Prof. dr. ing.

Ion COPAE
Academia Tehnic Militar, Bucureti, email: ioncopae@hotmail.com

CAPITOLUL 1
MODELE MATEMATICE NEPARAMETRICE
ALE AUTOMOBILELOR

1.1. METODE DE ESTIMARE NEPARAMETRIC

Abordarea neparametric a dinamicii autovehiculelor difer de cea
parametric, ultima fiind frecvent utilizat n literatura de specialitate. n cazul
abordrii parametrice se adopt dou ipoteze simplificatoare: mrimile
funcionale se supun unor legi de distribuie cunoscute (normal, exponenial,
Weibull etc.), iar modelele matematice sunt cunoscute aprioric i conin
parametric constani n timp. Ambele ipoteze menionate nu sunt confirmate n
practic: mrimile funcionale nu se supun nici unei legi de repartiie cunoscute
din statistica clasic, iar modelele matematice nu sunt cunoscute aprioric i
conin o familie de parametri sau/i sunt variabili n timp [30; 35; 38; 39; 57;
58; 63].
Aadar, cazul real este cel al abordrii neparametrice, cea parametric
constituind de fapt un caz particular al celeilalte. Deoarece estimarea legilor de
distribuie se trateaz ulterior, n continuare se vor face referiri numai la
modelele matematice neparametrice; de asemenea, ca o punte de legtur dintre
modelele parametrice i cele neparametrice, se vor aborda i cele
semiparametrice.
Dup cum se tie, modelul parametric clasic are forma:

( )
1
,
i
y f x
i
| c = + (1.1)
n care:


{

}
1 2
, , ,
p
| | | reprezint vectorul parametrilor modelului;

{ }
1 2
, , ,
i n
x x x x = constituie vectorul mrimii factoriale (factor de
influen), format din n valori discrete;

i
c este vectorul erorii de modelare.

{ }
1 2
, , ,
i
y y y y =
n
este vectorul mrimii rezultative (rspunsul
sistemului).
Funcia ( ) f este definit aprioric (n avans), deci este cunoscut.
Dup cum se constat, n relaia (1.1) s-a considerat un sistem
monovariabil la intrare i monovariabil la ieire (SISO).
2

Dac exist mai multe mrimi factoriale, atunci modelul matematic
neparametric are forma:

( )
1 2
, , ,
i i i in
y f x x x
i
c = + (1.2)

n care funcia ( ) f nu se cunoate aprioric i se determin pe baza datelor
experimentale.
Din expresia (1.2) rezult cel mai simplu model, acela cu o mrime
factorial i una rezultativ:

( )
i i
y f x
i
c = + (1.3)

care transpus grafic se obine dependena cunoscut ( ) y f x = .
Exist mai multe metode de estimare neparametric a modelelor
matematice, cele mai folosite fiind:
- modele n care funcia ( ) f este dedus grafic (nu are o form
analitic), de regul prin interpolare: exemplu graficul ( ) y f x = . De regul,
interpolarea apeleaz la polinoame clasice, funcii spline, polinoame Hermite,
transformata wavelet etc.
- modele n care funcia ( ) f are o form analitic: estimare cu ajutorul
unui nucleu (kernel), model polinomial local, funcii spline, transformata
wavelet, fractali etc.; cele mai folosite forme de nucleu (kernel) sunt prezentate
n continuare.
- modele cu familii de parametri sau cu parametrii variabili n timp:
algoritmi genetici, reele neuronale, reele bayesiene, reele RBF (radial basis
function funcie baz radial), mulimi fuzzy, algoritmi neuro-fuzzy etc.
Fa de cazul general (1.2) exist unele modele neparametrice particulare.
Spre exemplu, modelul neparametric aditiv are forma:

( ) ( ) ( )
1 1 2 2 i i i n in
y f x f x f x
i
o c = + + + + + (1.4)

Din acesta se poate deduce forma modelului matematic semiparametric,
la care mrimea rezultativ depinde liniar de una sau mai multe mrimi
factoriale:

( ) ( )
1 1 2 2 i i i n in
y x f x f x
i
o | c = + + + + + (1.5)

unde intervine parametrul
1
| (deci cel puin o component parametric),
celelalte componente fiind de natur neparametric.
n modelarea neparametric cele mai folosite forme de nucleu (funcii
kernel) sunt urmtoarele:

- triunghiular:
1 , pentru
( )
0, pentru 1
x x
K x
x
1 s

=

>

(1.6)
3

- dreptunghiular:

1
, pentru 1
2 ( )
0, pentru 1
x
K x
x

>

(1.7)

- Epanechnikov (parabolic):

( )
2
3
1 , pentru 1
4 ( )
0, pentru 1
x x
K x
x

>

(1.8)

- ptratic:

(
2
2
15
( ) 1
16
)
K x = x (1.9)

- triponderal:

(
3
2
35
( ) 1
32
)
K x = x (1.10)

- gaussian (se va trata separat):

2
1
2
1
( ) e
2
x
K x
t

= (1.11)

- Lebesgue:

1
( ) e
2
x
K x

= (1.12)

- Poisson:

2
1 1
( )
1
K x
x t
=
+
(1.13)

- cosinus (fig.1.1):

( ) cos
4 2
K x
t t
|
=

\ .
x
|
|
(1.14)

- sinus cardinal, sau sinc (fig.1.2, cu detaliul A):

sin( )
sinc( ), pentru 0
( )
1, pentru 0
x
x x
K x
x
x

= =

(1.15)
4


Fig.1.1



Fig.1.2

- funcie baz radial (RBF) fig.1.3 i fig.1.4:

2 2
1
2
( , ) e
x p
K x p

= (1.16)

care, dup cum se constat, are i o component gaussian.
5

n fig.1.3 se prezint un exemplu cu folosirea funciei RBF, aceasta fiind
redat n detaliul A. Corespunztor acestui exemplu, din fig.1.4a se remarc
existena unor coeficieni variabili, n numr de 177 (deoarece exist 175 date
experimentale); faptul c aceti coeficieni variaz, adic p din expresia (1.16)
nu este constant, confirm caracterul neparametric al modelului matematic.


