Angelo Alessandri

Professore Associato
angelo.alessandri@unige.it

Telefono: 

(+39) 010 33 56007

Ufficio
P.le Kennedy, Pad. D, 16129, Genova.
Ricevimento
Su appuntamento da fissare per posta elettronica.

Ha conseguito la Laurea in Ingegneria Elettronica nel 1992 e il dottorato di ricerca nel 1996 presso l'Università di Genova. Dal 1996 al 2005 è stato ricercatore presso l'Istituto di Automazione Navale del CNR di Genova. Dal 2005 è con l'Università di Genova, dove è attualmente professore associato. Nel 1998 ha trascorso un periodo di studio presso la Naval Postgraduate School di Monterey, California. Si occupa di stima per sistemi lineari e non lineari, controllo ottimo e applicazioni delle reti neurali ai controlli automatici. In passato è stato “associate editor” delle riviste IEEE Transactions on Neural Networks e IFAC Journal Engineering Applications of Artificial Intelligence. E’ attualmente “editor” della rivista International Journal of Adaptive Control and Signal Processing e “associate editor" del Conference Editorial Board della IEEE Control Systems Society e della rivista IEEE Transactions on Control Systems Technology. E’ inoltre “senior member” della IEEE.

Pubblicazioni

  1. A. Alessandri, A. Rossi, “Increasing-gain observers for nonlinear systems: stability and design,” Automatica, vol. 57, pp. 180-188, 2015.
  2. 2. H. Kheloufi, F. Bedouhene, A. Zemouche, A. Alessandri, “Observer-based stabilisation of linear systems with parameter uncertainties by using enhanced LMI conditions,” Int. Journal of Control, vol. 88, pp. 1189-1200, 2015.
  3. A. Alessandri, A. Rossi, “Time-varying increasing-gain observers for nonlinear systems,” Automatica, vol. 49, pp. 2845-2852, 2013.
  4. A. Alessandri, M. Baglietto, G. Battistelli, “Min-max moving-horizon estimation for uncertain discrete-time linear systems,” SIAM Journal on Control and Optimization, vol. 50, pp. 1439-1465, 2012.
  5. A. Alessandri, M. Gaggero, R. Zoppoli, “Feedback optimal control of distributed parameter systems by using finite-dimensional approximation schemes,” IEEE Trans. on Neural Networks and Learning Systems, vol. 23, pp. 984-996, 2012.