Sunteți pe pagina 1din 115

CAPITOLUL 2 . Clase de modele utilizate n identificare ..

11
2.1. Clasificarea modelelor....11
1. Modele liniare si neliniare.11
2. Modele neparametrice si parametrice.11
3. Modele intrare -iesire si modele de stare.....12
4. Modele invariante si variante n timp.12
5. Modele discrete si modele cu timp continuu...12
6. Modele n domeniul timp si n domeniul frecventelor..12
7. Modele deterministe si modele stohastice.....12
8. Modele cu parametri concentrati si modele cu parametri distribuiti..13
9. Modele cu o singura intrare, o singura iesire (SISO) si modele multivariabile13
2.2 Modele intrare -iesire ......14
Exemplul 1,2,3, Observatie ..17
2.3. Modele de stare..21
2.4. Conceptul de identificabilitate..22
Exemplul 2.1. . ...25
Def1-sistem identificabil,def2-sistem sigur identificabil..26
Def3-sistem parametric identificabil...27
CAPITOLUL 3 .Semnale de intrare ....28
3.1. Descrierea matematica a semnalelor deterministe..29
Def1-patrat in tegrabil,def2-produs scalar sau produsul interior..29
Aproximarea continua n sensul celor mai mici patrate...30
Observatii, Def3 - sir ortogonal....................................................................31
Def4-sistem orthogonal,def5-coeficienti Fourir ai unei functii..32
Aproximarea discreta n sensul celor mai mici patrate..33
Seturi uzuale de functii ortogonale utilizate.34
Tabelul 3.1,3.2, Observatii35
Analiza spectrala a semnalelor deterministe. Consideratii energetice.36
Analiza Fourier a semnalelor continue periodice, de perioada T..38
Analiza Fourir a semnalelor continue neperiodice40
Observatii....41
Analiza Fourr a semnalelor discrete..42
A. Transformata Fourir n timp discret (TFTD).43
B. Transformata Fourir discreta (TFD)...43
Exemplul 1.45
Exemplul 246
Exemplul 3,4,5, 3.2. Descrierea matematica a semnalelor aleatoare.47
Tabelul 3.3..48
semnal pseudoaleator binar (SPAB),propr1,250
3.3. Persistenta semnalelor.51
Def6,Observatie....52
Propr 1,dem, Propr2,dem,propr3,4,dem....53
Observatii,def7....54
Proprietatea 5..55
Proprietatea 6.....56
CAPITOLUL 5. Metode neparametrice , 5.1. Identificarea sistemelor liniare cu semnale de proba deterministe ..65
5.1.1. Identificarea cu semnale de proba neperiodice...65
5.1.2. Identificarea cu semnale de proba periodice.....68
5.1.3 Deducerea functiei de transfer din raspunsul indicial, a) Metoda comparatiei folosind atlase de functii normate .71
b) Aproximarea prin modele cu functii de transfer simplificate..71
Observatie72
c) Aproximarea curbelor experimentale prin expresii de forma solutiilor unor ecuatii diferentiale liniare cu coeficienti
constanti .72
Pasul 1,2..73
d) Metode de optimizare parametrica.74
5.1.4. Deducerea functiei de transfer din caracteristicile de frecventa determinate experimental.75
a) Metoda bazata pe aproximarea caracteristicilor logaritmice de frecventa.75

b) Metoda de optimizare parametrica..76
5.2. Identificarea sistemelor liniare cu semnale de proba aleatoare..77
5.2.1. Principiul metodelor de identificare.78
5.2.2. Estimarea functiilor de corelatie82
5.2.3. Estimarea densitatilor spectral.83
5.2.4. Identificarea sistemelor liniare folosind marimile din functionarea normal.87
CAPITOLUL 6. Estimatori de risc minim, 6.1. Introducere..89
Def1,2,3,4,.92
Def5,Lema1,dem,lema293
Demonstratie, Teor ema 1. (Cramr -Rao), Demonstratie94
Exemplul 1,2,3.96
6.2. Estimatorul Markov, Formularea problemei..98
Proprietatile estimatorului Markov...99
Observatie, Teorema 2, Demonstratie.100
6.3 Estimatorul celor mai mici patrate....101
CAPITOLUL 7. Identificarea prin metode parametrice directe, 7.1. Metoda celor mai mici patrate..102
Observatii..103
7.1.1 Analiza estimatorului celor mai mici patrate104
Teorema, Demonstratie105
Teorema (L. Ljung), Teorema (R. Chung)106
7.1.2. Extensii ale estimatorului celor mai mici patrate108
Observatie, 7.2. Metoda celor mai mici patrate n doua etape111
7.3 Metoda verosimilitatii maxime, 7.3.1. Definirea EVM..115
Observatia 1...116
Observatia 2, Observatia 3...117
7.3.2. Analiza estimatorului de verosimilitate maxima...121
7.4 Metoda minimizarii erorii de predictie de pas (MEP), 7.4.1. Definirea estimarii MEP125
7.4.2. Metoda celor mai mici patrate generalizate..126
Teorema, Demonstratie..127
Observatia 1...128
Observatia 2, 7.4.3. Variante ale metodei CMMPG, Varianta 1....129
Varianta 2...131
Algortm(pas1-4)Observatii, Varianta 3.132
7.5. Metode de variabila instrumental, 7.5.1. Esenta metodei de variabila instrumental...133
7.5.2. Alegerea variabilelor ins trumentale de baza134
Lema, Demonstratie, 7.5.3. Distributia estimatorului de variabila instrumentala (VI).137


11
CAPITOLUL 2
Clase de modele utilizate n identificare
2.1. Clasificarea modelelor
Alegerea clasei de modele este strns conditionata de informatia
apriorica si de scopul final al identificarii, n particular de tipul de sistem
automat ce trebuie proiectat. Asa cum sistemele pot fi clasificate din mai multe
puncte de vedere, n acelasi mod pot fi clasificate si modelele asociate lor. n
cele ce urmeaza vom analiza cteva categorii de modele.
1. Modele liniare si neliniare - Distinctia dominanta ntre cele doua
categorii este data de principiul suprapunerii efectelor care este valabil numai
n primul caz si care se refera la relatia dintre variabilele dependente de timp.
Pentru estimarea parametrilor un concept la fel de important este cel de
liniaritate (neliniaritate) n parametri, n raport cu relatia dintre variabilele
dependente si parametri. Un sistem poate fi neliniar din punct de vedere
dinamic si totusi liniar (sau liniarizabil) n parametri.
Exemplu : Fie y(t) si u(t) marimile de iesire/intrare ale sistemului si
y(t)=Cu
a
(t)
relatia de legatura ntre aceste marimi care reprezinta modelul dinamic al
sistemului. Acesta este neliniar dar liniarizabil n parametrii C si prin
transformarea v(t)=lny(t) ; x(t)=lnu(t) care conduce la modelul:
v(t)=lnC+x(t)
sau, daca a=lnC si b=,
v(t)=a+bx(t).
Daca, prin transformari corespunzatoare, un model nu poate fi facut
liniar n parametri atunci el este intrinsec neliniar.
2. Modele neparametrice si parametrice. n alegerea clasei de
modele sunt posibile doua moduri de abordare. Primul mod foloseste ideea
transformarii definite pe un spatiu al functiilor care ofera o reprezentare a
semnalelor de intrare-iesire din sistem. n acesti termeni problema modelarii
consta n a gasi transformarea de la spatiul functiilor de intrare la spatiul
functiilor de iesire, transformare care caracterizeaza sistemul. Deoarece nu se
foloseste nici o informatie despre structura fizica a sistemului, acest mod de
abordare este foarte general si conduce la asa numitele modele neparametrice
(raspunsuri la impuls, caracteristici de frecventa, serii Voltera etc.).
Al doilea mod de abordare porneste de la o presupusa descriere
matematica a dinamicii procesului n "spatiul parametrilor". Coordonatele
acestui spatiu sunt valorile numerice ale parametrilor modelului, considerati ca
iesiri ale acestuia.
Daca modelul este de exemplu, ecuatia diferentiala ordinara,
coordonatele pot fi coeficientii ecuatiei si valorile conditiilor initiale. Daca
exista o functie de excitatie (de fortare) atunci parametrii acestei functii
(semnal) maresc dimensiunea spatiului parametrilor, care ramne totusi finita.
12
Modelele care intra n aceasta categorie se numesc modele parametrice (ecuatii
diferentiale de forma si ordin determinat, functii de transfer, modele de stare etc.).
3. Modele intrare-iesire si modele de stare. Consideram ca ncepnd
cu un moment initial t
0
se aplica sistemului o marime de intrare (marime cauza)
u(t), tt
0
, pe o durata de timp finita, numita interval de observare. n acest
interval se masoara marimea de iesire y(t) (marimea efect). Pe baza
experimentelor se deduce usor ca y(t) depinde de u(t) si de starea initiala x(t
0
).
Orice descriere din punct de vedere functional a unui sistem se bazeaza pe
conceptele de marime de intrare u(t), marime de iesire y(t) si marime de stare x(t).
Modelul matematic al unui sistem real poate fi exprimat prin doua
seturi de ecuatii, una care leaga marimea (marimile) de stare de marimile de
intrare (ecuatii de stare) si altul care leaga iesirea (iesirile) de marimea de stare
(ecuatii de iesire), adica:
( )
( )

=
=
) t ( u ), t ( x , t g ) t ( y
) t ( u ), t ( x , t f ) t ( x
&

cu x(t
0
) dat, n care f,g,x,y sunt marimi vectoriale de dimensiuni adecvate.
Aceasta descriere este asa numita reprezentare intrare-stare-iesire a sistemului
(model de stare).
n anumite conditii, prima ecuatie admite solutia:
( )
0 0 0 0
t t ) t , t ( u ), t ( x , t , t ) t ( x =
unde u(t,t
0
) reprezinta restrictia functiei u(t) la intervalul [t
0
,t], functia fiind
functia de transfer a starilor.
Eliminnd starea x(t) din cele doua relatii rezulta:
( )
0 0 0 0
t t ) t ( u ), t , t ( u ), t ( x ), t , t ( , t g ) t ( y =
care este asa numita reprezentare intrare-iesire (model intrare-iesire) a sistemului.
Reprezentarea de stare prezinta facilitati deosebite n analiza si sinteza
sistemelor automate n domeniul timpului, o serie de metode specifice fiind
usor de implementat pe calculator. Reprezentarea intrare-iesire este avantajoasa
n cazul sistemelor dinamice liniare invariante n timp, pentru care se pot aplica
avantajos transformarile integrale Laplace si Fourir.
4. Modele invariante si variante n timp. Modelele invariante sunt
cele care au parametri constanti, de exemplu. Modelele sistemelor variante n
timp necesita metode speciale de identificare recurgnd la algoritmi de estimare
n timp real a parametrilor.
5. Modele discrete si modele cu timp continuu sunt cele care descriu
adecvat sistemele corespunzatoare pentru care sunt valabile consideratiile
facute n introducere.
6. Modele n domeniul timp si n domeniul frecventelor. Exemplul
tipic de model n domeniul timp este ecuatia diferentiala sau ecuatia cu
diferente n cazul discret, n timp ce functia de transfer sau caracteristicile de
frecventa reprezinta modele n domeniul frecventelor.
7. Modele deterministe si modele stohastice. Pentru un model
determinist marimea de iesire poate fi calculata exact ct timp intrarea este un
13
semnal cunoscut. n opozitie, un model stohastic contine termeni care fac
imposibil acest calcul, de regula acesti termeni constituind descrieri ale
perturbatiilor. Problema controlului este de cele mai multe ori generata de
existenta perturbatiilor. O contributie importanta n teoria moderna a reglarii a
fost modelarea perturbatiilor ca procese stohastice si exploatarea proprietatilor
sistemelor stohastice pentru a obtine strategii de control care sa minimizeze
actiunea acestora.
8. Modele cu parametri concentrati si modele cu parametri distribuiti.
Cele doua categorii de modele corespund sistemelor omoloage. Modelele
sistemelor cu parametri concentrati contin de regula un numar finit de ecuatii
diferentiale ordinare, iar cele corespunzatoare sistemelor cu parametri
distribuiti contin fie un numar infinit de ecuatii diferentiale ordinare fie un
numar finit de ecuatii cu derivate partiale .
9. Modele cu o singura intrare, o singura iesire (SISO) si modele
multivariabile. Cele multivariabile pot avea mai multe intrari si o singura
iesire (MISO) sau mai multe intrari si mai multe iesiri (MIMO).
Desigur, un model matematic oarecare se poate ncadra n mai multe
astfel de categorii (de exemplu modelul stohastic cu timp discret cu parametri
constanti). n cele ce urmeaza vom trece n revista modelele liniare invariante,
cele mai utilizate n identificare, deoarece majoritatea metodelor prezentate se
vor referi la sisteme liniare. Procesele industriale sunt n marea lor majoritate
neliniare, totusi, n cele mai multe cazuri intereseaza comportarea dinamica la
variatii mici n jurul unui punct stationar de functionare, situatie n care un
model liniar poate aproxima suficient de bine comportarea procesului real.
2.2 Modele intrare-iesire
Fie sistemul determinist ilustrat n fig. 2.1 n care u(t) este marimea de
intrare si y(t) marimea de iesire.
u(t) y(t)

Fig. 2.1
n domeniul timpului, modelul intrare-iesire continuu este ecuatia
diferentiala liniara cu coeficienti constanti, daca sistemul este liniar, invariant
n timp si cu parametri concentrati :
(M1) ) t ( u b ) t ( y a
m
0 j
) j (
j
) i (
n
0 i
i

= =
=
sau Q(p)y(t)=P(p)u(t), n care p=d/dt este operatorul de derivare, iar Q si P sunt
polinoamele:
0 1
n
n
0 1
m
m
a p a .... p a Q(p)
b p b .... p b P(p)
+ + + =
+ + + =

presupuse prime ntre ele.
14
Modelul corespunde unui sistem fizic realizabil daca m<n, stabil daca
radacinile ecuatiei caracteristice Q(p)=0 sunt n semiplanul complex stng si de
faza minima daca radacinile P(p)=0 sunt de asemenea n semiplanul stng.
Ecuatia diferentiala este evident un model parametric, vectorul:
T
m 1 0 n 1 0
] b ..... b , b , a .... a , a [ =
continnd coeficientii ecuatiei diferentiale.
Pentru solutionarea ecuatiei este necesara cunoasterea intrarii u(t) si a
conditiilor initiale care se refera la y(0) si
( )
( ) 1 n , 1 k , 0 y
k
= , precum si a
parametrilor concentrati n vectorul .
Clasa de modele (M1) este specificata daca se cunosc gradele
polinoamelor Q si P (numite si indici de structuri, care dau dimensiunea
vectorului ) si este complet specificat daca se cunosc si valorile numerice ale
parametrilor.
Ca rezultat al principiului suprapunerii efectelor, comportarea dinamica
a unui sistem liniar poate fi descrisa cu ajutorul unei functii h(t) de raspuns la
impuls (functia pondere). Orice functie de timp u(t) poate fi considerata formal
ca fiind o combinatie liniara de functii impuls. Aceasta conduce la integrala de
convolutie, care, pentru conditii initiale nule, este:
(M2)
0 t d ) t ( u ) ( h d ) ( u ) t ( h ) t ( y
0
t
> = =



Pentru realizabilitatea fizica, h(t)0 pentru t<0. Modelul (M2)
constituie un model continuu neparametric care este complet specificat daca se
cunosc valorile functiei pondere h(t). Cum timpul este continuu, se observa ca
modelul este infinit dimensional, deoarece este necesara precizarea unei
infinitati de valori ale functiei pondere. Desigur, functia pondere poate avea o
reprezentare parametrizata (de exemplu o combinatie de exponentiale) astfel
nct perechile de valori (t, h(t)) sa poata fi deduse cu ajutorul unui numar finit
de parametri, nsa modelul (M2) ramne si n acest caz neparametric. Pentru un
sistem asimptotic stabil ( ) 0 t h lim
t
=

.
n cazul multivariabil, u(t) si y(t) sunt vectori de dimensiune nu/1 si
respectiv ny/1, polinoamele P(p) si Q(p) sunt polinoame matriceale, iar
operatorul de derivare p, de dimensiuni ny/ny si respectiv ny/nu.
n fond, n cazul MIMO, ecuatia diferentiala este nlocuita cu un sistem
de ecuatii diferentiale. De asemenea, n cazul multivariabil, functia pondere
este nlocuita de o matrice de raspuns la impuls.
Considernd conditiile initiale nule, prin aplicarea transformatei
Laplace modelului (M1) obtinem functia de transfer:
(M3)
[ ]
[ ]
) s ( Q
~
) s ( P
~
s a
s b
) t ( u L
) t ( y L
) s ( W
n
0 i
i
i
m
0 j
j
j
= = =

=
=

15
care este modelul parametric n domeniul frecventelor pentru un sistem liniar
SISO. n mod frecvent, functia de transfer este fractie rationala care poate fi
pusa n diferite forme:
) s ( Q
) s ( P
k ) s ( W =
n care P(s) si Q(s) polinoame monice, iar k este amplificarea, sau:
( )
( )

=
=

=
n
1 i
i n
m
1 j
i m
p s a
z s b
) s ( W
unde z
i
si p
i
sunt zerourile si respectiv polii f.d.t., sau:
( )
( )
( )
( )

=
=
=
=
=
=
+
+
=
+
+
=
n
1 i
i
m
1 j
j
n
1 i
i
m
1 j
j
n
1 i
i n
m
1 j
i m
sT 1
s 1
k
sT 1
s 1
p a
z b
) s ( W
n cazul n care toti polii sunt reali, unde k este factorul de amplificare iar
j
si
T
i
sunt constante de timp. Timpul mort T
m
, poate fi usor pus n evidenta n
reprezentarea prin functii de transfer, prin multiplicarea cu exponentiala
sTm
e

.
m
sT
e
) s ( Q
) s ( P
) s ( W

=
Transformata Fourir a functiei pondere:
M(4) W(j)=F[h(t)]
reprezinta factorul de amplificare complex si este modelul neparametric n
domeniul frecventelor. Dupa cum se stie acesta este echivalent cu
caracteristicile de frecventa:

=
=
) j ( W arg ) (
) j ( W ) ( A

sau caracteristicile logaritmice de frecventa:
M(5)

=
=
) j ( W arg ) (
) j ( W lg 20 ) ( A
dB

n cazul multivariabil, n domeniul complex, functia de transfer este
nlocuita de matricea de transfer de dimensiune ny/nu:
W(s)=[W
ij
(s)] nu 1, j , nj 1, i = =
ale carei elemente W
ij
(s) reprezinta functiile de transfer de la intrarile u
j
la
iesirile y
i

atunci cnd toate celelalte marimi de intrare sunt nule. n mod
asemanator, factorul de amplificare complex se nlocuieste cu o matrice ale
carei elemente sunt W
ij
(j).
Pentru descrierea comportarii dinamice a sistemelor n care sunt
disponibile numai valorile esantionate ale marimilor de intrare-iesire se pot
16
utiliza ecuatiile cu diferente n locul ecuatiilor diferentiale. Fie deci un sistem
discret cu intrarea u(t) si iesirea y(t) cu t=0,1,2,... n care este perioada de
esantionare. Pentru simplificarea scrierii vom considera unitar. Ecuatia cu
diferente n cazul unui sistem SISO este, n forma generala, urmatoarea:
(M6) A(q
-1
)y(t)=q
-k
B(q
-1
)u(t)
unde:
A(q
-1
)=1+a
1
q
-1
+...+a
na
q
-na

B(q
-1
)=b
0
+b
1
q
-1
+...+b
nb
q
-nb

iar q
-1
este operatorul de ntrziere, q
-1
y(t)=y(t-1), k este timpul mort exprimat
n numar de perioade de esantionare, polinoamele A(q
-1
) si B(q
-1
) fiind
considerate prime ntre ele.
Conditia necesara ca sistemul sa fie realizabil fizic este k0 (sa
respecte principiul cauzalitatii), na si nb putnd fi n orice relatie. Cum, n
general, u(t) nu actioneaza direct asupra lui y(t) (transmisie instantanee), k ia
valori strict pozitive. Din aceasta cauza, n mod curent vom considera
polinomul B(q
-1
) de forma: B(q
-1
)=b
1
q
-1
+...+b
nb
q
-nb
, avnd termenul liber nul.
Pentru ca sistemul sa fie stabil, polinomul A(q) trebuie sa aiba
radacinile n interiorul cercului unitar (sau, echivalent q
na
A(q
-1
) n exteriorul
cercului unitar), iar daca sistemul are faza minima atunci polinomul B(q
-1
) are
zerourile n afara cercului unitar.
Modelul cu diferente este specificat daca se cunosc indicii de structura
(na, nb), timpul mort (dat de numarul k de intervale de esantionare care ntrzie
actiunea intrarii) si conditiile initiale si este complet specificat daca se cunosc
si parametrii cuprinsi n vectorul:
=[a
1
..a
na
, b
0
..b
nb
]
T
Considernd modelul (M6), acesta poate avea forme particulare si
anume:
a) A(q
-1
)y(t)=q
-k
u(t) - model autoregresiv (AR);
b) y(t)=q
-k
B(q
-1
)u(t) - model de medie alunecatoare (MA), forma
generala fiind de fapt un model autoregresiv si de medie alunecatoare (ARMA).
Denumirea de model autoregresiv provine din faptul ca y(t) este o
combinatie n care intra valorile anterioare ale marimii de iesire y(t-1), y(t-
2),..., iar cea de medie alunecatoare din faptul ca iesirea este o medie ponderata
alunecatoare a intrarii la momente de timp anterioare.
Considernd conditiile initiale nule si aplicnd proprietatile transformatei
z ecuatiei cu diferente (n cazul k=0) obtinem functia de transfer discreta:
(M7)

+
= =
na
1 j
j
j
nb
0 i
i
i
1
z a 1
z b
)] t ( u [ Z
)] t ( y [ Z
) z ( G
n acest caz, secventa de ponderare poate fi interpretata ca fiind
transformata z inversa a f.d.t. discrete h(t)=Z
-1
[G(z
-1
)], altfel spus h(t) se poate
obtine din G(z
-1
) prin mpartire infinita.
17
n cazul multivariabil A(q
-1
) si B(q
-1
) sunt polinoame matriceale de
dimensiuni corespunzatoare, iar G(z
-1
) este o matrice de transfer discreta (ca n
cazul continuu).
Tinnd seama de semnificatia operatorului de ntrziere q
-1
si
explicitnd ecuatia (M6) rezulta:
= ) t ( ) t ( y
T

n care: (t)=[-y(t-1), ..., -y(t-na), u(t-1-k), ..., u(t-nb-k)]
T

=[a
1
..a
na
,b
1
..b
nb
]
T
.
Vectorul (t) contine o parte din evolutia sistemului pna la momentul
(t-1) inclusiv, pe baza careia se poate face predictia marimii de iesire la
momentul t, evident cunoscnd parametrii.
n general un model de forma:
= ) t ( ) t ( y
T

n care y(t) este o cantitate masurabila (iesirea din procesul tehnologic de
exemplu), (t) este un vector n dimensional ale carui elemente sunt cunoscute,
iar este un set de marimi necunoscute (parametri), este un model de regresie
liniara. Elementele vectorului (t) sunt denumite variabile de regresie (sau
regresori), iar y(t) se numeste variabila regresata. Variabila "t" nseamna timpul
n cazurile noastre, dar nu n mod necesar n cazul general. Sunt utile cteva
exemple de modele de regresie n general.
Exemplul 1. Modelarea tendintei unui proces aleator y(t) poate fi
fixata prin polinomul: = + + + = ) t ( t a ..... t a a ) t ( y
T n
n 1 0
unde:
(t)=[t
0
,t
1
,...,t
n
]
T
si =[a
0
...a
n
]
T
.
care este un model de regresie.
Exemplul 2. Modelarea raspunsului indicial al unui sistem liniar ca o
combinatie de exponentiale:
= + + =

) t ( e C .... e C C ) t ( y
T t
n
t
1 0
n 1

unde:
( )
T
n 1 0
t t T
] C ..... C C [ si ] e ,....., e , 1 [ t
n 1
= =

.
Exemplul 3. Modelul (M2) conduce n domeniul timpului discret la
suma de convolutie:
(M8)
( )
0 t ) i t ( u ) i ( h ) t ( u ) i t ( h ) t ( y
t
0 i 0 i
> = =

=

=

n care h(t), t=0,1,... este secventa de ponderare. Pentru sisteme asimptotice
stabile 0 ) t ( h lim
t
=

, n consecinta, pentru astfel de sisteme, secventa de
ponderare poate fi trunchiata la un numar finit (N) de termeni.
Notnd = [h(o),h(1),..,h(N-1)]
T
si (t)=[u(t),...,u(t-N+1)]
T
, rezulta
y(t)=
T
(t), deci tot un model de regresie liniara.
Observatie. Vectorul n cazul unui model de regresie poate
reprezenta fie parametrii, ca n cazul modelului (M6), fie valori ale functiei
18
pondere discrete, ca n cazul modelului (M8).
n numeroase probleme, semnalele aplicate la intrarea unui sistem
constituie realizari ale unor procese aleatoare, asupra carora nu avem dect
informatii cu privire la proprietatile statistice. n cazul unui sistem SISO stohastic,
rezolvarea ecuatiei diferentiale stohastice nseamna, n principiu, determinarea
repartitiei semnalului de iesire atunci cnd se cunoaste repartitia semnalului
aleator de intrare si starea initiala. n cazul general problema este dificil de
rezolvat, nsa, n cazuri particulare (de exemplu cnd intrarea este proces stationar
normal distribuit sau proces Wiener), solutionarea se simplifica considerabil. Un
mod de abordare a unor astfel de ecuatii este transformarea ecuatiei stohastice
ntr-un sistem de ecuatii deterministe n care necunoscutele sunt momentele
generalizate ale marimii de iesire (ecuatia mediei, covariantei etc.). Este evident
ca n cazul unui semnal de intrare de ordinul doi sunt suficiente numai doua astfel
de ecuatii pentru completa caracterizare a iesirii [4], [5].
O altfel de abordare a modelarii unui sistem liniar stohastic, strns
legata de principiul cauzalitatii, este cea care se datoreaza lui Wiener, ce-i
drept, valabila ntr-un caz particular cnd intrarea este un proces aleator
stationar. Fie un sistem liniar caracterizat prin functia pondere h(t). n ipoteza
stationaritatii marimii de intrare u(t) este valabila ecuatia:
(M9) =

d ) t ( r ) ( h ) t ( r
u
0
uy
(vezi anexa 2.2)
n care r
uy
este functia de intercorelatie intrare-iesire, iar r
u
(t) functia de
autocorelatie a intrarii (ecuatia Wiener-Hopf). Modelul (M9) este evident un
model continuu neparametric, similar modelului de convolutie determinist
(M2). n cazul sistemelor liniare cu timp discret, ecuatia Wiener-Hopf devine,
prin discretizarea timpului:
) i t ( r ) i ( h ) t ( r
u
0 i
uy
=

=
.
n domeniul complex, un sistem stohastic poate fi caracterizat prin
intermediul densitatilor spectrale (interspectrale) ale marimilor de intrare-iesire
(vezi anexa 2.1)
(M10)
( )
( ) ) ( S j W ) ( S
) ( S j W ) ( S
u uy
u
2
y
=
=

n care S
u
(), S
y
() sunt densitatile spectrale ale intrarii si respectiv iesirii din
sistem, S
uy
() este densitatea interspectrala intrare-iesire si W(j) este factorul
de amplificare complex al sistemului, presupus liniar.
Majoritatea proceselor tehnologice industriale sunt sisteme cu cel putin
doua intrari, una de comanda si una perturbatoare (fig. 2.2). n principiu,
perturbatia poate actiona oriunde n interiorul procesului, dar, daca sistemul
este liniar, ea poate fi translata pe iesire (fig. 2.2.b).
n cazul n care perturbatia z(t) (zgomotul) influenteaza putin marimea
de iesire y(t) (raport zgomot/semnal nesemnificativ), aceasta poate fi ignorata
n controlul procesului tehnologic, nsa cnd influenta este puternica sau cnd
19

u(t)
z(t)
y(t)
PROCES TEHNOLOGIC
a)
+
+
u(t)
z(t)
y(t)
PROCES TEHNOLOGIC
b)
+
+

Fig. 2.2
performantele impuse marimii de iesire sunt de nivel ridicat atunci trebuie luata
n considerare si calea prin care se propaga perturbatia spre iesire, cu alte
cuvinte este necesar si modelul matematic al caii de zgomot. n acest caz
evolutia marimii de iesire poate fi determinata daca se cunosc modelele celor
doua cai (de control si de zgomot), semnalul de intrare u(t) si caracteristicile
statistice ale zgomotului z(t). Daca perturbatia este un proces aleator cu
densitate spectrala rationala, n conformitate cu teorema factorizarii spectrale
(vezi anexa 2.3), z(t) poate fi interpretat ca fiind iesirea unui filtru rational
stabil si de faza minima la intrarea caruia se aplica zgomot alb e(t) (fig. 2.3).
Daca H(q
-1
) este functia de transfer discreta a acestui filtru, atunci
z(t)=H(q
-1
)e(t), media si matricea de covarianta a zgomotului alb depinznd de
parametrii functiei de transfer discrete H(q
-1
) (model de zgomot).

H(q
1
)
e(t) z(t)

Fig. 2.3
n aceasta situatie, un model cu diferente posibil, n conformitate cu
fig.2.2.b, este:
(M11) y(t)=G(q
-1
,)u(t)+H(q
-1
,)e(t)
cov e(t)=()I
Filtrele G(q
-1
,), H(q
-1
,), ca si matricea de covarianta a zgomotului alb
sunt functii de vectorul parametrilor . Forme particulare ale G(q
-1
) si H(q
-1
)
conduc la modele particulare. Forma cea mai generala, n conformitate cu fig.2.2.a,
este:
M(12)
2 2
1
1
1
1
1
)] t ( e [ M ), t ( e
) q ( D
) q ( C
) t ( u
) q ( F
) q ( B
) t ( y ) q ( A = + =


care este ilustrata n fig.2.4.
u(t)
e(t)
y(t)
B(q
-1
)
F(q
-1
)
C(q
-1
)
D(q
-1
)
1
A(q
-1
)
+
+

Fig.2.4.
20
n acest model polinoamele A(), B(), C(), D(), F() sunt definite astfel:
nf
nf
1
1
1
nd
nd
1
1
1
nc
nc
1
1
1
nb
nb
2
2
1
1
1
na
na
1
1
1
q f ..... q f 1 ) q ( F
q d ..... q d 1 ) q ( D
q c ..... q c 1 ) q ( C
q b ..... q b q b ) q ( B
q a ..... q a 1 ) q ( A





+ + + =
+ + + =
+ + + =
+ + + =
+ + + =

vectorul parametrilor fiind:
[ ]
T
nf 1 nd 1 nc 1 nb 1 na 1
f .... f , d .... d , c .... c , b .... b , a .... a =
Comparnd (M12) cu M(11) constatam ca:
) q ( F ) q ( A
) q ( B
) q ( G
1 1
1
1

= si
) q ( D ) q ( A
) q ( C
) q ( H
1 1
1
1

=
.
Existenta polilor comuni (zerourile polinomului A(q
-1
)) arata faptul ca
perturbatia actioneaza undeva n interiorul procesului tehnologic. Daca gradul
na al polinomului A(q
-1
) este zero, atunci cele doua cai sunt complet separate,
efectul lor manifestndu-se direct asupra iesirii.
Cazuri particulare:
1. nc=nd=nb=nf=0. n acest caz modelul:
(M13) A(q
-1
)y(t)=e(t)
=[a
1
...a
na
]
T

este un model autoregresiv (AR).
2. na=nb=nf=nd=0 - model de medie alunecatoare (MA):
(M14) y(t)=C(q
-1
)e(t)
=[c
1
...c
nc
]
T

3. nb=nf=nd=0 - model autoregresiv si de medie alunecatoare (ARMA):
(M15) A(q
-1
)y(t)=C(q
-1
)e(t)
=[a
1
...a
na
,c
1
...c
nc
]
T

Daca A(q
-1
) contine factorul (1-q
-1
) modelul este denumit autoregresiv
integrat si de mediei alunecatoare (ARIMA). Astfel de modele sunt utilizate n
descrierea perturbatiilor nestationare.
4. nf=nc=nd=0 - model autoregresiv controlat (sau cu marimi exogene)
- ARX:
(M16) A(q
-1
)y(t)=B(q
-1
)u(t)+e(t)
=[a
1
...a
na
,b
1
...b
nb
]
T

5. nd=nf=0 - model autoregresiv si de medie alunecatoare cu marimi
exogene (ARMAX):
(M17) A(q
-1
)y(t)=B(q
-1
)u(t)+C(q
-1
)e(t)
=[a
1
...a
na
,b
1
...b
nb
,c
1
...c
nc
]
T

6. nf=nc=0 - model autoregresiv ARARX:
21
(M18) ) t ( e
) q ( D
1
) t ( u ) q ( B ) t ( y ) q ( A
1
1 1


+ =
=[a
1
...a
na
,b
1
...b
nb
,c
1
...c
nc

]
T


Denumirea ARARX se refera la faptul ca perturbatia este modelata ca
un proces autoregresiv, iar dinamica sistemului este descrisa de un model
ARX; cu alte cuvinte, daca notam ( ) ) t ( e
) q ( D
1
t v
1
= , modelul devine :

=
+ =


AR) (model ) t ( e ) t ( v ) q ( D
ARX) (model ) t ( v ) t ( u ) q ( B ) t ( y ) q ( A
1
1 1

Avantajul unui astfel de model va fi pus n evidenta n aplicarea
metodei celor mai mici patrate generalizate. n cazul multivariabil polinoamele
A(q
-1
), B(q
-1
), C(q
-1
), D(q
-1
) si F(q
-1
) sunt nlocuite cu polinoame matriceale de
dimensiuni corespunzatoare.
2.3. Modele de stare
Forma generala a ecuatiilor de stare pentru un sistem liniar continuu
determinist multivariabil este urmatoarea:
(M19)

+ =
+ =
) t ( Du ) t ( Cx ) t ( y
) t ( Bu ) t ( Ax ) t ( x
&

n care x(t) este vectorul variabilelor de stare (n/1), y(t) este vectorul iesirilor
(ny/1), u(t) este vectorul intrarilor (nu/1), A este matricea sistemului (n/n), B
este matricea de distributie (n/nu), C este matricea de iesire (ny/n), D este
matricea intrare-iesire (ny/nu).
Pentru sistemele care nu au transfer direct intrare-iesire, matricea D
este nula, modelul fiind:
M(20)

=
+ =
) t ( Cx ) t ( y
) t ( Bu ) t ( Ax ) t ( x
&

Matricea de transfer se poate obtine, n conditii initiale nule, prin relatia:
W(s)=C(sI-A)
-1
B.
n cazul discret, modelul de stare devine:
(M21)

=
+ = +
) t ( Cx ) t ( y
) t ( Bu ) t ( Ax ) 1 t ( x

iar functia de transfer discreta W(z)=C(zI-A)
-1
B.
Si ntr-un caz si n celalalt, matricea de transfer nu este afectata de o
transformare liniara a variabilelor de stare, mai mult, ea reprezinta numai partea
complet controlabila si complet observabila a sistemului, deci numai partea
care poate fi determinata din datele intrare-iesire.
Reciproc, pentru o aceeasi caracterizare intrare-iesire (aceeasi matrice
de transfer) exista mai multe reprezentari de stare, care difera prin transformari
liniare. Cum vectorul parametrilor este alcatuit din elementele matricelor A, B,
22
C rezulta neunicitatea reprezentarii de stare. Desigur, exista transformari care
sa conduca la modele de stare cu numar minim de parametri (forme canonice)
care sunt identificabile din date intrare-iesire (de exemplu forma companion).
n cazul sistemelor stohastice liniar continue, forma generala a
ecuatiilor de stare este:
(M22)

+ + =
+ + =
) t ( w ) t ( Du ) t ( Cx ) t ( y
) t ( v ) t ( Bu ) t ( Ax ) t ( x
&

Fata de cazul determinist apar marimile v(t) si w(t) care sunt procese
aleatoare independente avnd valorile medii nule si matricele de covarianta R
v

si respectiv R
w
. n cazul discret, modelul devine:
(M23)

+ + =
+ + = +
) t ( w ) t ( Du ) t ( Cx ) t ( y
) t ( v ) t ( Bu ) t ( Ax ) 1 t ( x
t=0,1,2,..
Ca si n cazul determinist, nu toti parametrii pot fi estimati din datele
de intrare-iesire. Prin aducere la forme canonice poate fi redus numarul
parametrilor matricelor A, B, C (D= n majoritatea cazurilor). Ramne nsa
problema reducerii parametrilor ce caracterizeaza perturbatiile. Daca R
v
>0 si
v(t) si w(t) sunt procese aleatoare cu densitate spectrala rationala, atunci
modelele (M22), (M23) pot fi transformate n:
(M24)

+ =
+ + =
) t ( e ) t ( x C
~
) t ( y
) t ( Ke ) t ( u B
~
) t ( x A
~
) t ( x
&

(M25)