Fig.1.3



Fig.1.4
6

- spline (fig.1.5). Pentru funcia spline de ordinul k, polinomul de
interpolare (funcia kernel) pentru mrimea oarecare x cu n valori discrete are
forma particular:
( )
1
1
( ) ; 1... 1
k
i k
i i ji
j
K x x c i n
+

=
= =

(1.17)

cu intervalul dintre dou puncte
i
i coeficienii polinomiali locali c
ji
.
Aadar, pe fiecare interval dintre dou puncte se obin coeficieni diferii,
iar numrul coeficienilor este dat de gradul polinomului ce definete funcia
spline. De exemplu, pentru o funcie spline cubic (k=3), n fig.1.6 sunt
prezentai cte 4 coeficieni pe fiecare interval (k+1=4) i pe o singur direcie
(aici x). Rezult c pentru cele 175 puncte experimentale se obin 174 grupe de
cte 4 coeficieni pe aceast unic direcie, aa cum se prezint n fig.1.6 (deci
n total sunt 175*1*4=700 coeficieni).



Fig.1.5

Funciile kernel prezentate constituie o parte component a estimatorului
utilizat. Spre exemplu, estimatorul Nadaraya Watson, unul din cele mai
folosite n estimrile neparametrice ale mrimilor (att n modelele matematice,
ct i n estimarea densitii de probabilitate), are forma:

1
1
1
( )
( )
1
( )
n
i i
i
n
i
i
K x x y
n
m x
K x x
n
=
=

(1.18)
7

n expresia (1.18) x reprezentnd media aritmetic a mrimii factoriale
(variabilei dependente x), iar ( ) K funcia kernel folosit.


Fig.1.6

n continuare se prezint i alte modele neparametrice ale dinamicii
autovehiculelor, unde vor fi redate i diverse elemente de modelare pentru
fiecare caz concret n parte.


1.2. MODELE MATEMATICE NEPARAMETRICE
ALE DINAMICII AUTOVEHICULELOR

Funciile nucleu (kernel) prezentate anterior pot fi folosite i pentru
modelarea dinamicii neparametric a autovehiculelor, n sens sistemic, deci
considernd una sau mai multe mrimi factoriale (factori de influen/mrimi de
intrare/variabile independente) i o mrime rezultativ (mrime de
ieire/variabil dependent). n acest sens, n continuare se prezint unele
exemple utiliznd date experimentale; de asemenea, se prezint exemple i cu
abordri neparametrice folosind alte metode reliefate anterior.
Spre exemplu, n fig.1.7 se prezint modelri neparametrice folosind un
nucleu cosinus (1.14), unde mrimea factorial este consumul orar de
combustibil C
h
, iar mrimea rezultativ viteza de deplasare V: n fig.1.7a pentru
proba L21, iar n fig.1.7b pentru 50 probe experimentale ale autoturismului
Logan. Pentru exemplul din fig.1.7b, n fig.1.8 se evideniaz precizia modelrii
(fig.1.8a, cu V viteza experimental i V
m
viteza din model), fiind redate i
erorile de estimare.
8


Fig.1.7



Fig.1.8

n fig.1.9 se prezint rezultatul modelrii cu funcii spline pentru viteza
de deplasare V (mrime rezultativ) a probei L23 n funcie de turaia motorului
n i de poziia clapetei obturatoare (mrimi factoriale, ultima constituind
sarcina motorului). n grafic, unde sunt prezentate valorile experimentale i cele
din model, sunt redate i valorile coeficienilor ntre punctele 3 i 4 i pe cele
9

trei direcii ( , , x n y z V ). Pentru acest exemplu, valorile tuturor
coeficienilor (cele patru grupe) sunt prezentate n fig.1.10; fiind 175 valori
experimentale pentru fiecare mrime, rezult 4 grupe de coeficieni cte 522
valori fiecare.
Similar, pentru 50 probe experimentale (cu 8650 valori fiecare mrime),
n fig.1.11 se redau cele 26247 valori pentru cele 4 grupe de coeficieni.


