, Englewood Cliffs, 1986.
• 68. Kollar I., Pintelon R., Rolain Y., Schoukens J., Simon G.: Frequency Domain System Identification Toolbox for Matlab: Automatic Processing - from Data to Models. Proceedings of the 13th IFAC Symposium on System Identification (SYSID 2003), 1502-1506, Rotterdam 2003.
• 69. Krawczyk J.: Pakiet MULTI-EDIP w systemie Windows. Praca dyplomowa. Wydział Automatyki, Elektroniki i Informatyki. Politechnika Śląska, Gliwice 1996.
• 70. Kristensen N. R., Madsen H., Jorgensen S. B.: Parameter estimation in stochastic grey-box models. Automatica, Vol. 40, 225 - 237, 2004.
• 71. Kullback S., Leibler R. A.: On information and sufficiency. Annals of Mathematical Statistics, Vol. 22, 79-86,1951.
• 72. Kuo S. M., Morgan D. R.: Active Noise Control Systems. Algorithms and DSP Implementations. J. Wiley & Sons, New York 1996.
• 73. Kurz H., Von: Erprobung und Vergleich von parameter-adaptiven Regel algorithmen bei verschiedenen Prozessen. Regelungstechnik, H1, 1980.
• 74. Larimore W. E.: ADAPTX Automated System Identification Software. Users Manual. Adaptics, Inc., 40 Fairchild Drive, Reading, MA, 2002.
• 75. Larson J. E., Persson P.: The Konowledge Database Used in an Expert System Interfacefor Idpac. Preprints of IFAC Workshop Artificial Intelligence in Real-Time Control, Swansea, 107-112,1988.
• 76. Lehman E. L.: Testing Statistical Hypotheses. Wiley, London 1959.
• 77. Leontaritis I. J., Billings S. A.: Model selection and validation methods for non-linear systems. Int. J. Control, Vol. 41, 303 - 341,1987.
• 78. Ljung L.: Asymptotic behavior of the Extended Kalman Filter as a parameter estimator for linear systems. IEEE Trans, on Automatic Control, Vol. 24, 36 - 50, 1979.
• 79. Ljung L.: System identification: Theory for the User. (Second ed.), Prentice-Hall, Upper Saddle River, New Jersey 1999.
• 80. Ljung L.: Educational Aspects of Identification Software User Interfaces. Proceedings of 13th IFAC Symposium on System Identification (SYSID 2003), 1590-1594, Rotterdam 2003.
• 81. Ljung L.: System Identification Toolbox for use with MATLAB. Version 6. The MathWorks Inc., Natick, MA, 2004.
• 82. Ljung L., Söderström T.: Theory and Practice of Recursive Identification. MIT Press, Cambridge, Mass., 1983.
• 83. Ljung L., Wahlberg B.: Asymptotic properties of the least-squares method for estimating transfer functions and disturbance spectra. Advance Applied Probability, Vol. 24, 412-440, 1992.
• 84. Lueg P.: Process of silencing sound oscillation. U.S. Patent No. 2 043 416, 1936.
• 85. Macchi O.: Adaptive Processing. The Least Mean Squares Approach with Applications in Transmission. J. Wiley & Sons, Chichester 1995.
• 86. Mańczak K., Nahorski Z.: Komputerowa identyfikacja obiektów dynamicznych. PWN, Warszawa 1983.
• 87. Marvasti Farokh A.: Nonuniform Sampling: Theory and Practice. Kluwer Academic Plenum Publishers, New York 2001.
• 88. Mayer zu Farwig H., Unbehauen H.: Application of Expert System Technique in the Field of System Identification - A Survey. Preprints of Int. Conference on System Science, Wrocław 1989.
• 89. McKelvey T.: Frequency Domain Identification. Proceedings of the 12th IFAC Symposium on System Identification, Vol. 1., 7 - 18, Santa Barbara, CA, 2000.
• 90. Michalczyk M.: Adaptive Control Algorithms for Three-Dimensional Zones of Quiet. Jacek Skalmierski Computer Studio, Gliwice 2004.
• 91. Mohler R.: Nonlinear systems: Applications to bilinear control. Prentice Hall, 1991.
• 92. Monsion M. et al.: An Expert System for Industrial Process Identification. Preprints of IFAC Workshop Artificial Intelligence in Real-Time Control, Swansea, 95 - 99, 1988.
• 93. Nahorski Z.: Identyfikacja obiektów z czasem ciągłym na podstawie zakłóconych dyskretnych pomiarów przebiegów przejściowych. PWN, Warszawa 1991.