+ =
+ + = +
) t ( e ) t ( x C
~
) t ( y
) t ( Ke ) t ( u B
~
) t ( x A
~
) 1 t ( x

care sunt numite reprezentari prin inovatii, deoarece e(t) sunt inovatiile marimii
de iesire y(t), e(t) este partea nepredictibila, noua, a marimii de iesire care se
adauga la partea deductibila prin cunoasterea starii x(t). Modelele (M22),
(M23) sunt echivalente cu (M24), (M25) n virtutea teoremei de filtrare a lui
Kalman nsa reprezentarile (M24), (M25) nu sunt unice n sensul ca exista mai
multe matrice K pentru care se obtine echivalenta. Unicitatea se poate obtine
impunnd restrictia ca matricea (A-KC) sa aiba toate valorile proprii n
interiorul cercului unitar, ceea ce asigura stabilitatea filtrului Kalman. n acest
caz matricea K poate fi interpretata ca amplificarea stationara a filtrului
Kalman asociat modelului (M22).
2.4. Conceptul de identificabilitate
Un sistem (S) poate fi descris, asa cum am aratat n paragraful anterior,
n mai multe moduri, sau, altfel spus, cu ajutorul diferitelor clase de modele.
Fie de exemplu modelul (M2) pentru un sistem liniar continuu si determinist:
. d ) ( u ) t ( h ) t ( y
t
=



n legatura cu acesta se pot formula trei probleme:
23
1. Cunoscnd semnalul de intrare u(t) si functia pondere sa se deduca
marimea de iesire y(t), ceea ce nseamna de fapt rezolvarea integralei de
convolutie. Astfel de situatii apar frecvent n analiza sistemelor.
2. Cunoscnd semnalul de iesire si functia pondere sa se deduca
semnalul de intrare u(t), care este problema reconstituirii intrarii. Astfel de
probleme apar frecvent n comunicatii cnd semnalul receptionat y(t) nu
coincide cu semnalul emis deoarece acesta din urma este deformat de mediul
prin care se propaga. Cunoscnd modelul de propagare prin mediul respectiv si
semnalul receptionat se poate reconstitui semnalul emis (problema
deconvolutiei semnalelor).
3. Cunoscnd semnalele de intrare si iesire sa se deduca functia
pondere. Aceasta este de fapt o problema de identificare care se poate formula
indiferent de clasa de modele considerata.
Desigur, aceasta ultima problema ne intereseaza n mod deosebit si ea
impune inevitabil urmatoarele ntrebari:
- n ce conditii problema are solutie?
- daca problema admite solutie, aceasta este sau nu unica?
- n ce masura o solutie gasita (un model) reprezinta sistemul ale carui
date de intrare-iesire le-am utilizat n identificare?
Raspunsul la primele doua ntrebari este strns legat de clasa de modele
aleasa si de proprietatea semnalului de intrare n sistem de a pune n evidenta
caracteristicile dinamice ale unui sistem. O clasa de modele este de exemplu
(M12), un model din aceasta clasa corespunznd unor indici de structura na,
nb, nc, nd, nf precizati. Evident, o clasa de modele are o infinitate de modele,
numai unele din ele fiind adecvate sistemului, daca astfel de modele pot fi
obtinute. Alegerea clasei de modele este strns legata de informatiile apriorice
asupra sistemului si de scopul modelarii. Daca nu dispunem de informatii
apriorice recurgem la ipoteze asupra sistemului pe baza carora alegem modelul,
ipoteze care, evident, trebuie verificate.
n afara de acesta n alegerea clasei de modele trebuie sa tinem seama
si de urmatorii factori:
- flexibilitatea modelului n descrierea diferitelor sisteme dinamice;
- economicitatea modelului, care consta n capacitatea de a descrie
dinamica sistemului, modelul continnd un numar ct mai mic de parametri;
- complexitatea algoritmilor de estimare a parametrilor modelului.
Aceeasi metoda de estimare a parametrilor din datele de intrare-iesire conduce
la algoritmi de complexitate diferita, n functie de clasa de modele aleasa.
- proprietatile statistice ale estimatorilor parametrilor.
Este clar ca nu orice date de intrare-iesire permit determinarea unui
model dinamic al unui sistem. De exemplu, daca semnalul de intrare ntr-un
sistem liniar stabil cu parametri constanti este constant, atunci si iesirea este
constanta. n acest caz, din datele intrare-iesire nu putem deduce dect un punct
de pe caracteristica statica, respectiv factorul de amplificare al sistemului.
Pentru a pune n evidenta caracteristicile dinamice este necesar ca intrarea sa
24
aiba o anumita varianta. Capacitatea unui semnal de a pune n evidenta
dinamica sistemului este legata de notiunea de persistenta a semnalului, care va
fi discutata ntr-un alt capitol. Trebuie remarcat ca n multe cazuri marimile de
intrare n sistemul (procesul tehnologic) n functionare normala nu ndeplinesc
aceasta cerinta. n aceasta situatie pentru identificare este necesara aplicarea
unor semnale exterioare de proba care au calitatile de persistenta necesare,
binenteles daca sistemul permite aceasta.
n ceea ce priveste unicitatea solutiei si ea este legata att de modelul
ales ct si de sistemul de identificat asupra caruia avem sau nu informatii
apriorice. Pentru a formaliza problema trebuie sa introducem ipoteze asupra
sistemului adevarat, care este de fapt mecanismul generator al datelor de
intrare-iesire.
Sa presupunem, de exemplu, ca sistemul S este liniar, discret n timp,
avnd ca perturbatie un proces aleator cu densitate spectrala rationala. Atunci
el poate fi descris de ecuatia:
(S)
( ) ( )

=
+ =


I ) t ( e Cov
t e ) q ( H t u ) q ( G ) t ( y
2
1 1

avnd
*
vectorul parametrilor adevarati (coeficientii functiilor de transfer G
*
(q
-1
)
si H
*
(q
-1
)), iar
*2
dispersia zgomotului alb e(t). Numarul si valorile parametrilor
adevarati sunt necunoscute, ca si
*2
de altfel.
Cu aceasta ipoteza este rationala alegerea clasei de modele (M12):
(M)
( ) ( )

=
+ =

I ) t ( e Cov
t e ) q ( H t u ) q ( G ) t ( y
2
1 1

cu vectorul al parametrilor si dispersia
2
a zgomotului care trebuie
determinate din datele de intrare-iesire printr-o anume metoda de estimare.
Numarul parametrilor depinde de indicii de structura deci de gradele
polinoamelor f.d.t. G(q
-1
) si H(q
-1
). Pentru o structura precizata, clasa de modele
(M) contine o infinitate de modele, n functie de valorile parametrilor , astfel
nct este posibil sau nu ca vectorul sa coincida cu valorile adevarate
*
.
Daca definim multimea valorilor parametrilor modelului pentru o
structura precizata astfel:
{ }
2 2 1 1 1 1
), q ( H ) q ( H ); q ( G ) q ( G ) M , S ( D

=
ea reprezinta acei parametri pentru care structura precizata a modelului
reprezinta perfect sistemul.
Totusi, n functie de structura, putem avea urmatoarele situatii:
1. D(S,M) este vida. Aceasta nseamna ca pentru structura aleasa a
modelului nu putem obtine concordanta perfecta ntre model si sistem. Se poate
spune ca modelul contine prea putini parametri pentru a descrie adecvat
sistemul. Un astfel de model se numeste subparametrizat.
2. D(S,M) contine un singur element. Este evident ca acesta este cazul
ideal, elementul fiind chiar vectorul valorilor adevarate ale parametrilor.
25
3. D(S,M) contine mai multe elemente. Aceasta nseamna ca exista mai
multe modele care dau o descriere perfecta a sistemului. Este cazul n care
modelul este mai complicat dect sistemul, altfel spus contine mai multi
parametri dect sistemul (model supraparametrizat).
De remarcat ca n identificare pot fi luate n considerare toate cazurile
posibile, nu numai cazul ideal, luarea unei decizii n acest sens fiind strns
legata de scopul identificarii. Astfel, daca scopul identificarii unui proces
tehnologic este determinarea unui regulator PID care sa mbunatateasca
performantele sistemului, este suficient un model de ordinul doi, chiar daca
procesul tehnologic, presupus liniar, este n realitate de ordin mai mare.
Exemplul 2.1. Presupunem sistemul (procesul tehnologic) descris de
ecuatiile:(S)

=
+ =


I ) t ( e Cov
) t ( e ) q ( C ) t ( u ) q ( B ) t ( y ) q ( A
2
1 1 1




+ + + =
+ + =
+ + + =
nc
nc
1
1
1
nb
nb
1
1
1
na
na
1
1
1
q c .... q c 1 ) q ( C
q b .... q b ) q ( B
q a .... q a 1 ) q ( A

polinoame presupuse prime ntre ele (nu au un factor polinomial comun).
De asemenea, consideram clasa de modele:
(M)

=
+ =

I ) t ( e Cov
) t ( e ) q ( C ) t ( u ) q ( B ) t ( y ) q ( A
2
1 1 1

cu:

nc
nc
1
1
1
nb
nb
1
1
1
na
na
1
1
1
q c .... q c 1 ) q ( C
q b .... q b ) q ( B
q a .... q a 1 ) q ( A



+ + + =
+ + =
+ + + =

n acest caz multimea D(S,M) devine:
( )

= = = =



;
) q ( A
) q ( C
) q ( A
) q ( C
;
) q ( A
) q ( B
) q ( A
) q ( B
M , S D
1
1
1
1
1
1
1
1

sau, echivalent:
( )

= =

) q ( C
) q ( C
) q ( B
) q ( B
) q ( A
) q ( A
; M , S D
1
1
1
1
1
1

Daca presupunem na<na
*
, nb<nb
*
, nc<nc
*
, un rationament simplu
conduce la contrazicerea faptului ca polinoamele A
*
, B
*
, C
*
ar fi prime ntre ele.
Sirul de egalitati este posibil daca nana
*
, nb nb
*
si nc nc
*
sau, echivalent:
n
*
=min(na-na
*
, nb-nb
*
, nc-nc
*
)0.
n acest caz este evident ca:
26
) q ( L
) q ( C
) q ( C
) q ( B
) q ( B
) q ( A
) q ( A
1
1
1
1
1
1
1

=

unde L(q)=1+l
1
q
-1
+...+l
n
q
-n*
este un polinom de grad n
*
cu coeficienti arbitrari.
Sirul de egalitati este echivalent cu sistemul:

=
=
=



) q ( L ) q ( C ) q ( C
) q ( L ) q ( B ) q ( B
) q ( L ) q ( A ) q ( A
1 1 * 1
1 1 * 1
1 1 * 1

ceea ce arata ca n acest caz polinoamele modelului sunt "proportionale" cu
cele adevarate. Astfel daca n
*
>0, exista o infinitate de solutii ale problemei,
obtinute pentru diferitele valori ale coeficientilor polinomului L(q
-1
). Daca
n
*
=0, atunci L(q
-1
)=1 si problema are solutie unica. Conditia n
*
=0 arata ca cel
putin unul din polinoamele A, B, C are acelasi grad ca polinomul corespunzator
al sistemului.
n concluzie, pentru un model ARMAX, daca structura este aleasa
astfel nct:
a) n
*
<0, atunci multimea D(S,M) este vida;
b) n
*
=0, atunci multimea D(S,M) are un singur element;
c) n
*
>0, atunci multimea D(S,M) are o infinitate de elemente.
Consideratii similare se pot face si relativ la alte clase de modele
parametrice. Despre neunicitatea solutiei n cazul modelelor de stare am
discutat n paragraful anterior.
Din cele de mai sus rezulta legatura dintre conceptul de
identificabilitate si conceptele de sistem (S), model (M), conditiile
experimentale (E) - care se refera de fapt la calitatea datelor de intrare-iesire
din sistem - precum si de metoda de estimare a parametrilor (I) sau de
solutionare propriu-zisa a identificarii pentru un model de structura data. Daca
este vectorul parametrilor unui model ales si

este valoarea acestui vector


dedusa din datele de intrare-iesire concrete, este evident ca

(S,M,I,E,N),
adica este functie de sistem, model, metoda de estimare, conditii experimentale
si de N care reprezinta volumul datelor experimentale.
Definitia 1. Se spune ca un sistem S este sistem identificabil si se
noteaza SI(M,I,E) daca:
) M , S ( D ) N , E , I , M , S (
. p . c

)
cnd N
D(S,M) nefiind vida.
Daca D(S,M), atunci el reprezinta acea valoare a parametrilor unui
model care descrie exact sistemul. Rezulta din definitie ca un sistem este
identificabil daca exista un estimator
)
care sa convearga n probabilitate la o
valoare care da o descriere exacta a sistemului.
Definitia 2. Un sistem S se numeste sigur identificabil (SSI) daca este
identificabil oricare ar fi structura modelului M pentru care D(S,M) nu este vida.
27
Definitia 3. Un sistem S se numeste parametric identificabil
SPI(M,E,I) daca este sigur identificabil, iar multimea D(S,M) contine un singur
element.
Importanta unuia sau altuia dintre conceptele enuntate anterior depinde
de tipul de aplicatie avut n vedere. Astfel, daca scopul identificarii este
proiectarea unui sistem de reglare atunci este suficient ca sistemul sa fie
identificabil. Daca se doreste nsa determinarea valorilor unor parametri
(constante de material, de exemplu), atunci este necesar ca sistemul sa fie
parametric identificabil.



Bibliografie
[1] Sderstrm T., Stoica P. - System Identification, Prentice Hall, 1989.
[2] Tertisco M., Stoica P. - Identificarea si estimarea parametrilor sistemelor,
Ed. Academiei, 1980.
[3] Eykhoff P. - Identificarea sistemelor, Editura tehnica, 1977.
[4] Astrom J.K. - Introduction to Stochastic Control Theory, Academic Press,
1970.
[5] Jazwinski A. - Stochastic Process and Filtering Theory, Academic Press,
1970.
[6] Puscasu Gh., Stancu A. Tehnici de identificare a sistemelor Teorie si
aplicatii, Matrix Rom Bucuresti 2001.
28
CAPITOLUL 3
Semnale de intrare
Semnalul de intrare, alaturi de modelul ales si de abordarea problemei de
estimare, conditioneaza n mod esential rezultatele oricarui experiment de
identificare. Proiectarea si analiza semnalelor de intrare s-au dezvoltat n paralel
cu studiul algoritmilor de identificare. Primele proceduri de identificare se bazau
pe o aparatura de calcul modesta, tehnicile numerice de prelucrare a datelor
experimentale fiind aprioric respinse. n consecinta s-a cautat ca prin aplicarea
unor semnale de intrare speciale (de proba) sa se obtina informatii, uneori direct
utilizabile, despre proces. De regula, utilizarea unui semnal de proba conduce
exclusiv la determinarea unui model neparametric pentru proces, ceea ce
constituie un dezavantaj important, modelele neparametrice fiind greu de utilizat
n proiectarea unui sistem de reglare. Totusi, de la modelul neparametric se
poate face o trecere la unul parametric, desi aceasta schimbare de reprezentare
poate amplifica erorile de determinare a modelului neparametric.
Dezvoltarea tehnicii de calcul a facut posibila aplicarea unor metode de
identificare a caror utilizare nu este conditionata de un tip special de semnal de
proba, desi aceasta implica algoritmi relativ complicati.
Semnalele de proba utilizate sunt fie deterministe fie aleatoare, fiecare
din acestea avnd avantaje si dezavantaje.
Semnalele deterministe reprezinta marimi a caror evolutie n timp este
predictibila, ntruct la baza generarii lor stau legi deterministe. Precizia
metodelor care folosesc semnale de proba deterministe este conditionata n mare
masura de prezenta perturbatiilor care se suprapun peste raspunsul la semnalul
de proba aplicat. Aceasta dificultate a condus la adoptarea tot mai frecventa a
semnalelor de proba aleatoare si a metodelor de masurare si de prelucrare ale
acestora. Principial metodele de identificare cu semnale aleatoare se bazeaza pe
masurarea functiilor de corelatie sau a functiilor de densitate spectrala, care
permit deducerea unui model al procesului. Prin tehnicile de corelatie se elimina
efectele perturbatiilor, semnalele de proba nefiind corelate cu acestea. Semnalele
aleatoare pot fi usor suprapuse peste marimile curente din functionarea normala
a procesului, cu conditia ca media lor sa fie nula si dispersia suficient de mica
pentru a nu deranja functionarea normala. Totusi, generarea semnalelor aleatoare
de tipul zgomotului alb este dificila, preferndu-se semnalele de tipul celor
pseudoaleatoare binare care permit utilizarea avantajoasa a tehnicilor numerice.
n cele ce urmeaza vom trece n revista modurile de descriere
matematica ale semnalelor deterministe si aleatoare, insistnd asupra acelora
care sunt frecvent utilizate n diferitele tehnici de identificare.
3.1. Descrierea matematica a semnalelor deterministe
Baza modelarii si estimarii parametrilor consta n descrierea matematica
a relatiilor dintre unele functii de timp (seturi de date), de intrare si de iesire din
proces. La alegerea tipului de descriere care se va folosi pentru semnale trebuie
29
sa tinem seama de doua aspecte ale reprezentarii lor si anume:
- expunerea atributelor purtatoare de informatii ale semnalelor;
- procurarea mijloacelor pentru studierea proprietatilor de transfer ale
proceselor.
Semnalele care intervin n procedurile de identificare pot fi continue sau
esantionate. Aceasta se refera la reprezentarea informatiei n functie de timp.
n numeroase situatii esantionarea semnalelor este utila atunci cnd procesul de
informare este intermitent sau cnd se foloseste o alocare de timp pentru un
canal de informatie. Prin esantionare se genereaza, dintr-o functie de timp x(t), o
secventa de valori esantionate care pot fi reprezentate ca vector:
f[t]=[x[1],x[2],...x[N]]
T

Problema aproximarii semnalelor intervine n sit uatii de o mare
diversitate, multitudinea formularilor si metodelor de rezolvare asociate
constituind o reflectare directa a acestei diversitati. n aplicatiile de calcul sunt
cunoscute doar valorile esantionate corespunzatoare. Pentru a sintetiza
informatia asupra semnalului esantionat si a o putea utiliza eficient n calcule, se
impune aproximarea lui printr-un model (functie continua), ) , t ( f , care depinde
n general de un numar de parametri ajustabili, cuprinsi n vectorul . Forma
functiei ) , t ( f si valorile parametrilor trebuie determinate astfel nct
semnalul discret f[t] sa fie aproximat optim ntr-un anumit sens. Alegerea formei
concrete a modelului este o problema netriviala si ea trebuie sa aiba la baza o
fundamentare riguroasa.
Pentru a putea determina practic valorile optime ale parametrilor
modelului trebuie definita o functionala care sa reflecte gradul n care modelul
selectat aproximeaza semnalul esantionat f[t] pentru o alegere particulara a
parametrilor. O masura sugestiva a abaterii modelului fata de semnalul
esantionat este data de distanta dintre cele doua functii, )). , t ( f ), t ( f ( d
Definitia 1. O functie reala f(t) definita pe [a,b] este de patrat integrabil
pe [a,b] daca exista integrala:
dt ) t ( f
b
a
2

.
Multimea functiilor de patrat integrabil se noteaza L
2
. Norma unei
functii f(t)L
2
pe intervalul [a,b] este, prin definitie:

b
a
2
dt ) t ( f ) t ( f .
Definitia 2. Daca f(t)L
2
si g(t)L
2
atunci integrala:
( ) dt ) t ( g ) t ( f g , f
b
a


se numeste produs scalar sau produsul interior al functiilor f(t) si g(t). Definitia 2
poate fi generalizata prin includerea unei functii de ponderare reale continue
nenegative, p(t), obtinnd:
( ) dt ) t ( p ) t ( g ) t ( f g , f
b
a


Pe baza notiunii de produs scalar se poate defini o distanta ntre functiile
30
f(t) si g(t) , de forma:
( ) ( )

b
a
2
dt ) t ( g ) t ( f g f , g f ) t ( g ) t ( f )) t ( g ), t ( f ( d
Aproximarea pe baza acestei distante este numita aproximare n medie
patratica si este utilizata n doua dintre cele mai importante metode de modelare
a functiilor esantionate: interpolare si regresie.
Daca valorile esantionate { }
N , 1 i
] i [ x

sunt considerate exacte (neafectate
de erori), este firesc sa se impuna anularea distantei functiilor f[t] si f(t,), adica:
0 )) , t ( f ], t [ f ( d
Aceasta revine la determinarea unui model, apartinnd unei anumite
clase, care n punctele esantionate sa ia aceleasi valori ca semnalul modelat:
[ ] N , 1 t ], t [ x , t f
Un astfel de model poarta denumirea de functie de interpolare sau
interpolant, iar procedeul se numeste interpolare. Daca argumentele pentru care
se evalueaza interpolantul se afla n afara intervalului N , 1 procedeul se numeste
extrapolare. Daca valorile esantionate provin din observatii, ele sunt n general
afectate de erori de masura, imprecizia fiecarei valori fiind specificata, de obicei,
prin deviatia standard asociata. n astfel de cazuri, modelul este cu att mai bun
cu ct sunt mai elaborate considerentele pe baza carora i s-a stabilit forma (cu
ct modelul este mai putin empiric). Avnd n vedere imprecizia datelor, nu este
de asteptat ca modelul sa interpoleze valorile esantionate (chiar daca acest lucru
este teoretic posibil) si este deci firesc sa se impuna minimizarea distantei
)) , t ( f ], t [ f ( d n raport cu valorile parametrilor si nu anularea ei riguroasa ca n
cazul interpolarii, adica:
min )) , t ( f ], t [ f ( d
Practic, aceasta revine la determinarea parametrilor ai modelului,
apartinnd unei anumite clase, care minimizeaza suma abaterilor patratice ale
modelului fata de valorile masurate:
( ) ( ) ( ) dt , t f ) t ( x min arg V min arg

2
b
a



(1)
Acest procedeu se numeste regresie sau ajustare prin metoda celor mai
mici patrate. Functionala V() se numeste functie de merit a procesului de
ajustare. Cresterea fara justificare teoretica clara a numarului de parametri ai
modelului n ideea descrierii ct mai exacte a datelor nu face modelul "mai bun"
chiar daca reduce valoarea functiei de merit si poate conduce la aparitia unor
fenomene numerice greu de controlat.
Aproximarea continua n sensul celor mai mici patrate
n cazul regresiei liniare se pune problema ajustarii n raport cu setul de
valori masurate a unui model care se prezinta ca o combinatie liniara a unor
functii arbitrare de t:
( ) [ ]
m 1 0
T
m
0 i
i i
a ... a a ; ) t ( F a , t f

(2)
31
Caracterul liniar al modelului se manifesta numai n raport cu cei m+1
coeficienti a
i
, care intervin ca parametri ai combinatiei liniare. Functiile F
i
(t),
numite si functii de baza, au forma fixa, n sensul ca nu depind de parametrii
modelului, si pot fi neliniare n raport cu t. Ca exemple concrete de functii de
baza se pot mentiona functiile
i
i
t ) t ( F , care stau la baza regresiei polinomiale.
Ca parametri optimi ai modelului sunt considerati acei parametri care
minimizeaza functia de merit, conditiile de minim fiind exprimate de anularea
derivatelor functiei V() n raport cu parametrii a
i
:

( )
. 0 dt ) t ( F ) t ( F a ) t ( x 2
a
a ,..., a a V
k
b
a
m
0 i
i i
k
m 1 0

,
_

(3)
Rearanjnd termenii se obtine asa-numitul sistem de ecuatii normale al
problemei de ajustare multiliniara:


m
0 i
b
a
k
b
a
k i i
m , 0 k , dt ) t ( F ) t ( x dt ) t ( F ) t ( F a (4)
care are ca solutie parametrii optimi ai modelului.
Observatii:
1. Metoda celor mai mici patrate poate fi aplicata n principiu pentru
ajustarea oricarui model, dar conduce n general la sisteme de ecuatii neliniare
pentru determinarea parametrilor modelului. n asemenea cazuri procedeul se
numeste regresie neliniara, iar algoritmii de rezolvare corespunzatori prezinta un
grad de complexitate relativ ridicat. Spre deosebire de cazul regresiei liniare,
unde determinarea parametrilor modelului se efectueaza ntr-un singur pas prin
rezolvarea unui sistem de ecuatii liniare, n cazul regresiei neliniare procedeul
rafineaza iterativ parametrii modelului pornind de la un set de valori initiale.
2. Sistemul de ecuatii normale poate fi exprimat si cu ajutorul notiunii de
produs scalar, definita anterior :

( ) ( ) ( ) ( )
( ) ( ) ( ) ( )
( ) ( ) ( ) ( )

'

+ + +
+ + +
+ + +
m m m m 1 m 1 0 m 0
1 m 1 m 1 1 1 0 1 0
0 m 0 m 1 0 1 0 0 0
F , x F , F a ...... F , F a F , F a
.... .......... ..........
F , x F , F a ...... F , F a F , F a
F , x F , F a ...... F , F a F , F a
(5)
3. Sistemul normal este simetric, produsele scalare fiind comutative, dar
n general rau conditionat. De aceea se prefera aducerea acestuia la forme
particulare prin utilizarea de functii ortogonale. Mai mult, utilizarea functiilor
ortogonale permite obtinerea directa a solutiilor sistemului normal.
Definitia 3. Un sir finit de functii de patrat integrabil pe [a,b],
( ) { }
n , 0 i
i
t

, se numeste ortogonal pe [a,b] daca:

'

>

j i 0
j i 0
dt ) t ( ) t ( ) , (
i
2
i
j
b
a
i j i

Daca toti
i
=1, atunci sistemul ( ) { }
n , 0 i
i
t

se numeste sistem ortonormat.
32
Orice sistem ortogonal poate fi normat prin raportarea functiilor la norma
corespunzatoare astfel nct sistemul { }
n , 0 i
i i
) t ( ) t (

. este ortonormat.
Definitia 4. Un sistem de functii de patrat integrabil ( ) { }
n , 0 i
i
t

este
ortogonal pe [a,b] cu ponderea p(t) daca:

'

>

j i 0
j i 0
dt ) t ( p ) t ( ) t ( ) , (
i
j
b
a
i j i

Definitia 5. Dat fiind un sistem ortogonal de functii ( ) { }
n , 0 i
i
t

si o
functie f(t)L
2
pe [a,b], atunci numerele:
( )

b
a
2
i
b
a
i
2
i
i
i
dt ) t (
dt ) t ( ) t ( f
) t (
) t ( ), t ( f
C
se numesc coeficienti Fourir ai functiei f(t) n raport cu sistemul ( ) { }
n , 0 i
i
t

.
Daca sistemul este ortonormat atunci coeficientii Fourir sunt C
i
=(f(t),
i
(t)).
Daca un semnal oarecare x(t) este aproximat printr-o combinatie liniara
finita de functii ortogonale, n sensul minimizarii erorii medii patratice


m
0 i
i i
) t ( C ) , t ( f ) t ( x (6)
atunci, tinnd cont de proprietatile functiilor ortogonale (Definitiile 3, 4),
sistemul de ecuatii normale (5) devine un sistem diagonal:
.
( ) ( )
( ) ( )
( ) ( )

'




m m m m
1 1 1 1
0 0 0 0
, x , C
.... .......... ..........
, x , C
, x , C
(7)
avnd ca solutii coeficientii Fourir ai functiei f(t) n raport cu sistemul
( ) { }
n , 0 i
i
t

.

( )

b
a
2
i
b
a
i
2
i
i
i
dt ) t (
dt ) t ( ) t ( x
) t (
) t ( ), t ( x
C

(8)
De observat ca valoarea lui
i
C


nu depinde de m, deci de numarul
functiilor ortonormate din setul utilizat. n consecinta, o mbunatatire a
aproximatiei prin numarul de functii nu modifica coeficientii determinati anterior.
Evident ca si atunci cnd parametrii modelului sunt tocmai coeficientii
Fourir ai semnalului x(t) n raport cu sistemul ortogonal de functii, eroarea
medie patratica de aproximare este minima.
Eroarea medie patratica (1) poate fi exprimata si cu ajutorul produsului
scalar utilizat:
33

( ) ( ) ( ) ( )
0 ) ) t ( C , ) t ( C ( ) ) t ( C , x ( 2 ) x , x (
) f , f ( ) f , x ( 2 ) x , x ( f x , f x dt , t f ) t ( x V
m
0 i
i i
m
0 i
i i
m
0 i
i i
2
b
a
> +
+


(9)
Tinnd seama de proprietatile de ortonormalitate a functiilor
i
(t) si de
definitia coeficientilor C
i
, minimul erorii medii patratice este:
( ) 0 C dt ) t ( x C )) t ( , x ( C 2 ) x , x ( V
m
0 i
2
i
b
a
2
m
0 i
2
i i
m
0 i
i
> +



(10)
sau

m
0 i
2
i
b
a
2
C dt ) t ( x (Inegalitatea lui Bessel) (11)
Prin generalizare, daca aproximarea se face cu o serie de functii
ortonormale


0 i
i i
) t ( C ) t ( x (12)
eroarea medie patratica tinde la zero, si n consecinta:

0 i
2
i
b
a
2
C dt ) t ( x (Egalitatea lui Parseval). (13)
Aproximarea discreta n sensul celor mai mici patrate
Metodologia de aproximare prezentata nu poate fi utilizata dect atunci
cnd se cunoaste expresia analitica a semnalului x(t). n aproximarea discreta n
sensul celor mai mici patrate, nsa, semnalul este cunoscut prin valorile
esantionate. n aceste conditii, produsul scalar si norma se definesc:

( )

N
1 t
] t [ p ] t [ g ] t [ f g , f (14)
respectiv

N
1 t
2
] t [ p ] t [ f ) t ( f (15)
Si n acest caz aproximarea discreta n sensul celor mai mici patrate
exista si este unica, de forma:

( )

N
1 t
2
i
N
1 t
i
2
i
i
i
] t [ p ] t [
] t [ p ] t [ ] t [ x
) t (
) t ( ), t ( x
C

(16)
Pornind de la un set independent de functii de baza ] t [ F ],.... t [ F ], t [ F
m 1 0

totdeauna se poate dezvolta un set de functii ortogonale ] t [ ],.... t [ ], t [
m 1 0

prin utilizarea algoritmului de ortogonalizare Gramm-Schmidt.
Forma generala a functiilor ortogonale este:
]) t [ h ...... ] t [ h ] t [ h ( ] t [ F ] t [
0 0 , i 2 i 2 i , i 1 i 1 i , i i i
+ + +

(17)
34
Determinarea succesiva a scalarilor
j , i
h se face astfel nct fiecare
functie ] t [
i
sa fie ortogonala pe ] t [ ],.... t [ ], t [
1 i 1 0
. Pentru a stabili relatiile
de calcul al coeficientilor ponderali
j , i
h , se nmulteste relatia (17) cu polinomul
] t [
j
, se sumeaza si, tinnd cont de conditia de ortogonalitate, se obtine:
1 i , 0 j ;
] t [
] t [ ] t [ F
h
N
1 t
2
j
N
1 t
j i
j , i

(18)
n acest fel, daca se considera ] t [ F ] t [
0 0
, n baza relatiilor (17)-(18),
se poate dezvolta, recurent, un set de functii ortogonale folosindu-se datele
experimentale disponibile.
Seturi uzuale de functii ortogonale utilizate n aproximarea semnalelor
Dupa cum am vazut, notiunile de ortogonalitate si ortonormalitate pot fi
extinse prin introducerea unei functii de ponderare. Aceasta ofera posibilitatea
de a accentua ntr-un fel predeterminat contributiile la eroarea medie patratica.
O familie de functii ortogonale, Q
i
(t), se defineste n mod unic n raport
cu un interval de ortogonalitate [a,b] si o functie pondere. n acest fel, o functie
f(t) poate fi dezvoltata ntr-o serie de functii ortogonale de forma:

b
a
3
i
b
a
i
i
0 i
i i
dt ) t ( p ) t ( Q
dt ) t ( p ) t ( Q ) t ( f
C

; ) t ( Q C

) t ( f (19)
Daca seria este rapid convergenta atunci functia se poate aproxima
printr-o dezvoltare limitata:
; ) t ( Q C

) t ( f
m
0 i
i i

(20)
Analiza semnalului presupune exprimarea acestuia sub forma (20). Sunt
cunoscute numeroase functii ce satisfac conditia de ortogonalitate, utilizabile n
analiza semnalelor (Legendre, Laguerre, Hermite, Cebsev etc). O astfel de
analiza este denumita uneori analiza Fourir, cu precizarea suplimentara a tipului
de functii folosite. De exemplu analiza Fourir-Legendre este de fapt o analiza
polinomiala, efectuata cu ajutorul polinoamelor ortogonale Legendre.
Functiile ortogonale satisfac un numar de relatii generale avnd aceeasi
forma. Una din cele mai importante relatii din aceasta categorie este ecuatia
diferentiala de ordin doi a carei solutie sunt functiile ortogonale :
0 ) t ( Q h ) t ( Q ) t ( g ) t ( Q ) t ( g
n n
) 1 (
n 1
) 2 (
n 2
+ + (21)
unde g
2
(t), g
1
(t) sunt independente de n iar h
n
este o constanta care depinde
numai de n.
n tabelul 3.1 sunt date seturi de functii ortogonale si functiile de
ponderare corespunzatoare frecvent utilizate n aproximarea semnalelor.
35
Tabelul 3.1

Denumire

Interval
Functia
pondere

Expresie functie

g
2
(t)

g
1
(t)

h
n


Legendre

-1t1

1
( ) ( )
n
2
n
n
n
n
1 t
dt
d
2 ! n
1
t P

2
t 1

t 2

) 1 n ( n +


Cebsev

-1t1
2
t 1
1



( ) ( ) t cos n cos t T
1
n



2
t 1

t

2
n

Laguerre

0t<

e
-t

( ) ( )
t n
n
n
t
n
e t
dt
d
e
! n
1
t L



t

t 1

n

Hermite

t R

2
t
e


( )
2 2
t
n
n
t
n
e
dt
d
e t H



1

t 2

n 2

Alta relatie generala satisfacuta de functiile ortogonale, deosebit de
importanta pentru evaluarea acestora n aplicatiile de calcul, este relatia de
recurenta n raport cu ordinul n:
( ) ) t ( Q d ) t ( Q t c b ) t ( Q a
2 n n 1 n n n n n
+ (22)
Cunoscnd expresiile (de obicei simple) ale functiilor Q
0
(t) si Q
1
(t), prin
aplicarea succesiva a relatiei de recurenta (22) se obtine expresia analitica a
functiei Q
n
(t). n tabelul 3.2. sunt prezentate valorile specifice ale coeficientilor
relatiei de recurenta precum si expresiile asociate functiilor de ordin zero si unu.
Ortonormalizarea seturilor de functii ortogonale se poate realiza cu ajutorul
patratului normei,
n
.
Tabelul 3.2
Denumire a
n
b
n
c
n
d
n
Q
1
(t) Q
0
(t)

n

Legendre

n

0

1 n 2

1 n

t

1
1 n 2
2
+


Cebsev

1

0

2

1

t

1
0 n ,
0 n ,
2


Laguerre
n 1 n 2 1 1 n t 1 1
1
Hermite
1 0 2 ) 1 n ( 2 t 2 1
! n 2
n

Observatii:
1. Valorile unei functii ortogonale pentru argumentul t= se poate
determina cu ajutorul expresiei analitice. Totusi, datorita cresterii rapide a
complexitatii expresiilor cu cresterea gradului, n cele mai multe situtii aceasta
cale nu este recomandabila. Mult mai eficienta este, n schimb, propagarea
valorilor numerice ale functiilor implicate cu ajutorul relatiilor de recurenta.
36
n acest caz, calculele presupun urmatorii pasi:
- se evalueaza ( )
1
Q si ( )
0
Q
- pentru n , 2 i se aplica relatia de recurenta
( ) ( ) ) ( Q d ) ( Q c b
a
1
) ( Q
2 i i 1 i i i
i
i
+


2. Pentru analiza unui semnal definit pe intervalul [c,d] se poate utiliza
un set de functii definite pe intervalul de ortogonalitate [a,b] reducnd intervalul
de ajustare la [a,b] printr-o schimbare liniara de variabila.
Analiza spectrala a semnalelor deterministe. Consideratii energetice.
Dupa cum s-a vazut, semnalele deterministe cu caracter general pot fi
descrise matematic prin dezvoltarea ntr-un set de functii ortogonale
{ } ) t ( ),..... t ( ), t ( ), t (
n 2 1 0
. n acest fel, analiza unui semnal x(t), definit pe
intervalul [a,b], consta n descompunerea acestuia ntr-o suma de semnale
elementare de forma:
N n , ) t ( a ) t ( x
n
0 i
i i

(23)
Totalitatea semnalelor elementare, { }
n , 0 i
i
) t (

, constituie spectrul
semnalului x(t). Coeficientii a
i
reprezinta amplitudinile componentelor spectrale
) t (
i
; ei pot fi reprezentati ca n figura 3.1, obtinndu-se astfel spectrul de
amplitudini al semnalului.
0
a
1
a
2
a
3
a
4
a
5
a
6
a
Fourier
i Coeficient
) t ( x
ordin

Fig.3.1
Analiza unui semnal se reduce la determinarea spectrului atunci cnd
este dat semnalul x(t). Sinteza consta n deducerea semnalului x(t) atunci cnd
este cunoscut spectrul sau. Din punct de vedere matematic, sinteza se reduce la
efectuarea sumei din membrul drept al relatiei (23).
n cadrul sistemelor liniare analiza spectrala a semnalelor permite
simplificarea problemelor de calcul al raspunsului sistemelor la semnale de o
forma oarecare, x(t), figura 3.2:
x(t) y(t)
Sistem liniar

