Advanced process identification and control /

Advanced process identification and control /

Show other versions (2)
Bibliographic Details
Main Author: Ikonen, Enso, 1965-
Other Authors: Najim, K
Format: Book
Language:English
Published: New York : M. Dekker, c2002
Series:Control engineering (Marcel Dekker, Inc.) ; 9
Subjects:
Automatic control
Engineering mathematics
System identification
LEADER 06378nam a22003614a 4500
001 3ba0732a-464c-46bf-aa16-24adf85078a2
005 20230616000000.0
008 010920s2002 nyua b 001 0 eng
010 |a 2001053336 
020 |a 082470648X (alk. paper) 
020 |a 9780824706487 (alk. paper) 
035 |a (OCoLC)48038084  |z (OCoLC)50418488  |z (OCoLC)51680668 
035 |a (RPB)b36411188-01bu_inst 
040 |a DLC  |b eng  |c DLC  |d BAKER  |d BTCTA  |d YDXCP  |d OCLCG  |d VA@  |d IG#  |d BDX  |d OCLCF  |d OCLCO 
042 |a pcc 
049 |a RBNN 
050 0 0 |a TJ213  |b .I45 2002 
090 |a TJ213  |b .I45 2002 
100 1 |a Ikonen, Enso,  |d 1965- 
245 1 0 |a Advanced process identification and control /  |c Enso Ikonen, Kaddour Najim 
260 |a New York :  |b M. Dekker,  |c c2002 
300 |a xiii, 310 p. :  |b ill. ;  |c 26 cm 
490 1 |a Control engineering ;  |v 9 
504 |a Includes bibliographical references (p. 299-306) and index 
504 |a Includes bibliographical references and index 
505 0 0 |g I  |t Identification --  |g 1.1  |t Where are models needed?  |g 3 --  |g 1.2  |t What kinds of models are there?  |g 4 --  |g 1.2.1  |t Identification vs. first-principle modeling  |g 7 --  |g 1.3  |t Steps of identification  |g 8 --  |g 2  |t Linear Regression  |g 13 --  |g 2.1  |t Linear systems  |g 13 --  |g 2.2  |t Method of least squares  |g 17 --  |g 2.2.1  |t Derivation  |g 18 --  |g 2.2.2  |t Algorithm  |g 20 --  |g 2.2.3  |t Matrix representation  |g 21 --  |g 2.2.4  |t Properties  |g 25 --  |g 2.3  |t Recursive LS method  |g 28 --  |g 2.3.1  |t Derivation  |g 28 --  |g 2.3.2  |t Algorithm  |g 31 --  |g 2.3.3  |t A posteriori prediction error  |g 33 --  |g 2.4  |t RLS with exponential forgetting  |g 34 --  |g 2.4.1  |t Derivation  |g 36 --  |g 2.4.2  |t Algorithm  |g 36 --  |g 2.5  |t Kalman filter  |g 37 --  |g 2.5.1  |t Derivation  |g 40 --  |g 2.5.2  |t Algorithm  |g 42 --  |g 2.5.3  |t Kalman filter in parameter estimation  |g 44 --  |g 3  |t Linear Dynamic Systems  |g 47 --  |g 3.1  |t Transfer function  |g 47 --  |g 3.1.1  |t Finite impulse response  |g 47 --  |g 3.1.2  |t Transfer function  |g 50 --  |g 3.2  |t Deterministic disturbances  |g 53 --  |g 3.3  |t Stochastic disturbances  |g 53 --  |g 3.3.1  |t Offset in noise  |g 55 --  |g 3.3.2  |t Box-Jenkins  |g 55 --  |g 3.3.3  |t Autoregressive exogenous  |g 57 --  |g 3.3.4  |t Output error  |g 59 --  |g 3.3.5  |t Other structures  |g 61 --  |g 3.3.6  |t Diophantine equation  |g 66 --  |g 3.3.7  |t i-step-ahead predictions  |g 69 --  |g 4  |t Non-linear Systems  |g 77 --  |g 4.1  |t Basis function networks  |g 78 --  |g 4.1.1  |t Generalized basis function network  |g 78 --  |g 4.1.2  |t Basis functions  |g 79 --  |g 4.1.3  |t Function approximation  |g 81 --  |g 4.2  |t Non-linear black-box structures  |g 82 --  |g 4.2.1  |t Power series  |g 83 --  |g 4.2.2  |t Sigmoid neural networks  |g 89 --  |g 4.2.3  |t Nearest neighbor methods  |g 95 --  |g 4.2.4  |t Fuzzy inference systems  |g 98 --  |g 5  |t Non-linear Dynamic Structures  |g 113 --  |g 5.1  |t Non-linear time-series models  |g 114 --  |g 5.1.1  |t Gradients of non-linear time-series models  |g 117 --  |g 5.2  |t Linear dynamics and static non-linearities  |g 120 --  |g 5.2.1  |t Wiener systems  |g 121 --  |g 5.2.2  |t Hammerstein systems  |g 124 --  |g 5.3  |t Linear dynamics and steady-state models  |g 125 --  |g 5.3.1  |t Transfer function with unit steady-state gain  |g 126 --  |g 5.3.2  |t Wiener and Hammerstein predictors  |g 126 --  |g 5.3.3  |t Gradients of the Wiener and Hammerstein predictors  |g 128 --  |g 5.4.1  |t Inverse of Hammerstein