• 94. Nelles O.: Nonlinear System Identification. From Classical Approaches to Neural Networks and Fuzzy Models. Springer Verlag, Berlin-Heidelberg 2001.
• 95. Nelson P. A., Eliott S. J.: Active Control of Sound. Academic Press, London 1992.
• 96. Nguyen V. V., Wood E. G.: Review and unification of linear identifiability. SIAM Rev., vol. 24, 34-51, 1982.
• 97. Niederliński A., Kasprzyk J., Figwer J.: EFPI-An Integrated Software Environment for System- and Signal Identification. Proceedings of the 9lb IFAC/IFORS Symposium on Identification and System Parameter Estimation, Budapest, 567 - 572, 1991.
• 98. Niederliński A., Kasprzyk J., Figwer J.: EDIP - Ekspert dla identyfikacji procesów. Wersja 2. Podręcznik użytkownika. Wydawnictwo Politechniki Śląskiej, Gliwice 1992.
• 99. Niederliński A., Kasprzyk J., Figwer J.: Computer Aided Process Identification. Computer Aided Control System Design. (M. Brdyś and K. Malinowski, Ed.), 73 - 98. World Scientific Publishing Co. Pte. Ltd., Singapore 1994.
• 100. Niederliński A. Kasprzyk J., Figwer J.: Inteligentna identyfikacja dynamicznych modeli matematycznych typu ARX- drzewo decyzyjne lub system ekspertowy? Problemy sztucznej inteligencji (W. Traczyk, red.), 157 - 172, Wiedza i Życie, Warszawa 1995.
• 101. Niederliński A., Kasprzyk J., Figwer J.: MULTI-EDIP - Analizator Wielowymiarowych Sygnałów i Obiektów. Wydawnictwo Politechniki Śląskiej, Gliwice 1997.
• 102. Niederliński A., Kasprzyk J., Figwer J.: A Strategy And Tool For Computer Aided Process Identification, Automatyka, Sterowanie, Zarządzanie, pod red. J. Gutenbauma, 309 - 324, PAN - IBS, Warszawa 2002.
• 103. Niederliński A., Kasprzyk J., Pawelczyk M.: Lambda-Monitoring for RLS Structure Identification of MIMO ARX Plants. Proceedings of the 2nd Int. Symposium on Methods and Models in Automation and Robotics MMAR'95, Międzyzdroje, Vol. 1, 285 - 290, Wydawnictwo Uczelniane Politechniki Szczecińskiej, Szczecin 1995.
• 104. Niederliński A., Mościński J.: The influence of sampling interval on discrete system parameter identifiability. Archiwum Automatyki i Telemechaniki, Vol. 30, nr 2, 147-158, 1985.
• 105. Niemiec W.: Badania symulacyjne wpływu warunków prowadzenia eksperymentu na wyniki identyfikacji. Praca dyplomowa. Wydział Automatyki, Elektroniki i Informatyki. Politechnika Śląska, Gliwice 2004.
• 106. Nikias CL., Petropulu A.P.: Higher-Order Spectra Analysis - A Nonlinear Signal Processing Framework. PTR Prentice Hall, Englewood Cliffs, New Jersey, 1993.
• 107. Norton J. P.: An Introduction to Identification. Academic Press, London 1986.
• 108. Norton J. P., Kasprzyk J.: Process Identification. Advanced Control with Matlab and Simulink (J. Mościński, Z. Ogonowski, Ed.), 108 - 149, Ellis Horwood, 1995.
• 109. Osier D., Grobman S., Batson S.: Teach Yourself Delphi 2 in 21 Days. SAMS Publishing Co., 1996.
• 110. Otnes R. K, Enochson L.: Analiza numeryczna szeregów czasowych. WNT, Warszawa 1978.
• 111. Ouderaa E. Van der, Schoukens J. and Renneboog J.: Peak factor minimization of input and output signals of linear systems. IEEE Trans, on Instrum. Meas, Vol. 37, 207-212, 1988.
• 112. Passino K. M.: Bridging the Gap between Conventional and Intelligent Control. IEEE Control Systems, Vol. 13, 12-18, 1993.
• 113. Pawełczyk M.: Active Noise Control for Compact Acoustic Plants. J.Skalmierski Computer Studio, Gliwice 1999.
• 114. Peterka V.: Bayesian system identification. Automatica, Vol. 17, 41 - 53, 1981.
• 115. Pintelon R., Schoukens J.: System Identification. A Frequency Domain Approach. IEEE Press, New York 2001.
• 116. Popper K. R.: The Logic of Scientific Discovery-. Hutchinson & Co. (Publisher) Ltd., London 1980.