Fig.3.2
37
se aleg functiile elementare f
i
(t) astfel nct determinarea raspunsului la
semnalul a
i
f
i
(t) sa se faca usor;
se echivaleaza raspunsul circuitului la semnalul x(t), prin sumarea
raspunsurilor partiale, determinate separat, pentru fiecare componenta spectrala
) t ( a
i i
. Se obtine astfel spectrul raspunsului.
Daca se doreste deducerea formei raspunsului y(t), se rezolva o
problema de sinteza.
Relatia (23) cuprinde, de fapt, doua modalitati de reprezentare a
aceluiasi semnal; membrul stng al relatiei exprima semnalul n domeniul timp,
adica forma x(t) a acestuia, iar membrul drept conduce la reprezentarea spectrala
a semnalului.
O problema de mare importanta este aceea a modului n care
amplitudinile depind de ordinul n. Att n domeniul temporal ct si n
domeniul spectral intervin aproximari. ntr-adevar, reprezentarea temporala
rezulta printr-un proces de modelare (idealizare, simplificare) a semnalului
real; n domeniul spectral se neglijeaza, de regula, componentele cu
amplitudini mic i. Chiar daca se accepta ca reprezentarea temporala este exacta
si ca nu se fac neglijari n domeniul spectral, ramne deschisa problema
corectitudinii corespondentei dintre valorile pe care le capata cei doi termeni ai
egalitatii (23), la un moment oarecare t.
Se spune ca functiile ortogonale ) t (
i
constituie un sistem complet daca
eroarea V tinde spre zero cnd n. Pentru acest caz se obtine egalitatea
Parseval:


0 i
2
i i
b
a
2
a dt ) t ( x (24)
Daca semnalul x(t) este o tensiune sau un curent, marimea din primul
membru al relatiei (24) reprezinta energia cedata de semnal unei rezistente de
1 , n intervalul t[a,b]. Puterea mediata pe acelasi interval de timp este:

0 i
2
i i
b
a
2
a
a b
1
dt ) t ( x
a b
1
P (25)
n general puterea semnalului se obtine printr-o sumare patratica a
amplitudinilor componentelor spectrale, ponderate cu coeficientii
i
; fiecare
componenta contribuie cu o putere proportionala cu patratul amplitudinii sale.
Spectrul semnalului are caracter discret.
n concluzie, conform relatiei (25), puterea calculata n domeniul timp
este proportionala cu cea calculata n domeniul frecventa, alegerea domeniului
facndu-se dupa criteriul simplitatii calculelor.
Semnalele reale sunt caracterizate prin puteri finite (n caz contrar
semnalul ar trebui generat de o sursa de putere infinita) ceea ce nseamna ca nici
una dintre componentele spectrale nu poate sa aiba amplitudine infinita.
Deoarece numarul de componente spectrale este infinit se deduce ca numai un
numar finit de componente au amplitudini finite, restul amplitudinilor fiind nule.
38
Altfel, daca un numar infinit de componente ar avea amplitudini finite, nenule,
puterea semnalului ar fi infinita. Rezulta ca foarte multe componente pot fi
considerate ca neglijabile din punct de vedere energetic. Dupa neglijarea
componentelor neimportante, se echivaleaza semnalul cu o suma finita de
componente spectrale. Procednd astfel, se pierde ceva din exactitatea
corespondentei dintre reprezentarile spectrala si temporala ale semnalului. Este
greu sa se aprecieze aceasta pierdere ntr-un caz general.
Analiza Fourier a semnalelor continue periodice, de perioada T
Dezvoltarile de tipul (23) exprima semnalul, exact sau aproximativ,
ntr-un interval de timp precizat (intervalul de ortogonalitate). n afara acestui
interval exista, n general, mari deosebiri ntre semnalul analizat si suma de
functii prin care se face analiza.
Daca nsa semnalul este periodic, rezultat prin multiplicarea domeniului
de ortogonalitate, T, (figura 3.3), aproximarea prin functii ortogonale se face cu
o precizie suficient de mare.
T 2T -2T -T 0
x t
T
( )
t
interv.ortogonalitate interv.ortogonalitate interv.ortogonalitate interv.ortogonalitate

Fig.3.3
Dintre dezvoltarile polinomiale reprezentarea Fourir este cea mai
cunoscuta. Alegerea acestui sistem de functii ortogonale face posibila
evidentierea n mod practic a liniilor spectrale armonice.
Semnalul x(t) continuu pe [0,T], de perioada T, x t x t T ( ) ( ) + , si
satisfacnd conditiile lui Dirichlet, se poate dezvolta n serie Fourir, sub forma
( )
T
2
; t i sin b t i cos a a ) t ( x
0
1 i
0 i 0 i 0

+ +

+

(26)
unde setul de functii ortogonale este
{ } { } ,...... t 2 sin , t 2 cos , t sin , t cos , 1 ) t (
0 0 0 0 i
(27)
iar coeficientii Fourir au valorile



T
0
T
0
0 i 0 i
T
0
0
. dt ) t i sin( ) t ( x
T
2
b , dt ) t i cos( ) t ( x
T
2
a ; dt ) t ( x
T
1
a
(28)
n intervalul [0,T], asociat fundamentalei T 2
0
, functiile sunt
ortogonale, deci:
0 dt ) t n cos( ) t m sin(
T
0
0 0

'

0 n m , 2 T
0 =n= n sau m m 0
dt ) t n sin( ) t m sin(
T
0
0 0
(29)
39

'

0 n m 2 T
0 m=n= T
n m 0
dt ) t n cos( ) t m cos(
T
0
0 0

Deoarece ,
2
T
, T
i 0
atunci prin particularizarea expresiei (16) se
obtin expresiile coeficientii Fourir din relatia (28).
Seria Fourier (26) poate fi pusa si sub forma cosinusoidala:
( ) [ ]

+ +
1 i
i 0 i 0
t i cos c a ) t ( x (30)
unde
i
i
i
2
i
2
i i
a
b
tg ; b a c +
Termenul ( )
i 0 i
t i cos c + din analiza armonica a functiei periodice
x(t) exprima armonica de ordinul i avnd pulsatia
0 i
i .
c
0
c
1
c
2
c
3
c
4
c
5
c
6
c
i
.......

0

Fig.3.4
Valorile c
1
, c
2
,.....c
i
,.... ale amplitudinilor semnalului periodic alcatuiesc
spectrul de amplitudini. Figura 3.4 sugereaza faptul ca ncepnd de la o anumita
valoare a lui i, amplitudinile componentelor armonice, de pulsatie
i
=i
0
, sunt
foarte mici. Aceasta proprietate a spectrului este justificata pe baza lemei
Riemann, potrivit careia:
0 dt t sin ) t ( x lim dt t cos ) t ( x lim
b
a
b
a



(31)
n concluzie, coeficientii c
i
capata valori nesemnificative cnd i devine
suficient de mare. Intervalul n care se afla componentele neneglijabile
reprezinta largimea de banda de frecventa a semnalului.
Prin neglijarea componentelor spectrale din exteriorul benzii de
frecventa a semnalului puterea semnalului nu este afectata semnificativ, fiind
astfel acceptata echivalenta din punct de vedere energetic. n domeniul timp,
semnalul periodic analizat x(t) este echivalat cu o suma de m componente
armonice semnificative, seria infinita transformndu-se ntr-o serie trunchiata:
40

[ ] [ ]

+ + + +
m
1 k
k k k k 0
1 i
0 i 0 i 0
t sin b t cos a a t i sin b t i cos a a ) t ( x
(32)
Seria Fourier (26) poate fi exprimata, de asemenea, si sub forma complexa
[ ] [ ]


0 p
t j p
pc
p
t j p
pc
0 0
e c e c
2
1
) t ( x (33)
unde amplitudine complexa se determina cu relatia:
dt e ) t ( x
T
2
jb a e c c
T
0
t j p
p p
j
p pc
0
p

(34)
Pentru un semnal periodic oarecare (care nu este par sau impar),
coeficientii Fourir a
p
si b
p
sunt diferiti de zero, asa nct spectrul acestui semnal
contine att linii spectrale reale ct si imaginare.
Analiza Fourir a semnalelor continue neperiodice
Transformarile integrale ale functiilor au nceput sa fie studiate n mod
sistematic la nceputul secolului XIX; ideea principala a fost aceea de a
transforma unele operatii de analiza (integrare, derivare etc) n operatii algebrice
(algebrizarea ecuatiilor integro-diferentiale). Calculul operational a cunoscut o
dezvoltare deosebita att n privinta fundamentarii sale teoretice ct si n largirea
gamei sale de aplicatii. Ecuatiile fizicii matematice ale ctorva probleme de
elasticitate, de teoria vibratiilor si teoria undelor, ca si unele probleme de control
automat utilizeaza n mod curent diverse tipuri de transformari integrale si
tehnici de calcul operational.
n general, fiecare tip de transformare integrala este legat de o anumita
clasa de functii, ceea ce aduce dificultati n respectarea rigorii matematice. Pe
lnga proprietatile de calcul, transformarile utilizate au calitatea extrem de
importanta de a putea fi inversate. Astfel, transformata Laplace stabileste o
corespondenta ntre domeniul timp si planul complex, dupa cum transformata
Fourir realizeaza o corespondenta ntre domeniile timp si frecventa, iar
inversarea face ca anumite probleme sa poata fi rezolvate n domeniul cel mai
convenabil din punct de vedere matematic. S-au conceput si alte tipuri de
transformari integrale (Mellin, Carson, Hilbert).
Pentru semnalul x(t) transformata integrala este data de relatia:

+

dt ) , t ( f ) t ( x ) ( X (35)
n care functia nucleu f(t,) trebuie astfel aleasa nct sa existe o functie f
-1
(t,)
care sa permita transformarea inversa [1], [2]:

d ) t , ( f ) ( X ) t ( x
1
(36)
Pentru transformata Laplace sunt valabile relatiile

st 1 1 st
e
j 2
1
) s , t ( f ) , t ( f ; e ) s , t ( f ) , t ( f




unde s=+j reprezinta o frecventa complexa.
41
Printr-o particularizare a transformatei Laplace, trecnd de la frecventa
complexa s=+j la frecventa imaginara j, se obtin relatiile de transformare
Fourir:

t j 1 1 t j
e
2
1
) j , t ( f ) , t ( f ; e ) j , t ( f ) , t ( f


adica:

+


dt e ) t ( x ) j ( X
t j
(37)

d e ) j ( X
2
1
) t ( x
t j
(38)
Din punct de vedere matematic transformata Fourir, definita de relatia
(37), pune numeroase probleme legate de existenta integralei ntre limite infinite.
De aceea se accepta ca transformata Fourir sa fie definita euristic printr-un
proces de trecere la limita, semnalul neperiodic x(t) fiind considerat un caz
particular al functiilor periodice cu perioada care tinde spre infinit:




2
T
2
T
dt e ) t ( x lim ) j ( X
t j
T
(39)
La limita, cnd T, dezvoltarea devine valabila pentru toate valorile
t(-,+), iar distanta dintre doua linii spectrale consecutive tinde catre zero
(rezolutia 0 ) si spectrul discontinuu (corespunzator functiilor periodice) se
transforma n spectru continuu (corespunzator functiilor neperiodice).
n acest fel se constata ca dupa cum un semnal continuu periodic
oarecare se poate descompune n serie Fourir si are un spectru de frecventa
discret neperiodic (
0
, 2
0
, 3
0
, ...) tot astfel si un semnal continuu neperiodic
este echivalent cu transformata Fourir inversa, relatia (38), si are un spectru de
frecventa continuu neperiodic, continnd n general toate frecventele posibile.
n concluzie, n privinta dualitatii reprezentarii timp-frecventa a unui
semnal continuu se disting doua cazuri:
un semnal continuu neperiodic n domeniul timpului are o reprezentare
continua neperiodica n domeniul frecventelor. Legatura ntre domeniile de
reprezentare este stabilita de transformatele Fourir (37)-(38). n acest caz se
poate vorbi despre componente spectrale numai n urma discretizarii spectrului
continuu.
un semnal continuu periodic n domeniul timpului are o reprezentare discreta
neperiodica n domeniul frecventelor. Legatura ntre domeniile de reprezentare
este stabilita de seria complexa Fourier (33)-(34).
Observatii:
1. Daca se efectueaza substitutia =2f atunci relatiile (37)-(87) capata
formulari mai practice:
( )

+


dt e ) t ( x jf X
ft 2 j
(40)
42

df e ) jf ( X ) t ( x
ft 2 j
(41)
2. Transformata Fourir are o serie de proprietati de calcul remarcabile
[3]. O importanta deosebita pentru analiza si sinteza semnalelor si sistemelor
prezinta urmatoarele teoreme:
a. Teorema deplasarii n domeniul timp
{ } ) j ( X e ) t ( x F
j



b. Teorema deplasarii n domeniul frecventa
{ } ( )
0
t j
j j X ) t ( x e F
0
+


c. Teorema convolutiei n domeniul timp
Daca


d ) ( y ) t ( x d ) t ( y ) ( x ) t ( y ) t ( x

atunci { } ) j ( Y ) j ( X ) t ( y ) t ( x F
d. Teorema convolutiei n domeniul frecventa
Daca

dq ) jq ( Y ) jq j ( X
2
1
dq ) jq j ( Y ) jq ( X
2
1
) j ( Y ) j ( X

atunci { } ) t ( y ) t ( x ) j ( Y ) j ( X F
1


e. Teorema dualitatii timp-frecventa
Daca { } ) j ( X ) t ( x F atunci { } ) j ( x 2 ) t ( X F
Pe baza teoremei dualitatii se pot gasi dualele unor transformate Fourir
uzuale, ca de exemplu:
{ } ( ) { } ) j ( 2 t 1 F ) j ( 1 ) t ( F
Daca se tine cont si de teorema deplasarii n frecventa atunci spectrul de
frecventa al semnalului periodic x(t), dezvoltat n seria Fourir (33), poate fi
exprimat sub forma:
{ } [ ] ( )


'


n
0 pc
p
t j p
pc
jp j c e c
2
1
F ) t ( x F ) j ( X
0
(42)
Aceasta relatie, n care s-a folosit "functia periodica", evidentiaza
suma tuturor liniilor spectrale din reprezentarea simetrica a spectrului, adica
pentru frecvente variind n intervalul (-,+).
Conditiile de existenta a transformatei Fourir sunt satisfacute de
semnale fizic realizabile. Deci, unui semnal fizic dat, x(t), i se poate asocia
spectrul Fourir X(j) determinat analitic sau experimental.
Analiza Fourr a semnalelor discrete
Studiul reprezentarilor digitate ale semnalelor a avut o dezvoltare
impetuoasa n ultimul timp, prin obtinerea unor algoritmi puternici de calcul n
analiza spectrala, bazati pe concepte din domeniul frecventa. Astfel, prin
algoritmul de transformare Fourir rapida (TRF) s-a obtinut un instrument
extrem de util n prelucrarea semnalelor n timp sau n frecventa, cu o viteza
43
considerabila de calcul, cu o reducere substantiala a numarului de operatii si
acest fapt explica de ce tehnicile de analiza Fourir a semnalelor digitale au o
aplicare larga n numeroase domenii ale tehnicii.
n ultimul timp s-a obtinut o perfectionare a modalitatilor de prelucrare a
semnalelor discrete, de estimare a parametrilor caracteristici ai lor, cu aplicatii
dintre cele mai semnificative n teoria comunicatiilor, n acustica, radar,
seismologie, recunoasterea formelor, biometrie etc.
Transformata Z este un instrument util n studiul proceselor liniare
invariante n timp, discretizate. Transformata Fourir discreta sta la baza tuturor
tehnicilor de prelucrare a semnalelor discrete, de transfer de date din domeniul
timp n domeniul frecventa si invers. Daca n cazul semnalelor analogice
transformata Fourir este n special un instrument teoretic n schimb n cazul
discret prevaleaza calculul efectiv al ei si nu ntmplator succesul analizei
Fourir se conjuga cu dezvoltarea extraordinara a tehnicii moderne de calcul.
A. Transformata Fourir n timp discret (TFTD)
Dupa cum s-a mentionat, transformata integrala Fourir realizeaza
echivalenta ntre un semnal continuu si infinit n domeniul timpului si spectrul
continuu si infinit n domeniul frecventei. Necesitatea cunoasterii ntregii istorii
a semnalului limiteaza aplicarea directa a transformatelor Fourir la semnale
tranzitorii de mica durata.
Pentru un semnal discret neperiodic, x*(t), esantionat cu perioada T si
modelat sub forma



n
*
) nT t ( T ) t ( x ) t ( x (43)
transformata Fourir (Transformata Fourir n timp discret - TFTD) va genera un
spectru continuu periodic n domeniul frecventa
( )



n
0
*
jn j X ) j ( X (44)
Relatia de mai sus caracterizeaza esantionarea n domeniul frecventelor
si arata ca spectrul functiei esantionate se compune din suma spectrelor functiei
continue, deplasate pe axa cu multipli ai frecventei de esantionare.
Pentru astfel de semnale sunt valabile urmatoarele relatii:
( )

+



n
nT j *
e ) nT ( x j X (45)

T
2
0
nT j *
d e ) j ( X
2
1
) nT ( x (46)
Daca nsa, semnalul discret este si periodic atunci spectrul obtinut n
domeniul frecventa va fi de asemenea discret si periodic. n acest caz trecerea n
domeniul frecventa se poate realiza pentru o singura perioada a semnalului.
B. Transformata Fourir discreta (TFD)
Transformata Fourir n timp discret (TFTD) este tot un instrument
teoretic de studiu, neputnd sa fie implementata pe un sistem numeric de
44
prelucrare, datorita faptului ca este o functie continua iar variabila ia o
infinitate de valori n intervalul de definitie (relatiile (45)-(46)). Mai mult,
definitia ei este valabila pentru semnale cu suport infinit.
Pentru a putea face un studiu n frecventa utiliznd un sistem numeric de
prelucrare este necesar sa discretizam variabila continua . Discretiznd pe un
interval n N puncte se obtine transformata Fourir discreta n timp si frecventa,
numita pe scurt transformata Fourir discreta (TFD).
Implicnd lucru cu un numar finit de esantioane, att n domeniul
timpului ct si n cel al frecventei, transformata Fourir discreta se preteaza la o
evaluare directa prin metode numerice, prin utilizarea sistemelor numerice de
calcul. Fiind calculabila, aceasta transformata reprezinta chintesenta
prelucrarilor numerice ale semnalelor, permitnd astfel relansarea teoriei
moderne a prelucrarilor numerice de semnal.
Fie semnalul discret periodic de perioada T, esantionat cu perioada de
esantionare T
e
(figura 3.5), si descris n domeniul timp prin N esantioane ntr-o
perioada.
T NT
e

x kT
e
( )
kT
e
t

Fig.3.5
Folosind metoda dreptunghiului n avans, integrala transformatei Fourir
directa



T
0
t j
dt e ) t ( x ) j ( X (47)
se poate calcula pe cale numerica obtinndu-se:
( ) ( ) 2 / N ,.. 1 , 0 k ; e ) nT ( x T ) nT ( x TFD jk X
1 N
0 n
nT
NT
2
j k
e e e 0
e
e
t t

(48)
Pentru un semnal descris n domeniul timp prin N esantioane ntr-o
perioada, n domeniul frecventa spectrul va contine de asemenea N esantioane
ntr-o perioada.
Dupa cum rezulta din relatia (48) transformata Fourir discreta,
corespunzatoare unei valori a frecventei (k
0
), este un numar complex si prin
urmare poate fi exprimata prin intermediul coordonatelor polare:
( ) ( ) ( ) [ ] ( ) [ ]
( ) [ ]
( ) [ ]
0
0
0
j k X Re
j k X Im
arctg j
0
2
0
2 ) k ( j
0 0
e jk X Im jk X Re e jk X jk X


+ (49)
unde:
( ) [ ] ( ) [ ]

,
_

,
_

n
N
2
k sin ) nT ( x T jk X Im ; n
N
2
k cos ) nT ( x T jk X Re
1 N
0 n
e e 0
1 N
0 n
e e 0
45
O observatie fundamentala care se poate deduce consta n faptul ca
( )
X jk
0
este o functie periodica, indusa de exponentiala complexa, si ca daca se
continua evaluarea transformatei, pentru valori k mai mari dect N se va obtine
aceeasi functie:
( ) ( ) ( )
0
1 N
0 n
n 2 j
n
N
2
j k
e e
1 N
0 n
nT
NT
2
) N k ( j
e e 0
jk X e e ) nT ( x T e ) nT ( x T N k j X
e
e
+

+
(50)
n concluzie, cnd valoarea k depaseste domeniul de definitie, N, valoarea
obtinuta este redundanta, fiind egala cu una obtinuta n cadrul domeniului.
Daca semnalul prelucrat x(nT) este real intervalul de definitie pentru
transformata Fourir directa se poate restrnge la jumatate, numai N/2
esantioane fiind independente.
Inversa transformatei Fourir discreta se determina prin discretizarea
relatiei:

T
2
0
t j
d e ) j ( X
2
1
) t ( x (51)
obtinndu-se operatorul:
( )


1 N
0 k
nT
NT
2
j k
0
e
1 N
0 k
nT
NT
2
j k
0
0
0
1
e
e
e
e
e ) jk ( X
NT
1
e ) jk ( X
2
) jk ( X TFD ) nT ( x
(52)
Cele N valori ale functiei
( )
X jk
0
, din domeniul frecventa, permit
reconstituirea completa a celor N valori ale semnalului x(kT) din domeniul timp.
Exemplul 1. Fie x(t)=t
2
, t[0,2] o functie periodica de perioada T=2.
Sa se faca analiza Fourir a semnalului.
Pulsatia fundamentalei are valoarea 1 T 2
0

Conform relatiilor (28) coeficientii Fourir sunt:

3
4
dt t
2
1
a
2
2
0
2
0




2
2
0
2
0
2
k
k
4
ktdt sin t
k
2
ktdt cos t
1
a





.
k
4
ktdt sin t
k
2
k
4 1
ktdt sin t
1
b
2
0
2
2
2
0
2
k

,
_




Deci:
[ ]. 2 , 0 t kt sin
k
kt cos
k
1
4
3
4
t
1 k
2
2
2

,
_


Pentru dezvoltarea n forma cosinusoidala, relatia (29), se determina
modulul si argumentul fiecarei componente armonice:

2 2
2
k
k 1
k
4
c + ;
k
=k.
n final se obtine:
46

[ ]
. 2 , 0 t ) t ( k cos k 1
k
1
4
3
4
t
1 k
2 2
2
2
2

,
_

+ + +


Amplitudinea complexa, relatia (33), este de forma:
( )
2 2
2
k
j
k kc
k 1
k
4
1 e c c
k
+


seria avnd expresia:
[ ]

,
_

,
_


2 , 0 t k 1
k
) 1 (
2
3
4
k 1
k
) 1 (
4
3
4
t
1 k
0 k
k
2 2
2
k 2
2 2
2
k 2
2
.
Functia spectrala bilaterala este:

( ) ( ) ( )


0 k
k
2 2
2
k 3
jk j k 1
k
) 1 (
2 0
3
8
j X

iar functia spectrala unilaterala:

( ) ( ) ( )


1 k
2 2
2
k 3
jk j k 1
k
) 1 (
4 0
3
8
j X
.
Exemplul 2. Fie semnalul dreptunghiular periodic, de perioada T si de
suprafata unitara (durata si amplitudine A=1/). La limita, cnd 0, acest
semnal reprezinta functia
T
periodica (tren de impulsuri Dirac la intervale T).
Coeficientul Fourir complex va fi:
( ) ( )
.
2
k
Si
T
2 sin
T
2
2
k
sin
T k
4
j 2
e e
T k
4
e
jk
1
T
2
dt e t
1
T
2
dt e t x
T
2
c
2
k
2
k
0
0
2
2 t j k
0
t j k t j k
kc
0
0 2
0
jk
2
0
jk
0
2
2
0
2
T
2
T

,
_

,
_


&

Deci dezvoltarea n serie Fourir va fi:

( )
. e
2
k
Si
T
1
t x
t j k
0
k
0

,
_



Deoarece, la limita, cnd 0, 1
2
k
Si lim
0
0

,
_



se obtine semnalul
T

periodic :
( ) ( ). t k cos
T
2
T
1
e
T
1
t
1 k
0
k
t j k
T
0

+
Semnalul
T
(t) nu este fizic realizabil. ntr-adevar, amplitudinile
componentelor spectrale fiind T 2 C
k
independente de k,

1 k
2
i
C , deci puterea
semnalului este infinita, pentru generarea lui fiind necesar un generator de putere
infinita. Functia Si( ) este data de obicei sub forma tabelata sau grafic.
47
Exemplul 3. Sa se faca analiza Fourir-Legendre pentru semnalul
periodic, de tip tren de impulsuri dreptunghiulare duble, definit pe o perioada
prin expresia:

( )

'

) 1 , 0 ( t , 1
0 t 0
0 , 1 t , 1
) t ( x
Primele patru polinoame ortogonale Legendre au expresiile:
t
2
3
t
2
5
) t ( P ;
2
1
t
2
3
) t ( P ; t ) t ( P ; 1 ) t ( P
3
3
2
2 1 0

Tinnd cont de ortogonalitatea polinoamelor, coeficientii Fourir se
calculeaza cu relatia:


+

1
1
i
1
1
i
i
i
dt ) t ( P ) t ( x
2
1 n 2
dt ) t ( P ) t ( x
1
C
obtinndu-se
8
7
C ; 0 C ;
2
3
C ; 0 C
3 2 1 0

Semnalul se poate astfel aproxima cu relatia:

,
_

+ t
2
3
t
2
5
8
7
t
2
3
) t ( x
3

Exemplul 4. Sa consideram impulsul Dirac (t) neperiodic, definit prin:
( ) ( ) . 1 dt t lim dt t
0






Transformata Fourier a acestei functii este F[(t)]=1 deci spectrul de
amplitudine a impulsului este constant pe ntreaga axa a frecventei.
Exemplul 5. Consideram functia treapta unitara (Heaviside) definita
astfel: u(t)=1 pentru t0 si u(t)=0 n rest. Transformata Fourier este F[u(t)]=1/j,
excluznd o vecinatate a originii deoarece u(t) nu este absolut integrabila. Pentru
a determina functia spectrala (densitatea spectrala de amplitudine) n ntreg
domeniul frecventelor putem aproxima semnalul treapta:
( ) [ ] [ ]
( )
.
0
j
1
0
e F lim t u F
t
0

'






n tabelul 3.3 sunt date cteva tipuri de semnale neperiodice
folosite n identificare si spectrele lor de frecventa.
3.2. Descrierea matematica a semnalelor aleatoare.
n anexa 2.1 este tratata aceasta problema. n cazurile concrete de identificare un rol
deosebit l au semnalele care sunt procese stohastice stationare ergodice de ordin doi, a caror
completa caracterizare n domeniul timpului este data de primele doua momente, respectiv
de medie si matricea de covarianta, iar n domeniul frecventelor de densitatea spectrala.
Pentru un astfel de proces u(t) media si functia de autocorelatie:
Tabelul 3.3
Denumirea
semnalului
Reprezentarea
functiei de timp
Exprimarea ca
functie de timp
Transformata Fourier Spectrul de frecventa
Impulsul
Dirac
x(t)
t
0
( ) ( )

'


0
0 0
t
t
t t x
( ) 1 j X
1
X(j)


Impuls
dreptun-
ghiular
x(t)
t
0
A


( )

'

>
<

t 0
t 0 A
t x

( )
2
2
2
sin


j
e A j X


1
X(j )

X *(j )
0,5
X
*(j ) =
A

Impuls
triunghiu-
lar
x(t)
t
0
A
/2

( )

'

>
<

<

t , 0
t ,
t
A 2
t 0 , t
t x
2
2
A 2

( )
2
2
2
2
sin
2

j
e
A
j X

,
_


X(j)

X*(j )
0,5
X*(j ) =
A
1
2

4

Treapta
ideala
x(t)
t
0
A

( )

'

>

0 t A
0 t 0
t x

( )

j
A
j X

X(j )

A
1

Treapta
reala
x(t)
t
0
A


( )

'


< <


t A
t 0 t
0 t 0
t x
A
( )
2
1 sin
2
2
2

j
e
j
A
j X


X(j )

2 4



49
( ) ( )( ) ] m ) t ( u m ) t ( u [ M r )] t ( u [ M m
T
u
+


sunt suficiente deci pentru caracterizare. De notat ca si un semnal determinist
poate fi la fel caracterizat.
Un alt mod de caracterizare a unui proces stohastic x(t) este prin
exprimarea lui functie de un proces cunoscut, de regula zgomotul alb e(t). Exista
mai multe astfel de posibilitati n cazul discret si anume:
) ARMA ( ) m t ( e c ..... ) 1 t ( e c ) t ( e ) n t ( x a .... ) 1 t ( x a ) t ( x
) AR ( ) t ( e ) n t ( x a .... ) 1 t ( x a ) t ( x
) MA ( ) m t ( e c ..... ) 1 t ( e c ) t ( e ) t ( x
m 1 n 1
n 1
m 1
+ + + + + +
+ + +
+ + +

cu conditia ca polinomul caracteristic sa aiba radacinile n interiorul cercului
unitar. De notat ca daca x(t) are densitate spectrala rationala atunci o asemenea
modelare este ntotdeauna posibila, conform teoremei de reprezentare (anexa
2.3). Daca generarea semnalelor deterministe nu ridica n principiu probleme
deosebite, generarea semnalelor aleatoare cu caracteristici statistice prestabilite
este delicata. Daca ne referim la reprezentarea unui semnal ca proces ARMA
(MA, AR) atunci generarea lui se reduce la generarea zgomotului alb e(t) discret
si filtrarea lui printr-un filtru cu f.d.t. determinata. nsa generarea zgomotului alb
presupune un generator de putere infinita n cazul continuu, iar semnalul discret
aproximeaza bine pe cel continuu doar cnd perioada de esantionare tinde la
zero, deci este dificil de aplicat sistemelor continue. n schimb, zgomotul alb
discret este deosebit de convenabil pentru modelarea discreta.
Secventele de zgomot alb pot fi simplu generate utiliznd echipamente
numerice. Dintre procedurile frecvent utilizate cea mai simpla implica numai
operatii liniare. O secventa bazata pe acest principiu cu un algoritm bine precizat
este de fapt determinista si nu aleatoare (ea este denumita pseudoaleatoare).
Totusi, daca functia de covarianta aproximeaza suficient de bine functia de
covarianta a zgomotului alb discret, atunci secventa generata poate fi considerata
o realizare a zgomotului alb. n figura 3.6 este prezentata schema de principiu a
unui generator pseudoaleator liniar.
Generator
de tact
Registru de deplasare
Sumator
mod 2
a
n
a
n-1
a
2
a
1
x
n
x
n-1
x
2
x
1
n
n-1
2 1
u(t)

Fig. 3.6
50
Functionarea registrului de deplasare cu reactie prin sumatorul modulo 2
este descrisa de ecuatiile de stare discrete:

'

+
) t ( Cx ) t ( u
) 2 (mod ) t ( Ax ) 1 t ( x

n care
T
n 2 1
] x ,...., x , x [ ) t ( x este vectorul de stare ale carui elemente reprezinta
iesirile bistabilelor registrului de deplasare,
[ ]
0 ,...., 0 , 1 C ;
a .. a a a
1 .. 0 0 0
0 .. 0 1 0
A
n 3 2 1

1
1
1
1
]
1



iar a
i
sunt 1 sau 0 dupa cum bistabilul i contribuie sau nu la reactie. Starea
initiala a registrului trebuie sa fie diferita de zero.
Secventa u(t) generata poate lua numai doua valori (0 si 1), de aceea se
numeste semnal pseudoaleator binar (SPAB). Semnalul generat este periodic,
perioada maxima fiind 2
n
-1 tacturi elementare generate de generatorul de tact
(GT). Perioada maxima a lui u(t) se obtine numai pentru anumite reactii (de
exemplu pentru n=5, numai a
2
si a
5
sunt 1 pentru a obtine SPAB de lungime
maxima T=32, fiind perioada tactului elementar [4]).
Daca se doreste un semnal SPAB centrat este suficient sa definim ( ) t u
~
:
] 1 ) t ( u 2 [ a ) t ( u
~

care poate lua valori ntre -a si a.
Daca operatia de sumare modulo 2 se nlocuieste cu sumare modulo m,
se pot obtine semnale pseudoaleatoare cu m nivele, care nu se pot genera prin
hard dar pot fi usor generate soft, dispunnd de un calculator numeric.
Un semnal SPAB u(t) are o serie de proprietati deduse de Davies (1970)
si anume:
Proprietatea 1. Daca u(t) este SPAB de perioada maxima N=2
n
-1,
atunci ntr-o perioada sunt continute (N+1)/2 = 2
n-1
secvente elementare de 1 si
(N-1)/2=2
n-1
-1 de 0.
n timpul unei perioade vectorul de stare x(t) va lua toate valorile
posibile, mai putin valoarea zero, pentru care registrul nu si schimba starea
oricare ar fi reactia. Din cele 2
n
valori ale vectorului de stare posibile, generate,
(2
n-1
) vor contine 1 pe ultima pozitie (ceea ce nseamna u(t)=1). Cum numarul de
secvente elementare este 2
n-1
, rezulta ca numarul de stari zero va fi 2
n-1
-1.
Proprietatea 2. Fie u(t) un SPAB de perioada N=2
n
-1. Atunci pentru
k=1,2,..,N-1 exista l ] 1 N , 1 [ nct l) t ( u ) k t ( u ) t ( u , unde l depinde de
k. Pentru demonstratie vezi [4].
Daca x si y sunt variabile binare, atunci 2 / )] y x ( y x [ xy + , proprietate
care se verifica direct cu ajutorul tabelului de adevar.
Folosind aceste proprietati putem evalua media si matricea de covarianta
ale unui SPAB de lungime maxima:
51
( ) ( )

'

N
1 t
N
1 t
m ) t ( u ) m ) t ( u (
N
1
r
) t ( u
N
1
m

Deoarece u(t) are numai valori 0 sau 1 iar cele de 1 sunt n numar de
(N+1)/2 rezulta:
.
N 2
1 N
2
1 N
N
1
)] t ( u [ M m
+

+

Pentru evaluarea functiei de covarianta sa constatam ca:
( )
( )
2
2
2
2
N
1 t
2
N
1 t
2
N
1 t
2
N 4
1 N
N 2
1 N
N 2
1 N
m 1 m m m
m ) t ( u
N
1
m ) t ( u
N
1
m ) t ( u
N
1
r(0)

+





iar pentru =1,2,..., N-1, folosind proprietatile enuntate rezulta:
( )( )
( ) [ ]
2
2 2
N
1 t
2
N
1 t
2
N
1 t
N
1 t
N 4
1 N
m
2
m
m m l) t ( u
N 2
1
m
m ) t ( u ) t ( u ) t ( u ) t ( u
N 2
1
m ) t ( u ) t ( u
N
1
m ) t ( u m ) t ( u
N
1
) ( r
+
+

1
]
1

+ + +
+ +



Considernd un semnal centrat ] 1 ) t ( u 2 [ a ) t ( y :
( ) [ ] ( ) [ ] ( ) 0
N
a
m 2 1 a a t u aM 2 t y M
[ ] ( ) ( )
2
2
2
2
2
2
2 2
y
a
N
a
a
N 4
1 N
a 4 0 r a 4 0 r ) t ( y D
1
]
1



( ) ( )
N
a
N
a
N
a
N 4
1 N
a 4 r a 4 r
2
2
2 2
2
2 2
y

+

Pentru N suficient de mare, functia de covarianta este:
( )

'




1 N ,..., 2 , 1 pentru
0 pentru
0
a
r
2
y

ceea ce constituie o excelenta aproximare a functiei de corelatie a zgomotului
alb discret.
3.3. Persistenta semnalelor
Sa consideram un sistem liniar stohastic descris prin modelul discret:
(M)


1 N
0 t
u uy
) k t ( r ) t ( h ) k ( r
52
u(t) si y(t) , t=0,1,...,N-1 fiind semnalele de intrare si respectiv iesire din sistem,
presupuse cunoscute, M[u(t)]=0 si h(t) functia pondere. Din datele de
intrare-iesire putem determina functiile de corelatie:
1 N ,...., 1 , 0 ) t ( y ) t ( u
N
1
) ( r
1 N ,...., 1 , 0 ) t ( u ) t ( u
N
1
) ( r
1 N
0 t
uy
1 N
0 t
u
+
+


Dorim sa evaluam functia pondere h(t) pentru t=0,1,...,N-1. n acest scop
modelul (M) este explicitat pentru k=0,1,...,N-1, rezultnd sistemul:
( ) ( )
( ) ( )
( )
( )
( )
( )
.
1 N r
0 r
1 N h
0 h
0 r 1 N r
1 N r 0 r
uy
uy
u u
u u
1
1
1
]
1

1
1
1
]
1

1
1
1
]
1

M M
K
M M M
K

Este clar ca, pentru rezolvarea acestui sistem n raport cu vectorul h,
h=[h(0),..,h(N-1)]
T
, matricea sistemului trebuie sa fie nesingulara. Aceasta
matrice nsa depinde direct de semnalul de intrare u(t). Necesitatea existentei
unei solutii pentru aceasta problema de identificare conduce la conceptul de
semnal persistent.
Definitia 6. Un semnal u(t) este semnal persistent de ordin n (SPn) daca:
1.