Fig.1.9



Fig.1.10
10


Fig.1.11


Aa cum s-a menionat anterior, reelele neuronale asigur stabilirea
unor modele matematice neparametrice, deoarece coeficienii acestora sunt
variabili n timp. Reelele neuronale sunt foarte mult utilizate n identificarea i
controlul sistemelor (proceselor) de orice tip, constituind un algoritm de
identificare neliniar. Folosirea frecvent a reelelor neuronale la sistemele
(procesele) neliniare se justific prin faptul c ambele au capacitatea de
autoorganizare (autoinstruire); din acest motiv se i spune c reelele
neuronale sunt cele ce definesc cel mai bine sistemele inteligente, ceea ce de
altfel justific i denumirea de neuronal, cu trimitere la neuronul biologic.
Principial, algoritmii care utilizeaz reele neuronale pentru stabilirea
modelelor matematice (pentru identificarea sistemelor) sunt aceeai ca cei
proprii metodelor parametrice liniare; spre exemplu, corespondentul
algoritmului ARMAX este NNARMAX (Neural Network AutoRegressive
Moving Average with eXogenous Inputs).
Deosebirea esenial dintre cele dou categorii de algoritmi este aceea c
reelele neuronale utilizeaz diveri algoritmi de nvare (autoinstruire),
prezentnd astfel flexibilitate n identificare (flexibilitate la variaia mrimilor).
Consecina foarte important a acestei proprieti este c la reelele neuronale
coeficienii descrierilor matematice sunt variabili n timp (ca la funciile spline),
nu constani ca la modelele parametrice [2; 3; 4; 6; 7; 21; 65].
Asemnri ntre cele dou categorii de algorimi (liniari i neliniari) exist
i n modul n care se stabilete modelul matematic i se verific precizia
acestuia (calitatea identificrii). Spre exemplu, n fig.1.12 se prezint o reea
neuronal, numit i perceptron, cu 7 noduri la intrare (n acest caz 7 regresori),
11

cu 5 noduri ca legi ascunse i cu o mrime la ieire; n aceast schem se
folosesc i ponderile de conexiune sau ponderi sinaptice w
(
.
)
.


Fig.1.12

Conform schemei din fig.1.12 se poate scrie:

1
(
n
j j ji
i
h f w x
=
=

)
i
(1.19)

ce constituie o expresie neliniar i n care n reprezint numrul intrrilor (n=7
n fig.1.12), iar f
j
funcii de activare.
Pentru cazul general al mai multor mrimi de ieire (se poate urmri i
fig.1.12, unde ns exist o singur ieire), rezult descrierea matematic
neliniar pentru ieirea k (k=1 n fig.1.12, de aceea apar doar w
j
):

1
( )
m
k k kj j
j
y f w h
=
=

(1.20)

n care m constituie numrul neuronilor din legile ascunse (m=5 n fig.1.12).
Substituind relaia (1.19) n expresia (1.20) se obine o descriere
matematic neliniar:
1 1
m n
k k kj j ji i
j i
y f w f w x
= =
(
| |
( =

|
|
(
\ .


(1.21)
12

13
chiar dac pe poriuni unele sunt liniare, aa cum se constat din
g.1.13.


Funciile de activare utilizate la reelele neuronale sunt de regul
neliniare,
fi

Fig.1.13

u denumirile utilizate i
etwork al programului Matlab:
- funcia tansig:
Expresiile matematice n timp continuu (similar se definesc i n timp
discret) ale celor mai folosite funcii de activare sunt, c
n toolboxul Neural N
2
2
tansig( ) 1
1 e
t
t

=
+
(1.22)

- funcia logsig:
1
logsig( )
1 e
t
t

=
+
(1.23)
- funcia tribas:
1 abs( ), pentru [ 1;1]
tribas( )
0, pentru ( ; 1] [1; )
t t
t
t
e

=

e

(1.24)
- funcia satlin:
0, pentru ( ; 0]
satlin( ) , pentru [0;1]
t
t t t
1, pentru [1; ) t
e

= e

(1.25)
e

14
opereaz toolboxul Neural
etwork al programului Matlab, dat de expresia:

Exist i o funcie de activare liniar cu care
N
purelin( ) , pentru ( ; ) t t t = e (1.26)
eriori ai
rimii rezultative V i 8 regresori anteriori ai mrimii factoriale C
100
.



Drept exemplu, n fig.1.14 se prezint reeaua neuronal care asigur
stabilirea modelului matematic neuronal ce ofer valorile vitezei V a
autoturismului Logan n funcie de consumul de combustibil la 100 km parcuri
C
100
, pentru proba L22. Dup cum se constat, pentru a obine o eroare
acceptabil a modelului de forma (1), au fost adoptai 6 regresori ant
m

Fig.1.14
rii, deci diferena dintre datele

Din fig.1.15a se constat c, ntr-adevr, pentru structura de model (1),
eroarea de modelare relativ are o valoare acceptabil, de 0,91%; n fig.1.15b se
redau i valorile absolute ale model
experimentale V i cele din model V
m
(
m
e V V = ).
Precizia ridicat a modelrii se constat i din fig.1.16, unde att curba
funciei de autocorelaie a erorii R
xx
(fig.1.16a), ct i curba funciei de
intercorelaie dintre mrimea de intrare i eroare R
xy
(fig.1.16b) intr n plajele
l c parametrii reelei neuronale variaz n timp se constat i din
poate fi scris i sub forma
atricial-vectorial (forma compact) astfel:

de abateri acceptabile, marcate pe grafice.
Faptu
fig.1.17b.
Modelul matematic neuronal (1.21)
m
y = + Wp b (1.27)

15
a poderilor, p vectorul parametrilor modelului, iar b
ectorul termenilor liberi.

unde W reprezint matrice
v

Fig.1.15


Fig.1.16
ansfer
fiind neliniare fig.1.13), atunci se obine un model matematic de forma:

Dac se procedeaz la liniarizarea reelei neuronale (funciile de tr

16
i
x
1
n
k i
i
y a
=
=

(1.28)

Pentru exemplul dat exist patru coeficieni a
i
, ale cror valori sunt redate
n fig.1.18, de unde se remarc variaia n timp a acestora.