and Wiener systems  |g 133 --  |g 5.4.2  |t ARX dynamics  |g 134 --  |g 6  |t Estimation of Parameters  |g 137 --  |g 6.1  |t Prediction error methods  |g 138 --  |g 6.1.1  |t First-order methods  |g 139 --  |g 6.1.2  |t Second-order methods  |g 140 --  |g 6.1.3  |t Step size  |g 141 --  |g 6.1.4  |t Levenberg-Marquardt algorithm  |g 142 --  |g 6.2  |t Optimization under constraints  |g 149 --  |g 6.2.1  |t Equality constraints  |g 149 --  |g 6.2.2  |t Inequality constraints  |g 151 --  |g 6.3  |t Guided random search methods  |g 153 --  |g 6.3.1  |t Stochastic learning automaton  |g 155 --  |g 6.4  |t Simulation examples  |g 159 --  |g 6.4.1  |t Pneumatic value: identification of a Wiener system  |g 160 --  |g 6.4.2  |t Binary distillation column: identification of Hammerstein model under constraints  |g 167 --  |g 6.4.3  |t Two-tank system: Wiener modeling under constraints  |g 172 --  |g II  |t Control --  |g 7  |t Predictive Control  |g 181 --  |g 7.1  |t Introduction to model-based control  |g 181 --  |g 7.3  |t Linear quadratic predictive control  |g 183 --  |g 7.3.1  |t Plant and model  |g 184 --  |g 7.3.2  |t i-step ahead predictions  |g 185 --  |g 7.3.3  |t Cost function  |g 186 --  |g 7.3.5  |t Closed-loop behavior  |g 188 --  |g 7.4  |t Generalized predictive control  |g 189 --  |g 7.4.1  |t ARMAX/ARIMAX model  |g 190 --  |g 7.4.2  |t i-step-ahead predictions  |g 191 --  |g 7.4.3  |t Cost function  |g 193 --  |g 7.4.5  |t Closed-loop behavior  |g 197 --  |g 7.5  |t Simulation example  |g 197 --  |g 8  |t Multivariable Systems  |g 203 --  |g 8.1  |t Relative gain array method  |g 204 --  |g 8.1.2  |t Algorithm  |g 206 --  |g 8.2  |t Decoupling of interactions  |g 209 --  |g 8.2.1  |t Multivariable PI-controller  |g 210 --  |g 8.3  |t Multivariable predictive control  |g 213 --  |g 8.3.1  |t State-space model  |g 213 --  |g 8.3.2  |t i-step ahead predictions  |g 216 --  |g 8.3.3  |t Cost function  |g 217 --  |g 9  |t Time-varying and Non-linear Systems  |g 223 --  |g 9.1  |t Adaptive control  |g 223 --  |g 9.1.1  |t Types of adaptive control  |g 225 --  |g 9.2  |t Control of Hammerstein and Wiener systems  |g 232 --  |g 9.2.2  |t Second order Hammerstein systems  |g 242 --  |g 9.3  |t Control of non-linear systems  |g 247 --  |g 9.3.1  |t Predictive control  |g 248 --  |g 9.3.2  |t Sigmoid neural networks  |g 248 --  |g 9.3.3  |t Stochastic approximation  |g 252 --  |g 9.3.4  |t Control of a fermenter  |g 254 --  |g 9.3.5  |t Control of a tubular reactor  |g 266 --  |g A  |t State-Space Representation  |g 273 --  |g A.1  |t State-space description  |g 273 --  |g A.1.1  |t Control and observer canonical forms  |g 274 --  |g A.2  |t Controllability and observability  |g 275 --  |g A.2.1  |t Pole placement  |g 276 --  |g A.2.2  |t Observers  |g 280 --  |g B  |t Fluidized Bed Combustion  |g 283 --  |g B.1  |t Model of a bubbling fluidized bed  |g 283 --  |g B.1.1  |t Bed  |g 285 --  |g B.1.2  |t Freeboard  |g 286 --  |g B.1.3  |t Power  |g 286 --  |g B.1.4  |t Steady-state  |g 287 --  |g B.2  |t Tuning of the model  |g 288 --  |g B.2.1  |t Initial values  |g 288 --  |g B.2.2  |t Steady-state behavior  |g 288 --  |g B.2.3  |t Dynamics  |g 290 --  |g B.2.4  |t Performance of the model  |g 291 --  |g B.3  |t Linearization of the model  |g 293. 
650 0 |a Automatic control 
650 0 |a Engineering mathematics 
650 0 |a System identification 
700 1 |a Najim, K 
830 0 |a Control engineering (Marcel Dekker, Inc.) ;  |v 9 
999 1 0 |i 3ba0732a-464c-46bf-aa16-24adf85078a2  |l 991040774309706966  |s US-RPB  |m advanced_process_identification_and_control________________________________2002_______mdekka________________________________________ikonen__enso_______________________p 
999 1 1 |l 991040774309706966  |s ISIL:US-RPB  |t BKS  |a ROCK RKSTORAGE  |b 31236018312192  |c TJ213 .I45 2002  |d 0  |y 23299655720006966  |p LOANABLE 

Similar Items