N
1 t
N
) t ( u
N
1
lim )] t ( u [ M
2. n , 0 k pentru ) k t ( u ) t ( u
N
1
lim ) k ( r
N
1 t
N
u
+



3. Matricea Toeplitz simetrica:
( )
( ) ( ) ( )
( ) ( ) ( )
( ) ( )
1
1
1
1
]
1

0 r 1 n r
2 n r 0 r 1 r
1 n r 1 r 0 r
n R
u u
u u u
u u u
u
K K
K K K K
K
K

este pozitiv definita.
Este evident ca primele doua conditii sunt ndeplinite de un semnal
stationar ergodic n care mediile statistice coincid cu mediile de esantion, pentru
esantioane suficient de mari. Matricea R
u
este de fapt matrice de covarianta a
semnalului de intrare, presupunnd ca acesta are media nula, cum se ntmpla
frecvent n practica.
Observatie. O definitie alternativa a persistentei unui semnal data de
Anderson (1982) este urmatoarea:
Un semnal u(t) este SPn daca pentru toti t exista un ntreg m astfel nct:
0 , I ) t ( ) k ( I
2 1 2
m t
t k
T
1
> > >

+


unde vectorul (t)=[u(t-1),.....,u(t-n)]
T
.
53
Pentru a vedea legatura cu definitia sa observam ca:
). t ( ) t (
N
1
lim ) n ( R
T
N
1 t
N
u



Sa analizam cteva proprietati legate de persistenta semnalelor.
Proprietatea 1. Un semnal u(t) este SPn daca densitatea sa spectrala S
u
()
este nenula n cel putin n frecvente diferite.
Demonstratie: Consideram polinomul arbitrar G(q
-1
)=g
0
+g
1
q
-1
+..+g
n-1
q
-(n-1)

si y(t)=G(q
-1
)u(t). Sa observam ca daca S
y
()0 atunci si r
y
(t)0 (prin definitia
densitatii spectrale). Dar S
y
()G(e
j
)|
2
S
u
()0 este satisfacuta daca si numai
daca G() se anuleaza n n frecvente diferite deoarece S
u
() este nenula n n
frecvente diferite. Cum grad G() este (n-1) aceasta nseamna ca unica
posibilitate este ca toti coeficientii lui G() cuprinsi n vectorul g=[g
0
.....g
n-1
]
T
sa
fie nuli. n acest caz, deoarece r
y
(0)=0:
( ) [ ] 0 g ) n ( R g g uu g M ] ) t ( u ) q ( G [ M ) t ( r
u
T T T
2
1
y



unde: ( ) ( )
T
] 1 n t u ,...., 1 t u [ u si ] uu [ M ) n ( R
T
u

este satisfacuta numai pentru g=0. Cum ecuatia este omogena si are solutie
unica, rezulta R
u
(n)>0, deci u(t) este SPn.
Proprietatea 2. Daca u(t) este SPn atunci densitatea sa spectrala este
nenula n cel putin n puncte.
Demonstratie se face prin reducere la absurd. Presupunem ca u(t) este SPn
si S
u
() se anuleaza n (n-1) frecvente diferite. Relund rationamentul de la
demonstrarea proprietatii precedente rezulta ca daca G() are coeficientii g astfel
nct radacinile sale sa corespunda tocmai frecventelor n care nu se anuleaza S
u
(),
egalitatea 0 ) ( S ) e ( G
u
2
j

este satisfacuta, iar ecuatia 0 g ) n ( R g


u
T
are si
solutie diferita de cea banala, deci R
u
(n) este singulara si u(t) nu este SPn.
Proprietatile 1 si 2 arata ca u(t) este SPn daca si numai daca S
u
(n) este
nenul n n frecvente diferite.
Proprietatea 3. Daca u(t) este un SPn si H(q
-1
) un filtru liniar asimptotic
stabil fara zerouri pe cercul unitar, atunci semnalul y(t)=H(q
-1
)u(t) este de
asemenea SPn. Demonstratia este evidenta deoarece ). ( S ) e ( H ) ( S
u
2
j
y



Proprietatea 4. Fie un sistem cu f.d.t. discreta:

( )
, q g ... q g g ) q ( G
1 n
1 n
1
1 0
1


+ + +
la intrarea caruia se aplica un semnal u(t) SPn. Daca media patratica a
semnalului de iesire este nula atunci G(q
-1
)0.
Demonstratie: Notnd ( ) ( ) ( )
T
] 1 n t u ,.., 1 t u , t u [ u + ,
T
1 n 0
] g ,.., g [ g


rezulta y(t)=g
T
u si 0 g ) n ( R g g ] uu [ M g ] g uu g [ M )] t ( y [ M
u
T T T T T 2

Cum u(t) este SPn rezulta ca solutia unica este g=0.
Definitiile si proprietatile de mai sus pot fi extinse si la cazul unor
semnale multidimensionale.
54
Observatii.
1. Presupunem un semnal u(t) zgomot alb discret de medie nula
M[u(t)]=0 si dispersie
2
. Deoarece functia de corelatie (covarianta) este:

'




0 pentru 0
0 pentru
) ( r
2
u

matricea de covarianta este R
u
(n)=
2
I care este totdeauna pozitiv definita. Astfel,
un semnal zgomot alb stationar si ergodic este semnal persistent de orice ordin.
2. Semnalul treapta este semnal persistent de ordin 1 si nu mai mare.
3. Ordinul de persistenta al unui semnal SPAB centrat de lungime
maxima N este N. ntr-adevar, sa consideram vectorul h de dimensiune nN cu
coeficienti arbitrari nenuli si forma patratica:
h ee
N
a
I
N
a
a h h
a N / a
N / a N / a
N / a a
h h ) n ( R h
T
2 2
2 T
2 2
2 2
2 2
T
u
T
1
1
]
1

,
_

+
1
1
1
1
1
]
1

K K
K K K K K K
K K
K K

unde e=[1,1,...,1]
T
.
. N n pentru 0 h h
N
n 1 N
a
h h
N
n a
h h
N
1 N
a h ee h
N
a
h h
N
1
1 a h ) n ( R h
T 2
T
2
T 2 T T
2
T 2
u
T
>
+

,
_

,
_

+

4. n unele lucrari, n definitia persistentei unui semnal este
considerata matricea de covarianta n locul celei de corelatie. Deoarece:
( )
2
u u
)] t ( u [ M ) n ( R ) n ( C
rang C
u
(n) rang R
u
(n) -1. Aceasta face ca utiliznd aceasta definitie ordinul de
persistenta sa scada cu o unitate. Daca un semnal de tip zgomot alb nu este
afectat, n schimb un semnal treapta este persistent de ordin zero n acest caz.
Definitia 7. Considernd sistemul (S) asimptotic stabil:
(S)




+ +
+ + +

nb
nb
1
1
1
na
na
1
1
1
1 1
q b ..... q b ) q ( B
q a ..... q a 1 ) q ( A
) t ( u ) q ( B ) t ( y ) q ( A

si polinoamele A
*
() si B
*
() fiind prime ntre ele, el poate fi pus sub forma:

) t ( ) t ( y
T

unde:
T
)] nb t ( u ),..., 1 t ( u ), na t ( y ),...., 1 t ( y [ ) t (


. ] b ,..., b , a ,..., a [
T
nb
1
na
1



Se numeste matrice asociata sistemului matricea:


N
1 t
T T
) t (
~
) t (
~
N
1
)] t (
~
) t (
~
[ M R
~

55
n care: . )] nb t ( u ),...., 1 t ( u ), na t ( y ),...., 1 t ( y [ ) t (
~ T

Proprietatea 5. Matricea R
~
asociata sistemului are urmatoarele
proprietati:
1. Daca n
*
=min(na-na
*
,nb-nb
*
)0 si u(t)= n
~
SP atunci R
~
>0, unde:
( ). nb na , nb na max n
~
+ +


2. Daca n
*
>0 si u(t)= n
~
SP atunci R
~
este singulara, spatiul nul al matricei
R
~
fiind generat de vectorul x=[f
1
,....,f
na
,g
1
,....,g
nb
]
T
, definit prin relatiile:
) q ( L ) q ( B q g ) q ( G
) q ( L ) q ( A q f ) q ( F
1 1 1
nb
1 i
i
1
1 1 1
na
1 i
i
1


unde L(q
-1
) este un polinom arbitrar de grad n
*
=min(na-na
*
,nb-nb
*
).
ntr-adevar, daca ncercam sa determinam spatiul nul al matricei asociate
sistemului din relatia 0 x R
~
x
T
rezulta:
( ) ( )( )
( ) 0 ) t ( u ) q ( G ) t ( y ) q ( F M
] x t t
~
t
~
x [ M x )] t (
~
) t (
~
[ M x x R
~
x
2
1 1
T T T T T

1
]
1

+


.
Notnd cu ) t ( u ) q ( G ) t ( y ) q ( F ) t (
1 1
+ , spatiul nul este generat de
relatia . 0 ) 0 ( r )] t ( [ M
2


Deoarece 0 ) 0 ( r

rezulta ca . k ) ( 0 ) k ( r

n
consecinta, este valabila si relatia: ( ) 0 ] ) t ( ) q ( A [ M
2
1


.
( ) ( )
( ) ( ) . 0 ) t ( u ) q ( A ) q ( G ) q ( B ) q ( F M sau
0 ) t ( u ) q ( G ) t ( y ) q ( F ) q ( A M sau
2
1 1 1 1
2
1 1 1

1
]
1

1
]
1

+



Deoarece ( ) , n
~
) q ( A ) q ( G ) q ( B ) q ( F grad
1 1 1 1
+

si n
~
SP ) t ( u , n
conformitate cu proprietatea 4, rezulta ca 0 ) q ( A ) q ( G ) q ( B ) q ( F
1 1 1 1
+


sau, considernd F(q
-1
)0,
.
) q ( F
) q ( G
) q ( A
) q ( B
1
1
1
1





Daca n
*
=min(na-na
*
,nb-nb
*
)0 aceasta relatie reprezinta o contradictie,
polinoamele A
*
si B
*
fiind prime ntre ele. Prin urmare, n acest caz matricea R
~

nu poate fi singulara. Daca n
*
>0 exista un spatiu nul generat de vectorii x, deci
R
~
este singulara si, evident:
) q ( L ) q ( A ) q ( F ) q ( L ) q ( B ) q ( G
1 1 1 1 1 1

L(q
-1
) de grad n
*
fiind un polinom arbitrar.
Daca n
*
<0 si u(t) nu este SP de ordin n
~
atunci nu se poate afirma nimic
general despre matricea asociata sistemului.
56
Proprietatea 6. Sa consideram sistemul stohastic:
). t ( e ) q ( H ) t ( u ) q ( B ) t ( y ) q ( A
1 1 1
+
Matricea R
~
asociata sistemului are urmatoarele proprietati:
1. Daca M[e
2
(t)]>0, atunci R
~
este nesingulara (>0) daca si numai daca
u(t)=SPnb.
2. Daca M[e
2
(t)]=0, atunci proprietatile lui R
~
sunt cele aratate anterior.
ntr-adevar, daca x(t) este componenta iesirii datorata intrarii u(t) si v(t)
este perturbatia, atunci:
). t ( e ) q ( H ) t ( v ) q ( A
) t ( u ) q ( B ) t ( y ) q ( A
) t ( v ) t ( x ) t ( y
1 1
1 1

+

zgomotul alb e(t) fiind semnal persistent de orice ordin si filtrul H
*
(q
-1
) fiind
stabil, rezulta ca si v(t) este SP de orice ordin. Matricea asociata se poate
descompune astfel:
( ) ( ) ( ) ( ) [ ] ( ) ( ) [ ] ), t (
~
) t (
~
0 ,.., 0 , na t v ,.., 1 t v nb t u ,.., 1 t u , na t x ,.., 1 t x ) t (
~
2 1
T T
+ +

2 1
T
2 2
T
1 1
T
2
T
1 2 1
T
R
~
R
~
)] t (
~
) t (
~
[ M )] t (
~
) t (
~
[ M
)] t (
~
) t (
~
)][ t (
~
) t (
~
[ M )] t (
~
) t (
~
[ M R
~
+ +
+ +

egalitatile fiind valabile n virtutea necolerarii intrarii cu perturbatia. Matricea
1
R
~
este nesingulara ntruct u(t) este SPnb, iar
2
R
~
de asemenea, ntruct v(t)
este SP de orice ordin. n consecinta, R
~
este nesingulara.
Daca M[e
2
(t)]=0, atunci
2
R
~
=0 si R
~
=
1
R
~
care este matricea asociata partii
deterministe a sistemului. n consecinta sunt valabile afirmatiile de la proprietatea 5.
Afirmatia potrivit careia daca
1
R
~
>0 si
2
R
~
>0 atunci 0 R
~
R
~
R
~
2 1
> + este valabila n
virtutea urmatoarei teoreme [5], care afirma ca, date fiind matricele:
0
A A
A A
A
22
T
12
12 11
>
1
]
1

si
0
0 0
0 B
B
11
>
1
]
1


partitionate n acelasi mod, daca A
22
>0 si B
11
>0 atunci A+B>0.

Bibliografie
[1] Savescu M. , s.a., Metode de aproximare n analiza circuitelor electronice,
Editura Tehnica, Bucuresti, 1971
[2] Stanomir D., s.a., Metode matematice n teoria semnalelor, Editura Tehnica,
Bucuresti, 1980
[3] Savescu M. , s.a., Semnale, circuite si sisteme. Probleme, Editura Didactica
si Pedagogica, Bucuresti, 1981
[4] Sderstrom T, Stoica P., - System Identification, Prentice Hall, 1989.
[5] Tertisco M., Stoica P., - Identificarea si estimarea parametrilor sistemelor,
Ed. Academiei, 1980.

65
CAPITOLUL 5
Metode neparametrice
Metodele de identificare prezentate n acest capitol se numesc
neparametrice deoarece modelele rezultate sunt neparametrice (functii pondere,
raspunsuri indiciale, caracteristici de frecventa). Astfel de modele sunt functii de
timp sau de frecventa care nu sunt n mod necesar descrise printr-un numar finit
de parametri. Determinarea acestor modele se face pe baza datelor de intrare-
iesire din sistem, semnalul de intrare putnd fi din functionarea normala (metode
pasive) sau introdus n mod special (metode active).
5.1. Identificarea sistemelor liniare cu semnale de proba deterministe
Atunci cnd este posibil, aplicarea unor semnale de proba deterministe
permite identificarea experimentala a unor procese industriale. Semnalele
neperiodice se caracterizeaza prin usurinta generarii si aplicarii lor la intrarea
procesului, precum si prin interpretarea directa a rezultatelor. Semnalele de
proba periodice au avantajul ca permit discriminarea mai usoara a influentelor
perturbatoare asupra semnalului util de la iesire. De asemenea, avnd valoare
medie nula, semnalele periodice pot avea amplitudini relativ mari n comparatie
cu cele neperiodice, ceea ce usureaza procesul de identificare. n ambele situatii
semnalele de proba deterministe conduc la modele neparametrice (functie
indiciala, functie pondere sau caracteristici de frecventa). Desi acestea din urma
pot fi utilizate direct n proiectarea sistemului automat, majoritatea metodelor de
sinteza se bazeaza pe modele parametrice, astfel nct identificarea cu semnale
de proba este de regula asociata cu o schimbare de reprezentare de la modelul
neparametric la unul parametric.
Metodele de identificare cu semnale de proba sunt metode active care
necesita parcurgerea urmatoarelor etape:
- alegerea tipului si parametrilor semnalului de proba;
- filtrarea perturbatiilor (identificarea cu semnale de proba fiind utilizata
n modelarea partii deterministe a unui proces tehnologic) n urma careia se
obtine un model neparametric reprezentativ;
- deducerea unui model parametric care sa permita utilizarea rezultatelor
experimentale n sinteza sistemului de reglare.
5.1.1. Identificarea cu semnale de proba neperiodice
n ceea ce priveste alegerea semnalului neperiodic, acesta trebuie sa aiba
spectrul de frecventa ct mai larg n raport cu banda de trecere a procesului
tehnologic (sistemului) de identificat pentru a pune n evidenta toate modurile
acestuia. Alegerea corecta este deci posibila cnd exista informatii apriorice care
sa localizeze domeniul de frecventa. Daca nu dispunem de aceste informatii
atunci sunt necesare ncercari experimentale prealabile. Pentru precizia
determinarii caracteristicilor dinamice prezinta importanta amplitudinea
semnalului. Valorile maxime ale acestuia sunt limitate de prevederile
66
tehnologice (limitele domeniului de variatie admisibil ale intrarii sau iesirii din
proces), precum si de domeniul de liniaritate al caracteristicii statice a procesului
tehnologic, daca se doreste a se obtine un model liniarizat. Limitele inferioare
sunt dictate de amplitudinea marimilor perturbatoare care se suprapun peste
semnalul util de iesire. n literatura de specialitate se recomanda amplitudini ale
semnalului de proba cuprinse ntre 5% si 15% din valoarea maxima pos ibila a
marimii de intrare n procesul tehnologic, valori rezultate din practica
identificarii experimentale.
n cazurile n care valoarea medie patratica a perturbatiei aleatoare
depaseste 15-20% din valoarea maxima a iesirii din proces, precizia identificarii
scade considerabil, fiind necesare prelucrari suplimentare pentru extragerea
informatiei utile.
Uneori folosirea semnalelor de proba de tip treapta nu este recomandata
deoarece poate produce cresteri prea mari ale marimii de iesire din proces, mai
ales n cazurile cnd acesta contine elemente integratoare. n astfel de cazuri se
recomanda semnale impuls. Daca se cunoaste raspunsul la un semnal impuls
dreptunghiular (ca cel din fig.5.1), se poate deduce prin calcul raspunsul indicial,
considernd impulsul dreptunghiular ca o suprapunere a doua semnale treapta de
amplitudini contrare, decalate n timp cu un interval .
u(t)
0
A
t


Fig. 5.1
Marimea de iesire din sistemul astfel excitat este:

( )
)] t ( y
~
) t ( y
~
[ A e 1
s
A
) s ( W L ) t ( y
s 1

1
]
1




unde ) t ( y
~
este raspunsul indicial. Diviznd timpul n intervale de aceeasi
lungime (t=k, k=0,1,2,..), obtinem:
( )
( )
( ) [ ] +

1 k y
~
k y
k y
~

care este o relatie recursiva ce permite calculul din aproape n aproape a
raspunsului indicial. Rezolvnd aceasta recurenta rezulta:


k
1 n
) k ( y
1
) k ( y
~

relatie care permite o determinare usoara a raspunsului indicial mai ales cnd
datele din proces sunt culese discontinuu.
n majoritatea situatiilor practice, procesele tehnologice nu pot fi izolate
de actiunea perturbatiilor, astfel nct masuratorile asupra marimilor de iesire
includ att raspunsul la semnalul de proba ct si efectul perturbatiilor. Apare
deci necesitatea filtrarii acestora. Daca la intrare se aplica un semnal treapta
67
unitara u(t), iar perturbatia este un proces aleator stationar de medie m=M[v(t)],
atunci iesirea va fi ) t ( v ) t ( y
~
) t ( y + , unde ) t ( y
~
este raspunsul indicial. Prin
medierea raspunsului rezulta M[y(t)]= ) t ( y
~
+m .
Daca sistemul pleaca din conditii initiale nule, ) 0 ( y
~
=0 si n acest caz
m=M[y(0)], ceea ce permite determinarea raspunsului indicial. Acest procedeu
presupune ridicarea unui numar mare de raspunsuri si medierea lor, ceea ce
conduce la cresterea efortului si a timpului de identificare.
Atunci cnd datele sunt esantionate, filtrarea perturbatiei poate fi
numerica, pe baza unei singure realizari. Perturbatiile de frecventa ridicata pot fi
filtrate prin metoda mediei alunecatoare. Daca, de exemplu, raspunsul perturbat
este cunoscut n N+1 puncte, y(k) N , 0 k , fiind intervalul de esantionare
ales n conformitate cu teorema Shannon, raspunsul filtrat se obtine prin medierea
datelor de iesire pe un interval de timp n astfel nct, pentru n par si n<N:
( )

+
+

,
_

+
n
0 q
q k y
1 n
1
2
n
k y
~

Aceasta operatiune este echivalenta cu actiunea unui filtru cu
caracteristica atenuare frecventa:
( )
2
n
2
n
sin j W


care atenueaza puternic frecventele mai mari dect 2/n si, ca urmare, prin
alegerea judicioasa a lui n se poate elimina perturbatia. Cu ct n este mai mic,
cu att banda de trecere este mai mare, deci filtrarea este insuficienta, n schimb
pentru valori n mari pot aparea distorsiuni n raspunsul sistemului. Daca nu
dispunem de informatii apriorice, se alege initial n=2 si apoi, daca filtrarea se
dovedeste necorespunzatoare, se mareste n.
Pentru a filtra perturbatiile de joasa frecventa se poate utiliza metoda
diferentelor. n acest scop este necesar sa se efectueze N determinari cu semnale
de proba (treapta, de exemplu), avnd amplitudini egale dar de semne diferite,
aplicate succesiv (fig.5.2). Durata unei trepte trebuie sa fie mai mare dect
timpul de stabilizare t
s
.
A
-A
T/2
T
............
NT/2 t
u(t)
Fig. 5.2

Presupunem y(t)= ) t ( y
~
+v(t), n care ) t ( y
~
este raspunsul indicial, iar v(t)
este perturbatia lenta, care n intervalul de timp NT/2 poate fi aproximata
polinomial,
i
p
0 i
i
t a ) t ( v

, cu p<N-1. Raspunsul ) t ( y
~
fiind periodic, rezulta ca
68
) t ( y
~
) 1 ( ) 2 / kT t ( y
~ k
+ . Aplicnd diferenta de ordinul m>p datelor experimentale
rezulta:
) t ( y
~
) t ( v ) t ( y
~
) t ( y
m m m m
+
ultima relatie fiind valabila n virtutea faptului ca diferenta de ordinul unu a unui
polinom este tot un polinom, de grad mai mic cu o unitate, astfel nct
m
v(t)=0
pentru m>p. Dar:
] 2 T ) r m ( t [ y ) 1 ( C ) t ( y
.. .......... .......... .......... .......... ..........
) t ( y ) 2 T t ( y 2 ) T t ( y ) t ( y
) t ( y ) 2 T t ( y ) t ( y
r
m
0 r
r
m
m
2
+
+ + +
+


Similar:
). t ( y
~
2 ) 1 ( ) t ( y
~
) 1 ( C ] 2 T ) r m ( t [ y
~
) 1 ( C ) t ( y
m m m
m
0 r
r
m
r
m
0 r
r
m
m
+



Combinnd relatiile de mai sus rezulta:
]. 2 T ) r m ( t [ y ) 1 ( C
2 ) 1 (
1
) t ( y
~ r
m
0 r
r
m
m m
+


Pentru a utiliza toate semiperioadele se alege m=N-1. Dnd lui t valori
n intervalul [0,t
s
], cu pas suficient de mic, se obtine sirul de valori care
reprezinta raspunsul indicial. Relatia dedusa poate fi usor implementata pe
calculator.
Odata obtinut raspunsul experimental din care au fost nlaturate
perturbatiile, sub forma unui vector de date, tabel sau grafic, este necesara
deducerea unui model parametric care sa permita utilizarea rezultatelor n
sinteza sistemului de reglare. nainte de a trece n revista cteva din metodele de
parametrizare, sa observam ca o serie de parametri pot fi simplu determinati din
examinarea directa a datelor. Astfel, cunoscnd amplitudinea semnalului treapta
de intrare si valoarea stationara a iesirii putem determina factorul de amplificare
al procesului. Prin raportarea datelor de iesire la valoarea stationara obtinem
raspunsul normat, care va fi utilizat n continuare. De asemenea, timpul mort se
poate determina ca fiind intervalul de timp masurat din momentul aplicarii
semnalului de proba pna cnd raspunsul depaseste un procent din valoarea
stationara, ( ) ( ) ( )
s m
t y 02 , 0 01 , 0 T y , n care T
m
este timpul mort, iar t
s
timpul de
stabilizare. Tinnd seama de aceasta raspunsul sistemului se poate transla cu
timpul mort, ceea ce simplifica calculele ulterioare de deducere a unui model
parametric.
5.1.2. Identificarea cu semnale de proba periodice
Folosirea semnalelor de proba periodice prezinta o serie de avantaje,
mentionate la nceputul acestui capitol, si o serie de dezavantaje legate de
necesitatea unei aparaturi adecvate si de durata mare a experimentului. n cazul
69
sistemelor liniare ridicarea caracteristicilor de frecventa se face punct cu punct
prin compararea directa a oscilatiilor de la intrarea si iesirea procesului,
rezultnd direct atenuarea si faza. Procedeul poate fi aplicat si pentru deducerea
functiei de descriere a unui proces neliniar.
Faza pregatitoare experimentului consta n studiul procesului n vederea
stabilirii pulsatiei de taiere. Pentru ridicarea experimentala a caracteristicilor de
frecventa cel mai simplu ar fi sa se aplice la intrare un semnal de amplitudine
constanta si de pulsatie variabila n trepte. Acest procedeu ngreuneaza
prelucrarea datelor n special n domeniul frecventelor medii si mari unde, de
regula, atenuarea este mai mare. Se impune deci marirea amplitudinii semnalului
de intrare pe masura cresterii frecventei, nsotita de un control al amplitudinii
oscilatiilor de la iesire pentru a nu depasi regimul normal de functionare.
Prelucrarea datelor experimentale implica un volum mare de calcule n
vederea extragerii informatiilor utile, mai ales n prezenta perturbatiilor. Cum,
de regula, perturbatia este necorelata cu intrarea, efortul de eliminare a influentei
acesteia poate fi diminuat aplicnd o tehnica de corelatie. Dupa cum rezulta din
fig.5.3, y(t)=x(t)+v(t), iar:
) t ( r ) t ( r ) t ( r ) t ( r
ux uv ux uy
+
deoarece r
uv
(t)=0, () t. Daca u(t)=A
i
sin
k
t, atunci, n regim stationar:
( ) ) t sin( j W A ) t sin( A ) t ( x
k k i k e
.
u(t)
Proces
tehnologic
W(s)
x(t)
v(t)
y(t)
+
+

Fig. 5.3
Calculnd functia de intercorelatie intrare-iesire pentru o perioada T
suficient de mare, rezulta:
( ) +
+



dt ] ) t ( sin[ t sin j W A
T
1
lim
dt ) t ( y ) t ( u
T
1
lim ) ( r ) ( r
k k k
T
0
2
i
T
T
0
T
ux uy

( )
( )
( )
( ) .
0
T
t 2 sin
T 4
j W A
lim ) cos( j W
2
A
dt )] t 2 cos( ) [cos( j W A
T
1
lim
k k
k
k
2
i
T
k k
2
i
T
0
k k k k
T
0
2
i
T
+ +


+ +




De aici rezulta:
) cos( ) j ( W
2
A
) ( r
k k
2
i
uy

care este o functie periodica de perioada T
k
=2/
k
,
k
fiind pulsatia semnalului
aplicat la intrare. Aceeasi relatie se poate obtine daca intervalul de observare este
70
un numar ntreg de perioade T
k
, ceea ce simplifica evaluarea numerica a functiei
de intercorelatie. Se observa ca:
) j ( W Re
2
A
cos ) j ( W
2
A
) 0 ( r
k
2
i
k
2
i
uy

( ) ) j ( W Im
2
A
sin ) j ( W
2
A
4 T r
k
2
i
k
2
i
k uy
.
Din aceste relatii se pot calcula atenuarea si faza corespunzatoare
pulsatiei
k
:
( )

'


+
0 r
) 4 T ( r
arctg ) (
) 4 T ( r ) 0 ( r
A
2
) j ( W ) ( A
uy
k uy
k
k
2
uy
2
uy
2
i
k k

Aceste relatii stau la baza principiului de functionare al transferometrelor
polare, aparate care permit evaluarea rapida a atenuarii si fazei. Schemele de
principiu ale unor astfel de dispozitive sunt date n fig.5.4 si 5.5.
Generator
semnal
sinusoidal
u(t) Proces
tehnologic
Defazor
T
k
/4
v(t)
y(t)
2
i
A
2
ReW(j

k
)
2
i
A
2
ImW(j

k
)

+
+

Fig. 5.4
Generator
semnal
sinusoidal
u(t) Proces
tehnologic
v(t )
y(t)
Defazor

2
i
A
2

k
W
(j
)
cos(
k
)
variabil
+
+

Fig. 5.5
Corelatorul din fig.5.5 permite determinarea caracteristicilor de
frecventa prin metoda compensarii fazei. Actionnd asupra defazorului variabil
pna cnd obtinem maximul marimii de iesire din integrator, deducem atenuarea
corespunzatoare pulsatiei
k
. Tot prin modificarea defazajului pna la anularea
marimii de iesire din integrator gasim faza (
k
)=
k
-/2,
0
fiind defazajul de
anulare.
71
5.1.3 Deducerea functiei de transfer din raspunsul indicial
Asa cum am vazut, deducerea unui model parametric din cel
neparametric obtinut experimental este utila pentru analiza si sinteza ulterioara a
sistemului. n cele ce urmeaza vom da cteva metode de deducere a functiei de
transfer din raspunsul indicial (sau functia pondere) deoarece semnalele treapta
si impuls sunt cele mai utilizate semnale de proba, mai ales atunci cnd este
necesar un model al procesului tehnologic pentru acordarea empirica a unui
regulator PID.
a) Metoda comparatiei folosind atlase de functii normate. Este o
metoda directa si relativ simpla de deducere a modelului parametric pentru un
proces liniar daca avem la ndemna atlase cu raspunsuri indiciale sau pondere
calculate si reprezentate grafic pentru diferite tipuri de functii de transfer si
combinatii de parametri. Comparatia se poate efectua prin suprapunerea curbei
experimentale, normate n acelasi mod ca n atlas, peste curbele cuprinse n atlas.
Se poate reduce astfel problema identificarii parametrice la cea a estimarii
parametrilor.
Daca din compararea functiei pondere experimentale normate cu cea din
atlas rezulta ca procesul poate fi modelat printr-o anumita functie de transfer,
determinarea poate fi realizata din conditia de suprapunere a maximelor. Daca
exista si timp mort, acesta se evalueaza direct din conditia y(T
m
)<0,01y
max
si
expresia functiei de transfer se multiplica cu e
-sTm
.
n literatura de specialitate [3] sunt dezvoltate asemenea procedee pentru
diverse structuri frecvent ntlnite n practica.
b) Aproximarea prin modele cu functii de transfer simplificate.
Din practica studierii dinamicii proceselor industriale s-a constatat ca
foarte frecvent acestea pot fi reprezentate prin functii de transfer de forma:
1) ( )
m
sT
e
sT 1
K
s W

+

2) ( )
( )
m
sT
n
e
sT 1
K
s W

+

3) ( )
( )( )
m
sT
2 1
e
sT 1 sT 1
K
s W

+ +

Pentru cazurile n care, pe baza informatiilor apriorice, se adopta
aproximarea cu unul din modelele de mai sus, problema identificarii se reduce la
estimarea parametrilor. Aceasta simplificare a permis dezvoltarea unor metode si
procedee grafice [4], [5] relativ simple si rapide. Evaluarea parametrilor se face pe
baza functiilor indiciale normate y
*
(t)=y(t)/y(t
s
), unde t
s
este timpul de stabilizare,
ceea ce presupune cunoasterea amplificarii.
Considernd modelul (1), functia indiciala normata prin care se
aproximeaza cea experimentala y
*
(t) va fi:
) T t ( u ] e 1 [ ) t ( y
m
T
m
T t



72
t
y*(t)
1
0,9
o
T
m
(a)
A
B

Fig. 5.6
si este reprezentata n fig.5.6. Pe curba experimentala se marcheaza punctele A
si B care corespund punctului de inflexiune si, respectiv, punctului de ordonata
y
*
(t)=0.9. Punctele ) y , t ( A
*
A A
si ) y , t ( B
*
B B
sunt folosite pentru determinarea
parametrilor T si T
m
, impunnd conditia de concordanta a celor doua curbe n
aceste puncte.
Observatie. T
m
nu este un timp mort real ci unul de calcul, astfel nct
aproximarea globala sa fie ct mai buna. Daca exista si un timp mort real, acesta
se adauga la cel calculat.
Pentru t>T
m
si
T
m
T t
e 1 ) t ( y

, folosind conditiile de trecere prin
punctele A si B, rezulta:
) y 1 ln( ) y 1 ln(
) y 1 ln( t ) y 1 ln( t
T
) y 1 ln( ) y 1 ln(
t t
T
*
B A
*
B A A B
m
*
B A
A B


Erorile cele mai mari apar n portiunea initiala, lipsa de precizie fiind
justificata prin aceea ca, din totalitatea informatiilor din proces continute n
functia indiciala, se utilizeaza numai cele referitoare la punctele A si B.
Pentru modelele de tipul (2) si (3), metodele grafice preconizate de
Strejc conduc la nomograme pe baza carora se pot aprecia parametrii modelelor.
Metodele se bazeaza pe o serie de constructii grafice realizate pe baza
raspunsului indicial normat experimental, din care rezulta marimi n functie de
care sunt construite nomogramele [3]. Avantajul simplitatii metodei este umbrit
de deficientele acesteia, care constau n precizia scazuta asigurata de constructia
grafica si de faptul ca pentru determinarea parametrilor nu sunt utilizate n
ntregime informatiile continute n raspunsul indicial experimental.
c) Aproximarea curbelor experimentale prin expresii de forma
solutiilor unor ecuatii diferentiale liniare cu coeficienti constanti
Daca dispunem de reprezentarea functiei indiciale experimentale y(t),
care nu are componente oscilatorii, atunci aproximarea analitica a acesteia se
poate face printr-o expresie de forma:



n
1 i
t
i 0
i
e C C ) t ( y
~

n care C
0
este valoarea stabilizata a functiei indiciale, C
i
sunt coeficienti reali,
iar
i
sunt exponenti reali pozitivi, ceea ce presupune ca functia de transfer are
poli simpli si negativi.
73
Pentru ca ( ) t y
~
sa fie determinata este necesar sa cunoastem C
i
,
i
si n.
Metoda propusa [3] este grafoanalitica de aproximari succesive. Ea consta n
aproximarea curbei y(t) mai nti prin solutia unei ecuatii de ordinul unu si, daca
aceasta nu este corespunzatoare, prin solutia unei ecuatii de ordinul doi s.a.m.d.
Metoda este justificata deoarece, n cazul radacinilor simple, reale si negative,
exista o radacina preponderenta, cea mai apropiata de origine, restul dnd
componente care se amortizeaza rapid.
Pasul 1. Fie y(t) raspunsul indicial experimental pe care l aproximam cu:
( ) ( ) . cunoscut C

t y C cu e C C t y
~
0 s 0
t
1 0 1
1



Eroarea de aproximare va fi
t
1 0 1
1
e C C

) t ( y ) t ( y
~
) t ( y ) t (

+ iar
valorile optime ale coeficientilor se deduc din conditia
1
(t)=0 ()t. Solutia
aproximativa a acestei probleme poate fi obtinuta pe cale grafica deoarece ecuatia:

t
1 0
1
e C ) t ( y C



conduce la sistemul:

'



t C ln ) t ( y C

ln
)) t ( y C

( sign signC
1 1 0
0 1

Primul membru al ecuatiei a doua din sistem este de fapt o functie
cunoscuta de datele experimentale, iar membrul al doilea este o dreapta prin
trasarea careia rezulta valorile aproximative
1
C

si
1

. Cu aceste valori eroarea


devine: . e C

) t ( y ) t (

1 0 1
1

Daca aceasta eroare este suficient de mica n
tot domeniul [0,t
s
], atunci admitem prima aproximatie. n caz contrar recurgem
la o a doua aproximare.
Pasul 2. Consideram
t
2
t

1 0 2
2 1
e C e C

) t ( y
~
, urmnd sa determinam
coeficientii C
2
si
2
din conditia:
0 e C ) t (

e C e C

) t ( y ) t (
t
2
2 1
t
2
2
t
1

1 0 2
+ + +


Procednd ca la pasul 1, rezulta sistemul:

'



2 2 1
1 2
C ln ) t (

ln
) t (

sign signC

de unde prin aproximare rezulta
2
C

si
2

, ) t (

1
fiind cunoscut de la pasul anterior.
Eroarea rezultata va fi ( ) ( )
t

2 1 2
2
e C


+ . Procedeul poate fi continuat pna
cnd ]. t , 0 [ t ) ( 0 ) t (

s n
Dezavantajul metodei este precizia scazuta datorita
aproximarii coeficientilor C
i
si
i
la fiecare pas, dar oricum mai buna dect n
metodele precedente, deoarece aici numarul de puncte y(t) poate fi foarte mare,
deci informatia continuta n raspunsul indicial poate fi bine utilizata. Metoda are
si un avantaj substantial si anume acela ca permite determinarea usoara a unei
functii de transfer n forma factorizata.
Daca aproximarea de ordin n este:
74
t

n
1 i
i 0 n
i
e C

) t ( y


corectitudinea determinarii constantelor poate fi verificata prin intermediul
relatiilor relative la conditiile initiale. Daca:
0 C

..... C

; 0 C

n
1 i
i
1 n
i
n
1 i
i
2
i
n
1 i
i i
n
1 i
i 0



sunt verificate (evident cu aceeasi precizie cu care am obtinut 0 ) t (

n
), ceea ce
nseamna ca sistemul, plecnd din conditii initiale nule, nu prezinta zerouri,
functia de transfer corespunzatoare va fi:
( )
.