Fig.1.17



Fig.1.18

n fig.1.19 se prezint schema din Matlab pentru un exemplu la care se
dorete stabilirea unui model neuronal ce ofer viteza de deplasare V n funcie
de consumul orar de combustibil C
h
pentru proba L1 a autoturismului Logan.

Fig.1.19
17

Dup cum se remarc din fig.1.19 i fig.1.20a (ultima cu modelul n stare
deschis, iar n fig.1.20b cu modelul n stare nchis, adic cu bucla de reacie
din partea inferioar), modelul este de forma (1.27), cu 10 legi ascunse (funcii
de transfer).
De asemenea, din fig.1.19 se mai remarc caracteristicile algoritmului
neuronal, spre exemplu: metoda Levenberg-Marquardt, 500 iteraii de calcul,
timp de calcul 9 s etc.; n plus, se constat i facilitile grafice oferite de
algoritm: performana privind precizia (valoarea de 0,0229 ce se regsete i n
fig.1.21b, n fig.1.21a redndu-se precizia modelrii prin variaia mrimii din
model n funcie de mrimea din experimentri), histograma erorii, rspunsul
modelului (fig.1.22), funcia de autocorelaie a erorii, funcia de intercorelaie
dintre eroare i mrimea de intrare etc.


Fig.1.20

n fig.1.22a se prezint seriile dinamice ale mrimii rezultative, respectiv
valorile experimentale V ale vitezei de deplasare i valorile obinute din modelul
neuronal V
m
.
n fig.1.22b se obine eroarea de modelare, adic diferena dintre valorile
experimentale i cele din modelul matematic, deci
m
e V V = ; dup cum se
constat din ambele grafice, erorile absolute au valori mici, acceptabile.
18


Fig.1.21



Fig.1.22

Pentru acest exemplu, n fig.1.23 se prezint schema bloc a modelului
neuronal (fig.1.23a), precum i detalii ale acestuia: modelul NARX detaliat n
fig.1.23b, cele dou legi de calcul n fig.1.23c i fig.1.23d.
19


Fig.1.23

Similar, n fig.1.24a se prezint schema bloc a modelului neuronal bazat
pe funcii radiale RBF, ce ofer valorile vitezei de deplasare V n funcie de
pozitia clapetei obturatoare pentru 20 probe experimentale Logan.

Fig.1.24
20

Dup cum se constat din fig.1.24b, exist dou legi de calcul cu 3500
operaiuni de calcul; mrimea factorial are 3500 valori, acelai numr cu cel
al mrimii rezultative V.
Pentru acest exemplu, n fig.1.25 se prezint seriile dinamice
experimental i cea obinut din model; dup cum se observ, eroarea de
modelare este nul, cele dou curbe fiind suprapuse.


Fig.1.25

Algoritmul fuzzy constituie un alt procedeu pentru stabilirea unor
modele matematice neparametrice. Raionamentul fuzzy, ce apeleaz la mulimi
fuzzy, presupune executarea de reguli care leag valorile mrimii factoriale
(mrime de intrare) de cele ale mrimii rezultative (mrime de ieire). Aceste
reguli sunt de obicei create deductiv fie de ctre om, fie printr-un algoritm de
calcul. Indiferent de sistem, exist trei etape de baz specifice de stabilire a unui
model fuzzy. Acestea sunt fuzificarea mrimilor de intrare i ieire, generarea
bazei de reguli i convergena rezultatului (defuzificarea) [1; 21; 59].
La operarea cu mulimi fuzzy se folosesc variabile lingvistice. Spre
exemplu, n fig.1.26 se prezint setul fuzzy cu interpretarea lingvistic a vitezei
V de deplasare a autovehiculului.
Interpretarea menionat a vitezei din fig.1.26 este:
- mic (notaie MC), cu viteza sub valoarea de 40 km/h;
- medie (notaie ME), cu viteza n jurul valorii de 55 km/h;
- mare (notaie MA), cu viteza deasupra valorii de 70 km/h.
Dac se dorete o i mai precis evaluare a vitezei, atunci se pot folosi i
alte variabile lingvistice, ca de exemplu: extrem de mic, foarte mic, mic,
medie, mare, foarte mare, extrem de mare.
21


Fig.1.26

Se consider acum c dinamica unui sistem oarecare SISO este descris
pe relaia intrare-ieire de modelul regresiv neliniar scris sub forma general:

( ) ( 1) ( ), ( 1),..., ( 1), ( ), ( 1),..., ( 1) y k f y k y k y k na u k u k u k nb + = + + (1.29)

cu u mrimea de intrare (variabila factorial), y mrimea de ieire (variabila
rezultativ) i ( ) f o funcie neliniar. Expresia (1.29) reprezint modelul
NARX (Nonlinear AutoRegressive with eXogenous input), corespondentul
modelului liniar ARX (AutoRegressive with eXogenous input).
n acest caz modelul lingvistic fuzzy are setul de reguli de forma:

1 2
1 2
: ( ) ( 1) ... ( 1)
( )
este este este
este es
i i
i i i ( 1) ... ( 1)
( 1)
te este
es te
i i i
i i
i
DAC
in
im
ATUNCI
R y k A y k A y k n A
u k B u k B u k m B
y k C
+
+
+
(1.30)

Pentru cazul algoritmului Takagi-Sugeno modelul matematic din expresia
(1.29) devine n situaia unui sistem MIMO:

