LUCRAREA Nr.

3 VALIDAREA MODELELOR
Dup estimarea parametrilor, modelul obinut trebuie validat prin verificarea gradului n care acesta reproduce comportamentul sistemului real. Operaiile de estimare a parametrilor i de validare a modelului se repet pn se gsete modelul ce se apropie cel mai mult de comportarea sistemului real. Matlab-ul pune la dispoziia utilizatorului urmtoarele metode pentru validarea modelelor: Compararea ieirii modelului obinut cu ieirea real a sistemului identificat; Analiza reziduurilor; Analiza rspunsului sistemului la intrri standard; Afiarea polilor i zerourilor modelului obinut. Un indicator important n validarea modelelor obinute n urma identificrii l reprezint intervalul de ncredere ce corespunde domeniului valorilor ieirii cu o probabilitate specificat de a fi ieirea real a sistemului. Funciile Matlab-ului utilizeaz estimaia incertitudinii parametrilor modelului pentru a calcula intervalele de ncredere plecnd de la presupunerea c estimaiile au o distribuie gaussian. Spre exemplu, un interval de ncredere de 95% este regiunea din jurul curbei nominale ce are probabilitatea de 95% de a conine rspunsul real al sistemului. Intervalul de ncredere poate fi specificat ca o probabilitate (ntre 0 i 1) sau ca o valoare a deviaiei standard a distribuiei gaussiene. Spre exemplu, o probabilitate de 0.99 (99%) corespunde unei valori a deviaiei standard de 2.58. n practica identificrii sistemelor se obinuiete ca mulimea de date achiziionate din proces s fie mprit n dou seturi: unul destinat estimrii parametrilor i altul destinat validrii modelului obinut. Este bine s nu se utilizeze acelai set de date att pentru estimare ct i pentru validare, deoarece, n acest fel, se elimin posibilitatea validrii unor modele care sunt mult prea acordate la setul de date de identificare achiziionate. Datele simulate trebuie ns generate cu aceleai intrri cu care au fost produse datele de validare, altfel modelul risc s fie declarat invalid, dei el este n realitate valid.

Prezentm n continuare cteva din funciile Matlab utilizate pentru analiza i validarea modelelor. 3.1 Compararea rspunsului modelului cu ieirea real Pentru a compara rspunsul modelului cu rspunsul msurat se utilizeaz dou seturi de date: un set de date este utilizat pentru estimarea modelului (datele de estimare) i un set de date este utilizat pentru validarea modelului (datele de validare). Funcia Matlab utilizat pentru aceast comparaie este funcia Funcia compare Sintax:
compare(data,m) [ym,fit,x0]=compare(data,m)

Descriere: Aceast funcie compar ieirea real a sistemului cu ieirea modelului obinut prin identificare. Semnificaia parametrilor acestei funcii este urmtoarea - data: este un obiect Matlab de tip iddata ce conine datele intrare-ieire utilizate pentru validarea modelului. - m: este un obiect Matlab de tip idmodel ce reprezint modelul care trebuie validat. Dac se utilizeaz fr parametrii din stnga egalului (adic sub forma compare(data,m)), funcia calculeaz ieirea modelului m la intrarea specificat de obiectul data i va plota aceast ieire mpreun cu ieirea real a sistemului (coninut de asemenea de obiectul data) precum i gradul de asemnare (msurat n procente) ntre ieirea real i ieirea estimat. n cazul sistemelor multivariabile, este plotat cte un grafic pentru fiecare ieire. n cazul datelor din domeniul frecven (sau n cazul datelor complexe) sunt afiate valorile absolute ale ieirii reale i a ieirii modelului. De asemenea funcia permite analiza simultan a mai multor modele dac se utilizeaz sub forma:
compare(data,m1, m2, ..., mN)

n acest caz trebuie ca obiectul data s conin toate intrrile i ieirile corespunztoare modelelor ce trebuie validate.

Cnd se specific i argumentele de ieire ale funciei compare (sintaxa [ym,fit,x0]=compare(data,m)) nu va mai fi afiat nici un grafic, iar semnificaia parametrilor este urmtoarea: - yh: este un tablou de celule de dimensiune egal cu numrul de modele. Fiecare celul conine ieirea corespunztoare modelului sub forma unui obiect de tip iddata. - fit: este un numr ce arat gradul de asemnare (msurat n procente) ntre ieirea real i ieirea estimat. - x0: este un tablou de celule, fiecare celul conine estimaia strii iniiale a modelului. Exemplul 3.1 Considerm un sistem discret descris de urmtoarea ecuaie cu diferene:
y (t ) 1.5 * y (t 1) + 0.7 * y (t 2) = u(t 1) + 0.5 * u(t 2) + e(t )

Semnalul de intrare i perturbaia pot fi generate folosind funcia idinput:

u=idinput(300,prbs); e=idinput(300,rgs,[],[-0.1 0.1]);

Simularea modelului m la intrarea u i perturbaia e se realizeaz folosind funcia sim:

y=sim(m,[u e]);

Datele intrare ieire sunt grupate ntr-un obiect de tip iddata:

z=iddata(y,u,1)

Estimm dou modele m1 i m2 de tip ARX cu parametrii [1 1 1] i [2 2 1]:

m1=arx(z,[1 1 1]) m2=arx(z,[2 2 1])

Compararea datelor msurate cu ieirea modelelor se poate realiza folosind urmtoarele instruciuni:

compare(z,m1) ; % afieaz gradul de asemnare ntre datele reale i

% ieirea modelului m1
pause compare(z,m2) % afieaz gradul de asemnare ntre datele reale i

% ieirea modelului m2
pause compare(z,m1,m2) % afieaz gradul de asemnare ntre datele reale

% i ieirea modelelor m1 i m2 n figura urmtoare este prezentat graficul afiat n urma rulrii instruciunii compare(z,m1)
y1. (sim) z; measured m1; fit: 24.01%

8 6 4 2 y1 0 -2 -4 -6 -8 -10 50 100 150 timp 200 250 300

Funciile arxstruc, ivstruc i selstruc Aceste funcii sunt utilizate pentru alegerea celui mai bun model ARX pe baza unui set de date. Sintaxele celor trei funcii sunt urmtoarele: Sintax:
V = arxstruc(ze,zv,NN) V = ivstruc(ze,zv,NN) nn = selstruc(V,c)

Descriere: Funciile arxstruc i ivstruc calculeaz suma normalizat a erorilor ptratice de predicie. Parametrul NN este o matrice, fiecare linie a acestei matrice avnd structura [na nb nk]. Cele trei valori reprezint gradele corespunztoare modelului ARX (vezi Lucrarea nr. 2). Parametrii ze i zv sunt obiecte Matlab de tip iddata ce conin datele intrare - ieire.

Datele stocate n ze sunt utilizate pentru determinarea modelelor ARX cu structura specificat de matricea NN. Pentru aceste modele se calculeaz suma normalizat a erorilor ptratice de predicie pe baza datelor de validare zv i este returnat n obiectul Matlab V. Acest obiect este apoi folosit de funcia selstruc ce returneaz valorile optime pentru structura modelului ARX n vectorul nn. Parametrul c este o valoarea numeric utilizat ca parametru n procedurile de optimizare (i se alege de obicei egal cu zero). Exemplul 3.2 Considerm un sistem discret descris de urmtoarea ecuaie cu diferene:
y (t ) 1.5 * y (t 1) + 0.7 * y (t 2) = u(t 1) + 0.5 * u(t 2) + e(t )

Zgomotul e(t) este de tip gaussian. Se cere gsirea celui mai bun model ARX de ordin cel mult 5 care s descrie acest sistem precum i parametrii acestui model. Soluie: Se creeaz un model pentru acest sistem folosind funcia idpoly, dup se simuleaz ieirea sistemului la o intrare de tip semnal pseudoaleator binar pe o perioad de 400 de secunde. Datele astfel obinute le grupm ntr-un obiect de tip iddata dup care le mprim n dou: un obiect iddata notat ze va conine primele 200 de valori i va fi utilizat pentru estimare iar urmtoarele 200 de valori vor fi grupate ntr-un obiect notat zv i vor fi utilizate pentru validarea modelelor. Folosind funciile arxstruc i selstruc determinm valorile optime pentru gradele polinoamelor modelului ARX, dup care, folosind funcia arx, estimm parametrii acestui model. Programul Matlab este urmtorul:
A =[1,-1.5, 0.7] B =[0, 1, 0.5] m=idpoly(A,B) u=idinput(400,'prbs'); e=idinput(400,'rgs'); y=sim(m,[u e]); z=iddata(y,u,1) idplot(z) ze=z(1:200); zv=z(201:400); NN = struc(1:5,1:5,1);

V = arxstruc(ze,zv,NN) nn = selstruc(V,0) m = arx(z,nn)

3.2 Analiza reziduurilor Reziduurile reprezint diferenele dintre predicia cu un pas a ieirii modelului i ieirea msurat din datele utilizate pentru validare. Deci, reziduurile reprezint acea parte din datele utilizate pentru validare ce nu sunt surprinse de ctre model. Analiza reziduurilor const n dou teste: testul de albire i testul de independen. Conform testului de albire, un model bun are funcia de autocorelaie a reziduurilor n interiorul intervalului de ncredere, lucru ce indic faptul c reziduurile sunt necorelate. Conform testului de independen, un model bun are reziduurile necorelate cu intrrile anterioare. O corelaie mare indic faptul c modelul nu descrie modul n care anumite poriuni ale ieirii sunt legate de intrrile corespunztoare. Spre exemplu, un vrf n afara intervalului de ncredere la eantionul k nseamn c ieirea y(t) generat de intrarea u(t-k) nu este descris n mod corespunztor de ctre model. Funcia Matlab utilizat pentru analiza reziduurilor este funcia resid descris n continuare. Funcia pe Sintax:
e=pe(data,m) [e,x0] = pe(m,data,init)

Descriere: Aceast funcie calculeaz reziduurile modelului (eroarea de predicie). Semnificaia parametrilor acestei funcii este urmtoarea: - data: este un obiect Matlab de tip iddata ce conine datele intrareieire utilizate pentru validarea modelului. - m: este un obiect Matlab de tip idmodel ce reprezint modelul care trebuie validat. - e: este un obiect de tip iddata returnat de ctre funcie, astfel c eroarea de predicie poate fi obinut folosind instruciunea e.OutputData; - init: determin cum sunt utilizate condiiile iniiale, astfel:

init=estimate: starea iniial este estimat astfel nct norma erorii de predicie s fie minimizat; ea este returnat n parametrul x0; init=zero: seteaz starea iniial la zero; init=model: utilizeaz starea iniial a modelului; init=x0i: x0i este un vector coloan ce conine valorile strii iniiale specificate de utilizator.

Funcia resid Sintax:

resid(data,m) resid(data,m,tip) e=resid(data,m)

Descriere: Aceast funcie calculeaz reziduurile modelului (eroarea de predicie). Semnificaia parametrilor acestei funcii este urmtoarea: - data: este un obiect Matlab de tip iddata ce conine datele intrare-ieire utilizate pentru validarea modelului. - m: este un obiect Matlab de tip idmodel ce reprezint modelul care trebuie validat. Dac se utilizeaz fr parametrii din stng egalului (adic sub forma resid(data,m,tip)), funcia calculeaz reziduurile modelului i afieaz un grafic care poate fi de trei feluri, n funcie de valoarea parametrului tip: tip=Corr: sunt afiate funcia de autocorelaie a reziduurilor e i funcia de intercorelaie ntre reziduuri i intrarea u a modelului. Sunt de asemenea calculate intervalele de ncredere de 99% pentru aceste valori i plotate cu culoarea galben. Calculul regiunii de ncredere se face presupunnd c e este zgomot alb i este independent de intrarea u. Aceasta este valoarea implicit a parametrului tip pentru date n domeniul timp. tip=ir: este afiat rspunsul la impuls al modelului dintre intrare i reziduuri cu o regiune de ncredere de 99% n jurul lui zero marcat cu culoare galben. tip=fr: este afiat rspunsul n frecven al modelului dintre intrare i reziduuri cu o regiune de ncredere de 99% n jurul lui zero marcat cu culoare galben. Aceasta este valoarea implicit a parametrului tip pentru date n domeniul frecven.

Dac se utilizeaz sintaxa cu parametru de ieire (e=resid(data,m)) funcia nu mai afieaz nici un grafic i reziduurile (erorile de prediciie) sunt returnate n parametrul e care este obiect de tip iddata. Exemplul 3.3 Programul urmtor afieaz funciile de corelaie a reziduurilor pentru dou modele de tip ARX estimate folosind acelai set de date:
A =[1,-1.5, 0.7] B =[0, 1, 0.5] m=idpoly(A,B) u=idinput(400,'prbs'); e=idinput(400,'rgs'); y=sim(m,[u e]); z=iddata(y,u,1) idplot(z) ze=z(1:200); zv=z(201:400); m1=arx(ze,[1 1 1]) m2=arx(ze,[2 2 1]) resid(zv,m1) pause resid(zv,m2)

Graficele obinute sunt urmtoarele:

Correlation function of residuals. Output y1 1

0.5

-0.5

15 20 lag Cross corr. function between input u1 and residuals from output y1

10

25

0.6 0.4 0.2 0 -0.2 -25

-20

-15

-10

-5

0 lag

10

15

20

25

Funciile de corelaie ale reziduurilor pentru modelul m1

Correlation function of residuals. Output y1 1

0.5

-0.5

15 20 lag Cross corr. function between input u1 and residuals from output y1

10

25

0.2 0.1 0 -0.1 -0.2 -25

-20

-15

-10

-5

0 lag

10

15

20

25

Funciile de corelaie ale reziduurilor pentru modelul m2

Dup cum se observ, modelul m2 este mai bun dect modelul m1 deoarece valorile funciilor de corelaie a reziduurilor pentru modelul m2 nu depesc intervalele de ncredere. 3.3 Analiza rspunsului sistemului la intrri standard Graficele rspunsurilor sistemelor la intrri de tip impuls sau de tip treapt mai sunt numite i grafice ale rspunsurilor tranzitorii i ofer o serie de informaii legate de caracteristicile dinamice de baz ale sistemelor, cum ar fi timpii de rspuns, amplificrile statice sau ntrzierile. Rspunsurile tranzitorii pot fi utilizate de asemenea pentru a aprecia ct de bine au fost aproximate dinamicile sistemului de ctre modelul liniar estimat. Spre exemplu, se pot estima rspunsul la impuls sau la treapt folosind analiza de corelaie (modele neparametrice) dup care acestea pot fi comparate cu rspunsurile tranzitorii ale unor modele parametrice. Deoarece modelele parametrice i neparametrice sunt obinute folosind algoritmi fundamental diferii, o asemnare ntre rspunsurile tranzitorii ale acestor dou tipuri de modele mrete ncrederea n modelele parametrice. O alt modalitate de analiz i validare a modelelor o reprezint analiza rspunsurilor n frecven. Graficele acestor rspunsuri n frecven furnizeaz o serie de informaii legate de dinamicile modelelor liniare cum ar fi frecvena de rezonan sau marginile de stabilitate. Rspunsul n frecven al modelelor dinamice liniare descrie modul n care acesta reacioneaz la intrri sinusoidale. Dac intrarea sistemului u(t) este o sinusoid, atunci ieirea acestuia y(t) este de asemenea o sinusoid de aceeai frecven dar de amplitudine i faz diferite. n continuare sunt prezentate principalele funcii Matlab utilizate pentru analiza rspunsurilor la intrri standard. Funcia impulse Sintax:
impulse(m) impulse(data) [y,t,ysd] = impulse(m)

Descriere: Aceast funcie estimeaz, calculeaz sau traseaz grafic funcia pondere (rspunsul la impuls). Funcia poate fi aplicat att

obiectelor de tip idmodel ct i obiectelor de tip iddata. Pentru modele discrete m, funcia pondere y i deviaia standard estimat ysd, sunt calculate folosind funcia sim. Cnd este apelat cu argumentele de ieire funcia returneaz vectorul de ieire y, deviaia standard a lui y - ysd i vectorul de timp t. Cnd este apelat fr argumentele de ieire, funcia va trasa pe ecran graficul funciei pondere. Dac argumentul de intrare este un obiect iddata, funcia va estima un model FIR de ordin mare dup ce n prealabil datele au fost prefiltrate astfel nct intrarea s fie ct mai alb cu putin. Funcia pondere a acestui model FIR este apoi afiat grafic. Dac este apelat cu argumente de ieire, i datele de intrare sunt de tip iddata funcia returneaz modelul FIR estimat sub forma unui obiect de tip idarx. Ordinul filtrului care realizeaz prefiltrarea datelor poate fi setat modificnd valoarea proprietii pw. n mod implicit aceast valoare este 10. Se pot utiliza diverse combinaii de modele i seturi de date ca argumente de intrare. Rspunsurile fiecrui model sunt trasate separat, culorile i stilul liniilor pot fi definite prin modificarea valorile proprietii PlotStyle. Exemplul 3.4 Programul urmtor estimeaz dou modele de tip ARX i afieaz pe acealai grafic rspunsurile la impuls pentru cele dou modele.
A =[1,-1.5, 0.7] B =[ 0, 1, 0.5] m=idpoly(A,B) u=idinput(300,'prbs'); e=idinput(300,'rgs',[],[-0.1 0.1]); y=sim(m,[u e]); z=iddata(y,u,1) idplot(z) m1=arx(z,[1 1 1]) m2=arx(z,[2 2 1]) impulse(m1,'b-*',m2,'r--')

Rezultatul rulrii programului este prezentat n figura urmtoare.

From u1 2.5

1.5

1 To y1 0.5 0 -0.5 -1 -20

-10

10

20 Time

30

40

50

60

Funcia step Sintax:

step(m) step(data) [y,t,ysd] = step(m)

Descriere: Aceast funcie estimeaz, calculeaz sau traseaz grafic funcia indicial (rspunsul la intrare treapt). Funcia poate fi aplicat att obiectelor de tip idmodel ct i obiectelor de tip iddata. Pentru modele discrete m, funcia indicial y i deviaia standard estimat ysd sunt calculate folosind funcia sim. Cnd este apelat cu argumentele de ieire funcia returneaz vectorul de ieire y, deviaia standard a lui y ysd i vectorul de timp t. Cnd este apelat fr argumentele de ieire, funcia va trasa pe ecran graficul funciei indiciale. Dac argumentul de intrare este un obiect iddata, funcia va estima un model FIR de ordin mare dup ce n prealabil datele au fost prefiltrate astfel nct intrarea s fie ct mai alb cu putin. Rspunsul la intrare treapt al acestui model FIR este apoi afiat grafic. Dac este apelat cu argumente de ieire, i datele de intrare sunt de tip iddata funcia returneaz modelul FIR estimat sub forma unui obiect de tip idarx. Ordinul filtrului care realizeaz prefiltrarea datelor poate fi setat modificnd valoarea proprietii pw. n mod implicit aceast valoare este 10. Se pot utiliza diverse combinaii de modele i seturi de date ca argumente de intrare. Rspunsurile fiecrui model sunt trasate separat, culorile i stilul liniilor pot fi definite prin modificarea valorile proprietii PlotStyle.

Exemplul 3.5 Programul urmtor estimeaz trei modele de tip ARX i afieaz pe acelai grafic rspunsurile la intrare treapt pentru cele trei modele.
A =[1,-1.5, 0.7] B =[ 0, 1, 0.5] m=idpoly(A,B) u=idinput(300,'prbs'); e=idinput(300,'rgs',[],[-0.1 0.1]); y=sim(m,[u e]); z=iddata(y,u,1) idplot(z) m1=arx(z,[1 1 1]) m2=arx(z,[2 2 1]) m3=arx(z,[2 1 1]) step(m1,'b-*',m2,'r--',m3)

Rezultatul rulrii programului este prezentat n figura urmtoare.

From u1 10 9 8 7 6 To y1 5 4 3 2 1 0

-10

10

20 Time

30

40

50

Funcia bode Sintax:

bode(m) [mag,phase,w] = bode(m)

Descriere: Aceast funcie calculeaz caracteristicile amplitudine frecven i faz frecven pentru un obiect de tip idmodel sau idfrd. Cnd este apelat fr argumentele de ieire, funcia afieaz pe ecran graficele cu caracteristicile de frecven ale modelului.

Sintaxa bode(m, w) specific explicit domeniul de frecvene utilizat pentru calcularea caracteristicilor de frecven. Dac se dorete analiza unui interval particular de frecvene [wmin, wmax], se seteaz parametrul w={wmin, wmax}. Se va plota rspunsul sistemului pentru 100 de frecvene distribuite logaritmic ntre wmin i wmax. Funcia nyquist Sintax:
nyquist(m) [fr,w] = nyquist(m)

Descriere: Aceast funcie calculeaz caracteristica complex de frecven amplitudine faz pentru un obiect de tip idmodel sau idfrd. Cnd este apelat fr argumentele de ieire, funcia afieaz pe ecran graficul caracteristicii de frecven a modelului. Sintaxa nyquist(m, w) specific explicit domeniul de frecvene utilizat pentru calcularea caracteristicilor de frecven. Dac se dorete analiza unui interval particular de frecvene [wmin, wmax], se seteaz parametrul w={wmin, wmax}. Se va plota rspunsul sistemului pentru 100 de frecvene distribuite logaritmic ntre wmin i wmax. Dac proprietatea sd este diferit de zero, atunci este afiat i regiunea de ncredere a estimaiei. Aceste regiuni sunt elipse n planul complex i corespund regiunilor n care se afl rspunsul n frecven al sistemului cu o probabilitate dat de deviaia standard (pentru o distribuie gaussian). Dac argumentul ce indic distribuia standard este dat sub forma sd+5, regiunile de ncredere sunt plotate la fiecare a 5-a frecven, centrul fiind notat cu +. Valoarea implicit este sd+10. Exemplul 3.6 Programul urmtor estimeaz trei modele de tip ARX i afieaz caracteristicile amplitudine frecven i faz frecven (caracteristicile BODE) i caracteristicile Nyquist pentru cele trei modele.
A =[1,-1.5, 0.7] B =[ 0, 1, 0.5] m=idpoly(A,B) u=idinput(300,'prbs'); e=idinput(300,'rgs',[],[-0.1 0.1]); y=sim(m,[u e]); z=iddata(y,u,1)

idplot(z) m1=arx(z,[1 1 1]) m2=arx(z,[2 2 1]) m3=arx(z,[2 1 1]) bode(m1,'b-*',m2,'r--',m3) pause nyquist(m1,'b-*',m2,'r--',m3)

Rezultatele rulrii programului sunt prezentate n figura urmtoare.

10
2

From u1 to y1

Amplitude

10

10

10

-1

10 0 Phase (degrees) -50 -100 -150 -200 -250

-3

10

-2

10

-1

10

10

-300 -3 10

10

-2

10 Frequency (rad/)

-1

10

10

Nyquist Plot From u1 to y1 2

-2

-4 Imag Axis

-6

-8

-10

-12

-14 -6

-4

-2

2 Real Axis

10

12

3.4 Afiarea polilor i zerourilor modelului Funcia pzmap Sintax:

pzmap(m)

pzmap(m,'sd',sd,'mode',mode)

Descriere: Aceast funcie ploteaz zerourile i polii unui model m care este un obiect Matlab de tip idarx, idgrey, idss, idproc sau idpoly. Zerourile sunt trasate folosind simbolul o iar polii modelului folosind simbolul x. Polii i zerourile de la infinit sunt ignorai. Dac modelul pentru care sunt afiate zerourile i polii este discret atunci este trasat i cercul de raz unitate. n cazul modelelor continue sunt trasate axele imaginar i real. Dac proprietatea sd are o valoare mai mare dect zero, n jurul polilor i zerourilor sunt trasate regiunile de ncredere. Valoarea implicit a acestui parametru este sd=0. Regiunile de ncredere sunt simetrice n jurul zerourilor i polilor. Dac modelul m este multivariabil (are mai multe intrri i ieiri) exist urmtoarele opiuni pentru afiare folosind parametrul mode: - mode=sub ecranul este mprit ntr-un numr de subgrafice egal cu numrul de canale intrare-ieire; - mode=same toate graficele sunt trasate n aceeai diagram; - mode=sep graficele sunt afiate n ecrane succesive. Trecerea de la un grafic la urmtorul se face prin apsarea tastei ENTER Valoarea implicit a acestui parametru este mode=sub. Funcia tfdata Sintax:
[n,d]=tfdata(m)

Descriere: Aceast funcie returneaz numrtorul i numitorul unei funcii de transfer obinut din modelul m. Parametrii acestei funcii sunt urmtorii: - n: tablou de celule ce conine numrtorul funciei de transfer; - d: tablou de celule ce conine numitorul funciei de transfer ; - m: obiect de tip iddmodel ce reprezint un model obinut prin identificare. n cazul n care m este un model monovariabil (cu o singur intrare i o singur ieire) pentru a obine numrtorul i numitorul funciei de

transfer sub form de vectori (i nu sub form de celule) atunci se folosete urmtoarea sintax:
[n,d]=tfdata(m,v)

Exemplul 3.7 Programul urmtor estimeaz un model de tip ARX (modelul notat me), dup care numrtorul i numitorul funciei de transfer corespunztoare acestui model sunt memorate n vectorii n i d iar polii i zerourile corespunztoare acestui model sunt afiate grafic mpreun cu intervalele de ncredere.

A =[1,-1.5, 0.7] B =[ 0, 1, 0.5] m=idpoly(A,B) u=idinput(300,'prbs'); e=idinput(300,'rgs',[],[-0.1 0.1]); y=sim(m,[u e]); z=iddata(y,u,1) idplot(z) me=arx(z,[2 2 1]) [n,d]=tfdata(me,'v') pzmap(me,'sd',30)

TEME: 1. S se ruleze exemplele prezentate n lucrare. 2. Considerm un sistem discret descris de urmtoarea ecuaie cu diferene:
y (t ) + 0.8 * y (t 1) + 0.6 * y (t 2) = 0.5 * u (t 1) + u (t 2) + e(t )

Se cere: a) s se creeze un model Matlab pentru acest sistem; b) tiind c zgomotul e(t) este de tip gaussian cu deviaia standard 0.5, se cere gsirea celui mai bun model ARX de ordin cel mult 5 care s descrie acest sistem precum i parametrii acestui model. c) Pentru modelul obinut la punctul b) s se afieze: - gradul de asemnare ntre datele reale i ieirea modelului; - funcia de corelaie a reziduurilor;

- funcia pondere; - funcia indicial; - caracteristica complex de frecven amplitudine-faz; - caracteristicile BODE; - funcia de transfer corespunztoare modelului; - polii i zerourile modelului mpreun cu regiunile de ncredere. 3. Considerm un sistem discret descris de urmtoarea ecuaie cu diferene:
y (t ) + 1.3 * y (t 1) + 0.55 * y (t 2) + 0.075 * y (t 3) = 0.7 * u (t 1) + e(t )

Se cere: a) s se creeze un model Matlab pentru acest sistem; b) tiind c zgomotul e(t) este de tip gaussian cu media egal cu 1 i deviaia standard de 0.4, se cere gsirea celui mai bun model ARX de ordin cel mult 5 care s descrie acest sistem precum i parametrii acestui model. c) Pentru modelul obinut la punctul b) s se afieze: - funcia de corelaie a reziduurilor; - funcia pondere i funcia indicial; - gradul de asemnare ntre datele reale i ieirea modelului; - caracteristica complex de frecven amplitudine-faz; - caracteristicile BODE; - polii i zerourile modelului mpreun cu regiunile de ncredere.