) s ( W
n
1 i
i
n
1 i
i o


Daca relatiile precedente sunt satisfacute pna la derivata de ordin q,
atunci functia de transfer prezinta zerouri fiind de forma:
( ) .
)

s (

s (

s W
n
1 i
i
q n
1 i
i
q n
1 i
i
n
1 i
i o


+
+


De fapt functia de transfer poate fi determinata din relatia )] t ( y L[ s ) s ( W
n
.
Metoda poate fi extinsa si la cazul n care raspunsul indicial contine componente
oscilatorii [3].
d) Metode de optimizare parametrica
Raspunsul indicial sau functia pondere experimentala pot fi obtinute
relativ simplu, iar datele discretizate n conformitate cu teorema de esantionare.
Daca adoptam pentru modelul parametric o functie de transfer de o anumita
forma (cu o anumita structura), putem deduce coeficientii acesteia printr-o
metoda de optimizare parametrica. Putem impune un model simplificat de
forma:
) sT 1 )( sT 1 (
K
) s ( W
) sT 1 (
K
) s ( W
sT 1
K
) s ( W
2 1
3
2
2 1
+ +

+

vectorul parametrilor fiind =[K,T] n primele doua cazuri si =[K,T
1
,T
2
] n cel
de al treilea, sau un model de forma generala:

+
+

n
1 i
i
m
1 i
i
m
1 i
i
n
1 i
i
) p s (
) z s (
z
p
k ) s ( W
caz n care =[K,z
1
,z
2
,..z
m
,p
1
,p
2
,..,p
n
]
T
. Functia criteriu este eroarea medie
patratica de modelare:


N
1 t
2
N
1 t
2
)) t ( y ) t ( y ( ) t ( ) ( V n care y
*
(t) este
raspunsul indicial experimental, iar y(t) este raspunsul indicial corespunzator
75
modelului adoptat. Valorile optime ale parametrilor vor fi cele care minimizeaza
V(?). Pentru modelul n forma generala raspunsul y(t) este:
] e
) p p ( p
) p z (
z
p
1 [ K ) t ( y
t p
n
1 i
i j j
m
1 i
j i
n
1 j
m
1 i
i
n
1 i
i
j


n toate cazurile functia criteriu este puternic neliniara n parametri, ceea
ce presupune utilizarea unei tehnici de optimizare corespunzatoare (gradienti
conjugati, Rosenbrock etc.), care presupun initializari corecte. n cazul modelului
n forma generala numarul polilor si zerourilor trebuie fixat (deci precizata
structura). Daca modificam structura astfel nct modelul sa fie din ce n ce mai
complex, pastrnd m<n, vom obtine un sir de modele M(
1
),M(
2
) ,...,M(
k
) si un
sir de minime ale functiei criteriu corespunzatoare V(
1
), V(
2
),...,V(
k
) care au n
general o evolutie descrescatoare. Procedura poate fi oprita cnd minimul functiei
criteriu nu mai scade semnificativ.
5.1.4. Deducerea functiei de transfer din caracteristicile de frecventa
determinate experimental
Metodele folosite sunt grafoanalitice sau de optimizare parametrica si
necesita prelucrarea prealabila a caracteristicilor de frecventa n vederea
extragerii partii care ndeplineste conditia de faza minima, dupa care aceasta se
aproximeaza cu cea corespunzatoare unei functii de transfer cu structura
cunoscuta, dar cu parametri necunoscuti. Elementele care nu ndeplinesc conditia
de faza minima sunt, practic, cele care prezinta timp mort sau care au parametri
distribuiti, n care caz functia de transfer contine factorul
m
sT
e

. Neunivocitatea
ntre caracteristicile A() si () mai apare si atunci cnd functia de transfer
prezinta poli de ordinul k n origine. n astfel de cazuri se recurge n primul rnd
la extragerea elementelor care introduc neunivocitati. Se considera astfel:
(M)
r
sT
n
1 j
j
m
1 i
i
r
sT
u
s
1
e
) s 1 (
) sT 1 (
k
s
1
e ) s ( W ) s ( W
m m

+
+

Timpul mort se poate aprecia din raspunsul indicial, ca si existenta
polilor n origine de altfel. Ramn astfel de determinat caracteristicile T
i
,
j
si k
care caracterizeaza partea univoca W
u
(s) a functiei de transfer.
a) Metoda bazata pe aproximarea caracteristicilor logaritmice de frecventa
Aceasta permite si evidentierea polilor n origine si a timpului mort,
precum si structura functiei de transfer. Se stie ca pentru o functie de transfer de
forma (M), caracteristica logaritmica de frecventa este:

'


+ + +




m
1 i
n
1 j
m j i
m
1 i
n
1 j
2
j
2 2
i
2
dB
T
2
r arctg T arctg ) (
) 1 lg( 20 ) T 1 lg( 20 k lg 20 ) ( A
2
1
2
1

76
Putem aproxima caracteristica ( )

dB
A dedusa experimental prin drepte
de panta standard 0 dB/dec, t20 dB/dec, t40 dB/dec s.a.m.d. Trasarea dreptelor
se face astfel nct n punctele de intersectie caracteristica aproximativa sa nu
difere de cea experimentala cu mai mult de 3 dB.
Pulsatiile corespunzatoare punctelor de frngere
i
sunt inversele
constantelor de timp. Un exemplu este prezentat n fig. 5.7. Functia de transfer
corespunzatoare caracteristicii aproximative A
dB
() este:
) sT 1 (
sT 1
1
sT 1
1
k ) s ( W
3
2 1
+
+ +

unde
3 3 2 2 1 1
1 T , 1 T , 1 T corespund pulsatiilor de frngere iar
20lgk=80 corespunznd aproximarii de panta 0 dB/dec.
o
-20
20
40
60
80
0dB/dec
-20 dB/dec
-40 dB/dec
-20 dB/dec

1


2
3
10
-3
10
-2
10
-1
1

A
*
dB
A
*
dB

Fig. 5.7
Caracteristica faza frecventa () corespunzatoare acestei functii de
transfer este folosita pentru verificarea corectitudinii deducerii functiei de
transfer prin compararea cu ( )

dedusa pe cale experimentala. Daca n


prealabil nu a fost extras elementul cu timp mort T
m
, atunci caracteristica
experimentala va diferi de cea calculata cu -T
m.
. Daca diferenta nu creste
proportional cu pulsatia nseamna ca aproximarea caracteristicii ( )

dB
A nu a fost
corect efectuata (erori mai mari de 3 dB n punctele de frngere). Avnd n vedere
ca ( )

dB
A si
*
() nu pot fi determinate cu suficienta precizie n ntreaga banda
de frecventa, au fost elaborate metode de calcul al functiei de transfer numai pe
baza caracteristicilor de frecventa, din zona frecventelor joase sau numai din zona
frecventelor mari [5].
b) Metoda de optimizare parametrica
Aceasta metoda, prezentata n [6], presupune cunoasterea caracteristicilor de
frecventa experimentale ) ( ), ( A
k
*
k
*
, k=0,1,2,...,p din care se pot determina:
) cos( ) ( A ) ( H
k k k re


si ), ( sin ) ( A ) ( H
k k k
*
im



deci factorul de amplificare complex experimental:
77
p ,..., 2 , 1 , 0 k ), ( jH ) ( H ) j ( H
k
*
im k
*
re k
*
+ .
Se considera un model cu structura precizata:
(M)

+

n
1 j
j
j
m
0 i
i
i
s b 1
s a
) s ( B
) s ( A
) s ( H
caruia i corespunde factorul de amplificare complex:
. p ,...., 2 , 1 , 0 k ;
) j ( B
) j ( A
) j ( H
k
k
k


Vectorul parametrilor este: [ ] . b ,......, b , a ,...., a , a
T
n 1 m 1 0

O alegere naturala a functiei criteriu de forma:
2
k k
*
k
p
0 k
2
k
p
0 k
2
k k
*
) j ( A ) j ( H ) j ( B
) j ( B
1
) j ( H ) j ( H ) ( V





care este puternic neliniara n parametri, conduce la necesitatea utilizarii unui
algoritm de programare neliniara. Daca:


p
0 k
2
k k
*
2
k
) j ( H ) j ( H ) j ( B ) ( V
criteriul devine patratic n parametri si problema de optimizare:
) ( V min arg


poate fi rezolvata analitic. Criteriul poate fi interpretat ca un criteriu al celor mai
mici patrate ponderate cu functia de ponderare
2
k
) j ( B . Aceasta ponderare nu
este corespunzatoare n tot domeniul frecventelor (la frecvente mici functia de
ponderare are valori mici si deci precizia de estimare este mica fiind afectat n
special factorul de amplificare). Dificultatea este depasita daca se recurge la un
algoritm iterativ, cu functia criteriu la pasul i de forma:

'


1 ) j ( B
) j ( H ) j ( H
) j ( B
) j ( B
) ( V
k 0
p
0 k
2
k
i
k
*
2
k 1 i
k i
i i

ntruct criteriul ramne patratic n ?
i
, (B
i-1
(j?
k
) fiind cunoscut de la
pasul anterior), vectorul parametrilor la iteratia i poate fi determinat analitic.
Deoarece 1 ) j ( B / ) j ( B
2
k 1 i k i


cu cresterea lui i [7] ponderea se
pastreaza corespunzatoare n tot domeniul frecventelor. n acelasi articol se
demonstreaza ca metoda iterativa este convergenta. La fiecare iteratie vectorul
) ( V min arg
i i i

este determinat rezolvnd un sistem de ecuatii liniare.


Datorita initializarii 1 ) j ( B
k 0
, parametrii obtinuti la prima iteratie sunt cei
determinati prin minimizarea criteriului celor mai mici patrate ponderate.
78
Ca si la deducerea functiei de transfer din raspunsul indicial, procedura
se aplica pentru un set de structuri ale modelului (gradele polinoamelor A si B)
din ce n ce mai complicate retinnd acea structura pentru care se obtine o
descrestere nesemnificativa a minimului functiei criteriu.
5.2. Identificarea sistemelor liniare cu semnale de proba aleatoare
Utilizarea semnalelor de proba aleatoare introduce o serie de complicatii
n ceea ce priveste interpretarea datelor experimentale. Stabilirea unei legaturi
directe ntre rezultatele obtinute si caracteristicile dinamice ale procesului, sub
una din formele care pot defini modelul matematic liniarizat, este posibila numai
asigurnd stationaritatea si ergodicitatea semnalului de proba. Totusi, avantajul
principal de a elimina sau reduce influenta perturbatiilor le situeaza printre
metodele cel mai frecvent utilizate. n plus, identificarea cu semnale de proba
aleatoare se poate efectua, cu anumite restrictii, fara scoaterea din functiune a
procesului tehnologic.
Ca si celelalte procedee de identificare care utilizeaza semnale de proba,
si n acest caz se obtin modele neparametrice (functie pondere, caracteristici de
frecventa), ceea ce implica o schimbare ulterioara de reprezentare.
5.2.1. Principiul metodelor de identificare
Pentru sistemele SISO, deducerea modelului matematic n domeniul
timpului utilizeaza relatia Wiener-Hopf,
dt ) t ( r ) t ( h ) ( r
u
0
uy


care necesita cunoasterea functiilor de corelatie dintre datele experimentale. Din
relatie se observa ca pentru un semnal de intrare u(t) de tip zgomot alb, pentru
care functia de autocorelatie este impulsul Dirac, rezulta ) ( r ) ( h
uy
.
n acest caz functia pondere poate fi determinata prin calculul functiei
de intercorelatiei din datele intrare-iesire. Daca semnalul de intrare este un
proces aleator oarecare este necesara o metoda de rezolvare a ecuatiei integrale,
necunoscuta fiind functia h().
n domeniul frecventelor identificarea se poate face cu ajutorul relatiilor
care leaga densitatile spectrale ale intrarii si iesirii:
) ( S ) j ( W ) ( S
) ( S ) j ( W ) ( S
u
2
y
u uy



Si aici se observa ca daca semnalul de intrare este zgomotul alb, care are
densitatea spectrala constanta, functia densitate interspectrala reprezinta factorul
de amplificare complex, iar densitatea spectrala a marimii de iesire,
caracteristica atenuare frecventa.
n cazul sistemelor stohastice liniare marimea de iesire este afectata de
perturbatia v(t) (fig. 5.3). Presupunnd ca intrarea u(t) si perturbatia v(t) sunt
necorelate si, pentru simplitate, de medii nule 0 )] t ( v [ M )] t ( u [ M , atunci:
) t ( v d ) t ( u ) ( h ) t ( y
0
+


n acest caz intercorelatia intrare-iesire devine:
79
( )
) ( r d ) ( r ) ( h
)] t ( v ) t ( u [ M d )] t ( u ) t ( u [ M ) ( h
] ) t ( v d ) t ( u ) ( h ) t ( u [ M )] t ( y ) t ( u [ M r
uv u
0
0
0
uy
+
+ + +
+ + + +


ultima egalitate fiind valabila n ipoteza stationaritatii semnalelor de intrare si de
perturbatie. Cum u(t) si v(t) sunt necorelate, r
uv
()=0 (), deci:

d ) ( r ) ( h ) ( r
u
0
uy

iar n cazul discret (=k, =n, n=0,), ( )

) n k ( r ) n ( h ) k ( r
u
0 n
uy
.
De aici se observa avantajul metodei, care, cel putin n domeniul
timpului nu este sensibila la influenta perturbatiilor exterioare.
Cum se transforma relatiile n domeniul frecventelor n cazul sistemelor
perturbate ? Pentru aceasta sa evaluam nti functia de corelatie a iesirii:
). ( r d ) ( r ) ( h d ) ( r ) ( h d d ) ( r ) ( h ) ( h
)] ) t ( v d ) t ( u ) ( h )( ) t ( v d ) t ( u ) ( h [( M )] t ( y ) t ( y [ M ) ( r
v
0
uv
0
vu u
0 0
0 0
y
+ + + + +
+ + + + +




Deoarece u(t) si v(t) sunt necorelate, relatia devine:
). ( r d d ) ( r ) ( h ) ( h ) ( r
v u
0 0
y
+ +



Aplicnd transformata Fourir, rezulta:
). ( S d d d e ) ( r ) ( h ) ( h )] ( r [ F ) ( S
v
j
u
R
y y
3
+ +

+

Dupa schimbarea de variabile +-=, =, = rezulta:
) ( S ) ( S ) j ( W ) ( S
v u
2
y
+
unde )]. t ( h [ F ) j ( W n mod asemanator, din relatia:
+

d ) ( r ) ( h )] t ( y ) t ( u [ M ) ( r
u
0
uy

obtinem, prin aplicarea transformatei Fourir:
). ( S ) j ( W ) ( S
u uy

Cele doua relatii arata ca, din autospectrele intrarii si iesirii, modulul
factorului de amplificare complex se poate determina numai cu aproximatie
datorita autospectrului semnalului perturbator, nsa W(j) poate fi determinat cu
ajutorul densitatii interspectrale care nu este afectata de zgomot, deci:
) ( j
u
uy
e ) j ( W
) j ( S
) j ( S
) j ( W


Deoarece densitatea interspectrala este o functie complexa:
) ( jB ) ( A ) j ( S
uy uy uy

80
rezulta:

'

,
_


.
) ( A
) ( B
arctg ) (
) ( S
) j ( S
) j ( W
uy
uy
u
uy

A
uy
() si B
uy
() se mai numesc cospectru si, respectiv, cuadspectru sau spectru
n cuadratura. Tinnd seama de expresia modulului factorului de amplificare
complex determinat prin interspectru, se poate defini asa-numitul spectru de
coerenta (sau coerenta) care joaca rolul coeficientului de corelatie din domeniul
timpului:
) ( S ) ( S
) ( S ) ( S
) j ( S
) ( S ) ( S
) ( S
) j ( S
) ( S
v y
y u
2
uy
v u
2
u
uy
y
+


sau: ) ( S )] ( C 1 )[ ( S
v
2
uy y
n care am notat functia de coerenta:
) ( S ) ( S
) j ( S
) ( C
y u
2
uy
2
uy


n acest caz, legatura ntre densitatile spectrale ale intrarii si iesirii devine:
). ( S ) j ( W ) ( S ) ( C
u
2
y
2
uy

Daca
( )
, 0 ) ( C
2
uy
si u(t) este semnalul persistent SPn (avnd
spectrul nenul n cel putin n puncte), rezulta ca ) ( 0 ) j ( W , deci ntre
intrare si iesire nu exista legatura, spectrul semnalului de iesire coincide cu cel al
zgomotului. Daca
( )
1 ) ( C
2
uy
, atunci ) ( S ) j ( W ) ( S
u
2
y
.
si deci spectrul iesirii se datoreaza n exclusivitate intrarii, sistemul nefiind de
fapt perturbat. Functia de coerenta reprezinta deci o masura a dependentei ntre
iesire si intrare la diferite frecvente ale semnalului de intrare.
Sa consideram acum sistemul liniar n circuit nchis cu structura din fig. 5.8.
Este posibil sa determinam un model pentru procesul tehnologic chiar daca
acesta este n functionare normala, n bucla nchisa cu dispozitivul de
automatizare, utiliznd un semnal de proba x(t) aleator de medie nula M[x(t)]=0
(n acest fel influenta medie asupra iesirii este de asemenea nula n medie).
H
1
(s)
H(s)
u(t)
+
-
x(t)
+
+
x
c
(t)
y(t)
Dispozitiv de automatizare
Proces tehnologic

Fig. 5.8
Evident, n acest caz intrarea u(t) si semnalul de proba x(t) sunt necorelate.
Consideram H(s) functia de transfer si h(t)=L
-1
H(s) functia pondere a procesului
tehnologic.
81
Aplicnd teorema suprapunerii efectelor obtinem:

'

+
+
+

+
+
+

) s ( X
) s ( H ) s ( H 1
1
) s ( U
) s ( H ) s ( H 1
) s ( H
) s ( X
) s ( X
) s ( H ) s ( H 1
) s ( H
) s ( U
) s ( H ) s ( H 1
) s ( H ) s ( H
) s ( Y
1 1
1
c
1 1
1

iar n domeniul timpului:

'

+
+




0 0
d c c
0 0
b a
d ) t ( x ) ( h d ) t ( u ) ( h ) t ( x
d ) t ( x ) ( h d ) t ( u ) ( h ) t ( y

n care h
a
(t), h
b
(t), h
c
(t) si h
d
(t) sunt functiile pondere corespunzatoare functiilor
de transfer din relatiile precedente. Sa calculam functiile de intercorelatie r
xy
()
si ( )
c
xx
r :
] d ) t ( u ) t ( h ) t ( x d ) t ( u ) t ( h ) t ( x [ M )] t ( y ) t ( x [ M ) ( r
0 0
b a xy


+ + + +
sau:


+
0 0
x b xu a xy
d ) ( r ) ( h d ) ( r ) ( h ) ( r
Similar, . d ) ( r ) ( h d ) ( r ) ( h ) ( r
0 0
x d xu c xx
c


+
Cum x(t) si u(t) sunt necorelate, rezulta r
xu
()=0 () deci:

'

0
x d xx
0
x b xy
d ) ( r ) ( h ) ( r
d ) ( r ) ( h ) ( r
c
.
Daca semnalul de proba x(t) este zgomot alb, atunci r
x
(t)=(t) si relatiile de mai
sus devin:

'



) ( r ) ( h
) ( r ) ( h
c
xx d
xy b

Deoarece:
) s ( H ) s ( H 1
1
) s ( H
) s ( H ) s ( H 1
) s ( H
1 1
+

+

functiile pondere corespunzatoare sunt n relatia (Poncelet):
. d ) ( h ) ( h ) ( h
0
d b


De aici rezulta:


0
xx xy
d ) ( r ) ( h ) ( r
c

relatie asemanatoare cu ecuatia Wiener-Hopf, care permite determinarea functiei
pondere a procesului tehnologic pe baza masuratorilor functiilor de corelatie
r
xy
() si ) ( r
c
xx
.
n domeniul complex,
) ( S
) j ( H ) j ( H 1
1
) j ( S ); ( S
) j ( H ) j ( H 1
) j ( H
) j ( S
x
1
xx x
1
xy
c

+

+


de unde rezulta prin raportare . ) j ( S ) j ( S ) j ( H
c
xx xy

Daca x(t) nu este zgomot alb, functiile pondere h
b
(t) si h
d
(t) se pot obtine
82
numai prin rezolvarea ecuatiilor integrale corespunzatoare (deconvolutie).
Din enuntarea principiala a acestor metode se poate observa ca aplicarea
lor n conditii avantajoase este legata de:
- adoptarea si generarea de semnale de proba cu caracteristici
convenabile (apropiate de zgomotul alb);
- obtinerea cu precizie ridicata a functiilor de corelatie sau densitate
spectrala, n conditii acceptabile de procesul tehnologic;
- rezolvarea ct mai usoara a ecuatiilor Wiener-Hopf pentru deducerea
functiei pondere.
Despre adaptarea si generarea semnalelor de proba am discutat n
capitolele precedente. n ce priveste obtinerea functiilor de corelatie si densitate
spectrala din datele intrare-iesire se ridica probleme legate de erorile de metoda
si de masurare. Majoritatea acestora se datoreaza trunchierii datelor
(considerarea unor esantioane de date de lungime finita T) si esantionarii.
5.2.2. Estimarea functiilor de corelatie
Dupa cum se stie, att relatiile Wiener-Hopf ct si cele n domeniul
frecventelor sunt valabile n ipoteza stationaritatii semnalului de intrare u(t).
Daca acesta este ergodic, atunci media pe ansamblu poate fi nlocuita cu
estimatorul pe baza unei singure realizari

T
0
T
u
. dt ) t ( u
T
1
m
Am aratat [anexa 2.1] ca acest estimator este absolut corect, dispersia lui
tinznd catre zero cnd T.
n mod asemanator se pot introduce estimatorii pentru functiile de
corelatie:
dt ) t ( y ) t ( u
T
1
) ( r
dt ) t ( y ) t ( y
T
1
) ( r
dt ) t ( u ) t ( u
T
1
) ( r
T
0
T
uy
T
0
T
y
T
0
T
u
+
+
+


Desigur, acesti estimatori sunt variabile aleatoare depinznd de esantion,
iar calitatile lor depind de durata T a esantionului (realizarii). Sa analizam
proprietatile lor care definesc de fapt precizia de aproximare, pentru semnale
ergodice de medie nula:
. ) ( r dt ) ( r
T
1
] dt ) t ( u ) t ( u
T
1
[ M )] ( r [ M
T
0
u u
T
0
T
u

+


Similar, ) ( r )] ( r [ M
y
T
y
si ) ( r )] ( r [ M
uy
T
uy
, deci estimatorii functiei de
corelatie sunt nedeviati.
Rezulta ca n calculul functiilor de corelatie se produce o eroare datorata
trunchierii datelor la un interval de lungime finita. n realitate datele de intrare-
83
iesire sunt la rndul lor discretizate, adica:
T
T
)] N ( y ),...., 2 ( y ), 1 ( y [ ) t ( y
)] N ( u ),...., 2 ( u ), 1 ( u [ ) t ( u


intervalul de esantionare fiind =1 pentru simplitate. Discretizarea introduce la
rndul ei erori care se dovedesc a fi suficient de mici daca intervalul de
esantionare este ales corespunzator.
Calculul estimatorilor n acest caz se realizeaza prin discretizarea
integralelor care i definesc. Considernd T=N, t=n si =k, rezulta (=1):
.... 2 , 1 , 0 k ) k n ( y ) n ( u
N
1
) k ( r
.... 2 , 1 , 0 k ) k n ( u ) n ( u
N
1
) k ( r
N
1 n
T
uy
N
1 n
T
u
+
+


Deoarece nu dispunem dect de N date, sumele trebuie restrnse astfel
nct, pentru =1, rezulta:

) k n ( y ) n ( u
k N
1
) k ( r
) k n ( u ) n ( u
k N
1
) k ( r
k N
1 n
T
uy
k N
1 n
T
u
+

k=0,1,2,
Se observa ca aproximarea este din ce n ce mai slaba pe masura
cresterii lui k. Practic, o precizie acceptabila se poate obtine pentru kN/3.
5.2.3. Estimarea densitatilor spectrale
Prin definitie:
)] ( r [ F d e ) ( r ) ( S
u
j
0
u u


)] ( r [ F d e ) ( r ) ( S
uy
j
0
uy uy

.
Pentru definirea unor estimatori ai densitatilor spectrale sa observam ca
prin trunchiere se amplifica erorile, prin delimitarea intervalului de integrare si
prin nlocuirea integranzilor prin estimatorii lor. Astfel estimatorii posibili ai
densitatilor spectrale sunt:
. d e ) ( r ) ( S
d e ) ( r ) ( S
j
0
T
uy
T
uy
j
0
T
u
T
u



n acest caz:
. dtd e ) t ( u ) t ( u
T
1
d e dt ) t ( u ) t ( u
T
1
) ( S
j
T
0
T
0
j
T
0
T
0
T
u
+

,
_

+



Cu schimbarea de variabila t+=, t=, rezulta:
) j ( U ) j ( U
T
1
d d e ) ( u ) ( u
T
1
) ( S
T T ) ( j
T
0
T
0
T
u




84
n care

d e ) ( u ) j ( U
j
T
0
T
si, n final,
2
T T
u
) j ( U
T
1
) ( S . Similar,
) j ( Y ) j ( U
T
1
) ( S
T T T
uy

UT(j) si YT(j) fiind deci transformatele Fourir trunchiate ale semnalelor de
intrare u(t) si respectiv iesire y(t). Acesti estimatori sunt asimptotic nedeviati.
ntr-adevar,



T
0
j
u
j
T
0
T
u
T
0
j T
u
T
u
d e ) ( r d e )] ( r [ M ] d e ) ( r [ M )] ( S [ M .
Se constata ca:
). ( S d e ) ( r )] ( S [ M lim
u
0
j
u
T
u
T




n mod asemanator rezulta ca ). ( S )] ( S [ M lim
uy
T
uy
T


n ceea ce
priveste dispersiile acestor estimatori se poate arata ca acestia nu depind de
lungimea tronsonului de date ci de parametri statistici ai semnalelor u(t) si y(t),
ceea ce face ca estimatorii sa nu fie consistenti [8]. Totusi, influenta trunchierii
poate fi considerabil micsorata prin folosirea asa-numitelor "ferestre de
ponderare" si, daca dispunem de un algoritm bun de calcul al transformatei
Fourir a semnalelor, estimatorii pot deveni suficient de performanti.
Daca u(t), t[0,), este un semnal oarecare si uT(t), t[0,T] este acelasi
semnal trunchiat, observat doar n intervalul [0,T], acesta din urma este
echivalent cu produsul dintre u(t) si o functie
( )

'

rest n 0
] T , 0 [ t pentru 1
t f

numita poarta (fereastra temporala), dupa cum se observa si n fig. 5.9, deci:
) t ( f ) t ( u ) t ( u
T
.
n baza teoremei de convolutie n
complex, rezulta ca:
)] t ( f [ F )] t ( u [ F )] t ( u [ F
T

Cu alte cuvinte, spectrul u
T
(t) difera de
cel al semnalului real u(t) datorita convolutiei cu
spectrul "ferestrei temporale" f(t). Daca nsa
F[f(t)] ar fi impulsul Dirac, atunci, evident:
)] t ( u [ F )] t ( u [ F
T
.
nlocuind deci f(t) cu o alta functie, a
carui spectru aproximeaza suficient de bine
functia Dirac, obtinem un spectru U
T
(j)
"netezit", mai apropiat de spectrul real. Cteva
astfel de functii sunt urmatoarele:
0
0
0
u(t)
t
t
f(t)
u
T
(t)
t
T
T
Fig. 5.9

85
1. Fereastra triunghiulara: ( )
[ ]
[ ]

'

+
+

T , 0 t pentru T t 1
0 , T t pentru T t 1
t

2. Fereastra Barlett: ( )

'

rest n 0
] T , 0 [ t pentru T t 1
t B

3. Fereastra Hamming generalizata:
( )
( )

'

1
]
1

rest n 0
2
T
,
2
T
t
t 2
cos 1
t H
T
m
.
n cazul =0,54, functia se numeste fereastra Hanning.
4. Fereastra Blackman:

'

+ +

rest n 0
] 2 / T , 2 / T [ t pentru T t 4 cos 08 , 0 T t 2 cos 5 , 0 42 , 0
) t ( W

Desigur precizia estimatorilor depinde si de precizia de estimare a
transformatei Fourir din datele intrare-iesire care sunt de regula discretizate.
Consideram u(t)=[u(0),u( ),...,u((N-1))]
T
.
Prin definitie:
. u dt e ) t ( u ) f 2 j ( U ) j ( U
n
t
n
jf 2
0
n n


Prin discretizare, t=k k=0,1,2,...., rezulta:


k
n
jf 2
0 k
n n
e ) k ( u ) f ( u u
unde , 2 / 1 f f 0
c n
< < ceea ce nseamna ca frecventa maxima posibila n care
se poate calcula transformata Fourir corespunde perioadei 2, conform
teoremei Shannon. Putem considera ]] 2 / N [ , 0 [ n cu N / n f
n
si n acest caz:

k
N
n
j 2
0 k
n n
e ) k ( u ) f ( u u

.
Efectul trunchierii consta n limitarea sumei, deci:
k
N
n
j 2
1 N
0 k
T
n
e ) k ( u u


si, dupa cum am aratat, acest efect poate fi micsorat folosind o functie de
ponderare w(k) oarecare, deci:
k
N
n
j 2
1 N
0 k
T
n
e ) k ( u ) k ( w u


Pentru reducerea si mai accentuata a efectului trunchierii, cea mai
cunoscuta tehnica, din punct de vedere numeric, este urmatoarea:
- pentru estimarea densitatii spectrale n M+1 puncte (frecvente
distincte), cuprinse ntre 0 si f
c
=1/2, se mparte esantionul de date n k
segmente de lungime 2M. Pentru fiecare segment se calculeaza estimatorul pe
86
baza a 2M date n (M+1) puncte si, n final, cei k estimatori se mediaza pentru
fiecare frecventa. Se poate demonstra ca prin acest procedeu dispersia
estimatorului densitatii spectrale se reduce de k ori.
Efectul discretizarii datelor se manifesta prin suprapunerea n spectru a
componentelor corespunzatoare frecventelor f
n
si f
n+pN
(p ntreg). ntr-adevar:
( ) ( ) ( ). f u e e k u
p
n
n
u
N
pN n
u f u
n
jpk 2
k
N
n
j 2
1 N
0 k
pN n

,
_

,
_

+


deoarece p este ntreg si e
-2jpk
=1.
Pentru a diminua acest fenomen (aliasing) esantionarea trebuie facuta cu
frecventa suficient de mare ( mic) pentru ca n afara intervalului 0<f<f
c
sa
ramna ct mai putine componente ale spectrului. n forma data, transformata
Fourir discreta necesita un volum foarte mare de calcule pentru evaluarea ei n
M puncte pe baza a N date, fiind necesare N
2
/2 operatii de multiplicare n
complex pentru fiecare punct. Transformata Fourir poate fi calculata numai prin
Nlg
2
N operatii de multiplicare cu algoritmul rapid (TFR) propus de Danielson si
Lanczos n 1942, cu variantele Cooley-Tukey. Diferenta de la N
2
la Nlg
2
N este
enorma, mai ales pentru valori mari ale lui N. Transformata Fourir rapida se
bazeaza pe descompunerea sumei care defineste TF discreta n doua
componente, una corespunzatoare indicilor de sumare pari si alta celor impari
(se recomanda N=2
r
).
( )
( )
( ) . u e u e ) 1 i 2 ( u e e ) i 2 ( u
e ) 1 i 2 ( u e ) i 2 ( u e ) k ( u ) f ( u
i
n
N
n
j 2
p
n
1
2
N
0 i
i 2
N
n
j 2
N
n
j 2 i 2
N
n
j 2
1
2
N
0 i
1
2
N
0 i
1 i 2
N
n
j 2 i 2
N
n
j 2
1
2
N
0 i
k
N
n
j 2
1 N
0 k
n

+ + +
+ +



n care
p
n
u corespunde sumei n care u(k) este luat dupa indicii pari si
i
n
u celei n
care indicii sunt impari. Relatia poate fi folosita recursiv, deoarece la rndul lor
p
n
u
si
i
n
u pot fi descompuse n componente de lungime N/4,
ip
n
pi
n
pp
n
u , u , u si u
ii
nct:
( ) . u e u e u e u f u
ii
n
N
n 4
j 2
ip
n
N
n 3
j 2
pi
n
N
n 2
j 2
pp
n n

+ + +
Daca N este putere ntreaga a lui 2, procedura poate continua pna cnd
sumele se restrng la un singur termen care este evident un element u(k) din sirul
de date, deci, pastrnd conventia de notatie, ) k ( u u
ip .... pipp
n
.
Problema se pune de a gasi acel u(k) care corespunde elementului
ip .... pipp
n
u . Danielson si Lanczos au demonstrat ca daca se asociaza indicilor
superiori p si i respectiv valorile binare 0 si 1, atunci indicele superior al lui u
n
,
citit de la dreapta la stnga, privit ca numar binar, reprezinta valoarea lui k. n
consecinta algoritmul foloseste drept coeficienti ai exponentialelor care apar
datele u(k) asezate n alta ordine. De exemplu, presupunem 8 date:
87
Ordinea naturala u(0) u(1) u(2) u(3) u(4) u(5) u(6) u(7)
k 000 001 010 011 100 101 110 111
k
T
000 100 010 110 001 101 011 111
Ordinea TRF u(0) u(4) u(2) u(6) u(1) u(5) u(3) u(7)
5.2.4. Identificarea sistemelor liniare folosind marimile din
functionarea normala
n cazurile n care procesul tehnologic nu poate fi ntrerupt din
functionarea normala sau nu accepta suprapunerea semnalelor de proba, este
necesar sa se recurga la metode de identificare bazate pe datele de intrare-iesire
masurate n functionarea normala a procesului. Caracterul aleator al marimilor
de intrare si iesire din proces se datoreaza perturbatiilor n cazul sistemelor
functionnd n circuit nchis si implica folosirea metodelor bazate pe functiile de
corelatie sau de densitate spectrala. Aceste metode (pasive) presupun o atentie
deosebita n prelucrarea datelor pentru a verifica conditiile de stationaritate a
marimilor de intrare si iesire din sistem, precum si persistenta lor.
Verificarea practica a stationaritatii se poate face n modul urmator:
- se mparte durata T de observare a semnalului de intrare n M intervale
de timp egale, care se esantioneaza cu un pas . Pentru semnale rapid variabile
intervalele pot fi adiacente, dar pentru cele lent variabile intervalele trebuie
separate pentru a asigura necorelarea valorilor dintr-un interval n raport cu
celelalte;
- se calculeaza valorile medii si mediile patratice pe fiecare din aceste M
intervale;
- se cerceteaza variatiile sirurilor de valori medii si medii patratice. Daca
aceste variatii sunt suficient de mici (sub o valoare prestabilita) putem admite
stationaritatea semnalului.
n cazul unor semnale nestationare se poate recurge la stationarizarea lor
(eliminarea tendintei si a componentelor sezoniere). Alegerea perioadei de
esantionare este dificila daca nu dispunem de informatii apriorice asupra
spectrului de frecventa. O solutie posibila a problemei este alegerea perioadei
n functie de viteza medie de variatie a semnalului, care, la rndul ei poate fi
apreciata prin numarul mediu de intersectii ale curbei care reprezinta semnalul
cu valoarea medie (altfel spus numarul mediu de schimbari de semn n semnalul
centrat) [3].
Deducerea modelului procesului liniarizat se face tot pe baza relatiilor
Wiener-Hopf n domeniul timp si a densitatilor spectrale n domeniul
frecventelor. Deoarece n functionarea normala semnalul de intrare nu prezinta
n general caracteristicile zgomotului alb, deducerea functiei pondere se face
prin rezolvarea ecuatiei integrale n cazul continuu sau a sistemului:
..... 2 , 1 , 0 k ) n k ( r ) n ( h ) k ( r
u
0 n
uy


n cazul unui sistem discret. Aceeasi problema se ridica oricnd nu avem posibi-
litatea de a aplica la intrare un semnal de proba de tip zgomot alb, si de
88
asemenea, n cazul identificarii n circuit nchis cu semnal de proba cnd
modelul rezulta prin rezolvarea ecuatiei:
..... 2 , 1 , 0 k ) n k ( r ) n ( h ) k ( r
c
xx
0 n
uy


Dispunnd de datele de intrare-iesire cuprinse n vectorii:
u(t)=[u(1),...,u(N)]
T
si y(t)=[y(1),.....,y(N)]
T

putem calcula functiile de corelatie cu aproximatiile amintite, deci vom dispune
de vectorii:
T
uy uy uy
T
u u u u
)] m ( r ),..., 0 ( r [ r
)] m ( r ),..., 1 ( r ), 0 ( r [ r

cu mN-3.
Se observa ca ecuatiile Wiener-Hopf vor fi inevitabil trunchiate. Dnd
lui k valori de la 0 la m, rezulta sistemul:
h ) 1 m ( R
) m ( h
) 1 ( h
) 0 ( h
) 0 ( r ) m ( r
) 1 m ( r ) 0 ( r ) 1 ( r
) m ( r ) 1 ( r ) 0 ( r
r
u
u u
u u u
u u u
uy
+
1
1
1
1
]
1

1
1
1
1
]
1

M
L L
L L L L
L
L

Matricea R
u
(m+1) este matricea Toeplitz a semnalului de intrare, iar h
este vectorul care contine valorile functiei pondere. Solutia h=R
u
-1
r
uy
este
posibila atunci cnd matricea R
u
este nesingulara, deci cnd semnalul u(t) este
SP
m+1
.