1 1
( 1) ( 1) ( 1
na nb
i i i
j j
j j
y k A y k j B u k j
= =
+ = + + +

)
)
|
na i
(1.31)

n consecin, predicia cu un pas a mrimii de ieire se calculeaz cu
relaia:
1
( 1) ( ( )) ( 1
c
i
i
i
y k u k y k |
=
+ = +

(1.32)

unde c reprezint numrul de reguli, iar |
i
ponderea regulii i.
Relaia (1.32) se mai poate scrie sub forma:

|
1
1
( 1) ( ( )) ( )
c
T T
i
i
y k u k k I | u

=
+ = u

(1.33)
22

n care reprezint matricea de regresie (matricea regresorilor pentru
mrimile de intrare i cele de ieire):
( ) k u

| |
( ) ( ),..., ( 1), ( ),..., ( 1)
T
k y k y k na u k u k nb u = + + (1.34)

iar
i
u matricea parametrilor modelului local i (regulii i):

1 1
,..., , ,...,
i i i i
i na nb
A A B B u ( =

(1.35)

Pe baza relaiilor prezentate rezult valorile pentru parametrii modelului
fuzzy, folosind de exemplu metoda celor mai mici ptrate:

1
T T
i i
Y u

(
i
= u + u u +

(1.36)

n expresia (1.36) s-au notat:

| | | |
(1) (2) ... ( ) ; (2) (3) ... ( 1)
T T
n Y y y y n u = u u u = + (1.37)

i respectiv:

(1) 0 ... 0
0 (2) ... 0
... ... ... ...
0 0 ... (
i
i
i
i
n
|
|
|
(
(

+ =

(

)
(
(
(1.38)

Conform relaiilor prezentate, rezult c valorile mrimii rezultative se
calculeaz cu o expresie scris n form compact astfel:

Y u = + (1.39)

ce constituie modelul matematic dorit; acesta este de tip neparametric deoarece
parametrii si, conform expresiei (1.35), sunt cu valori diferite/variabile pentru
fiecare model local.
n continuare se prezint stabilirea modelului matematic care ofer
dependena momentului motor efectiv M
e
(mrimea rezultativ) de poziia
clapetei obturatoare i de turaia motorului n (mrimile factoriale) la proba
experimental L2 a autoturismului Logan. Fiind dou mrimi factoriale, se
adopt seturi fuzzy spaiale i anume triunghiulare, aa cum se constat din
fig.1.27, care are n partea dreapt scara gradat n valori i culori cu valorile
i
.
Aa cum se observ din fig.1.27, pentru stabilirea modelului matematic
au fost adoptate 6 seturi fuzzy dup axa poziiei clapetei obturatoare i 8 seturi
dup axa turaiei n, deci n total 48 seturi; ca urmare, modelul fuzzy va avea un
numr de 48 coeficieni u n expresia general (1.39). n mod evident, numrul
seturilor fuzzy se adopt din considerente de precizie a modelrii.
n fig.1.28 se prezint suprafaa de calcul fuzzy, pe care sunt dispuse
punctele cu valorile experimentale ale momentului motor; evident, cu ct
23

suprafaa de calcul este mai fin caroiat, cu att precizia acestuia este mai mare,
deci eroarea mai mic.


Fig.1.27



Fig.1.28

Graficul din fig.1.29a conine ponderile seturilor fuzzy |
i
din expresia
(1.33), adic matricea +
i
din relaia (1.38), respectiv + din forma general
(1.39) a modelului matematic. n fig.1.29b se prezint valorile celor 48
24

coeficieni u
i
din expresia (1.35) ai modelului fuzzy, deci vectorul u din relaia
(1.39); aceast relaie apare i pe grafic.


Fig.1.29



Fig.1.30

n fig.1.30a i fig.1.30b sunt prezentate valorile experimentale ale celor
dou mrimi factoriale, poziia clapetei obturatoare i turaia motorului.
25

Graficul din fig.1.30c conine cele dou curbe, cea cu valorile
experimentale i cea obinut cu modelul fuzzy pentru mrimea rezultativ
(momentul motor). De asemenea, n fig.1.30c este prezentat i eroarea de
modelare, care este mic, de valoare acceptabil i deci modelul satisface din
punct de vedere al preciziei.
Urmtorul exemplu stabilete modelul matematic care ofer dependena
vitezei autovehiculului V (mrimea rezultativ) de poziia clapetei obturatoare
i de turaia motorului n (mrimile factoriale) la proba experimental L34 a
autoturismului Logan. Fiind dou mrimi factoriale, se adopt seturi fuzzy
spaiale i anume triunghiulare, aa cum se constat din fig.1.31. Dup cum se
observ din fig.1.31, pentru stabilirea modelului matematic au fost adoptate de
data aceasta 15 seturi fuzzy dup axa poziiei clapetei i 15 seturi dup axa
turaiei, deci n total 225 seturi; ca urmare, modelul fuzzy va avea un numr de
225 coeficieni u. Acest numr mare de seturi a fost adoptat din dou motive:
caracterul puternic neliniar al dependenei menionate i necesitatea obinerii
unei precizii impuse.