• 117. Pötscher B. M., Srinivasan S.: A comparison of order estimation procedures for ARMA models. Statistica Sinica, vol. 4, 29 - 50, 1994.
• 118. Rissanen J.: Modelling by Shortest Data Description. Automatica, Vol. 14, 465-471, 1978.
• 119. Rolain Y., Schoukens J. and Pintelon R.: Order Estimation for Linear Time-invariant Systems using Frequency Domain Identification Methods. Proceedings of the 34th Conference on Decision & Control, 3588 - 3593, New Orleans, LA, December 1995.
• 120. Savage L. J.: The Foundations of Statistical Inference. Methuen, London, 1962.
• 121. Schetzen M.: The Volterra and Wiener Theories of Nonlinear Systems. Wiley, New York 1980.
• 122. Schoukens J., Dobrowiecki T., Pintelon R.: Parametric and Nonparametric Identification of Linear Systems in the Presence of Nonlinear Distortions - A Frequency Domain Approach. IEEE Trans. on Aut. Control, Vol. AC-43, 176 - 190, 1998.
• 123. Schroeder M. R.: Synthesis of low-peak factor signals and binary sequences with low autocorrelation. IEEE Trans. Information Theory, Vol. 16, 85 - 89, 1970.
• 124. Schuster H. G.: Deterministic Chaos. An Introduction. VCH Verlagsgesellschaft, 1988.
• 125. Schwarz G: Estimating the dimension of a model. The Annals of Statistics, Vol. 6, 461 -464, 1978.
• 126. Shannon C. E.: A Mathematical Theory of Communication. Bell System Technical Journal, Vol. 27, 379 - 423, 623 - 656, 1948.
• 127. Simon G., Schoukens J., Rolain Y.: Automatic model selection for linear time-invariant systems. Proceedings of the 12th IFAC Symposium on System Identification (SYSID 2000), vol. 1, 379 - 384, Santa Barbara, CA, 2000.
• 128. Sjöberg J. et al.: Nonlinear Black-box Modeling in System Identification: a Unified Overwiew. Automatica, Vol. 31, 1691 - 1724, 1995.
• 129. Söderström T.: On model structure testing in system identification. Int. J. Control, Vol. 26, 1-18, 1977.
• 130. Söderström T.: On a method for model structure selection in system identification. Automatica, Vol. 17, 387-388, 1981.
• 131. Söderström T., Stoica P.: Instrumental Variable Methods for Systems identification. Lecture Notes in Control and Information Sciences, Springer-Verlag, New York 1983.
• 132. Söderström T., Stoica P.: System Identification. Prentice Hall International, London 1989.
• 133. Söderström T., Stoica P.: On Covariance Function Tests Used in System Identification. Automatica, Vol. 26, 125 - 133, 1990.
• 134. Sugiyama M.: Functional Analytic Framework for Model Selection. Proceedings of the 13th IFAC Symposium on System Identification (SYSID 2003), 73 - 78, Rotterdam 2003.
• 135. Texeira S., Pacheco R.: DELPHI 4. Vademecum Profesjonalisty. Helion, Gliwice 1999.
• 136. Therrien Ch.: Discrete Random Signals and Statistical Signal Processing, Prentice Hall Int. Inc., New Jersey 1992.
• 137. Tong H.: Non-linear time series. Clarendon Press, Oxford 1993.
• 138. Topor Z., Johannsen L., Kasprzyk J., Remmers J.: Dynamic Ventilatory Response to CO2 in Congestive Heart Failure Patients with and without Central Sleep Apnea. Journal of Applied Physiology, No 91, 408 - 416, 2001.
• 139. Tugnait J. K., Tontiruttananon C: Identification of linear system via spectral analysis given time-domain data: Consistency, reduced-order approximation and performance analysis. IEEE Trans. on Aut. Control, Vol. AC-43, 1354 - 1373, 1998.
• 140. Tulleken H. A. J. F.: Grey-box modelling and identification using physical knowledge and Bayesian techniques. Automatica, Vol. 29, 285 - 308, 1993.
• 141. Van Overschee P., De Moor B., Aling H., Kosut R., Boyd S.: Xmath Interactive Identification Module. Integrated Systems, Inc., Santa Clara, CA, 1994.
• 142. Wilks S. S.: Mathematical Statistics. Wiley, London 1962.
• 143. Zhu Y.: Use of Error Criteria in Identification for Control. Proceedings of the 12th IFAC Symposium on System Identification (SYSID 2000), vol. 1, 307 - 312, Santa Barbara, CA, 2000.