Bibliografie
[1] Unhehanen H. - Ein graphisch analitisches Verfahren, Regelungstechnik
11/1963.
[2] Werner G.W. - Ansvertung graphisch vor liegender Gewichtsfunctionen-
Messensteuern Regelungstechnik 9/1966.
[3] Penescu C., Tertisco N., Identificarea experimentala a proceselor
industriale, Ed. Tehnica, 1970.
[4] Strejc V., - Approximation Process for Aperiodic Transfer Characteristics -
Regelungstechnik 7, 1959.
[5] Strejc V., The approximation of aperiodic transient responses - Messen, Stern,
Regel, 1960.
[6] Tertisco M., Stoica P.- Determinarea f.d.t. din caracteristicile de frecventa.
Rev. Automatica si electronica Nr.3/1976.
[7] Tertisco M., Stoica P.- Determinarea f.d.t. din caracteristicile de frecventa.
Rev. Automatica si electronica Nr.20/1976.
[8] Stoica P, Tertisco M. - Modelarea si predictia seriilor de timp. Ed. Academica
1988.
89
CAPITOLUL 6
Estimatori de risc minim
6.1. Introducere
ntr-o problema concreta de identificare primul pas consta n alegerea
clasei de modele n interiorul careia se cauta cea mai buna aproximatie a
procesului tehnologic investigat. Daca tipul de model este de regresie sau
parametric, ramne de rezolvat problema esentiala a determinarii parametrilor
acestuia. n principiu, aceasta problema poate fi rezolvata fie prin optimizare
parametrica fie cu ajutorul teoriei estimatiei, dar, oricare ar fi modul de abordare,
trebuie tinut seama de ipotezele care conditioneaza estimarea.
Presupunem sistemul (S) si un model (M) parametric reprezentate n figura 6.1 n
care ( )

, q G
1
este functia de transfer discreta a partii deterministe a sistemului,
dependenta de parametrii
*
, G(q
-1
,) functia de transfer discreta a modelului partii
deterministe dependenta de parametrii , iar v(t) este perturbatia.

G
*
(q
-1
,

(
)
Proces tehnologic
Model
G(q
-1
,
)
u(t)
v(t)
x(t)
y(t)
y
m
(t)
Model (M)
Sistem (S)
Fig. 6.1

Ipotezele care se fac asupra sistemului si modelului sunt urmatoarele:
I
1
- Sistemul este dinamic liniar, de ordin finit, asimptotic stabil, stohastic si
liniar n parametri.
I
2
- Perturbatia este proces stohastic stationar de medie nula si matrice densitate
spectrala rationala si nesingulara.
I
3
- Vectorul parametrilor
*
este unic.
I
4
- Exista un vector astfel nct G(q
-1
,)=G(q
-1
,
*
).
I
5
- Intrarea u(t) este semnal persistent de ordin suficient de mare.
I
6
- Intrarea u(t) si perturbatia v(t) sunt independente.
Consecinte ale acestor ipoteze:
1
0
- Din prima ipoteza rezulta ca sistemul poate fi descris de ecuatia:
( ) ( ) ( ) ( ) t v t u , q G t y
* 1
+


unde G
*
(q
-1
,
*
) este functia de transfer discreta corespunznd unui sistem liniar
stabil de ordin finit.
2
0
- Din ipoteza a doua rezulta ca: v(t)=H
*
(q
-1
)e(t)
90
unde e(t) este o secventa de zgomot alb de medie nula si matrice de covarianta
*2
I,
iar H
*
(q
-1
) este functia de transfer discreta a unui filtru liniar stabil. n acest caz
sistemul poate fi descris de ecuatia:
(S) ) t ( e ) q ( H ) t ( u ) , q ( G ) t ( y
1 1
+ .
3
0
- Din primele doua ipoteze rezulta ca vectorul
*
poate fi extins cu parametrii
modelului de zgomot H
*
(q
-1
) si dispersia
*2
a secventei de zgomot alb.
4
0
- Ipoteza I
4
conduce la concluzia ca este rational sa alegem un model (M) de
aceeasi forma cu sistemul admis, adica:
(M)

'

) t ( ) q ( H ) t ( v
) t ( v ) t ( u ) , q ( G ) t ( y
1
1
m

unde (t) este o secventa de zgomot alb de medie nula si matrice de covarianta
2
I.
Daca dorim o identificare completa, att a partii deterministe ct si a partii stohastice
a procesului tehnologic, vectorul parametrilor necunoscuti ai modelului trebuie
evident extins cu parametrii functiei de transfer discrete H(q
-1
) si cu dispersia ?
2
a
secventei de zgomot alb. Daca
) q ( A
) q ( B
) q ( G
1
1
1


cu gradA
*
=na
*
si gradB
*
=nb
*
,
polinoamele A
*
si B
*
fiind prime ntre ele, avnd zerourile n afara cercului unitar
(ceea ce asigura valabilitatea ipotezei I
1
), atunci n conformitate cu ipotezele I
3

si I
4

rezulta ca exista astfel nct:
) , q ( G
) q ( A
) q ( B
) q ( A
) q ( B
) , q ( G
1 *
1
1
1
1
1




unde gradA(q
-1
)=na si gradB(q
-1
)=nb. Deoarece A
*
si B
*
sunt prime ntre ele,
rezulta ca:
0 ) nb nb , na na min( n

.
Daca n
*
>0 atunci na>na
*
si nb>nb
*
(modelul este redundant),
polinoamele A si B se simplifica, deci:
) q ( L ) q ( B ) q ( B
) q ( L ) q ( A ) q ( A
1 1 1
1 1 1


unde L(q
-1
) este un polinom cu zerourile strict n afara cercului unitar. Evident,
n acest caz nu este unic. Daca nsa n
*
=0 atunci =
*
si este unic. Aceleasi
consideratii pot fi facute si asupra partii stohastice a modelului.
5
0
- Ipotezele I
5
si I
6
sunt legate de conceptul de "conditii experimentale"
introdus pentru a arata n ce conditii experimentale identificarea este
corespunzatoare.
Conceptul de sistem si ipotezele facute asupra lui sunt introduse pentru a
realiza o descriere matematica a procesului tehnologic de identificat. O astfel de
descriere este evident ideala. Totusi, n scopul analizelor asupra consistentei si
preciziei estimatorilor parametrilor, necesare pentru dezvoltarea teoretica,
aceasta descriere precum si ipotezele facute sunt absolut necesare pentru ca, de
91
fapt, se refera la mecanismul care genereaza datele de intrare-iesire.
Problema de estimare poate fi formulata astfel:
Dat fiind un model si precizata structura lui (na,

nb) sa se determine
parametrii lui cuprinsi n vectorul pe baza a N date asupra intrarii si iesirii, n
conformitate cu un criteriu.
Exista multe criterii posibile care permit estimarea parametrilor
modelului. Acestea pot fi grupate n cteva categorii:
- criterii functie de informatiile apriorice despre procesul tehnologic,
care conduc la estimatori Bayes (de risc minim);
- criterii functie de eroarea de modelare;
- criterii functie de eroarea de predictie a iesirii din sistem.
ntre estimatorii generati pe baza acestor criterii exista, n situatii
particulare, legaturi care uneori sunt evidente, alteori subtile.
Exista si un alt mod de a rezolva problema estimarii si anume de a
deduce estimatori cu calitati de consistenta si de precizie impuse. Din clasa
acestor estimatori fac parte estimatorii de variabila instrumentala.
n cele ce urmeaza vom analiza estimatorii de risc minim (Bayes).
Problema estimarii parametrilor unui model poate fi privita ca un studiu
al parametrilor si al dependentei parametrilor unei populatii statistice, daca sunt
disponibile datele de intrare si iesire din procesul tehnologic.
Proces tehnologic
Model
Informatii
apriorice
u(t)
v(t)
y(t)
(
)
( )
+
+


Fig. 6.2
Daca ?
*
=[?
1
*
,.,?
m
*
] reprezinta vectorul parametrilor procesului tehnologic
si ?=[?
1
,.,?
n
] vectorul parametrilor modelului specificat (fig. 6.2),

eroarea de
modelare e
m
(t,)=y(t)-y
m
(t,) ofera o oarecare masura a corespondentei dintre
vectorii parametrilor
*
si . Vectorul
*
nefiind accesibil prin masuratori directe, nu
poate fi cercetat dect statistic. Acest lucru este posibil numai daca dispunem de
cunostinte apriorice despre densitatile de probabilitate. n literatura statistica s-au
dezvoltat mai multe proceduri de estimare care difera n primul rnd prin criteriile de
definire a optimalitatii si prin folosirea cunostintelor disponibile apriori.
Presupunem cunoscute datele de intrare-iesire sub forma discreta:
Y=[y(1),....,y(N)]
T
si U=[u(1),....,u(N)]
T
.
Scopul teoriei estimatiei este de a determina pe baza esantioanelor Y si
U. Se cauta deci o functie (U,Y), care sa fie o aproximatie ct mai buna a
92
vectorului
*
. Functia (Y,U) se numeste estimator, iar valoarea functiei pentru
Y si U determinate se numeste estimatie. Cum Y este un esantion dintr-un
proces aleator rezulta ca si (Y,U) este o variabila aleatoare. n consecinta,
calitatea estimatorului va depinde de caracteristicile sale statistice, care sunt
posibil de obtinut prin intermediul functiei densitate de probabilitate p(/Y,U).
Aceasta functie este evident conditionata de datele de intrare-iesire si ofera tipul
cel mai bun de cunoastere ce se poate deduce prin prelucrarea datelor statistice,
dar si cel mai greu de utilizat practic, mai ales daca dimensiunea vectorului
este mare. Din acest motiv n majoritatea cazurilor, n locul densitatii de
probabilitate, se utilizeaza caracteristicile statistice cele mai semnificative:
- media M[];
- deviatia -M[];
- covarianta cov=M[(-M())(-M())
T
].
De remarcat ca daca functia densitate de probabilitate ar fi normala,
atunci prin restrngerea la medie si covarianta nu se pierde nici o informatie
ntruct repartitia normala este complet specificata de primele doua momente.
Pentru alte repartitii nsa acest lucru nu se ntmpla. n consecinta, este necesar
de definit o serie de indicatori de calitate ai estimatorilor, pe baza acestor
caracteristici statistice.
Definitia 1. Daca pentru orice esantionare Y,U media M[(Y,U)]=
*
,
atunci estimatorul se numeste estimator nedeviat. Daca aceasta conditie este
satisfacuta numai pentru esantioane mari (N), atunci estimatorul este
asimptotic nedeviat. n general vor exista multi estimatori nedeviati pentru
acelasi
*
. Pentru a alege dintre acestia, un criteriu natural este dispersia acestor
estimatori ca masura a mprastierii lor fata de medie.
Definitia 2. Un estimator nedeviat (Y,U) este eficient daca, oricare ar
fi un alt estimator
~
nedeviat, ( ) ( ).
~
cov cov Inegalitatea trebuie interpretata
n sensul ca matricea ( ) 0 cov
~
cov este nenegativ definita.
Definitia 3. Un estimator (Y,U) este consistent daca:
0 ] [ P lim
N
>



oricare ar fi >0 si arbitrar de mic, adica converge n probabilitate la valoarea
adevarata a parametrilor.
Definitia 4. Un estimator (Y,U) se numeste suficient daca oricare ar fi
alt estimator
~
, densitatea de probabilitate este
), /
~
( p ) , /
~
( p
*

deci nu
depinde de ?
*
. Denumirea este justificata chiar de relatia de definitie si anume de
faptul ca nici un estimator
~
nu aduce informatii suplimentare despre valoarea
adevarata
*
, atunci cnd este dat. Cu alte cuvinte, estimatorul contine toata
informatia despre
*
din esantioanele observate.
Sunt necesare unele precizari n legatura cu eficienta unui estimator. Sa
consideram densitatea de probabilitate a vectorului Y (iesirea din proces), p(Y/
*
,U),
93
care depinde evident de
*
si U. Functia: ) U , / Y ( p ln ) ( L

se numeste
functie de verosimilitate logaritmica.
Definitia 5. Se numeste matrice de informatie si se noteaza cu J
matricea:
1
1
]
1

,
_

,
_

T
) ( L ) ( L
M J
n care M[] reprezinta media n raport cu distributia vectorului Y.
Lema 1. Matricea de informatie satisface urmatoarea egalitate:
1
]
1



1
1
]
1

,
_

,
_

2
2
T
) ( L
M
) ( L ) ( L
M J .
Demonstratie. Deoarece p(Y/
*
,U) este densitate de probabilitate,
verifica egalitatea:

N
R
1 dY ) U , / Y ( p
sau, derivnd n raport cu parametrul
*
,
0 dY
) U , / Y ( p
N
R

.

Atunci media:
dY ) U , / Y ( p
) ( p
) U , / Y ( p
1
dY ) U , / Y ( p
) ( L ) ( L
M
N N
R
*
R

1
]
1




deci:
0
) ( L
M sau 0 dY ) U , / Y ( p
) ( L
N
R

1
]
1


Derivnd nca o data n raport cu
*
obtinem:
0 dY
) U , / Y ( p ) ( L
) U , / Y ( p
) ( L
N
R
T
2
2

1
1
]
1

,
_


sau: 0 dY ) U , / Y ( p
) ( L ) ( L
) U , / Y ( p
) ( L
N
R
T
2
2

1
1
]
1

,
_

,
_


deci:
1
1
]
1

,
_

,
_



1
]
1

T
2
2
) ( L ) ( L
M
) ( L
M .
Lema 2. Fie o matrice simetrica Q, partitionata astfel:
1
]
1

22 21
12 11
Q Q
Q Q
Q cu Q11 si Q22 matrice patratice.
94
Atunci: 1) Q>0 daca si numai daca

'

>
>

'

>
>

0 Q Q Q Q
0 Q
sau
0 Q Q Q Q
0 Q
12
1
11 21 22
11
21
1
22 12 11
22

2) Q0 si Q
22
>0 implica 0 Q Q Q Q
21
1
22 12 11


.
Demonstratie. Consideram un vector x de dimensiunea lui Q pe care l
partitionam similar x=[x
1
,x
2
]
T
. Atunci forma patratica x
T
Qx devine:
2 22
T
2 2 12
T
1 1 11
T
1
T
x Q x x Q x 2 x Q x Qx x + + .
Sa evaluam extremul acestei functii patratice n raport cu x
2
.
0 x Q 2 x Q 2
x
] Qx x [
2 22 1
T
12
2
T
+


de unde:
1
T
12
1
22 2
x Q Q x

, iar
. Q 2
x
] Qx x [
22
2
2
T 2


Deoarece Q
22
>0, extremul va fi minim, iar
. x ] Q Q Q Q [ x ] Qx x min[
1 12
1
22 12 11
T
1
T

Prin ipoteza, minimul formei este pozitiv, de unde rezulta ca ntreaga forma este
pozitiva (Q>0) si reciproc. Partea a doua a lemei este evidenta deoarece daca Q
si Q
22
sunt pozitive atunci si minimul va fi pozitiv deci . 0 Q Q Q Q
T
12
1
22 12 11



Teorema 1. (Cramr-Rao)
Fie un estimator nedeviat pentru
*
. Atunci matricea de covarianta a
lui satisface inegalitatea:
1 T
J ] ) )( [( M cov


unde J este matricea de informatie. Inegalitatea trebuie interpretata n sensul ca
matricea [cov-J
-1
] este nenegativ definita.
Demonstratie. Consideram matricea pozitiv definita:
( )
0 L ,
L
M
T
T

1
1
]
1

,
_

,
_


unde

L semnifica .
) ( L


n alta forma matricea este:
0
] L L [ M ] ) ( L [ M
] ) ( L [ M ] ) )( [( M
T T
T T

1
1
]
1



n aceasta matrice M[L
?*
L
?*
T
]=J prin definitie. Sa examinam media
M[L
?*
(?-?
*
)
T
] n raport cu repartitia vectorului Y. Prin ipoteza avem:

N
R
dY ) U , / Y ( p

estimatorul fiind nedeviat. Derivnd n raport cu
*
rezulta:
95
a)

N N
R
T T
R
. I dY ) U , / Y ( p L sau I dY
) U , / Y ( p

Tinnd seama ca M[L
?*
]=0 (vezi lema 1),

N
R
0 dy ) U , / Y ( p L sau,
nmultind cu
*T
, rezulta:
b) . 0 dy ) U , / Y ( p L
N
R


Prin scaderea relatiilor a) si b) rezulta:
. I ] ) ( L [ M sau I dy ) U , / Y ( p ) ( L
N
R
T T



n acest caz matricea initiala devine:
. 0
J I
I ] ) )( [( M
T

1
]
1




Aplicnd rezultatul obtinut n lema 2, rezulta:
. 0 J ] ) )( [( M
1 T



Denumirea de matrice de informatie trebuie considerata n legatura cu
inegalitatea Cramr-Rao. Daca matricea J este singulara rezulta ca parametrii
*

nu pot fi estimati din esantioanele observate.
Cu alte cuvinte, esantionul Y (pentru U dat) nu contine nici o informatie
asupra procesului, variatiile marimii de iesire datorndu-se n exclusivitate
perturbatiei. Daca matricea J are elementele de pe diagonala principala foarte
mari n raport cu celelalte, rezulta ca estimatiile sunt putin dispersate n raport
cu
*
, deci iesirea din proces contine informatii bogate despre parametrii
adevarati ai procesului tehnologic. Daca exista un estimator astfel nct
inegalitatea Cramr-Rao sa se transforme n egalitatea:
1 T
J ] ) )( [( M


atunci estimatorul este un estimator eficient al lui
*
. Daca egalitatea este
satisfacuta numai pentru esantioane mari (N) atunci estimatorul este
asimptotic eficient. Din definitia eficientei unui estimator si din legatura cu
matricea de informatie rezulta ca un estimator eficient este de dispersie minima
n clasa estimatorilor nedeviati.
Obtinerea practica a estimatorilor este n functie de cantitatea de
informatii apriorice disponibile. Informatiile aprior ice despre proces sunt bogate
daca sunt disponibile urmatoarele functii:
1 - densitatea de probabilitate a zgomotului; utiliznd aceasta functie, n
virtutea ipotezei de liniaritate a procesului tehnologic, se poate deduce densitatea
de probabilitate a iesirii p(Y/
*
,U).
2 - densitatea de probabilitate a vectorului parametrilor p(
*
); este cea
mai severa cerinta, p(
*
) putnd fi disponibila doar n urma aplicarii unui alt
estimator, mai simplu.
3 - functia de cost C(,
*
), care exprima pierderea produsa considernd
drept valoare a parametrilor cnd de fapt aceasta este
*
.
96
Estimatorii care necesita toate aceste informatii pentru a putea fi dedusi se
numesc estimatori de risc minim (ERM). Alti estimatori sunt cazuri particulare ai
acestora, obtinuti pe masura ce cantitatea de informatie apriorica scade.
Prin definitie, estimatorul care minimizeaza riscul mediu aposteriori
(dupa efectuarea experimentului) se numeste estimator de risc minim (ERM).



d ) U , Y / ( p ) , ( C min arg ] U , Y / ) , ( C [ M min arg

m
R

unde m este dimensiunea vectorului .
Cunoscnd p(Y/
*
,U) si p(
*
) putem determina p(
*
/Y,U) cu ajutorul
formulei Bayes:
) Y ( p
) ( p ) U , / Y ( p
) U , Y / ( p



unde

d ) ( p ) U , / Y ( p ) Y ( p
m
R
(formula probabilitatii totale).
n consecinta, avnd disponibile toate informatiile necesare - p(Y/
*
,U),
p(
*
) si C(,
*
) - putem determina estimatorul de risc minim. Datorita utilizarii
teoremei Bayes, estimatorii de risc minim se mai numesc si estimatori Bayes.
Daca functia de cost C(,
*
) are forme particulare, atunci estimatorii de risc
minim capata semnificatii fizice concrete.
Exemplul 1. Sa consideram functia de cost . ) , ( C
2

Atunci:
. d ) U , Y / ( p ] U , Y / ) ( C [ M
m
R
2




Estimatia de risc minim rezulta din:
0 d ) U , Y / ( p ) ( 2 ] U , Y / ) ( C [ M
m
R


sau:



m m
R R
d ) U , Y / ( p d ) U , Y / ( p
Deoarece 1 d ) U , Y / ( p
m
R

, rezulta solutia:



d ) U , Y / ( p

m
R
care
reprezinta media distributiei conditionate.
Exemplul 2. Sa consideram functia de cost

) ( C . Atunci
estimatorul de risc minim este:
). ( V min arg d ) U , Y / ( p min arg

m
R
RM



Din conditia: 0 d ) U , Y / ( p ) ( sign
) ( V
m
R


si cu notatia
T
m 2 1
]

,...,

, care reprezinta valoarea pentru care (-


*
) si
schimba semnul, rezulta:




d ) U , Y / ( p .... d ) U , Y / ( p ....
m 1
m 1



deci

reprezinta mediana distributiei conditionate.


Exemplul 3. Sa consideram C(-
*
)=-(-
*
). Aceasta functie de cost
97
semnifica faptul ca orice pierdere este posibila prin considerarea estimatorului n
locul valorii adevarate. n acest caz:



*
m
) U , Y / ( p d ) U , Y / ( p ) - ( ] U , Y / ) - ( C [ M ) ( V
*
R

) U , Y / ( p max arg )] U , Y / ( p [ min arg

RM



astfel nct estimatorul reprezinta moda distributiei conditionate.
Daca informatiile apriorice nu permit formularea unei functii de cost C(-
*
)
adecvate, atunci este rational sa alegem estimatorul

care maximizeaza densitatea de


repartitie, p(
*
/Y,U), deoarece potrivit teoremei Bayes,




m
R
d ) ( p ) U , / Y ( p
) ( p ) U , / Y ( p
) U , Y / ( p
aceasta densitate de probabilitate poate fi calculata din cunostintele apriorice.
Daca informatiile apriorice sunt reduse numai la cunoasterea densitatii de
probabilitate p(Y/
*
,U), un rationament simplu ne conduce la asa-numitul
estimator de verosimilitate maxima (EVM). Necunoscnd repartitia vectorului
*
,
este natural sa consideram echiprobabile toate valorile pe care le poate lua acesta
astfel nct procesul sa ndeplineasca ipotezele facute asupra lui. n consecinta,
putem presupune
*

uniform distribuit, p(
*
)=constant, ntr-un interval
*
[a,b].
Neexistnd informatii apriorice care sa permita formularea unei functii de
pierdere corespunzatoare, este de asemenea normal sa consideram ca orice
pierdere este posibila. n consecinta, putem alege C(,
*
)=-(-
*
). n
conformitate cu exemplul 3, rezulta ca:
.
) Y ( p
) ( p ) U , / Y ( p
max arg ) U , Y / ( p max arg



ntruct p(
*
)=constant si p(Y) nu depinde de , rezulta:
) U , / Y ( p max arg ) U , / Y ( p max arg



deci

este argumentul care maximizeaza functia de verosimilitate care se poate


deduce cunoscnd distributia zgomotului. n multe aplicatii este mai convenabil a se
obtine estimatorul
VM

din maximizarea functiei de verosimilitate logaritmica:


( ) ( ) U , / Y p ln max arg L max arg

VM



Ecuatiile care dau solutia problemei de extremizare, ( ) , 0 L se
numesc ecuatii de verosimilitate.
Estimatorul de verosimilitate maxima (EVM) a fost analizat pe larg n
literatura de specialitate data fiind posibilitatea de deducere a unui estimator
utiliznd informatii apriorice sarace. El se bucura de o serie de proprietati cum ar fi:
- normalitatea asimptotica;
- nedeviere asimptotica;
- eficienta asimptotica;
98
- consistenta;
- invarianta (

este EVM pentru


*
, iar )

( g este EVM pentru g(


*
)).
Aceste proprietati vor fi analizate n cazuri particulare, n functie de
distributia perturbatiei.
6.2. Estimatorul Markov
Acest estimator este un caz particular EVM n cazul n care perturbatia
v(t) (vezi fig. 6.2) este normal distribuita de medie nula si matrice de covarianta
R nesingulara, cunoscuta, aceasta fiind de fapt si singura informatie apriorica.
Desigur, vom deduce un estimator considernd valabile ipotezele generale I
1
-I
6.

Consideram un model de regresie al procesului care contine valori ale secventei
de ponderare:
(S)
) t ( v ) i t ( u ) i ( h ) t ( y
m
0 i
+


sau, n forma matriceala, dnd lui t valori N , 1 n t + , V U Y +

unde:

T T T
)] N ( v ),..., 1 m ( v [ V , )] m ( h ),...., 0 ( h [ , )] N ( y ),..., 1 m ( y [ Y + +


iar
( ) ( )
( ) ( )
1
1
1
]
1

m N u N u
1 u 1 m u
U
L
L L L
L

N fiind numarul de date, iar m numarul de puncte n care este cunoscuta functia
pondere h
*
(t).
Formularea problemei: Cunoscnd datele I/E continute n matricea U si
vectorul Y, sa se deduca un estimator
VM

pentru vectorul valorilor adevarate


*
.
Deoarece distributia perturbatiei este cunoscuta, vN(0,R), densitatea de
repartitie multidimensionala este:
( )
V R V
2
m N
2
m N
1 T
2
1
e
R 2
1
) v ( p

.
n virtutea liniaritatii dependentei Y=U
*
+V rezulta ca YN(M[Y],R
Y
),
unde R
Y
este matricea de covarianta a vectorului Y, deci:
( )
[ ] [ ] [ ] [ ] Y M Y
1
Y
R
T
Y M Y
2
1
2
m N
y
2
m N
e
R 2
1
) U , / Y ( p


unde M[Y]=M[U
*
+V]=U
*
+M[V]=U
*

R
Y
=M[(Y-M[Y])(Y-M[Y])
T
]=M[vv
T
]=R.
Deci:
( )
[ ] [ ]


U Y R U Y
2
m N
2
m N
1
T
2
1
e
R 2
1
) U , / Y ( p
Conditionarea repartitiei este evidenta din relatia dependentei liniare a
99
iesirii de perturbatie. Estimatorul de verosimilitate maxima va fi:
( )
( ) ( )
( ) ( )

U Y R U Y
2
1
min arg
] U Y R U Y
2
1
R 2
1
[ln max arg ) U , / Y ( p ln max arg

1
T
1 T
2
m N
VM

Notnd ) U Y ( R ) U Y (
2
1
) ( V
1 T


, care este evident o forma
patratica cu matrice nesingulara, ecuatiile de verosimilitate sunt:
0 Y R U U R U ] U R ) U Y ( ) U Y ( R U [
2
1 V
1 T 1 T 1 T 1 T



unde am tinut seama de simetria matricei de covarianta.
De aici rezulta ca:
Y R U ) U R U (

1 T 1 1 T
VM


este estimatorul care maximizeaza functia de verosimilitate, cu conditia ca:
, 0 U R U
V
1 T
2
2
>



ceea ce asigura si inversabilitatea matricei
1 T
R U

U. Aceasta conditie depinde
evident de matricea U, ceea ce presupune ca semnalul de intrare trebuie ales
corespunzator pentru a fi ndeplinita.
Proprietatile estimatorului Markov
1 - Estimatorul Markov este nedeviat
. V R U ) U R U ( ) V U ( R U ) U R U ( Y R U ) U R U (

1 T 1 1 T 1 T 1 1 T 1 T 1 1 T
+ +

Deoarece M[V]=0, rezulta imediat ca . ]

[ M


2 - Estimatorul Markov este normal distribuit.
ntr-adevar, daca notam , R U ) U R U ( A
1 T 1 1 T
atunci , AV

+


care atesta dependenta liniara ntre estimator si perturbatie. n consecinta,
( )
, R , N

unde:
1 1 T 1 1 T 1 1 T 1 1 T T
T T T T T

) U R U ( ) U R U ( U RR R U ) U R U ( ARA
A ] VV [ AM ] A AVV [ M ] )

)(

[( M

cov R




deci: ) ) U R U ( , ( N

1 1 T

3 - Estimatorul Markov este eficient.
ntr-adevar, cu notatiile facute mai sus, matricea de informatie va fi:
U R U ] U R U [ M
) ( V
M
) ( L
M J
1 T 1 T
2
2
2
2


1
]
1

1
]
1



Se observa ca
1

cov R

, deci estimatorul

este eficient.
100
4 - Estimatorul Markov este liniar.
Prin definitie, un estimator nedeviat oarecare
~
este liniar daca , BY
~

adica depinde liniar de datele de iesire, B fiind o matrice dependenta de intrare
satisfacnd relatia BU=I. n cazul nostru AY

, unde
1 T 1 1 T
R U ) U R U ( A

si
evident este satisfacuta egalitatea AU=I.
5 - Estimatorul Markov este consistent.
ntr-adevar, deoarece AV

+

, V fiind perturbatia care, n ipotezele
noastre, este un proces aleator stationar si ergodic, deci media lui V tinde la zero
cnd N rezulta ca si

o data cu cresterea esantionului.


Observatie. Estimatorul Markov depinde esential de ipoteza
normalitatii perturbatiei. Totusi, daca v(t) nu este normal distribuit dar este
cunoscuta matricea sa de covarianta, un estimator de aceeasi forma cu
estimatorul Markov are proprietati statistice asemanatoare.
Teorema 2. Presupunem ca u(t) si v(t) sunt semnale independente si ca
v(t) are o distributie arbitrara, de medie nula, M[v(t)]=0 si matrice de covarianta
R nesingulara. Atunci estimatorul:
AY Y R U ) U R U (

1 T 1 1 T



n care matricele U si Y au aceeasi semnificatie ca n cazul estimatorului Markov
este nedeviat, consistent de dispersie minima n clasa estimatorilor liniari nedeviati.
Demonstratie. Pentru proprietatile 1 si 2 sunt valabile demonstratiile
de la estimatorul Markov, unde nu a intervenit ipoteza normalitatii zgomotului.
Fie
~
un estimator oarecare liniar si nedeviat deci pentru care BY
~
,
cu BU=I, B fiind o matrice independenta de Y. Deoarece:
BV BV BU ] V U [ B BY
~
+ + +


rezulta media
*
]
~
[ M si:
T T T T
BRB ] B Bvv [ M ]
~
[ M ] )
~
)(
~
[( M
~
cov


unde


~ ~
este deviatia estimatorului
~
.
Similar rezulta
1 1 T T T
) U R U ( ]

[ M ARA

cov

.
Deoarece matricea
0 ] )

~
)(

~
[( M
T
>
este pozitiv definita, rezulta, prin explicitarea mediei:
. ARA BRA ARB BRB
) A B ( R ) A B ( ) A B ]( VV [ M ) A B (
] ) AV BV )( AV BV [( M ] )

~
)(

~
[( M
T T T T
T T T T T
T T
+



Tinnd seama de notatia facuta pentru matricea A si de proprietatea de
liniaritate a estimatorilor, rezulta: . 0

cov
~
cov >
Cum
~
este un estimator oarecare rezulta ca

este cel mai bun n clasa


estimatorilor liniari nedeviati.
101
6.3 Estimatorul celor mai mici patrate
Este un caz si mai particular al estimatorilor de verosimilitate maxima,
aplicabil sistemelor liniare cu zgomot alb normal distribuit de medie nula si matrice de
covarianta R=
*2
I deci cnd v(t)N(0,
*2
I),
*2
fiind dispersia zgomotului alb. n
aceasta situatie I ) 1 ( R
2 1
, iar estimatorul va avea forma Y U ) U U (

T 1 T
LS

n
care U si Y au aceeasi semnificatie ca n cazul estimatorului Markov.
Matricea de covarianta va fi:
1 T 2 T
LS LS LS
) U U ( ] )

)(

[( M

cov

.
Estimatorul celor mai mici patrate, fiind si un caz particular al
estimatorului Markov, se bucura deci de aceleasi proprietati. Daca v(t) este
zgomot alb dar arbitrar distribuit, atunci un estimator de aceeasi forma este liniar
optimal, adica de dispersie minima n clasa estimatorilor liniari nedeviati. Ca si
n cazul EM, aceasta este o situatie aparte care se datoreaza modelului ales si
anume secventa de ponderare.
n multe aplicatii, chiar daca zgomotul este alb, nu se cunoaste dispersia
lui
*2
. n acest caz, n afara vectorului
*
trebuie estimata si dispersia
zgomotului. Deoarece:
] ) U Y )( U Y [( M ] VV [ M I
T T 2


rezulta: ) U Y ( ) U Y (
m N
1
T 2

.
Necunoscnd
*
este natural sa estimam
*2
nlocuind
*
cu estimatorul
lui, deci un estimator pentru
*2
va fi:
)

U Y ( )

U Y (
m N
1

T 2

.
Acest estimator nsa este deviat, adica
2 2
]

[ M

pentru esantioane
mici. Se poate demonstra nsa ca:
)

U Y ( )

U Y (
1 m 2 N
1

T 2



este nedeviat, deci reprezinta mai bine dispersia zgomotului chiar daca volumul
de date este mic. n deducerea estimatorilor Markov si al celor mai mici patrate
sistemul poate fi considerat si multivariabil. Desigur, n acest caz efortul de
calcul creste proportional cu dimensiunile sistemului desi estimatorii au aceeasi
forma ca n cazul unidimensional.

Bibliografie
[1] Tertisco M., Stoica P. - Identificarea si estimarea parametrilor sistemelor. Ed.
Academiei 1980.
[2] Sderstrom T., Stoica P. - System Identification - Prentice Hall - 1989.
[3] Rao C.R. - Linear Statistical Inference and its Applications -John Wiley, New
York 1973.


102
CAPITOLUL 7
Identificarea prin metode parametrice directe
7.1. Metoda celor mai mici patrate
Dintre toate metodele de estimare parametrica directa, metoda CMMP
este desigur cea mai veche. Ea a fost utilizata pentru prima data de Gauss pentru
determinarea din masuratorile perturbate a orbitelor planetelor. Metoda se
utilizeaza pentru determinarea modelului partii deterministe a unui sistem
perturbat folosind drept criteriu eroarea medie patratica de modelare (fig. 7.1).
( )


N
1 t
2
m m
) , t ( e ) , t ( e V
unde:
). , t ( y ) t ( y ) , t ( e
m m

n cele ce urmeaza vom ilustra metoda
pe modele liniare cu diferente, caz n
care implementarea algoritmilor pe
calculator este facila.
Sa consideram sistemul (SISO)
descris de ecuatiile cu diferente:




+ +
+ + +
+
nb
nb
1
1
1
na
na
1
1
1
1 1
q b .... q b ) q ( B
q a .... q a 1 ) q ( A
) t ( v ) t ( u ) q ( B ) t ( y ) q ( A

si presupunem ca ndeplineste ipotezele generale I
1
-I
6
.
Cu notatiile:
T
T
nb
1
na
1
)] nb t ( u ),...., 1 t ( u ), na t ( y ),...., 1 t ( y [ ) t (
] b ,....., b , a ,...., a [






sistemul poate fi pus sub forma:
) t ( v ) t ( ) t ( y
T
+

(7.2)
Vectorul ) t ( este functie de datele de intrare si de iesire pna la
momentul t si reprezinta ntr-un fel "istoria" evolutiei procesului.
Problema de identificare poate fi formulata astfel: fiind cunoscute datele
de intrare/iesire din proces continute n vectorii:
[ ] [ ]
T T
) N ( y ),...., 2 ( y ), 1 ( y Y , ) N ( u ),...., 2 ( u ), 1 ( u U
sa se determine parametrii modelului:
(M)
nb
nb
1
1
1
na
na
1
1
1
1
m
1
q b .... q b ) q ( B
q a .... q a 1 ) q ( A
) t ( u ) q ( B ) t ( y ) q ( A



+ +
+ + +

(7.3)
astfel nct eroarea medie patratica de modelare sa fie minima.
u(t)
G(q
-1
Model
x
x(t)
+
y(t)
y
m
(t,
Proces tehnologic

)
,
)
-1
G(q
,

)
Fig. 7.1
v(t)
+
-
*
e
m
(t,

)

G
*
(q
-1
,?
*
)

103
Explicitnd functia criteriu obtinem:
( )
( ) . ) t ( u ) q ( B ) t ( y ) q ( A
) q ( A
1
N
1
) t ( u
) q ( A
) q ( B
) t ( y
N
1
) , t ( y ) t ( y
N
1
) ( V
2
1 1
N
1 t
1 2
N
1 t
2
1
1
N
1 t
2
m

,
_



si dupa cum se observa este puternic neliniara n parametri. Pentru obtinerea solutiei:
) ( V min arg


trebuie utilizat un algoritm de gradient, cu toate inconvenientele lui. Daca nsa
vom folosi criteriul celor mai mici patrate ponderate:
( ) ( ) [ ] ) , t ( e ) q ( A ) , t ( y t y ) q ( A
N
1
V
2
m
1
N
1 t
2
N
1 t
2
m
1 2




sau: ( ) [ ] ( )




N
1 t
2
T
N
1 t
2
1 1
) t ( ) t ( y
N
1
) t ( u ) q ( B ) t ( y ) q ( A
N
1
V (7.4)
unde
T
)] nb t ( u ),...., 1 t ( u ), na t ( y ),..., 1 t ( y [ ) t ( , criteriul devine patratic
n parametri si problema poate fi rezolvata analitic. Solutia se obtine din relatiile:
( )( )

'

>

. 0 ) t ( ) t (
N
1
2
) ( V
) ( V
0 ) t ( ) t ( y ) t (
N
1
2
) ( V
) ( V
T
N
1 t
2
2
2
T
N
1 t

si este evident:

,
_


N
1 t
1
N
1 t
T
LS
) t ( y ) t (
N
1
) t ( ) t (
N
1

. (7.5)
Estimatorul
LS

este functie de datele masurate de intrare/iesire si exista


daca matricea hessian este pozitiv definita. Cu notatia:
T
)] N ( ),..., 1 ( [ sau
1
1
1
]
1


) N (
) 1 (
T
T
M

estimatorul poate fi pus ntr-o forma mai simpla
( ) Y Y
N
1
N
1

T
1
T T
1
T
LS

1
]
1

(7.6)
cu conditia
T
>0.
Observatii:
1
0
. Criteriul V(?) poate fi privit ca un criteriu al erorii de predictie.
ntr-adevar:
) 1 t / t ( y ) nb t ( u b ..... ) 1 t ( u b ) na t ( y a .... ) 2 t ( y a ) 1 t ( y a ) t (
nb 1 na 2 1
T
+ + +

este predictor de pas (o functie de datele trecute ale intrarii si iesirii), iar:

104
) , t ( e ) 1 t / t ( y ) t ( y ) t ( ) t ( y
p
T

este tocmai eroare de predictie de pas, deci criteriul V() este eroarea medie
patratica de predictie de pas. Rezulta ca estimatorul
LS

poate fi privit ca
estimator care minimizeaza eroarea de predictie de pas (MEP).
2) Diferentele

) t ( ) t ( y ) t ( u ) q ( B ) t ( y ) q ( A ) t (
T 1 1
se numesc
reziduali. Cu aceasta notatie, modelul (M) poate fi scris:
(M) ) t ( ) t ( u ) q ( B ) t ( y ) q ( A
1 1
+

(7.7)
si estimatorul CMMP este argumentul care minimizeaza functia criteriu:
]. [ M ) t (
N
1
) ( V
T
N
1 t
2

(7.8)
Sa observam ca +

) t ( ) t ( v ) t ( ) t (
T
. Vectorii implicati pot fi
adusi la aceeasi dimensiune. De exemplu, daca n
*
=min(na-na
*
,nb-nb
*
)0,
*

poate fi extins la dimensiunea na+nb (vezi relatia 7.9):
] 0 ,.., 0 , b ,.., b , 0 ,.., 0 , a ,.., a [
nb
nb
1
na
na
1
4 4 3 4 4 2 1 4 4 3 4 4 2 1


(7.9)
iar
T
)] nb t ( u ),...., 1 t ( u ), na t ( y ),....., 1 t ( y [ ) t (
deci ) t ( dim ) t ( dim si
LS

dim dim

.
n general, reziduul reprezinta incertitudinea n comportarea modelului
determinat n raport cu comportarea sistemului (procesului). Daca vom calcula
reziduul optimal:
) t ( v ]

)[ t ( ) t (

LS
T
+

(7.10)
rezulta ca acesta depinde att de calitatea estimatorului ct si de perturbatie,
atunci cnd


LS

, ) t ( v ) t (

.
7.1.1 Analiza estimatorului celor mai mici patrate
Deducerea oricarui estimator este incompleta daca nu sunt precizate
calitatile si nu este apreciata precizia lui. Analiza unui estimator are drept scop
tocmai acest lucru. Presupunem n
*
0. nlocuind n expresia estimatorului
CMMP pe y(t) din relatia (7.2), deoarece iesirea este generata de sistem, rezulta:

+
1
]
1


N
1 t
T
1
N
1 t
T
LS
)] t ( v ) t ( )[ t ( ) t ( ) t (


Sa observam ca daca vectorul
*
este de dimensiune extinsa (rel. 7.7)
atunci ( ) t poate fi nlocuit cu (t), si prin urmare:

1
1
]
1

+
N
1 t
1
N
1 t
T
LS
) t ( v ) t ( ) t ( ) t (

(7.11)
Deoarece n ipotezele generale acceptate M[v(t)]=0, rezulta ca

[ M
LS
, deci
estimatorul este nedeviat.