Fig.1.31

n fig.1.32 se prezint suprafaa de calcul fuzzy, pe care sunt dispuse
punctele cu valorile experimentale ale vitezei; dup cum se constat, suprafaa
de calcul este foarte contorsionat (a se compara cu fig.1.28), deci caracterul
neliniar al dependenei vizate este accentuat.
Graficele din fig.1.33 conin ponderile seturilor fuzzy |
i
(deci matricea
+), precum i coeficienii modelului matematic, adic vectorul u din forma
general (1.39) a modelului matematic.
n sfrit, graficele din fig.1.34 conin valorile experimentale ale celor
dou mrimi factoriale (fig.1.34a i fig.1.34b) i ale variabilei rezultative
26

(fig.1.34c), precum i valorile modelate ale vitezei (fig.1.34c). i de data aceasta
eroarea de modelare este mic, de 0,29%, deci precizia modelului satisface; n
caz contrar, ar trebui adoptat un numr mai mare de seturi fuzzy.


Fig.1.32



Fig.1.33

n mod similar se pot stabili i alte modele matematice ale dinamicii
automobilului, adoptnd oricare alt mrime rezultativ i oricte alte mrimi
27

factoriale (factori de influen). Dup cum s-a remarcat, precizia de modelare
poate fi controlat ca valoare prin numrul seturilor fuzzy adoptate.


Fig.1.34

Pentru stabilirea unor modele matematice ale dinamicii automobilelor se
pot folosi i tehnici combinate. Drept exemplu, n continuare se prezint
utilizarea combinat a reelelor neuronale i mulimilor fuzzy pentru stabilirea
modelului matematic al dinamicii oricrui sistem (modele neuro-fuzzy),
inclusiv automobil. n acest scop se aplic algoritmul ANFIS (Adaptive
NeuroFuzzy Inference System) folosind toolboxul programului Matlab; acest
toolbox apeleaz la seturile fuzzy prezentate n fig.1.35 (membership function
terminaia ...mf n fig.1.35), cu denumirile utilizate de Matlab.
Schema de principiu a algoritmului ANFIS este prezentat n fig.1.36,
unde sunt redate elementele principale ale acestuia [32; 41].
Dup cum se constat din fig.1.36, algoritmul ANFIS aplic tehnici de
nvare neuro-adaptive, ce ofer datele necesare pentru modelare cu ajutorul
mulimilor fuzzy. Folosind datele de intrare i de ieire (variabilele factoriale i
mrimile rezultative), se construiete un sistem ale crui seturi fuzzy ajusteaz
coeficienii modelului matematic printr-un algoritm specific reelelor neuronale.
n acest scop, numrul funciilor de activare (prezentate anterior la reelele
neuronale) trebuie s fie egal cu cel al regulilor fuzzy, iar algoritmul are la baz
neuronul fuzzy.
Arhitectura ANFIS este similar algoritmului Takagi-Sugeno prezentat
anterior. Pentru exemplificare se consider c sistemul este caracterizat de dou
mrimi de intrare u
1
i u
2
(mrimi factoriale) i de o mrime de ieire y
(variabil rezultativ).
28



Fig.1.35



Fig.1.36

n consecin, dac, de exemplu, se adopt baza de reguli de tip Sugeno
de ordinul I (variaie liniar), atunci rezult [59]:

1 1 2 1 1 11 1 12 2
este e ATU ste i u A u B y c u c u
10
c DAC NCI = + + (1.40)

i respectiv:

1 2 2 2 2 21 1 22 2
este e ATU ste i u A u B y c u c u
20
c DAC NCI = + + (1.41)
29

n care c
ij
constituie coeficienii modelului matematic, adic parametrii
gestionai de seturile fuzzy ce ajusteaz valorile acestora printr-un algoritm
specific reelelor neuronale.
n continuare se prezint rezulatatele aplicrii algoritmului ANFIS pentru
stabilirea unui model matematic ce ofer valorile vitezei de deplasare V n
funcie de turaia motorului n i de poziia unghiular a clapetei obturatoare la
proba experimental L19 a autoturismului Logan.
Pentru acest exemplu, n fig.1.37 se prezint seturile fuzzy adoptate
pentru stabilirea modelului neuro-fuzzy; din grafice se constat c la mrimile
factoriale au fost adoptate 8 seturi trapezoidale pentru turaie i 10 seturi
triunghiulare pentru poziia clapetei obturatoare.


Fig.1.37

Adoptarea seturilor fuzzy se constat i din fig.1.38 (imagine oferit de
algoritm), din care se constat c exist 8 seturi fuzzy trapezoidale pentru turaie
i 10 seturi triunghiulare pentru poziia clapetei obturatoare (deci 80 reguli de
calcul ai algoritmului Sugeno), n total rezultnd 80 de reguli pentru variabila de
ieire (mrimea rezultativ V).
n fig.1.39 se prezint verificarea modelrii matematice cu algoritmul
ANFIS. Graficul din fig.1.39a arat c s-a obinut o precizie foarte bun a
modelului, valorile din acesta fiind practic suprapuse celor experimentale,
eroarea relativ de estimare fiind neglijabil.
Precizia ridicat a modelului matematic este confirmat i de graficul din
fig.1.39b, unde se prezint variaia n timp a erorii absolute de modelare (viteza
are o eroare de cel mult 1,6 km/h).

30

Pentru acest exemplu, n fig.1.40 se prezint rezultatul spaial al aplicrii
algoritmului ANFIS, ce confirm precizia modelului neuro-fuzzy stabilit pentru
dinamica automobilului (viteza de deplasare V n funcie de turaia motorului n
i de poziia unghiular a clapetei obturatoare ).


Fig.1.38



Fig.1.39


31


Fig.1.40

n mod similar, graficele din fig.1.41-fig.1.43 prezint un alt exemplu, ce
urmrete s ofere valorile consumului de combustibil la 100 km parcuri C
100

n funcie de turaia motorului n, de poziia clapetei obturatoare i de
consumul orar de combustibil la proba experimental L18 a autoturismului
Logan; dup cum se constat, se consider trei mrimi factoriale/mrimi de
intrare. Din acest ultim motiv, n fig.1.41 exist 3 seturi fuzzy, toate
triunghiulare: 6 seturi pentru turaia motorului, 5 seturi pentru poziia clapetei
obturatoare i 4 seturi pentru consumul orar de combustibil; exist deci 120
reguli de calcul.


Fig.1.41

Adoptarea seturilor fuzzy se constat i din fig.1.42 (imagine oferit de
algoritm), din care se constat c exist 3 mrimi de intrare i 120 reguli de
calcul ai algoritmului Sugeno.
32


Fig.1.42



Fig.1.43

n fig.1.43 se prezint verificarea modelrii matematice cu algoritmul
ANFIS. Graficele prezentate arat c s-a obinut o precizie foarte bun a
modelului, valorile din model fiind apropiate celor experimentale, eroarea
relativ de estimare i erorile absolute avnd valori mici.

33

Dinamica neparametric a autovehiculelor poate fi studiat i cu ajutorul
fractalilor. Termenul de fractal a fost introdus de matematicianul Benoit
Mandelbrot n anul 1975, n scopul descrierii structurilor complexe, punnd
bazele unei noi geometrii, denumit geometria fractalilor [9; 10; 12; 13; 21; 23;
24; 40; 67]. Acest termen provine de la cuvntul englezesc FRACTionAL, care
semnific ceva fragmentat, nentreg, sau, frecvent folosit, fracionar. n
consecin, fractalul este denumit drept un obiect geometric care are dimensiune
fracionar (nentreag).
n geometria clasic, Euclidian, dimensiunile au valori ntregi: de
exemplu, punctul are dimensiunea zero (D=0), linia are dimensiunea 1 (D=1),
planul are dimensiunea 2 (D=2), iar cubul are dimensiunea 3 (D=3). n
geometria fractalilor, acetia au dimensiune fracionar, spre exemplu 1/9;
0,256; 1/3; 2/3; 1,357 etc. Dup cum se observ, nu totdeauna dimensiunea se
exprim strict printr-o fracie (oricum, ceva diferit de ntreg), dar denumirea
frecvent folosit este dimensiune fracionar (i nu nentreag).
Dac fractalul are dimensiune ntreag, aceasta este echivalent cu
dimensiunea Euclidian. Aadar, geometria Euclidian constituie un caz
particular al geometriei fractalilor; sau, invers exprimat, geometria fractalilor
constituie o geometrie generalizat, care include i pe cea Euclidian.
Fractalii au dou proprieti importante: autosimilaritatea i invariana la
scar. Prima proprietate arat c un fractal reprezint un fragment geometric
care poate fi subdivizat n pri, fiecare din acestea fiind similar cu ansamblul.
A doua proprietate arat c fractalii sunt obiecte geometrice care apar identici
indiferent de scara de reprezentare.
n cazul general, un set de fractali este definit prin relaia:

n
n
C
N
r D
= (1.42)

n care este numrul de obiecte cu dimensiunea liniar caracteristic ,
este dimensiunea fractalului, este ordinul acestuia, iar C este o constant de
proporionalitate.
n
N
n
r D
n
Ecuaia (1.42) se rescrie astfel:

1
1
ln
ln
n
n
n
n
N
N
D
r
r
+
+
= (1.43)

expresie care se utilizeaz pentru stabilirea dimensiunii fractalilor.
Spre exemplu, n continuare se consider intervalul , ca n
fig.1.44a; n acest caz exist 1 segment (interval) cu lungimea 1. Curba
|
0
0;1 E =
|
1
E se
obine prin mprirea n trei pri egale a curbei
0
E i construirea conform
fig.1.44b; n acest caz exist
1
4 4 = segmente cu lungimea 1/3= . Procedeul
1
3

34

continu cu construirea curbei
2
E , la care exist
2
16 4 = segmente, fiecare cu
lungimea . Aadar, n cazul general, curba
2
1/ 9 3

=
n
E are segmente, fiecare
cu lungimea 3 ; construcia din fig.1.44 constituie curba lui Koch.
4
n
n



Fig.1.44

Pentru a utiliza expresia (1.43), se consider, de exemplu, curbele
2
E i
1
E i ca urmare:
2
1
4
ln
ln
ln4
4
1, 26
1
ln3
3
1
9
D = = = 2 (1.44)

Dup cum se constat i din acest exemplu, fractalul mai este definit
drept un obiect geometric generat printr-un proces recursiv teoretic infinit.
De asemenea, din cele prezentate, se poate deduce c dimensiunea
fractalului constituie o msur a iregularitii obiectului studiat, acesta din urm
fiind imposibil de reprezentat de ctre geometria clasic, Euclidian.
Pentru a caracteriza fractalii se mai utilizeaz exponentul Hlder i
dimensiunea Hausdorff, aceasta din urm folosit mai rar.
Exponentul Hlder, notat h, se folosete pentru caracterizarea caracterului
procesului studiat: dac h este constant pentru o serie dinamic oarecare, atunci
exist un proces monofractal; dac h este variabil, atunci exist un proces
multifractal.
Din punct de vedere matematic, valorile exponentului Hlder arat c:
35

- dac h>0, atunci se ndeplinete proprietatea de continuitate;
- dac h>1, atunci se ndeplinete proprietatea de difereniere.
Se observ c dac 0<h<1, atunci pentru seria dinamic oarecare ( ) x t se
ndeplinete proprietatea de continuitate, dar nu i cea de difereniere; altfel
spus, valorile derivatei seriei dinamice nu sunt realiste (de exemplu cnd se
calculeaz acceleraia automobilului prin derivarea seriei experimentale a
vitezei acestuia). De asemenea, se constat c dac h<0 nu se ndeplinete nici
proprietatea de continuitate i nici cea de difereniere, ceea ce creeaz dubii
asupra corectitudinii rezultatelor de orice natur la seria dinamic respectiv (de
exemplu la stabilirea unui model matematic).
Un alt parametru folosit n geometria fractalilor este exponentul Hurst,
notat H, cu [0;1] H e . Acest exponent are semnificaia funciei de corelaie din
domeniul liniar, dar pentru o valoare de ansamblu a seriei dinamice vizate.
Astfel, dac H>0,5 exist o corelaie liniar direct ntre dou seciuni vecine n
timp ale unei mrimi oarecare; dac H<0,5 exist o corelaie liniar indirect
ntre cele dou seciuni, iar dac H=0,5 nu exist corelaie ntre acestea.
Cu ct o serie dinamic oarecare prezint variaii mai accentuate, cu att
coeficientul lui Hurst se apropie mai mult de valoarea 0,5 caracteristic unui
proces pur aleator (micarea brownian).Valoarea mai mare de 0,5 arat c
exist o dependen direct pe ansamblul probei. Aceasta nseamn c dac
ntr-o seciune a procesului vizat mrimea scade, aceasta scade i n seciunea
urmtoare i invers; evident, valoarea nefiind egal cu 1, la anumite seciuni
variaiile decurg invers.
Modelele matematice care descriu dinamica automobilelor, stabilite pe
baza fractalilor, au o expresie analitic simpl. Pentru deducerea acestor modele
se utilizeaz dimensiunea fractalului D i exponentul Hlder h; pentru o serie
dinamic oarecare x(t), modelul are forma:

2h
x D = (1.45)

n care nu s-a mai scris argumentul timp t, care se subnelege.
Deoarece exponentul Hlder h este variabil n timp, rezult c modelele
matematice care apeleaz la fractali (modelele fracionare) sunt neparametrice.
n fig.1.45 se prezint viteza de deplasare V, dimensiunea fractalului D,
exponentul Hurst H i exponentul Hlder h n cazul probei L44 a autoturismului
Logan. Graficele arat o autocorelaie foarte bun a mrimilor (H are valoarea
unitar), iar seriile dinamice prezin att proprietatea de continuitate, ct i cea
de derivabilitate (h>1). Aadar, n acest caz exist certitudinea c rezultatele
obinute prin folosirea seriei dinamice vizate sunt corecte, deci i modelul
matematic (1) din fig.1.45a este corect, avnd o precizie maxim posibil
(eroarea de modelare este nul):
2
1,84
h
V = (1.46)

Graficul din fig.1.46a arat c viteza de deplasare de la toate cele 50
probe au exponentul Hlder supraunitar; rezult c derivarea vitezei n scopul
36

stabilirii acceleraiilor i deceleraiilor asugur obinerea unor rezultate corecte,
inclusiv la stabilirea unor modele matematice. n schimb, din fig.1.46b se
constat c derivarea de dou ori a vitezei de deplasare (derivarea o dat a
mrimii dv/dt) nu asigur rezultate corecte, existnd zone A i B cu h<1.


Fig.1.45



Fig.1.46
37

Graficele comparative din fig.1.47-fig.1.50 permit deducerea unor
concluzii n sensul menionat anterior.


Fig.1.47



Fig.1.48

Astfel, din fig.1.47a rezult c derivarea puterii motorului nu asigur
obinerea unor rezultate corecte, inclusiv la stabilirea modelelor matematice (de
exemplu n ecuaia diferenial de micare a autovehiculului).
38

39
n schimb, din fig.1.47b rezult c derivarea momentului motor asigur
corectitudinea rezultatelor (h>1 totdeauna) i deci, de exemplu, n ecuaia
diferenial de micare a autovehiculului trebuie folosit momentul.
Graficele din fig.1.48 arat c ambele mrimi, consumul orar de
combustibil C
h
i consumul de combustibil la 100 km parcuri C
100
, pot fi
folosite pentru diverse analize, modele matematice i derivri, zona A din
fig.1.48a (unde h<1) avnd o influen care se poate neglija; oricum, din cele
dou mrimi, folosirea consumului de combustibil la 100 km parcuri prezint
un grad de ncredere mai ridicat.


Fig.1.49

n sfrit, graficele din fig.1.49 arat c ambele mrimi, poziia clapetei
obturatoare i turaia motorului n, pot fi folosite pentru diverse analize,
modele matematice i derivri, deoarece totdeauna h>1; aceasta arat c este
justificat, i din acest punct de vedere, folosirea frecvent, n cvasitotalitate, a
celor dou mrimi drept sarcina i turaia motorului, inclusiv drept argumente
ale caracteristicilor statice ale motorului.