Sunteți pe pagina 1din 27

Cap1. Obiectul identificarii. Metode de identificarea sistemelor.

Problema centrala a analizei sistemelor o reprezint studiul evoluiei n timp a semnalului de ieire
determinat att de ctre variaia semnalului de intrare (si/ sau perturbaie) cat si de proprietile sistemului.

Problema dezvoltata de-a lungul ntregului curs, adic problema identificrii poate fi privita ca problema
inversa analizai sistemului si anume fiind cunoscuta evoluia in timp a semnalului de intrare si respectiv
iesirea sa se determina MM care descrie comportarea sistemului.

Definitie: Zadeh identificarea poate fi definita ca determinarea pe baza intrarii si iesirii unui sistem
dintr-o calasa determinat de sistemul fata de care sistemul care se incearca este echivalent. Definitita
implica consideratii fata de clasa de sistem si echivalenta. Sistemul care se analaizeaza se va numi in
continuare sistem, proces tehnic, sau proces, iar elementeului claselor de sisteme se vor numi modele.
Echivalenta se defineste functie de un criteriu sau functie de eroare care e dependent de iesirea y a
sistemului si respectiv de iesirea ym
J = J(y,ym) (=not, functie criteriu)
Doua modele M1 si M2 se spun ca sunt echivalente daca valorile functiei criteriu este aceeasi pentru
ambele modele.

J(y,ym1) = J(y,ym2)
Cel mai raspandit criteriu este cel al erorii patratice. Daca e= y ym, atunci
T

J (e) e 2 (t ) dt
0

Valorile numerice ale parametrilor modelului trebuie determinat astfel incat comportarea modelului sa fie
cat mai apropiata de comportarea sistemului. In masura acestei proximitati model-sistem o reprezinta
tocmai criteriul de eroare care exprima cantitativ ditanta dintre model si proces. Definind spatiul
parametric ca fiind spatiul parametrilor I de determinat modelul e reprezntat de un punct, iar sistemul de
un alt punct, criteriul fiind constituit de distanta dintre cele doua puncte. Procedeul de determinare a
parametrilor e o procedura de minimizare a acestei distante. Exista mai multe posibilitati de a defini
distanta. Cea de iesirea bazata pe diferenta iesirii model si iesirii sistem

Je(i ) [ y (i ) y M (i )] 2
i 1

N nr punctelor de masura

Clasificarea metodelor de identificare


Avem identificare partiala si identificare totala, la identificare partiala structura modelului procesului se
considera cunoscuta, ramane problema determinarii parametrilor lui.
La identif. totala procesul se cinsidera total necunoscut urmand sa se determine atat structuara cat si
parametrii procesul fiind de tip BLACK BOX. Identificare ca procedura de determinare a modelului
presupune posibilitatea abordarii prin cele doua cai cunoscute deja:

1. identif. analitica
2. identif experimentala: deteminarea modelului pe baza unor masuratori ale intrarii si iesirii adica
pe baza unui experiment. In general se merge pe ideea unei identif. mixte care presupune urmatoarele
idei: daca din cunoasterea partiala a functionarii procesului se poate duspune de o anumita cantitate de
cunostinte care sa faciliteze fixarea structurii modelului ceea ce mai ramane de facut este determinarea
valorii numerice ale parametrilor, deci practic problema identif. se reduce la probleam estimarii
parametrilor modelului.

Ex. Pesupunand ca se dispune de o secventa de intrare u(t) si secventa de iesire y(t), cunoscand relatia
T

dintre ele:

y (t ) h(t )u ( ) d
0

Problema este ca din datele de intrare si respeciv de iesire masurate pe un interval de timp se doreste
determinarea functiei pondere h(t-). Functia pondere determinata cu relatia precedenta aduce o serie de
informatii privind comportarea dinamica a procesului respectiv, dar se pune problema: este funcia pondere
modelul necesar intr-o problema de reglare optimala? Intrebarea sugereaza faptul ca identificarea trebuie
abordata in totdeauna in raprot cu scopul final, care ar putea fi de axemplu: analiza comportarii dinamice;
proiectarea unei bucle de reglare calsice; determinarea unei comenzi optimale obtinute printr-o
extremizare a unei criterii. E evident ca in parcurgerea exemplelor mentionate modelul necesar e altul si
alta e precizia ceruta asupra modelului.
Cunoasterii scopului final I se adauga intotdeauna o informatie apriorica totdeauna disponibila. In
diversele etape de succesiune ala algoritmului general de identif. pot sa apara cateva intrebari de tipul:
1).Se poate aplica un semnal de test sau e necesara observarea in functionarea normala a procesului?
2).Daca e posibila aplicarea semnalului de test care trebuie sa fie amlitudinea maxima a aacestuia pentru a
nu perturba procesul si/sau pentru a nu scoate din zona de functionare liniara?
3).Ca tip de semnal de test trebuie considerat pentru a se obtine o informatie cat mai bogata despre proces?
4).Procesul trebuie identif. in bucla inchisa sau o identif. in bucla deschisa e suficient?
5).Care e clasa de model care trebuie considerat in incercarea de a aproxima procesul? Se cauta in
totdeauna un compromis simplitate, pecizie
6).In functie de intrebarile de mai sus si de disponibilatatile hard-soft care e metoda cea mai indicata?
7).E suficient o varianta de identificare off-line sau e nevoie de una on-line.

Metodele de identificare pot fi clasificate in principiu dupa:


1 tipul de semnal de intrare
2 clase de modele
3 indicele de performata privind aproximarea procesului de catre model
4 caracterul calculelor off sau online
5 Identif. parametrica sau neparametrica
6 Identificarea statica unde se urmareste determinarea unui model static adica a unui model de
functionare a sistemului presupus stabil pentru intrarile constante.
7 Identificare dinamica presupune: deteminarea unui model dinamic adica relatia dintre evolutia in timp
a iesirilor si a intrarilor
8 Identificarea stationara in cazul sistemelor invariante; identificare adaptiva la sisteme variante
9 Identificarea in timp diferit (offline) daca prelucrarea datelor se face in timp deconectat fata de
functionarea normala a procesului.
10 Identificarea in timp real (online) daca timpul este conectat fata de fct. normala
Metodele active de identificare: presupun aplicarea unor semnale de test urmarindu-se determinarea
unor informatii, care fara un efort de calcul diferit sa furnizeze modelul cautat. In general printr-o
metoda activa se determina un model neparametric. Schema unei astfel de identificari ar fi urmatorul:

Pot aparea o serie de probleme legate de generarea si caracterizarea semnalului de test. Restricitiile cele
mai importante sunt legate de:
- amplitudine, o identificare buna solicita putere mare pentru semnalul de test, dar de pe alta parte
procesul nu poate fi perturbat oricat.
- durata, o identificare buna solicita timpi de experimentare lungi, dar apar limitari in ceea ce priveste
durata timpului de experimentare.
Avantaje ale metodelor active:
-efortul de calcul este mic, ele permit obtinerea cu usurinta a modelelor neparametrice.
Metodele pasive - utilizeaza variatii aleatoare ale marimilor de intrare si iesire ale procesului in
functionarea lui normale. Metodele pasive nu mai sunt legate de generarea semnalului de test, calculele
sunt in general mai complexe si conduc aproape intotdeauna la un model parametric.

Identificare neparametrica
Aceste metode se caracterizeaza prin faptul ca modelele rezultate sunt curbe sau functii pentru care nu este
necesara o parametrizare printr-un sector finit dimensional al parametrilor. Dintre aceste metode se disting
ca fiind reprezentative urmatoarele:
1. metode de analiza tranzitorie pentru care semnalul de test este de tipul treapta sau impuls iar
modelul este constituit de inregistrarea iesirii, adica de aliura raspunsului indicial sau a functiei
pondere
2. metode analizei de frecventa- intrarea este sinusoidala avand ca rezultat obtinerea unor
caracteristici de frecventa
3. metodele de corelatie utilizate la filtrarea semnalelor
Metode de analiza tranzitorie
cazul sistemelor PT1
Ty (t ) y (t ) ku (t ) H ( s )

k
Ts 1

H (s)
y (t ) L {
} k (1 e )
s
1

y(t) raspuns indicial.


Obs.: In figura raspunsului indicial experimental se prezinta intr-o forma normata y(t)/y(t s). Implicatia in
acest caz este ca dispare imfluenta factorului k. y(t s)=k, y(0)=u(0)=0. In general factorul de transfer k
reprezinta raportul dintre valorile stationare a iesirii si respectiv amplitudinea treptei de intrare.
y (t s ) y (0)
k
u (t s ) u (0)
determinam parametrii k, respectiv T. k se determina direct din ecuatia anterioara iar T

y(T)=k(1-e-1)=0.63k=0.63y(ts) => 63%


4

Deci ct de timp al unui element PT 1 reprezinta timpul pt care raspunsul indicial atinge 63% din valoarea
lui stationara

Sisteme cu timp mort

t Tm

], t Tm
y (t ) k[1 e

0, t Tm

k
H (s)
e Tn s
Ts 1

Valoarea Tm se determina ca fiind intervalul de timpmasurat din momentul aplicarii semnalului de proba
pana cand functia indiciala ramane inferioara unei valori calculata in raport cu clasa de precizie a
aparatului de masura.

Identificarea grafica din functia pondere


Expresia analitica a functiei pondere pentru sistemele PT1
t
k
h(t ) L1 {H ( s )} e T
T
Functia pondere= raspuns la semnal treapta / transformata inversa a f.d.t
Reprezentarea grafica a functiei pondere este
Determinarea parametrilor k si T se rezolva grafic imediat h(0)=k/T, T reprezinta timpul pentru care
functia pondere ajunge la valoarea 0.37 din valoarea initiala.
a)

Cazul sistemelor PT2

H (s)

T 2 s 2 2Ts 1

k
1
n

s 2

1
s 1
n

- amortizare, (0,1)

Raspunsul indicial e reprezentat in acest caz de o familie de curbe parametrizate dupa

Problema care se pune e determinarea k, , si n. se obtine din suprareglajul Sigma. Dependenta


dintre sigma si ca procentaj din raspunsul indicial stationar este dat de grafice experimentale:
Pulsatia naturala se poate determina dintr-o relatie de tipul n

; T
1
p
in care Tp reprezinta perioada oscilatiilor amortizate sau nu in cadrul raspunsului indicial experimental.
Determinarea c.d.frecv. pornind de la functia pondere
Metoda de schimbare de model:
Aproximarea raspunsului in frecventa printr-o suma finita. Raspunsul in frecventa este definit prin sectorul
complex H(j) care se obtine substituind s=j. Practic H(j) poate fi
definit si de
H ( j )

h( )e

(1).

Presupunem ca se dispune de o functie pondere deduse experimental.


Se considera secventa reprezentant pentru valorile lui h() pentru valorile discrete

j ( i t )
In acest caz relatia (1) poate fi rescrisa H ( j ) t h(it )e
.
i 0

Exponentiala poate fi dezvoltata conform relatiei lui Euler


e jit cos(it ) j sin(it ) (3)

i 0

i 0

H ( j ) t h(it ) cos(it ) t h(it ) sin(it ) (4)

Pentru a se obtine o forma concordanta cu raspunsul in frecventa reala perioada de esantionare trebuie sa
satisfaca teorema de esantionare a lui Shannon. Presupunand ca daca frecventa de interes * atunci cea
5

mai mare T de esantionare poate sa fie T* = /*. N* = T/T*=T*/. O alta posibilitate de a obtine
reprezentarea raspunsului in frecventa se poate face:

H ( j ) t

h(it )
i 0

it

Aproximarea raspunsului in frecventa printr-o serie infinita

H ( j ) t h(it )e j ( it )
i 0

H ( j ) t h(it ){1 jit


i 0

(it ) 2
(it ) 3
j
...}
2
3

Dezavantajul metodei consta in faptul ca singura zona intr-un spectru care poate fi analizata este de joasa
frecventa.
Determinarea f.d.t din caracteristica de frecventa in speta diagramele Bode
Seimpune doar ipoteza stabilitatii S considerat, aceasta ipoteaza fiind nunumai teoretica ci si practica in
sensul ca practic nu poate fi determinat raspunsul in frecventa in cazul unui S instabil. Aceasta procedura
inversa a constructiei diagramelor Bode consta in parcurgerea a doi pasi:
1. aproximarea c.a.p. printr-o succesiune de linii drepte care reprezinta asimptotele la caracteristicile
respective, aceste asimptote ay pante standard
2. localizarea frecventelor de frangere corespunzator punctelor de intersectie dintre dreptele trasate

B ( s ) bm s m ... b1 s b0
H (s)

,m n
A( s ) a n s n ... a1 s a 0

(T s 1) (T s 2 T s 1)
H (s) k
s (T s 1) (T s 2 T s 1)
2
r

2
q

Metoda permite evidentierea polilor sau zerourilor in

origine presupunandu-se cunoscute diagramele Bode ale sistemelor componente.


Cap2 Identificarea sistemelor utilizand metode de corelatie
2.1 Identificarea utilizand semnale periodice.
Avantaje utilizarea semnalelor proba sau de test periodice fata de cele aperiodice
1. S supus identificarii fiind ales in regim de oscilatii fortate permite filtrarea lejera a influentei
zgomotelor interne sau a diverselor perturbatii care se suprapun ca efect peste semnalul util din iesire
2. Utilizarea ca semnal de test a unor semnale de medie nula permite utilizarea unor semnale de
amplitudine mari comparativ cu cele ale semnalelor neperiodice
3. Permit obtinerea directa a raspunsului in frecventa
y (t ) Yo (t ) sin[ k t ( k )] U 0 H ( j k ) sin[ k t ( k )]

Deci raspunsul S la o excitatie


sinusoidala este tot un semnal sinusoidal de acelas frecventa ca si intrarea, dar de o alta amplitudine si
defazata. Procedeul clasic de determinare a modelului neparametric (c.d.f) prin raportarea amplitudinii
semnalului din y si respectiv u si masurarea defazajului dintre ele nu este aplicabil decat in cazul restrictiv
al desconsiderarii influentei zgomotelor. In cele mai multe
situatii practice insa semnalele din iesire sunt contaminate de zgomote, in continuare coniderandu-se un S
liniar, perturbat cu perturbatia considerata aditiva in y.
y (t ) y k sin[ k t ( k )] z (t )

Din punct de vedere al masuratorilor avem acces doar la iesirea perturbata si nu si cea determinista.
Tehnicile de coleratie permit filtrarea eficienta a zgomotelor aditive in iesirea, chiar si in cazul unor nivele
ridicate ale zgomotului.
6

1. Identificarea utilizand semnalul monofrecvential.


Mat. presupune unui semnal de test forma sinusoidala a carui frecventa se modifica continuu in
domeniul de interes. Zgomotul z(t) se considera necolerat cu semnalul de test. In aceste conditii avem
posibilitatea de a dezvolta pe y(t) in serie Fourier si a retine fundamentala ca singur efect in iesire a intrarii
, este preferata utilizarea tehnicilor de corelatie avand in vedere ca ele genereaza bine chiar si in cazul
unor nivele ridicate ale zgomotului.
Dezavantajul pe care-l confera totusi aceste metode consta in faptul ca pentru eliminarea cat mai
eficienta a zgomotelor timpul de colerare trebuie sa fie cat mai mare cea ce mareste durata experimentelor.
Considerand functiile de corelatie dintre intrare si iesire procesului in cazul utilizarii semnalului de test
sinusoidal se ajunge la uramtoarele dezvoltari:
Ruy (0)

1T
1
u (t ) y (t )dt (u (t ), y (t ))

T 0
T

Ruy (0)

1
(u0 k sin( k t ), yk sin[ k t ( k )] z (t )
T

1
(u0 k sin( k t ), u0 k H ( j k ) sin[ k t ( k )]
T
1
(u0 k sin( k t ), z (t ))
T

Datorita ipotezei de lucru facute si anume necolerarii semnalului de test cu zgomotul cel de al doilea
termen este 0.

1 2
u 0 k H ( j k ) sin( k t ) sin[ k t ( k )]dt
T
0

1 2
u 0 k H ( j k ) cos ( k )
2

Ruy (0)

u 02k
Re[ H ( j )]
2

u 02k
Im[H ( j )]
2
Rezulta deci ca efectul aplicarii tehnicilor de corelatie este obtinerea dircta a c.d.f. in coordonate
carteziene neafectate de zgomot. Relatiile obtiunte stau la baza functiilor unor aparate dedicate numite si
transformatoare a caror schema de principu este urmatoarea

In mod perfect simular se ajunge la Ruy (0)

Se considera in continuare intercorelatia intre raspunsul total y si o singura componenta a intrarii.


1
1
( y (t ), u (t )) ( y u (t ), u k (t )
T
T
n
1
1
( y k (t ), u k (t )) ( z (t ).u k (t ))
Intercoleratia dintre semnalul complex si componenta
T k 1
T
1
Ryu k ( ) ( y k (t ), u k (t ))
T
Ryu k ( )

k a intrarii se reduce in fond la intercoleratia dintre componenta u ai intrarii si componenta


corespunzatoare iesirii. Extrapolarea rezultatelor in cazul monofrecvential dar si pentru multifrecvential
puatndu-se scrie in consecinta relatiile:

u ok2
Ryu k (0)
Re[ H ( jk 0 )]
2
u 02k

Ryu k (
)
Im[H ( jk 0 )]
2k 0
2

Rezultatele obtinute permit determinarea c.f. simultan pentru mai multe pulsatii utilizat cu o singura
inregistrare a iesirii in intervalul de corelare [0,T], dar mai multe corelatoare.

y (t )

0k

H ( j k ) sin( k t ( k )) z (t ) Cosideratii practice

Alegerea timpului de corelare T presupune realizarea compromisului intre calitatea


filtrarii zgomotului ( este cu atat mai buna cu cat T e mai mare) si dezavantajele introducerii de un timp de
experimentare prea mare. Obtinerea unei precizii corespunzatoare in cazul in care zgomotul e puternic (
sau 2 mare se realizeaza pe seama cresterii lui u 0, cea ce are influenta mai mare decat cea realizata pe
seama cresterii lui P.
Consideratii privind calculul functiilor de corelatie f.d.c.
f.d.c. in general nu pot fi calculate utilizand functia densitate de probabilitate, avand in vedere ca
aceasta functie e rareori cunoscuta in practica. Alternativa practica este de a calcula functia de corelatia
temporala pe un interval de timp finit in ipoteza ca procesul este ergodic. Se presupune ca se dispune de o
realizare al unui proces stohastic x(t) pe un interval de T secunde. In acest caz functia de autocorelare
poate fi estimata sub o corelatie de forma
R x ( )

1
T

x(t ) x (t )dt ,0 T , (1)

timpul de mediere este T- deoarece aceasta portiune de timp e singura in care x(t) si x(t+) sunt
disponibile simultan. Varianta in practica se utilizeaza varianta discreta a relatiei (1) utilizand valorile
esantionate ale valorii x(t).
x (u ) x (u ) m x
y (u ) y (u ) m y

C xy ( k )

1
N k

x (u ) y (k n), (2)

Relatia se calculeaza pentru


k=-m,.-1,0,1,m. daca max=mTe se recomanda o alegere a lui max<=N/10, (3). (N lungimea
2
inregistrarii). Corelatia se calculeaza cu R xy ( k ) C xy ( k ) m x m y sau R xy (k ) C xy (k ) m x . Pentru
1 N k
x (n) y ( n k )
N n 1
Metoda 2. F.d.c. pot fi calculate din functia de densitate spectrala de putere utilizand teorema WienerHinein utilizarea transformatei Fourier rapide FFT conduce in general la reducerea calculului . Etapele:
1. Se calculeaza transformata fourier x(k) a secventei x(i) unde i,k 1->N-1, unde I componenta discreta a
situatia in care (3) e indeplinita C xy (k )

2
a (1

Ru ( )

N 1
)
N

a
N

timpului k componenta discreta a pulsatiei.


8

2. Se calculeaza spectrul brut al secventei = densitatea spectrala de putere S x ( k )


lungimea inregistrarii
3. Se calculeaza transformata

Fourier

inversa

pentru

obtinerea

x(k )

functiei

, unde N=N*Te
de

corelatie

R x ( n) FFT 1 S x ( k )

Consideratii privind calculul corelatiei si convolutiei dintre doua semnale


Hxy convolutia intre doua marimi x si y.

H xy ( )
y (t )

R xy ( )

x (t ) y ( t ) dt

h( )u (t ) d

x (t ) y (t ) dt

Metode de ID utilizand tehnici de corelatie in cazul semnalelor de test stohastice.


Ele conduc la o eliminare eficienta a efectului perturbatiilor si la determinarea in general a curbelor
neparametrice in special a functiei pondere. Semnalele aleatoare de medie nula pot fi aplicate prin
suprapunere peste marimile curente care actioneaza asupra procesului evitandu-se astfel intreruperea di
functiunarea normala a procesului. Stabilirea unei legaturi directe dintre rezultatele oferite si modelul
neparametric este posibila numai prin cosiderarea unor anumite proprietati prestabilite pentru semnalele
de test si in acest caz analiza in domeniul timp sau frecventa va reduce tot la o relatie unica intre I si O
dar care din cauza naturii aleatoare a marimilor care intervin va fi in mod natural o realtie intre marimile
statistice care intervin.
Ca marimi curente cunoscute sunt masuratorile semnalelor aleatoare din I si O. Zgomotul este definit
numai prin prisma proprietatilor lui statistice. Ca ipoteza de lucru generala se considera ca atat u(t) cat si
z(t) sunt procese aleatoare stationare, gaussiene si ergodice. In plus se admite ca marimile sunt centrate.
Daca aceasta ultima consrangere nu e saticfacuta initial ea poate fi satisfacuta prin extragerea
componentei contunue din semnalul respectiv
y (t )

u (t )h( )d z (t )
0

Marimea de iesire va fi deci deasemenea un proces stohastic stationar si ergodic. Functia de intercorelatie
dintre I si O:

Se utilizeaza ipoteza de lucru acceptata si anume ca zgomotul din iesire nu este corelat cu semalele de test.
Ape;and la propritatile de lunuaritate a integralelor se poate scrie
9

Ruy ( )
Ruy ( )

1
0 h() Tlim
T

u (t )u (t )dt

( )h()d

Ruy (t )

(t )h( )d , (3)

Teorema wiener-hopf in domeniul timp. Ii aplicam transformata Fourier si vom avea


S uy ( j ) S u ( ) H ( j ), (4) ecuatia wiener-hopf in domeniul frecventa.
3 si 4 constituie ecuatia wiener-hopf
2

S y ( ) H ( j ) S u ( ), (5)

relatia 3 este similara relatiei 1 in ccare in loc de marimede iesire apare functia de intercorelatie I-O ,iar in
loc de marime de intrare apare functia de autocorelatie a intrarii. Similar, pentru relatia 4 sin someniul
frecventei in locul marimilor de iesie apare densitatea intespectrala de putere iar in locul intrarii densitatea
spectrala, deci practic se poate spune ca realtia 3 si 4 sunt similare cekir care stabilesc legatura intre
marimile de iesire si intrare pentru S liniare.
Problema care se pune e determinarea modelelor neparametrice cunoscand functiile de corelatie
respectiv frecventa, exista deci doua posibilitati de abordare

S u ( ) 1

S uy ( j ) H ( j )

S uy ( j ) H ( j )

1. pe baza masuratorilor intrarii si iesirii se determina functiile de corelatie si se rezolva ecuatia 3 in


sensul determinarii necunoscutei care este functia pondere h(t)
2. consta in determinarea functiilor de densitate spectrala si rezolvarea ecuatiilor obtinandu-se solutia in
domeniul frecventelor au forma caracteristica de frecventa.

Metoda deconvolutiei
Inroduc datele de I si O intr-un loc de calcul pentru calculul Ruy,Ru
Tr

Rut ( ) h(t ) Ru ( t )dt


0

discretizand cu pas constant si introducand notariile Ruy(t)=Ruy(k)

uy u H

10

Ruy (k) h(i) Ru [k i )], k 0 N relatia 2 reprezinta de fapt un S de n+1 ecuatii cu n+1
i 0

necunoscute care reprezinta secventa de ponderare. Detaliind relatia 2 pentru k=0,N se ajunge la ecuatia
vectoriala matriciala de forma

Ruy (0)

1
R (1)

N
uy
a2s

..
..

R
(
u
)
uy

1

N

Ruy (0)
R ()
Ru (o)
uy

R ()
.


.
.

Ru ( N )

Ruy ( N )

Ru ( )
Ru (0)
.
Ru ( N 1)

1
N

..

..

..

..

..

..

.
Ru ( N )
. Ru ((1 N ) )

.
.

.
Ru (0)

1
N
1

N
1

N

h(0)
h(1)

..

h
(
N
)

h ( 0)
h( )

h( N )

uy u H

Ruy (k)

1 N 1
u(i) y(i k )
N 1 k 0

N 1
Ru (k ) 1 u (i) y (i k ), k 0 N 1

N1 k 0

Intervalul de stabilizare pe care se face corelarea N1 este > intervalul de stabilizare N


H 1 v1 uy , (5)

valoarea ecuatiei matriciale. Calculul inversei ui u implica multe lucruri din punct de vedere al calculelor.
Solutia practica avand in cedere ca elemtele matricei u reprezinta functiile de autocorelatie il constituie
alegerea ca semnal de intrare a unui semnal care sa aduca simplificari formei matricii u.
Utilizarea cu semnal de test a zgomotului alb.

N1

j 1, j p k 0

j ,e

(u ) Ru j u p ( n k )

Aceasta alegere permite evitarea aplicatiilor introduse de necesitatea incersarii matricei u se stie ca pentru
2
zgomotul alb autocorelatia este Ru (t ) n (t ) aproximeaza un impuls dirac.Pentru acest tip de
11

semnal ecuatia wiener-hopf devine: Ruy ( ) n h( ) (6) pentru ca integralele dintr-o functie a impulsul
Dirac reprezinta valoarea functiei in acel punct. => deci ca in cazul aplizarii zgomotului alb in intrare
masura functiei de
2

intercorelatie I/O duce la determinarea directa a fortei pondere.


u 2 , k i
n n2 i (7)
0
,
k

In cazul discret autocorelatia Ru (k i)

Imp: impulsul Dirac in discret e de inaltime 1, iar in TC e de arie 1. In cazul combinatia dintrre 5 si 7
1
induce ca concluzia ca h(i ) 2 Ruy (i ) (8), I=0,N in care e considerat unitar. Schema de principiu care
n
permite determinarea unui punct al functiei pondere discrete este urmatoare FTJ are ca efect medierea in
timp. Avem banda ingusta, iesire lui e reprezentata de componenta continua din intrare.
In cazul in care zgomotul din intrare este un zgomot alb ideal, asupnenta continua a iesirii filtrului va fi
egala cu functia pondere evaluate printr-un fixat de dispozitivul de interziere.

1
2
a

1
1
N

2
1

..

..

2
..
1

..
..
..

1
1
..

In domeniul frecventa implicatia utilizarii zgomotului alb conduce la Ru()=()


Utilizarea ca semnal de test a unui SPAB
Expresia analitica a autocorelatiei SPABului
Rel. (1):
Aproximarea cu un impuls.
Aria a autocorelatiei e cu atit mai frecventa cu cat N>>0 este mai mare si <. Rel(2):
In acest ipoteze => rel(1) este corecta cu aproximatie suficienta. In practica se utilizeaza mai multe
periode ale SPAB-ului functia de autocorelatie pastrand periodo\icitatea semnalului. Considerand in acest
ecuatii matriciala (2) care reprezinta un S de n+1 ecuatii la semnal de test un SPAb si facandconventia de
notatie Ruy(i)=Ruy(i), h(i)=h(i), ec.
Matriciala (2) se poate descrie. Rel(3):
Tinand cont ca avem un SPAB vom avea pe diagonala 1 scotand ca factorul a2, Ru(0)=a2.
-reprezinta intervalul elementar SPAB si in acest timp perioada de esnationare.
N-reprezinta perioada SPAB si in acest timp h(i)0, i>N unde N este timpul de stabilizare.
Obs. Rel(3) este adevarata daca perioada SPAB-ului excendent regimului trans. . . , incontrar putand sa
apara una din urmatorului situatie:
a)In cazul in care N= durata regimului tranzitoriu dar in acelasi timp N> perioada SPAB-ului se ajunge la
o complicare a rel. (3) in u in sensul ca trebuie tinut cont de faptul ca periodicitatea functiei de
autocorelatie a SPAB-ului ai conduce la aparitia a doua sau mai multe functii de autocorelatie in functie de
sau mai multe perioada luate in considerare.
b) daca N este perioada SPAB dar mai mica decat durata reg. . . . apar erori datorate trunchieri fortate
utilizanduse din reg. Tranzitoriu doar o portiune coresp. Duratet N, pierzandu-se elemente;e secventei de
pondere. .
c) daca N< durata reg. Trans. Dar ,mai mare decat perioada SPAB se cumuleaza efectele ambele cazuri.
H=1/*u-1uy (4)
12

Se observa ca matricea in acest caz este o matrice nedegenerata adica suma elementelor unei linii este =
cu suma elementelor orice linii, calculul inversei facandu-se in acest caz prin evitarea calculului
adjunctei. Aceste transformari pe fiedeisalate cu * matrici cu niste matrici patrate de acelasi ordin
succesiv:
TKTk-1 . . T1u=I.
u1

k 0

N1

R yeu p (n) h p ,l (k ) Ru p (n k )

j 1, j p k 0

Ye (i )

N1

j 1

k 0

je

j ,e

(u ) Ru j u p ( n k )

(k )u j (i k ) z e (i )

Daca toate transformarile elementare efectuate asupra liniei care aduc matrice negenerata u la matricea
identitate I sunt aplicat in acest succesiune liniii, I se va obtine in final
u-1= TKTk-1 . . T1I
Succesiunea generatiilor pentru cazul studiat:
1)La aduna toate liniile la prima linie obtinandu-se pentru fiecare element a acestei linii aceasi valoare.
r

N1

RYeu p (u ) h je (u ) Ru j u p (u k ) Ru p z p (n)
j 1 k 0

2)Le imparte prima linie cu valoarea elementelor acestei linii care e in general 1-(N-1)/N.
3)Se inmulteste prima linie cu 1/N si se aduna la toate cellalte.
4)Se impart toate liniile in afara de prima cu 1+1/N dupa care se scade suma celorlalte linii din prima

R ye u p ( )

N1

h p ,e (t ) Ru p ( t ) dt

linie.
5)Se ajunge in final dupa inca o divizoare a 2 pentru matricea din stanga duce la I, iar la metricea din
dreapta=>u-1 in urm. forma:
FRelatile finale la care se ajunge inlocuind exprersile u-1 obtinuta in expresia ecuatiei matriciale, pentru
n 1
1
[
R
(
k
)

Ruy (i )];

uy
a 2
i 0
N suficient de mare care conduce la posibilitatea neglijarii lui 1/N, descrie.
k=0, n-1 ; pentru SPAB (+/-a)

h( k )

1
1 N 1
[
R
(
k
)

Ruy (i)];
uy
a2N
N i 0
pentru SPAB (+a, 0);
Valoarea minima a dispersia estimatiei valorilor secventei de pondere se obtine in cazul valorii maxime
admisibile cu parametrii , a, N.
Valorile acesta parametri sunt limitate insa superior . Odata de respectarea teoremei lui Shannon a
h( k )

pi i

N
r

esantionarii care afecteaza parametrii , apoi de necesitatea de a perturba prea puternic procesul care
implica prea mult parametrul a, apoi implica costului identificate, apoi a gradului pentru semnalul de test
nu se face insa decat reuniunea conditiei de precizie referitoare la perturbatie cu cele privind
f f
,
0
a b

caracteristicile procesului pentru fiecare caz in parte. In concluzie considerandu-se un SPAb (+/-a ) si de
lungime N alegerea parametrilor lui se face in principal in felul urm: N>>a, in acest caz SPAB-ul este
13

practic centrat, deci a/N0, iar functia de autocorelatie se prezinta sub forma unei succesiune de
impulsuri periodice.
N>Tr, amplitudinea a trebuie aleasa a. i. sa nu perturbe functionarea S dar pe de alte parte sa fie totusi
suficient de importanta pentru ca efctul secventei sa nu fie inecat in ygomot.
<<Tmin unde Tmin reprezinta cea mai mica constanta de timp a S.
Recomandari practice rezultate din analiza influentei fenomenelor neglijate
Considerarea calculului functieide corelatie presupune implicit ca semnalul este aplicat teoretic la un timp
m
f

2
( yi a bui ) 0

i 1

m
f 2
ui ( yi a bui ) 0

b
i 1

t=-, ceea ce in mod clar nu este cazul in practica. Pentru evitarea acestei aspect in practica se obtine sa
se aplice o prima perioada a secventei SPAB fara efectuarea calcului intercorelatiei care se incepe efectiv
cu cea dea dorea prioada a secventei. Termenul Ruz(k) pentru a putea nelijabil ar terbui sa fie calculat
pe o durata infinita si nu de-alungul unei perioade, arandu-se in vedere ca zgomotul nu reprezinta o
marime periodica. Practica dovedeste ca , duce pentru un nivel ridicat al zgomotului se obtine estimatii
bune a functiei pondere rezultatele putand a fi imbunatatite calculuiintercoleratiaI/O pentru un numar
intreg de perioade. de asemenea in considerarea relatilor precedente s-au neglijat lergirea impulsului
negativ calculul primului punct al secventei de pondere estimate h(0) a carei estimarea unui factor de
pondere=1/2.
ID prin metode do corelatie a sistemelor multivariabile
Modele prezenate in cadrul sistemelor SISO pot fi ingeneral extrapolate si pentru cazul MIMO.

Fiecare inrare are influenta asupra fiecarei iesiri.


--fig. Sistemul asuporta de fapt r. m cai de transfer deci practic vor trebui determinarea 5b
tot atatea functii pondere.
Procedura de ID este aceeasi ca in cazul SISO. Considerand ca see aplica un semnal de test de tip SPAB
prin corelatie celor m iesiri cu r intrari va=> un numar de r*m ecuatii W-N din care se vor putea
determina functiile pondere hij(t) tot in numar derom.
Se lucreaza din nou in ipoteza de liniaritatea, deci este valabil prin apiul neperpositiei, deci functiile
pondere hij pot fi determinate aplicandu-se un SPAB pe fiecare intare succesive fi calculand intercorelatia
m

ni

i 1

i 1

yi ma b ni
Ruydintre fiecare iesire, respectiv intrare. O astfel de procedura este consumatoare de timp si ipoteaza de
stationaritate poate fi insa incalcata.
Dezavantajele timpului de test poate fi inlaturate utilizand alternativa ID. simultan a tuturor functiilor
pondere utilizand metoda testarii cu semnnal stohastice necorelate aqplicarea concomitent tuturor
intrarilor si determinarea functilor de interconectare corespunzatoare:
m

u y
i 1

i 1

i 1

a u i b ui

pentru interconectare dinter iesirile Ye si interconectare up se ajungela:

(u m )( y
(u m
i

a m bm
y
n

14

my )
)2

unde hje(u)- reprezinta functia pondere dintre intrarile j si iesirile l in sensul figurii reprezentate anterior.
In ipoteza de lucru considera, potrivit careia perturbatii nu sunt corelate cu marimile de intrare, cel de-al
2-lea termen poate fi neglijat => rel. precedenta devine:
Scrie sub forma continua:
Precizari: N1 reprez. timpul de stabilizare cel mai lung pentru cunele marimi ym in cazul in care acest
timpi de stabilizare pentru toate cele r*m canale nu difera apreciabil, se alege o valoare acoperitoare
utilizabil in rel. prercedenta. Pentru a se putea aplica rezult. precedente din cazul monovariabil in vedere

j 1, j p

N1

h j ,e (t ) Ru j u p ( t ) dt

det. lui hp, e(k) resp. hp, e(t) se impune ca semnalele de intrare sa stisfaca urm. 2 conditii:
1. Functia de autocorelatie Rup(. ) sa fie de tipul impuls Dirac;
2. Functia de intercorelatie a intrarii Ruj, up(. )=0 pentru j<>p;
Posibilitatii de generare ale unor astfel de intrari
A. Posibilitatea comoda de a obtine intr. necorelate consta in utilizarea unui SPAB de perioada N care se
intarzie ppentrufiecare intr. ui cu un indice pi adica ui(t)=u(t-pi) i=1, r; iar ui(t) reprez. un SPAB de
referinta. Aceasta intarziere se poate calcula:
Se poate demonstra ca daca N/r>=N1, semnalul de tipul mentionat.
Metoda de regresie au ca scop determinarea unei dependenta functionala de tipul: Y=f(u1, . . up).
Pe baza unor masurari fara restrictii asupra lui f, dar in general se
doreste ca f sa apartine unei anumite clase. Aleganduse o astfel de clasa si minimozand crit. ale eror celor
unei patrate se poate ajunge la curbele de regresie. In det. experimentala ale val. unor mar. 2 sau mai
multe masuratori nu vor da niciodata exact aceste val. , orice de exact s-ar efectua masuratorile. Impartire
rezultatului in jurul unor val. medii e datorat perturbatiei masuratorilor si obt. acest rezultat in urma
masuratorilor ar fi chiar nefireasca.
Materialul statistic care urmeaza a fi preluat analizei regresiei trebuie sa indeplineste anumite conditii.
1. Pentru un anumit set de val. variatia indeplineste (u1, u2, . . ur) un experiment repetat de M ori, va da
M val. aleatoare pentru functia de iesire, val. care trebuie sa fie normal distribuit, astfel:
2. erorile sistematice din cadrul det. lui y se considera excluse;
3. Masuratorile se considera de egale precizie
4. Variabilele indep. u1, u2, um se masoara cu erori mai mici decat erorea de masura a lui y
--fig.
Coef. de regresie se pot determina mai multe metode cum ar fi: metoda celor mai mici patrate; met. de
gradient; met. aproxim. stohastice.
Dar in cele mai multe situatie nr. de ecuatie de care se dispune e> decat nr. de necunoscute sau nr.
masurat lui y> nr. de parametrilor sau coeficientilor care trebuie determinata in ec. de regresie. In aceste
situatii metoda celor mai mici patrate e cea mai des utilizata
EXERCITIU
Se va studia o legatura corelationala intre 2 marimi u, y ale caror valoarea masurate sunt de urmatoare
tabel:
u: 135 145
...
146
y: 29, 3
35, 2 . . .
38, 2
Pentru a se alege cea mai buna forma a liniei teoretice de regresie se construieste campul de coord. pentru
fiecare pereche de val. ui pentru toate cele 10 masuratori:
--fig.
Din modul de amplasare a punctelor in planul de corelare(u, y) se poate observa ca dependenta dintre u si
y se poate aproxima cu o dreapta care exprima o rel. de dependenta lineare care poate fi
exprimata analitic prin corelatie de tipul y^=a+bu. Problema care se cere rezolvata e aceea ca din
multimea de drepte care se poate trasa, sa se aleaga aceea care coresp. cel mai bine reparatiei punctelor in
planul de corelare.
15

Punctele exprimate se vor abate fata de dreapta de aproximare cu abatere i=yi-y^i . Metoda utilizata va fi
CMMP conform carei se vor studia patratele ale ac. abateri ca suma acestei abateri patratice sa fie
minima.
Se va cauta un minim pentru f adica:
=>ecuatiile normale ale regresiei; respectiv rezulta unde m=E;
Estimatori. Estimarea parametrilor parametrilor sistemelor. Formalizarea problemei estimarii
parametrilor
Aceasta problema poate fi caracterizate de 3 elem: date D; nodele M; criteriu C;
In acest context, problemele ID. in general si a estimarii in special consta in determinarea unui model din
M care sa justifice cat mai bine coleratia de date D in sensul criteriului ales C.
Coleratia de date D reprezinta secventa de valoare intrare-iesire. {u(t), y(t)}, t=1, N generate de un sistem
S in conditii experimentale E. Conditia experimentale precizate modul in care se genereaza semnalul de
test.
Ipoteza ca sistemul S care genereaza colectia de date D apartine colectiei M coresp. puncutlui de vedere ca
exista un S real caract de param , scopul estimarii fiind sa descopere acest S. In procesul de estimare a
param nu exista garantii ca modelul cu structura si param alesi reprez cea mai buna alegere. Se poate
intimpla ca experimentul sa fi fost astfel proiectat incit sa nu asigure extragerea info corecte din colectia
disponibila de date sau clasa de modele sa nu fi fost corespunzator aleasa. Modelul determinat trebuie
testat,procedurile de testare fiind cunoscute sub denumirea de validare a modelului. Obtinerea param
considera parcurgerea urm etape(estimarea se desf. conform unei scheme bloc de forma):
Deci

problema

care

se

cere

rezolvata

este

de

determina

functie

de

observatii

(u (1), u (2),..., u ( N ), y (1),..., y ( N )) (u T , y T ) care sa reprezinte o aproximare cit mai buna a


lui .Functia (*,*) poarta denumirea de estimator iar val numerica pe care o ia o astfel de functie pt un u

respectiv y precizat poarta denumirea de estimat sau estimatie.


Problema poate fi reformulata in felul urmator: sa se det estimatul al vectorului al param procesului
pe baza obs masuratorilor efectuate asupra lui u si y.Distinctia dintre diferitele tipuri de estimatori se face
in principal dupa cunostintele disponibile apriori. De ex aceste cunostinte pot fi exprimate prin functia de
densitate de probabilitate.
p( ,T),p( ,k) care definesc o familie de curbe parametrizate dupa lungimea intervalului de estimare T
sau echivalent dupa numarul k al intervalurilor de esantionare.
-astfel putem avea urm situatie:

Caracteristicile estimatorilor
In general insa functiile densitate de probabilitate care dealtfel rerpezinta tipul cel mai complet de
cunoastere de care se poate dispune este rareori disponibila si pt cazurile >2 utilizarea ei directa devine
greoaie.In general se opereaza cu caracteristici mai usor de interpretat si de operat cum ar fi: media de ord
I sau speranta E sau E( ).Marcarea sau devierea E - .
Covarianta sau media patratica de ord II:cov =E{( -E )( -E )T}.
Obs: daca functia P este gaussiana(normala) nu se pierde nici o sol medie sau covarianta,asigurindu-se in
vedere ca aceste functii sunt complet caracterizate prin mediile I,resp II. Se observa ca marcarea/devierea
reprezinta o masura a influentei zgomotelor asupra indepartarii val. medii , deci articulat va fi mai
departe sau mai aproape de val reala in functie de realizarea de zgomot din experimentul pe baza caruia
a fost obtinuta estimatia.Un estimator este nemarcat sau nedeviat daca marcarea=0, daca E = ()N (1).
Pentru rel 1 satisfacuta doar pt un nr. mare de esantioane, doar pt N se vorbeste de estimator
asimptotic nedeviat sau nemarcat.Obs: prima
fig.(p( )) coresp unui estimator nemarcat, al ii-lea
grafic corsp unui caz de estimator marcat dar posibil asimptotic nemarcat. Daca relatia:
~
~
~
cov =E( -)( -)T E( -)( -)T=cov (2) se spune ca reprez un estimator mai bun a lui
~
~
decit si daca rel 2 este adevarata pt se spune ca este un estimator de dispersie minima. In mod
firesc apare ca o necesitate minima pt un estimator ca lim (3) unde N- nr de esantioane, unde un
N

astfel de estimator e cunoscut sub dennnumirea de estimator consistent. Un astfel de estimator nu va fi in


16

mod necesar nemarcat dar va fi asimptotic nemarcat.Rel 3 trebuie privita in sensul unei convergente
stohastice, refiltrare la procese stohastice.
Citeva din modurile esentiale de definire a convergentei stohastice:
Convergenta cu probabil 1 C.P.1.Daca si numai daca realizarile pt care nu tinde catre au masura 0.
{p(, )=1}. descrie realizarea
Convergenta in probabilitate se spune ca converge in probabilitate la daca si numai daca pt. 0
dar arbitrar de mic lim p (| | ) 0 .
N

Convergenta in sens mediu patratic (smp) se spune ca converge in smp la daca si numai daca
lim E | | 2 0
N

Obs: 2. si 3. sunt concepte globale (se refera la ansamblul realizat) spre deosebire de C.P.1. o rel
discreta intre volumul de cunostinte apriorice disponibile si cunostinta cea mai indicata pt estimarea
param, astfel o enumerare a tipului de estimator functie de nr de cunostinte apriorice disponibile initial
este urm:
Estimatorul CMMP:-singura presupunere in ac cos este ca dinamica procesului poate fi aproximata mai
bine prin modelul alb.
Estimatorul Markor (de dispersie minima), pt. care se presupune ca se cunoaste din start matricea de
convarianta a zgomotului
Estimatorul Verosimilitatii maxime care este cunoasterea functiei densitatii de verosimilitate a procesului
stohastic.
Estimatorul Bayes pt care se presupune cunoscuta functia densitatii de probabilitate a parametrilor
necunoscuti
Plecind de la estimatorul Bayes se pot deduce toti ceilalti estimatori ca niste cazuri particulare pe masura
ce se considera cunostinte apriorice disponibile mai putine. In cazul discret :Operatiile de prelucrare a
datelor sunt de cele mai multe ori discrete,utilizindu-se calculatoarele.
Modele discrete=mai flexibile decit cele continue, operarea cu aceste tipuri de modele fiind mult mai
simpla.
METODA CMMP(celor mai mici patrate)
a)Pt cazul monovariabil:
na

nb

i 1

j 1

Vom considera un model discret: y (t ) a i y (t i ) b j u (t j ) z (t ) (1)

t timpul discret normalizat A(q -1 ) y(t ) B(q -1 )u(t ) z (t )

Unde:

na

nb

j
z (t ) zgomot A(q ) 1 ai q ; B(q ) b j q

-1

i 1

j 1

Problema care se doreste rezolvata consta in determinarea parametrilor


{ai bj} din masuratori ale
marimilor de I/O.
Vom aborda varianta OFF-LINE: det. parametrilor se face preluind simultan intregul sir de
masuratori.Ipoteze de lucru:na,nb se presupun cunoscute.In general relatia se considera na=nb=n.Daca na
si nb se considera necunoscute se va trata separat.z(t)-zgomotul poate fi ocmplet caracterizat de
momentele de ord I,resp II, prin matricea de medie,respectiv prin matricea de convarianta.Daca zgomotul
este Gaussian nu se pierde informatia prin restringerea la cele 2 momente.
Media de zgomot=medie din secventa de zgomot, considerate la diverse momente de esantionare
EzT=E[z(1),z(2),,z(N)] .Matricea de coonvarianta=medie patratica de ord II:

17

Ez(1)z(1).. . . . Ez(1)z(N )
... . . . . . . . ... .. . . .... . ...

Ezz T RZ
... . . . . . . . ... .. . . .... . ....

Ez
(
N
)
z
(
1
).
.
.
.
.
Ez
(
N
)
z
(
N
)

Se vor considera urm ipoteze de lucru asupra zgomotului:-valorile lui z(t) din rel 1 sunt:
mutual independente
uniform distribuite
de medie 0 {Ez(t)=0}
si densitatile de probabilitate ale secventei se cons gaussiene.
Deci aceste proprietati conduc spre considerarea zgomotului ca fiind zgomot ALB Discret:
Ez (t ) z (t r ) 0, r 0; r , t 1, N } (3)
OBS: Ipoteza ca densitatea de probabilitate este de tipul Gaussian este o ipoteza necesara in determinarea
metodei CMMP,ea serveste insa la dezvoltarea unor relatii de baza si la introducerea estimatorului de

varianta minima.Zgomotul se considera deasemenea necorelat cu

intrarea u
iesirea determinista y v

si {Ez(t)u(t-

r)=0}-> corelatia; cu r 0, N ; t 1, N
si deci {Ez(t)yv(t-r)=0} cu r 0, N ; t 1, N .
In ipotezele 3 considerate matricea de covarianta a zgomotului avea forma:
2I= dispersia frecventei z(i)
Forma matricii de convarianta devine mai simpla daca se presupun valori identice ale dispersiei la toate
momentele de masura, ceea ce inseamna ca:{Rz=2I} si care corespunde formei normale a CMMP.
Rel 5 indica faptul ca masuratorile sunt efectuate cu aceeasi precizie pt toate momentele de timp
considerate.Aceasta ipoteza concorda cu cele mai multe sit practice.
Daca nu se poate acorda aceeasi incredere tuturor masuratorilor,dar se poate pondera aceasta incredere se
intrebuinteaza J2I cu o matrice W de forma diagonala.In cazul mai general, adica daca erorile de masura
sunt
mutual-dependente, aceasta matrice de ponderare W trebuie sa fie de forma general patratica
(daca ipotezele 3 nu sunt satisfacute):
Forma generala: A(q -1 ) y (t ) B(q -1 )u (t ) z (t ) . Modelul 1 poate fi rescris intr-o forma de regresie
liniara intr-o urmatoare forma consacrata:
na

nb

i 1

j 1

(1): y (t ) a i y (t i ) b j u (t j ) z (t ) y (t ) s T (t ) z t

Observatia= semnal + zgomot


=vectorul parametrilor
T=[bn,an,,b1,a1];
sT(t)=[u(t-n),-y(t-n),,u(t-1),-y(t-1)]
Pt t= 1, N , ec 6 reprezinta un sistem de ec algebric liniar care pot fi rescrise intr-o forma compacta
vectoriala matriciala:Y=S+Z
(7)
18

Y T y(1), y(2),..., y( N )

T
Z z(1), z(2),..., z( N )
u(1 n), y(1 n),..., u(0), y(0)

S .............................................


In care
u( N n), y( N n),..., u( N 1), y( N 1)
T
s (1)
s T (2)
Matricea obs sau masuratorilor
S

.......
T
s ( N )
A(q-1)y(t)=B(q-1)u(t)+z(t)
y(t)= aiy(t-i)+
bju(t-j)+z(t)

(ua=ub=n)

Se rescrie nucleul sub forma:


y(t)=sT(t) + z(t)
(6)
Gbs = semnal + zg
- contine param. de estimat ai modelului (ai si bj)
Se poate alege de ex.: T=[bn,an,,b1,a1] si de aici
sT(t)=[u(t-n), -y(t-n),,u(t-1),-y(t-1)]
O forma echivalenta de scriere poate fi obtinuta printr-un set de
n masuratori: Y=S + Z (7) (ec. Matriciala a modeluluide regresie)
OBS.: acest mod de a alege param. nu este unuc; de ex. restul parametrilor
ar putea fi ales T=[a1, ,an,b1, ,bn] rezultnd pt. acest caz o alt form a spectrului
msurtorilor:
sT(t) = [-y(t-1),,-y(t-n),u(t-1),,u(t-n)]
Matricea observaiilor devine n acest caz:
S=
Din considerente statistice numrul N al msurtorilor trebuie s fie mult mai mare dect
Numrul total al param. de estimat, adic N>>2n;
Se observ c rel. dintre datele ob. din msurtori i param. este o rel. liniar, procedura
de estimare va fi una liniar.
Introducnd ca notaie (t)=y(t) sT unde (t) este eroarea ec. sau reziduul.; ec.(7) poate fi scris
ca =Y S (10), unde T=[(1). (N)] este restul reziduurilor.
Metoda c.m.m.p. are deci drept scop determinarea celei mai probabile valori ale lui .
Funcia de cost sau criteriul coresp. formei (10) poate fi definit ca:
y()=R-1T=(Y-S)R-1(Y-S)T=||R-1/2||2 (1) unde || || -> norma euclidian, R-1 matrice de ponderare;
Elementele Vi,j ale acestei matrici indic gardul de ncredere care poate fi acordat msurtorilor. n funcie
de forma acestei matr. Se disting 3 tipuri principale ale metodei c.m.m.p.
R=I (I-matr. identitate) -> estimatorul CMMP
19

R este definit R=W (W matrice general poz. definit). Estimatorul def. de o astfel de alegere este
CMMPP -> ponderate
R=Rz=EzzT
n acest caz calculele conduc la estimatorul de varian minim sau estimatorul Markov.
Corespunztor formei (6) a ec. regresiei se obine pt. funcia de cost forma echivalent:
y()= 2(t) = .. (y(t)- sT(t) )2
(12)
Rel. (12) este o rel. lucrativ. n acest caz, modelul multivariabil poate fi scris:
yT(t) = - yT(t-i)Ai + . uT(t-j)Bj+zT(t) (13)
Avem nu intrri i ny iesiri.
Modelul de regresie devine n acest caz: yT(t) = sT(t) + zT(t)
(14)
Considernd rel (14) de la 1N adic N msurtori, se poate ajunge pentru ec. de regresie
la forma vectorial matriceal: Y = S + Z (15)
Formele implicate:
y1(1).yny(1)
yT(1)
Y= .
=
dim Y = N x ny
T
y1(N).yny(N)
y (N)
Dac se alege sectorul parametrilor de forma T=[Bn,An,..B1,A1] rezult matricea msurtorilor:
[N,v]
v = n(ny +nu)
Cu aceeai obs., alegerea lui nu este unic. Funcia de cost n acest caz devine:

R=Rz=E*z*zT (t=1N)
OBS: Modelul de regresie standard menionat nu reprezint unica posibilitate de introducere i aplicare a
metodei CMMP.
Ea poate fi dezvoltat pt. oricare model care descrie dinamica S cum ar fi de ex. fc. Pondere, modelul de
stare, ec.Werner-Kopf, etc.
Estimatorul CMMP off-line (soluia metodei CMMP)
Estimaia vectorului param. se obine minimiznd funcia de cost care este o funcie a ptratului erorilor
(reziduurilor). Ceea ce se traduce
de fapt prin determinarea valorilor param. care anuleaz derivatele pariale n raport cu param.
Considernd funcia de cost de tipul celei prezentate n cazul SISO:
Y(0) ; R-1=I
Soluia ec. (*) = (ST * S)-1STY
(2)
Rel. (2) definete estimatorul CMMP off-line i se presupune n general c matricea ST*S e o matrice
nesingular, deci exist inversa.
Rel. de calcul a lui (2) se bazeaz pe modelul de regresie (6)
Consideraii:
(2) -rel. de baz cu care vom lucra
Forma (2) a estimatorului CMMP e mai puin convenabil calculului numeric dect (3). Implementarea (3)
necesit memorarea matricei S care are dimens. cosiderabile, avnd n vedere c ea conine msurtorile
intr. i ie. pt. diferite momente de timp, dar o bun parte din analiza teoretic se face pe baza rel. (2) care
e mai uor de manevrat.
OBS : Msurtorile intr. resp ieirii vor fi centrate nainte de prelucrarea lor n vederea estimrii
parametrilor n afar de cazul n care existcertitudinea c media perturbaiilor care au perturbat ie. n
timpul experimentelor a fost nul.
Cazul MIMO
Pt. Acest caz estimatorul CMMP offline conduce la o form perfect similar cazului SISO.
Presupunnd c avem un sist. Cu ny ie. i nu intr. estimatorul poate fi decuplat n nz estimatori care
furnizeaz val. pt. parametrii a ny sir cu o singura iesire si nu intrari. In plus matricea care trebuie
inversata in cazul celor ny estimatori care corespund sist. MIMO e aceeasi ceea ce simplifica mult
implementarea.
20

OBS : Daca s-ar cunoaste anumiti param. Si matricile {A i,Bj} de ex. S-ar considera teta in conformitate cu
anumite informatii apriorice estimatorul CMMP care ar rezulta ar fi mai complicat si mai putin eficient de
implementat numeric.
Consideratii privind estimatorul CMMP
. =ST(Y-S)=0 unde Y-S -> - reziduul sau eroarea ecuatiei.
ST=0 e o alta form de exprimare a conditiei de minimizare a functiei de cost. Eroarea sau reziduul e
ortogonala fata de col. matricei de observatie
Se noteaza P=(STS)-1 matricea de coovarianta a zgomot.
J=STS matrice de informatie
=(STS)-1STY=PSTY
Estimatul vectorului parametrilor e dependent de nr. de masuratori disponibile. Desi sist. e considerat
invariant deci cu coeficienti constanti. Aceata dependenta poate fi exprimata prin urmatoarea forma de
scriere :
(t)=[ST(t)S(t)]-1ST(t)Y(t) depinde de nr. de masuratori nu
J si P =matrici pozitiv definite si simetrice fata de diagonala principala
P(t)=PT(t) ; J(t)=JT(t) ; P=J-1
Rezultatul e exploatat in formularea algoritmilor de estimare bazati pe tehnicile de factorizare.
Definind eroarea estimatorului si notind =-
=-=[(STS)-1STY-=(STS)-1ST(S+Z)-=(STS)-1STS+(STS)-1STZ-=(STS)-1STZ=PSTZ=
Eroarea e o functie liniara de perturbatii.
Considerind zgomotul de medie nula : EZ(t)=0 si dispersie 2 se pot evidentia urmatoarele proprietati :
1) Estimatorul CMMP este un estimator nemarcat.
dem.: E(-)=E(PSTZ)=PSTEZ=0
2) Matricea de covarianta a estimatorului e data de :
cov =E(-)(-)T=ET=EPSTZ*ZTSPT=PSTEZZTSPT=2PSTSPT=2P
EZZT=2I
Rezulta ca P e proportional cu matricea ce covarianta a estimatorului. Factorul de proportionalitate fiind
dispersia zgomotului.
Matricea P e numita matricea de covarianta a estimatorului
Curs11
Estimatorul parametrilor n sensul CMMPP (ponderate)
Estimatorul n varianta CMMP a fost obinut n ipoteza unei secvene de zg. z(t) de tipul zg. a/b. n cazul
mai general al unei secvene de 2g colorat, minimizarea funciei de cost va conduce la estimatorul CMMPP:
1 T
T

S WY QY
(1)
CMMPP S WS
Matricea W de ponderare e n general o matrice pozitiv definit. Se poate demonstra c n acest caz
matricea de covarian a estimatorului este:
cov

T
T

CMMPP QEZZ
Q
Rz

(2)

unde Rz matricea de covarian a zgomotului


Dac W R 1
z estimatorul obinut este:

BLUE S RS

(3)
care este cunoscut sub denumirea de estimatorul Markov sau estimatorul varianei minime sau estimatorul
blue (best liniar un_based estimator) C3 e un estimator liniar nemarcat de matricii de covaian.
minim:
cov

S T WY

T
1

BLUE S R Z S cov

altul

Metode online de estimare. Algoritmi recursivi


21

Algoritmii de estimare recursivi sunt deosebit de importani n conducerea proceselor n special n


cadrul structurii de conducere adaptativ. Se presupune c pe baza a t date se obine vectorul
u

p
r
o
c

e
sR
G
.

bloc
.ide
ntif.
parametrilor

estimai i o nou msurtoare la momentul t + 1. Pentru a se obine trebuie


prelucrat ntreg irul celor t + 1 msurtori i toat informaia i efortul de calcul legate de obinerea lui

se pierd.
Problema care se pune: de ce nu se poate utiliza varianta offline?
Rspuns: timpul de calcul este mult mai mare dect Te (perioada de eantionare).
Metoda online furnizeaz un str. De valori (nu o sg. val. ca la metoda offline). Metoda online permite
calculul noului estimator prin utilizarea celui vechi, innd cont de ultimele observaii nu trebuie
reinute toate datele ob. prin msurtori, cerinele de memorie i de calcul fiind reduse semnificativ.
Avantajele utilizrii metodei online:
- viteza de calcul
- posibilitatea colectrii de date pn la atingerea unei precizii a parametrilor i dac proceselesunt lent
variante, variaiile parametrilor pot fi urmrite.

Estimarea param. utilizai ca date odat pe S t (matr. msurat pn la momentul t),


t , noile msurtori
t 1

(estima
re
param)

u(t + 1), y(t + 1), toate fiind utilizate pentru determinarea bazat pe toate msurtorile pn la
momentul t + 1. Noile msurtori se completeaz cu noul vector al msurtorilor:
t 1

St

S t 1

Yt
,
y t 1

Yt 1

s Tt 1

unde Yt y1 y t

sT
t 1 u t 1 N , y t 1 N ,
not

S t S t

Un algoritm de estimare capabil s calculeze recursiv noul estimat al param. se numete algoritm
recursiv de estimare.
Algoritmul l vom numi n timp real dac este recursiv i dac are proprietatea de a urmri n timp real
variaiile lente ale param. n contrast cu alg. offline ambele variante de alg. (cel recursiv i cel n timp real)
le vom numi atunci cnd nu e nacesar definirea lor exact ca alg. de tip online.
Reducerea volumului de calcul i ctigul de timp se face cu preul unei precizii mai mici fa de
metodele nerecursive. n general variantele online sunt aproximaiile variantelor offline.
Forma general a unui alg. online este:

t 1 t t 1 termen de corecie: el trebuie s fie uor de calculat i va avea irul de msurtori de la


momentul t + 1 i momentele anterioare.
Alg. online al matricii de covarian
Estimaia CMMP offline bazat pe t msurtori de intrare ieire este:

ST S

t
t t

S Tt Yt

St

S t 1

t 1

Yt

Yt 1

y t

(s-a subliniat dependena de numrul t de msurtori disponibile).


Din def. matricii de covarian se poate scrie innd cont de (1)

22

Pt 1 S Tt 1S t 1

S
STt s t 1 Tt
s t 1

S Tt S t s t 1 s Tt 1



B
A
BT

Se aplic lema de inversiune matricial :

A BB

T 1

A 1 A 1 B I B T A 1 B

B T A 1

[A + BCD]-1 = A-1 A-1B(C-1 + DA-1B)-1DA-1


atunci Pt+1 = Pt Ptst+1[1 + sTt+1Ptst+1]-1sTt+1Pt (3)
Estimaia bazat pe t + 1 msurtori va fi dat de:

t 1 s t 1S t 1

Yt

S Tt 1Yt 1 Pt 1 S Tt s t 1

y t 1

Utiliznd relaia (3) se poate scrie:

t 1

Pt 1

P s sT P

Pt t tT1 t 1 t
1 s t 1 Pt s t 1

Pt S T
t Yt

T
S t Yt s t 1 y t 1

Pt s t 1 y t 1 AST
t Yt As t 1 y t 1

T
T
T
Pt s t 1 y t 1 Pt s t 1 y t 1s t 1Pt s t 1 Pt s t 1s t 1 Pt S t Yt

t
1 s Tt 1Pt s t 1

Pt s t 1S Tt 1 Pt s t 1 y t 1
1 s Tt 1Pt s t 1

T
T
T
Pt s t 1 y t 1 s t 1s t 1Pt s t 1 y t 1 s t 1s t 1 Pt S t Yt

t
1 s Tt 1Pt s t 1

s t 1s Tt 1Pt s t 1 y t 1
1 s Tt 1Pt s t 1

t 1 t

Pt s t 1

Notm K t 1
t 1


y sT
t 1
t 1 t

1 s Tt 1Pt s t 1

(4)

Pt s t 1

(5) matrice de amplificare

1 s Tt 1 Pt s t 1

(6)

y t 1 s Tt 1
t

(4) devine:

t 1 t K
t 1 t 1

(7)

t 1

Se des. c estimatul corespunztor la t + 1 eantioane este egal cu estimatul anterior


un termen proporional cu

y
t 1

sT
t 1 t

. Pr

odusul s T
t 1 t

corectat cu

poate fi considerat ca o predicie a valorii y t+1

obinute folosind estimatul param.


i mulimea msurtorilor sTt+1.
Predicia yt+1 = sTy+1 t este egal cu valoarea corect yt+1 numai dac este cunoscut modelul exact
al sistemului cu param. t t 1 i dac zgomotul este absent. n acest caz valoarea coreciei este nul.
estimatorul CMMP online este:

t 1 t K t 1 t 1

K t 1 P t s t 1 1 s Tt 1Pt s t 1

Pt 1 1 K t 1s Tt 1 Pt
y s T
t 1

t 1

t 1

CMMP R

23

Consideraii privind implementarea alg. CMMP online. Se presupune c n pasul t se dispune de:
, Pt, st. La pasul t + 1 se mai obin y(t + 1) i u(t + 1). Analizm trecerea de la t la t + 1.

pas 1: st st+1 ( = [bn, an, , b1, a1])


sTt = [u(t-n), -y(t-n), , u(t-1), -y(t-1)]
sTt+1 = [u(t+1-n), -y(t+1-n), , u(t), -y(t)]
pas 2: Se sacrific cteva elem. din mem. pentru a se memora o cantitate care e folosit n mai multe
locuri
gt+1 = Ptst+1
pas 3: Pt+1 = 1 + sTt+1gt+1
pas 4:

K t 1

g t 1

t 1

pas 5: Pt+1 = Pt Kt+1gTt+1


pas 6: t 1 y t 1 s Tt 1 t
pas 7: t 1 t K t 1 t 1
Iniializarea algoritmilor de estimare online
Alegerea valorilor de iniializare a algoritmilor online n cazul n care acest algoritm converga la
valorile adevrate nu influeneaz n mod asimptotic convergena, totui o bun alegere a valorilor de
iniializare (adic ct mai aproape de valorile finale) va influena n mod decisiv comportarea trazitorie a
algoritmului n primul rnd n sensul c viteza de convergen este mult sporit. Iniializarea capt ns un
rol important n cazul existenei mai multor puncte posibile de convergen.
0
Considernd algoritmul CMMP menionat, procesul recurent de estimare trebuie iniializat cu
respectiv P(0).
0
Obs: P(0) este ~ cu matricea de covarian a estimaiei iniiale
. n cazul n care nu se dispune de
nici o informaie aprioric despre aceast valoare iniial, atunci o alegere natural a estimaiei iniiale este
0

=0
(1)
Pentru a exprima incertitudinea mare a acestei iniializri P(0) trebuie s aib elemente diagonale mari.
n mod frecvent se alege P(0) = I, >> 0 (2). i n acest caz este necesar realizarea unui compromis
ntre alegewrea lui care trebuie s aibe valori mari pentru estimare corect dar nu foarte mari pentru a nu
se produce instabilitate numeric. Se recomand o alegere = 100Ey2(t). Se poate demonstra c rel. (1)
respectiv (2) iniializeaz corect algoritmul CMMP R.
Teorema: Dac estimatorul CMMP R a fost iniializat cu rel. (1) resp. (2) atunci pentru un
N

s t s t

t 1

s t y t
t 1

t 1

respectiv P N s t s T t

estimatorul CMMP R iniializat cu rel. (1) i (2) va avea valoarea corect (3)la oricare moment de
eantionare N >> 1 pentru .
Algoritmi n timp real
(variante n timp real pentru algoritmul de estimare online)
Algoritmii recursivi de tipul celor menionai se utilizeaz n cazul n care param. de estimat sunt
constani n timp. n unele cazuri, ns, param. S supus ID variabil n timp. Algoritmii de estimare n care
toate eantioanele (msurtorile) ut i yt, t = 1...N sunt egal ponderate, nu se pot adapta la aceast situaie.
n acest caz (pentru S lent variant) e necesar s se urmreasc param. pe msura evoluiei lor n timp. n
aceste cazuri se ataeaz factori de ponderare de valoare minim celor mai vechi valori observate (valori
cu indicele cel mai mic) cu scopul ca cele mai recente msurtori s influeneze cel mai semnificativ
24

rezultatele estimrii parametrilor, cu alte cuvinte eantionele mai vechi s fie deponderate n favoarea
celor de daqt mai recent, ajungndu se astfel la un algoritm n timp real.
Exist mai multe variante de obinere a acestui tip de algoritm pornindu se de la algoritmii recursivi
descrii de relaiile de tipul celor prezentate. Cel mai natural mod de abordare const n determionarea
estimatorului pri introducerea unui factor de ponderare a erorii sau a reziduurilor n expresia criteriului de
minimizat. n continuare se va considara problema utilizrii n timp real a algoritmului CMMP R
considerat, rezultatele obinute fiind direct aplicabile i n cazul celorlalte metode online. Astfel, n cazul
n care param. S sunt variabile n timp, atunci va fi natural ca reziduurile (adic erorile ecuaiei) la
momente ndeprtate de eantionare cnd parametrii procesului aveau de faptalte valori, s conteze mai
puin dect reziduurile recente.
Estimatul vectorului parametrilor n cazul versiunii n timp real trebuie determinat ca
t

arg min j 2 j

(4)
j1

(j) factorul (funcia) de ponderare


J() dit. ptratului reziduurilor
n mod frecvent
t

2
(j) = (i), i = j,,t J i j
j1 i j

(5)

unde (i) este ales n funcie de aplicaie.


t
Teorem: Estimaia
calculat pe baza criteriului (5) satisface urmtoarele relaii recursive:
t 1
t K t 1 t 1

t 1 y t 1 s T t 1 t
P t s t 1

K t 1

T
t s t 1 P t s t 1

I K t 1s T t 1
P t 1
P t
t

(t + 1) eroare de predicie a ieirii


K(t + 1) matricea de amplificare
Singura deosebire fa de varianta CMMP R e prezena acestor factori (t) care poate fi ales n
anumite cazuri.
Recomandri:
Pentru situaiile n care param. sunt lent variabili n mod continuu se recomand o alegere (t)=,
[0,1] () t

J t j 2 j
j1

(8) criteriul ponderat al sumei reziduurilor patratice. Se poate demonstra c criteriul

(8) utilizeaz
efectiv

1
1

msurtori. Celelalte msurtori anterioare sunt deponderate puternic. Valoarea lui

depinde de viteza de variaie a parametrului S. Pentru = 1 se observ c algoritmul (6) este chiar CMMP
R n care toate eantionele sunt egal ponderate. Pentru 1 cele mai recente eantioane capt o
pondere foarte mare n defavoarea celor vechi a cror pondere scade rapid. Este cazul variaiei mai rapide
a parametrilor, memoria estimatorului (6) trebuind s fie redus pentru a se putea urmri variaia acestor
parametrii. Se impune evident un compromis ntre viteza mare de adaptabilitate, ntre noile cerine pe de o
parte i pierderea de precizie datorat trunchierii pe de alt parte. n acelai timp ns un prea mic
conduce la estimaii cu fluctuaii importante. n mod uzual se aleg pentru valori n intervalul [0,95
0,995].
Dac S este invariant este de ateptat ca s fie ales egal cu 1. ns chiar i n aceste cazuri ar fi
avantajos s se varieze ca de exemplu dup urmtoarea schem
25

a) 1, de exemplu = 0.99 pentru primele cteva zeci de eantioane, t = 1,2,,k1 i apoi


b) = 1 t = k1+1,k1+2, ,aceasta deoarece reziduurile lui (t) corespund unor estimaii imprecise
0
ale param. datorat unei alegeri imprecise a lui
.
Dac 1 convergena nu este asigurat, estimaiile nu converg, indiferent cte msurtori se
realizeaz ele vor continua s fluctueze avnd n vedere c n acest caz se vor prelucra

1
1

msurtori.

Cretera vitezei de convergen se poate obine considernd o alegere a factorului de


Aplicaii ale metodei CMMP
Estimarea parametrilor unei secvene de ponderare
Se consider un sistem liniar monovariabil ale crui intrri i ieiri sunt msurate la momentele t = 0..k.
Problema este de a determina respectiv estima ordonatele funciilor pondere pentru momente discrete de
timp
n

y t u t i h i z t
i 0

Ipoteza de lucru de care avem nevoie este: k m (sistem supradeterminat). Zgomotul este o secven de
medie nul i dispersie 2.
Se scrie relaia care reprezint modelul considerat pentru diverse momente de eantionare.
t = 0 y(0) = u(0)h(0) + u(-1)h(1) + + u(-m)h(m) + z(0)

t = k y(k) = u(k)h(0) + + u(k-m)h(m) + z(k)


poate fi scris n form matricial:
y 0

z 0
u m h 0



y k
u k
z k
u k m h m




z
Y
U
h

u 0

u 1

Y = Uh + z
Y = S + z modelul standard
Dac se cunoate din start c h(0) = 0 scoatem prima linie.
Estimarea parametrilor ecuaiilor cu diferene pornind de la funciile pondere
Se consider ec. cu dif. modelul sist. liniar monovariabil. Considernd un model clasic ARMA.
A(q-1)y(t) = B(q-1)u(t) + z(t) ; a0 = 1
y(t) = -a1y(t-1)--any(t-n) + b1u(t-1) + + bnu(t-n) + z(t)
Pentru zgomot aceste ipoteze:
Se cere estimarea parametrilor ec. cu dif. tiind c e disponibil din msurtori rspunsul la impuls Dirac.
u(0) = 1, u(t) = 0 pt. t 0, k 2n
y(t) = h(t) = ht
n general y(0) = h(0) = 0
a1
h1

1 0 0


a
n

z 1

0
0 1 0

h 2 h1

h = S + z

1 z k
h k
h k 1 h k n 0 0 1


z
bn
h
S

Estimarea parametrilor ec. cu dif. din secvene dac ntr. ieire de forma general dar nealeatoare
26

Se consider acelai model ca i n cazul precedent ns de aceast dat secvena de intrare este una
oarecare
0

0
y1

y1

y

k
y k 1 y k n

a1


a
n

u k n

0
u0

u k 1

z1

b1


bn

u0
u1

z k

Y = S + z

Aplicaie:
Estimarea parametrilor ec. cu dif. din funcii de corelaie
Ca date: nr. de intrri u i zgomotul z sunt zgomote albe gaussiene.
Ec. cu dif. e de forma general: y(t) = - a1y(t -1) - - any(t-n) + b1u(t-1) + + bnu(t-n) + z(t)
nmulim ecuaia precedent cu u(t - ) i efectund media n timp innd cont de faptul c:

(1)

1 k
u t u t
k 1 0
1 k

u t y t
k 1 0

R u
R uy

relaia (1) devine


Ruy() = - a1Ruy(-1) - - anRuy(-n) + b1Ru(-1) + +
+ bnRu(-n) + Ruz(); Ruz() = 0, k 2n
(2)
innd cont c funcia de autocorelaie e o funcie par Ru() = Ru(), putem scrie ecuaia (2):
= 0..k
a1

R uy 0


R uy 1 S a n

b1


R uy k


bn
Y

R uy 1

R k 1
uy

R uy n

R u 1

R u k 1

R u n

R u k n

Scriem modelul sub forma S - Y = e


S se parcurg aceast transpunere de problem pentru estimarea parametrilor funciilor pondere (al
secvenei de ponderare) discret din funcia de corelaie. Problema devine de a estima ordonatele
rspunsului la impuls a unui sistem monovariabil pentru momente discrete n care u i z sunt zgomote albe
gaussiene, ergodice, mutual independente. Ca model se poate alege suma de convoluie (se multiplic ambii
membrii u(k - ) i se efectueaz media se ajunge la o ecuaie W H discret).

27