105
Teorema. Fie sistemul fara reactie (S). Daca sunt ndeplinite conditiile:
1 - u(t) si v(t) necorelate;
2 - u(t) este semnal persistent de ordin nb;
3 - v(t) este zgomot alb;
4 - n
*
=min(na-na
*
, nb-nb
*
)0
atunci estimatorul celor mai mici patrate este consistent.
Demonstratie.
LS

este un estimator consistent al parametrilor adevarati


*

daca



LS
N

lim (c.p 1). Analiznd relatia (7.11) se observa ca


LS

este consistent
daca si numai daca:
) p . c ( 0 ) t ( v ) t (
N
1
) t ( ) t (
N
1
lim
N
1 t
1
N
1 t
T
N

1
]
1

1
]
1



Sa analizam elementele implicate n aceasta limita.
[ ] ) nb t ( u ),..., 1 t ( u ), na t ( y ),..., 1 t ( y
) nb t ( u
) 1 t ( u
) na t ( y
) 1 t ( y
N
1
lim ) t ( ) t (
N
1
lim
N
1 t
N
N
1 t
T
N

1
1
1
1
1
1
]
1


K K
K K

Elementele matricei sunt covariante de esantion. Datorita ipotezelor
facute asupra sistemului si intrarii u(t), covariantele de esantion tind la cele
teoretice, nct, dupa cteva calcule elementare rezulta:
nb
na
R R
....... .. .. ........
R R
) t ( ) t (
N
1
lim R
nb na
u uy
yu y
T
N
1 t
N
1
1
1
]
1


M
M
M
(7.12)
n care R
u
si R
y
sunt matricele Toeplitz ale semnalelor de intrare si, respectiv,
iesire, iar R
uy
, matricele de intercorelatie intrare-iesire. Deoarece u(t) este SPnb
rezulta ca R
u
>0. n ipotezele generale facute asupra sistemului, daca la intrarea
lui se aplica un semnal persistent atunci iesirea este de asemenea semnal
persistent, deci si R
y
>0. Matricea R fiind definita similara cu matricea asociata
sistemului (vezi proprietatile sistemelor legate de persistenta semnalelor de
intrare), un rationament asemanator cu cel din proprietatile 5 si 6 conduce la
concluzia ca pentru n
*
0 matricea este pozitiv definita. Acest lucru este de altfel
necesar si pentru ca functia criteriu sa atinga un minim. Sa analizam acum limita:
1
1
1
1
1
1
]
1


) nb ( r
.. ..........
) 1 ( r
) na ( r
. ..........
) 1 ( r
) t ( v ) t (
N
1
lim
vu
vu
vy
vy
N
1 t
N
.
Elementele acestei matrice sunt la limita corelatiile teoretice. n ipoteza

106
ca u(t) si v(t) sunt necorelate rezulta r
vu
(t) = 0, pentru t=1,2,...,nb. Deoarece:
r
vy
(t)=r
v(x+v)
(t)=r
vx
(t)+r
vv
(t)=r
v
(t)
si cum v(t) este considerat zgomot alb, rezulta ca si r
vy
(t)=0 pentru t=1,2,...,na. n
aceasta situatie:
0 ) t ( v ) t (
N
1
lim
N
1 t
N



si estimatia
LS

este consistenta n conditiile teoremei.


Sunt necesare cteva comentarii la aceasta teorema. Conditia de persistenta
impusa semnalului de intrare este de fapt o conditie de existenta a solutiei
problemei de minimizare a functiei criteriu, ntruct n caz contrar nu se poate
afirma nimic despre singularitatea matricei R. Faptul ca estimatorul
LS

este
consistent numai daca v(t) este zgomot alb restrnge aplicabilitatea acestuia numai
la cazurile n care modelul de zgomot , 1 ) q ( H
1

cazuri care sunt destul de rare.


Exista totusi situatii particulare n care estimatorul
LS

, care este un estimator al


partii deterministe a sistemului, este consistent chiar daca zgomotul este corelat [4].
Analiza preciziei estimatorului poate fi facuta daca se cunoaste
distributia sa. Analiza care urmeaza se bazeaza pe o varianta a teoremei limita
centrale demonstrata de Ljung [3] si a unei teoreme demonstrate de Chung R.
[6], teoreme pe care numai le vom enunta.
Teorema (L. Ljung):Consideram vectorul:
V
N
1
) t ( v ) t (
N
1
) t ( Z
N
1
X
T
N
1 t
N
1 t
N



, unde Z(t) este un vector proces
stationar de medie nula si Z(t)=(t)v(t) n care (t) este o matrice, iar v(t) un
vector. Elementele lui (t) si v(t) sunt procese stationare, posibil corelate, cu
medii nule, generate de zgomot alb cu momente de ordin 4 finite. Elementele lui
(t) pot contine si termeni deterministi. Atunci X
N
este asimptotic normal
distribuit, ( ) P , 0 N X
. dist
N
N

cu
] X X [ M lim P
T
N N
N

, presupunnd ca aceasta
limita exista.
Teorema (R. Chung). Fie {X
N
} o secventa de variabile aleatoare care
converge n distributie la F(x), {A
N
} o secventa de matrice aleatoare care
converge n probabilitate la A si {b
N
} o secventa de vectori aleatori care
converge n probabilitate la b. Definim y
N
=A
N
X
N
+b
N
. Atunci y
N
converge n
distributie la F(A
-1
(y-b)).
n conditiile acestei teoreme, daca x
N
AsN(0,P), atunci y
N
=A
N
X
N
+b
N

converge n distributie la distributia normala N(b,APA
T
).
Revenind la estimatorul celor mai mici patrate, considernd expresia
7.11 n forma:

1
]
1


N
1 t
1
N
1 t
T
LS
) t ( e ) t (
N
1
) t ( ) t (
N
1
)

( N (7.13)

107
n care am nlocuit v(t) cu zgomot alb e(t) de medie nula si matrice de covarianta
, I )] t ( e [ M
2 2
ceea ce asigura consistenta estimatorului. Se observa imediat ca
factorul:


N
1 t
N
) t ( e ) t (
N
1
X se ncadreaza n conditiile teoremei Ljung, deci
X
N
AsN(0,P) unde:
. ) t ( e ) t (
N
1
) t ( e ) t (
N
1
M lim ] X X [ M lim P
T
N
1 t
N
1 t
N
T
N N
N
1
1
]
1

,
_

,
_






Tinnd seama ca I )] t ( e [ M
2 2
si ca , R ) t ( ) t (
N
1
lim
N
1 t
T
N


(vezi
relatia 7.12), explicitnd media din ultima egalitate, rezulta P=
*2
R. Notnd
1
N
1 t
T
N
) t ( ) t (
N
1
R

1
]
1




relatia (7.13) devine:
N N LS
X R )

( N

si aplicnd teorema Chung rezulta
n final:
( )
1 2 *
s LS
R , 0 N A )

( N


Altfel spus:

'


N
] [
] )

)(

[( M

cov
]

[ M
1 T 2
T
LS LS LS
*
LS
(7.14)
n care =[(1),....,(N)]
T
.
Pentru ca relatia sa fie complet specificata este necesara cunoasterea
dispersiei
*2
a zgomotului. Daca aceasta este cunoscuta aprioric, ceea ce se
ntmpla rar n practica, atunci putem evalua un interval de ncredere pentru
vectorul parametrilor. De exemplu, la nivelul de ncredere 0,95, avem:
1 T 2
LS
] [ 96 , 1



1 T 2
) (

cov

.
Cnd dispersia zgomotului nu este cunoscuta trebuie nlocuita cu un
estimator al acesteia. Din faptul ca reziduul:
) t ( e )

)( t ( ) t (

LS
T
+


tinde la limita catre e(t), dispersia reziduului poate fi un estimator al dispersiei
perturbatiei.
Cum V() poate fi interpretat ca n relatia (7.8) putem aprecia dispersia
reziduului prin intermediul lui )

( V . Rezulta ca un estimator pentru dispersia


perturbatiei poate fi:

108
)

( V )

Y ( )

Y (
N
1

T 2
(7.15)
Acest estimator este nsa asimptotic deviat. ntr-adevar, nlocuind

din
relatia (7.6) n (7.15), rezulta:
[ ] MY Y Y ) ( I Y

N
T
T
T 1 T T 2



n care M este o matrice simetrica. Dar Y=
*
+e (relatia 7.2 n forma vectoriala)
si atunci:
Me e Me Me e M M e ) e ( M ) e (

N
T T T T T T T T T T 2
+ + + + +


n aceasta egalitate am tinut seama ca 0 ) ) ( I ( M
T 1 T


.
Media
( )
( ) ( ) [ ] ( )
2 2 T 1 T 2 T 1 T
2 T 1 T 2 T T T 2
) nb na ( N ) ( N ) ( tr trI
) ( I tr I trM ] ee [ trMM ] trMee [ M ] Me e [ M ]

N [ M


+


n acest sir de egalitati am tinut seama de faptul ca trAB = trBA. Deci:
2 * 2
N
) nb na ( N
]

[ M
+

de unde se observa devierea estimatorului. Este evident atunci ca estimatorul:
)

Y ( )

Y (
) nb na ( N
1
)

( V
) nb na ( N
N

T 2

+

+

va fi nedeviat, avnd media egala cu
*2
.
7.1.2. Extensii ale estimatorului celor mai mici patrate
Cnd procesul tehnologic este afectat de perturbatia e(t) cu media
diferita de zero, M[e(t)]=m
e
, modelul sistemului devine:
(S) ) t ( m ) t ( ) t ( y
e
T
+ +

(7.16)
n care (t),
*
au aceeasi semnificatie ca n (7.2), iar (t) este zgomot alb de
medie nula. De remarcat ca media m
e
a perturbatiei este de regula necunoscuta,
perturbatia fiind de obicei inaccesibila masuratorilor. n aceasta situatie m
e

trebuie estimata o data cu parametrii sistemului.
Definind vectorii
T
e
] m , [

si
T
] 1 , ) t ( [ ) t ( sistemul poate fi
pus sub forma:
) t ( ) t ( ) t ( y
T
+

(7.17)
pentru care se poate aplica estimatorul CMMP, deci:

1
]
1


N
1 t
1
N
1 t
T
LS
) t ( y ) t ( ) t ( ) t (

(7.18)
unde:
. ] m

[
m

T
e LS
e
LS
LS

1
1
]
1




109
Daca explicitam estimatorul, rezulta:
[ ]
1
1
1
1
]
1

1
1
1
1
]
1

1
]
1

1
]
1

1
]
1

N
1 t
N
1 t
1
N
1 t
T
N
1 t
N
1 t
T
N
1 t
1
T
N
1 t
LS
) t ( y
N
1
) t ( y ) t (
N
1
1 ) t (
N
1
) t (
N
1
) t ( ) t (
N
1
) t ( y
1
) t (
N
1
1 ), t (
1
) t (
N
1


sau

1
1
1
1
]
1

1
1
]
1

1
1
1
1
]
1


N
1 t
N
1 t
e
LS
N
1 t
T
N
1 t
N
1 t
T
) t ( y
N
1
) t ( y ) t (
N
1
m

1 ) t (
N
1
) t (
N
1
) t ( ) t (
N
1
.
LS

si
e
m

vor fi solutia sistemului de ecuatii:

'

+
+




N
1 t
N
1 t
e LS
T
N
1 t
N
1 t
N
1 t
e LS
T
) t ( y
N
1
m

) t (
N
1
) t ( y ) t (
N
1
m

) t (
N
1

) t ( ) t (
N
1

deci:

'



1
]
1






N
1 t
N
1 t
LS
T
e
N
1 t
N
1 t
N
1 t
LS
N
1 t
N
1 t
N
1 t
T T

) t (
N
1
) t ( y
N
1
m

) t ( y
N
1
) t (
N
1
) t ( y ) t (
N
1

) t (
N
1
) t (
N
1
) t ( ) t (
N
1

Daca notam valorile medii cu



N
1 t
N
1 t
) t (
N
1
) t ( ) t ( y
N
1
) t ( y
si cu ) t ( ) t ( ) t (
~
), t ( y ) t ( y ) t ( y
~
valorile centrate, atunci sistemul devine:

'



1
]
1




LS
T
e
N
1 t
LS
N
1 t
T

) t ( ) t ( y m

) t ( y
~
) t (
~
N
1

) t (
~
) t (
~
N
1

sau

1
]
1


N
1 t
1
N
1 t
T
LS
) t ( y
~
) t (
~
N
1
) t (
~
) t (
~
N
1

(7.19)
Concluzia este ca putem determina
LS

cu relatia standard a
estimatorului CMMP, aplicata nsa datelor centrate, dupa care media perturbatiei
se calculeaza cu relatia
LS
T
e

) t ( ) t ( y m

, care este simpla si intuitiva.


n cazul unui sistem multivariabil cu ny iesiri si nu intrari
(S) ) t ( e ) t ( u ) q ( B ) t ( y ) q ( A
1 1
+



110
nu ny B dim q B ..... q B I ) q ( B
ny ny A dim q A ..... q A I ) q ( A
i
nb
nb
1
1
1
i
na
na
1
1
1
+ + + +
+ + + +





parametrii sistemului sunt concentrati n matricea:
T
nb
1
na
1
] B ,...., B , A ,...., A [



de dimensiune ny/(na
*
ny+nb
*
nu). Notnd:
)] nb t ( u ),...., 1 t ( u ), na t ( y ),...., 1 t ( y [ ) t (
T T T T T

de dimensiune 1/(na
*
ny+nb
*
nu), sistemul poate fi pus sub forma:
) t ( e ) t ( ) t ( y
T
+ .
cu observatia ca marimile care intervin n ecuatie sunt matrice si vectori. Un
rationament asemanator ca n cazul SISO conduce la estimatorul:
) t ( e ) t ( e min arg ) ( V min arg

N
1 t
T
LS



n care V() este o matrice de dimensiune ny/ny. Vom spune ca

minimizeaza
matricea V() daca matricea diferenta )

( V ) ( V este negativ definita pentru


orice . Daca o astfel de matrice

exista, atunci ea minimizeaza orice functie


scalara monoton descrescatoare de V(), cum ar fi de exemplu V
1
()=trV()
adica urma matricei V(). Facnd notatiile:
) t ( ) t ( R
T
N
1 t

si ) t ( y ) t (
T
N
1 t


matricea criteriu poate fi explicitata astfel:
+

1 T
N
1 t
T 1 T 1
N
1 t
T T T
R ) t ( y ) t ( y ] R [ R ] R [
)] t ( ) t ( y )][ t ( ) t ( y [ ) ( V

Deoarece matricea R este nenegativ definita (o generalizare a cazului
Markov) si deoarece termenul al doilea nu depinde de , rezulta ca minimul se
obtine cnd:

1
]
1


N
1 t
T
1
N
1 t
T 1
LS
) t ( y ) t ( ) t ( ) t ( R

(7.20)
presupunnd ca inversa matricei R exista. Forma estimatorului este aceeasi ca si
n cazul scalar nsa dimensiunea matricei R este mare.
Evident, relatia (7.20) poate fi "decuplata". Daca
i
este coloana i a
matricei ? si ) t ( y ) t (
i
N
1 t
i

atunci din (7.20) rezulta:


1
]
1


N
1 t
i
1
N
1 t
T
i
1
i
) t ( y ) t ( ) t ( ) t ( R

, i=1,...,ny

111
Este interesant de remarcat ca n estimarile celor ny sisteme SISO care
compun sistemul multivariabil, matricea care trebuie inversata este aceeasi, ceea
ce simplifica implementarea estimatorului CMMP n cazul multivariabil.
n general, consistenta estimatorului CMMP este asigurata daca
perturbatia este zgomot alb (necorelat), indiferent de distributia acestuia, precum
si de persistenta semnalului de intrare. Daca distributia zgomotului alb este
normala, atunci estimatorul CMMP coincide cu cel de verosimilitate maxima,
asa cum vom arata ulterior. Daca zgomotul v(t) este corelat dar cu caracteristici
statistice cunoscute, de exemplu M[v(t)]=0 si R
v
=M[v
2
(t)]>0, atunci estimatorul
CMMP devine estimator Markov, sau al celor mai mici patrate ponderate.
ntr-adevar, daca descriem sistemul (S) n forma completa:
Y=
*
+V (7.21)
n care V=[v(1),...,v(N)]
T
, celelalte marimi avnd semnificatia cunoscuta,
matricea de covarianta a perturbatiei R
v
=M[VV
T
]=CC
T
poate fi exprimata ca
produs de matrice n care C este triunghiulara si nesingulara, R
v
fiind pozitiv
definita si simetrica.
nmultind la stnga cu C
-1
n relatia (7.21) si notnd Y
c
=C
-1
Y,
c
=C
-1
si
V
c
=C
-1
V, rezulta:
c c c
V Y + . (7.22)
n aceasta relatie noua perturbatie V
c
are matricea de covarianta unitara:
I C CC C C R C ] C VV C [ M ] V V [ M
T 1 T 1 T 1
v
1 T 1 T 1 T
c c



ceea ce nseamna ca noul zgomot este alb si se poate aplica estimatorul celor mai
mici patrate:
Y R ] R [ Y ] [

1
v
T
c
1 1
v
T
c c
T
c
1
c
T
c LS

(7.23)
care este de fapt un estimator al celor mai mici patrate ponderate, cu matricea de
ponderare
1
v
R

. Acest estimator nu poate fi aplicat n practica deoarece


presupune cunoasterea matricei de covarianta a zgomotului, ceea ce se ntmpla
extrem de rar. Mai mult, chiar daca aceasta matrice ar fi cunoscuta, aplicarea
estimatorului implica inversarea ei, ceea ce este dificil de realizat, R
v
avnd
dimensiunea N/N, N fiind numarul de date.
Observatie. Metoda celor mai mici patrate poate fi ilustrata prin schema
din figura 7.2. n care ) t ( u ) q ( B ) t ( y ) q ( A ) t (
1 1


este eroarea de modelare
generalizata. Se observa ca algoritmul CMMP conduce la minimizarea erorii
medii patratice generalizate:


N
1 t
2
LS
) t ( min arg


7.2. Metoda celor mai mici patrate n doua etape
Aceasta metoda este aplicabila n situatiile n care intereseaza si modelul
de zgomot. Sa consideram sistemul (S):
(S) ) t ( e ) q ( C ) t ( u ) q ( B ) t ( y ) q ( A
1 1 1
+

115
utilizata ca estimatie initiala pentru un algoritm mai puternic.
3 - Metoda CMMP n doua etape poate fi ilustrata n fig. 7.3.
PROCES
u(t)
+
+
z(t)
y(t)
R(q
-1
)
+ +
P(q
-1
)
v(t)
ECMMP
+ -
C(q
-1
)
-1
ECMMP
(q
-1
)
A
^
B
^
(q
-1
)
C(q
-1
)
^
(t)
(t)

^

Fig.7.3
n care:
( ) ) t (

1 ) q ( C ) t ( u ) q ( B ) t ( y ) q ( A ) t (
) t ( u ) q ( R

) t ( y ) q ( P

) t (

) t ( u ) q ( R ) t ( y ) q ( P ) t ( v
1 1 1
1 1
1 1







7.3 Metoda verosimilitatii maxime
7.3.1. Definirea EVM.
Aceasta metoda a fost schitata n capitolul anterior si aplicata n cazul
unui model de regresie. Ea poate fi aplicata si n cazul unui model parametric
cnd se cunoaste repartitia zgomotului, permitnd si estimarea parametrilor
modelului de zgomot. Metoda se dovedeste a fi simplu de aplicat iar estimatorul
parametrilor are proprietati statistice deosebite atunci cnd modelul de zgomot
este de medie alunecatoare iar zgomotul alb e(t) este normal distribuit de medie
nula si matrice de covarianta
*2
I.
Sa consideram deci sistemul (S):
(S) ) t ( e ) q ( C ) t ( u ) q ( B ) t ( y ) q ( A
1 1 1
+
*
nc *
*
nc
1 *
1
1 *
*
nb *
*
nb
1 *
1
1 *
*
na *
*
na
1 *
1
1 *
q c ..... q c 1 ) q ( C
q b ..... q b ) q ( B
q a ..... q a 1 ) q ( A



+ + +
+ +
+ + +

iar e(t)N(0,
*2
I).

116
Pentru acest sistem adoptam modelul:
(M) ) t ( ) q ( C ) t ( u ) q ( B ) t ( y ) q ( A
1 1 1
+


cu A(q
-1
), B(q
-1
) si C(q
-1
) polinoame de aceeasi forma cu A
*
, B
*
, C
*
si gradele
respectiv na, nb si nc, iar (t)N(0,
2
I) zgomot alb de medie nula si dispersie
2
.
Presupunem de asemenea ca sunt ndeplinite ipotezele generale asupra
sistemului si modelului si ca:
0 ) nc nc , nb nb , na na min( n

.

Parametrii necunoscuti sunt cuprinsi n vectorul:
[ ]
T
nc 1 nb 1 na 1
c ,..., c , b ,..., b , a ,..., a .
Pentru ca modelul sa fie complet, n afara parametrilor este necesara fi
estimata matricea de covarianta
2
I.
Asa cum am vazut, estimatorul de verosimilitate maxima este:
( )

, U , / Y p max arg

,
,
unde
] [ M I ; )] N ( ),..., 1 ( [ ; )] N ( u ),..., 1 ( u [ U ; )] N ( y ),..., 1 ( y [ Y
T 2 T T T
.
Daca se introduce functia de verosimilitate logaritmica L(,)=lnp(Y/,U,),
( )

, L max arg

,
.
Desigur, pentru aplicarea estimatorului este necesara cunoasterea
densitatii de repartitie conditionate p(Y/,,U).
Sa explicitam ecuatia modelului (M) dnd lui t valori de la 1 la N si
considernd conditiile initiale nule. Notnd cu A, B si C matricele:
1
1
1
1
]
1

1
1
1
1
]
1

1
1
1
1
1
]
1

1 c c 0 0
0 0 1 c
0 0 0 1
C ;
0 b b 0
0 0 0 b
0 0 0 0
B ;
1 a a 0 0
0 1 a a
0 0 1 a
0 0 0 1
A
1 nc
1
1 nb
1
1 na
1 2
1
L L
L L L L L
L
L
L L
L L L L L
L
L
L
L L L L L
L
L
L

modelul devine, n forma matriceala:
(M) AY=BU+C.
Se observa ca detA=detC=1, deci:
Y=A
-1
BU+A
-1
C.
Datorita dependentei liniare ntre Y si , repartitia vectorului se
transmite asupra lui Y. Ramne de estimat media si matricea de covarianta a lui Y.
BU A ] [ CM A BU A ] C A BU A [ M ] Y [ M
1 1 1 1 1
+ +
datorita presupunerii ca (t) are media nula, iar
. ) A CC A det( R det
A CC A A C ] [ CM A ] ]) Y [ M Y ])( Y [ M Y [( M R
2 T 1 T 1 2
Y
T 1 T 1 2 1 T T 1 T
Y




Functia de verosimilitate este:

117
( )
( )
[ ] ( ) [ ] ( ) Y M Y R Y M Y
2
1
Y
T
2
1
2
N
e
2
1
u , , / Y p


sau, deoarece:
( ) ( ) ( ) ( ) ( )
( )
( )
( )


N
1 t
2
2
2
1
2
N
t
N
T
2
1
1
T 1 T 1 2
T
1 1
Y
T
e
2
1
u , , / Y p
1
C A A CC A C A ] Y [ M Y R ] Y [ M Y

iar functia de verosimilitate logaritmica
). t (
2
1
ln N 2 ln
2
N
) , ( L
N
1 t
2
2


Parametrii necunoscuti intervin prin intermediul lui (t) din ecuatia
modelului:
) t ( u
) q ( C
) q ( B
) t ( y
) q ( C
) q ( A
) t (
1
1
1
1


(7.31)
Valorile optime

sunt:

,
_

+ +


N
1 t
2
2
, ,
) t (
2
1
ln N 2 ln
2
N
min arg ) , ( L max arg

.
Problema minimizarii poate fi separata:

'

1
]
1

+ +


2 ln
2
N
ln N )

( V
1
min arg

) ( V min arg ) t (
2
1
min arg

2
N
1 t
2

Estimatia
2

poate fi dedusa analitic din:


0 2 ln
2
N
ln N )

( V
1
d
d
2

1
]
1

+ +


de unde rezulta . N )

( V 2

2
n schimb, functia V() este puternic neliniara n
, valoarea optima putnd fi obtinuta utiliznd, de exemplu, algoritmul Newton-
Ralphson: ( ) ). ( V ) ( V

k
1
k 2 k 1 k


+

Pentru aplicarea acestui algoritm sunt necesare determinarea
gradientului si matricei hessian n punctul curent si initializarea algoritmului. Ca
orice procedura de programare neliniara, algoritmul N-R poate esua ntr-un
minim local al functiei criteriu V(). n timpul cautarii, algoritmul de
minimizare poate patrunde ntr-o regiune interzisa din spatiul parametrilor (de
exemplu acolo unde polinoamele au zerouri n interiorul cercului unitar), fiind
necesare rutine care sa testeze daca
k
apartine sau nu domeniului admisibil.
Aceste dificultati pot fi evitate atunci cnd initializarea algoritmului este facuta
aproape de minimul global al functiei V(). O posibilitate simpla este

118
initializarea
LS
0

, deci considernd C(q


-1
)=1. n acest caz, V() fiind o
forma patratica n a
i
si b
i
, algoritmul N-R converge ntr-o singura iteratie,
estimatorul care rezulta fiind de fapt estimatorul CMMP. Minimul astfel obtinut
este considerat punct initial. O initializare mai buna se poate obtine utiliznd
metoda CMMP n doua etape pentru deducerea lui
0
.
Observatia 1. Pentru aplicarea algoritmului N-R este necesara
determinarea componentelor gradientului si matricei hessian, adica:
nc nb na , 1 i , j
) , t (
) , t (
) , t ( ) , t ( ) ( V
nc nb na , 1 i
) , t (
) , t ( ) , t (
2
1 ) ( V
j i
2
N
1 t
N
1 t
i j j i
2
i
N
1 t
N
1 t
2
i i
+ +


+



+ +

,
_







nlocuind (t,) prin relatia 7.31, rezulta ca este necesara rezolvarea
urmatoarelor ecuatii cu diferente:

'





nc , 1 i ) , t ( q
c
) , t (
) q ( C
nb , 1 i ) t ( u q
b
) , t (
) q ( C
na , 1 i ) t ( y q
a
) , t (
) q ( C
i
i
1
i
i
1
i
i
1

'








nc , 1 j , i
c
) , t (
q
c
) , t (
q
c c
) , t (
) q ( C
nc , 1 j , nb , 1 i
b
) , t (
q
c b
) , t (
) q ( C
nc , 1 j , na , 1 i
a
) , t (
q
c a
) , t (
) q ( C
i
j
j
i
j i
2
1
i
j
j i
2
1
i
j
j i
2
1
.
derivatele mixte fiind nule:
0
b b
) , t (
b a
) , t (
a a
) , t (
j i
2
j i
2
j i
2



.
Numarul ecuatiilor ce trebuie rezolvate se reduce considerabil daca se
stabilesc relatii de recurenta ntre diferitele derivate. Se poate astfel deduce cu
usurinta ca:
1 i t
c
) 1 i t (
c
) , t (
b
) 1 i t (
b
) , t (
a
) 1 i t (
a
) , t (
1 i
1 i
1 i
+ >




119
2 j i t
c c
) 2 j i t (
c c
) , t (
c b
) 2 j i t (
c b
) , t (
c a
) 2 j i t (
c a
) , t (
1 1
2
j i
2
1 1
2
j i
2
1 1
2
j i
2
+ >




n felul acesta determinarea completa a matricelor gradient si hessian
implica rezolvarea a numai 6 ecuatii cu diferente, n care conditiile initiale pot fi
considerate nule, si anume:

'

) 1 t (
c
) , t (
) q ( C
) 1 t ( u
b
) , t (
) q ( C
) 1 t ( y
a
) , t (
) q ( C
1
1
1
1
1
1
si

'

1
2
1
2
1
1 1 1
2
1
1 1 1
2
1
c
) 1 t (
2
c
) , t (
) q ( C
b
) 1 t (
c b
) , t (
) q ( C
a
) 1 t (
c a
) , t (
) q ( C

Utilizarea relatiilor de mai sus reduce considerabil timpul de calcul.
Observatia 2. Estimatorul de verosimilitate maxima poate fi utilizat si
n cazul unui model general
( ) ) t ( e ) q ( H ) t ( u ) q ( G t y
1 1
+
n care
) q ( B
) q ( A
) q ( G
1
1
1

si
) q ( D
) q ( C
) q ( H
1
1
1

, polinoamele A(), B(), C(), D()


avnd gradele na, nb, nc si respectiv nd. Acest model poate fi adus la forma:
) t ( e ) q ( S ) t ( u ) q ( R ) t ( y ) q ( P
1 1 1
+
unde: ) q ( D ) q ( B ) q ( R ), q ( D ) q ( A ) q ( P
1 1 1 1 1 1
si ) q ( C ) q ( A ) q ( S
1 1 1

pentru care se poate aplica estimatorul de verosimilitate maxima n maniera
prezentata anterior, coeficientii polinoamelor A, B, C, D rezultnd apoi prin
rezolvarea sistemului care face legatura ntre acestia si coeficientii polinoamelor
P(), R() si S(). Acest sistem este neliniar si n principiu, poate avea mai multe
solutii, fiind necesara alegerea aceleia pentru care polinoamele P() si R(), P() si
S() au radacini comune.
Observatia 3. Reziduul (t) reprezinta eroarea de predictie de pas, ceea
ce nseamna ca estimatorul
VM
?

este, n acelasi timp, si estimator care


minimizeaza eroarea medie patratica de predictie (estimator MEP).
ntr-adevar, daca criteriul de optimalitate este eroarea medie patratica,
atunci predictorul optimal de pas va fi:
( )
( ) ] ) 1 t / t ( y ) t ( y [ M min arg ) 1 t / t ( y

2
1 t / t y



120
unde y(t/t-1) este un predictor de pas de eroare, necorelat cu e(t).
Din ecuatia sistemului rezulta:
( ) ) t ( e ) 1 t / t ( y
~
) t ( e ) t ( e ] 1 ) q ( C [ ) t ( u ) q ( B ) t ( y )] q ( A 1 [ t y
1 1 1
+ + + +


Termenul ( ) 1 t / t y
~
depinde numai de valorile trecute ale marimilor de
intrare, iesire si perturbatie, deci poate fi interpretat ca un predictor optimal de
pas. Optimalitatea rezulta din faptul ca aceasta marime provine din ecuatia
sistemului care genereaza datele de intrare/iesire. Ecuatia precedenta arata ca
marimea de iesire masurata la momentul t difera de cea prezisa prin valoarea
zgomotului alb la momentul t, acesta din urma fiind un proces aleator complet
nepredictibil. Dispersia zgomotului alb poate fi folosita pentru aprecierea
preciziei de predictie a marimii de iesire din sistem si, n cele ce urmeaza vom
arata acest lucru.
Eroarea medie patratica de predictie de pas este:
( )
( )
( ) [ ]. ) t ( e ) 1 t / t ( y ) t ( e ) 1 ) q ( C ( ) t ( u ) q ( B ) t ( y )) q ( A 1 ( M 2
)] t ( e [ M ) 1 t / t ( y ) t ( e ) 1 ) q ( C ( ) t ( u ) q ( B ) t ( y )) q ( A 1 ( M
) t ( e ) 1 t / t ( y ) t ( e ) 1 ) q ( C ( ) t ( u ) q ( B ) t ( y )) q ( A 1 ( M
] )) 1 t / t ( y ) t ( y [( M
1 1 1
2
2
1 1 1
2
1 1 1
2
+ + +
+ +
1
]
1

+ +

1
]
1

+ + +





Ultimul termen din suma este nul deoarece e(t) nu este corelat cu u(t) si
y(t/t-1), iar:
0 ) i ( r C )] t ( e ) 1 ) q ( C [( M
nc
1 i
e i
1



. 0 ) i ( r a ) i ( r a )] t ( e )) t ( y ) q ( A 1 [( M
na
1 i
e i
na
1 i
ye i
1






Rezulta ca minimul erorii medii patratice de predictie va fi
*2
=M[e
2
(t)],
care se obtine pentru:
( ) ). t ( e ] 1 ) q ( C [ ) t ( u ) q ( B ) t ( y )] q ( A 1 [ 1 t / t y
1 1 1
+ +


Eroarea de predictie optimala va fi:
). t ( e ] 1 ) q ( C [ ) t ( u ) q ( B ) t ( y ) q ( A ) 1 t / t ( y

) t ( y ) t (

1 1 1
p



Dar din ecuatiile modelului (M) rezulta:
) t ( ] 1 ) q ( C [ ) t ( u ) q ( B ) t ( y ) q ( A ) t (
1 1 1



deci (t) poate fi considerat ca fiind eroarea de predictie de pas, optimul ei, n
sensul erorii medii patratice minime, fiind obtinut pentru A=A
*
, B=B
*
, C=C
*
.
Considernd modelul (M), vectorul

rezulta din conditia ca eroarea


medie patratica de predictie de pas sa coincida cu dispersia zgomotului alb:
( )] t e [ M )]

, t ( [ M
2 2

n felul acesta se evita ipoteza cu privire la normalitatea zgomotului alb.
Pentru aplicarea metodei MEP ar fi necesara cunoasterea numai a mediei
M[e
2
(t)]. Cum aceasta nu este disponibila, ea poate fi nlocuita cu o estimatie a ei

121
obtinuta cu un model anterior. Acest lucru sugereaza de fapt o metoda iterativa
care pleaca de la o estimare initiala a parametrilor si care se perfectioneaza prin
iteratii succesive pna la satisfacerea unui criteriu de convergenta impus.
Estimatii initiale pentru MEP pot fi obtinute prin oricare din metodele
anterioare, fiind preferate cele care furnizeaza estimatii initiale si pentru
parametrii modelului de zgomot.
7.3.2. Analiza estimatorului de verosimilitate maxima
Analiza preciziei presupune stabilirea distributiei estimatorului de
verosimilitate maxima:
( )



N
1 t
2
) , t (
2
1
min arg V min arg

.
Consideram dezvoltarea functiei criteriu n jurul valorii adevarate
*
a
parametrilor:
...... ) )( ( V ) (
2
1
) ( V ) ( V ) ( V ) ( V
2 T T
+ + +


si retinem numai aproximarea patratica.
n punctul de minim global, gradientul functiei criteriu este nul, deci:
0 )

)( ( V ) ( V )

( V
2
+


de unde rezulta: ( ) ) ( V ) ( V

1
2



( ) ) ( V
N
1
) ( V
N
1

N
1
2

,
_

(7.32)
Explicitnd gradientul si matricea hessian:

'

N
1 t
N
1 t
2 T 2
N
1 t
) , t ( ) , t ( ) , t ( ) , t ( ) ( V
) , t ( ) , t ( ) ( V

sau, cu notatiile: ( ) ( ) ( ) ( ) [ ]
T
N ,...., 1 , , t , t

'

N
1 t
N
1 t
2 T 2
N
1 t
) , t ( ) , t ( ) , t ( ) , t ( ) ( V
) , t ( ) , t ( ) ( V

n punctul =
*
acestea devin:

'


N
1 t
N
1 t
2 T 2
N
1 t
) , t ( ) , t ( ) , t ( ) , t ( ) ( V
) , t ( ) , t ( ) ( V

Sa observam nsa ca (t,
*
) este eroarea de predictie optimala (vezi
observatia 3), deci (t,
*
)=e(t). Atunci:

125
Cum polinoamele A
*
(q
-1
), B
*
(q
-1
) si C
*
(q
-1
) sunt prime ntre ele si n
*
0,
rezulta:
). q ( L ) q ( C ) q ( C

); q ( L ) q ( B ) q ( B

); q ( L ) q ( A ) q ( A

1 1 1 1 1 1 1 1 1

Proprietatea arata ca pentru n
*
=0 sistemul este parametric identificabil.
Daca n
*
>0 atunci estimatia nu este unica, totusi sistemul este sigur identificabil,
ceea ce este echivalent cu faptul ca estimatorul este consistent.
7.4 Metoda minimizarii erorii de predictie de pas (MEP)
7.4.1. Definirea estimarii MEP. Metoda minimizarii erorii de predictie
poate fi privita mult mai general. Consideram modelul ARMAX:
(M)
) t (
) q ( D
) q ( C
) t ( u ) q ( B ) t ( y ) q ( A
1
1
1 1
+



cu polinoamele A(), B(), C(), D() ndeplinind conditiile generale. Modelul
poate fi scris sub forma:
). t ( ) t ( u
) q ( C
) q ( B ) q ( D
) t ( y
) q ( C
) q ( A ) q ( D
1 ) t ( y
1
1 1
1
1 1
+ +
1
]
1



Deoarece polinoamele A, C si D sunt monice (a
0
=c
0
=d
0
=1) si b
0
=0,
rezulta ca primii doi termeni depind exclusiv de valorile anterioare y(t-j), u(t-k),
j,k0, ale marimilor de iesire si intrare. Deoarece (t) este reziduul, care nu este
observabil si nu poate fi determinat din entitatile date sau presupuse cunoscute,
daca polinoamele A, B, C, D ar fi cunoscute, atunci o predictie rezonabila a lui
y(t), bazata pe modelul dat si pe informatiile disponibile pna la momentul (t-1),
este data de primii doi termeni, deci:
( ) ). t ( u
) q ( C
) q ( B ) q ( D
) t ( y
) q ( C
) q ( A ) q ( D
1 1 t / t y
1
1 1
1
1 1


+
1
]
1


Ca urmare, (t) poate fi interpretat ca eroare de predictie de pas
). 1 t / t ( y ) t ( y ) t (
n cadrul metodelor MEP, parametrii necunoscuti ai modelului sunt
determinati astfel nct sa minimizeze eroarea medie patratica de predictie de pas:
) , t ( min arg

N
1 t
2


Predictia poate fi un scop n sine dar poate fi si o etapa necesara n
conducerea unui proces. Deci:
[ ]
2
N
1 t
1 1
1
1
2
N
1 t
1
1 1
1
1 1
) t ( u ) q ( B ) t ( y ) q ( A
) q ( C
) q ( D
min arg
) t ( u
) q ( C
) q ( B ) q ( D
) t ( y
) q ( C
) q ( A ) q ( D
1 ) t ( y min arg

,
_

1
1
]
1

,
_



unde: [ ] . d ... d , c ... c , b ... b , a ... a
T
nd 1 nc 1 nb 1 na 1


126
Dupa cum se observa, functia criteriu este puternic neliniara n
parametrii ai modelului, ceea ce face ca estimatia MEP sa nu poata fi
determinata analitic ci numai prin tehnici de optimizare, care au problemele lor
specifice. Totusi, pentru structuri particulare, este posibila aplicarea unor
algoritmi mai simpli de minimizare. O astfel de structura particulara este cea
pentru care modelul de zgomot este autoregresiv (AR), caz n care metoda MEP
este cunoscuta sub numele de metoda celor mai mici patrate generalizate.
7.4.2. Metoda celor mai mici patrate generalizate.
Consideram sistemul:
(S)
) t ( e
) q ( D
1
) t ( u ) q ( B ) t ( y ) q ( A
1
1 1


+

si modelul:
(M)
) t ( e
) q ( D
1
) t ( u ) q ( B ) t ( y ) q ( A
1
1 1


+

ipotezele generale privind (S) si (M) fiind satisfacute, si e(t) zgomot alb de
medie nula si dispersie
*2
.
Parametrii necunoscuti sunt cuprinsi n vectorul:
[ ]
T
nd 1 nb 1 na 1
d ..... d , b ..... b , a ..... a .
n conformitate cu metoda MEP, rezulta:
) ( V min arg ) t ( min arg

N
1 t
2



n care ( )
2
N
1 t
1 1 1
] ) t ( u ) q ( B ) t ( y ) q ( A ) q ( D [ ) ( V



criteriu care este puternic neliniar n parametri.
Daca partitionam nsa vectorul =[
1
,
2
]
T
, n care
1
=[a
1
... a
na
,b
1
.....b
nb
]
T
si

2
=[d
1
...d
nd
]
T
, constatam ca V(
1
,
2
) este o functie patratica daca fie
1
, fie
2
sunt
constanti. n consecinta, problema de optimizare poate fi rezolvata printr-o tehnica
de relaxare, adica:

'

) ,

( V min arg

, ( V min arg

2
i
1
i
2
1 i
2 1
i
1
2
1
i=1,2,..
cu
0
2

dat pentru initializarea algoritmului. La fiecare iteratie a algoritmului de


relaxare se poate aplica estimatorul celor mai mici patrate.
Astfel, daca
1 i
2 2

constant, deci D(q


-1
)= ) q ( D

1 1 i
este precizat,
atunci functia criteriu devine:



N
1 t
2 1 1 i 1 1 1 i 1 1 i
2 1
)] t ( u ) q ( D

) q ( B ) t ( y ) q ( D

) q ( A [ )

, ( V

127
sau, considernd valorile filtrate ) t ( y ) q ( D

) t ( y
~ 1 1 i
si ), t ( u ) q ( D

) t ( u
~ 1 1 i

[ ] [ ]





N
1 t
N
1 t
2
1
T
1 i
2
1 1 1 i
2 1
) t ( ) t ( y
~
) t ( u
~
) q ( B ) t ( y
~
) q ( A )

, ( V
n care am folosit notatia:
( ) ( ) ( ) ( )
T
1 i
] nb t u
~
,..., 1 t u
~
, na t y
~
,..., 1 t y
~
[ ) t (

.
Estimatorul
i
1

devine deci:



1
]
1


N
1 t
1 i
1
N
1 t
T
1 i 1 i
i
1
) t ( y
~
) t ( ) t ( ) t (


Cu ajutorul lui putem determina entitatile:
. N ,..., 2 , 1 t ), t ( u ) q ( B

) t ( y ) q ( A

) t ( v
1 i 1 i
i



n acest caz functia criteriu ) ,

( V
2
i
1
devine:
[ ] [ ]


N
1 t
2
2
T
i i
N
1 t
2
i
1
2
i
1
) t ( ) t ( v

) t ( v

) q ( D ) ,

( V
n care: . )] nd t ( v ),..., 1 t ( v [ ) t (
T
i i i
Rezulta astfel:
. ) t ( v

) t ( ) t ( ) t (

N
1 t
i
i
1
N
1 t
T
i i
i
2

1
]
1


Procedura poate fi astfel continuata pna la satisfacerea unui criteriu
prestabilit.
Teorema. Fie sistemul (S) si modelul (M), ipotezele generale asupra lor
fiind satisfacute. Daca u(t) este semnal persistent de ordin ] na b

n , nb a

n max[

+ + ,
atunci, n punctele de minim global ale functiei criteriu, sunt satisfacute relatiile:
) q ( D ) q ( L ) q ( D

) q ( L ) q ( B ) q ( B

) q ( L ) q ( A ) q ( A

1 1 1
1 1 1
1 1 1



unde L(q
-1
) este un polinom arbitrar de grad:
]. nd d

n , nb b

n , na a

n min[ n


Demonstratie: Estimatorul celor mai mici patrate generalizate fiind un
estimator MEP, n punctul de minim global este satisfacuta relatia:
. )] t ( e [ M )] t ( [ M )

( V
2 2 2
(7.33)
Explicitnd minimul functiei criteriu rezulta:
( )
( )
1
1
]
1

,
_

1
]
1

1
]
1







2
1 1
1 1 1
1
1 1
2
1 1 1 1 2
) t ( u ) q ( D

) q ( B

) q ( D ) q ( A
) t ( e
t u
) q ( A
) q ( B
) q ( D

) q ( A

M
) t ( u ) q ( D

) q ( B

) t ( y ) q ( D

) q ( A

M )] t (

[ M )

( V


128

1
1
1
]
1

,
_



2
1 1
1 1
1
1
1 1 1 1
) t ( e
) q ( D ) q ( A
) q ( D

) q ( A

) t ( u ) q ( D

) q ( A
) q ( B

) q ( A ) q ( B ) q ( A

M

. ) t ( e
) q ( D ) q ( A
) q ( D

) q ( A

) t ( u ) q ( D

) q ( A
) q ( B

) q ( A ) q ( B ) q ( A

M 2
) t ( e
) q ( D ) q ( A
) q ( D

) q ( A

M ) t ( u ) q ( D

) q ( A
) q ( B

) q ( A ) q ( B ) q ( A

M
1 1
1 1
1
1
1 1 1 1
2
1 1
1 1
2
1
1
1 1 1 1
1
1
]
1

,
_

,
_


+
+
1
1
1
]
1

,
_

+
1
1
1
]
1

,
_




Ultimul termen din aceasta suma este nul deoarece u(t) si e(t) sunt
presupuse a fi necorelate.
Deoarece relatia (7.33) este ndeplinita atunci sunt ndeplinite relatiile:
( )

'

1
1
]
1

,
_




0 ) t ( u
) q ( A
) q ( D

) q ( B

) q ( A ) q ( B ) q ( A

M
1
) q ( D ) q ( A
) q ( D

) q ( A

2
1
1
1 1 1 1
1 1
1 1
(7.34)
Ca si n teorema precedenta, deoarece u(t) este semnal persistent rezulta
ca
) t ( u
) q ( A
) q ( D

) t ( u
~
1
1

este persistent de acelasi ordin. Notnd:


( ) ) t ( u
~
) q ( B

) q ( A ) q ( B ) q ( A

) t ( y
~ 1 1 1 1
,
a doua conditie devine 0 )] t ( y
~
[ M
2
. Tinnd seama de proprietatile sistemelor
legate de persistenta semnalelor de intrare, rezulta ca daca:
) b

n na , nb a

n max( SP ) t ( u
~
+ +

- deci si u(t) - si 0 )] t ( y
~
[ M
2
, atunci:
. 0 ) q ( B

) q ( A ) q ( B ) q ( A

1 1 1 1



n consecinta, conditiile de suficienta devin:

'



) q ( B

) q ( A ) q ( B ) q ( A

) q ( D ) q ( A ) q ( D

) q ( A

1 1 1 1
1 1 1 1

sau, echivalent:
.
) q ( D

) q ( D
) q ( B
) q ( B

) q ( A
) q ( A

1
1
1
1
1
1



Cum polinoamele A
*
(q
-1
), B
*
(q
-1
), C
*
(q
-1
) sunt prime ntre ele, rezulta
); q ( L ) q ( A ) q ( A

1 1 * 1
) q ( L ) q ( B ) q ( B

1 1 * 1
si ) q ( D ) q ( L ) q ( D

1 1 1
,
gradul polinomului L(q
-1
) fiind n
*
. Cnd n
*
=0 sistemul va fi parametric
identificabil, iar cnd n
*
>0 sistemul va fi sigur identificabil.
Observatia 1. Proprietatea de mai sus este valabila n ipoteza ca


corespunde unui punct de minim global al lui V(), unde:

129
)]. t ( e [ M ) t ( e
) q ( D ) q ( A
) q ( D

) q ( A

M ) t ( u ) q ( D

) q ( A
) q ( B

) q ( A ) q ( B ) q ( A

M )

( V
2
2
1 1
1 1
2
1
1
1 1 1 1

1
1
1
]
1

,
_

+
1
1
1
]
1

,
_




Daca introducem notatia:
)] t ( e [ M
)] t ( u [ M
S
2
2

n care S este proportional cu


raportul semnal/zgomot, o analiza a punctelor de minim local ale lui ( )

V n
functie de valorile lui S este dificila, nsa se pot considera doua situatii limita:
1) S, cnd functia criteriu are numai minim global si proprietatile
enuntate ramn valabile;
2) S0, cnd )] t ( u [ M )] t ( e [ M
2 2
>> si criteriul devine:
1
1
]
1

,
_




2
1 1
1 1
) t ( u
) q ( D ) q ( A
) q ( D

) q ( A

M )

( V
iar egalitatea M[
2
(t)]=M[e
2
(t)] va fi satisfacuta pentru:
). q ( D ) q ( A ) q ( D

) q ( A

1 1 1 1

Se constata usor ca aceasta unica relatie este

satisfacuta n cel putin doua puncte:

)] q ( D ) q ( D

); q ( A ) q ( A

[
1 1 1 1
si )] q ( A ) q ( D

); q ( D ) q ( A

[
1 1 1 1

si deci criteriul are cel putin doua puncte de minim. n consecinta, n unele
aplicatii n functie de valoarea raportului S, va exista pericolul potential ca
algoritmul de relaxare sa se termine ntr-un punct de minim local. Cu alte
cuvinte, metoda celor mai mici patrate generalizata depinde esential de
initializarea parametrilor. n general, este indicata folosirea unor puncte de start
diferite si apoi alegerea, din minimele obtinute, a minimului global.
Observatia 2. n general, nu se dispune de o estimatie initiala pentru
2
. De aceea, n cele mai multe cazuri se considera 0

0
2
, ceea ce nseamna ca
n primul pas estimatia
1
1

va fi de fapt estimatia celor mai mici patrate.


7.4.3. Variante ale metodei CMMPG
Varianta 1. Sa consideram modelul (M):
(M) ) t (
) q ( D
1
) t ( u ) q ( B ) t ( y ) q ( A
1
1 1
+



care satisface ipotezele generale, dar n care:
. ) q d 1 ( ) q ( D
nd
1 i
1
i
1


+

n acest caz, vectorul parametrilor poate fi partitionat astfel:
[ ] [ ]
T
nd 1 1
T
nd 1 nb 1 na 1
d ,..., d , d ,..., d , b ,..., b , a ,..., a
functia criteriu devenind V(
1
,d
1
,...,d
nd
). O prima varianta a metodei CMMPG
utilizeaza pentru minimizarea functiei criteriu tot un algoritm de relaxare care
are avantajul ca, la un pas oarecare, ntr-o prima etapa rezulta un estimator

130
CMMP pentru
1
, iar, ntr-o a doua etapa, estimatorul
i
d

care se obtine prin


minimizarea unei functii de o singura variabila.
Consideram initial d
1
=d
2
=......=d
nd
=0. Atunci:
Pas 1

'

) 0 ,..., 0 , d ,

( V min arg d

) 0 ,..., 0 , ( V min arg

1
1
1
d
1
1
1
1
1
1

Pas 2

'

) 0 ,.., 0 , d , d

( V min arg d

) 0 ,..., 0 , d

, ( V min arg

2 1
2
1
d
2
1 1
2
1
2
1

Pas i

'

) 0 ,.., 0 , d , d

,.., d

, d

( V min arg d

) 0 ,.., 0 , d

,.., d

, d

, ( V min arg

i 1 i 2 1
i
1
d
i
1 i 2 1 1
i
1
i
1

n final, dupa nd pasi rezulta


+
nd
1 i
1
i
1
) q d

1 ( ) q ( D

.
Sa observam ca nd nu trebuie precizat aprioric. El va fi egal cu numarul
de iteratii dupa care este obtinuta convergenta algoritmului. Acest lucru conduce
nsa la un model de zgomot de ordin destul de mare, ceea ce nu deranjeaza
ntotdeauna. Ceea ce deranjeaza este faptul ca aceasta varianta a algoritmului nu
este n general convergenta, adica pot exista sisteme pentru care algoritmul nu
converge la valorile adevarate ale parametrilor. Acest lucru poate fi demonstrat
prin contraexemple [4].
Desigur, algoritmul poate fi explicitat. Astfel daca:
( ) ( )
2
N
1 t
nd
1 i
1
T 1
i
N
1 t
2
1
T 1
N
1 t
2 1 1 1
) ) t ( ) t ( y )( q d 1 (
)] ) t ( ) t ( y )( q ( D [ ] ) t ( u ) q ( B ) t ( y ) q ( A ) q ( D [ V



1
]
1

+


la pasul 1 rezulta:

'

N
1 t
2
1
1
1
d
1
N
1 t
1
T
1
2
1
T 1
1
)) t ( v ) q d 1 (( min arg d

) t ( ) t ( y ) t ( v

; ) ) t ( ) t ( y ( min arg

1
1

iar la pasul 2:
( )

'

+ + +
+ +
+





N
1 t
N
1 t
2
2
1
2
d
2
2
1
T 1
1
1
2
d
2
T 1
1
T 1
1
N
1 t
N
1 t
2
1
T
2
2
1
T 2
1
T 1
1
2
1
. )) t ( v

) q d 1 (( min arg ]

) t ( ) t ( y )[ q d

1 )( q d 1 ( min arg d

) t ( ) q d

1 ( ) t (
~
si ) t ( y ) q d

1 ( ) t ( y
~
care n

) t (
~
) t ( y
~
) t ( v

; ] ) t (
~
) t ( y
~
[ min arg )]

) t ( ) t ( y )( q d

1 [( min arg

2 2
1 1


131
si procedura poate continua.
Varianta 2. Fie modelul (M):
(M)

'


) t ( ) t ( v ) q ( D
) t ( v ) t ( u ) q ( B ) t ( y ) q ( A
1
1 1

care este echivalent cu cel considerat n cazul general de aplicare a metodei celor
mai mici patrate generalizate. Cu notatiile:
( ) ( ) ( ) ( ) [ ]
( ) ( ) [ ]
[ ]
[ ]
T
nd 1 2
T
nb 1 na 1 1
T
T
d ,..., d
b ,...., b , a ,..., a
nd t v ,..., 1 t v ) t (
nb t u ,..., 1 t u , na t y ,..., 1 t y ) t (





acesta poate fi scris sub forma: ) t ( ) t ( ) t ( ) t ( y
2
T
1
T
+ + sau, n notatie
matriceala, dnd lui t valori de la 1 la N:
[ ] + +
1
]
1

+ +
2
1
2 1
, Y
n care:
[ ] . , , )] N ( ),...., 1 ( [ , )] N ( ),...., 1 ( [
)] N ( ),...., 1 ( [ , )] N ( y ),...., 1 ( y [ Y
T
T T
T T



Pentru acest model se poate aplica estimatorul celor mai mici patrate, deci:
[ ] .

Y
Y
Y

2
1
T
T
1
T T
T T
T
1
T
1
1
]
1

1
]
1

1
]
1


Acest estimator rezolva global problema. Dificultatea obtinerii lui nu
consta n inversarea matricei partitionate, ci n faptul ca valorile lui (t) nu sunt
actual disponibile pentru calculul lui
1

si
2

. Si n acest caz dificultatea este


depasita utiliznd un algoritm de relaxare.
Daca explicitam expresia estimatorului trebuie tinut seama de identitatea:
1
]
1

1
]
1

1 1 1
1 1 1 1 1
1
D GE D
FD E ) GE FD I ( E
H G
F E
(7.36)
n care matricele E si H sunt patratice, E este nesingulara, iar D=H-GE
-1
F este de
asemenea nesingulara.
n cazul nostru:


M ] ) ( I [ ) ( D
T T 1 T T T 1 T T T

n care
T 1 T
) ( I M

depinde numai de datele de intrare/iesire, nu si de
perturbatia necunoscuta.
Efectund calculele rezulta:

'


M ) M (

) ( ) (

T 1 T
2
2
T 1 T T 1 T
1
(7.37)

132
Se observa ca primul termen din expresia estimatorului
1

este de fapt
expresia estimatorului celor mai mici patrate Y ) (

T 1 T
LS 1


, iar
2

este
estimator al CMMP ponderate cu matricea M.
Daca notam cu
T 1 T
) (

rezulta:
( )

'

MY M


T
1
T
2
2 LS 1 1
.
Relatiile de mai sus sugereaza urmatorul algoritm iterativ:
Pas 1 a) Se calculeaza matricele si M;
b) Se calculeaza Y

LS 1
.
Pas 2 a) Se calculeaza ,

) t ( ) t ( y ) t ( v
LS 1
t=1,N
b) Se calculeaza .
Pas 3 a) Se calculeaza ( ) MY M

T
1
T
2


;
b) Se calculeaza
cor 2

;
c) Se calculeaza .

2 LS 1 cor LS 1 1

Pas 4 cu
1

obtinut la pasul 3 ne rentoarcem la pasul 2.


Observatii:
1 Matricele si M se calculeaza o singura data, depinznd de datele de
intrare si iesire;
2 Procedura poate fi oprita prin stabilirea apriorica a unor criterii de
convergenta;
3 Relatia 7.37 poate fi obtinuta si fara a folosi 7.36, din sistemul:
1
]
1

1
1
]
1

1
]
1



Y
Y

T
T
2
1
T T
T T

Varianta 3. Modelul (M) poate fi scris sub forma intermediara:
(M) ) t ( ) t ( u ) q ( G ) t ( y ) q ( F
1 1
+


unde ) q ( A ) q ( D ) q ( F
1 1 1
si ) q ( B ) q ( D ) q ( G
1 1 1
, vectorul parametrilor
fiind n acest caz: . ] g ,..., g , f ,..., f [ p
T
ng 1 nf 1

Pentru acest model estimatorul celor mai mici patrate, care este
consistent n acest caz, devine:

1
]
1


N
1 t
1
N
1 t
T
) t ( y ) t ( ) t ( ) t ( p

unde:
T
)] ng t ( u ),..., 1 t ( u ), nf t ( y ),..., 1 t ( y [ ) t (
n felul acesta obtinem o estimatie consistenta a parametrilor modelului.
Pentru determinarea parametrilor

, deci a coeficientilor polinoamelor A(), B() si


D(q
-1
), problema se reduce fie la rezolvarea unui sistem neliniar de ecuatii algebrice

133
care leaga parametrii p

de parametrii

, fie la determinarea factorilor comuni ai


polinoamelor ) q ( F

1
si ) q ( G

1
. Prima cale ar necesita precizarea ordinelor
polinoamelor A, B si D, de la un caz la altul sistemul avnd solutii diferite, eventual
multiple. Al doilea caz, care este mai rational, ridica problema existentei factorilor
comuni ntre ) q ( F

1
si ) q ( G

1
n conditiile n care parametrii p

sunt obtinuti cu
anumita incertitudine datorita dependentei de esantionul de date. n aceasta situatie
problema trebuie abordata statistic, bazndu-ne pe faptul ca estimatorul p

este
consistent si normal distribuit, caz n care putem dispune de un interval de
ncredere. n [4] este abordata aceasta problema ajungnd la necesitatea
extremizarii unui alt criteriu, de data aceasta puternic neliniar n parametri.
7.5. Metode de variabila instrumentala
7.5.1. Esenta metodei de variabila instrumentala
Asa cum am aratat, estimatorul celor mai mici patrate

1
]
1


N
1 t
1
N
1 t
T
LS
) t ( y ) t (
N
1
) t ( ) t (
N
1


este consistent daca sunt ndeplinite conditiile:

'


>
0 )] t ( v ) t ( [ M
0 )] t ( ) t ( [ M R
T
.
Daca prima conditie este asigurata, n general, prin persistenta
semnalului de intrare, a doua conditie este ndeplinita numai daca v(t) este
zgomot alb, ceea ce constituie o limitare serioasa a metodei.
Variabilele instrumentale sunt introduse tocmai n ideea de a obtine un
estimator similar celor mai mici patrate care sa fie consistent indiferent de natura
perturbatiei. Metoda de variabila instrumentala se bazeaza pe estimatorul:

1
]
1


N
1 t
1
N
1 t
T
VI
) t ( y ) t ( z
N
1
) t ( ) t ( z
N
1

(7.38)
n care (t) are aceeasi semnificatie ca n cazul metodei CMMP, iar z(t)
(dimz(t)=na+nb) este un vector oarecare ale carui componente, numite variabile
instrumentale, trebuie alese n asa fel nct estimatorul sa fie consistent. Un calcul
similar cu cel efectuat n cazul estimatorului celor mai mici patrate conduce la:

1
]
1

+
N
1 t
1
N
1 t
T
VI
) t ( y ) t ( z ) t ( ) t ( z
N
1


conditiile de consistenta fiind:
( )
( )

'


7.40 )] t ( v ) t ( z [ M 0
39 . 7 0 > )] t ( ) t ( z [ M R
T

Variabilele instrumentale pot fi corelate cu intrarile si iesirile dar nu sunt
corelate cu perturbatiile. Cea mai obisnuita alegere a VI pentru a satisface
cerintele (7.39) si (7.40) este alegerea intrarii ntrziate (eventual filtrate). Cu ct

134
ntrzierea este mai mare cu att conditiile sunt mai bine satisfacute.
Ca si n cazul estimatorului celor mai mici patrate si estimatorul de VI
este insensibil la o transformare liniara, proprietate care poate fi utilizata atunci
cnd construim vectori de variabila instrumentala.
ntr-adevar, daca n (7.38) nlocuim z(t) cu Tz(t), unde T este o matrice
n/n de transformare nesingulara, estimatorul devine:
VI
N
1 t
1
N
1 t
T
N
1 t
1
1
N
1 t
T
N
1 t
1
N
1 t
T
VI

) t ( y ) t ( z
N
1
) t ( ) t ( z
N
1
) t ( y ) t ( z
N
1
T T ) t ( ) t ( z
N
1
) t ( y ) t ( Tz
N
1
) t ( ) t ( Tz
N
1

T

1
]
1

1
]
1


1
]
1


7.5.2. Alegerea variabilelor ins trumentale de baza
Consideram o forma generala a vectorului de variabila instrumentala:
( ) ( ) ( ) ( ) [ ]
T
-1
nb t u ,..., 1 t u , na t ,..., 1 t ) (q K ) t ( z (7.41)
unde (t) este obtinut prin filtrarea datelor de intrare:
) t ( u
) (q D
) (q C
) t (
1 -
-1


nd
nd
1
1 0
-1 nc
nc
1
1 0
-1
q d ... q d d ) (q D q c ... q c c ) (q C

+ + + + + +
K(q
-1
) si K
-1
(q
-1
) sunt filtre asimptotic stabile, iar polinoamele C(q
-1
) si D(q
-1
) au
zerourile n afara cercului unitar si sunt prime ntre ele.
Este, evident, posibila o mare varietate de variabile instrumentale pentru
cazuri particulare de forme ale filtrului K(q
-1
) si polinoamelor C(q
-1
) si D(q
-1
),
pentru fiecare caz n parte urmnd a determina parametrii astfel nct relatiile
(7.39) si (7.40) sa fie ndeplinite.
De exemplu, daca nc=nd=na, relatia (7. 41) devine:
( ) ( ) ( ) ( ) ( ) [ ]
( ) ( ) ( ) ( ) [ ] (7.42) nb na t u ,...., 2 t u , 1 t u
) q ( D
) q ( K
D , C S
nb t u ) q ( D ,..., 1 t u ) q ( D , na t u ) q ( C ,..., 1 t u ) q ( C
) q ( D
) q ( K
t z
T
1
1
T
1 1 1 1
1
1


unde S(-C,D) este matricea Sylvester asociata polinoamelor -C si D:
.......
-c
0
-c
1
.......
-c
na
0 0
0 -c
0
-c
na 0
-c
0
-c
1
.....
-c
na
0 0
......
.......
d
1
.......
d
na
0 0
0
1
1
d
1
.......
d
na
.....
0
0
0
.......
1
d
na
d
1
.....
nb
na
na+nb
S(-C,D)=
..................................................
..................................................


135
Se poate demonstra [2] ca daca polinoamele C si D au k zerouri comune,
atunci rangS(-C,D)=na+nb-k.
n cazul nostru, deoarece polinoamele sunt prime ntre ele, rezulta ca
rangS(-C,D)=na+nb si deci matricea S este nesingulara si, n relatia (7.42),
reprezinta o transformare liniara aplicata vectorului de variabila instrumentala,
ceea ce nu afecteaza estimatorul. n consecinta vectorul z(t) poate fi:
( ) ( ) [ ]
T
1
1
nb na t u ,...., 1 t u
) q ( D
) q ( K
) t ( z

(7.43)
ceea ce nseamna ca de fapt polinomul C(q
-1
) nu afecteaza estimatorul.
n particular, daca K(q
-1
)=D(q
-1
), gasim varianta:
( ) ( ) [ ]
T
nb na t u ,...., 1 t u ) t ( z (7.44)
analizata de Wanters n 1972.
O alta varianta de alegere a vectorului de variabila instrumentala a fost
propusa de Banon si Aquilar-Martin tot n 1972, definita prin:
( ) ( ) ( ) ( ) [ ]
T
nb t u ,...., 1 t u , na k t y ,...., 1 k t y ) t ( z
n care valorile iesirii sunt ntrziate cu k intervale de esantionare, ceea ce
slabeste corelatia cu perturbatia. Conditia a doua de consistenta este ndeplinita
daca perturbatia v(t) este de medie alunecatoare de ordin k.
Daca sistemul este descris de ecuatia:
(S) ) t ( v ) t ( u ) , q ( G ) t ( y
1 *
+


atunci ) t ( u ) , q ( G ) t ( x
1 *
este iesirea neafectata de zgomot (partea libera de
zgomot) a procesului. Metoda de variabila instrumentala idealizata se bazeaza pe
alegerea ( ) ( ) ( ) ( ) [ ]
T
nb t u ,..., 1 t u , na t x ,..., 1 t x ) t (
~
) t ( z (7.45)
O astfel de alegere asigura ndeplinirea ambelor conditii de consistenta
n ipoteza unui semnal de intrare persistent. ntr-adevar, daca notam:
( ) ( ) [ ]
T
0 ......... 0 , na t v ,..., 1 t v ) t ( v
~

rezulta imediat ca ) t ( v
~
) t (
~
) t ( + si:

'



)] t ( v ) t (
~
[ M 0
)] t (
~
) t (
~
[ M )] t ( ) t ( z [ M R
T T

deoarece intrarea si perturbatia sunt presupuse a fi necorelate.
Matricea R este simetrica si cel putin nenegativ definita si este pozitiv
definita daca intrarea este semnal persistent.
Aceasta varianta prezinta interes teoretic, nu si practic, deoarece ( ) t
~

este necunoscut. Cunoasterea lui ( ) t
~
ar nsemna cunoasterea modelului partii
deterministe a procesului, ntruct x(t) este intrarea filtrata de partea
determinista. Cu toate acestea, se poate imagina un algoritm iterativ n care
modelul adevarat, reprezentat prin parametrii
*
, necesar pentru determinarea
variabilelor instrumentale idealizate, este nlocuit cu o aproximatie a acestuia.
Fie ) t (
~
)

, t ( z , n care iesirile libere de zgomot x(t-k) sunt nlocuite prin



136
) k t ( u ) q ( G

, cu ) q ( G

1
un estimator al lui G
*
(q
-1
) corespunznd vectorului
parametrilor

.
Algoritmul iterativ se bazeaza pe recurenta:
1
]
1

1
]
1

+
N
1 t
k
1
N
1 t
T k 1 k
) t ( y )

, t ( z
N
1
) t ( )

, t ( z
N
1

(7.46)
cu initializarea
0

, care poate fi, de exemplu, estimatia celor mai mici patrate.


Extensiile posibile provin prin folosirea unor date intrare-iesire filtrate,
prin cresterea dimensiunilor vectorului z(t) de VI, astfel nct sa se obtina un
sistem supradimensionat, sau prin aplicarea la o categorie de sisteme neliniare
(de tip Hammerstein). Ratiunea acestor extensii consta n aceea ca, n general,
conditiile de consistenta si precizie pot fi mai usor satisfacute.
Sa consideram deci estimatorul VI extins:
1
1
]
1

,
_

,
_

1
1
]
1

,
_

,
_

N
1 t
1
T
N
1 t
T 1
1
N
1 t
T 1
T
N
1 t
T 1
) t ( y ) q ( F ) t ( z Q ) t ( ) q ( F ) t ( z *
* ) t ( ) q ( F ) t ( z Q ) t ( ) q ( F ) t ( z


unde F(q
-1
) este un filtru ny/ny asimptotic stabil, iar Q o matrice de ponderare
pozitiv definita. n consecinta, z(t) este o matrice nz/ny cu nzn. Este
extinderea cea mai puternica att prin introducerea filtrului, prin cresterea
dimensiunii vectorului de VI, ct si prin aplicarea cazului MIMO. n cazul SISO:
1
1
]
1

,
_

,
_

1
1
]
1

,
_

,
_

N
1 t
1
T
N
1 t
T 1
1
N
1 t
T 1
T
N
1 t
T 1
) t ( y ) q ( F ) t ( z Q ) t ( ) q ( F ) t ( z *
* ) t ( ) q ( F ) t ( z Q ) t ( ) q ( F ) t ( z

(7.47)
Cum y(t)=
T
(t)
*
+v(t), rezulta, dupa cteva calcule:
( )

,
_

N
1 t
1 T
N
1
N
T
N
) t ( v ) q ( F ) t ( z
N
1
Q R QR R


unde:
. ) t ( ) q ( F ) t ( z
N
1
R
N
1 t
T 1
N


Conditiile de consistenta devin:

'

>


0 )] t ( v ) q ( F ) t ( z [ M
0 )] t ( ) q ( F ) t ( z [ M R R lim
1
T 1
N
N
.
Atunci cnd nz=n, adica z(t) si (t) au aceeasi dimensiune, expresiile
se vor simplifica, nefiind necesara specificarea matricei de ponderare Q.

137
Estimatorul devine:
1
]
1

1
]
1

N
1 t
1
1
N
1 t
T 1
) t ( y ) q ( F ) t ( z
N
1
) t ( ) q ( F ) t ( z
N
1

(7.48)
conditiile de consistenta ramnnd aceleasi. Cnd nz=n matricea R este
patratica.
n cazul idealizat
T T 1
)] t (
~
) q ( F [ ) t ( z

, unde F(q
-1
) este filtrul, deocamdata
nespecificat, conditiile de consistenta devin:

'





))] t (
~
) q ( F ( )) t (
~
) q ( F [( M 0
0 > ))] t (
~
) q ( F ( )) t (
~
) q ( F [( M R
T 1 T T 1
T 1 T T 1
.
A doua conditie este automat satisfacuta n ipoteza ca u(t) si v(t) sunt
necorelate. Prima conditie este echivalenta cu )] t (
~
) t (
~
[ M
T
nesingulara, n
conformitate cu urmatoarea lema.
Lema. Fie F(q
-1
) un filtru asimptotic stabil, F(q
-1
)0 neavnd zerouri pe
cercul unitar. Atunci matricele:
))] t (
~
) q ( F ( )) t (
~
) q ( F [( M R
T 1 T T 1


si )] t (
~
) t (
~
[ M R
~
T

au acelasi spatiu nul ( ) R
~
( N ) R ( N ).
Demonstratie. Fie r un vector constant cu dim r=n si r ) t (
~
) t ( p
T
.
Atunci: ] )) t ( p ) q ( F ))( t ( p ) q ( F [( trM ))] t ( p ) q ( F ( )) t ( p ) q ( F [( M Rr r
T 1 1 1 T 1 T

sau, trecnd n complex:
du ) e ( F ) e ( ) e ( trF
2
1
Rr r
j j
pp
j T



unde
pp
() este matricea densitate spectrala a p(t).
Avem urmatorul sir de relatii echivalente:
) R
~
( N r 0 r R
~
r 0 r )] t (
~
) t (
~
[ M r 0 )] t ( p ) t ( p [ M
0 ) e ( 0 ) e ( F ) e ( ) e ( F 0 Rr r ) R ( N r
T T T T
j
pp
j j
pp
j T




a doua echivalenta este adevarata deoarece trA=0 cu A pozitiv semidefinita
implica A=0. A treia echivalenta rezulta din ipoteza ca F(q
-1
) nu are zerouri pe
cercul unitar, deci ]. , [ pentru 0 ) e ( F det
j


n aceste conditii, R este nesingulara daca si numai daca R
~
este
nesingulara.
7.5.3. Distributia estimatorului de variabila instrumentala (VI)
Consideram varianta extinsa:

1
]
1


N
1 t
1
1
N
1 t
T 1
) t ( y ) q ( F ) t ( z ) t ( ) q ( F ) t ( z


unde y(t)=
T
(t)
*
(t)+v(t) cu M[v(t)]=0, cov v(t)=R
v
.
Estimatorul poate fi scris sub forma: