Cartea Necolorata 53093680-Apmis

Dan tefnoiu
Ion Matei
Petre Stoica
Aspecte practice n
Modelarea i Identificarea Sistemelor
Cuprins
Notaii i abrevieri
Prefa
Introducere
VII
IX
1
1. Caracterizri n timp i frecven

ale proceselor stocastice
11
1.1. Analize de proces prin metode ne-parametrice

A. Analiza tranzitorie
B. Analiza n frecven
C. Analiza bazat pe corelaie
D. Analiza spectral
1.2. Aspecte practice n analiza proceselor stocastice

A. Procese total neautocorelate zgomotul alb
B. Zgomote colorate
1.3. Exerciii
1.4. Probleme de simulare
2. Identificarea modelelor ne-parametrice

2.1. Contextul general de lucru
2.2. Exerciii
3. Identificare parametric
prin Metoda Celor Mai Mici Ptrate
3.2. Exerciii
prin Metoda Variabilelor Instrumentale
A. Metoda Variabilelor Instrumentale
B. Criterii de alegere a structurii modelelor
C. Criterii de validare a modelelor
4.2. Exerciii
11
11
11
13
14
15
15
17
18
20
25
25
26
26
34
34
34
35
39
39
39
40
44
46
48
Aspecte practice n Modelarea i Identificarea Sistemelor
prin Metoda Minimizrii Erorii de Predicie
A. Metoda Celor Mai Mici Ptrate Extins
B. Metoda Minimizrii Erorii de Predicie
5.2. Exerciii
58
58
58
60
62
63
6. Identificare recursiv
67

A. Algoritmi recursivi de identificare
B. Rutine MATLAB pentru identificare recursiv
6.2. Exerciii
67
67
75
76
77
7. Aplicaii de identificare recursiv
81
81
A. Aproximarea modelelor complexe

B. Identificarea parametrilor fizici ai unui proces
7.2. Exerciii
81
87
95
98
8. Modelarea i predicia seriilor de timp

104
104
A. Estimarea modelului polinomial al tendinei

B. Estimarea componentei sezoniere
105
107
C. Estimarea componentei nedeterministe (aleatoare)

D. Predicia seriei de timp
113
115
8.2. Exerciii
116
117
Anexe
A. Despre biblioteca de rutine MATLAB
dedicate Identificrii Sistemelor
B. Lista de verificare a mini-simulatoarelor i rutinelor de MIS
Referine bibliografice
129
134
137
II
Cuprins
Lista figurilor
1. Reprezentarea sistemic a modelelor ARMAX.
2. Experimentul obinerii culorii albe din spectrul ROGVAIV.
16
3. Experimentul obinerii unei nuane de roz

din spectrul ROGVAIV.
16
4. Dou modele de procese stocastice echivalente.
20
5. Fereastra grafic tipic a rutinei ISLAB_1A.
21
6. Fereastra grafic tipic a rutinei ISLAB_1B.
21
7. Fereastra grafic tipic a rutinei NOISE.
22
8. Exemplu de analiz tranzitorie.
27
9. Exemplu de analiz pe baz de corelaie.
28
10. Fereastra spectral a lui Hamming.
30
11. Exemplu de analiz spectral.
31
12. Exemplu de afiare a erorii de estimare cu MCMMP

(rspuns n frecven).
36
13. Exemplu de afiare a erorii de estimare cu MCMMP

(dispersie zgomot).
36
14. Criterii de alegere a structurii modelelor.
41
15. Performanele unui model estimat cu MCMMP.
55
16. Reprezentarea poli-zeroruri a unui model estimat cu MCMMP.
55
17. Dispersia estimat a zgomotului. Criteriul aplatizrii i Testul F.
56
18. Potrivirea cu datele de identificare.
56
19. Potrivirea cu datele de validare.
57
20. Criteriul Akaike-Rissanen.
57
21. Performanele unui model estimat cu MMEP.
66
22. Reprezentarea poli-zeroruri a unui model estimat cu MMEP.
66
23. Algoritmul recursiv de baz n IS.
68
24. Algoritmul recursiv cu fereastr dreptunghiular.
70
25. Algoritmul recursiv cu fereastr exponenial.
72
III
26. Algoritmi recursivi de tip gradient.
73
27. Algoritmul recursiv cu filtrare Kalman.
74
28. Performanele MCMMP-R.
79
29. Performanele MVI-R.
79
30. Performanele MMEP-R.
80
31. Performanele MRLP-R.
80
32. Caracteristicile n frecven ale filtrelor Butterworth

de tip trece-jos.
83
33. Caracteristicile n frecven ale filtrelor Butterworth

de tip trece-band.
83
34. O estimare grosier a spectrului procesului furnizor de date.
101
35. Caracteristicile filtrului Butterworth ales.
101
36. Performanele modelului ARMAX pe toat lrgimea de band.
102
37. Performanele modelului ARMAX

pe lrgimea de band a filtrului.
102
38. Date de intrare-ieire furnizate de un motor de curent continuu.
103
39. Ieirea msurat i cea simulat

ale motorului de curent continuu.
40. Urmrirea parametrilor fizici ai motorului de curent continuu.
103
103
41. Determinarea perioadei optime

cu Metoda Wittacker-Robinson.
109
42. Determinarea perioadei optime

cu Metoda periodogramei Schuster.
112
43. Algoritmul Levinson-Durbin.
114
44. Rata lunar a numrului de omeri din SUA.
121
45. Circulaia monedei belgiene msurat lunar, timp de 10 ani.
121
46. Media lunar a numrului de pete solare observate.
122
47. Distana lunar parcursa la U.K. Airlines pe cursele interne.
122
48. Rata lunar a omajului n Marea Britanie.
123
49. Rata lunar a omajului n Frana.
123
IV
Cuprins
50. Rata lunar a omajului n Canada.
124
51. Veniturile lunare din impozitele pe telefoane n SUA.
124
52. Media lunar a timpului mediu de lucru sptmnal n SUA.
125
53. Numrul lunar al bolnavilor operai de amigdalit

la Spitalul 23 August.
125
54. Intensitatea contiinei colective pe Terra msurat lunar.
126
55. Intensitatea radio cosmic msurat la radio-telescopul

din Indianapolis.
126
56. Cursul de schimb USD-LEI (eantionare neuniform).
127
57. Cursul de schimb EURO-LEI (eantionare neuniform).
127
58. Cursul de schimb USD-EURO (eantionare neuniform).
128
59. Fereastra grafic tipic a interfeei bibliotecii de IS.
131
Lista tabelelor
1. Intervale i nivele de ncredere tipice
pentru validarea modelelor.
45
2. Serii de timp disponibile pe Discul Compact.
VI
120
Notaii matematice specifice

F
Operatorul Fourier, definit prin:

def
def
X ( e j ) = F ( x )( e j ) = x[n ] e j n , R ,
nZ
pentru orice secven discret de semnal, absolut sumabil, x .
Operatorul Fourier invers, exprimat prin:
x[ n ] = F
def
( X )[n ] =
1
2
X (e
)e + j n d , n Z ,
unde x este o secven discret de semnal, absolut sumabil.
Operatorul Z (Transformata Z), definit() prin:

def
def
X ( z ) = Z ( x )( z ) = x[n ] z n , z C x ,
nZ
pentru orice secven discret de semnal x . Suma din definiie este

convergent ntr-o coroan circular centrat n originea planului complex,
C x , care depinde de semnalul x .
[x ]dB
valoarea n decibeli a numrului x > 0 , definit prin:

def
[ x ]dB = 10 lg x (n Teoria Sistemelor);

def
[ x ]dB = 20 lg x (n Prelucrarea Semnalelor).

Deoarece 210 = 1024 10 3 , n practic se consider c [2]dB = 3 dB (n
Teoria Sistemelor) sau [2]dB = 6 dB (n Prelucrarea Semnalelor).
partea ntreag a numrului real x R , adic ntregul cel mai mare inferior
lui x .
VII
Abrevieri
[Ref]
AR
ARMA
ARMAX
ARX
cmmmc
BJ
dB
FIR
FPE
GUI
IA
IIR
IS
LTI
MA
MCMMP
MCMMP-R
MCMMPE
MGN
MIMO
MIS
MMEP
MMEP-R
MRPL-R
MVI
MVI-R
OE
PE
PS
SISO
SNR
SPA
SPAB
TF
TFD
TLC
TS
TZ
Se citeaz referina cu eticheta [Ref] din lista bibliografic.

Auto-Regressive model (model auto-regresiv)
Auto-Regressive Moving Average model (model auto-regresiv, de medie
alunectoare)
Auto-Regressive Moving Average with eXogenous control model (model
auto-regresiv, de medie alunectoare, cu control extern)
Auto-Regressive with eXogenous control model (model auto-regresiv cu
control extern)
cel mai mic multiplu comun
model Box-Jenkins
decibel, decibeli
Finite Impulse Response (sistem cu rspuns finit la impuls)
Final Prediction Error (eroare final de predicie)
Graphical User Interface (interfa grafic convivial cu utilizatorul)
Inteligen Artificial
Infinite Impulse Response (sistem cu rspuns infinit la impuls)
Identificarea Sistemelor
Linear Time Invariant Systems (sisteme liniare invariante la deplasri
temporale)
Moving Average model (model de medie alunectoare)
Metoda Celor Mai Mici Ptrate
Metoda Celor Mai Mici Ptrate n variant recursiv
Metoda Celor Mai Mici Ptrate Extins
Metoda Gauss-Newton
Multiple Input multiple Output model (model cu intrri i ieiri multiple)
Modelarea i Identificarea Sistemelor
Metoda Minimizrii Erorii de Predicie
Metoda Minimizrii Erorii de Predicie n variant recursiv
Metoda de Regresie Pseudo-Liniar n variant recursiv
Metoda Variabilelor Instrumentale
Metoda Variabilelor Instrumentale n variant recursiv
Output Error model (model de tip eroare de ieire)
Programare Evoluionist/Evolutiv
Prelucrarea Semnalelor
Single Input Single Output model (model cu o intrare i o ieire)
Signal-to-Noise Ratio (raportul semnal-zgomot)
Semnal Pseudo-Aleator
Semnal Pseudo-Aleator Binar
Transformata Fourier
Transformata Fourier Discret
Teorema Limit Central
Teoria Sistemelor
Transformata Z
VIII
A
n
prraaccttiiccee n
peeccttee p
Assp
M
orr
meello
Siisstteem
nttiiffiiccaarreeaa S
deen
deellaarreeaa ii IId
od
Mo
Dan tefnoiu, Ion Matei, Petre Stoica
Universitatea Politehnica din Bucureti
Facultatea de Automatic i Calculatoare
Grupul de Identificare a Sistemelor i Prelucrare de Semnal
Splaiul Independenei nr. 313, Sector 6
77206 Bucureti, ROMNIA
Tel. (+ 40 21) 402 9318; Fax. (+ 40 21) 411 9163
E-mails: danny@router.indinf.pub.ro,
ion_matei_ro@yahoo.com,
ps@SysCon.uu.se
Prefa
Cartea de fa prezint o serie de aspecte practice uzuale destinate n special
completrii
cursurilor
introductive
de
Modelarea
Sistemelor,
Identificare
(Experimental) a Sistemelor, Prelucrare (Numeric) a Semnalelor i/sau de

Comand (Numeric) a Sistemelor, de la facultile tehnice de profil electric. Fiind
cursuri tipice de matematic aplicat n Automatic i/sau Electronic, ele beneficiaz
de o argumentaie riguroas, dar cu multe aspecte teoretice a cror ntelegere poate fi
uurat printr-o colecie de exemple sau exerciii de gndire i probleme de simulare
pe un mijloc automat de calcul. Printre altele, cartea se dorete a fi o alternativ a
ndrumarelor de laborator [StD9603] (destinat modelrii i prediciei seriilor de timp),
[StD9605] (o culegere de probleme rezolvate din domeniul Identificrii Sistemelor) i
[StD9602b] (destinat implementrii algoritmilor de tip FFT Fast Fourier Transform
din cadrul Prelucrrii Numerice a Semnalelor).
Universitatea din Uppsala, Departamentul de Sisteme i Control Automat, P.O. Box 27, 75103 Uppsala,
SUEDIA.
IX
Cartea debuteaz cu o succint privire de ansamblu asupra domeniilor Modelrii i

Identificrii Sistemelor. Interaciunea cu domeniul Prelucrrii Semnalelor este de
asemenea amintit. Capitolele sunt apoi descrise astfel nct cititorul s fie mai nti
familiarizat cu un suport teoretic minimal necesar nelegerii aplicaiilor abordate. O
serie de exerciii pregtitoare graduale au rolul de a obinui cititorul cu terminologia i
notaiile specifice contextului de lucru n care se desfoar aplicaiile. Exerciiile de
gndire sau problemele de simulare pe calculator sunt formulate n finalul fiecrui
capitol. O colecie de programe scrise n MATLAB (versiunea 6.*) sunt nregistrate pe
Discul Compact ataat crii. Unele dintre aceste programe au fost concepute la
Universitatea din Uppsala (Departamentul de Control Automat) i Institutul Tehnologic
Lund (ambele din Suedia), fiind disponibile gratuit i pe internet la adresa
http://www.syscon.uu.se/Courses/. Ele au fost comentate n limba

englez i uor modificate, pentru mai uoara lor nelegere de ctre cititori. O
succint explicaie n limba romn este de asemenea furnizat. Alte programe (mai
multe) au fost n ntregime proiectate de ctre grupul de cercetare de Identificare a
Sistemelor i Prelucrare de Semnal din cadrul Facultii de Automatic i Calculatoare
a Universitii Politehnica din Bucureti. Cu toate acestea, cititorii sunt invitai s
conceap i propriile lor programe n cursul abordrii aplicaiilor descrise.
Sperm ca prin aceast carte s venim n ntmpinarea tuturor celor care doresc s
studieze Modelarea i Identificarea Sistemelor dintr-o perspectiv practic.
Autorii.
Bucureti, Mai 2004
MATLAB i SIMULINK sunt mrci nregistrate ale firmei MathWorks Inc. din SUA.
(http://www.mathworks.com/)
Introducere
Identificarea Sistemelor (IS) este o disciplin al crei obiect de studiu l constituie
modelarea proceselor/sistemelor dinamice folosind date experimentale achiziionate n
cursul exploatrii acestora. Modelele matematice cu care se opereaz n cadrul IS
sunt n principal bazate pe conceptele de ecuaie diferenial (pentru sistemele cu
evoluie n timp continuu) i ecuaie cu diferene (pentru sistemele cu evoluie n timp
discret). Cu toate acestea, modele ce apeleaz la alte concepte sunt de asemenea
utilizate, dar mai mult n scopul unor descrieri calitative ale comportamentului
procesului ce trebuie identificat.
Domeniul IS a fost conturat n special odat cu publicaiile lui K.J. strm i
P. Eykhoff din anii 70-80 [AsEy71], [EyP74], [EyP81]. n paralel, pot fi menionate
contribuii importante la dezvoltarea domeniului i conturarea unor direcii de cercetare
prin publicaiile lui R.L. Kashyap i A.R. Rao [KaRa76], R.K. Mehra i D.G. Lainiois
[MeLa76], G.C. Goodwin i R.L. Payne [GoPa77] sau T. Sderstrm [SoT84].
Aplicaiile tehnicilor de identificare i estimare parametric (care presupun i modelare
matematic) nu au ntrziat s apar. Ele sunt descrise ntr-o serie de simpozioane
IFAC dedicate IS i tehnicilor de estimare parametric, cum ar fi cele de la: Praga
(1967, 1970), Haga (1973), Tbilisi (1976), Darmstadt (1979), Washington DC (1982).
Numeroase lucrri de sintez i priviri de ansamblu au fost publicate n special n
revistele Automatica editate de comitetul IFAC [IFAC80], [IFAC82]. Dar una dintre cele
mai complete caracterizri ale domeniului a fost publicat n [SoSt89] probabil cea
mai citat referin din ultimul deceniu. Au urmat [LjGl94] i [LjL99] dou referine
orientate ctre algoritmi de identificare.
n Romnia, perioada cea mai prolific n materie de publicaii din domeniul IS (anii
70-80) nu a rmas fr ecou. Astfel, se poate spune c coala romneasc de
Identificri a fost iniiat n special prin lucrrile lui C. Penescu, M. Tertico i P. Stoica
[PITC71], [TeSt80], [TeSt85], [TSP87]. O viziune extrem de practic legat de IS (n
contextul controlului automat al sistemelor) a fost publicat de ctre I.D. Landau n
[LaID93] (n limba francez), carte care a fost tradus i n limba romn [LaID97].
Indiscutabil, acest scurt istoric nu poate cuprinde panoplia vast a contribuiilor
care au condus la diversificarea si mbogirea domeniului IS. Astzi, IS i continu
dezvoltarea n special prin deschiderea fa de aplicaiile necesitnd abordri interdisciplinare. Astfel, algoritmi rapizi i tehnici neconvenionale de identificare au nceput
s apar nc de la nceputul anilor 90, prin interaciunea cu alte domenii de
cercetare, n special cu Prelucrarea Semnalelor (PS), Inteligena Artificial (IA) i
Programarea Evoluionist (PE).
Importana studierii domeniului IS rezid n nsui conceptul de modelare
matematic. Numeroase aplicaii de Automatic i/sau de tiina Calculatoarelor
apeleaz la modele matematice. n multe cazuri, procesele studiate sunt att de
complexe nct nu este posibil o caracterizare a lor prin descrierea fenomenelor fizice
de la baza comportamentului lor, adic folosind principiile i legile fizicii exprimate prin
prin ecuaii de bilan. De multe ori, chiar ecuaiile obinute n acest fel conin un numar
de parametri necunoscui. n asemenea situaii, utilizatorul este obligat de mprejurri
s apeleze la modele i tehnici de identificare.
Cadrul de lucru specific din IS este structurat n jurul a 3 concepte fundamentale:
modelul matematic, semnalul de stimul i metoda de identificare.
1
n termeni generali, identificarea unui proces/sistem dinamic necesit parcurgerea

urmtoarelor etape:
stimularea procesului cu un anumit semnal (dac este posibil);
achiziionarea pe un orizont finit de timp a datelor de intrare-ieire astfel
obinute i prelucrarea primar a lor (atenuare grosier de zgomot);
alegerea unui model matematic adecvat (care s concorde cu datele
achiziionate), dintr-o clas specific de modele;
determinarea modelului selectat folosind o metod de identificare
corespunztoare;
validarea modelului matematic obinut prin intermediul unei metode de
validare.
Succesul unui experiment de identificare constnd n etapele de mai sus depinde n
mare msur de maniera n care au fost precizate cele 3 concepte fundamentale
amintite.
Modelele matematice pot fi ne-parametrice sau parametrice. Modelele neparametrice sunt utilizate n special pentru a obine descrieri apriorice, mai mult de
ordin calitativ, ale procesului ce trebuie identificat. n acest caz, datele achiziionate
sunt privite ca date statistice referitoare la evoluia procesului. Metode statistice relativ
simple (n general bazate pe tehnica (auto-)corelaiei) sunt aplicate datelor pentru a
obine modele att n domeniul timpului ct i al frecvenei. Aceste modele sunt
descrise prin reprezentri grafice sau tabele, dar fr a apela la conceptul de
parametru. Ele folosesc la analizarea proceselor din diferite perspective. In principiu, 4
tipuri de analize pot fi efectuate: analiza n frecven, analiza regimului tranzitoriu,
analiza de auto-corelaie i analiza spectral. Primele 2 capitole au ca obiectiv
principal ilustrarea modului n care modelele ne-parametrice pot caracteriza evoluia
unui proces i pot fi identificate.
Modelele parametrice cele mai utilizate n aplicaii fac parte din clasa ARMAX
(Auto-Regressive Moving Average with eXogenous control). Reamintim c ecuaia
general a clasei ARMAX[na,nb,nc] (o ecuaie cu diferene) este urmtoarea:
A(q 1 ) y[n] = B (q 1 )u[n] + C (q 1 )e[n] , n N ,

14243 14243 14243
AR
X
MA
(1)
unde, prin convenie, parantezele drepte indic timpul discret sau normalizat (pentru
timp continuu, se utilizeaz parantezele rotunde). Tot n ecuaia (1), au fost utilizate
urmtoarele notaii (consacrate):
u este semnalul de intrare sau de stimul.
y este semnalul de ieire sau rspunsul sistemului.
e este semnalul stocastic ideal numit zgomot alb. Din punct de vedere statistic,
zgomotul alb este prototipul semnalelor total neautocorelate, adic:
E{e[n ]e[m ]} = 2 0 [n m] , n, m Z ,
(2)
unde E reprezint operatorul de mediere statistic, 0 este impulsul unitar

centrat n origine (simbolul lui Kronecker), iar 2 este variana zgomotului,
necunoscut.
2
Introducere
q 1 este operatorul de ntrziere cu un pas (de eantionare), definit prin:
(q f )[n] = f [n 1] , n Z pentru orice ir de date

1
f (scalar sau vectorial).
A , B , C sunt polinoame de grade finite:
A( q 1 ) = 1 + a1q 1 + L + ana q na
B ( q 1 ) =
b1q 1 + L + bnb q nb ,
1
C ( q ) = 1 + c1q 1 + L + cnc q nc
(3)
unde att coeficienii {ai }i1, na , {bi }i1, nb , {ci }i1, nc (adic parametrii modelului),
ct i gradele lor na , nb , nc (adic indicii structurali ai modelului) sunt
necunoscui i trebuie determinai.
Modelul general al clasei ARMAX arat de fapt c semnalul de ieire se obine ca
rezultat al superpoziiei dintre un semnal util obinut prin filtrarea semnalului de intrare
i un semnal parazit obinut prin filtrarea zgomotului alb, aa cum este ilustrat n
Figura 1. Particularitatea principal a clasei de modele o constituie faptul c ambele
filtre (notate prin H i G n figur) au aceiai poli (dai de rdcinile polinomului A ).
Cu alte cuvinte, filtrele sunt simultan stabile sau instabile. n acest context de lucru al
IS, se urmrete determinarea modelelor stabile (zerourile lui A trebuie s fie
amplasate n interiorul discului unitar din planul complex).
G C/A
H B/A
Figura 1. Reprezentarea sistemic a modelelor ARMAX.

Cazurile particulare cele mai utilizate n aplicaii sunt modelele: ARX[na,nb] (pentru
C 1 ), AR[na] (pentru B 0 i C 1 ), MA[nc] (pentru A 1 i B 0 ) i

ARMA[na,nc] (pentru B 0 ). Primul model este tipic aplicaiilor de control numeric
optimal, n timp ce ultimele 3 sunt utilizate n special pentru modelarea i predicia

seriilor de timp (mai precis, a componentei lor stocastice). O serie de timp (sau un
proces stocastic n timp discret) este vzut ca o realizare a unui proces stimulat de
zgomotul alb.
n acest context, problema principal a IS este determinarea parametrilor, a
indicilor structurali i a varianei zgomotului alb, folosind date achiziionate pe un
orizont finit de msur: { y[n ]}n1, N i, dac este posibil, {u[ n ]}n1, N .
3
n vederea rezolvrii acestei probleme, ecuaia (1) a modelelor ARMAX este

exprimat n mod echivalent n forma de regresie liniar:
y[n ] = T [n ] + e[n ] , n N ,
(4)
unde Rn este vectorul parametrilor necunoscui, iar Rn este vectorul

regresorilor (format din date msurate i, eventual, estimate). Prin convenie, vectorii
sunt de tip coloan, ca i n cazul altor discipline (Teoria Sistemelor (TS) sau PS).
Dimensiunea i configuraia celor 2 vectori din ecuaia (4) depind de modelul
selectat. n general, nlimea vectorilor este n = na + nb + nc , iar configuraia
include 3 componente (cte una pentru fiecare polinom):
T [n] def
...
= [ y[n 1] y[n 2] L y[n na]
u[n 1] u[n 2] L u[n nb]
... e[n 1] e[n 2] L e[n nc]]
T def
n N
b1 b2 L bnb
c1 c2 L cnc ]
= [a1 a2 L ana
(5)
n mod evident, deoarece zgomotul e nu poate fi msurat separat, ultima component
din poate fi cel mult estimat printr-un procedeu recursiv, care afecteaz, n
general, precizia modelului.
Dou dintre modelele de interes (ARX i AR), conduc totui la eliminarea
componentei datorate zgomotului alb n ecuaiile (5), care devin:
T def
[n ] = [ y[n 1] y[n 2] L y[n na ]
ARX : def
T
b1 b2 L bnb ]
= [a1 a2 L ana
u[n 1] u[n 2] L u[n nb]]

n N
(6)
T
[n ] = [ y[n 1] y[n 2] L y[n na ]]
T def
n N
= [a1 a2 L ana ]
def
AR :
(7)
n definiiile (6) i (7), se remarc exprimarea vectorilor regresorilor folosind numai

date msurate (care totui sunt corupte i de zgomotul alb filtrat).
Comparativ cu modelele matematice obinute prin scrierea ecuaiilor de bilan
rezultate din exprimarea legilor fizicii, modelele de identificare prezint urmtoarele
caracteristici:
au o generalitate i validitate limitat la anumite clase de procese, semnale de
stimul i chiar numai la anumite puncte de funcionare ale aceluiai proces;
au o interpretare fizic dificil de dat, deoarece, n majoritatea cazurilor,
parametrii nu au semnificaii fizice clare; parametrii sunt mai degrab utilizai ca
instrumente menite s uureze descrierea funcionrii pocesului;
determinarea lor este adesea realizabil prin metode algoritmice, ceea ce le
confer eficien i simplitate.
4
Introducere
Alegerea semnalelor de stimul se bazeaz pe un principiu general: dac procesul

este integrat ntr-un complex sistemic mai larg adic funcioneaz n bucl nchis ,
atunci semnalul de stimul este cel utilizat n cursul exploatrii; dac procesul poate
funciona i n bucl deschis, atunci un model matematic mai precis se obine prin
stimularea acestuia cu un semnal persistent. Conceptul de persisten este crucial n
IS. Prin definiie, un semnal u este persistent de ordin M 1 dac matricea de autocovarian de ordin M , notat cu RM (u ) , este strict pozitiv definit (adic
inversabil):
ru [1]
ru [0]
r [1]
ru [0]
u
def
M
O
RM (u ) =
ru [ M 2] L
ru [ M 1] L
ru [ M 1]
ru [1] L ru [ M 2]
> 0.
O
O
M
ru [1] ru [0]
ru [1]
ru [2] ru [1]
ru [0]
ru [2]
(8)
Elementul generic al matricii Toeplitz simetrice RM (u ) , definite n (8), este dat de

def
funcia de auto-covarian ru , la rndul ei definit prin: ru [k ] = E{u[n ]u[n k ]} ,
k Z . Datorit ipotezei ergodice, funcia de auto-covarian poate fi aproximat

folosind valorile semnalului msurate pe un orizont finit de timp, {u[n ]}n1, N . Mai
precis:
ru [k ]
N
1
u[n ]u[n k ] , k 1, N / 4 .
N k n = k +1
(9)
Semnificaia conceptului de persisten poate fi explicat att n domeniul timpului,

ct i n cel al frecvenei.
n domeniul timpului, cu un semnal persistent de ordin M se pot determina
primele M valori ale funciei pondere pentru unui sistem dinamic liniar, ca model
asociat procesului de identificat. Dac h este funcia pondere n cauz i R M este
vectorul format din primele M valori ale lui h , atunci se obine rezolvnd ecuaia
Wiener-Hopf:
RM (u ) = rM ( y , u )
= RM1 (u ) rM ( y , u ) .
(10)
n ecuaiile (10), rM ( y , u ) este vectorul primelor M valori ale corelaiei ncruciate

dintre ieirea i intrarea procesului. Corelaia ncruciat, ry , u , se definete ca i autocorelaia, adic:
def
ry , u [k ] = E{ y[n ]u[n k ]} , k Z . Datorit aceleiai ipoteze
ergodice, o relaie aproximativ similar cu (9) poate fi utilizat i n evaluarea

corelaiei ncruciate ( u[n ] trebuie nlocuit cu y[n ] ). Cu ct semnalul de intrare este
mai persistent, cu att modelul sistemului liniar asociat procesului este mai precis,
deoarece cu att mai multe valori ale funciei pondere pot fi estimate.
n domeniul frecvenei, definiia echivalent a persistenei este urmtoarea: un

semnal u este persistent de ordin M 1 dac i numai dac densitatea sa spectral
de putere, notat tradiional prin u , posed cel puin M linii spectrale nenule.
Reamintim c densitatea spectral de putere a lui u se obine aplicnd Transfomata
Fourier (TF) asupra funciei de auto-covarian ru :
def
u ( ) = F ( ru )( e j ) =
ru [k ]exp( jk ) ,
nZ
R .
(11)
Funcia de auto-covarian se poate recupera din densitatea spectral folosind

inversabilitatea TF i 2 -periodicitatea sa:
ru [k ] = F
(u )[k ] =
1
2
u ( ) exp(+ jk )d ,
k Z .
(12)
n definia (11) i formula dual (de inversiune) (12), j este unitatea imaginar
(complex), iar se numete pulsaie (armonic) normalizat. O linie spectral de
armonic are amplitudinea u ( ) . Se poate demonstra c u ( ) 0 , ceea ce
justific termenul de densitate spectral de putere. Aadar, un semnal u este
persistent de ordin M 1 dac i numai dac exist cel puin M pulsaii 1 ,, M 1
astfel nct u (i ) > 0 , i 1, M . n acest fel, procesul de identificat este stimulat pe
cel puin M armonice, pe care este forat s le amplifice sau s le atenueze, n
funcie de comportamentul su intrinsec. Cu ct procesul este stimulat s reacioneze
la mai multe armonice, cu att semnalul de ieire va codifica mai mult informaie
despre comportamentul su.
Semnalul de intrare ideal este zgomotul alb, care are persisten infinit. Din
pcate, acest semnal nu poate fi generat pe cale artificial. Mai precis, semnalele
artefacte (adic produse artificial) nu pot avea ordin infinit de persisten. Exist ns
semnale artefacte cu ordin finit de persisten care aproximeaz zgomotul alb, n
sensul auto-covarianei. Acestea se numesc Semnale Pseudo-Aleatoare Binare
(SPAB) sau, mai simplu, Semnale Pseudo-Aleatoare (SPA). Ele sunt periodice,
deoarece algoritmii folosii pentru generarea lor utilizeaz precizia finit de
reprezentare a valorilor numerice pe un mijloc automat de calcul. Interesant ns,
ordinul lor de persisten este proporional cu perioada. Mai mult, pe msur ce
perioada crete, funcia de auto-covarian se apropie de cea a zgomotului alb, adic
valorile semnalelor pseudo-aleatoare devin tot mai necorelate.
Utilizarea SPAB sau SPA n IS este foarte frecvent ori de cte ori procesul de
identificat poate fi stimulat n bucl deschis. Modelele obinute folosind aceste
semnale au precizie ridicat i sunt foarte versatile, putnd fi utilizate pentru o gam
larg de puncte de funcionare, semnale de stimul i/sau configuraii de sistem.
n fine, metodele de identificare au drept obiectiv determinarea parametrilor
necunoscui ai unui model, propunnd fie relaii directe de calcul, fie proceduri iterative.
n orice caz, necunoaterea nu numai a valorilor parametrilor, ci i a numrului lor
atrage dup sine adoptarea unei strategii iterative n care complexitatea structural a
modelului este crescut treptat, pn la nivelul la care precizia sa nu mai este
6
Introducere
ameliorat semnificativ. Mai precis, se pleac de la modelul cel mai simplu, adic
parsimonios>. Pentru fiecare model de structur dat, se determin parametrii si i
se evalueaz eroarea fa de proces (cu ajutorul unui criteriu predefinit). Dac eroarea
scade n mod semnificativ, se reia procedeul iterativ, adic se crete numrul de
parametri, se re-evalueaz acetia i eroarea fa de proces. Altfel, procedeul iterativ
este stopat i se reine ultimul model determinat. Acest model trebuie s fie validat n
final, folosind teste specifice. De exemplu, un model este valid dac eroarea dintre
datele msurate i cele simulate are caracteristicile unui zgomot alb Gaussian.
Determinarea parametrilor necunoscui ai unui model matematic se poate realiza n
principal folosind metode extrase din Teoria Optimizrilor i/sau din Teoria Estimaiei
(Statistice). O privire rapid dar obiectiv aruncat asupra acestor metode ar pune n
eviden avantajele i dezavantajele lor. Astfel, metodele de optimizare ofer algoritmi
iterativi (implementabili) de estimare a parametrilor, dar estimaiile nu pot fi
caracterizate din punct de vedere statistic. Ele asigur convergena ctre punctul de
optim, dar nu garanteaz consistena estimaiei din punct de vedere statistic. (n acest
context, o estimaie a unui parametru este consistent dac tinde la valoarea
adevrat a acelui parametru, pe msur ce numrul de date achiziionate din proces
tinde la infinit, oricare ar fi setul de date utilizat.) Din cealalt perspectiv, a Teoriei
Estimaiei, consistena parametrilor poate fi testat, ns metodele efective de
evaluare sufer n general de ne-implementabilitate, reprezentnd mai degrab un
suport teoretic pentru alte metode. n plus, aceste metode se bazeaz pe ipoteze
adesea restrictive, n scopul asigurrii consistenei. Cele dou teorii se intersecteaz,
din fericire. Metodele de identificare cele mai interesante i utile sunt cele rezultate din
combinaia optimizrii cu estimarea. Ele sunt implementabile (eventual iterative) i
permit caracterizarea statistic a parametrilor estimai. Prototipul l constiuie Metoda
Celor Mai Mici Ptrate (MCMMP), care va fi succint prezentat n continuare.
Prin multplicarea la stnga cu vectorul [n ] a ecuaiei de regresie liniar (4) i
aplicarea operatorului de mediere statistic E , se obine:
E{ [n ] y[n ]} = E{ [n ] T [n ]} + E{ [n ]e[n ]} , n N .
(13)
Ipoteza ergodic permite eliminarea timpului normalizat (discret) n ecuaia (13).

Mai mult, procesul furnizor de date are o evoluie observabil, iar matricea ptrat
E{ T } este inversabil. Rezult c valorile adevrate ale parametrilor sunt:
= E{ [n ] T [n ]}
(E{ [n ] y[n ]} E{ [n ]e[n ]}) ,
(14)
ele nedepinznd de timpul normalizat n N . S presupunem acum c vectorul

regresorilor nu este corelat cu valoarea curent a zgomotului alb, adic
E{ [n ]e[n ]} = 0 . Foarte probabil, aceast ipotez se verific de exemplu n cazul
modelului ARX, deoarece semnalul de intrare este produs artificial de ctre utilizator
sau furnizat de ctre un alt (sub-)sistem, n timp ce semnalul de ieire apare ntrziat
cu un pas (aa cum arat ecuaiile (6)). Astfel, termenul care depinde direct de
zgomotul alb n (14) poate fi eliminat, ecuaia parametrilor adevrai simplificndu-se:
>
Temenul provine din limba englez, unde parsimonious nseamn srac sau zgrcit. n contextul IS, el
nseamn srac/zgrcit n informaie sau complexitate.
= E{ [n ] T [n ]} E{ [n ] y[n ]} .
(15)
Odat ce valorile adevrate ale parametrilor au fost exprimate (ca n (14) sau,
simplificat, n (15)), valoarea adevrat a varianei zgomotului alb, ( )2 , poate fi
determinat n 2 pai:
1. Se evalueaz media zgomotului alb folosind ecuaia de regresie liniar (4):
E{e[n ]} = E{ y[n ]} E{ T [n ]} .
(16)
2. Se aplic definiia varianei, folosind nc o dat ecuaia (4):
{(
) }.
( ) 2 = E y[n ] T [n ] E{e[n ]}
(17)
Cu excepia informaiei structurale, ecuaiile (14) sau (15) (parametri) i (16)-(17)

(variana zgomotului alb) conduc la determinarea exact a modelului asociat
procesului de identificat atunci cnd s-ar dispune de un numr infinit de realizri sau,
cel puin, de date msurate (cerut de operatorul de mediere statistic).
Cum achiziionarea unui set infinit de date msurate nu este posibil, media
statistic trebuie aproximat folosind nc o dat ipoteza ergodic. n general, media
statistic a unui semnal discret f poate fi aproximat cu ajutorul mediei aritmetice
evaluate pe un orizont finit (dar suficient de larg) de msur:
def
E{ f [n ]} f =
1
N
f [n ] .
(18)
n =1
Consecina direct a ecuaiei (18) o constituie relaiile aproximative de estimare a

parametrilor necunoscui, derivate din (15), (16) i (17):
1
def
1 N
1 N
N = [n ] T [n ] [n ] y[n ] .
N =1
=1
1N4n 4
424443 14n 4
2443
1
rN
RN
def
e=
1
N
(y [ n ]
N
n =1
def
1
[n ]N ; 2N =
N
(y[n ] T [n]N e )
N
(19)
(20)
n =1
Se poate demonstra c estimaia (19) minimizeaz funcia cost definit prin

nsumarea tuturor ptratelor erorilor dintre datele de ieire msurate din proces i cele
simulate cu ajutorul modelului estimat, centrate pe mediile lor. Mai precis:
def
N = arg min VN ( ) , unde: VN ( ) = ( ~y [n ] ~[n ] )2 , S ,

S
(21)
n =1
unde notaiile ~
y i ~ indic centrarea datelor pe medie (adic ~
y y y i
~ ), n timp ce S indic domeniul de stabilitate al modelului matematic.
Forma funciei cost VN a condus la conceptul de identificare/estimare folosind

MCMMP. De notat c funcia cost constituie de asemenea o msur a preciziei
8
Introducere
modelului de identificare propus i, n consecin, poate fi folosit pentru a determina

indicii structurali ai acestuia dupa strategia iterativ amintit.
Se poate arta c estimaia oferit de MCMMP este consistent (adic N i 2N
converg la valorile adevrate , respectiv ( ) 2 , pentru N ) dac matricea RN
este perfect determinist i inversabil, iar e este efectiv un zgomot alb. Aceste
condiii relativ restrictive pot fi relaxate astfel nct consistena s se conserve.
MCMMP constituie un fel de metod-mam din care au luat natere numeroase
alte metode de identificare prin adaptri inspirate de tipul de model utilizat (Metoda
Variabilelor Instrumentale pentru modele ARX, Metoda Minimizrii Erorii de Predicie
pentru modele ARMAX, Metoda Prediciei Optimale pentru modele AR, etc.). Cu toate
acestea, domeniul IS nu se reduce doar la familia de metode generate de MCMMP.
Exist, de exemplu, metode de estimare a strilor prin filtrare Kalman sau metode de
identificare robust n care funcia cost VN este exprimat n mod diferit fa de
definiia (21). Majoritatea covritoare a acestor metode sunt descrise n [SoSt89].
Mdetodologia IS nu poate fi ns un panaceu universal, ci are limitele sale. Mai
mult, utlizatorul trebuie s o utlizeze cu precauie i tiin. Cele mai importante
probleme practice care apar n identificarea unui proces sunt enumerate mai jos.
Selectarea mrimilor ce trebuie msurate. Exist situaii n care mrimi de
importan capital pentru identificarea unui proces nu pot fi msurate n mod
direct, fiind inaccesibile. De exemplu, dac se urmrete determinarea unui
model al vibraiilor unui rulment integrat ntr-un sistem mecanic n vederea
deteciei defectelor sale, este foarte posibil ca senzorii de vibraie
(accelerometrele) s nu poat fi amplasai direct pe carcasa rulmentului.
Amplasarea lor n alte locaii poate conduce la combinarea i/sau interferena
semnalului msurat cu semnale de vibraie produse de alte componente ale
sistemului mecanic, deci la posibile modele matematice inadecvate. Pentru
soluionarea acestei probleme dificile, utilizatorul este nevoit s formuleze o
problem alternativ de identificare sau s extrag informaia despre procesul
studiat din datele msurate n contextul n care se afl amplasat acesta, dac
sunt cunoscute interaciunile dintre diferitele subsisteme ale sistemului global.
Revenind la exemplul rulmentului, o metod de extragere a vibraiei dorite
const n utilizarea unor senzori direcionali, orientarea lor ctre rulment i
folosirea unei metode de atenuare a interferenelor. (O astfel de metod a fost
de exemplu patentat n SUA [CaDL96].) Costul unei astfel de soluii poate fi
ns ridicat, astfel c utilizatorul va fi restricionat de mijloacele de care dispune.
Achiziia i prelucrarea primar a datelor. Procesele identificabile se
caracterizeaz prin seturi de date achiziionate pentru care raportul semnalzgomot (SNR Signal-to-Noise Ratio) are valori rezonabil de mari. Cu alte
cuvinte, zgomotul nu trebuie s domine datele utile. Cu ct SNR este mai mic,
cu att modelul asociat procesului risc s fie mai imprecis i procesul este mai
puin identificabil. Creterea SNR (adic a dominanei semnalului util n faa
zgomotului) se poate realiza ntr-o oarecare msur i printr-o prelucrare
primar a datelor. Aceasta const n principal ntr-o tehnic de atenuare a
zgomotelor (denoising) bazat pe filtrare. Utilizatorul este confruntat aici cu
problema distorsionrii datelor prin alegerea inadecvat a filtrului sau a metodei
de atenuare de zgomot. Din pcate, ntre datele utile i cele parazite nu se
poate trasa o linie de demarcaie clar, astfel c, indiferent de metoda de
9
prelucrare primar utilizat, o parte din datele utile risc s fie eliminate, n timp
ce o parte din datele parazite risc s fie interpretate ca date utile. Pentru
adncirea diferenei dintre datele utile i cele parazite, sunt necesare metode de
prelucrare sofisticate, care complic n mod nedorit algoritmul de identificare. n
consecin, utilizatorul trebuie sa proiecteze cu grij experimentul de achiziie a
datelor, astfel nct SNR s aib valori suficient de mari.
Selectarea unui model matematic adecvat. Aceasta poate fi o problem dificil,
n special cnd utilizatorul este confruntat cu un proces avnd comportament
neliniar pronunat. Modelele uzuale de identificare sunt liniare. O manier de a
aborda neliniaritile const desigur n selectarea de modele neliniare, cu
condiia ca neliniaritile s poat fi caracterizate din punct de vedere
matematic. O alt abordare ar fi bazat pe adaptarea i implementarea unei
reele neuronale. (La baza Teoriei Reelelor Neuronale [DuHa96], [TaI97] se
afl tot MCMMP ca tehnic de optimizare n faza de instruire a reelei.) n fine,
o a treia strategie, mai apropiat de domeniul IS, este utilizarea modelelor
liniare, dar cu parametri variabili n timp, care se auto-adapteaz sistematic, n
funcie de datele achiziionate.
Variabilitatea proceselor n timp. Aceast caracteristic rezult pur i simplu din
faptul c valorile adevrate ale parametrilor variaz n timp. Astfel, se impune
folosirea de modele matematice cu parametri variabili n timp (ca n cazul
neliniaritilor). Problema principal care apare acum este legat de
consistena estimaiilor. De aceast dat, estimaiile parametrilor trebuie nu
numai s tind statistic (adic odat cu mrirea orizontului de msur) la
valorile lor adevrate, ci s le i urmreasc evoluia n timp cu precizie
suficient de mare. Cele dou cerine sunt n mod evident opuse, astfel nct
principalul obiectiv al metodei de identificare utilizate (care nu poate fi dect
iterativ) este s asigure un bun compromis ntre capacitatea de urmrire a
estimaiilor i precizia lor. Un alt compromis care trebuie realizat este cel dintre
adaptablitatea modelului matematic i robusteea sa ca sistem dinamic. Este
binecunoscut faptul ca adaptabilitatea excesiv conduce la pierderea robusteei
sistemelor (adica a capacitii lor de a rejecta cu anumite performane
perturbaiile ce conin ocuri i de a rmne stabile). La rndul ei, robusteea
excesiv conduce la slabe performane de urmrire (adic de adaptabilitate).
Dei succinta prezentare din aceast introducere a focalizat discuia asupra
domeniului IS, ar trebui totui precizat c unele dintre tehnicile de identificare pot fi
ntrebuinate i n scopul prelucrrii semnalelor. n special n cazul n care procesului
studiat nu i se pot pune n eviden semnalele de intrare, informaia despre evoluia sa
se afl codificat n setul de date de ieire, care este o serie de timp. Modelele seriilor
de timp sunt frecvent utilizate n estimarea spectral [OpSc85], [OpWi85], [PrMa96],
predicie [TeSt85], [StD96] sau filtrarea adaptiv [HaS86] aplicaii mai degrab de
PS dect de IS. ns, ntre IS i PS nu se poate trage o linie clar de demarcaie, la
intersecia lor aflndu-se metode i tehnici extrem de moderne i eficiente care
servesc scopurilor ambelor domenii.
Aplicaiile descrise n continuare ofer exemple practice sugestive care s ajute
nelegerea noiunilor teoretice prezentate n diferitele cursuri amintite (n special de IS
i PS) i s sugereze cititorului c, n pofida aparenelor date de aparatul matematic
utilizat, domeniul IS este unul aplicativ.
10
Capitolul 1
Caracterizri n timp i frecven
ale proceselor stocastice
1.1. Analize de proces prin metode ne-parametrice
Obiectivul acestui capitol este de a prezenta cteva aspecte practice legate de
operarea cu modele de identificare ne-parametrice. Aa cum am amintit n
Introducere, modelele ne-parametrice ofer caracterizri (de regul calitative) ale unui
proces stocastic att n domeniul timpului, ct i n cel al frecvenei. n domeniul
timpului, se poate efectua o analiz tranzitorie i/sau o analiz statistic bazat pe
corelaie. n domenul frecvenei, se poate realiza direct o analiz n frecven (de tip
Fourier) i/sau o analiz spectral (statistic). n cadrul capitolului, se pune accentul
pe analizele statistice (de corelaie i spectrale). Vom descrie ns pe scurt i celelalte
tipuri de analize.
A. Analiza tranzitorie
Aceast tip de analiz este specific aplicaiilor de Teoria Sistemelor (TS) i are ca
obiectiv evaluarea performanelor de stabilitate i robustee ale unui sistem plecnd de
la rspunsurile sale la o intrare de tip treapt unitar (rspunsul indicial) sau impuls
unitar (rspunsul cauzal la impuls sau funcia pondere) [IoV85], [StF00]. Graficele din
zona tranzitorie a acestor rspunsuri ofer ns i posibilitatea de a identifica unii
dintre parametrii sistemului liniar asociat (n special pentru sistemele de ordin I sau II).
Este vorba despre constantele de timp dominante ale sistemului i, eventual, ctigul
su (sau factorul de amplificare).
n cazul n care ieirea sistemului este perturbat n mod sensibl de zgomot
nedeterminist, graficul din zona tranzitorie nu mai poate pune n eviden cu uurin
caracteristicile sistemului, fiind necesar evaluarea curbei sale mediane n acest scop.
Modelul tranzitoriu este unul de precizie sczut, chiar i n cazul n care SNR are
valori ridicate, deoarece determinarea caracteristicilor procesului se efectueaz prin
metode grafice. Acest model poate fi utilizat totui ca instrument auxiliar n alegerea
unui model parametric adecvat, deoarece el furnizeaz informaii grosiere preliminare
despre evoluia procesului.
B. Analiza n frecven
n afara rspunsului indicial sau a rspunsului cauzal la impuls, un sistem dinamic
mai poate fi stimulat s rspund n frecven. Aceasta nseamn c semnalul de
intrare este o armonic elementar de pulsaie 0 :
u[n ] = u0 sin( 0n ) , n N .
(22)
Este binecunoscut faptul c rspunsul unui sistem liniar (discret) asimptotic stabil
la intrarea armonic (22) are acceai pulsaie 0 , dar amplitudinea i faza pot fi
diferite (cu faz negativ, datorit ntrzierii intrinseci provocate de sistem):
y[n ] = y0 sin( 0 n + ) , n N .
11
(23)
Aspecte Practice n Modelarea i Identificarea Sistemelor
n acest context, analiza n frecven se bazeaz pe determinarea rspunsului n

frecven al sistemului, care, prin definiie, este TF a funciei pondere h :
def
H (e j ) = F (h )( e j ) = h[n ] e j n , R .
(24)
nZ
Notaia utilizat n definiia (24) nu este ntmpltoare. Dac U i Y sunt

Transformatele Z (TZ) ale semnalelor u , respectiv y , atunci funcia de transfer a
sistemului se obine fie cu ajutorul Teoremei de Convoluie a TZ, fie aplicnd TZ
asupra funciei pondere a sistemului:
y h u
H ( z) =
Y ( z)
= Z ( h )( z ) , z C h = Cu C y .
U ( z)
(25)
n (25), C x denot zona de convergen a TZ (o coroan circular centrat n originea

planului complex) determinat de semnalul discret x (oricare ar fi el). Dac cercul
unitar aparine zonei de convergen C h , atunci rspunsul n frecven al sistemului
corespunde cu TZ a funciei pondere evaluat pe cercul unitar (adic pentru z = e j ,
R ).
Este evident c parametrii y0 i din ecuaia (23) pot fi exprimai prin:
y0 = u0 H ( e j 0 )
i = arg H ( e
j 0
).
(26)
Atunci se pot msura amplitudinile u0 i y0 mpreun cu defazajul pentru diferite

pulsaii 0 , astfel nct rspunsul n frecven s fie trasat grafic folosind egalitile
(26). Msurarea defazajului nu este ntotdeauna o operaie simpl, mai ales n situaia
n care amplitudinile u0 i y0 sunt diferite. Din fericire, defazajul se poate determina i
pe alt cale, n cazul pulsaiilor 2 -raionale 0 = 2 m0 / n0 (cu m0 , n0 N ), folosind
urmtorul algoritm:
1. Se alege un orizont de msur a ieirii pe o durat finit i ntreag,
proporional cu perioada armonicei de intrare: N = 2 km0 / 0 = kn0 , unde
k N este un factor de proporionalitate arbitrar ales.

2. Se multiplic semnalul de ieire y cu sin(0 n ) , respectiv cos(0 n ) , pentru
n 0, N 1 . Se obin 2 semnale:
def
y
y
y
n
[
]
= y[n ]sin( 0 n ) = y0 sin( 0 n + ) sin( 0n ) = 0 cos 0 cos(2 0 n + )
s
2
2
.
def
y
yc [n ] = y[n ] cos( 0n ) = y0 sin( 0n + ) cos( 0n ) = 0 sin + y0 sin(2 0n + )
2
2
(27)
3. Se evalueaz media celor 2 semnale din (27) (sau se integreaz pe durata
0, N 1 ):
12
1. Caracterizri n timp i frecven ale proceselor stocastice
ys = N
yc = 1
y0
cos
2
n =0
.
N 1
y0
=
[
]
sin
y
n
c
2
n =0
N 1
y [n ] =
s
(28)
Rezultatul (28) s-a obinut simplu, innd cont c media unei armonice calculat
pe o durat proporional cu perioada sa este nul.
4. Se evalueaz defazajul direct din (28):
= atan 2
N 1
y[n ] cos( 0 n )
yc
,
= atan 2 nN=01
y s
y[n ]sin( 0n )
n =0
(29)
unde prin atan 2 am notat funcia arc-tangent extins la cele 4 cadrane ale
planului complex (adic innd cont de semnele numrtorului i numitorului).
Aceast tehnic este similar cu trasarea diagramelor Bode sau Nyquist (adic a
hodografului) din TS [StF00].
Din pcate, procedeul anterior (n special algoritmul de mai sus) este extrem de
sensibil la perturbaii nedeterministe. Dendat ce msurtorile sunt afectate de un
zgomot, rspunsul n frecven al procesului poate fi puternic distorsionat.
Att analiza tranzitorie, ct i analiza n frecven sunt tehnici de identificare neparametric utile n cazul proceselor cu o bun rejecie a perturbaiilor sau funcionnd
n condiii de izolare fa de sursele de perturbaii. Dendat ce perturbaiile joac un
rol important n comportamentul unui proces (adic SNR nu poate depi un anumit
prag de exemplu 4, adic semnal de 4 ori mai puternic dect zgomotul), mai potrivite
ar fi urmtoarele 2 tipuri de analiz.
C. Analiza bazat pe corelaie
Am amintit n Introducere despre ecuaia lui Wiener-Hopf (ecuaia (10)). Ea
reprezint exemplul tipic de eliminare a zgmotului alb din datele msurate, prin
1
nlocuirea acestora cu secvene de covarian (sau corelaie ) corespunztoare.
Definiia practic a auto-covarianei este dat de ecuaia (9). n mod similar, se poate
formula definiia practic a covarianei ncruciate.
n general, analiza bazat pe corelaie se desfoar prin evaluarea secvenelor
de auto-covarian i covarian ncruciat ale intrrii i ieirii. Astfel, n cazul
modelelor ARMAX, o ecuaie echivalent exprimat cu ajutorul acestor secvene se
poate obine prin multiplicarea ecuaiei (1) cu u[ n + k ] pentru k 0 i aplicarea
operatorului de mediere statistic:
A( q 1 )ruy [k ] = B ( q 1 ) ru [k ] + C ( q 1 )rue [k ] , k N .
1
(30)
Secvena de corelaie se obine prin normalizarea secvenei de covarian n gama [-1,+1]. Se poate arta
c ruy [ k ] ru [0]ry [0] , k Z i ry [ k ] ry [0] , k Z , folosind o inegalitate de tip Cauchy-BuniakowskiSchwarz [StD9605].
13
De altfel, se poate verifica uor c ecuaia Wiener-Hopf este un caz particular al

ecuaiei (30) pentru modelul de sistem cu rspuns finit la impuls (FIR Finite Impulse
Response), unde A 1 i C 1 , n condiiile n care intrarea nu este corelat cu
zgomotul alb.
Ecuaia (30) (sau oricare dintre cazurile particulare ale ei) constituie punctul de
plecare n analiza bazat pe corelaie. De regul, covariana ncruciat dintre intrare
i zgomotul alb este nul (intrare necorelat cu zgomotul), dar, n special n bucl
nchis, acast prorpietate s-ar putea s nu se verifice. Menionm totui c obiectivul
din acest context nu este determinarea parametrilor modelului de lucru, ci evaluarea
efectiv a secvenelor de covarian i reprezentarea lor grafic. Determinarea
parametrilor modelului face obiectul metodelor de identificare parametric.
D. Analiza spectral
Elementul cheie din desfurarea analizei spectrale l constitue densitatea
spectral de putere, definit n (11). Este cunoscut faptul c densitatea spectral a
ieirii unui sistem dinamic liniar avnd funcia de transfer H poate fi evaluat printr-o
relaie asemntoare ecuaiei (25) (obinut cu ajutorul Teoremei de convoluie, vezi
de exemplu, [OpSc85], [SoSt89], [PrMa96]):
2
y ( ) = H ( e j ) u ( ) , R .
(31)
Practic, (31) arat c spectrul sistemului (amplitudinea rspunsului n frecven)

este factorul care moduleaz densitatea spectral a intrrii. De asemenea, el poate fi
estimat cu ajutorul celor 2 densiti spectrale tot din ecuaia (31).
Insuficiena ecuaiei (31) const n faptul c nu permite i determinarea
argumentului/fazei rspunsului n frecven al sistemului. Pentru aceasta, ar trebui
utilizat densitatea spectral ncruciat dintre intrare i ieire, uy , definit similar cu
u sau y prin aplicarea TF asupra covarianei ncruciate ruy . Astfel, se poate arta
c [StD9605]:
uy ( ) = H ( e j )u ( ) , R ,
(32)
ceea ce conduce la determinarea complet a rspunsului n frecven al sistemului.

Determinarea rspunsului n frecven al sistemului din ecuaia (32) se numete
estimare spectral i necesit estimarea celor 2 densiti spectrale u i uy .
Folosirea definiiilor n vederea estimrii densitilor spectrale este o abordare n care
rezultatul sufer 3 tipuri de erori: prima datorat estimrii secvenelor de covarian
prin formule aproximative, a doua datorat implementrii definiiilor densitilor
spectrale, care apeleaz la versiunea discret a TF, numit i Transformata Fourier
Discret (TFD) [OpSc85], [PrMa96] i a treia datorat unor efecte numerice marginale
cauzate de orizontul finit de msur a datelor. Dac primele dou surse de eroare nu
pot fi atenuate dect prin metode numerice, legat de a treia exist o soluie alternativ.
Astfel, utilizarea datelor de pe un orizont finit de msur este echivalent cu
extragerea unei mulimi finite dintr-un set infinit de date, prin modularea acestuia cu o
fereastr dreptunghiular avnd deschiderea corespunztoare. Efectele numerice
marginale sunt cauzate de flancurile abrupte ale ferestrei dreptunghiulare. Utilizarea
unor ferestre cu flancuri netede poate conduce la atenuarea erorilor marginale, dei
14
orice alt fereastr diferit de cea dreptunghiular introduce distorsiuni la nivelul

datelor msurate.
n PS de asemenea se vorbete despre estimarea spectral, dar prin metode
specifice acestui domeniu (n general bazate pe TFD), fr a apela la conceptul de
sistem. De fapt, estimarea spectral este una dintre cele mai vechi probleme de PS,
numai c n contextul acestui domeniu, se opereaz cu datele msurate n mod direct
i nu cu secvene de covarian. Utilizarea covarianei i a densitii spectrale este
specific domeniului IS, deoarece, n acest context, semnalele cu care se opereaz
sunt n mod aprioric considerate ne-deterministe/stocastice.
Revenind la ecuaiile de transformare (31) i (32), este util s fie reaminit c
demonstrarea lor se bazeaz pe relaii de transformare similare convoluiei, dar n
care intervin secvene de covarian (vezi [SoSt89] i [StD9605]):
ry [k ] = h[ p ] h[ q] ru [k + p q ] , k Z .
(33)
ruy [k ] = h[m ] ru [k m ] , k Z .
(34)
pZ qZ
mZ
n ecuaiile (33) i (34), h este secvena pondere (rspunsul cauzal la impuls) al

sistemului liniar.
1.2. Aspecte practice n analiza proceselor stocastice

A. Procese total neautocorelate zgomotul alb
Cea mai important caracteristic a unei perturbaii stocastice const n faptul c
valorile ei nu pot fi cunoscute sau msurate n mod direct. Este ns posibil
estimarea lor folosind modele matematice adecvate. Un model deterministic precum
v(t ) = sin( t ) este arareori potrivit pentru a caracteriza sau estima valorile unei
perturbaii stocastice. Este mai natural folosirea modelelor statistice pentru
descrierea acestui tip de perturbaii.
Un exemplu simplu de proces stocastic l reprezint aruncarea unei monede.
Ieirile generate de acest proces pot fi asociate mulimii {1,+1} (de exemplu, 1
pentru cap i + 1 pentru pajur). De fiecare dat cnd se efectueaz un experiment de
aruncare a monedei, se obine un set de date de ieire diferit. Secvena de ieire
provenit de la un astfel experiment se numete realizare a procesului aleator.
Deoarece un proces aleator reprezint o ntreag familie de realizri, descrierea
acestuia prin intermediul modelelor deterministe nu este realist, aceste modele fiind
capabile s descrie doar comportamentul unei anumite realizri i nu a ansamblului
de realizri. De aceea s-a apelat, ntr-o prim faz, la modele i tehnici de Statistic,
ele avnd avantajul de a extrage i transfera n domeniul determinist informaia cu
caracter nedeterminist. Aa cum s-a artat n seciunea precedent, dou tipuri de
analize ne-parametrice pot fi utilizate cu succes n descrierea proceselor stocastice:
analiza bazat pe corelaie i analiza spectral. De notat c att funcia de covarian
ct i funcia de densitate spectral sunt entiti deterministe evaluate folosind o
realizare a unui proces nedeterminist.
15
n cazul procesului de aruncare a monedei, caracteristica fundamental const n

faptul c fiecare realizare este independent de celelalte, adic nu exist nici o
corelaie ntre evenimente (adic aruncri ale monedei). n termeni matematici, acest
proces se poate descrie ca o secven de variabile aleatoare independente { y[n ]}nN ,
identic distribuite, de medie nul E{ y[n ]} = 0 i varian unitar ry [0] = y2 = 1 .
Secvena de auto-covarian este deci:
def
1 , pentru k = 0
, k Z .
ry [k ] = E{ y[n ] y[n k ]} = 0 [k ] =
0 , pentru k 0
(35)
Secvena de auto-corelaie corespunztoare aruncrii monedei (35) arat c acest

proces este total neautocorelat (adic obinerea unei valori cap sau pajur n cursul
aruncrii curente nu depinde de valoarea obinut la aruncarea precedent).
Aplicnd TF asupra secvenei de auto-covarian (35) se obine o densitate
spectral y constant i unitar (vezi definiia (11)), ceea ce arat c procesul
conine toate componentele de frecvene. Datorit acestui fapt, procesul se mai
numete i zgomot alb, prin analogie cu urmtoarea experien de Fizic elementar.
Un disc este mpit n 7 sectoare egale, fiecare fiind colorat cu una din culorile
fundamentale ale spectrului luminos: R-rou, O-oranj, G-galben, V-verde, A-albastru,
I-indigo, V-violet, ca n Figura 2.
R
V
O
I
G
A V
Alb
Figura 2. Experimentul obinerii culorii albe din spectrul ROGVAIV.

Culorile sunt ordonate n ordinea descresctare a lungimii de und caracteristice
din spectrul vizibil. Rotirea discului cu o anumit vitez conduce totui la o singur
culoare: alb. Efectul se datoreaz recombinrii culorilor fundamentale care sunt n
mod egal cantitativ prezente pe disc. n mod analog, unui proces cu densitate
spectral constant (adic n care frecvenele culorile sunt n mod egal
reprezentate) i s-a asociat sintagma de zgomot alb.
Dac unuia dintre sectoarele discului i se modific aria, atunci culoarea discului
rotit nu mai rmne alb. n Figura 3, sectorului de culoare roie I s-a mrit suprafaa.
V
I
R
A V
O
G
Roz
Figura 3. Experimentul obinerii unei nuane de roz din spectrul ROGVAIV.

Rezultatul este o nuan de roz pentru discul n rotaie, paleta nuanei depinznd de
proporiile n care sunt reprezentate culorile fundamentale pe disc. Prin analogie, unui
proces stocastic al crei densitate spectral posed cel puin o armonic dominant i
16
se asociaz conceptul de zgomot colorat. Zgomotele colorate se obin n general prin

filtrarea zgomotului alb.
Revenind la densitatea spectral de putere, aria de sub curba acesteia calculat
peste o anumit band de pulsaii/frecvene reprezint energia procesului n acea
band. n particular, variana procesului este proporional cu energia global a
acestuia (vezi relaia de inversiune (12)):
ry [0] = y2 =
1 +
u ( ) d .
2
(36)
Atunci cnd s-a fcut referire la procesul de aruncare a monedei ca un exemplu de

proces generator de zgomot alb (adic al unor secvene aleatoare total
neautocorelate), s-a presupus de asemenea c el genereaz datele respectnd o
anumit distribuie de probabilitate (uniform, n aces caz). Cunoaerea aprioric a
distribuiei de probabilitate asociate unui proces stocastic este ns foarte dificil, dac
nu imposibil. Din fericire, o mare categorie de procese stocastice sunt normal
distribuite, adic dupa o densitate de probabilitate Gaussian:
( y[n ] y ) 2
exp
, n Z ,
2 2
2
def
p ( y[n ]) =
(37)
unde y este media densitii de probabilitate i 2 este dispersia sa (care msoar

deschiderea clopotului lui Gauss). Pentru procesul avnd distribuia de probabilitate
(37) se mai scrie: y N y , 2 (adic y aparine clasei de procese normal
distribuite de medie y i dispersie 2 ). Procesul reprezentat de aruncarea monedei

nu poate fi considerat normal (ci uniform) distribuit, dect n cazul n care moneda
utilizat sau mediul nconjurtor prezint imperfeiuni ce favorizeaz apariia mai
frecvent a unei fee. n acest caz, distribuia este Gaussian, de medie + 1 sau 1
(n funcie de faa monedei care iese mai frecvent n urma aruncrilor). n clasa
N y , 2 se ncadreaz adesea procese cu distribuie de probabilitate necunoscut,
2
pe baza Teoremei Limit Central (TLC) din Statistic .
O bservaie
Dou procese stocastice total neautocorelate i normal distribuite sunt i independente.
Invers, dou procese independente de medie nul sunt total neautocorelate. Aceste
implicaii arat ce legtur exist ntre 2 concepte statistice diferite: neautocorelare i
independen statistic. Independena statistic arat doar c probabilitatea apariiei
simultane a 2 evenimente independente este egal cu produsul probabilitilor de apariie
separat a lor. Procesele independente pot fi corelate dac mediile lor sunt nenule.
B. Zgomote colorate
Identificarea Sistemelor folosind modele neparametrice urmrete s specifice
caracteristicile unui proces aleator cvasi-staionar (adic avnd densitatea spectral
2
Potrivit TLC, un ansamblu cel puin numrabil de procese statistice cu densiti de probabilitate arbitrare
constituie un proces aleator normal distribuit.
17
aproximativ constant n timp) la trecerea printr-un sistem liniar sau filtru cauzal i
stabil, a crui funcie de sistem este raional:
def
H ( q 1 ) =
B ( q 1 )
= h[n ]q n .
A( q 1 ) n 0
(38)
In definiia (38), A i B sunt polinoame (exprimate ca n definiia (3)), iar h este

secvena pondere a filtrului, ca de obicei. Cauzalitatea i stabilitatea se exprim
simplu astfel [OpSc85]:
Cauzalitate: h[n ] = 0 , n < 0 ;
Stabilitate:
h[n] < .
(39)
n0
Cauzalitatea este o proprietate ce determin n mod unic funcia de autocovarian a ieirii (adic a zgomotului colorat) atunci cnd filtrul este stimulat la intrare
cu un zgomot alb. Stabilitatea permite evaluarea rspunsului n frecven al filtrului
(adic asigur existena cercului unitar n zona de convergen a funciei de transfer
TZ a secvenei pondere).
Caracteristicile de interes ale zgomotului colorat sunt media, secvena de autocovarian i densitatea spectral. Am reamintit n paragraful 1.1 relaiile de
transformare ale secvenelor de covarian i densitilor spectrale la trecerea unui
semnal stocastic printr-un sistem liniar (ecuaiile (31)-(34)). Ele permit evaluarea
caracteristicilor semnalului de ieire dac se cunosc deja caracteristicile filtrului.
Pentru identificarea aceasuia, nsa, se procedeaz invers: se observ caracteristicile
semnalelor de intrare i ieire, urmnd ca, pe baza lor, s se determine filtrul ce a
condus la aceste caracteristici.
O clas mare de perturbaii poate fi descris prin filtrarea unui zgomot alb. Aceasta
este echivalent cu utilizarea unui model de identificare de tip ARMA[na,nb], unde
pentru uurina exprimrii, polinomul C al modelului a fost renotat cu B . Urmtoarele
exerciii i probleme de simulare se concentreaz pe cteva exemple de zgomote
colorate produse cu ajutorul unor modele ARMA.
1.3. Exerciii
Exerciiul 1.1
Fie e un zgomot alb de medie nul i varian unitar care stimuleaz intrarea
unui model AR[1]. S se determine secvena de auto-covarian a zgomotului
colorat rezultat, y .
Exerciiul 1.2
Fie e un zgomot alb de medie nul i varian unitar care stimuleaz intrarea
unui model MA[1]. S se determine secvena de auto-covarian a zgomotului
colorat rezultat, y . Dac modelul MA are ordinul nc , s se arate c secvena de
auto-covarian a ieirii are suport finit (adic are un numr finit de valori nenule) i
s se determine dimensiunea maxim a suportului.
18
Exerciiul 1.3
Prin filtrarea unui zgomot alb e de medie nul i varian unitar se obine un
zgomot colorat y cu densitatea spectral:
y ( ) =
0.75
, R .
1.25 cos
(40)
Considernd c filtrul utilizat are funcia de sistem:
H ( q 1 ) =
b1q 1
,
1 + a1q 1
(41)
s se determine cei 2 parametri ai acestuia ( a1 i b1 ). Pot fi ei determinai n mod

unic folosind numai analiza spectral? Evaluai de asemenea variana y2 a
zgomotului colorat.
Exerciiul 1.4
Analiza spectral permite i exprimarea echivalent a modelelor proceselor

stocastice, n scopul simplificrii lor. Aceat tehnic este util de exemplu n cazul
proceselor afectate de mai multe surse de zgomot. Prin definiie, dou modele de
procese stocastice sunt echivalente dac densitile spectrale de putere ale
ieirilor lor sunt identice. Identitatea are loc dac i numai dac secvenele lor de
auto-covarian sunt egale.
Fie un proces ARMA[na,nc]:
A( q 1 ) x[n ] = C ( q 1 )e[n ] , n N ,
(42)
unde ieirea este x , iar variana zgomotului alb e se noteaz prin 2e . S

presupunem c ieirea modelului (42) este la rndul ei afectat de un zgomot alb
aditiv, v , neocrelat cu e , avnd variana 2v . Mai precis, ieirea observabil a
procesului stocastic este:
y[n ] = x[n ] + v[n ] , n N .
(43)
Exprimarea modelului cu dou surse de zgomot este incomod. De aceea, se

caut echivalarea sa cu un model de filtrare exprimat astfel:
y[ n ] =
B ( q 1 )
w[n ] , n N ,
A( q 1 )
(44)
unde w este un unic zgomot alb de varian 2w . Aceast echivalen este ilustrat
n Figura 4. S se determine coeficienii i gradul polinomului necunoscut
B ( q 1 ) = b0 + b1q 1 + L + bnb q nb , precum i variana 2w n funcie de polinoamele
A , C i varianele 2e , 2v , prin echivalarea celor dou modele, n cazul

na = nc = 1 .
19
v
e
C/A
B/A
Figura 4. Dou modele de procese stocastice echivalente.

Este modelul echivalent (44) unic determinat? Generalizai rezultatul pentru valori
arbitrare ale indicilor structurali na i nc .
Indicaie
Se vor determina i apoi egala secvenele de auto-covarian ale ieirilor celor 2 modele,
plecnd de la ecuaiile nedeterministe ale acestora i exploatnd necorelarea zgomotelor.

Se consider urmtoarele 2 filtre de zgomot, cu funcii de sistem de ordin 1 i de
ordin 2 (respectiv):
H 1 ( q 1 ) =
b1q 1
b1q 1 + b2 q 2
1
H
q
(
)
;
,
=
2
1 + a1q 1
1 + a1q 1 + a2 q 2
(45)
Cu ajutorul simulrilor care urmeaz, se vor analiza influenele polilor i zerourilor

asupra funciei de covarian, densitii spectrale i caracteristicilor diferitelor realizri
obinute prin filtrarea unui zgomot alb cu filtrele de tipul (45). Simulrile se bazeaz pe
urmtoarele rutine disponibile, scrise n limbajul MATLAB (i nregistrate pe Discul
Compact ataat):
# ISLAB_1A
Apel: islab_1a(C,A,N,tau_max,nr) ;
Modul de calcul al valorilor adevrate i estimate pentru secvene de autocovarian obinute cu ajutorul unui proces ARMA[1,1]. Sunt trasate graficele
secvenelor obinute. Este de asemenea trasat o realizare a zgomotului
colorat rezultat. Argumentele funciei sunt urmtoarele:
polinomul MA (vector [1 c]);
C
polinomul AR (vector [1 a]);
A
tau_max pivotul maxim al secvenelor de auto-covarian (implicit: 50);
numrul realizrilor de generat (implicit: 1).
nr
Fereastra grafic tipic: Figura 5.
# ISLAB_1B
Apel: islab_1b(x,y,SNR) ;
Modul care simuleaz dependena de SNR a polilor i zerourilor unui model
ARMA[2,2], determinat prin echivalarea sa cu un model AR afectat de 2
zgomote necorelate (ca n Exerciiul 4). Argumentele funciei sunt urmtoarele:
partea real a polilor modelului AR (implicit: 0.5);
x
partea imaginar a polilor modelului AR (implicit: 0.5);
y
SNR raportul semnal-zgomot (implicit: 3).
Fereastra grafic tipic: Figura 6.
20
Covariance
Covariance
functions
Covariancefunctions
functions
111
True
True
True
Estimate
Estimate
Estimate
0.5
0.5
0.5
000
-0.5
-0.5
-0.5
000
555
10
10
10
15
15
15
555
10
10
10
15
15
15
444
20
20
20
25
25
k25
k
30
30
30
35
35
35
40
40
40
45
45
45
50
50
50
20
25
20
25
30
20
25 time30
30
Discrete
35
35
35
40
40
40
45
45
45
50
50
50
k
Realization
Realization
(50
samples)
Realization(50
(50samples)
samples)
222
000
-2
-2
-2
-4
-4
-4
000
Discrete
Discrete time
time
Figura 5. Fereastra grafic tipic a rutinei ISLAB_1A.

Poles
Poles (x)
(x) and
and zeros
zeros (o)
(o)
11
0.5
0.5
00
-0.5
-0.5
-1
-1
-1
-1 -0.5
-0.5 00
0.5
0.5
11
Spectral
Spectral densities
densities
11
10
10
AR
AR
White
Whitenoise
noise
ARMA
ARMA
00
10
10
ARMA
ARMA
White
White
-1-1
10
10
AR
AR
-2-2
10
10 -2-2
10
10
-1-1
10
10
00
10
10
Figura 6. Fereastra grafic tipic a rutinei ISLAB_1B.
21
11
10
10
# NOISE
Apel: noise(operation) ;
Modul de generare i simulare a zgomotelor colorate produse de modelele
stocastice (45). Argumentul funciei (operation) este un ir de caractere din
mulimea urmtoare:
close_noise
close_noise_def
init_noise
move_p
move_z
moved_p
moved_z
moving_p
moving_z
noiseclear
(implicit)
show
system
winit_noise
Fereastra grafic tipic: Figura 7 (interfa grafic prietenoas, care permite
varierea n timp real a polilor i zerourilor).
Figura 7. Fereastra grafic tipic a rutinei NOISE.
22
# D_SPEKTR
Apel: [w,fi]=d_spektrum(A,B,sigma2) ;
Rutin auxiliar de evaluare a spectrului ieirii unui filtru liniar discret stimulat
cu un zgomot alb. Argumentele funciei sunt urmtoarele:
numitorul funciei de transfer a filtrului (polinom);
A
numrtorul funciei de transfer a filtrului (polinom);
B
Sigma2 variana zgomotului alb de la intrare.
Funcia returneaz:
axa pulsaiilor ( );
w
densitatea spectral y a zgomotului colorat (de ieire).
fi
# SPEFAC
Apel: [a,l2]=spefac(r) ;
Rutin auxiliar de rezolvare a Problemei factorizrii spectrale. Aceasta const
n determinarea unui polinom:
def
A( z ) = z n + a1 z n 1 + L + an
i a varianei 2 cu proprietatea:
2 A( z ) A( z 1 ) =
1 n
r[k ](z k + z k ),
2 k =0
(46)
pentru o secven de covarian {r[0], r[1], K, r[n ]} . n mod normal, aceast

problem se poate formula pentru orice secven de numere
{r[0], r[1], K, r[n ]} , cu condiia s fie pozitiv definit, adic verificnd
inegalitatea:
r[k ] r[0] , k 0, n .
(47)
Problema factorizrii spectrale (46) este rezolvat n cazul determinrii unui

model AR[n] atunci cnd este stimulat de un zgomot alb i se cunoate
densitatea spectral de putere a ieirii (deci i secvena de auto-covarian a
ieirii, cu ajutorul formulei de inversiune (12)).
Argumentul funciei spefac este r secvena de (auto-)covarian (vector).
Funcia returneaz:
a coeficienii polinomului AR (vector);
l2 variana zgomotului alb 2 cu care trebuie stimulat modelul AR pentru a
obine la ieire exact secvena de auto-covarian r.
Problema 1.1
Pentru a rezolva punctele urmtoare, se va utiliza funcia NOISE.

1. S se testeze grafic dac filtrul obinut n Exerciiul 1.3 (de tipul lui H1 din
definiia (45)) este corect.
23
2. S se varieze polii filtrului H 2 din definiia (45) i s se comenteze rezultatele

obinute cu ajutorul funciei NOISE.
3. Unde trebuie amplasai polii filtrului H 2 pentru a obine un filtru trece jos?
4. Unde trebuie amplasai polii filtrului H 2 pentru a obine un vrf de rezonan la
= 1 ? Ce se poate spune despre coninutul n frecven al semnalului

analiznd realizrile procesului?
5. Ce efect observai atunci cnd filtrul H 2 are zeroul n vecintatea cercului

unitar?
Problema 1.2
S se utilizeze modulul de simulare ISLAB_1A pentru a simula un proces stocastic

de model ARMA[1,1]. De exemplu, pentru a genera un process de tip AR[1] cu un
singur pol in 0.9, se folosete sintaxa:
islab_1a(1,[1 0.9]) ;
n mod implicit, modulul de simulare alege: N=100, tau_max=50 i nr=1.
1. S se analizeze maniera n care estimaiile funciilor de covarian variaz cu N
(numrul de eantioane) i tau_max (pivotul maximal al secvenei de autocovarian) pentru diferite locaii ale polilor.
2. S se verifice faptul c estimaiile funciilor de covarian tind ctre valorile
adevrate pentru procese de tip AR[1] i MA[1], pe msur ce N tinde ctre
infinit.
3. S se verifice corectitudinea rezultatelor obinute la Exerciiile 1.1 i 1.2.
Problema 1.3
Se consider un proces stocastic asociat unui model AR[2] cu dou surse de

zgomot (ca n contextul Exerciiului 1.4), pe care dorim s l echivalm cu un
proces descris de un model ARMA[2,2], avnd o singur surs de zgomot. Pentru
simulrile care urmeaz, se va utiliza modulul ISLAB_1B.
1. S se analizeze maniera n care variaz polii i zerourile modelului ARMA
atunci cnd variaz SNR. n acest context, SNR este definit prin raportul dintre
variana semnalului util x i variana zgomotului aditiv v (cu notaiile din
Exerciiul 1.4).
2. S se studieze cazurile n care SNR tinde la infinit (semnalul domin zgomotul)
i SNR tinde la zero (zgomotul domin semnalul). S se comenteze
modificrile nregistrate de densitile spectrale.
24
Capitolul 2
Identificarea modelelor ne-parametrice
O succint descriere a modelelor ne-parametrice a fost prezentat n Capitolul 1.
La rndul ei, descrierea face referire la cadrul de lucru conturat n Introducere.
Obiectivul acestui capitol este de a ilustra metodologia uzual folosit n identificarea
ne-parametric. Problemele de simulare propuse pot fi abordate n cadrul mediului de
programare MATLAB, cu ajutorul unor funcii dedicate, aparinnd bibliotecii specializate
n tehnici de IS (numit System Identification toolbox).
Aplicaiile studiate utilizeaz dou modele parametrice pentru a genera datele
utilizate n identificarea neparametric. n acest fel, rezultatele de identificare obinute
(adic diagramele rezultate n urma analizelor ne-parametrice) pot fi uor verificate.
Cele 2 modele sunt: ARX[na,nb] i OE[na,nb] (Output Error model model de tip
eroare de ieire). Ambele aparin clasei ARMAX definit prin ecuaia (1). Mai precis,
ecuaiile celor 2 modele sunt urmtoarele:
ARX[na,nb] : A( q 1 ) y[n ] = B ( q 1 )u[n ] + e[n ] , n N .

OE[na,nb] :
y[ n ] =
B ( q 1 )
u[n ] + e[n ] , n N .
A( q 1 )
(48)
(49)
Polinoamele A i B din ecuaiile (48) i (49) sunt definite n relaiile (3). n ambele
modele, perturbaia e este considerat un zgomot alb Gaussian de medie nul i
varian 2 , necorelat cu intrarea u . Se observ c zgomotul afecteaz ieirile celor
dou sisteme n mod diferit. Pentru sistemul descris de modelul ARX, perturbaia e
apare ca un zgomot de proces, n timp ce pentru sistemul descris de modelul OE,
perturbaia e apare ca un zgomot de msur (i.e. care distorsioneaz ieirea
msurat y ).
Urmtoarele polinoame particulare pot fi utilizate n cadrul simulrilor:
A( q 1 ) = 1 0.8q 1 , B ( q 1 ) = q 1 .
(50)
A( q 1 ) = 1 0.1q 1 0.56q 2 , B ( q 1 ) = 0.5q 1 + 0.3q 2 .
(51)
De asemenea, zgomotul alb va fi generat cu ajutorul funciei MATLAB randn, dispersia

fiind fixat la valoarea 2 = 1 . Pentru a pune n eviden erorile sistematice i
diferenele dintre diferitele metode aplicate, vor fi iniiate 100 de experimente, n urma
crora se vor produce 100 de realizri pentru fiecare model. Dac s-ar lucra cu o
singur realizare, unele rezultate ar putea fi dependente ntr-o msur prea mare de
caracterul aleator al datelor generate.
n aceest capitol, se vor studia trei metode de identificare ne-parametric, pe baz
de: analiz tranzitorie, analiz de corelaie i analiz spectral.
25
2.2. Exerciii
Exerciiul 2.1
Verificai dac cele 2 modele generale (48) i (49) pot fi echivalate, n sensul
definiiei din Exerciiul 1.4.
Exerciiul 2.2
Determinai funciile pondere ale celor 2 sisteme liniare modelate de ecuaiile (48)
i (49) pentru cazul general ARX[1,1] i OE[1,1]. Particularizare: definiiile (50).
Exerciiul 2.3
Deducei relaiile recurente verificate de funciile de auto-covarian ale ieirii n

fiecare din cele 2 modele (48) i (49) pentru cazul particular n care polinoamele
sunt definite ca n ecuaiile (50). Evaluai SNR al celor 2 modele n cazul n care
sunt stimulate cu treapta unitar i comentai rezultatele obinute.
Exerciiul 2.4
Deducei relaiile generale ale densitilor spectrale de putere ale ieirilor celor 2
modele (48) i (49) pentru cazul particular n care polinoamele sunt definite ca n
ecuaiile (50). n acest caz particular, ca i n cazul particular (51), deducei
rspunsurile n frecven ideale ale celor 2 modele (i.e. n absena zgomotului).

Problema 2.1
n cadrul acestei probleme, se va studia analiza tranzitorie. Modelele ARX (48) i

OE (49) vor fi simulate de 100 de ori cu intrarea treapt:
0 , n 9
u[n ] =
1 , n 10,100
(52)
(timp de cel cel mult 100 de perioade de eantionare).

a. S se reprezinte grafic, ntr-o prim fereastr, rspunsul indicial ideal al
modelului ARX (48) & (50) (adic n absena zgomotului) plus prima realizare a
ieirii. ntr-o a doua fereastr, s se traseze media rspunsurilor obinute (n
prezena zgomotului), mpreun cu rspunsul indicial ideal i tubul de
amplitudine a ieirii oferit de deviaia standard, ca n Figura 8. n acest scop, se
vor folosi funciile MATLAB: filter, mean i std. Observai c deviaia
standard trebuie calculat lund n considerare ansamblul statistic al realizrilor
i nu media acestor realizri. Ce rol credei ca are tubul de deviaie standard
astfel ilustrat? Denumii mini-simulatorul pe care l-ai proiectat prin ISLAB_2A.
b. Studiai convergena ieirii la rspunsul indicial ideal variind numrul de
realizri ale procesului ARX n diferite rulri ale mini-simulatorului ISLAB_2A.
Este aparent verificat ipoteza ergodic? (Oferii toate explicaiile necesare.)
26
Figura 8. Exemplu de analiz tranzitorie.

c. Imaginai o tehnic de estimare pe cale grafic a celor 2 parametri a i b ai
modelului ARX (48) & (50), folosind realizrile ieirii (mai precis zona tranzitorie
a acestora).
d. Reluai simulrile pentru modelul OE (49) & (50) (proiectai mini-simulatorul
ISLAB_2B) i comparai rezultatele cu cele ale simulatorului precedent.
e. Generalizai mini-simulatoarele ISLAB_2A i ISLAB_2B pentru cazul unui
model ARMAX[na,nb,nc] (adic proiectai mini-simulatorul general ISLAB_2C)
utiliznd aceeai intrare (52) i un zgomot alb de dispersie unitar. Rulai
simulatorul n cazul modelelor ARX i OE particularizate prin definiiile (51).
Comparai rezultatele celor 2 modele. Pot fi determinai parametrii unui sistem
de ordin 2 (amplificare, supra-reglaj, pulsaie de rezonan), afectat de zgomot,
prin analiz tranzitorie, ca n cazul sistemelor de ordin 1? Dac nu, argumentai
de ce. Dac da, explicai n ce const tehnica de identificare.
Problema 2.2
Aceast problem se refer la analiza pe baz de corelaie. Nucleul acestui tip de

analiz l constituie ecuaia Wiener-Hopf (10) descris n Introducere. Cu ajutorul
acestei ecuaii, se poate determina o mulime finit de valori ale funciei pondere
(rspunsul cauzal la impuls) asociate unui model de sistem cu ieiri corupte de
zgomot. Dorim s determinm primele M = 50 de valori ale funciei pondere
folosind cele 2 modele (48) i (49). Acestea vor fi stimulate cu un SPAB bipolar de
lungime N = 100 . Valorile semnalului de intrare sunt doar 1 i +1. Se vor efectua
100 de experimente.
a. S se reprezinte grafic, ntr-o prim fereastr, funcia pondere ideal a
modelului ARX (48) & (50) (adic n absena zgomotului) plus funcia pondere
27
estimat rezolvnd ecuaia Wiener-Hopf, cu ajutorul datelor de intrare-ieire

corespunztoare primei realizri a procesului. (Folosii Exerciiul 2.2 pentru a
implementa ecuaia general a funciei pondere ideale.) ntr-o a doua fereastr,
s se traseze media estimaiilor obinute (n prezena zgomotului), mpreun cu
secvena pondere ideal i tubul de deviaie standard din jurul mediei, ca n
Figura 9. i n acest caz se vor folosi funciile MATLAB: filter, mean i std.
Denumii mini-simulatorul pe care l-ai proiectat prin ISLAB_2D.
Figura 9. Exemplu de analiz be baz de corelaie.

b. Reluai simulrile pentru modelul OE (49) & (50) (proiectai mini-simulatorul
ISLAB_2E) i comparai rezultatele cu cele ale simulatorului precedent.
c. Modificai mini-simulatoarele ISLAB_2D i ISLAB_2E astfel nct intrarea de
stimul s fie egal cu:
def
u f [n ] =
u0
u[n ] , n N ,
1 0 . 8 q 1
(53)
unde u0 = 1 (0.8) 2 = 0.6 este un factor de normare menit s egaleze

varianele lui u (semnalul SPAB original) i u f (versiunea filtrat a semnalului
SPAB). Denumii noile mini-simulatoare prin ISLAB_2F i ISLAB_2G,
respectiv. Observai c, de aceast dat, estimaia secvenei pondere pare a fi
deviat n ambele cazuri. Care credei c este cauza acestei proprieti
nedorite?
d. Pentru a diminua deviaia estimaiei secvenei pondere, se pot aplica 2 tehnici
de baz: pre-albire de date sau idealizarea matricii de auto-covarian a intrrii.
28
Pre-albirea datelor. Funcia MATLAB cra efectueaz analiza be baz de

corelaie nsoit de pre-albirea datelor, dac utilizatorul o dorete. Aceast
operaie const n filtrarea datelor de intrare-ieire cu ajutorul unui filtru IIR
de tip AR[na]. Implicit, ordinul filtrului este na = 10 , dar utilizatorul poate
specifica propria sa opiune n acest scop. Albirea datelor (mai ales de
intrare) conduce la diminuarea deviaiei estimaiei. n general, aceast
tehnic este utilizat atunci cnd nu se cunosc suficiente informaii despre
maniera n care a fost generat intrarea.
Apelul tipic al funciei cra este:
[ir,R,cl] = cra(data,M,na,plot) ;
unde: data este blocul de date msurate (2 coloane: [y u]);
M
este numrul de valori ale secvenei pondere ce trebuie

estimate (implicit: M=20);
na
este ordinul filtrului de albire IIR-AR (implicit: na=10); dac

nu se dorete pre-albirea datelor, se poate seta na=0;
plot
este un parametru de afiare grafic; implicit: plot=1, care

indic trasarea graficului funciei pondere estimate; alte
opiuni recunoscute sunt: plot=0 (trasarea de grafice este
inhibat) i plot=2 (se traseaz graficele tuturor funciilor
de corelaie implicate);
este rspunsul cauzal la impuls (funcia pondere) estimat();
ir
R
cl
este o matrice care conine urmtoarele informaii de

corelaie: pe prima coloan se afl pivoii funciilor de
covarian; pe coloana a doua se afl valorile secvenei de
covarian a ieirii (dup pre-albire, dac a fost cazul); pe
coloana a treia se afl valorile secvenei de covarian a
intrrii (dup pre-albire, dac este cazul); aceste secvene
pot fi i direct trasate grafic prin apelul: cra(R);
este nivelul de ncredere al estimaiei funciei pondere.
Idealizarea matricii de auto-covarian a intrrii. Dac utilizatorul este la

curent cu metoda de generare a intrrii i poate evalua secvena sa de
auto-covarian, atunci matricea ecuaiei Wiener-Hopf (adic matricea (8)
din Introducere) poate fi implementat direct. n acest context, rezolvarea
ecuaiei (care presupune totui estimarea corelaiei ncruciate dintre
intrare i ieire) conduce la estimaii cu deviaie diminuat.
Folosind fiecare dintre cele 2 tehnici anterioare, s se modifice minisimulatoarele ISLAB_2F i ISLAB_2G pentru a testa diminuarea deviaiei
estimaiei n cazul intrrii (53). n cazul celei de-a doua tehnici, se va evalua
nti secvena de auto-covarian a intrrii n form complet. Pentru a construi
matricea de auto-covarian a intrrii, se poate folosi funcia MATLAB toeplitz
(avnd n vedere c aceast matrice este de tip Toeplitz simetric). Denumii
mini-simulatarele obinute prin ISLAB_2H i ISLAB_2I (pentru modelul ARX)
i ISLAB_2J i ISLAB_2K (pentru modelul OE).
29
Problema 2.3
Ultimul tip de analiz, cea spectral, va fi ilustrat n contextul acestei probleme.

Prin analiza spectral se urmrete estimarea rspunsului n frecven al unui
proces furnizor de date, folosind ecuaia (32) din Introducere. Ecuaia poate fi
rezolvat dac se estimeaz mai nti densitatea spectral a intrrii ( u ) i
densitatea spectral ncruciat a intrrii i ieirii ( uy ). Funcia MATLAB care
efectueaz analiza spectral plecnd de la date msurate este spa. Apelul tipic al
acesteia este:
H = spa(data,M,w) ;
unde: data este blocul de date msurate (2 coloane: [y u]);
M
este dimensiunea ferestrei Hamming aplicate datelor (implicit:

M = min(length(data)/10,30));
este vectorul nodurilor de frecven unde se dorete estimat

rspunsul n frecven al sistemului;
este rspunsul n frecven al sistemului.
De notat c fereastra Hamming este una dintre cele mai convenabile pentru
estimarea spectral, avnd expresia:
W [n ] = 0.54 0.46 cos
2 n
, n N ,
M 1
(54)
unde M este deschiderea ferestrei, aa cum se poate vedea n Figura 10.

Hamming
Hamming
1.5
1.5
11
0.5
0.5
00
-0.5
-0.5
00
50
50
100
100
Figura 10. Fereastra spectral a lui Hamming.

Mini-simulatorul ISLAB_2L (al crui listing este prezentat n seciunea urmtoare)
a fost proiectat pentru efectuarea analizei spectrale a modelului ARX (48) & (50), n
cazul n care sistemul este stimulat cu intrarea u f (definiia (53) din problema
precedent). Diagrama Bode afiat de funcia ISLAB_2L este comparat cu
rspunsul n frecven ideal dedus direct din ecuaia modelului (48) (vezi Exerciiul
2.4), ca n Figura 11.
a. Efectuai cteva simulri cu diferite valori ale deschiderii ferestrei ( M ) pentru
a observa influena acestui parametru asupra calitii estimaiei i a propune o
valoare rezonabil a lui.
b. nlocuii semnalul de stimul u f din mini-simulatorul ISLAB_2L cu un zgomot
alb (sau un SPAB). Denumii noul simulator prin ISLAB_2M i repetai
30
experimentul de la punctul precedent. Comparai rezultatele celor 2 minisimulatoare ISLAB_2L i ISLAB_2M pentru cele mai bune valori ale
deschiderii ferestrei Hamming gsite n fiercare caz.
c. Proiectai mini-simulatoarele ISLAB_2N i ISLAB_2O inspirate de cele 2 minisimulatoare anterioare, dar pentru modelul OE (49) & (50). Efectuai din nou o
analiz comparativ.
d. Proiectai mini-simulatoarele ISLAB_2P, ISLAB_2Q, ISLAB_2R i ISLAB_2S
inspirate de cele 4 mini-simulatoare anterioare, dar pentru modelele ARX (48)
& (51) i OE (49) & (51). Repetai analiza comparativ.
Figura 11. Exemplu de analiz spectral.

Comentarii privind proiectarea mini-simulatorului ISLAB_2L.
Rutina ISLAB_2L utilizeaz att cteva funcii MATLAB (versiunea 6.*) dedicate n
special domeniilor IS i TS, ct i tipuri de structuri de date specifice domeniului IS
(definite ca obiecte n biblioteca System Identification a mediului de programare).
Dou astfel de structuri au fost create i exploatate n cadrul rutinei, dup cum este
explicat n continuare.
D este structura datelor de intrare-ieire generate folosind ecuaiile modelului
ales. Structura este creat cu ajutorul funciei (metodei) constructor iddata
asociat obiectului IDDATA (date de identificare). Cele 2 matrici de date u (de
intrare) i y (de ieire) au dimensiunile identice: N linii i nr coloane. Fiecare
din cele nr experimente (realizri) ocup cte o coloan cu N perechi de date
intrare-ieire). Datele se regsesc n cmpurile D.u i D.y ale structurii D.
Structura este mult mai complex i se compune din urmtoarele cmpuri:
31
Domain: ''Time'/'Frequency''
Name: 'String'
OutputData: [1x37 char]
y: 'Same as OutputData'
OutputName: 'Ny-by-1 cell array of strings'
OutputUnit: 'Ny-by-1 cell array of strings'
InputData: [1x36 char]
u: 'Same as InputData'
InputName: 'Nu-by-1 cell array of strings'
InputUnit: 'Nu-by-1 cell array of strings'
Period: [1x51 char]
InterSample: [1x36 char]
Ts: [1x54 char]
Tstart: 'Scalar (Starting time)'
SamplingInstants: [1x51 char]
TimeUnit: 'String'
ExperimentName: [1x43 char]
Notes: 'Cell array of strings'
UserData: 'Arbitrary'
H este structura datelor reprezentnd rspunsul n frecven estimat folosind
funcia MATLAB spa (despre care am amintit). Rspunsurile n frecven
estimate folosind datele D se regsesc n blocul tri-dimensional
estimaie se
afl n
vectorul
H.ResponseData, astfel: prima
H.ResponseData(1,1,:), a doua estimaie se afl n vectorul
H.ResponseData(2,2,:), etc. Sunt nr estimaii n total. Fiecare estimaie
conine K date cu valori complexe (partea real i partea imaginar a
rspunsului n frecven). Numrul K figureaz printre argumentele funciei
ISLAB_2L i reprezint numrul de noduri (echidistante) de frecven n care
se doresc estimate valorile rspunsului n frecven. Ca i n cazul structurii de
date, structura rspunsului n frecven este mai complex, incluznd
urmtoarele cmpuri (din care se constat c funcia specializat spa poate
oferi numeroase informaii spectrale sau de corelaie referitoare la datele
msurate i zgomot):
Name: 'string'
Frequency: [1x48 char]
ResponseData: [1x40 char]
SpectrumData: [1x38 char]
CovarianceData: [1x62 char]
NoiseCovariance: [1x57 char]
Units: '['rad/s'|'Hz']'
Ts: 'scalar'
InputDelay: 'Nu-by-1 vector'
EstimationInfo: 'structure'
32
InputUnit:
OutputUnit:
Notes:
UserData:
Version:
Utility:
'Nu-by-1 cell array of strings'

'Ny-by-1 cell array of strings'
'Array or cell array of strings'
'Arbitrary'
'Internal Use'
'Internal Use'
Axa celor K noduri de frecven (notat cu f n cadrul rutinei ISLAB_2L) a fost

generat cu ajutorul funciei Matlab logspace, n scar logaritmic, ntre 102 i .
Rspunsul ideal n frecven al modelului de identificare a fost generat folosind funcia
MATLAB dbode din cadrul bibliotecii Control (adic dedicat domeniului TS). Aceasta
returneaz magnitudinea i faza rspunsului n frecven (cu care se poate trasa
diagrama Bode a sistemului de unde i denumirea funciei). n acest scop, se
folosesc axa de frecvene f i perioada de eantionare Ts setat la valoarea 1 n
cadrul rutinei ISLAB_2L. De notat c att axa de frecvene ct perioada de eantionare
se regsesc n cele 2 structuri de date descrise mai sus.
Dac numrul de realizri considerat (nr) este mare, funcia spa devine (mare)
consumatoare de timp, deoarece ea a fost proiectat s estimeze rspunsul n
frecven pentru fiecare pereche de seturi date de intrare i de ieire, nu numai pentru
intrrile i ieirile care corespund ntre ele. De exemplu, pentru 100 de realizri,
funcia spa returneaz 10000 de estimaii ale rspunsului n frecven (adic
100100), n loc de 100. Cele 100 estimaii corecte se regsesc totui pe diagonala
structurii H, cum am explicat mai sus. Rutina ISLAB_2L evit acest efect prin
specificarea clar a fiecrei perechi de seturi de date intrare-ieire corespondente.
Graficele magnitudinii i fazei au fost trasate n axe logaritmice, pentru a scoate n
evidena erorile de estimare. Aa cum i Figura 11 o ilustreaz, estimaiile sunt mai
puin precise la frecvene nalte, deoarece semnalul de intrare a fost generat prin
filtrarea de joas frecven a unui SPAB. Mini-simulatorul ISLAB_2M (proiectat s
lucreze cu un zgmot alb) ar trebui s corecteze acest defect.
33
Capitolul 3
Identificare parametric
prin Metoda Celor Mai Mici Ptrate
Obiectivul acestui capitol este de a familiariza utilizatorii cu metoda fundamental a
domeniului IS, adic MCMMP (descris succint n Introducere). Pentru atingerea
acestui scop, se pleac de la contextul de lucru definit n Capitolul 2. Mai precis,
modelele de proces ARX (48) i OE (49) vor fi determinate cu ajutorul MCMMP n
cazurile particulare (50) i:
A( q 1 ) = 1 0.4q 1 0.32 q 2 , B ( q 1 ) = 0.5q 1 + 0.03q 2 .
(55)
n cazul particular (55), se poate constata cu uurin c fiecare polinom posed cte o
rdcin parazit (adic de magnitudine sensibil mai mic dect cealalt rdcin sau
dect unitatea).
Datele experimentale necesare estimrii parametrilor necunoscui, adic
D = {u[n ]}n =1, N { y[n ]}n =1, N , vor fi generate cu ajutorul modelelor avnd parametri
adevrai i diferite intrri (n principal u i u f din Problema 2.2). Zgomotul de
proces, e , este, ca de obicei, alb Gausian de dispersie unitar ( 2 = 1 ). Dispersia
zgomotului va fi de asemenea estimat folosind MCMMP. n cadrul problemelor de
simulare, se vor efectua cte 100 de experimente de identificare (ca n cazul
problemelor din Capitolul 2), n timp ce dimensiunea orizontului de msur va fi
N = 100 .
3.2. Exerciii
Exerciiul 3.1
Determinai ecuaiile de estimare a parametrilor necunoscui (coeficieni i
dispersie zgomot alb) pentru modelului ARX (48) & (50), n form complet,
folosind relaiile (19) i (20) caracteristice MCMMP. Evaluai limitele teoretice ale
parametrilor pentru o colecie infinit de date. n ce condiii parametrii estimai sunt
consisteni (adic tind la valorile adevrate)?
Exerciiul 3.2
Determinai ecuaiile de estimare a parametrilor necunoscui (coeficieni i
dispersie zgomot alb) pentru modelului ARX (48) & (55), folosind MCMMP.
Exerciiul 3.3
Este posibil utilizarea MCMMP pentru a determina parametrii modelului OE (49) &
(50)? Dac nu, argumentai rspunsul. Dac da, determinai ecuaiile de estimare a
parametrilor necunoscui (coeficieni i dispersie zgomot alb), folosind MCMMP.
Tot n acest caz, studiai consistena estimaiilor.
34
3. Identificare parametric prin MCMMP
Exerciiul 3.4
Este posibil utilizarea MCMMP pentru a determina parametrii modelului OE (49) &
(55)? Dac nu, argumentai rspunsul. Dac da, determinai ecuaiile de estimare a
parametrilor necunoscui (coeficieni i dispersie zgomot alb), folosind MCMMP.
Indicaie
Pentru a testa identificabilitatea modelelor OE, se recomand exprimarea ecuaiei (49)
ntr-o form echivalent de ecuaie cu diferene, n care fiecare parametru necunoscut
apare ca factor ntr-un singur termen. n acest fel, se poate observa cum ieirea
modelului este direct afectat de zgomotul alb.

Problema 3.1
Se studiaz influena semnalului de intrare asupra calitii estimaiei oferite de
MCMMP pentru modelele ARX (48) & (50), respectiv (48) & (55). Aceste modele
vor fi stimulate de cte 100 de ori cu fiecare din cele 2 intrri ale Problemei 2.2
(adic u un SPAB bipolar de lungime 100, avnd doar valorile 1 sau +1 i u f
un semnal de joas frecven generat ca n (53), prin filtrarea semnalului u ). Dup
achiziia datelor de intrare-ieire D = {u[ n ]}n =1,100 { y[n ]}n =1,100 , se vor
implementa relaiile de calcul ale estimaiilor parametrilor necunoscui din
Exerciiile 3.1 i 3.2. Estimaiile parametrilor vor fi mediate peste ansamblul celor
100 de realizri i li se va calcula deviaia standard. Cele 4 mini-simulatoare
obinute vor fi denumite prin: ISLAB_3A (model ARX[1,1] & intrare u ), ISLAB_3B
(model ARX[1,1] & intrare u f ), ISLAB_3C (model ARX[2,2] & intrare u ) i
ISLAB_3D (model ARX[2,2] & intrare u f ).
a. Pentru fiecare mini-simulator, s se reprezinte grafic ntr-o figur erorile de
estimare a rspunsului n frecven dup cum urmeaz.
n prima fereastr va fi trasat graficul erorii de estimare a amplitudinii
rspunsului n frecven, adic media amplitudinii diferenei dintre
rspunsul n frecven ideal (n absena zgomotului) i rspunsurile n
frecven obinute din cele 100 de realizri (dup estimarea parametrilor
necunoscui). Tubul de dispersie a amplitudinii se va evalua ca n
problemele din Capitolul 2 pentru fiecare eroare de estimare i se va trasa
pe acelai grafic.
n a doua fereastr va fi trasat graficul erorii de estimare a fazei rspunsului
n frecven, adic media fazei diferenei dintre rspunsul n frecven ideal
(n absena zgomotului) i rspunsurile n frecven obinute din cele 100
de realizri (dup estimarea parametrilor necunoscui). Se va evalua tubul
de dispersie a fazei pentru fiecare eroare de estimare i se va trasa pe
acelai grafic.
ntr-o a doua figur vor fi trasate graficul dispersiei estimate a zgomotului, (care
este obinut n fiecare realizare a procesului) i graficul valorii adevrate a
35
dispersiei zgomotului ( 2 = 1 ). Afiai n cadrul figurii valorile parametrilor

adevrai i media valorilor parametrilor estimai (calculat peste ansamblul
realizrilor). Un exemplu este ilustrat n Figurile 12 i 13.
Figura 12. Exemplu de afiare a erorii de estimare cu MCMMP (rspuns n frecven).
Figura 13. Exemplu de afiare a erorii de estimare cu MCMMP (dispersie zgomot).

36
3. Identificare parametric prin MCMMP
Pentru determinarea rspunsurilor n frecven se va utiliza funcia MATLAB

dbode (ca n cadrul problemelor de simulare din Capitolul 2). Nu va fi n nici un
caz utilizat funcia de analiz spectral spa, deoarece rspunsul n frecven
estimat se va obine prin combinaia dintre MCMMP i dbode. De asemenea,
n cazul modelului ARX[2,2], funciile de covarian implicate de relaiile de
estimare ale MCMMP pot fi evaluate cu precizie ridicat folosind funcia MATLAB
xcov, dac este utilizat cu atenie.
b. Comentai rezultatele obinute la punctul precedent. Observai influena tipului
de intrare asupra estimrii rdcinilor parazite din modelul particular (48) &
(55). Dac acest proces nu va putea fi stimulat dect cu intrri de joas
frecven, cum credei c s-ar putea estima (fie i imprecis) rdcinile parazite?
Problema 3.2
Dac ai ajuns la concluzia c modelele OE (49) & (50), respectiv (49) & (55) ar
putea fi identificate cu ajutorul MCMMP, reluai Problema 3.1 pentru cazul acestor
modele. Denumii mini-simulatoarele obinute prin ISLAB_3E (model OE[1,1] &
intrare u ), ISLAB_3F (model OE[1,1] & intrare u f ), ISLAB_3G (model OE[2,2] &
intrare u ) i ISLAB_3H (model OE[2,2] & intrare u f ).
Problema 3.3
Generalizai mini-simulatoarele anterioare i denumii noile rutine prin ISLAB_3I
(pentru modele ARX[na,nb]) i, dac este cazul, ISLAB_3J (pentru modele
OE[na,nb]). n acest scop, se poate utiliza funcia de bibliotec IS MATLAB numit
arx. Apelul tipic al acestei rutine este urmtorul:
theta = arx(D,si) ;
unde: D este structura datelor de intrare-ieire, de regul creat cu ajutorul
funciei (metodei) constructor asociat obiectului IDDATA (vezi
comentariile privind proiectarea mini-simulatorului ISLAB_2L din finalul
Capitolului 2);
si este vectorul indicilor structurali i al ntrzierii modelului:
si = [na nb nk],
unde na este ordinul componentei AR, iar nb+nk este ordinul
componentei X; practic, nk este numrul de coeficieni nuli ai
polinomului B , pn la primul coeficient nenul de grad minim (adic
ntrzierea intrinsec a modelului); urmeaz cei nb coeficieni nenuli.
Argumentul de ieire theta este la rndul su un obiect de tip IDPOLY (polinom de
identificare n cazul modelelor SISO) sau IDMODEL (model general de
identificare n cazul modelelor MIMO). Un obiect IDMODEL conine cmpurile:
a: 'A-polynomial (row vector)'
b: 'B-polynomial (row vector)'
c: 'C-polynomial (row vector)'
d: 'D-polynomial (row vector)'
f: 'F-polynomial (row vector)'
da: 'standard deviation of a (scalar)'
37
db:
dc:
dd:
df:
na:
nb:
nc:
nd:
nf:
nk:
InitialState:
Name:
Ts:
InputName:
InputUnit:
OutputName:
OutputUnit:
TimeUnit:
ParameterVector:
PName:
CovarianceMatrix:
NoiseVariance:
InputDelay:
Algorithm:
EstimationInfo:
Notes:
UserData:
'standard deviation of b (scalar)'

'standard deviation of c (scalar)'
'standard deviation of d (scalar)'
'standard deviation of f (scalar)'
'order of A-polynomial (scalar)'
'order of B-polynomial (scalar)'
'order of C-polynomial (scalar)'
'order of D-polynomial (scalar)'
'order of F-polynomial (scalar)'
'delay of B-polynomial (scalar)'
[1x45 char]
'string'
'sample time in seconds (scalar)'
'string'
'Np-by-1 vector'
'Np-by-1 cell array of strings'
'Np-by-Np matrix'
'Ny-by-Ny matrix'
'Nu-by-1 vector'
[1x38 char]
[1x39 char]
'Array or cell array of strings'
'Arbitrary'
Evident, polinoamele A i B se regsesc n cmpurile: theta.a, respectiv

theta.b. n theta.b sunt salvai att coeficienii nenuli ct i cei nuli (datorai
ntrzierii intrinseci) ai polinomului B . Ordinele polinoamelor sunt memorate n
theta.na, respectiv theta.nb, iar ntrzierea intrinsec n theta.nk.
38
Capitolul 4
Identificare parametric prin
Metoda Variabilelor Instrumentale
A. Metoda Variabilelor Instrumentale
Una dintre primele metode de identificare concepute plecnd de la MCMMP a fost
Metoda Variabilelor Instrumentale (MVI). Aceasta este de regul folosit n contextul
modelelor ARX, dar poate fi adaptat i pentru alte modele (de exemplu OE sau chiar
ARMAX). n forma ei general, estimaia oferit de MVI este urmtoarea (sugerat de
estimaia dat de MCMMP vezi ecuaia (19) din Introducere):
def
N = z[n ] T [n ] z[n ] y[n ] ,
N n =1
N n =1
(56)
unde vectorul instrumentelor (sau al variabilelor instrumentale) z[n ] Rn poate fi

construit de ctre utilizator la fiecare moment de timp normalizat n N (n funcie de
tipul modelului de identificare cu care se opereaz). Ecuaia (56) trebuie completat
cu ecuaiile (20) referitoare la zgomot.
Diferena fundamental dintre ecuaiile (19) i (56) const n faptul c estimaia
(19) oferit de MCMMP a rezultat n urma rezolvrii problemei de optimizare (21), n
timp ce estimaia (56) oferit de MVI este pur i simplu o definiie. n mod evident, se
pune atunci problema corectitudinii definiiei i consistenei estimaiei rezultate. Se
poate arta c estimaia (56) este bine definit i consistent dac vectorul
instrumentelor este ales astfel nct:
E{z[n ] T [n ]} este inversabil i E{z[n ]e[n ]} = 0 .
(57)
De notat c, spre deosebire de MCMMP, (57) arat c n MVI nu este absolut

necesar ca zgomotul e s fie alb (poate fi i colorat), cu condiia ca el s nu fie corelat
cu instrumentele vectorului z . De altfel, n cazul modelelor ARX, se poate arta c
estimaia oferit de MVI este consistent n urmtoarele condiii: modelul este
parsimonios (adic polinoamele A i B sunt coprime) i intrarea u este un zgomot
alb necorelat cu zgomotul (nu neaprat alb) e . Acest rezultat arat superioritatea MVI
asupra MCMMP, n cazul modelelor ARX: nu e necesar s presupunem c zgomotul
de proces este alb, n schimb procesul trebuie stimulat cu o intrare fabricat artificial
care s aproximeze zgomotul alb.
Vectorul instrumentelor poate fi ales n mai multe moduri, n funcie de modelul de
lucru. n cazul modelelor ARX, dou alegeri sunt frecvente:
def
z[n ] = [u[n 1] u[n 2] L u[n na nb]] .

T
39
(58)
i:
def
z[n ] = u f [n 1] u f [n 2] L u f [n na ] | u[n 1] u[n 2] L u[n nb]
, (59)
unde u f este un semnal obinut prin filtrarea intrrii, adic:
D ( q 1 )
u[n ] , n N .
C ( q 1 )
def
u f [n ] =
(60)
n definiia (60), polinoamele C i D se aleg fie simplu, de forma: C ( q 1 ) = 1 ,
D ( q 1 ) = q nd (cu nd N o ntrziere fixat), fie, mai sofisticat, de exemplu identice

cu polinoamele A , respectiv B estimate folosind MCMMP.
B. Criterii de alegere a structurii modelelor
Condiia de parsimonie exprimat printre cerinele suficiente de consisten a
estimaiei oferite de MVI se poate ndeplini printr-un proces iterativ de mbogire a
structurii modelului (plecnd de la modelul cel mai simplu), aa cum a fost descris n
Introducere. Criteriile uzuale de evaluare a erorii dintre model i proces (care conduc
la determinarea indicelui structural optim) sunt descrise n continuare.
a. Criteriul aplatizrii erorii ptratice. n mod normal, modelul de identificare cu
indicele structural n este un caz particular de model cu indicele structural
n + 1 . n acest fel, se poate utiliza funcia criteriu din (21), adic:
def N
VN ( ) =
(~y [n ] ~[n] )2 ,
S ,
(61)
n =1
unde: ~
y y y , ~ (datele se centreaz pe medie), iar S este
domeniul de stabilitate al modelului matematic. Teoretic, funcia criteriu:
def
( )
A N [n ] = VN N = N2N [n ] , n N ,
(62)
descrete odat cu mrirea dimensiunii estimaiei N (adic n ). n definiia

(62), am renotat dispersia estimat a zgomotului 2N prin 2N [ n ] , pentru a
pune n eviden dependena de indicele structural n .
Practic, ns, aa cum este sugerat n Figura 14(a), valoarea lui A N [ n ]

descrete pn la un anumit indice structural n max , dup care ncepe s
creasc, n principal din dou cauze: acumularea erorilor de calcul i
particularizarea prea accentuat a modelului la cazul datelor msurate. n
aceste condiii, indicele structural optim n opt este indicat de intrarea n zona
de aplatizare (adic de palier) a graficului lui A N . Astfel, indicele structural
optim este selectat n funcie de dispersia zgomotului, care este invers
40
4. Identificare parametric prin MVI
proporional cu precizia modelului. Dendat ce nu se mai obine o scdere

semnificativ a acestei dispersii, adic o cretere semnificativ a preciziei
modelului, este inutil mrirea complexitii acestuia.
AN
FPE N
n opt
n max n
AIC N
(a)
n opt
(b)
n opt
(c)
Figura 14. (a) Criteriul aplatizrii erorii ptratice. (b) Criteriul FPE. (c) Criteriul AIC.
Un criteriu nrudit cu A N este L N , definit ca determinant al matricii de
covarian a erorilor de predicie cu un pas (exprimate mai jos, n ecuaia (70)).
n literatur, L N se mai numete i funcie de pierdere (loss function).
b. Criteriul descreterii relative normalizate. Un criteriu alternativ se bazeaz pe
Testul F din Statistic, care exprim ctigul relativ de precizie nregistrat odat
cu creterea complexiti modelului:
def
F N [ n ] =
2N [n ] 2N [n + 1]
, n N ,
2
N [n + 1]
(63)
Astfel, indicele structural optim este cel mai mic indice pentru care
F N [n ] 4 / N . Acest test arat c precizia trebuie s nregistreze un ctig
suficient de mic n raport cu o valoare stabilit n mod adaptiv, n funcie de
dimensiunea orizontului de msur, pentru a stopa creterea complexitii
modelului. Criteriul este util mai ales n cazul n care variaia dispersiei
zgomotului cu n prezint un palier (ca n Figura 14(a)). n acest fel, spre
deosebire de cazul criteriului precedent, aici alegerea indicelui structural optim
se poate efectua ntr-o manier automat, nesubiectiv.
c. Criteriul de penalizare FPE (Final Prediction Error). Existena unui palier la
nivelul dispersiei de zgomot este n general nedorit. Mai precis ar fi
determinarea indicelui structural optim dintr-o gam ngust de valori.
ngustarea intervalului n care se afl indicele structural optim se poate realiza
prin aplicarea unei penalizri asupra dispersiei zgomotului. Criteriul FPE (adic
al erorii finale de predicie) propune o penalizare cu factorul
( N + n ) /( N n ) , ca mai jos:
def
N + n
FPE N [n ] = 2N [n ]
, n N ,
N n
(64)
Efectul penalizrii este ilustrat n Figura 14(b), unde se observ ngustarea

suportului palierului zonei de optim, dei, n general, o uoar aplatizare
41
persist. n acest caz indicele structural optim rezult efectiv prin rezolvarea
urmtoarei probleme de minimizare:
n opt = arg min FPE N [n ] .

n N
(65)
d. Criteriile lui Akaike-Rissanen. Pentru a pune n eviden i mai precis indicele

structural optim al modelului matematic ales, cercettorul japonez H. Akaike a
propus n [AkH69] aplicarea unei penalizri de tip logaritmic asupra dispersiei
zgomotului:
def
AIC N [n ] = ln 2N [n ] +
2 n
, n N .
N
(66)
Este bine tiut faptul c aplicarea logaritmului conduce la ascuirea extremelor

unei funcii (dar i la apariia unor extreme locale ascunse). Figura 14(c)
sugereaz acest efect. ntre criteriile FPE (64) i AIC (66) exist o legtur, aa
cum o demonstreaz Exerciiul 4.1. (De altfel, criteriul FPE a fost propus tot de
ctre Akaike.) Ambele criterii tind totui s supra-parametrizeze modelul ales,
n timp ce criteriul aplatizrii i Testul F tind s l sub-parametrizeze. Akaike
propune o generalizare a criteriului su, menit s corecteze efectul supraparametrizrii:
2 n
GAIC N [n ] = ln 2N [n ] +
N , n N .
N
def
(67)
n definiia (67), factorul de corecie N > 1 poate fi ales astfel: N [2,4]

(independent de N ) sau N {ln( N ) , ln(ln( N ))} (adaptiv, n funcie de N ).
O alt generalizare a criteriului AIC, tot de tip adaptiv, a fost propus de ctre
cercettorul finlandez J. Rissanen n [RiJ78]: N = ln( N ) . Aceast
generalizare conduce la o descriere de proces bazat pe un aa numit model
de lungime minimal, descriere conform Principiului parsimoniei.
O majorare excesiv a factorului corector poate conduce ns la subparametrizare. De notat totui c sub-parametrizarea este mai puin dezirabil
dect supra-parametrizarea, deoarece nu se dorete n nici un caz pierderea de
informaie printr-o modelare inadecvat a procesului. i n acest caz, indicele
structural optim rezult prin rezolvarea unei probleme de minimizare:
n opt = arg min(G ) AIC N [n ] .

n N
(68)
Not
J. Rissanen este autorul unei metode universale de compresie de date bazat pe
utilizarea contextelor [RiJ83]. Tot el introdus conceptul de descriere de lungime
minimal (Minimum Description Length) [RiJ78], care constituie o exprimare a
Principiului parsimoniei i care este utilizat i n compresia datelor.
42
e. Criteriul gradului de potrivire. n practic, un criteriu extrem de utilizat att pentru

verificarea Principiului parsimoniei ct i pentru validarea modelelor este cel
bazat pe evaluarea potrivirii (fitness) dintre model i proces dup urmtoarea
relaie:
def
E N [n ] = 1001
n =1
[%], n N ,
2
N
1
y[ n ] y[ n ]
N n =1
[n,N ]
n =1
(69)
unde prin [ n,N ] s-a notat eroarea de predicie cu un pas, definit astfel:
def
[n, N ] =
y[n] T [n]N , n N .
{
1
424
3
date reale date simulate
(70)
Valoarea funciei de potrivire E N este exprimat n procente. Cu ct aceasta

este mai apropiat de 100%, cu att modelul decodific mai bine informaia
despre comportamentul procesului furnizor de date i va fi mai bine validat (n
sensul criteriilor de validare descrise n paragraful C). Adesea, E N [n ] este
interpretat ca procentaj al procesului care a fost explicat de ctre model sau
valoarea cuantificat a gradului de validare a modelului. Totui, limita
superioar a funciei de potrivire E N depinde de cantitatea de zgomot de
proces care corupe datele msurate, adic de SNR. Mai mult, E N poate avea
i valori negative, n cazul erorilor de predicie importante. n fine, o ultim
proprietate nedorit a acestui criteriu este cea a existenei palierului de
potrivire, similar cu palierul dispersiei zgomotului din Figura 14(a), cu
deosebirea c graficul funciei de potrivire este concav i nu convex. n aceste
condiii, indicele structural optim trebuie ales la intrarea n palierul de potrivire.
f. Criteriul reprezentrii poli-zerouri. Un alt criteriu de verificare a Principiului
parisimoniei (dar mai mult de tip subiectiv) se bazeaz pe reprezentarea polizerouri. Mai precis, polii i zerorurile modelului determinat sunt reprezentai n
planul complex, mpreun cu zonele aferente de ncredere. O zon de
ncredere este reprezentat ca un disc circular de raz proporional cu
deviaia standard a polului sau zeroului, centrat n acesta. Deviaia standard se
evalueaz cu ajutorul diagonalei matricii de covarian a erorii de estimare (vezi
Exerciiul 4.2). Pe harta localizrii polilor i zerourilor se poate observa relativ
uor orice pol i zerou care ar trebui eliminai prin simplificare, datorit
amplasrii lor aproxmativ n aceeai vecintate. Se poate stabili chiar o distan
minim ntre un pol i un zerou, distan sub care polul i zeroul pot fi
considerai identici. Simplificarea polilor i zerourilor este necesar n spiritul
Principiului parsimoniei. Adecvana modelului se poate testa prin verificarea a 3
proprieti: stabilitate (polii modelului trebuie s se situeze n interiorul discului
unitar), suprafeele discurilor de ncredere (care trebuie s fie ct mai mici) i
apropiere de harta poli-zerouri a procesului (dac aceast hart este
43
disponibil). Mrimea suprafeei unui disc de ncredere este totui informaia

esenial: cu ct aceasta este mai redus, cu att modelul este mai precis, avnd
anse mai mari de validare.
n pofida naturaleei lor, nici unul din criteriile descrise mai sus nu este perfect. De
aceea, se recomand testarea tuturor criteriilor, nainte de a decide valoarea indicelui
structural optim. Este de dorit ca el s fie indicat de majoritatea criteriilor. Dar dac
fiecare criteriu indic o alt valoare, se va recurge doar la Testul F (care este criteriul
dominant) i, eventual, la unul dintre criteriile GAIC. O inspectare a reprezentrii polizerouri este de asemenea recomandat.
C. Criterii de validare a modelelor
Odat determinat, orice model matematic trebuie validat. Validarea const practic
n comparaia dintre un set de date achiziionate i setul de date simulate cu ajutorul
modelului, ambele fiind generate prin stimularea cu acelai semnal de intrare. n
aceast seciune, vom prezenta pe scurt doar 2 dintre metodele de validare
corespunztoare MCMMP i MVI, n cazul n care datele achiziionate din proces au o
distribuie Gaussian. (Alte distribuii atrag dup sine metode de validare diferite.)
Ambele metode sunt bazate pe aa numitul Test de albire, care va fi descris n
continuare.
Validarea modelelor determinate cu ajutorul MCMMP.
Principiul care st la baza criteriului de validare este urmtorul: dac modelul
determinat este adecvat, eroarea de predicie dintre datele simulate i cele
achiziionate tinde s fie un zgomot alb Gausian pe msur ce orizontul de
msur crete (de unde i numele de Test de albire atribuit criteriului de
validare). Proprietatea de necorelare se exprim prin:
lim E [n,N ] [n k ,N ] = 0 , k N ,
(71)
unde [n,N ] este eroarea de predicie cu un pas, definit n (70).

Condiia (71) are 2 dezavantaje majore: este greu (dac nu imposibil) de
verificat n practic i nu face referire la tipul de distribuie a erorii de predicie.
De aceea, o form practic a testului de albire se bazeaz pe proprietile
distribuiei Gaussiene de medie nul i deschidere = 0 / N (adaptiv, n
funcie de dimensiunea orizontului de msur). Parametrul 0 este determinat
de gradul de corelaie existent ntre valorile variabilelor aleatoare avnd aceast
distribuie. Orice astfel de variabil aleatoare produce valori ntr-un interval
oarecare [ ,+ ] cu un nivel de ncredere N ( ) . Nivelul de ncredere
exprim de fapt probabilitatea ca variabila aleatoare s produc valori n
intervalul specificat, deci este egal cu aria de sub graficul distribuiei peste acel
interval. Zgomotului alb Gaussian i corespund intervale i nivele de ncredere
tipice asociate din Tabelul 1. Informaia din tabel poate fi fructificat n
proiectarea versiunii practice a Testului de albire. Pentru aceasta, se evalueaz
mai nti un numr de valori ale secvenei de auto-corelaie asociate erorii
de predicie:
44
Tabelul 1. Intervale i nivele de ncredere tipice pentru validarea modelelor.
[ ,+ ]
2.17 2.17
N ,+ N
1.96 1.96
,+
N
N
1.808 1.808
,+
N
N
N ()
97%
95%
93%
def
r [k ] =
def
[ k ] =
N
1
N
[n,N ] [n k ,N ] , k 0, (auto-covarian);
N k n = k +1
4
r [k ]
N
, k 0, (auto-corelaie).
r [0]
4
(72)
Evaluarea din (72) se oprete la aproximativ un sfert din dimensiunea

orizontului de msur, deoarece, dincolo de acest prag, erorile de calcul
acumulate devin importante. (n suma de definiie a funciei de auto-covarian
rmn din ce n ce mai puini termeni.) Pasul urmtor este s se contorizeze
numrul de valori ale secvenei de auto-corelaie ce aparin fiecruia din
intervalele de ncredere ale tabelului anterior. Acestea se normalizeaz apoi cu
numrul total de valori calculate ale (adic N / 4 + 1 ) i se exprim n
procente. n final, se compar procentajele obinute cu nivelele de ncredere ale
tabelului. Pentru un interval de ncredere ales, Testul de albire este pozitiv
(adic modelul este validat) dac procentul de valori ale lui din interval este
cel puin egal nivelul de ncredere corespunztor. Astfel, criteriul ofer 4 nivele
de validare:
Nivel 0: nici unul din cele 3 Teste de albire nu este pozitiv (model i/sau
metod de identificare invalide).
Nivel 1: doar unul din cele 3 Teste de albire este pozitiv (model i/sau metod
de identificare la limita de validitate).
Nivel 2: dou din cele 3 Teste de albire sunt pozitive (model i/sau metod de
identificare valide, dar cu validitate limitat; pentru anumite tipuri de
intrri, modelul s-ar putea s nu funcioneze corect).
Nivel 3: toate cele 3 Teste de albire sunt pozitive (model i/sau metod de
identificare valide, cu validitate extins la majoritatea covritoare a
tipurilor de intrri).
Validarea modelelor determinate cu ajutorul MVI.
Spre deosebire de modelele determinate cu ajutorul MCMMP, pentru modelele
estimate prin MVI principiul de validare este urmtorul: dac modelul
determinat este adecvat, eroarea de predicie este asimptotic necorelat cu
ieirea predictat centrat (adic obinut prin simularea modelului, dup ce s-a
sczut media), avnd totodat distribuie Gausian. Necorelarea valorilor erorii
de predicie cu cele ale ieirii simulate centrate nseamn:
lim E [n,N ] y N [n k ] = 0 , k Z ,
45
(73)
unde:
def
y N [n ] = T [n ]N E T [n ]N , n N .
(74)
Condiia (73) are aceleai dezavantaje ca i condiia (71), astfel nct Testul practic de
albire este conceput n mod similar (folosind tot Tabelul 1). Singura deosebire const
n evaluarea corelaiei ncruciate dintre i y N n loc de auto-corelaia lui . Astfel
relaiile (72) trebuie nlocuite cu relaiile urmtoare:
N
1
N
[n,N ] y N [n k ] , k 0, (covarian ncruciat);
N k n = k +1
4
def
r , y N [k ]
N
, y N [ k ] =
, k 0, (corelaie ncruciat).
(75)
r [0] ry N [0]
4
def
r , y N [k ] =
O bservaie
n practica IS, 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 utlizeze 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.
Obiectivul acestui capitol este de a realiza o comparaie ntre metodele MCMMP i

MVI, plecnd de la identificarea unor modele ARX.
4.2. Exerciii
Exerciiul 4.1
Artai c ntre criteriile FPE i AIC exist urmtoarea corelaie, pentru N >> n :
AIC N [n ] ln FPE N [n ] , n N .
(76)
Exerciiul 4.2
Fie procesul stocastic descris de urmtoarea ecuaie (de tip AR[1]):
P : y[n ] + ay[n 1] = v[n ] , n N ,
(77)
unde v este un zgomot alb de medie nul i dispersie 2 . Procesul furnizeaz

datele de ieire D = { y[ n ]}n =1, N .
a. S se estimeze parametrii necunoscui (coeficieni i dispersie de zgomot)
pentru urmtoarele modele, folosind MCMMP i setul de date msurate:
46
M 1 : y[n ] + a11 y[n 1] = [n, a11 ] , n N ;
(78)
M 2 : y[n ] + a21 y[n 1] + a22 y[n 1] = [n, a21 , a22 ] , n N .
(79)
n ecuaiile (78) i (79), este eroarea dintre model i proces, cu proprietatea:

[n, a ] = v[n ] , respectiv [n, a ,0] = v[n ] .
b. Testai consistena estimaiilor obinute la punctul precedent (pentru coeficieni
i dispersii de zgomot).
c. Potrivit Teoremei fundamentale a MCMMP, dispersia erorii de estimaie a
coeficienilor necunoscui este dat n general de:
{(
)(
)}
T
N
E N N = 2 [n ] T [n ] .
n =1
(80)
Folosind aceast proprietate, evaluai dispersiile erorilor de estimare ale

parametrului a din cele 2 modele, notate cu N2 [1] , respectiv N2 [ 2] . (Pentru
modelul M 2 , vectorul parametrilor adevrai este = [ a 0]T .) Artai c:
lim ( N N2 [1]) lim ( N N2 [2]) .
(81)
Ce semnificaie are inegalitatea (81)?

d. Notai estimaiile dispersiei prin 2N [1] , respectiv 2N [2] (dup indicele
structural al modelului utilizat). Evaluai criteriile F N (63) i FPE (64) de
determinare a indicelui structural optim pentru fiecare din cele 2 estimaii.
Rezult din comparaia lor c indicele structural optim este n opt = 1 ?
Argumentai rspunsul.
Exerciiul 4.3
Deducei expresiile estimaiilor oferite de MVI pentru un model ARX[1,1] i un
vector al instrumentelor de tipul (58). Studiai consistena lor i precizai un set de
condiii suficiente pentru verificarea acestei proprieti. Determinai condiiile
generale de consisten n cazul n care nici intrarea nici zgomotul nu sunt
neaprat albe.
Exerciiul 4.4
Reluai exerciiul precedent pentru un vector al instrumentelor de tipul (59), unde
filtrul aplicat intrrii este determinat de estimaiile coeficienilor evaluate cu
MCMMP. Dac, prin ans, MCMMP ar conduce chiar la valorile adevrate ale
parametrilor necunoscui, artai c estimaiile oferite de MVI pentru cele 2 tipuri de
vectori ai instrumentelor (din acest exerciiu i din exerciiul precedent) sunt
identice. Care credei c este semnificaia acestui rezultat interesant? Cum poate fi
el exploatat?
47
Indicaie
Identitatea a 2 estimaii oferite de MVI se poate arta pe 2 ci. Prima cale, mai laborioas
(i mai puin elegant), presupune calculul efectiv al estimaiilor. A doua cale, mai
elegant, se bazeaz pe o proprietate interesant a estimaiei MVI: invariana la
transformri liniare ale vectorului instrumentelor. ncercai s demonstrai aceast
proprietate i apoi gsii transformarea liniar dintre cei 2 vectori ai instrumentelor din
cadrul exerciiului.

Mini-simulatoarele propuse pentru a fi proiectate n cadrul acestui capitol sunt
focalizate n jurul unui model ARX[2,2]:
(1 1.5q
+ 0.7q 2 y[n ] = q 1 + 0.5q 2 u[n ] + v[n ] , n N ,
(82)
unde v este zgomotul de proces. Acesta este obinut prin filtrarea zgomotului alb
Gaussian e de medie nul i dispersie 2 = 1 , cu ajutorul urmtorului sistem cu
rspuns finit la impuls (FIR sau MA):
v[n ] = 1 q 1 + 0.2 q 2 e[n ] , n N .
(83)
Practic, (82) i (83) sunt ecuaiile procesului furnizor de date (un proces de tip
ARMAX). Procesul este stimulat cu un SPAB bipolar avnd valorile +1 i 1. Intrarea
u este necorelat cu zgomotul alb e . Datele generate D = {u[n ]}n =1, N { y[n ]}n =1, N
sunt nregistrate pe un orizont de msur de dimensiune N = 250 . Pentru generarea
i stocarea datelor, se recomand scrierea unei rutine separate, numite gendata, al
crei apel general s fie urmtorul:
[D,V,P] = gendata(A,B,C,nk,N,sigma,lambda) ;
este vectorul coeficienilor polinomului A
(implicit: A=[1 1.5 0.7]);
B
este vectorul coeficienilor polinomului B (implicit: B=[1 0.5]);
C
este vectorul coeficienilor filtrului C (implicit: C=[1 1 0.2]);
nk
este ntrzierea intrinsec a sistemului (implicit: nk=1);
N
este dimensiunea orizontului de msur (implicit: N=250);
sigma este deviaia standard a intrrii SPAB (implicit: sigma=1);
lambda este deviaia standard a zgomotului alb Gaussian
(implicit: lambda=1);
D
este obiectul de tip IDDATA (vezi Problema 2.3) corespunztor
datelor generate (intrarea se regsete n D.u, iar ieirea n D.y);
V
este obiectul de tip IDDATA corespunztor zgomotelor generate
(zgomotul alb se regsete n V.u, iar zgomotul colorat (adic MAfiltrat) n V.y);
P
este obiectul de tip IDMODEL (vezi Problema 3.3) corespunztor
modelului de proces furnizor de date.
unde: A
48
Pentru uurina proiectrii acestei rutine, se poate apela la 2 funcii Matlab

dedicate, existente n biblioteca destinat domeniului IS: idpoly i sim (descrise n
continuare)
# IDPOLY
Apel: Mid = idpoly(A,B,C,D,F,lambda2,Ts) ;
Genereaz un obiect de tip model de identificare (I
IDPOLY sau IDMODEL) Mid,
avnd structura descris n cadrul Problemei 3.3. Modelul corespunde ecuaiei
generale:
A( q 1 ) y[n ] =
B ( q 1 )
C ( q 1 )
u
[
n
]
+
e[n ] , n N ,
F ( q 1 )
D( q 1 )
(84)
unde A , , F sunt polinoame corespunztoare. (Restul notaiilor din (84)

sunt cunoscute.) n consecin, argumentele de intrare ale funciei sunt:
A ... F polinoamele modelului (exprimate sub form de vectori cu
coeficienii ordonai dup puterile cresctoare ale lui q 1 ); de notat
c, n funcie de tipul de model adoptat, unele dintre aceste
polinoame pot lipsi, lor fiindu-le atribuite valori implicite; implicit,
polinomul B este nul, n timp ce restul polinomelor sunt unitare; cu
toate acestea, dac, de exemplu, se dorete generarea unui model
de tip OE, apelul tipic al funciei este:
Mid = idpoly(1,B,1,1,F,lambda2,Ts) ;
(adic toate polinoamele trebuie specificate explicit);
lambda2 variana zgomotului alb, adic 2 (implicit: lambda2=1);
Ts
perioada de eantionare (implicit: Ts=1).
# SIM
Apel: [y,ystd] = sim(Mid,ue) ;
Rutin care simuleaz comportamentul unui model de identificare Mid pentru
intrri i zgomote specificate n ue. Argumentul Mid este un obiect de tip model
de identificare (I
IDPOLY sau IDMODEL), returnat, de exemplu, de rutina
idpoly. Argumentul ue este fie un obiect de tip date de identificare (I
IDDATA,
descris n contextul Problemei 2.3), fie o matrice format din blocurile [u e],
unde u este matricea/vectorul intrrilor iar e este matricea/vectorul zgomotelor.
n cazul modelelor MIMO, fiecare coloan a matricilor u sau e reprezint un
canal de intrare sau ieire, dup caz. Pentru sistemele SISO, u i e sunt
vectori. Rezultatul simulrii este returnat n y (ieirea sistemului), care are
aceeai natur ca i ue (obiect IDDATA sau matrice/vector). Utilizatorul are
posibilitatea de a cere calcularea deviaiei standard a ieirilor, care va fi
returnat n ystd.
O bservaie
Rutina MATLAB sim are 2 exprimri (permise de filozofia programrii orientate obiect). n
nucleul de funcii generale, ea are rolul de a lansa n execuie, prin program, simulatorul
SIMULINK. Aceasta este definia de baz. n biblioteca de funcii de IS, ea are rolul de a
49

simula funcionarea unui model de identificare. Aceasta este forma supra-definit. Pentru
a obine o informaie ajuttoare mai complet referitoare la sim ca funcie de bibliotec
IS, se poate executa comanda: help idmodel/sim.
Rutina gendata va fi practic apelat de 2 ori: prima dat pentru generarea datelor
de identificare i a doua oar pentru generarea datelor de validare. De fiecare dat se
vor utiliza aceleai tipuri de intrri i zgomote (adic SPAB bipolar i zgomot alb
Gaussian de dispersie unitar).
Estimarea modelelor pe baza datelor astfel generate se poate efectua cu ajutorul
urmtoarelor rutine din cadrul bibliotecii de IS: arx (pentru MCMMP, descris n
contextul Problemei 3.3), iv (pentru MVI i modele ARX-SISO) sau iv4 (pentru MVI
i modele ARX-MIMO). n general, se recomand utilizarea rutinei iv4. Dac modelul
este de tip SISO, rutina iv poate fi ns mai rapid. n cadrul MATLAB 6.*, rutina iv nu
funcioneaz corect, fiind nlocuit de iv4. De aceea, vom descrie pe scurt aceast
rutin ultim rutin. Numele ei provine de la faptul c estimaia este evaluat n 4
etape de calcul:
1. Se identific modelul n mod grosier, cu ajutorul MCMMP (rutina arx).
2. Modelul anterior este folosit pentru a genera vectorul instrumentelor plecnd de
la intrarea specificat n cadrul datelor msurate, prin filtrare. Cu acest vector,
se estimeaz un nou model ARX, folosind MVI.
3. Reziduurile modelului obinut (adic erorile de predicie) sunt asociate unui unui
model AR de ordin foarte mare, care este identificat folosind din nou MCMMP.
4. Datele de intrare-ieire originale sunt filtrate folosind modelul AR anterior.
Parametrii modelului sunt estimai n final folosind datele rezultate (filtrate) i
acelai tip de vector al instrumentelor ca la pasul 2.
Aceast strategie (fundamentat teoretic n [LjL99]) i implementat n cadrul rutinei
iv4 conduce la estimaii de precizie ridicat, cu condiia ca datele de intrare iniiale s
aproximeze zgomotul alb.
# IV4
Apel: Mid = iv4(D,si) ;
Estimeaz parametrii unui model ARX folosind MVI. Modelul identificat rezultat,
Mid, este returnat ca obiect IDMODEL. Estimarea se efectueaz pe baza
datelor D (obiect IDDATA) i a informaiei de structur si = [na nb nk], unde
na i nb sunt indicii structurali ai modelului, iar nk este ntrzierea instrinsec.
n cadrul mini-simulatoarelor care urmeaz, se vor utiliza 2 dintre criteriile de
determinare a structurii optime: descreterea relativ normalizat (Testul F), adic F N
definit n (63) i Akaike generalizat de ctre Rissanen, adic GAIC definit n (67), cu
factorul corector adaptiv N = ln( N ) . De asemenea, se vor reprezenta grafic
criteriul aplatizrii A N , criteriul potrivirii E N i localizarea poli-zerouri.
Particularitatea cea mai important a evalurii criteriilor de determinare a indicelui
structural optim n cazul modelelor cu cel puin 2 polinoame (cum este i ARX) const
n faptul c argumentul funciei criteriu este vectorial. Aceasta deoarece indicele
structural global n se exprim ca o sum de indici structurali pariali gradele
polinoamelor. n cazul modelului ARX: n = na + nb . Pentru fiecare valoare a lui n
50
exist un numr (finit) de posibiliti de alegere a gradelor na i nb . Pentru n > 1 ,

numrul de posibiliti este superior lui 1, deci na i nb trebuie selectai dintr-o
matrice de valori. Dac Na i Nb sunt valorile maxime ale gradelor polinoamelor,
numrul total de indici structurali testai ajunge la ( Na + 1) ( Nb + 1) 1 (incluznd i
valorile nule, dar nu simultan nule ale indicilor), deci matricea poate avea de exemplu
Na + 1 linii i Nb + 1 coloane, cu elementul (1,1) virtual (deoarece corespunde
valorilor nule ale celor 2 indici structurali na i nb ). Indicele generic al matricii este
[na + 1, nb + 1] , cu na 0, Na i nb 0, Nb .
Se recomand proiectarea a 2 rutine de calcul pentru criteriile de determinare a
structurii optimale: F_test2 i GAIC_R2. Argumentele de intrare ale fiecrei rutine
sunt: o matrice N R Na Nb cu elementul generic: N [na + 1, nb + 1] = 2N [na, nb]
(folosind notaii naturale) i N . Practic N ofer valorile criteriului aplatizrii. Ele se
obin folosind direct modelul identificat Mid: 2N [na , nb] Mid.NoiseVariance. (n
mod asemntor, valoarea funciei de pierdere se obine din Mid.es.LossFcn.)
n acest context, exprimarea criteriului F N va fi uor diferit de definiia original
(63), dei respectnd acelai principiu. Vecinii imediai ai lui N [na + 1, nb + 1] sunt
N [na + 2, nb + 1] i N [na + 1, nb + 2] . Aceasta sugereaz, potrivit definiiei (63),

scderea liniilor i coloanelor adiacente ale matricii N pentru evaluarea criteriului
F N . Optimul va fi selectat din 2 matrici de valori astfel obinute, suma indicilor si
trebuind s fie minim. Exprimarea criteriului GAIC n versiunea Rissanen se poate
face ns direct cu ajutorul definiiei (67):
def
GAIC N [na, nb] = ln 2N [na , nb] +
N
( na + nb) , na 0, Na , nb 0, Nb , (85)
N
urmnd ca optimul s fie selectat prin cutare direct n matricea de valori rezultat
(care are aceleai dimensiuni ca i N ). Printr-o adaptare inspirat, valoarea oricrui
criteriu GAIC se poate obine direct folosind modelul identificat Mid. Astfel, fpe(Mid)
returneaz valoarea criteriului FPE (definiia (64)).
Funcia de potrivire E N poate fi evaluat indirect, cu ajutorul rutinei resid din
biblioteca de IS, descris mai jos.
# RESID
Apel: E = resid(Mid,D) ;
Rutin care evalueaz reziduurile (adic erorile de predicie ale) modelului Mid
(obiect IDMODEL) plecnd de la datele D (obiect IDDATA). Rezultatul, E, este tot
un obiect IDDATA. Erorile de predicie se regsesc n E.y, n timp ce E.u este
identic cu D.u. Dac rutina este apelat fr argument de ieire, graficele autocovarianei erorii de predicie i al covarianei ncruciate dintre erorile de
predicie i intrri sunt trasate (adic este efectuat o analiz bazat pe
corelaie).
51
Odat ce erorile de predicie au fost estimate, se poate implementa direct definiia

(69), unde datele msurate la ieire se preiau din obiectul de date D (mai precis, ele
sunt salvate n D.y).
O alternativ de evaluare a funciei de potrivire const n utilizarea funciei
compare din biblioteca de IS.
# COMPARE
Apel: [ym,EN] = compare(Mid,D) ;
Rutin care efectueaz o comparaie ntre datele de ieire obinute prin
simularea modelului Mid (obiect de tip IDMODEL) i datele de ieire msurate
salvate n obiectul D (de tip IDDATA), adic D.y. Pentru comparaie, modelul
este stimulat cu aceeai intrare D.u cu care au fost generate datele D. Funcia
returneaz valorile ieirii simulate ym i, dac se dorete, valoarea de potrivire
dintre model i proces EN (adic E N din definiia (69)). ntre ieirea simulat a
unui model evaluat cu ajutorul acestei funcii i cea evaluat cu ajutorul
funciei sim exist o uoar deosebire: n contextul funciei sim, condiiile
iniiale ale ecuaiei cu diferene asociate modelului sunt nule; n contextul
funciei compare, valoarea iniial (n origine) a ieirii este unitar. Astfel, de
exemplu, ieirea simulat a unui model AR fr zgomot este nul pentru sim i
egal cu rspunsul cauzal la impuls pentru compare.
Dac rutina este apelat fr argumente de ieire, graficele ieirii msurate i
ieirii simulate sunt trasate, iar gradul de potrivire dintre ele este afiat.
Reprezentarea poli-zerouri (mpreun cu discurile de ncredere) poate fi efectuat
folosind funcia de bibliotec IS numit PZMAP.
# PZMAP
Apel: pzmap(Mid,SD,alpha) ;
Rutin de reprezentare poli-zeroruri pentru modelul Mid (obiect de tip
IDMODEL). Dac argumentele de intrare SD i alpha sunt precizate,
discurile de ncredere asociate polilor i zerourilor sunt de asemenea trasate.
Razele lor sunt egale cu deviaiile standard multiplicate de valoarea lui alpha
(care trebuie s fie un numr nenegativ). Dac alpha=0 (care este i valoarea
implicit), trasarea discurilor de ncredere este inhibat. De regul, pentru date
cu distribuie Gaussian, alpha=3.
n biblioteca de IS din MATLAB, este propus i o alt abordare de selectare a
indicilor structurali optimi, care are avantajul c poate fi generalizat la orice model din
clasa generat de ecuaia (84), dar dezavantajul c doar criteriile lui Akaike-Rissanen
sunt evaluate. Testul F implic o manier de implementare relativ complicat n acest
caz. Dac este interesat, utilizatorul poate studia grupul de funcii: arxstruc,
ivstruc, selstruc i struc.
Pentru validarea, modelelor, se recomand proiectarea rutinelor valid_LS
(MCMMP) i valid_IV (MVI). Oricare din cele 2 rutine va returna un ntreg ntre 0 i
3 care indic gradul de validare (dup cum a fost explicat n paragraful C al primei
seciuni). Rutinele pot folosi funcia MATLAB xcorr pentru evaluarea secvenelor de
corelaie.
n cadrul problemelor de simulare, se va considera c Na = Nb = 8 .
52
Problema 4.1
S se proiecteze mini-simulatorul ISLAB_4A care evalueaz estimaia
(parsimonioas a) modelului ARX asociat procesului (82) & (83), folosind MCMMP.
Pentru aceasta, se vor parcurge urmtorii pai:
a. Se genereaz 2 seturi de date: unul pentru identificare i altul pentru validare,
folosind rutina gendata.
b. Pentru fiecare model identificat cu ajutorul MCMMP (funcia arx), model
obinut variind indicii na i nb , se vor afia 2 ferestre grafice: una pentru
analiza modelului folosind datele de identificare i de validare, alta pentru
reprezentarea poli-zeroruri cu discuri de ncredere corespunztoare unei raze
de 3 ori mai mari dect deviaiile standard aferente (ca n Figurile 15 i 16).
Dup fiecare fereastr se insereaz o pauz de ateptare pentru a permite
utilizatorului s analizeze informaiile afiate. Fiecare sub-fereastr a primei
ferestre include 3 grafice aranjate pe vertical:
ieirile msurate i simulate cu ajutorul modelului, grafic pe care se indic
i valoarea funciei de potrivire, E N ;
eroarea de predicie (reziduurile modelului), grafic pe care se indic i
dispersia estimat a zgomotului, 2N ;
secvena de auto-covarian a erorii de predicie, grafic pe care se indic i
indexul de validare.
Modelele obinute vor fi memorate n vederea selectrii unuia dintre ele, n
urma aplicrii testelor de determinare a indicilor structurali optimi i de
validare.
c. Se reprezint grafic (n ferestre consecutive):
suprafaa dispersiei zgomotului n decibeli ( 10 lg(2N ) ) i optimul selectat
folosind Testul F (vezi Figura 17);
suprafaa funciei de potrivire ( E N ) pentru datele de identificare i optimul
selectat folosind tot Testul F, dar adaptat corespunztor (vezi Figura 18);
suprafaa funciei de potrivire ( E N ) pentru datele de validare i optimul
selectat folosind Testul F adaptat (vezi Figura 19);
suprafaa criteriului GAIC n versiunea Rissanen i optimul indicat de
aceasta (vezi Figura 20).
d. Se solicit utilizatorului s aleag indicii structurali pe care i consider optimi.
e. Pentru modelul ales, se afieaz cele 2 ferestre grafice de la b. Modelul este
returnat de ctre mini-simulator, n vedera unei utilizri ulterioare. Se
recomand returnarea i a seturilor de date de identificare i validare.
Dup proiectarea mini-simulatorului ISLAB_4A, se vor iniia cteva rulri.
Rezult mereu aceiai indici structurali optimi sau ei difer de la o rulare la alta?
Justificai rspunsul. Observai simplificarea polilor i zerourilor apropiate din
diagrama poli-zerouri, pentru indici structurali mari. Care dintre criteriile de
determinare a structurii optime are tendina de a sub-parametriza modelul i care
de a supra-parametriza modelul?
53
Problema 4.2
Problema anterioar, 4.1, se va relua pentru cazul MVI cu instrumentele (58). Minisimulatorul rezultat va fi denumit ISLAB_4B. n acest scop, se pot utiliza
majoritatea funciilor mini-simulatorului ISLAB_4A. Excepie face, de exemplu,
testul de validare, care trebuie schimbat (se va proiecta rutina valid_IV).
Comparai rezultatele de estimare obinute cu perfomanele estimaiei evaluate
folosind MCMMP.
Problema 4.3
Generalizai mini-simulatoarele anterioare astfel nct utilizatorului s i se permit
s i aleag metoda de identificare (MCMMP sau MVI) i instrumentele n cazul
MVI. Tipul de model identificat rmne acelai: ARX. Denumii noul mini-simulator
prin ISLAB_4C. Testai mini-simulatorul cu datele de intrare ale mini-simulatoarelor
precedente. Rulai apoi mini-simulatorul cu opiunile: MVI i instrumentele (59) &
(60), unde, n prealabil, trebuie produs un model estimat folosind MCMMP.
Comparai performanele estimaiilor obinute cu MVI pentru cele 2 tipuri de
instrumente: (58) i (59)-(60). Artai avantajele i dezavantajele fiecrei strategii
de estimare.
54
Figura 15. Performanele unui model estimat cu MCMMP.
Figura 16. Reprezentarea poli-zeroruri a unui model estimat cu MCMMP.

55
Figura 17. Dispersia estimat a zgomotului. Criteriul aplatizrii i Testul F.
Figura 18. Potrivirea cu datele de identificare.

56
Figura 19. Potrivirea cu datele de validare.
Figura 20. Criteriul Akaike-Rissanen.

57
Capitolul 5
Identificare parametric prin
Metoda Minimizrii Erorii de Predicie
Modelele de tip ARX, dei extrem de utilizate n aplicaiile de control automat
prezint dezavantajul c nu ofer posibilitatea reprezenta comportamentul zgomotelor
perturbatoare. Pentru aceasta, cel mai frecvent se opereaz cu modele ARMAX
generale sau de tip Box-Jenkins (BJ). Ecuaia unui model ARMAX este descris n
Introducere (definiia (1)), n timp ce modelul BJ constituie un caz particular al clasei
generale de modele de identificare liniare (84), n care polinomul A este unitar (filtru
de intrare independent de filtrul de zgomot):
BJ : y[n ] =
B ( q 1 )
C ( q 1 )
u
[
n
]
+
e[n ] , n N .
F ( q 1 )
D ( q 1 )
(86)
Dou metode pot fi utilizate n principal pentru a estima parametrii modelelor

ARMAX sau BJ: Metoda celor Mai Mici Ptrate Extins (MCMMPE) i Metoda
Minimizrii Erorii de Predicie (MMEP, care include MCMMPE n faza de iniializare).
Acestea vor fi descrise succint n continuare.
A. Metoda Celor Mai Mici Ptrate Extins
Aplicarea MCMMP pentru estimarea unui model ARMAX/BJ nu este posibil fr o
adaptare corespunztoare, deoarece vectorul regresorilor contine valori ale
zgomotului (care nu pot fi msurate) a se vedea definiia (5) din Introducere.
Adaptarea se bazeaz pe o strategie de identificare cu 2 etape: estimarea valorilor
zgomotului alb folosind un model ARX i estimarea parametrilor modelului
ARMAX/BJ. Metoda rezultat este chiar MCMMPE.
Etapa 1. Estimarea valorilor zgomotului alb.
Datele de intrare-ieire D = {u[n ]}n =1, N { y[ n ]}n =1, N sunt utilizate pentru a
identifica un model ARX de forma:
A ( q 1 ) y B ( q 1 )u + e ,
(87)
unde polinoamele A i B au grade suficient de mari (pn la cteva zeci de

coeficieni) i sunt obinute prin operaia de mprire infinit trunchiat:
A( q 1 )
= 1 + 1q 1 + L + n q n
1
C (q )
,
B ( q 1 )
1
1
n
B ( q ) =
= 1 + 1q + L + n q
C ( q 1 )
ARMAX : A ( q 1 ) =
58
(88)
5. Identificare parametric prin MMEP
D ( q 1 )
= 1 + 1q 1 + L + n q n
C ( q 1 )
.
B ( q 1 ) D ( q 1 )
1
1
n
B ( q ) =
= 1 + 1q + L + n q
C ( q 1 ) F ( q 1 )
BJ : A ( q 1 ) =
(89)
Vectorul regresorilor i vectorul parametrilor necunoscui sunt, n acest caz:
T def
[n ] = [ y[n 1] L y[n n ] | u[n 1] L u[n n ] ], n 1, N ,
T def
= 1 L n | 1 L n
(90)
Pentru estimarea parametrilor necunoscui din datele msurate, se poate folosi

fie MCMMP, fie (mai indicat) MVI. Odat obinut, estimaia poate fi
utilizat pentru evaluarea valorilor zgomotului alb prin simularea modelului ARX
identificat:
def
n, = y[n ] T [n ] , n 1, N .
(91)
Etapa 2. Estimarea parametrilor modelului ARMAX/BJ.

Pentru modelul ARMAX, vectorul regresorilor [n ] din ecuaia (5) se
nlocuiete cu un vector n care apar valorile estimate ale zgomotului alb:
def
[n] = [ y[n 1] L y[n na]
u[n 1] L u[n nb]

L
.
L [n 1, ] L [n nc, ] , n 1, N .
(92)
Definiia (91) poate fi utilizat i pentru modelul BJ, cu modificrile urmtoare:

na = nd + nf ; nb nb + nd ; nc nc + nf (datorate exprimrii modelului ca
un model ARMAX, prin aducerea la acelai numitor). Aplicnd MCMMP pentru
noile notaii, se obine o estimaie a vectorului parametrilor necunoscui i a
dispersiei zgomotului alb:
def
1
N =
N
[n ] [n]
n =1
def
2N =
1
N
n =1
[n ] y[n ] ;
(y[n] T [n ]N )
N
(93)
(94)
n =1
n cazul modelului ARMAX, ecuaiile (93) i (94) rezolv complet problema de

identificare (vectorul parametrilor necunoscui estimai N are 3 componente,
cte una pentru fiecare polinom al modelului, conform definiiei (5)).
n cazul modelului BJ, parametrii estimai se obin din vectorul N dup o serie
de operaii. Mai nti, se determin rdcinile polinoamenlor corespunztoare
59
celor 3 componente ale lui N , notate, de exemplu, prin: ADF , BBD i CCF
(dup factorii care contribuie la formarea lor vezi ecuaia (86)). Rdcinile
comune (sau apropiate) ale polinoamenor ADF , BBD sunt rdcinile
polinomului D , restul rdcinilor lui BBD aparinnd polinomului B . Similar,
rdcinile comune (sau apropiate) ale polinoamenor ADF , CCF sunt rdcinile
polinomului F , restul rdcinilor lui CCF aparinnd polinomului C . Coeficienii
celor 4 polinoame se evalueaza apoi din rdcinile lor.
Estimaia oferit de MCMMPE are totui o precizie limitat, datorit mai multor
surse de eroare, principalele fiind aproximarea modelului cu un model ARX n prima
etap i utilizarea valorilor estimate ale zgomotului n etapa a doua.
B. Metoda Minimizrii Erorii de Predicie
Erorile dintre model i proces (notate prin { [ n, ]}n1, N pentru fiecare vector al
parametrilor ) constituie totodat i erori de predicie (cu un pas) a ieirii procesului
stocastic. Estimarea parametrilor se poate realiza atunci prin minimizarea urmtorului
criteriu ptratic exprimat cu ajutorul erorilor de predicie pe orizontul de msur:
def
VN ( ) =
1
N
2 [ n , ] ,
S ,
(95)
n =1
unde S este domeniul de stabilitate al modelului. Datorit acestui fapt, metoda de

identificare se numete MMEP i estimaia parametrilor oferit de ea rezult prin
rezolvarea unei probleme de optimizare:
N = arg min VN ( ) .
(96)
Pentru a rezolva problema (96), se folosete o metod mai general de optimizare

cu criterii ptratice: Metoda Gauss-Newton (MGN). Potrivit acestei metode, optimul
este evaluat n mod recursiv cu precizie din ce n ce mai mare, dup urmtoarea
relaie:
N [k + 1] = N [k ] RN1[k ]rN [k ] , k 0 ,
(97)
unde:
]( [
])
] [
]
def
1 N
RN [k ] = N n, N [k ] n, N [k ]
n
=
1
def
1 N
r
[
k
]
=
n,N [k ] n,N [k ]
N
N
n =1
, k 0 .
(98)
Calculul efectiv al coreciei RN1,k rN , k din ecuaia (97) necesit evaluarea erorii curente
de predicie [n,N ,k ] i a gradientului acesteia [n,N ,k ] pentru fiecare moment
n 1, N . Ambele se calculeaz iterativ, folosind ecuaiile modelului matematic ales.

60
a. Modelul ARMAX:
n,N [k ] = y[n ] + a1,k y[n 1] + L + ana ,k y[n na ]
b1, k u[n 1] L bnb,k u[n nb]

c1,k n 1,N [k ] L cnc ,k n nc,N [k ] , k 0 ,
(99)
n,N [k ] = y [n ]
a
c1, k a n 1,N [k ] L cnc ,k a n nc,N [k ]
(100)
b n,N [k ] = u [n ]
c1, k b n 1,N [k ] L cnc , k b n nc,N [k ]
n, [k ] = n, [k ]
k 0,
N
N
c
unde:
a [ai ]i =1,na
y [n ] [ y[n i ]]i =1,na
def

= b = [b j ] j =1, nb i [n, ] = u [n ] = [u[n j ]] j =1, nb .
c [cl ]
[n ] [ [n 1, ]]
l =1,nc

l =1, nc
def
(101)
Ecuaiile (90) i (100) se iniializeaz de regul cu valori nule.

b. Modelul BJ:
n acest caz, vectorul N ,k are aceleai 3 componente ca n definiia lui din
(101).
Ca
urmare,
mai
nti
se
evalueaz
coeficienii
polinoamelor
A DF , k D k Fk (de grad nd + nf ), B BD ,k B k D k (de grad nb + nd ) i

CCF ,k C k Fk (de grad nc + nf ). Se folosesc apoi ecuaiile iterative (90) i
(100) pentru polinoamele anterioare (ecuaii iniializate de regul cu valori
nule). Dup aplicarea coreciei, parametrii lui N [k + 1] sunt folosii pentru a
produce valorile curente ale parametrilor modelului ca n Etapa 2 a MCMMPE
(adic prin identificarea zerourilor comune). Se observ c, de fapt, modelul BJ
se poate determina ca i modelul ARMAX n cursul iteraiilor (adic folosind
doar 3 polinoame n loc de 4), urmnd ca toate cele 4 polinoame s fie
explicitate doar n final prin tehnica identificrii zerourilor comune.
n mod evident, odat ce estimaia N [ k ] a fost obinut, dispersia estimat a
zgomotului alb este:
def
2N [k ] =
1
N
(y[n] T [n,N [k ]]N [k ])

N
n =1
1
N
2 [n,N [k ]] = VN (N [k ]) .
N
n =1
Testul de stop al iteraiilor (97) este unul din urmtoarele:
61
(102)
N [k + 1] N [k ] < sau max N ,i [k + 1] N ,i [k ] <

sau
i1, n
sau
k + 1 K max ,
VN N [k + 1] VN N [k ] = 2N [k + 1] 2N [k ] <
(103)
unde > 0 (numit i toleran) controleaz precizia modelului, n este lungimea

vectorului , indicele i denot componenta i a vectorului, iar K max este numrul
maxim de iteraii impus (iniial, k = 0 ). Dac inegalitatea aleas din (103) este
verificat, N [ k + 1] este considerat estimaia optim N .

Iniializarea calculului iterativ (97) se poate efectua plecnd de la un model
determinat cu ajutorul MCMMPE, eventual mai puin precis.
Se poate arta c dac modelul ales este parsimonios (adic polinoamele sunt
coprime ntre ele nu se mai poate simplifica nici o rdcin comun) i intrarea u
este un semnal persistent suficient de mare (cel puin egal cu numrul parametrilor
necunoscui), atunci estimaia oferit de MMEP este consistent.
Obiectivul acestui capitol este de a studia comparativ performanele MCMMPE i
MMEP folosind modele ARMAX i BJ de mai jos:
(1
1 1.5q + 0.7 q )y[n ] = (q + 0.5q )u[n ] + (1 q + 0.2 q ) e[n ] ,
4442444
3
14
4244
3
1442443
1
A( q 1 )
y[ n ] =
B ( q 1 )
n N ;(104)
C ( q 1 )
q 1 + 0.5q 2
1 q 1 + 0 . 2 q 2
+
u
[
n
]
e[n ] , n N .
1
2
1
2
1 1.5q + 0.7 q
1 + 1.5q + 0.7 q
144
42444
3
144
42444
3
1
B( q ) / F (q )
C ( q 1 ) / D ( q 1 )
(105)
5.2. Exerciii
Exerciiul 5.1
Exprimai primele 4 iteraii ( n 1,4 ) i ultima iteraie ( n = N >> n ) n evaluarea
erorii de predicie pentru un model ARMAX n general. Particularizare n cazul
modelelor ARMAX (104) i BJ (105).
Exerciiul 5.2
Exprimai primele 4 iteraii ( n 1,4 ) i ultima iteraie ( n = N >> n ) n evaluarea
gradientului erorii de predicie pentru un model ARMAX n general. Particularizare
n cazul modelelor ARMAX (104) i BJ (105).
Exerciiul 5.3
Descriei algoritmul implicat de MCMMPE n cazul unui model ARMA.
62
Exerciiul 5.4
Descriei algoritmul implicat de MMEP n cazul unui model ARMA.

Pentru problemele de simulare care urmeaz, se va urmri strategia adoptat n
cadrul simulrilor efectuate n capitolul precedent. Modelele de baz ale proceselor
furnizoare de date sunt (104) i (105). Se recomand proiectarea unei rutine de
generare a datelor mai general dect gendata din cadrul capitolului precedent. Dac
se denumete aceast rutin prin gen_data, apelul tipic al acesteia ar trebui s fie
urmtorul:
[D,V,P] = gen_data(DP,N,sigma,lambda,bin) ;
unde: DP

modelului de proces furnizor de date; obiectul poate fi construit de
exemplu cu ajutorul funciei idpoly, care a fost descris n seciunea
4.3; implicit, acest model este identic cu cel din definiia (104)
(ARMAX);
N
este dimensiunea orizontului de msur (implicit: N=250);
sigma este deviaia standard a intrrii SPAB (implicit: sigma=1);
bin
este un parametru care arat tipul de intrri dorit: bin=0 (intrare
SPAB Gaussian); bin~=0 (implicit, intrare SPAB Gaussian
bipolar);
D
V
(zgomotul alb se regsete n V.u, iar zgomotul colorat (adic MAfiltrat) n V.y).
P
este obiectul de tip IDMODEL corespunztor modelului de proces
furnizor de date.
Biblioteca de rutine dedicate IS conine 2 rutine referitoare la ansamblul de metode
MCMMPE-MMEP, dup modelul de identificare ales: armax (pentru modele ARMAX)
i bj (pentru modele BJ).
# ARMAX
Apel: Mid = armax(D,si) ;
Estimeaz parametrii unui model ARMAX folosind MMEP. Modelul identificat
rezultat, Mid, este returnat ca obiect IDMODEL. Estimarea se efectueaz pe
baza datelor D (obiect IDDATA) i a informaiei de structur
si = [na nb nc nk], unde na, nb i nc sunt indicii structurali ai modelului, iar
nk este ntrzierea instrinsec. Cu ajutorul acestei rutine se pot identifica att
modele AR ct i modele ARMA unidimensionale (ns nu i multidimensionale). Apelul rutinei este uor diferit n acest caz:
pentru modele AR:
Mid = armax(D.y,na) ;
pentru modele ARMA: Mid = armax(D.y,[na nc]) ;
63
Observai c datele de identificare sunt specificate acum doar sub forma unei
serii de timp (D
D.y). Pentru identificarea modelelor AR, rutina apeleaz intern o
funcie specializat numit ar, care este diponibil i utilizatorului (cu apel
similar lui armax).
O alt modalitate de a identifica modele AR i ARMA este de a folosi obiectul D
mpreun cu o informaie de structur de forma: si = [na 0 0 0] (AR) sau
si = [na 0 nc 0] (ARMA). Rutina nu funcioneaz ns dect dac na>1 (nu i
pentru na=1). De aceea, se recomand utilizarea rutinei cu argument serie de
timp, pentru aceste modele.
# BJ
Apel: Mid = bj(D,si) ;
Estimeaz parametrii unui model BJ folosind MMEP. Modelul identificat
rezultat, Mid, este returnat ca obiect IDMODEL. Estimarea se efectueaz pe
baza datelor D (obiect IDDATA) i a informaiei de structur
si = [na nb nc nd nf nk], unde na, nb, nc, nd i nf sunt indicii structurali ai
modelului, iar nk este ntrzierea instrinsec. n principiu, algoritmul
implementat n cadrul acestei rutine este similar cu cel al rutinei armax, cu
adaptrile de rigoare impuse de utilizarea modelului BJ.
Metoda implementat n cadrul acestor rutine este MMEP (dar cu iniializare oferit
de MCMMPE). Ambele rutine permit i o serie de specificaii mai tehnice privind
performanele dorite ale algoritmilor implementai, cum ar fi: setarea toleranei de
precizie, specificarea unui numr maxim de iteraii, precizarea unei direcii
prefereniale de cutare a optimului, etc.
Alegerea structurii n cazul metodelor MCMMPE-MMEP ridic, n general,
probleme de complexitate. n cadrul simulatoarelor, se vor utiliza criteriul aplatizrii,
Testul F, funcia de potrivire i criteriul GAIC-Rissanen, ca n cazul simulrilor din
Cpitolul 4. Testul F depinde acum de cel puin 3 indici structurali, astfel c evaluarea
sa ar trebui efectuat n acelai ciclu n care a fost determinat modelul curent.
Validarea modelelor se bazeaz pe aceleai criterii descrise n seciunea 4.1
(paragraful C). Indicii structurali maximi sunt: Na = Nb = Nc = 5 .
Problema 5.1
Biblioteca MATLAB dedicat domeniului IS nu dispune de funcii explicite care
implementeaz MCMMPE. S se proiecteze dou astfel de funcii: armax_e
pentru identificarea modelelor ARMAX i bj_e pentru identificarea modelelor BJ.
Apelul tipic al lor ar trebui s fie similar altor funcii cu obiectiv asemntor
(estimarea parametrilor unui model cu structur dat; vezi de exemplu funciile
armax i bj):
Mid = armax_e(D,si) ;
Mid = bj_e(D,si) ;
Informaia de structur are forma: si = [na nb nc nk] pentru modelul ARMAX i
si = [na nb nc nd nf nk] pentru modelul BJ. ncercai s folosii funcia
armax_e n cadrul funciei bj_e. Testai cele 2 rutine n cazul modelelor (104) i
(105) pentru cteva seturi de indici structurali (inclusiv cei adevrai). Comentai
precizia de estimare a parametrilor.
64
Problema 5.2
S se proiecteze mini-simulatorul ISLAB_5A care evalueaz estimaia
(parsimonioas a) modelului ARMAX asociat procesului (104), folosind MMEP.
Pentru aceasta, se vor parcurge urmtorii pai:
a. Se genereaz 2 seturi de date: unul pentru identificare i altul pentru validare,
folosind rutina gen_data.
b. Pentru fiecare model identificat cu ajutorul MMEP (funcia armax), model
obinut variind indicii na , nb i nc , se vor afia 3 ferestre grafice: una pentru
analiza modelului folosind datele de identificare i de validare i alte dou
pentru reprezentrile poli-zeroruri (filtru sistem i filtru zgomot) cu discuri de
ncredere corespunztoare unei raze de 3 ori mai mari dect deviaiile standard
aferente (ca n Figurile 21 i 22). Dup fiecare fereastr se insereaz o pauz
de ateptare pentru a permite utilizatorului s analizeze informaiile afiate.
Fiecare sub-fereastr a primei ferestre include 3 grafice aranjate pe vertical:
ieirile msurate i simulate cu ajutorul modelului, grafic pe care se indic
i valoarea funciei de potrivire, E N ;
eroarea de predicie (reziduurile modelului), grafic pe care se indic i
dispersia estimat a zgomotului, 2N ;
secvena de auto-covarian a erorii de predicie, grafic pe care se indic i
indexul de validare.
Modelele obinute vor fi memorate n vederea selectrii unuia dintre ele, n
urma aplicrii testelor de determinare a indicilor structurali optimi i de
validare.
c. Se afieaz indicii structurali optimi selectai folosind:
Testul F aplicat dispersiei estimate a zgomotului (adic erorii de predicie);
Testul F aplicat funciei de potrivire pentru datele de identificare;
Testul F aplicat funciei de potrivire pentru datele de validare;
criteriului GAIC n versiunea Rissanen.
d. Se solicit utilizatorului s aleag indicii structurali pe care i consider optimi.
e. Pentru modelul ales, se afieaz cele 3 ferestre grafice de la b. Modelul este
returnat de ctre mini-simulator, n vedera unei utilizri ulterioare. Se
recomand returnarea i a seturilor de date de identificare i validare.
Dup proiectarea mini-simulatorului ISLAB_5A, se vor iniia cteva rulri.
Sunt indicii structurali adevrai indicai de ctre majoritatea criteriilor utilizate sau
ei difer de la o rulare la alta? Justificai rspunsul.
Problema 5.3
Problema anterioar, 5.3, se va relua pentru modelul BJ (105). Mini-simulatorul
rezultat va fi denumit ISLAB_5B. Testai mini-simulatorul i comentai rezultatele
de estimare obinute.
65
Figura 21. Performanele unui model estimat cu MMEP.
Figura 22. Reprezentarea poli-zeroruri a unui model estimat cu MMEP.
66
Capitolul 6
Identificare recursiv
A. Algoritmi recursivi de identificare
Ipoteza parametrilor constani ai unui model (meninui la aceleai valori pe
ntreaga durat a experimentului de identificare) se dovedete nerealist n multe
cazuri de procese concrete analizate. Modelele intrare-ieire ale unui mare numr de
procese ar trebui s evolueze la rndul lor n timp. n multe situaii, este necesar
estimarea i reactualizarea parametrilor unui model simultan cu achiziia de date.
Modelul poate fi apoi utilizat pentru luarea unor decizii n timp real, ca n cazul
aplicaiilor de de control adaptiv, filtrare adaptiv, detecie de defecte sau predicie
adaptiv. De aceea, terminologia IS a fost mbogit cu noi concepte ca: identificare
recursiv, estimare adaptiv de parametri, estimare secvenial sau algoritm de
identificare on-line. Aceste concepte sunt pe larg descrise n [LjL99] i [SoSt89].
Identificarea recursiv a parametrilor trebuie s ia n considerare variaia lor n
timp, pentru a asigura nu numai precizia modelului, ci i capacitatea de urmrire a
acestor variaii. Cele 2 proprieti sunt de fapt contradictorii: o precizie excesiv
implic rigiditate n urmrirea parametrilor, n timp ce o flexibilitate prea mare n
urmrirea parametrilor atrage dup sine imprecizia de estimare a lor. n general,
compromisul dintre aceste dou proprieti este controlat prin mrimea perioadei de
reactualizare, pe a crui durat parametrii sunt presupui constani. n contextul
descris mai jos, reactualizarea parametrilor se efectueaz dup fiecare perioad de
eantionare, pentru a favoriza capacitatea de urmrire. De notat totui c precizia
modelului poate fi mai mult dect satisfctoare chiar i n acest caz, dac este
utilizat o metod de identificare adecvat modelului. De exemplu, MCMMP n
variant recursiv (MCMMP-R) va fi mai puin precis dect MVI n variant recursiv
(MVI-R) n cazul modelului ARX.
Revenim la modelul ARMAX (1), care poate fi exprimat echivalent sub form de
ecuaie de regresie liniar (4). Metodele recursive pleac de fapt de la ecuaia (4) i
pot fi utilizate pentru orice model care poate fi exprimat echivalent n acest mod.
Pentru estimarea i reactualizarea parametrilor la fiecare pas de eantionare, se
poate folosi orice variant a algoritmului descris n Figura 23. Semnalul instrumental
specificat n datele de intrare permite utilizatorului s particularizeze algoritmul ntr-o
procedur de tip MVI-R. n afara procedurilor MCMMP-R i MVI-R, utilizatorul poate
de asemenea s particularizeze acest algoritm ntr-o procedur sugerat de MMEP n
variant recursiv (MMEP-R).
O versiune a MMEP-R este de asemenea utlizat n aplicaii: Metoda de Regresie
Pseudo-Liniar Recursiv (MRPL-R). Aa cum am amintit n capitolul precedent,
MMEP apeleaz la Metoda Gauss-Newton pentru reactualizarea recursiv a
parametrilor estimai. Aceasta se bazeaz pe o anumit manier de aproximare (fie
prin liniarizara reziduurilor (adic a erorii de predicie), fie prin aproximarea matricii
Hessian corespunztoare erorii de predicie).
67
Figura 23. Algoritmul recursiv de baz n IS.

Date de intrare:
a. ordinele modelului de identificare: na , nb , nc , nd i nf ;
b. o colecie redus de date intrare-ieire msurate (dac este posibil):
DN 0 = {u[n ]}n1, N { y[n ]}n1, N (cu N 0 de ordinul zecilor cel mult);
0
c. un semnal instrumental extern: { f [ n ]}n1, N (eventual).

1. Centrarea datelor pe medie: y y y , u u u (i f f f , dac a
fost specificat).
2. Dac nu a fost specificat nici un semnal instrumental, vectorul variabilelor
instrumentale, z , este identic cu vectorul regresorilor . Altfel, z este definit
ca n (58) sau (59)-(60), dar folosind n general semnalul instrumental extern
f n locul intrrii u (n particular, este posibil ca f u ).
3. Iniializare. Fie se seteaz arbitrar vectorul parametrilor 0 i matricea
P0 = I n (cu R+ ) (n cazul n care nu se dispune de setul de date redus

D ), fie se estimeaz valoarea iniial a parametrilor ( ) folosind o metod
N0
off-line adecvat modelului particular utilizat (din clasa MCMMP-MVI) i se

egaleaz matricea P0 cu inversa matricii de covarian R0 folosit n calculul
lui 0 (n cazul n care setul de date redus DN 0 este disponibil).
4. Pentru k 1 :
4.1. Se evalueaz eroarea de predicie curent: [ k ] = y[ k ] T [ k ]k 1 .
4.2. Se evalueaz vectorul auxiliar: k = Pk 1 z[k ] .

4.3. Se evalueaz ctigul de senzitivitate: k =
k
.
1 + T [k ] k
4.4. Se reactualizeaz inversa matricii Rk , adic: Pk = Pk 1 k T [ k ]Pk 1

(cu evitarea inversrii explicite a matricilor).
4.5. Se reactualizeaz vectorul parametrilor: k = k 1 + k [k ] .
Date de ieire: parametrii modelului ( k ) la fiecare pas de reactualizare k 0 .

Metoda Gauss-Newton este nrudit cu familia de metode de optimizare de tip
Newton-Raphson (din care fac parte i metodele de gradient). n cazul MRPL-R, este
utilizat o metod de optimizare din aceast clas [LjL99], [SoSt89].
Evitarea inversrii matricii Rk a fost posibil graie unei leme de inversiune din
Teoria Matricilor:
( A + bcT ) 1 = A1
A1cT bA1
1 + cT A1b
(106)
unde A este o matrice inversabil, iar b i c sunt vectori de lungimi corespunztoare

dimensiunii matricii A .
68
O variant generalizat a algoritmului de identificare recursiv anterior este obinut

prin aplicarea principiului ponderrii datelor. n general, pentru a reactualiza parametrii
estimai, nu este indicat s se in cont n egal msur de toat istoria evoluiei
procesului pn la momentul curent, deoarece datele de intrare-ieire foarte vechi
reprezint comportamente neactuale, eventual eronate pentru momentul curent. De
acea, erorile de predicie sunt ponderate cu ajutorul unei ferestre care aplic penaliti
datelor situate n trecut. Fereastra este de regul dreptunghiular (cu lungime mai
mic dect orizontul de msur) sau exponenial. Fie wk fereastra aplicat la
momentul curent al achiziiei de date k 1 . Atunci criteriul de optimizare din ecuaiile
(21) devine:
def k
Vk ( ) =
wk [n ]( y[n ] [n ] )2 ,
S ,
(107)
n =1
unde S este domeniul de stabilitate al modelului. Procedura rezultat prin

minimizarea criteriului (107) depinde intim de tipul de fereastr utilizat. Vom descrie
cei 2 algoritmi rezultai prin utilizarea ferestrelor dreptunghiular i exponenial.
Fereastra dreptunghiular
Fereastra dreptunghiular are lungimea M , cu M < N (unde N este
lungimea orizontului de msur). Considerm, c momentul curent al achiziiei
de date este k . Pentru simplitate i eficacitate, algoritmul recursiv descris mai
jos poate fi rulat ncepnd cu k = M + 1 . Ct timp k < M , se efectueaz doar
achiziia datelor, fr estimarea parametrilor. Cnd k = M , un algoritm de
identificare de tip off-line este utilizat pentru estimarea parametrilor iniiali.
Fereastra, renotat prin wM ,k , aplic o penalizare dur vechilor date prin
uitarea total a lor. Mai exact, erorile de predicie evaluate pentru momente de
timp inferioare lui k M + 1 sunt complet nlturate i nu mai particip la
reactualizarea parametrilor cureni. Numai datele achiziionate ntre momentele
k M + 1 i k sunt considerate (multiplicate de ponderi unitare). Vectorii i
z din cadrul algoritmului de baz din Figura 23 i pstreaz totui definiiile
originale, independent de tipul de fereastr considerat. Fereastra
dreptunghiular afecteaz matricea Pk1 , exprimat recursiv astfel:
def
Pk1 =
z[n ] T [n ] = Pk11 z[k M ] T [k M ] + z[k ] T [k ] .
(108)
n = k M +1
Pentru a inversa matricea (108), lema de inversiune (106) trebuie aplicat de 2

ori succesiv. n consecin, se obine algoritmul descris n Figura 24.
Spre deosebire de algoritmul de baz din Figura 23, n acest caz, fereastra
dreptunghiular necesit calcularea a 2 erori de predicie, cte una pentru
fiecare latur a ferestrei. Complexitatea acestui algoritm este mai ridicat dect
n cazul precedent, dar att precizia ct i capacitatea de urmrire sunt
mbuntite.
69
Figura 24. Algoritmul recursiv cu fereastr dreptunghiular.

Date de intrare:
b. lungimea ferestrei dreptunghiulare: M ;
c. o colecie redus de date intrare-ieire msurate:
DM = {u[n ]}n1, M { y[n ]}n1, M ;
d. un semnal instrumental extern: { f [ n ]}n1, N (eventual).
fost specificat).
3. Iniializare. Se estimeaz valoarea iniial a parametrilor ( 0 ) folosind o
metod off-line adecvat modelului particular utilizat (din clasa MCMMP-MVI,
cu datele DM ) i se egaleaz matricea P0 cu inversa matricii de covarian R0
folosit n calculul lui 0 .
4. Pentru k 1 :
4.1. Se evalueaz eroarea de predicie la dreapta: d [ k ] = y[ k ] T [ k ]k 1 .

4.2. Se evalueaz eroarea de predicie la stnga:
s [k M ] = y[k M ] T [k M ]k 1 .
4.3. Se reactualizeaz matricea Pk n 2 pai:
k = Pk 1 z[ k ] i Pk 1 Pk 1
k T [k ]Pk 1
;
1 + T [k ] k
k = Pk 1 z[ k M ] i Pk = Pk 1 +
k T [k M ]Pk 1
.
1 T [k M ] k
4.4. Se reactualizeaz vectorul parametrilor:
k = k 1 + Pk (z[k ] d [k ] z[k M ] s [k M ]) .

Fereastra exponenial
nlturarea brusc a erorilor de predicie produse de datele mai vechi poate
provoca erori marginale, n special n cazul proceselor cu dinamic rapid i
bogat coninut n frecvene. Pentru astfel de sisteme (i nu numai), anihilarea
contribuiei datelor mai vechi poate fi realizat prin intermediul unei ferestre
exponeniale, care aplic o penalizare treptat. Variaia exponenial este
simulat cu ajutorul unui parametru controlabil notatat cu (0,1] i denumit
70
factor de uitare. La momentul curent de achiziie a datelor k 1 , fereastra

exponenial are urmtoarea exprimare:
def
wk [n ] = k n , n 1, k .
(109)
Potrivit definiiei (109), criteriul ptratic (107) devine:

def k
Vk ( ) =
k n ( y[n ] [n ] )2 ,
S .
(110)
n =1
Aceasta implic urmtoarea relaie recursiv verificat de matricea Pk1 :

def k
Pk1 =
k n z[n] T [n ] = Pk11 + z[k ] T [k ] .
(111)
n =1
Lema de inversiune (106) poate fi acum aplicat direct asupra relaiei (111). n
consecin, algoritmul recursiv corespunztor ferestrei exponeniale este cel
descris n Figura 25.
Evident, n acest caz, utilizatorul are posibilitatea de a controla mai fin procesul
de penalizare a datelor nvechite, prin stabilirea factorului de uitare dorit (de
regul ntre 0.95 i 0.995). Factorii de uitare de valori din ce n ce mai mici
conduc la o atenuare din ce n ce mai sever a erorilor produse de datele
vechi. Se poate observa cu uurin diferenele dintre paii 4.3, respectiv 4.4 ai
algoritmilor din Figurile 23 i 25. Dac factorul de uitare este stabilit la valoarea
unitar, se obine chiar algoritmul de baz din Figura 23.
O alt semnificaie practic a factorului de uitare este dat de urmtoarea
interpretare: msurtori mai vechi de T = /(1 ) fa de momentul curent
sunt incluse n criteriul ptratic cu o pondere de aproximativ 36% din ponderea
msurtorilor celor mai recente ( T se numete constant de timp a memoriei
datelor sau orizont de memorare a datelor).
Majoritatea algoritmilor de tip off-line pot fi transformai (exact sau aproximativ) n
algoritmi de tip on-line sau recursiv, de o manier direct. Scopul principal al unei
astfel de operaii este de oferi capacitatea de urmrie n timp a caracteristicilor unor
procese variabile i sau neliniare. Modelarea neliniaritilor unui proces prin aceast
tehnic este posibil n cazul n care clasa de modele (de exemplu, ARMAX) nu este
prsit n cursul funcionrii. n caz contrar, este mai indicat o abordare orientat pe
neliniariti sau de tip multi-model (cu baleierea mai multor clase de modele).
Transformarea algoritmilor off-line n algoritmi on-line se realizeaz de regul prin 2
tehnici: modificarea agoritmului de baz (de exemplu, ca n definiia (107)) sau
trecerea la o abordare pe stare cu predicia strilor prin filtrare Kalman.
n afara utilizrii ferestrelor, algoritmul de baz din Figura 23 mai poate fi modificat
n sensul utilizrii metodelor de gradient (de tip Newton-Raphson) pentru
reactualizarea vectorului parametrilor necunoscui. Exist 2 abordri practice: cu
gradient ne-normalizat i cu gradient normalizat. n ambele cazuri, matricea Pk este
forat s fie proporional cu matricea unitar.
71
Figura 25. Algoritmul recursiv cu fereastr exponenial.

Date de intrare:
b. factorul de uitare: [0,1] (de regul, [0.95 , 0.995] );
c. o colecie redus de date intrare-ieire msurate (dac este posibil):
DN 0 = {u[n ]}n1, N { y[n ]}n1, N (cu N 0 de ordinul zecilor, cel mult);
0
d. un semnal instrumental extern: { f [ n ]}n1, N (eventual).

fost specificat).

N0

4. Pentru k 1 :
4.1. Se evalueaz eroarea de predicie: [ k ] = y[ k ] T [ k ]k 1 .
4.2. Se vectorul auxiliar: k = Pk 1 z[ k ] .
k
.
+ T [k ] k
4.4. Se reactualizeaz inversa matricii Rk , adic: Pk =

(P
k 1
k T [k ]Pk 1

n cazul algoritmului cu gradient ne-normalizat, matricea Pk este proporional cu
matricea unitar printr-o constant R+ , numit ctig de gradient. n cazul
algoritmului cu gradient normalizat, ctigul este mprit la fiecare pas cu un factor
proporional cu norma vectorului regresorilor. n al doilea caz, factorul de
proporionalitate variaz n funcie de momentul curent de reactualizare. Ambele tipuri
de algoritmi sunt descrise n Figura 26. Mai multe detalii legate de raionamentul care
a condus la acetia se pot gsi n [LjL99].
72
Figura 26. Algoritmi recursivi de tip gradient.

Date de intrare:
b. ctigul de gradient: R+ ;
c. o colecie redus de date intrare-ieire msurate (dac este posibil):
0
d. un semnal instrumental extern: { f [n ]}n1, N (eventual).

fost specificat).
3. Iniializare. Fie se seteaz arbitrar vectorul parametrilor 0 (n cazul n care nu
se dispune de setul de date redus DN 0 ), fie se estimeaz valoarea iniial a
parametrilor ( 0 ) folosind o metod off-line adecvat modelului particular
utilizat (din clasa MCMMP-MVI) (n cazul n care setul de date redus DN 0 este
disponibil). Se seteaz P0 = I n .
4. Pentru k 1 :
4.1. Se evalueaz eroarea de predicie: [k ] = y[k ] T [k ]k 1 .
4.2. Se reactualizeaz matricea Pk astfel: Pk = P0 (gradient ne-normalizat) sau
Pk = P0 / [k ]
(gradient normalizat).
4.3. Se reactualizeaz vectorul parametrilor: k = k 1 Pk [k ] [k ] .

Se constat cu uurin c algoritmii din Figurile 23 (de baz) i 26 (de gradient)
sunt sensibil diferii prin maniera de evaluare a matricii Pk . De altfel, MRPL-R este
bazat n principal pe algoritmii de gradient ca n Figura 26.
n cazul trecerii la reprezentarea pe stare cu utilizarea filtrrii Kalman, abordarea
pleac de la ipoteza ca parametrii adevrai ai procesului, , variaz n timp dup o
regul cunoscut sub numele de plimbare la ntmplare (random walk). Mai precis,
regula de variaie este urmtoarea:
[n ] = [n 1] + v[n ] , n 1 ,
(112)
unde v este un vector de zgomote albe Gaussiene, avnd matricea de autocovarian R1 = E{v[n ]v T [n ]} (numit i matrice de rspndire).
73
Dac 2 este dispersia zgomotului alb e care apare n ecuaia (84) a modelului
general de identificare, atunci prin utilizarea filtrului Kalman se obine algoritmul
recursiv din Figura 27. (Pentru detalii privind filtrarea Kalman se pot consulta [LjL99]
i/sau [SoSt89].) Acest algoritm, dei ofer estimaii de precizie ridicat este totui mai
complex dect predecesorii si.
Figura 27. Algoritmul recursiv cu filtrare Kalman.
Date de intrare:
b. matricea de rspndire: Rv > 0 ;
c. dispersia estimat a zgomotului alb de proces: 2 ;
d. o colecie redus de date intrare-ieire msurate (dac este posibil):
0
e. un semnal instrumental extern: { f [n ]}n1, N (eventual).

fost specificat).

N0

4. Pentru k 1 :
4.1. Se evalueaz eroarea de predicie: [k ] = y[k ] T [k ]k 1 .
4.2. Se evalueaz vectorul auxiliar: k = Pk 1 z[k ] .

k
.
+ T [k ] k
2
4.4. Se reactualizeaz matricea Pk , adic: Pk = Pk 1 + Rv k T [k ]Pk 1

74
B. Rutine MATLAB pentru identificare recursiv

Biblioteca de rutine dedicat IS conine un numr de 6 funcii care implementeaz
algoritmi recursivi: rarmax (pentru ARMAX i MMEP-R), rarx (pentru ARX i
MCMMP-R sau MVI-R), rbj (pentru BJ i MMEP-R), rpem (pentru modele generale
i MMEP-R), rplr (pentru ARMAX i MPRL-R) i roe (pentru OE i MMEP-R).
Oricare dintre aceste funcii poate fi apelat cu ajutorul unei comenzi cu urmtoarea
sintax tipic:
[theta,ypred] = rnume(D,si,ma,pa) ;
unde: D
si
ma
pa
este obiectul de tip IDDATA (vezi Problema 2.3) corespunztor datelor

generate (intrarea se regsete n D.u, iar ieirea n D.y);
este vectorul indicilor structurali i al ntrzierii modelului (ca n cazul
rutinei pem):
si = [na nb nc nd nf nk];
este un argument care indic metoda de adaptare a algoritmului off-line
la algoritmul on-line (ir de 2 caractere):
'ff' se va opera cu criteriu ptratic afectat de fereastr
exponenial (i.e. cu factor de uitare; 'ff' = forgetting factor);
'ug' se va utiliza o metod de gradient (Newton-Raphson) nenormalizat ('
'ug' = unnormalized gradient);
'ng' se va utiliza o metod de gradient (Newton-Raphson)
normalizat ('
'ng' = normalized gradient);
'kf' se va utiliza reprezentarea pe stare i filtrarea Kalman (aici:
'kf' = Kalman filtering);
este un parametru de adaptare corespunztor metodei de adaptare a
algoritmului off-line la algoritmul on-line, adic argumentului ma (scalar
sau matrice):
factorul de uitare (scalar) pentru fereastra exponenial (cnd
argumentul ma este setat cu 'ff');
ctigul dorit (scalar) n cazul utilizrii algoritmilor de gradient (cnd
argumentul ma este setat cu 'ug' sau 'ng');
Rv matricea de rspndire n cazul utilizrii algoritmului bazat pe
filtrare Kalman (cnd argumentul ma este setat cu 'kf'); n acest
caz, parametrul 2 (dispersia zgomotului alb) este considerat
implicit egal cu 1; dac, n realitate, 2 nu este unitar, se poate
demonstra c estimaia parametrilor nu este afectat dac se
scaleaz matricile Rv i P0 cu valoarea estimat a sa (urmnd s
se lucreze tot cu 2 = 1 , ca n cazul implicit).

theta este matricea parametrilor estimai variabili n timp; fiecare linie a
matricii memoreaz valoarea parametrilor la un anumit moment de
timp; numrul de linii este egal cu lungimea orizontului de msur
(adic a vectorilor D.u i D.y); pe fiecare linie, parametrii sunt precizai
75
n ordinea alfabetic a numelor polinoamelor pe care le reprezint ( A ,

B , C , D , F );
ypred este vectorul ieirii predictate a procesului la fiecare moment de timp,
folosind modelul matematic reactualizat; lungimea sa este egal cu
lungimea orizontului de msur.
Evident, nume este unul din urmtoarele: armax, arx, bj, pem, plr sau oe. Toate
rutinele permit i precizarea unor parametri suplimentari de intrare prin care s se
poat specifica o iniializare dorit ( 0 , P0 i chiar [0] ). Iniializarea poate fi
construit i din valorile corespunztoare obinute prin ntreruperea unui algoritm
recursiv. Apelul funciilor cu setul complet de argumente este urmtorul:
[theta,ypred,P,phi] = rnume(D,si,ma,pa,theta0,P0,phi0) ;
unde: theta0 este vectorul iniial al parametrilor;
P0
este matricea iniial P0 ;
phi0
este vectorul iniial al regresorilor [0] .
P
phi
este matricea final PN ;
este vectorul final al regresorilor [N ] .
Restul argumentelor funciei au fost deja explicitai mai sus.

Biblioteca nu include i vesiuni ale algoritmului bazat pe MVI-R. Utilizatorul este
aadar invitat s proiecteze o rutin de tipul celor de mai sus, numit sugestiv riv.
Pentru a nu complica proiectarea rutinei, se poate considera doar varianta de algoritm
din Figura 25 (cu fereastr exponenial), utilizatorul avnd posibilitatea de a rula
algoritmul de baz din Figura 23 prin specificarea factorului unitar cu valoarea unitar.
Apelul tipic al rutinei ar trebui s fie urmtorul:
[theta,ypred,P,phi,z] = riv(D,si,f,lambda,theta0,P0,phi0,z0) ;
unde: f
este semnalul instrumental (implicit: f=D.u);
lambda este factorul de uitare ( (0,1] ) (implicit: lambda=1);
z0
este vectorul iniial al instrumentelor z[0] ;
z
este vectorul final al instrumentelor z[N ] .
Restul argumentelor funciei au fost explicitate mai sus. De notat c parametrii

structurali si conin numai ordinele modelului ARX.
Obiectivul acestui capitol este de a efectua o comparaie ntre 4 metode recursive
de identificare: MCMMP-R, MVI-R, MMEP-R i MRLP-R, n identificarea parametrilor
unor modele din clasa ARMAX.
6.2. Exerciii
Exerciiul 6.1
Descriei algoritmul MMEP-R folosind un model ARMAX i algoritmul general
prezentat n Figura 23.
76
Exerciiul 6.2
Justificai prin calcule adecvate algoritmul din Figura 24.
Exerciiul 6.3
Justificai prin calcule adecvate algoritmul din Figura 25.
Exerciiul 6.4
S se demonstreze c, n cazul utilizrii ferestrei exponeniale (109), msurtori
mai vechi de T = /(1 ) fa de momentul curent sunt incluse n criteriul
ptratic cu o pondere de aproximativ 36% din ponderea msurtorilor celor mai
recente, dac factorul de uitare este situat ntr-o vecintate a lui 1.

Datele pe care toate mini-simulatoarele din cadrul capitolului le vor analiza sunt
generate de urmtorul model ARMAX[1,1,1], cu parametri constani sau variabili n
timp:
(1 + a [n]q )y[n] = b [n]q

1
u[n ] + 1 + c1[n ]q 1 e[n ] , n N ,
(113)
unde u i e sunt zgomote albe Gaussiene, de medie nul i dispersii unitare

( 2u = 2e = 1 ).
n cazul n care parametrii sunt constani, ei au urmtoarele valori:
a1[n ] = a10 = 0.7 , b1[n ] = b10 = 0.6 , c1[n ] = c10 = 0.9 , n N .
(114)
Un set de parametri variabili n timp poate fi considerat urmtorul:

def
def
def
4 n
18 n
10 n
a1[n ] = a10 cos

, n N ,
, c1[n ] = c10 Sc
, b1[n ] = b10 sgn cos
N
N
N
(115)
unde sgn este notaia pentru operatorul de luare a semnului, iar Sc este funcia:
def
Sc(t ) = sin(t ) / t (sinus cardinal sau sinus atenuat). Practic, a1 variaz dup o lege
armonic, b1 dup o lege de tip tren de impulsuri, iar c1 dup o lege hiperbolic
oscilatorie. Pe termen lung, modelul ARMAX (113) tinde s devin un model ARX.
Orizontul de msur, N , care intervine i n legile de variaie a parametrilor (115),
este specificat de utilizator, dar nu se poate situa sub 200.
Pentru generarea i stocarea datelor, se recomand scrierea unei rutine separate,
numite gdata_vp, al crei apel general s fie urmtorul:
[D,V,P] = gdata_vp(cv,N,sigma,lambda,bin) ;
unde: cv
este un comutator care arat tipul de proces: cu parametri constani

dai de ecuaiile (114) (c
cv=0) sau cu parametri variabili dai de
ecuaiile (115) (c
cv~=0); (implicit: cv=0);
77
N
este orizontul de msur (implicit: N=250);
sigma este deviaia standard a intrrii SPA (implicit: sigma=1);
bin
este un parametru care arat tipul de intrri dorit: bin=0 (intrare
SPAB Gaussian); bin~=0 (implicit, intrare SPAB Gaussian
bipolar);
D
V
(zgomotul alb se regsete n V.u, iar zgomotul colorat (adic MAfiltrat) n V.y);
P
modelului de proces furnizor de date; n cazul parametrilor constani
(114): P.a=[1 a0], P.b=[0 b0], P.c=[1 c0]; n cazul
parametrilor variabili (115): P.a=[1 a], P.b=[0 b], P.c=[1 c]
(unde a, b i c sunt vectorii de variaie).
Se vor genera 2 seturi de date de dimensiune N : unul provenit de la procesul cu
parametri constani ( Dc ) i altul de la procesul cu parametri variabili ( Dv ).
Problema 6.1
Mini-simulatorul ISLAB_6A efectueaz o comparaie ntre cele 4 metode de
identificare recursive menionate, adic: MCMMP-R, MVI-R, MMEP-R i MRPL-R,
folosind setul de date Dc . Primele 2 metode opereaz cu modelul ARX[1,1], n
timp ce ultimele 2 cu modelul ARMAX[1,1,1]. Pentru aprecierea performanelor
lor, sunt afiate 4 ferestre grafice care includ variaiile parametrilor reali (aici
constani) suprapuse peste variaiile parametrilor estimai i variaia ieirii simulate
suprapuse peste ieirea real (msurat) a procesului (Figurile 28-31).
a. S se comenteze rezultatele obinute cu ajutorul mini-simulatorului ISLAB_6A.
Care ar fi explicaiile performanelor mai slabe ale MCMMP-R n estimarea
parametrului prii AR?
b. S se proiecteze mini-simulatorul ISLAB_6B, similar ca structur cu
ISLAB_6A, dar care opereaz cu datele Dv . Comentai rezultatele obinute.
Problema 6.2
S se proiecteze mini-simulatorul ISLAB_6C, care s afieze performanele
MCMMP-R (sau MVI-R) pentru iniializrile P0 = I , cu {0.01,0.1,1,10,100} .
Problema 6.3
Rutinele recursive folosite n mini-simulatoarele din Problema 6.1 au posibilitatea
de a opera cu fereastra exponenial aplicat erorii de predicie. S se proiecteze
mini-simulatorul ISLAB_6D, care s afieze performanele MCMMP-R (sau MVI-R)
pentru urmtoarele valori ale factorului de uitare: {0.95,0.96,0.97,0.98,0.99} .
Comentai rezultatele obinute n ultimele 2 probleme.
78
Figura 28. Performanele MCMMP-R.
Figura 29. Performanele MVI-R.

79
Figura 30. Performanele MMEP-R.
Figura 31. Performanele MRPL-R.

80
Capitolul 7
Aplicaii de identificare recursiv
Identificarea recursiv este utilizat n numeroase aplicaii moderne (n special de
control adaptiv, filtrare adaptiv sau estimare spectral). n cadrul acestui capitol,
discuia este axat pe dou astfel de aplicaii: aproximarea modelelor de complexitate
ridicat prin modele mai simple i identificarea parametrilor fizici ai unui proces.
Contextul de lucru al capitolului precedent este mbogit aici cu cteva noi abordri de
identificare.
A. Aproximarea modelelor complexe
Exist multe situaii n care dinamica procesului analizat este prea complex pentru
a fi reprezentat de un model matematic precis. De cele mai multe ori, precizia este
sacrificat n scopul atingerii unui anumit grad de eficien a algoritmilor de estimare
parametric. Modelele aproximative adoptate n aceste cazuri fac parte fie din clasa
general (84), fie, mai des, din clasa ARMAX (1).
Pentru simplificarea discuiei, s considerm numai partea util a unui model
ARMAX, descris de funcia de sistem raional H B / A , ca n Figura 1. Aceasta
aproximeaz cu o anumit precizie partea util din procesul de complexitate ridicat,
notat prin H . De regul, modelul ARMAX nu poate reprezenta procesul pe ntreaga
band de frecvene a rspunsului su n frecven H ( e j ) , datorit complexitii
acestuia i a variabilitii n timp, dar pot exista frecvene n jurul crora precizia de
aproximare este satisfctoare. Dac aceste frecvene sunt cunoscute, procesul
poate fi stimulat cu un SPA(B) filtrat n aa fel nct setul de date intrare-ieire astfel
generat s reflecte comportamentul procesului n jurul lor. Vom nota filtrul aplicat
intrrii prin F (de regul un filtru de tip trece-band), n timp ce intrarea filtrat va fi
referit prin u f . Astfel:
u f F ( q 1 )u .
(116)
Convenim s re-notm funcia de sistem H ( q 1 ) prin H ( q 1 , ) , pentru a pune mai

bine n eviden dependena acesteia de parametrii modelului. O schimbare similar
va interveni i n notaia rspunsului n frecven.
n aceste condiii, determinarea parametrilor modelului se poate efectua rezolvnd
urmtoarea problem de minimizare a erorii ptratice de estimare spectral:
= arg min V ( ) , unde:

S
def +
V ( ) =
F ( e j ) H (e j ) H ( e j , ) u ( ) d , S .
Ca de obicei, S este domeniul de stabilitate al modelului ARMAX.

81
(117)
Recunoatem n definiia (117) notaia densitii spectrale de putere a intrrii.

Evident, aceast definiie este conform cu definiia (116). Pentru rezolvarea
problemei de optimizare anterioare poate fi utilizat o variant a MMEP-R. Aceasta
corespunde rutinei Matlab rarmax, din biblioteca IS (rutin descris indirect n cadrul
capitolului precedent).
Problema cea mai dificil rmne doar proiectarea adecvat a filtrului F ,
deoarece, de regul, nu se cunosc frecvenele n jurul crora modelul ARMAX
aproximeaz satisfctor comportamentul procesului. Folosirea frecvenelor de
rezonan ale procesului constituie adesea o alegere inspirat, cu condiia ca mcar
aceste frecvene s poat fi cunoscute a priori, chiar i imprecis. Determinarea
grosier a frecvenelor de rezonan (sau a frecvenelor naturale de oscilaie) ale unui
proces se poate efectua, de exemplu, plecnd de la ecuaiile difereniale rezultate din
aplicarea legilor Fizicii care guverneaz funcionarea acelui proces. n acest caz, se
apeleaz la metode de identificare a parametrilor fizici semnificativi pentru proces
(cum va fi descris n paragraful urmtor). O alt abordare, mai direct, este cea n
care se traseaz spectrul rspunsului n frecven al procesului determinat grosier din
datele de intrare-ieire obinute cu intrarea ne-filtrat. Spectrul poate pune n eviden
frecvenele dominante n jurul crora ar trebui utilizat modelul ARMAX aproximant.
Mai precis, din datele msurate se obine:
2
H ( e j )
y ( )
, [0, ] ,
u ( )
(118)
care se traseaz grafic (n dB). Pe grafic se pot pune n eviden frecvenele

dominante sau dorite. Se recomand determinarea cte unui model ARMAX n jurul
fiecrei frecvene selectate.
Presupunnd c a fost selectat o frecven n jurul creia dorim aproximarea
modelului procesului complex cu un proces mai simplu, de tip ARMAX, filtrul F (de tip
trece-band) poate fi proiectat cu ajutorul tehnicilor cunoscute din PS. Exist
numeroase metode de proiectare a filtrelor trece-jos, trece-sus, trece-band, stopband, multi-band, etc. [PrMa96]. Cea mai mare parte dintre acestea sunt
implementate n cadrul bibliotecii MATLAB dedicat domeniului PS. Ne vom opri doar
asupra unei metode relativ simple, care permite i proiectarea de filtre trece-band
(tipul de filtru de interes n aceast aplicaie): Metoda lui Butterworth.
Filtrele Butterworth sunt definite n contextul semnalelor analogice. Versiuni
numerice ale acestora se pot obine prin discretizare. Spectrul unui astfel de filtru este,
prin definiie, urmtorul:
2
def
F ( j) =
1
, R ,
1 + ( / c ) 2 K
(119)
unde: K N este ordinul filtrului, iar c > 0 este pulsaia de tiere (adic pulsaia
pentru care spectrul atinge valoarea de 3 dB n scar logaritmic sau, echivalent,
1 / 2 n scar liniar). Evident spectrul este monoton descresctor pentru pulsaii

pozitive. Mai mult, odat cu creterea ordinul filtrului, caracteristicile sale n frecven
se mbuntesc: pulsaia de tiere este abordat mai abrupt, iar lobii parazii din
banda de stop sunt atenuai. Figurile 32 i 33 arat caracteristicile ctorva filtre.
82
Figura 32. Caracteristicile n frecven ale filtrelor Butterworth de tip trece-jos.
Figura 33. Caracteristicile n frecven ale filtrelor Butterworth de tip trece-band.
83
Definiia (119) implic urmtoarea proprietate remarcabil verificat de funcia de

transfer a filtrului:
F ( s )F ( s ) =
1 + s 2 / c2
(120)
Proprietatea (120) arat c polii funciei complexe F ( s )F ( s ) sunt situai numai

pe cercul de raz c n puncte echidistante:
(2k + 1) j
sk = j c exp
, k 0, K 1 .
2K
(121)
Funcia de transfer F (s ) fiind stabil, ea extrage din mulimea (121) numai polii cu
partea real negativ. Ceilali poli (simetrici) sunt produi de F ( s ) .
n proiectarea unui filtru Butterworth, se pleac de la restricia ca valoarea
spectrului la o anumit pulsaie precizat a > 0 s fie a ( 0,1) i se cere
determinarea ordinului su. Evident, folosind definiia (119), ordinul filtrului rezult
imediat:
1 a2
log 2
a
K=
2 log a
(122)
innd cont c atenuarea crete (adic a scade) odat cu creterea ordinului filtrului
(vezi Figurile 32 i 33). Pentru a proiecta un filtru Butterworth avem deci nevoie de
urmtoarele date: pulsaia de tiere c i ordinul K sau pulsaia de tiere c i
perechea a , F ( j a ) = a .
Practic, filtrul Butterworth este de tip trece-jos. Pentru a proiecta un filtru de tip
trece-band, este suficient s se proiecteze 2 filtre de tip trece jos (cte unul pentru
fiecare pulsaie de tiere a benzii de trecere) i s se scad caracteristica filtrului de
band mai ngust din cea de band mai larg.
Funcia Matlab cu ajutorul creia se poate proiecta un filtru Butterworth este
butter, cu apelul tipic:
[B,A] = butter(K,fc,type) ;
unde: K
fc
este ordinul filtrului (ntreg strict pozitiv); dac ordinul trebuie obinut cu
ajutorul relaiei (122), se poate utiliza funcia MATLAB buttord;
este frecvena de tiere a filtrului, exprimat ca un numr n intervalul
(0,1), cu valoarea unitar corespunznd jumtii frecvenei de
eantionare (conform Teoremei lui Shannon-Nyquist [StD9602a]); de
exemplu, dac s este frecvena de eantionare i fc=0.7, atunci
frecvena de tiere este f c = 0.35 s ; pe scala pulsaiei normalizate
84
(adic n gama [0, ] , unde corespunde jumtii frecvenei de
type
eantionare), pulsaia de tiere va fi c = 0.7 ; n mod implicit, dac

fc este scalar, se proiecteaz un filtru de tip trece-jos; se poate ns
preciza fc ca un vector cu 2 elemente subunitare, caz n care se
proiecteaz un filtru de tip trece-band, de ordin 2*K; frecvenele sale
de tiere sunt alese n funcie de elementele lui fc;
dac se dorete proiectarea de filtre de tip trece-sus sau stop-band,
se poate preciza aceasta prin argumentul opional type; astfel, type
poate fi: high (pentru filtrul trece-sus) sau stop (pentru filtrul
stop-band, caz n care fc trebuie s fie un vector cu 2 elemente);
polinomul care definete numrtorul funciei de transfer a filtrului; este
un vector de lungime K+1 (pentru filtrele trece-jos, trece-sus) sau
2*K+1 (pentru filtrele trece-band, stop-band), cu coeficienii n
ordinea cresctoare a puterilor lui z 1 ;
polinomul care definete numitorul funciei de transfer a filtrului; este un
vector de lungime K+1 (pentru filtrele trece-jos, trece-sus) sau 2*K+1
(pentru filtrele trece-band, stop-band), cu coeficienii n ordinea
cresctoare a puterilor lui z 1 .

Funcia butter ofer direct versiunea discret a filtrului Butterworth, dar este
posibil apelarea ei cu parametri suplimentari, n aa fel nct s se obin versiunea
original (n timp continuu).
n practic, discretizarea unei funcii de transfer continue se efectueaz cu ajutorul
urmtoarei transformri omografice (care asociaz dreptele verticale din planul
complex cu cercurile i axa imaginar cu cercul unitar):
s=
2 z 1
,
Ts z + 1
(123)
unde Ts este perioada de eantionare. Cu alte cuvinte, nlocuind variabila Laplace s

cu termenul drept al egalitii (123), n funcia de transfer din timp continuu, se obine
funcia de transfer din timp discret (normalizat cu perioada de eantionare).
Reamintim c transformarea de discretizare ideal (dar neinversabil) este
urmtoarea (care transform dreptele verticale n cercuri) [LaID93], [LaID97]:
z = e sTs .
(124)
Utilizarea extrapolatorului de ordin zero (care const n interpolarea valorilor

eantionate la stnga cu valori constante) permite adoptarea aproximrii Pad a
transformrii (124), adic aproximarea cu un polinom Taylor de ordin 1 a exponenialei
complexe:
z 1 + sTs
z 1
.
Ts
(125)
Aproximarea Pad este grosier (dei interesant practic) i nu conserv proprietatea

de a transforma verticalele n cercuri. Din aceste motive, transformarea (123), care
85
corespunde de fapt extrapolatorului de ordin 1 (i const n interpolarea cu drepte

oblice valorilor eantionate la stnga), este considerat mai precis i adesea adoptat
n locul ei.
Teoretic discretizarea unei funcii de transfer continue raionale H ( s ) se
efectueaz cu ajutorul Teoremei Reziduurilor [SeS01], [SeS02]:
def
H d ( z ) = ( z 1)
H(s) 1
.
s z e sTs
Rez
{poli}
(126)
Revenind la aplicaia de identificare, mai multe etape trebuie parcurse:

1. Se stimuleaz procesul cu un anumit numr de semnale SPAB (de exemplu
100) i se traseaz media rspunsurilor n frecven determinate folosind
relaia (118).
2. Dup ce se stabilete frecvena n jurul creia se dorete modelarea ARMAX i
lrgimea de band, se proiecteaz filtrul Butterworth corespunztor, cu ajutorul
cruia se filtreaz un semnal SPAB.
3. Semnalul rezultat este folosit pentru a stimula procesul n vederea culegerii
datelor intrare-ieire de identificare (pe un orizont de msur suficient de larg;
de exemplu, cel puin 200 de perechi de date).
4. Datele sunt nti folosite ntr-un experiment de identificare ne-recursiv, n
special pentru a determina ordinele modelului ARMAX.
5. n final, cu ordinele din etapa precedent, se iniiaz un experiment de
identificare recursiv a modelului ARMAX, plecnd de la datele achiziionate.
Pentru problemele de simulare, se va considera c procesul generator de date
este descris de un model general de tip (84), cu urmatoarele polinoame stabile:
A( q 1 ) = 1 1.5q 1 + 0.9 q 2
1
2
3
4
B ( q ) = q 1.3q + 0.8q
C ( q 1 ) = 1 q 1 + 0.2 q 2 0.18q 4 .
1
1
2
3
D ( q ) = 1 2q + 1.85q 0.65q
F ( q 1 ) = 1 + 0.9 q 2
(127)
Se recomand proiectarea unei rutine separate avnd rolul de a genera datele de

identificare folosind modelul (84) cu particularizarea (127). Apelul general al acestei
rutine ar putea fi urmtorul:
[D,V,P] = gdata_cp(u,lambda) ;
unde: u
este intrarea de stimul a procesului (vector coloan); implicit, u este

un SPAB Gaussian de lungime N = 250 ;
D
86

(zgomotul alb se regsete n V.u, iar zgomotul colorat (adic filtrat)
n V.y);
modelului de proces furnizor de date; parametrii din definiiile (127) se
regsesc n: P.a=[1 a], P.b=[0 b], P.c=[1 c], P.d=[1 d] i
P.f=[1 f].
B. Identificarea parametrilor fizici ai unui proces

Exist aplicaii n care procesul furnizor de date este caracterizat de un numr
relativ redus de parametri cu ajutorul crora se pot exprima ecuaiile difereniale de
funcionare deduse din legile Fizicii. Din acest motiv, parametrii dobndesc atributul de
fizici. Folosind n special MMEP, este posibil estimarea parametrilor fizici din date
intrare-ieire msurate.
Dou abordri sunt n general uzitate n estimarea parametrlor fizici ai unui proces.
Ambele pleac de la exprimarea funciei de transfer continue a procesului, H ( s ) , n
aa fel nct s se pun n eviden parametrii necunoscui. O prim abordare const
n discretizarea funciei de transfer (cu perioada de eantionare cu care sunt
achiziionate datele intrare-ieire) i estimarea coeficienilor funciei de transfer
discretizate. Parametrii fizici rezult apoi din coeficienii estimai. A doua abordare
const n reprezentarea pe stare a sistemului continuu, cu precizarea unor parametri
de stare necunoscui corespunztori parametrilor fizici. Estimarea parametrilor de
stare se poate efectua direct din datele msurate, dup discretizarea modelului pe
stare.
Aplicaia propus n cadrul acestui capitol const n identificarea parametrilor fizici
ai unui motor de curent continuu caracterizat de urmtoarea funcie de transfer
simplificat (de ordin 2):
def
H ( s) =
K
,
s(1 + Ts )
(128)
unde K (ctigul) i T (constanta de timp) sunt parametrii fizici ce trebuie identificai.

Datele de intrare i ieire msurate, D = {u[n ]}n =1, N { y[ n ]}n =1, N , sunt achiziionate
cu o perioad de eantionare Ts .
Potrivit primei abordri, prin discretizarea funciei de transfer (128), se obine o
nou funcie de transfer de forma:
def
Hd ( z) =
b1 z 1 + b2 z 2
,
1 + a1 z 1 + a2 z 2
(129)
unde coeficienii a1 , a2 , b1 i b2 pot fi exprimai n funcie de K i T . Dependena

coeficienilor de parametrii fizici este neunic, fiind determinat de metoda de
discretizare aleas. Estimarea parametrilor fizici decurge din valorile identificate ale
coeficienilor. Din punctul de vedere al IS, (129) este considerat un model fie de tip
ARX, fie de tip OE.
87
A doua abordare presupune reprezentarea pe stare a motorului de curent

continuu. O astfel de reprezentare (neunic) este urmtoarea:
1 0
2
x& (t ) =
x ( t ) + u (t ) , t R ,
+
0
0
y (t ) = [0 ] x (t )
(130)
unde 1 i 2 sunt parametrii de stare necunoscui care trebuie estimai, iar i

sunt 2 parametri constani arbitrar alei. Reprezentarea (130) corespunde formei
canonice a funciei de transfer continue (128), adic:
H (s) =
K /T
.
s( s + 1 / T )
(131)
De asemenea, reprezentarea (130) este ideal, n sensul c nu include i perturbaiile

interne i/sau externe care corup procesul. Parametrii fizici se pot deduce apoi din
parametrii de stare (vezi Exerciiul 7.4).
Estimarea parametrilor necunoscui se poate efectua prin discretizarea
reprezentrii pe stare folosind perioada de eantionare i aproximarea derivatei
strilor prin:
x& (t )
x (t + Ts ) x (t )
, t R+ ,
Ts
(132)
care corespunde eantionorului de ordin zero. Reprezentarea discret pe stare

corespunztoare este exprimat astfel (inclusiv perturbaiile):
x[n + 1] = A x[n ] + B u(t ) + F w[n ]

, n N ,
y[n ] = C x[n ] + D u[n ] + E v[n ]
(133)
unde n este timpul normalizat (discret), iar v i w sunt perturbaii. Matricea A i

vectorii B , C , D , F , E pot fi dedui direct din reprezentarea n timp continuu, cu
def
aproximarea (132) i definiia: x[n ] = x ( nTs ) .

n ultima problem de simulare, modelul motorului de curent continuu va fi utilizat
pentru a genera 2 seturi de date intrare-ieire: unul cu parametrii fizici constani i altul
cu parametrii fizici variabili. Parametrii constani sunt:
K = K 0 = 4 i T = T0 = 0.5 .
(134)
Acetia pot varia dup urmtoarele legi, pe durata orizontului de msur, de la

momentul iniial arbitrar fixat la 0 , pn la momentul final Tmax :
t2
1 10t
t
, t [0, Tmax ] . (135)
+ 1 i T = T0 1 + sin
K (t ) = K 0 3 2 3
2
Tmax
Tmax
Tmax
88
n mediul de programare MATLAB, bibliotecile dedicate domeniilor de IS i TS sunt

folosite pentru a proiecta programe ce simuleaz funcionarea sistemelor continue
invariante la deplasri temporale (LTI Linear Time Invariant Systems) i
discretizarea acestora. Informaii generale privind reprezentarea sistemelor continue
se pot obine cu ajutorul comenzii help ltimodels. Astfel, exist 4 tipuri de obiecte
cu care pot fi reprezentate sistemele continue:
Funcii de transfer. Obiectul este creat sau convertit cu ajutorul funciei tf
(transfer function):
H = tf(B,A,Ts) ; sau H = tf(SYS) ;
unde: B
A
Ts
este numrtorul funciei de transfer (vector, cu coeficienii aranjai

n ordinea descresctoare a puterilor variabilei complexe Laplace
sau Z);
este numitorul funciei de transfer (vector, cu coeficienii aranjai n
ordinea descresctoare a puterilor variabilei complexe s sau z );
este perioada de eantionare; dac este specificat, perioada de
eantionare indic generarea unei funcii de transfer discrete;
implicit, sau dac Ts=0, funcia de transfer este continu;
este obiectul de tip TF corespunztor argumentelor de intrare;
cmpurile sale specifice sunt urmtoarele:
H.num
numrtorul funciei de transfer (cmp de celule
vectoriale; n cazul modelelor SISO, numrtorul
este stocat n H.num{1});
H.den
numitorul funciei de transfer (cmp de celule
vectoriale; n cazul modelelor SISO, numitorul este
stocat n H.den{1});
H.Variable cmp care poate lua urmtoarele valori: s, p,
z, z^-1, q; arat tipul de sistem i
maniera de reprezentare a funciei de transfer:
Laplace, exprimat n variabilele s sau p ; Z,
exprimat n variabilele z sau z 1 ; timp discret,
exprimat n funcie de operatorul q +1 ; acest cmp

poate fi setat ulterior de ctre utilizator.
SYS este un obiect de tip ZPK sau SS, care va fi convertit la un obiect de
tip TF; conversia se poate realiza i cu ajutorul funciilor de
bibliotec IS: zp2tf, ss2tf (cu nume sugestive).
Poli-zerouri-ctig. Obiectul este creat sau convertit cu ajutorul funciei zpk
(zero-pole-gain):
H = zpk(Z,P,K,Ts) ; sau H = zpk(SYS) ;
unde: Z
P
K
este vectorul zerourilor sistemului;

este vectorul polilor sistemului;
este ctigul sistemului (scalar), obinut pentru s = 0 (n cazul
continuu) sau z = 1 (n cazul discret);
89
Ts

eantionare indic generarea unei funcii de transfer discrete;
implicit, sau dac Ts=0, funcia de transfer este continu;;
este obiectul de tip ZPK corespunztor argumentelor de intrare;
H.z
zerourile funciei de transfer (cmp de celule
vectoriale; n cazul modelelor SISO, zerourile sunt
stocate n H.z{1});
H.p
polii funciei de transfer (cmp de celule vectoriale;
n cazul modelelor SISO, numitorul este stocat n
H.p{1});
H.k
ctigul funciei de transfer (matrice; n cazul
modelelor SISO, numitorul este stocat n H.k);
H.Variable cmp care poate lua urmtoarele valori: s, p,
z, z^-1, q; arat tipul de sistem i
maniera de reprezentare a funciei de transfer:
Laplace, exprimat n variabilele s sau p ; Z,
exprimat n variabilele z sau z 1 ; timp discret,
exprimat n funcie de operatorul q +1 ; acest cmp

poate fi setat ulterior de ctre utilizator.
SYS este un obiect de tip TF sau SS, care va fi convertit la un obiect de
tip ZPK; conversia se poate realiza i cu ajutorul funciilor de
bibliotec IS: tf2zp, ss2zp (cu nume sugestive).
Spaiul strilor.
Obiectul este creat sau convertit cu ajutorul funciei ss

(state space):
H = ss(A,B,C,D,Ts) ; sau H = ss(SYS) ;

unde: A
B
C
D
Ts
este matricea sistemului;

este vectorul intrare-stare;
este vectorul stare-ieire;
este factorul intrare-ieire;
eantionare indic generarea unei reprezentri discrete pe stare;
implicit, sau dac Ts=0, reprezentarea pe stare este continu;
H
este obiectul de tip SS corespunztor argumentelor de intrare;
H.a matricea sistemului;
H.b vectorul intrare-stare;
H.c vectorul stare-ieire;
H.d factorul intrare-ieire;
SYS este un obiect de tip TF sau ZPK, care va fi convertit la un obiect de
tip SS; conversia se poate realiza i cu ajutorul funciilor de
bibliotec IS: tf2ss, zp2ss (cu nume sugestive).
90
Rspuns n frecven. Obiectul este creat cu ajutorul funciei frd (frequency

response data):
H = frd(FR,omega,Ts) ; sau H = frd(SYS,omega) ;
unde: FR
este rspunsul n frecven al sistemului (Transformata Fourier a

funciei pondere);
omega este vectorul pulsaiilor/frecvenelor unde este evaluat rspunsul
n frecven ([rad/s] sau [Hz]);
Ts este perioada de eantionare; dac este specificat, perioada de
eantionare indic generarea unui rspuns n frecven discret;
implicit, sau dac Ts=0, rspunsul n frecven este continuu;
H
este obiectul de tip FRD corespunztor argumentelor de intrare;
H.Frequency
axa pulsaiilor;
H.ResponseData blocul matricial al rspunsului n frecven; n
cazul sistemelor SISO, rspunsul n frecven
este nregistrat n vectorul
H.ResponseData(1,1,:);
H.Units
unitatea de msur a axei frecvenelor
(
rad/s sau Hz);
SYS este un obiect de tip TF, ZPK sau SS, care va fi convertit la un
obiect de tip FRD.
n afara cmpurilor celor 4 obiecte de tip LTI descrise mai sus, exist i cmpuri pe
care le posed toate obiectele LTI. Cel mai important este H.Ts (dac H este un
obiect LTI), care reprezint perioada de eantionare. n cazul sistemelor continue,
acest cmp este vid sau are valoarea nul.
Biblioteca IS este dotat cu o serie de rutine care permit trecerea de la
reprezentrile continue la cele discrete i reciproc. Cele mai importante sunt: c2d,
d2c i d2d, descrise n continuare.
# C2D
Apel: [Hd,G] = c2d(H,Ts,met) ;
Convertete un obiect LTI exprimat n timp continuu ntr-un obiect LTI exprimat
n timp discret. Argumentele funciei sunt urmtoarele:
H
obiect LTI (de regul de tip TF) exprimat n timp continuu;
Ts perioada de eantionare;
met metoda de extrapolare, care, n principal, poate fi: zoh (zero order
holder extrapolator de ordin zero, implicit) sau foh (first order
holder extrapolator de ordin unu);
Hd obiect LTI (de regul de tip TF) exprimat n timp discret;
G
matricea de transformare a condiiilor iniiale la trecerea din continuu n
discret, pentru iniializri nebanale.
# D2C
Apel: H = d2c(Hd,met) ;
Convertete un obiect LTI exprimat n timp discret ntr-un obiect LTI exprimat
n timp continuu. Argumentele funciei sunt urmtoarele:
91
Hd obiect LTI (de regul de tip TF) exprimat n timp discret;

met metoda de extrapolare, care implicit este zoh (zero order holder
extrapolator de ordin zero);
H
obiect LTI (de regul de tip TF) exprimat n timp continuu.
# D2D
Apel: Hd2 = d2d(Hd1,Ts) ;
Re-eantioneaz un obiect LTI exprimat n timp discret. Argumentele funciei
sunt urmtoarele:
Hd1 obiect LTI (de regul de tip TF) exprimat n timp discret, la o anumit
perioad de eantionare;
Ts perioada de re-eantionare;
Hd2 obiect LTI (de regul de tip TF) exprimat n timp discret, la o nou
perioad de eantionare.
O rutin interesant care realizeaz legtura dintre bibliotecile de TS i IS este
idss. Aceasta creaz un model de tip reprezentare pe stare, plecnd de la descriera
explicit a matricilor corespunztoare. Reprezentarea pe stare este similar cu (133),
dar, pentru idss, zgomotele v i w sunt identice (notate cu e ), E este nul, iar F
este notat cu K (dei nu este ctigul funciei de transfer asociate). Apelul tipic al
rutinei este urmtorul:
M = idss(A,B,C,D,K,X0,Ts) ;
unde: A,...,K sunt matricile reprezentrii pe stare dorite;
X0
este starea iniial (implicit nul);
Ts
eantionare indic o reprezentare pe stare discret; altfel, dac
Ts=0, se construiete o reprezentare pe stare continu; implicit,
Ts=1 (reprezentare discret pe stare);
M
este un obiect de tip IDSS, care corespunde reprezentrii pe stare
dorite; cmpurile sale sunt urmtoarele:
A: 'A-matrix (Nx-by-Nx matrix)'
B: 'B-matrix (Nx-by-Nu matrix)'
C: 'C-matrix (Ny-by-Nx matrix)'
D: 'D-matrix (Nu-by-Ny matrix)'
K: 'K-matrix (Nx-by-Ny matrix)'
X0: 'initial state (Nx-length vector)'
dA: 'standard deviation of A-matrix'
dB: 'standard deviation of B-matrix'
dC: 'standard deviation of C-matrix'
dD: 'standard deviation of D-matrix'
dK: 'standard deviation of K-matrix'
dX0: 'standard deviation of X0'
SSParameterization: 'type of parametrization'
{Free, Canonical, Structured}
92
As: 'free parameters in A (set by NaN)'

Bs: 'free parameters in B (set by NaN)'
Cs: 'free parameters in C (set by NaN)'
Ds: 'free parameters in D (set by NaN)'
Ks: 'free parameters in K (set by NaN)'
X0s: 'free parameters in X0 (set by NaN)'
StateName: [1x53 char]
InitialState: [1x50 char]
nk: [1x53 char]
DisturbanceModel: [1x32 char]
CanonicalIndices: 'Row vector or 'Auto''
Name: 'string'
Ts: 'sampling period'
InputUnit: 'Nu-by-1 cell array of strings'
OutputUnit: 'Ny-by-1 cell array of strings'
TimeUnit: 'string'
ParameterVector: 'Np-by-1 vector'
PName: 'Np-by-1 cell array of strings'
CovarianceMatrix: 'Np-by-Np matrix'
NoiseVariance: 'Ny-by-Ny matrix'
InputDelay: 'Nu-by-1 vector'
Algorithm: [1x38 char]
EstimationInfo: [1x39 char]
Notes: [1x30 char]
UserData: 'Arbitrary'
Cmpurile principale ale obiectului M sunt: M.A, , M.K, M.As, , M.Ks, i M.Ts.
Primele cmpuri (M
M.A, , M.K) includ numai valori numerice finite. Spre deosebire de
acestea, cmpurile M.As, , M.Ks pot conine i valori de tipul NaN, dup cum indic
M.SSParameterization. Orice valoare NaN arat c acel parametru este liber sau
necunoscut. Astfel:
M.SSParameterization=Free (implicit) indic faptul c toi parametrii
matricilor M.As, M.Bs, M.Cs sunt setai cu NaN, adic toi parametrii matricilor
M.A, M.B, M.C sunt liberi sau necunoscui; parametrii liberi/necunoscui din
M.D, M.K i M.X0 sunt determinai de cmpurile: M.nk, M.DisturbanceModel
i M.InitialState.
M.SSParameterization=Canonical indic faptul c matricile M.A, M.B
i M.C sunt exprimate n forma canonic de observabilitate, determinat de
M.CanonicalIndices; parametrii liberi/necunoscui din M.D, M.K i M.X0
93
sunt determinai
M.InitialState.
de
cmpurile:
M.nk,
M.DisturbanceModel
M.SSParameterization=Structured indic faptul c parametrii

liberi/necunoscui ai cmpurilor M.A, , M.X0 sunt indicai numai de poziiile
valorilor NaN din cadrul cmpurilor M.As, , M.X0s, stabilite de ctre utilizator.
De exemplu, pentru a construi reprezentarea pe stare (130) (n timp continuu), se
poate executa urmtoarea secven de cod:
>> A = [-1 0 ; 1 0] ;
>> B = [1 ; 0] ;
>> C = [0 1] ;
>> D = 0 ;
>> K = [0 ; 0] ;
>> X0 = [0 ; 0] ;
>> M = idss(A,B,C,D,K,X0,0) ;
>> M.As = [NaN 0 ; 1 0] ;
% Parameter: theta1.
>> M.Bs = [NaN ; 0] ;
% Parameter: theta2.
>> M.Cs = C ;
>> M.Ds = D ;
>> M.Ks = K ;
>> M.X0 = X0 ;
Mai multe informaii relative la obiectele de tip IDSS se pot obine cu comanda
idprops idss.
Un model reprezentat pe stare n timp continuu poate fi direct identificat folosind
funciile pem (off-line) sau rpem (on-line), ca n exemplul de mai jos:
>> M_est = pem(D,M) ;
unde D este un obiect de tip IDDATA (vezi Problema 2.3) corespunztor datelor
generate de procesul corespunztor reprezentrii pe stare, iar M este reprezentarea
pe stare de mai sus. Dei reprezentarea este n timp continuu, funcia pem efectueaz
o discretizare n vederea identificrii, prelund perioada de eantionare din obiectul D.
Pentru problema de simulare din finalul acestui capitol, se recomand proiectarea
unei rutine de generare a datelor care s ofere valori obinute plecnd de la funcia de
transfer (128) cu parametrii fizici constani (134) sau variabili (135). Rutina ar putea
avea urmtorul apel tipic:
[D,V,P] = gdata_fp(cv,K0,T0,Tmax,Ts,U,lambda) ;
unde: cv
K0
T0
Tmax
Ts
este un comutator care arat tipul de proces: cu parametri constani

dai de ecuaiile (134) (c
cv=0) sau cu parametri variabili dai de
ecuaiile (135) (c
cv~=0); (implicit: cv=0);
este valoarea constant a ctigului (implicit: K0=4);
este valoarea constantei de timp (implicit: T0=0.5 [secunde]);
este durata simulrii (implicit: Tmax=80 [secunde]);
este perioada de eantionare (implicit: Ts=0.1 [secunde]);
94
este amplitudinea intrrii; semnalul de intrare va fi o form de und

dreptunghiular bipolar (adic avnd numai valori pozitive i
negative), cu perioada egal cu 1/7 din durata total a simulrii;
(implicit: U=0.5);
lambda este variana zgomotului alb care corupe datele msurate la ieirea
din proces (implicit: lambda=1);
D
V
este obiectul de tip IDDATA corespunztor zgomotului generat
(zgomotul alb se regsete n V.u sau n V.y);
P
este obiectul de tip TF corespunztor modelului de proces furnizor de
date; n cazul parametrilor constani (134): P.num{1} i P.den{1}
sunt numrtorul, respectiv numitorul funciei de transfer continue
(128); n cazul parametrilor variabili (135): P.num{1} este vectorul
valorilor ctigului K , iar P.den{1} este vectorul valorilor constantei
de timp T pe durata simulrii.
Rutina poate folosi funcia de bibliotec TS lsim pentru simularea unui sistem
continuu cu parametri constani. (Cititorul este invitat s se informeze singur asupra
acestei rutine.) Pentru simularea sistemului cu parametri variabili, se recomand
discretizarea funciei de transfer la fiecare pas de eantionare i evaluarea ieirii
folosind ecuaia cu diferene asociat funciei de transfer discrete (129). Zgomotul va fi
adugat numai ieirii, n final.
Se vor genera 2 seturi de date intrare-ieire eantionate: unul provenit de la
procesul cu parametri constani ( Dc ) i altul de la procesul cu parametri variabili
U
( Dv ).
Obiectivul acestui capitol este de a analiza performanele metodelor de identificare
n cele 2 aplicaii descrise mai sus.
7.2. Exerciii
Exerciiul 7.1
Artai legtura care exist ntre definiiile (116) i (117).
Exerciiul 7.2
Artai c transformarea omografic de discretizare (123) asociaz dreptele
verticale ale planului complex cu cercuri.
Exerciiul 7.3
Folosind aproximarea Pad (125), se constat c elementului integrator continuu
(adic avnd funcia de transfer 1 / s ) i corespunde urmtorul sistem discret(izat):
Hd ( z) =
Ts z 1
.
1 z 1
95
(136)
a. Utilizai aproximaia Pad pentru a deduce corespondentul discret al

sistemului continuu de ordin 1:
H ( s) =
K
,
1 + Ts
(137)
unde K este ctigul iar T este constanta de timp ce caracterizeaz

sistemul.
b. Folosind corespondena dintre aproximaia Pad (125) i transformarea ideal
de discretizare (124), artai c o mai bun exprimare a sistemului discret
obinut la punctul precedent este urmtoarea:
Hd ( z) =
a1 = e Ts / T
b1 z 1
,
cu:
.
Ts / T
1 + a1 z 1
b1 = K 1 e
(138)
Artai c valorile coeficienilor funciei de transfer discrete (138) se pot obine

i folosind Teorema Reziduurilor (adic relaia (126)).
c. Evaluai funcia de transfer a sistemului discretizat corespunztor sistemului
continuu descris de funcia de transfer (128) (sistem liniar simplificat asociat
unui motor electric de curent continuu). Pentru aceasta, se vor utiliza mai nti
separat transformrile (123) i (125), apoi Teorema Reziduurilor (126). Din
punctul de vedere al IS, care ar fi dezavantajul utilizrii transformrii (123)?
Artai c este posibil folosirea corespondenei dintre aproximaia Pad i
transformarea ideal de discretizare (ca n cazul punctului precedent) pentru a
deduce o form mbuntit a funciei de transfer discrete. Pentru aceasta,
se vor deduce coeficienii a1 , a2 , b1 i b2 n funcie de constantele fizice K
i T . (Se recomand descompunerea funciei de transfer n fracii simple.)
Artai c:
a1 + a2 = 1
(139)
i c parametrii fizici ai procesului se pot recupera direct din parametrii

estimai ai funciei de transfer discrete cu ajutorul urmtoarelor relaii:
K=
b1 + b2
a2b1 + b2
T
; T = Ts
= s .
Ts (1 a2 )
(1 a2 )(b1 + b2 )
ln a2
(140)
Care dintre cele 2 relaii de evaluare a constantei de timp T ar trebui aleas

n implementarea pe un mijloc automat de calcul? Justificai rspunsul.
d. Fie sistemul continuu de ordin 2, descris de urmtoarea funcie de transfer:
H ( s) =
02
,
s 2 + 2 0 s + 02
(141)
unde 0 este pulsaia natural de oscilaie, iar este factorul de amortizare.
Dac 1 , polii funciei de transfer sunt reali. Dac < 1 , polii nu sunt reali.
Folosii Teorema Reziduurilor (n cazul extrapolatorului de ordin zero) pentru a

deduce versiunea discretizat a sistemului. Mai precis, artai c:
96
Hd ( z) =
b1 z 1 + b2 z 2
,
1 + a1 z 1 + a2 z 2
(142)
unde:
def
2
= 0 1
def T
b1 = 1 +
a1 = 2
= e 0 s
,
,
, pentru < 1 ;
0 def
2
a2 =
= cos Ts

b2 = + +
def
= sin Ts
(143)
def
2
= 0 1
def T
b1 = 1 +
a1 = 2
= e 0 s
,
,
, pentru > 1 ;
0 def
2
a2 =
= ch Ts

b2 = + +
def
= sh Ts
(144)
b1 = 1 + (Ts 1)e 0Ts

a1 = 2e 0Ts
,
, pentru = 1 .
2 0Ts
T
T
b2 = e 0 s e 0 s Ts 1
a2 = e
(145)
Dac n urma unui experiment de identificare ar fi estimai coeficienii funciei

de transfer discrete (142), artai cum se pot determina parametrii fizici 0 i
din relaiile (143)-(145).
e. Reluai exerciiul de la punctul precedent pentru sistemul de ordin 2:
H ( s) =
02 s
,
s 2 + 2 0 s + 02
(146)
adic artai c parametrii funciei de transfer discrete asociate sunt:
def
2
= 0 1
def T
2
a1 = 2
= e 0 s
b1 = 0
,
,
, pentru < 1 ;
2
def
a2 =
= cos T
b2 = b1
s
def
= sin Ts
97
(147)
def
2
= 0 1
def T
2
a1 = 2
= e 0 s
b1 = 0
,
,
, pentru < 1 ;
def
2
a
=
2
= ch T
b2 = b1
s
def
= sh Ts
(148)
a1 = 2e 0Ts
T
, b1 = b2 = 02Ts e 0 s , pentru = 1 .
2 0Ts
a2 = e
(149)
Not privind discretizarea sistem elor continue

Acest exerciiu sugereaz maniera practic n care se efectueaz discretizarea unei
funcii de transfer raionale continue fr poli multipli, cazul utilizrii extrapolatorului de
ordin zero. Mai nti se descompune funcia de transfer continu n fracii simple (de ordin
1 sau 2). Fraciile de ordin 1 sunt asociate fie integratoarelor, fie sistemelor de ordin 1.
Integratoarele se discretizeaz cu ajutorul aproximaiei Pad (125). Sistemele de ordin 1
se discretizeaz cu ajutorul relaiilor (129), care sunt mai precise. Sistemele de ordin 2 se
discretizeaz cu ajutorul relaiilor (143)-(145) sau (147)-(149).
Exerciiul 7.4
Deducei valorile parametrilor necunoscui 1 i 2 din reprezentarea pe stare
(130) n funcie de parametrii fizici K i T din definiia (128). Artai c:
T =
K=
2
.
1
(150)

Problema 7.1
Mini-simulatorul ISLAB_7A implementeaz primele 4 etape de identificare descrise
n finalul paragrafului A din seciunea 7.1. Pentru aceasta, au fost utilizate o serie
de rutine MATLAB de uz general sau din biblioteca dedicat domeniului IS (n afara
rutinei butter deja descrise), precum i unele special proiectate de ctre autori.
Practic, mini-simulatorul efectueaz o identificare off-line a unui model ARMAX,
plecnd de la modelul general (84) & (124). Dup afiarea graficului caracteristicii
aproximative n frecven a procesului generator de date (Figura 34),
performanele modelului sunt ilustrate n urmtoarele grafice: caracteristicile n
frecven ale filtrului Butterworth ales (Figura 35); spectrul real i cel simulat al
ieirii, mpreun cu eroarea spectral pe ntreaga band de pulsaii normalizate
(Figura 36); spectrul real i cel simulat al ieirii, mpreun cu eroarea spectral pe
banda de trecere a filtrului Butterworth (Figura 37).
98
a. S se analizeze cu atenie listingul mini-simulatorului ISLAB_7A i s se

enumere rutinele apelate. Apoi, s se determine ce reprezint fiecare rutin,
folosind eventual comanda help din mediul MATLAB.
b. S se ruleze mini-simulatorul ISLAB_7A alegnd succesiv cteva frecvene de
interes din spectrul procesului furnizor de date. Pentru fiecare frecven, s se
aleag nti un filtru Butterworth de tip trece-band (cu o lrgime de band
corespunztoare) i apoi un filtru Butterworth de tip trece-jos (cu o frecven de
tiere corespunztoare). Comparai performanele celor 2 alegeri pentru fiecare
frecven aleas. Observai dac performanele difer mai mult pentru
frecvene nalte dect pentru frecvene joase i motivai acest fenomen.
Problema 7.2
Mini-simulatorul ISLAB_7A returneaz un set de date destinat identificrii
recursive a parametrilor (obiect de tip IDDATA), filtrul de intrare utilizat cu pulsaia
(sau pulsaiile) de tiere (structur specific) i modelul ARMAX determinat
folosind MMEP n variant off-line (obiect IDMODEL). Proiectai mini-simulatorul
ISLAB_7B care s efectueze o identificare on-line a modelului ARMAX folosind
datele furnizate, dar oferind posibilitatea utilizatorului s aleag ali indici structurali
dect cei propui de modelul off-line, dac o dorete. Dac se aleg aceiai indici
structurali, este recomandabil s se utilizeze chiar modelul ARMAX off-line ca
iniializare pentru procedura on-line. Performanele modelului identificat vor fi
afiate ca n cazul mini-simulatorului ISLAB_7A. Testai mini-simulatorul pentru
diferite frecvene din banda procesului, ca n problema precedent (se vor alege
aceiai indici structurali pentru o frecven selectat, indiferent de tipul de filtru).
Comentai rezultatele obinute i efectuai o comparaie cu cele din problema
precedent.
Problema 7.3
n cadrul acestei probleme, este propus proiectarea a 4 mini-simulatoare de
identificare a parametrilor fizici: ISLAB_7C, ISLAB_7D, ISLAB_7E i ISLAB_7F.
Acestea opereaz cu seturile de date Dc (I
ISLAB_7C i ISLAB_7D), respectiv Dv
(I
ISLAB_7E i ISLAB_7F). Datele pot fi generate folosind rutina gdata_fp
descris n paragraful B al seciunii 7.1. Dup generarea datelor, se efectueaz
urmtoarele experimente de identificare:
Identificare off-line a parametrilor fizici constani (cu funciile oe sau arx),
folosind tehnica discretizrii funciei de transfer continue i modelul de tip OE
sau ARX (I
ISLAB_7C).
Identificare off-line a parametrilor fizici constani (cu funcia pem), folosind
tehnica reprezentrii pe stare (I
ISLAB_7D).
Identificare on-line a parametrilor fizici variabili (cu funciile roe sau rarx),
folosind tehnica discretizrii funciei de transfer continue i modelul de tip OE
sau ARX (I
ISLAB_7E).
Identificare on-line a parametrilor fizici variabili (cu funcia rpem), folosind
tehnica reprezentrii pe stare (I
ISLAB_7F).
99
Toate cele 4 mini-simulatoare vor afia grafic, n aceeai fereastr, variaiile intrrii
i ieirii procesului, ca n Figurile 38. A doua figur afieaz variaia ieirii simulate
folosind modelul n timp discret i a celei msurate folosind modelul n timp
continuu (vezi Figurile 39).
n cazul parametrilor fizici constani, se vor afia valorile adevrate i cele estimate
acestora ca mai jos:
<ISLAB_7C>: Physical parameters:
K:
T:
True
4.0000
0.5000
Estimated
4.0597
0.4412
n cazul parametrilor fizici variabili, se va ilustra variaia acestora mpreun cu

valorile lor estimate, ca n Figura 40.
Pentru a proiecta mini-simulatoarele, este util s se rezolve mai nti exerciiile de
gndire propuse. n cazul reprezentrii pe stare, se poate ine cont de observaiile
din paragraful B al seciunii 7.1.
a. n urma simulrilor, se constat c modelele de tip OE sunt superioare celor
de tip ARX din punctul de vedere al preciziei de identificare a parametrilor
necunoscui. Care credei c este explicaia acestui fapt?
b. Reprezentarea pe stare ar trebui s conduc la estimri mai precise ale
parametrilor fizici. Justificai aceast afirmaie. Este ea verificat n urma
simulrilor?
c. Variai constanta de timp T0 i observai cum este influenat precizia de
estimare a parametrilor fizici dar i SNR caracteristic datelor de ieire
msurate. Comentai rezultatele obinute.
d. Variai ctigul K 0 i comentai precizia cu care sunt estimai parametrii fizici
n cele 4 mini-simulatoare.
e. Variai perioada de eantionare i comentai rezultatele obinute.
100
Figura 34. O estimare grosier a spectrului procesului furnizor de date.
Figura 35. Caracteristicile filtrului Butterworth ales.

101
Figura 36. Performanele modelului ARMAX pe toat lrgimea de band.
Figura 37. Performanele modelului ARMAX pe lrgimea de band a filtrului.

102
(a)
(b)
Figura 38. Date de intrare-ieire furnizate de un motor de curent continuu:

(a) cu parametri constani; (b) cu parametri variabili.
(a)
(b)
Figura 39. Ieirea msurat i cea simulat ale motorului de curent continuu:
(a) cu parametri constani; (b) cu parametri variabili.
Figura 40. Urmrirea parametrilor fizici ai motorului de curent continuu.

103
Capitolul 8
Modelarea i predicia seriilor de timp
Conceptul de serie de timp [TeSt85], [StD9603] desemneaz un ir de date
nregistrat n urma evoluiei unui proces, fr a putea cuantifica sau fr a cunoate
cauzele acelei evoluii. Doar ieirea procesului este monitorizat.
Eantioanele unei serii de timp sunt achiziionate la momente uniforme sau neuniforme de eantionare. n primul caz, seria de timp este notat prin
D = { y[n ] = y (nTs )}n =1, N , unde Ts este perioada de eantionare aleas. n al doilea
caz, seria de timp este D = { y ( tn )}n =1, N , unde t1 < t2 < L < tn L < t N sunt momentele
de eantionare considerate. Alegerea unei perioade de eantionare minime (notat tot
cu Ts ) este necesar i n cazul neuniform (eventual, ea este egal cu durata minim
dintre 2 momente de eantionare consecutive). Practic, mulimea momentelor de
eantionare neuniforme poate fi considerat un subir al irului {nTs }n 0 , astfel c:
tn nTs , n N .
(151)
Orizontul de observabilitate al seriei de timp este ntotdeauna finit: Tmax = NTs sau
Tmax = tN , unde N N este numrul de date msurate. Obiectivul principal al

modelrii unei serii de timp este predicia comportamentului procesului furnizor de
date dincolo de orizontul de msur. De regul, aceast operaie se efectueaz pe un
orizont de predicie finit, la diferite momente de eantionare consecutive echidistante
( ( N + 1)Ts , , ( N + K )Ts , dac perioada de eantionare este constant) sau
neuniforme ( t N +1 , , t N + K , dac perioada de eantionare este variabil). De aceea,
seriile de timp trebuie s fie consistente, adic s conin un numr suficient de mare
de date msurate ( N este cel puin de ordinul zecilor). Orizontul de predicie are o
dimensiune K N mult mai mic (maxim 3 momente de timp), datorit dispersiei
erorii de predicie care, de regul, crete exponenial. Diminuarea dispersiei erorii de
predicie se poate realiza numai cu reactualizarea modelului seriei de timp n funcie
de noile date msurate.
Modelul unei serii de timp ( yM ) include 3 componente aditive: dou de tip
y S ) i una de tip
nedeterminist (modelul AR al zgomotului care afecteaz datele msurate, y AR ):
determinist (tendina polinomial
yT , variaia sezonier
yM yT + yS + y AR .
(152)
Estimarea celor 3 modele matematice din (152) se bazeaz pe MCMMP. Algoritmii

efectivi de estimare au fost descrii pe larg n [StD9603] sau se pot deduce din
[TeSt85]. Vom prezenta succint n continuare numai principalele etape ale acestora.
104
A. Estimarea modelului polinomial al tendinei

Tendina unei serii de timp modeleaz orientarea sa general de-a lungul timpului,
fr a lua n considerare (pe ct posibil) variaiile periodice ale datelor i zgomotele
care le afecteaz. Media datelor msurate constituie, de exemplu, un model grosier al
tendinei acestora. Dreapta de regresie liniar mbuntete aproximarea. Expresia
general a componentei tendin este de tip polinomial:
yT (t ) = a0 + a1t + L + a p t p , t R ,
(153)
unde p N este gradul polinomului, necunoscut. Tot necunoscui sunt i coeficienii

acestuia, {ai }i0, p .
Pentru date eantionate uniform, modelul (153) se poate particulariza n:
yT ( nTs ) = a0 + a1nTs + L + a p n pTsp , n Z ,
(154)
dac perioada de eantionare este cunoscut, sau, mai simplu, n:
yT [n ] = a0 + a1n + L + a p n p , n Z ,
(155)
dac perioada de eantionare nu se cunoate cu precizie sau este considerat

unitatea de msur a timpului.
Eantionarea neuniform induce utilizarea modelului n timp continuu (153), ale
crui valori calculate n momentele de eantionare ( { yT (tn )}n1, N ) sunt puse n
coresponden cu datele seriei de timp.
Pentru generalitate, se noteaz cu tn momentul generic de eantionare, indiferent
de maniera de eantionare (uniform sau neuniform). Evident, n cazul eantionrii
uniforme, tn = nTs sau chiar tn = n . Altfel, are loc inegalitatea (151). n aceste condiii,
pentru estimarea modelului (153), trebuie rezolvat urmtoara problem de
minimizare ptratic (exprimat n funcie de eroarea dintre proces i model, sau de
eroarea de predicie cu un pas):
def N
N = arg min VN ( ) , unde: VN ( ) = ( y[n ] yT (tn ) )2 , S ,

S
iar S R
p +1
p +1
(156)
n =1
este domeniul de stabilitate al modelului matematic. Evident, prin
a fost notat vectorul coeficienilor necunoscui {ai }i0, p , n ordinea
cresctoare a indicilor.
Aplicnd MCMMP pentru rezolvarea problemei (156), se obine:
N = RN1rN ,
(157)
unde:
def
1
RN =
N
def
1
i rN =
tni + j
n =1
i , j0, p
N
N
105
tni y[n]
n =1
i0, p
(158)
Implementarea relaiilor (157) i (158) n forma original conduce de regul la erori

importante, matricea RN fiind dezechilibrat numeric. Datorit inegalitii (151), se
poate observa c suma generic a matricii verific urmtoarea proprietate:
N
n =1
n =1
tni + j ni + jTs i + j ~ N i + j +1Ts i + j +1 ,
(159)
ceea ce implic faptul c elementele de pe diagonala matricii au ordine de mrime

extrem de diferite:
NTs , N 3Ts3 , N 5Ts5 , K, N 2 p +1Ts2 p +1
(160)
i inversarea conduce la valori numerice extrem de dezechilibrate. Pentru a corecta

acest fenomen, matricii RN i se aplic un operator diagonal de balansare (adic de
echilibrare numeric) de forma:
1
def
BN = diag
NTs
1
NTs
NTs
1
N pTsp
.
NTs
(161)
Cu definiia (161), ecuaia (157) se poate exprima echivalent astfel:
N = BN BN RN BN
BN rN .
(162)
n (162), inversarea matricii dintre paranteze se poate efectua acum cu precizie. Se

observ de asemena c matricea de balansare nu se inverseaz explicit niciodat.
O alt proprietate interesant util implementrii metodei de estimare parametric
este recurena verificat de matricile RN i vectorii rN pentru diferite grade ale
polinomului tendin. Astfel, dac RN este renotat cu RN , p , iar rN cu rN , p (pentru a
pune n eviden gradul polinomului), atunci se constat cu uurin c:
RN , p
n =1
rN , p 1
M
N
N
1
tn2 p 1 i rN , p = 1 t p y[n ] , (163)
N n =1
N n =1
N
1
tn2 p
N n =1
1
N
RN , p 1
N
tnp
n =1
1
N
tn2 p 1
n =1
tnp
matricile RN , p fiind, n plus simetrice. Recurenele (163) arat de fapt c efortul de

calcul depus pentru a evalua matricea inversabil i vectorul liber pentru un anumit
grad p poate fi conservat la evaluarea acestora pentru gradul urmtor, p + 1 .
Alegerea gradului polinomului tendin se poate efectua apelnd la criteriile
structurale descrise n Capitolul 4. De subliniat c nu se pot trasa linii de demarcaie
nete ntre cele 3 componente ale unei serii de timp. Acest lucru este ilustrat din plin de
polinomul tendinei. Dac gradul su este prea mare, componenta sezonier tinde s
fie parial nglobat n modelul tendinei. Dac gradul acesteia crete i mai mult,
106
atunci i zgomotele care afecteaz datele tind s fie parial modelate prin tendin. Un
grad prea mic conduce la o modelare grosier a tendinei, o parte din informaia ei
fiind preluat de celelalte 2 componente. Este deci recomandabil ca modelul s fie
parsimonios, adic tendina s aib un grad mic, dar suficient, pentru a discrimina
tendina de celelate 2 componente cu o bun acuratee.
Dup construcia modelului tendinei, valorile simulate ale acestuia se scad din
valorile seriei de timp iniiale, rezultatul fiind o serie de timp staionarizat:
def
ysta [n ] = y[n ] yT (tn ) = y[n ] a0 a1tn L a p tnp , n 1, N .
(164)
B. Estimarea componentei sezoniere

Seria de timp staionarizat constituie punctul de plecare pentru determinarea
urmtoarei componente, cea sezonier. Componenta sezonier a unei serii de timp
exprim fenomenul de repetabilitate din evoluia procesului care a furnizat datele
msurate. Ea este modelat cu ajutorul a P valori succesive numite coeficieni
sezonieri, care sunt replicai prin periodicitate pe durata orizontului de msur. Noul
semnal discret obinut, y S , este periodic, de perioad PTs , unde P N , iar Ts este
perioada de eantionare stabilit conform conveniilor de la punctul precedent.
Prelungirea prin periodicitate a coeficienilor sezonieri se efectueaz simplu n
cazul eantionrii uniforme. n cazul eantionrii neuniforme, dup determinara
coeficienilor sezonieri, este necesar o interpolare naintea prelungirii prin
periodicitare. Interpolarea poate fi polinomial (liniar sau cu polinomul lui Lagrange)
sau cu funcii spline cubice (de preferat).
n mod convenional, coeficienii sezonieri (parametrii necunoscui ai modelului)
sunt notai prin y S ,1 , , y S , P , n timp ce indicele structural este numrul P (perioada
n timp normalizat) de asemenea necunoscut.
Determinarea componentei sezoniere se bazeaz pe dou abordri (n care
intervine MCMMP): una temporal (Metoda Wittacker-Robinson) i alta frecvenial
(Metoda periodogramei Schuster).
1. Metoda Wittacher-Robinson (n timp)
Coeficienii sezonieri se pot obine folosind media temporal a unor submulimi
de date consecutive staionarizate.
Dac seria de timp este eantionat neuniform, atunci seria staionarizat
poate fi interpolat i apoi re-eantionat uniform, la momente de timp de tipul
mTs , unde m 1, M , cu M > N . Perioada de eantionare Ts , dac nu este

precizat, va fi aleas egal cu durata minim dintre momentele de eantionare
adiacente. Pentru uurina exprimrii, se poate considera interpolarea liniar.
Astfel, ysta,1 versiunea interpolat liniar a seriei staionarizate are
urmtoarea exprimare:
def
ysta,1 (t ) = ysta [n 1] +
t tn 1
( ysta [n ] ysta [n 1]) ,
tn tn 1
t [tn 1 , tn ) , n 2, N .
107
(165)
Prin
re-eantionarea semnalului (165), se obine setul de date

{ ysta,1 ( mTs )}m1, M , unde M = Tmax / Ts + 0.5 (rotunjire la cel mai apropiat
ntreg).
n cazul eantionrii uniforme, M = N i ysta,1 (mTs ) = ysta [m ] , m 1, M .
Pentru fiecare P 2, M / 2 , setul de date { ysta,1 ( mTs )}m1, M este segmentat
ntr-un numr de K = M / P seturi de date consecutive (numite i cadre)
aranjate ntr-o matrice, pe linii:
ysta,1 (Ts )
ysta,1 (2Ts )
def
ysta,1 (( P + 1)Ts )
ysta,1 (( P + 2)Ts )
Ysta =
M
M
ysta,1 ((( K 1) P + 1)Ts ) ysta,1 ((( K 1) P + 2 )Ts )
ysta,1 (PTs )
L ysta,1 (2 PTs )
. (166)
O
M
L ysta,1 (KPTs )
L
Ultimele date (care nu pot constitui un segment complet) se pierd.

Calculnd media fiecrei coloane a matricii Ysta , se obin coeficienii sezonieri:
def
yS , p =
1
K
K 1
ysta,1 ((kP + p )Ts ) ,
p 1, P .
(167)
k =0
Urmeaz interpolarea coeficienilor sezonieri n cazul eantionrii neuniforme.

Astfel, componenta sezonier este exprimat pe o perioad de urmtorul
semnal continual (obinut prin interpolare liniar):
def
t ( p 1)Ts
~
y S ,1 (t ) = y S , p 1 +
(yS , p yS , p 1 ) ,
Ts
t [( p 1)Ts , pTs ) , p 1, P ,
unde, datorit periodicitii,
(168)
y S ,0 = y S , P . Pe ntregul orizont de msur,
componenta sezonier y S () este exprimat n timp continual prin replicarea

consecutiv a semnalului (168) de un numr corespunztor de ori. n timp
discret, semnalul sezonier continual trebuie re-eantionat la aceleai momente
de timp ca i seria de timp original: y S [n ] = y S (tn ) , n 1, N .
De notat c interpolarea induce distorsiuni ale semnalului periodic rezultat. n
cazul interpolrii liniare, distorsiunile pot fi mai importante dect pentru
interpolarea cu funcii spline cubice. Operaiile de interpolare i re-eantionare
nu mai sunt necesare n cazul n care seria de timp a fost eantionat uniform.
Alegerea unei componente sezoniere adecvate se efectueaz baleind gama de
perioade posibile ntre 2 i M / 2 . Fie y S , P~ componenta sezonier discret
de perioad P (eventual eantionat neuniform). Dintre toate componentele
sezoniere { y S , P~ }P2, M / 2 se va alege aceea care conduce la o eroare ptratic
minim fa de seria staionarizat. Mai precis, perioada optim rezult prin
108
rezolvarea urmtoarei probleme de minimizare a erorii ptratice dintre model i

procesul furnizor de date:
(ysta [n ] yS , P~ [n])2 , P 2, M / 2 .(169)
def N
P0,t = arg min V [ P ] , unde: V [ P ] =

P2 , M / 2
n =1
Deorece criteriul V este discret, minimizarea acestuia se poate efectua printr-o

procedur de cutare exhaustiv, cu condiia ca numrul total al perioadelor
posibile, M / 2 , s fie suficient de mic (de ordinul zecilor de mii, cel mult).
Dac acest numr este prea mare (sute de mii, milioane, etc.), determinarea
minimului se poate realiza folosind algoritmi de cutare evoluioniti (algoritmul
de anealizare, algoritmi genetici, algoritmi de ascensiune montan, etc.)
[RuNo95], [MiM95].
Atunci cnd numrul perioadelor posibile este mic, alegerea perioadei optime se
poate realiza i pe cale grafic, dup trasarea variaiei criteriului V , ca n
Figura 41.
P0,t
M
2

Figura 41. Determinarea perioadei optime cu Metoda Wittacker-Robinson.

Graficul lui V poate pune n eviden mai multe minime locale situate la
perioade multiple ale unei perioade date. Acestea indic de fapt doar perioada
de baz, deoarece un semnal periodic de perioad P este periodic i de
perioad nP , cu n 2 .
Dac seria staionarizat nu posed component sezonier, graficul criteriului
V este fie aproape constant, fie extrem de oscilant cu numeroase minime
locale situate n jurul aceleiai valori.
2. Metoda periodogramei Schuster (n frecven)
Potrivit Teoriei lui J. Fourier, componenta sezonier fiind un semnal periodic,
poate fi aproximat punctual cu o sum finit de armonice elementare:
y S ( tn )
(am sin( mtn ) + bm cos( mtn )) ,
m =0
109
n 1, N .
(170)
Numrul maxim al armonicelor, M , poate fi ales n aa fel nct s fie inferior

lui Tmax /( 2Ts ) (adic N / 2 n cazul eantionrii uniforme). Acest numr
poate fi ales i mai mare, dar, dincolo de Tmax /( 2Ts ) , armonicele au puteri
spectrale nesemnificative n raport cu puterile armonicelor anterioare, datorit
Teoremei de eantionare Kotelnikov-Shannon-Nyquist [StD9603], [StD9602a].
Pulsaiile armonicelor sunt alese s fie echidistante (chiar i n cazul
eantionrii neuniforme). Se poate arta c dac momentele de eantionare
sunt multipli raionali ai perioadei de eantionare, atunci o reprezentare Fourier
corect se obine alegnd urmtorul set de pulsaii [StD99]:
def
m =
2mM 0
, m 0, M ,
NTs
(171)
unde M 0 este restul mpririi celui mai mic multiplu comun (cmmmc) al
numitorilor numerelor raionale {tn / Ts }n1, N
la
N . n cazul eantionrii
uniforme, M 0 = 1 . Pulsaia de eantionare s = 2 / N controleaz rezoluia n

frecven, care este de dorit s fie ct mai bun, deoarece, n acest fel, precizia
de determinare a perioadei optime a componentei sezoniere este mai mare.
Rezoluia crete odat cu scderea pulsaiei de eantionare, adic odat cu
mrirea numrului de date achiziionate, N . Condiia ca momentele de
eantionare s fie multipli raionali ai perioadei de eantionare nu este
restrictiv, deoarece, n practic, se opereaz numai cu numere raionale.
Pentru a estima parametrii necunoscui ai modelului sezonier (170), adic
{am }m1, M i {bm }m0, M (coeficienii Fourier), trebuie rezolvat o problem de
minimizare a erorii ptratice dintre model i proces:
def N
M = arg min VM ( ) , unde: VM ( ) =

R
2 M +1
( y[n ] yS (tn ))2 , R2 M +1 ,
(172)
n =1
unde este vectorul coeficienilor Fourier. De notat c, deoarece seria de timp

a fost staionarizat, coeficientul Fourier b0 este aproximativ nul (el este
proporional cu media datelor, codificnd componenta staionar a acestora).
Rezolvarea problemei (169) se poate efectua prin metoda clasic (anularea
gradientului criteriului VM ). Rezult urmtoarele estimaii ale coeficienilor
Fourier:
M = RM1rM ,
(173)
unde:
sin( i tn ) sin( j tn )
n =1
i , j1, M
RM = N
sin(i tn ) cos( j tn )
i , j1, M
n =1
110
sin(i tn ) cos( j tn )
n =1
i , j1, M
;
cos( i tn ) cos( j tn )
n =1
i , j1, M
(174)
rN , p
ysta [n ] sin( i tn )
n =1
i1, M
= N
.
ysta [n ] cos(i tn )
i1, M
n =1
(175)
Matricea RM din (174) devine diagonal n cazul n care seria de timp este
uniform eantionat. Aceasta conduce la exprimarea coeficienilor Fourier n
form complet:
N N
a
=
m 2 ysta [n ]sin( mtn )
n =1
, m 1, M .
N
N
bm = ysta [n ] cos( mtn )
2 n =1
(176)
Dup estimarea coeficienilor Fourier, se poate trasa graficul periodogramei

Schuster, care este definit prin:
def
P [m ] = am2 + bm2 , m 1, M .
(177)
Valorile periodogramei aproximeaz puterile spectrale ale armonicelor din

componena seriei de timp staionarizate. Armonica dominant se poate
determina prin evaluarea punctului de maxim al periodogramei, adic prin
rezolvarea urmtoarei probleme de maxim:
m0 = arg max P [m ] .
(178)
m1, M
Indexul pulsaiei optime, m0 , conduce direct la perioada optim a componentei

sezoniere n timp continuu:
T0 =
m0
NTs
.
m0 M 0
(179)
n timp discret, perioada optim se obine prin rotunjire la cel mai apropiat
ntreg:
T
1 N
1
+ .
P0, f = 0 + =
Ts 2 m0 M 0 2
(180)
Ca i n cazul abordrii anterioare (n timp), rezolvarea problemei (178) se

poate realiza practic prin cutarea exhaustiv a maximului su direct de pe
graficul periodogramei (ca n Figura 42). De altfel, graficul periodogramei
conduce la aceleai concluzii ca i cel al erorii ptratice din cazul metodei
anterioare.
Abordarea n frecven completeaz demersul anterior, bazat pe estimarea
componentei sezoniere direct n domeniul timpului, n sensul c, pentru a decide
perioada optim a componentei sezoniere, trebuie comparate perioadele oferite de
ambele metode.
111
m0
N
2

mP
Figura 42. Determinarea perioadei optime cu Metoda periodogramei Schuster.

Astfel:
Dac graficul criteriului V i cel al periodogramei P sunt grupate ntr-o band
de 10% n jurul mediilor lor, seria de timp nu posed component sezonier.
Dac P0,t = P0, f (caz destul de rar), atunci perioada n timp discret este
P0 = P0,t = P0, f .
Dac P0,t P0, f (adic dac P0, t i P0, f difer cu o valoare mic n raport cu
valorile lor, se prefer Metoda Wittacker Robinson (deoarece introduce mai
puine erori de calcul). Aadar, n acest caz: P0 = P0,t .
Dac una din cele dou perioade o divide pe cealalt, se va alege perioada
optim n mod natural: P0 = min{P0,t , P0, f } .
Dac perioadele P0, t i P0, f sunt total diferite, se vor lua n calcul i alte valori
rezultate din extremele locale ale criteriului V i periodogramei P . Se va alege
o pereche de valori apropiate ale perioadei (dac este posibil) i se va selecta
perioada oferit de minimul local corespunztor al criteriului V . Dac nu se
poate stabili nici o coresponden ntre valorile posibile ale perioadelor rezultate
n urma celor 2 abordri, se poate considera c seria de timp nu posed
component sezonier.
Alegerea perioadei optime a componentei sezoniere constituie punctul cel mai
delicat al modelrii seriilor de timp. n afara celor 2 abordri, se pot utiliza n acest
scop i o serie de informaii apriorice legate de procesul furnizor de date, dac sunt
cunoscute. De exemplu, seria de timp a ratei omajului nregistrat lunar ntr-o anumit
ar va avea probabil o perioad de 12 luni (considernd c perioada de eantionare
este de 1 lun).
Odat ce perioada componentei sezoniere a fost stabilit, coeficienii sezonieri se
evalueaz dup procedeul descris n cadrul metodei Wittacher-Robinson (definiiile
(165)-(166), cu P0 n loc de P i numrul de cadre K evaluat corespunztor).
112
Dac exist, semnalul periodic asociat, y S , se obine apoi tot n maniera descris
n cadrul Metodei Wittacker-Robinson (prelungire prin periodicitare i, eventual, reeantionare). Dac seria de date nu posed component sezonier, aceasta este
asimilat cu un semnal nul. Prin scderea componentei sezoniere din seria de date
staionarizat se obine semnalul perturbator al datelor:
def
v[n ] = ysta [n ] y S (tn ) , n 1, N .
(181)
C. Estimarea componentei nedeterministe (aleatoare)

Dac tendina i componenta sezonier ale seriei de timp au fost corect
determinate, setul de date {v[ n ]}n1, N , obinut dup extragerea lor din seria de timp,
are caracteristicile unui zgomot colorat rezidual. Filtrul de zgomot poate fi de tip FIR
sau IIR. n primul caz, se poate opera cu un model de identificare de tip MA. n al
doilea caz, este utilizat modelul AR. Filtrele de tip FIR sunt de asemenea utlizate
pentru a aproxima filtre de tip IIR, dar funciile pondere au, n general, o lungime
ridicat. Vom adopta n continuare filtrul de tip IIR.
Modelul AR este unul dintre primele modele de identificare utilizate n aplicaii, n
special datorit simplitii i a posiblitii de a estima parametrii n manier recursiv.
Reamintim c ecuaia modelului AR este urmtoarea:
v[n ] + a1v[n 1] + L + ana v[n na ] = e[n ]

, n 1, N ,
2
E{e[n ]e[m ]} = 0 [n m ]
(182)
unde parametrii necunoscui sunt coeficienii {ai }i1, na (asamblai ntr-un vector
na Rna ) i dispersia zgomotului alb 2 . Indicele structural al modelului (necunoscut

i el) este na 1 . n general, indicele structural maxim nu depete valoarea Na = 6
pentru majoritatea seriilor de timp.
Determinarea modelului AR (182) se bazeaz pe MCMMP. Astfel, pentru fiecare
index structural na 1, Na , parametrii necunoscui estimai din zgomotul colorat sunt
urmtorii:
1
na = Rna
rna ; 2na =
1
N
(v[n] naT [n ]na )

N
(183)
n =1
unde:
def
T
na
[n ] = [ v[n 1] L v[n na ]] ;
def
Rna =
1
N
def
rna =
(184)
na [n ] naT [n] = N v[n i ]v[n j ]
n =1
n =1
n =1
1
N
i , j1, na
na [n]v[n ] = N v[n ]v[n i ]

113
n =1
i1, na
(185)
(186)
Implementarea relaiilor (183)-(186) se poate realiza mai eficient observnd c

matricea Rna este Toeplitz simetric (adic este generat de prima linie sau coloan),
iar majoritata elementelelor vectorului rna se regsesc printre elementele matricii Rna .
Relaii de recuren similare celor de la (163) pot fi de asemenea puse n eviden cu
uurin.
Pentru a evita inversarea matricii Rna se poate utiliza Algoritmul Levinson-Durbin
[PrMa96], pe care l vom prezenta n continuare. Acesta permite estimarea recursiv a
coeficienilor modelului AR[na], n funcie de coeficienii modelului AR[na-1]. Pentru a
ilustra aceste relaii recursive, coeficienii modelului AR[na] se noteaz cu ana ,i ,
i 1, na . De asemenea, se noteaz cu rv funcia de auto-covarian aproximativ

estimat din datele reziduale (adic termenul din dreapta al relaiei aproximative (9)).
Algoritmul este descris n Figura 43.
Figura 43. Algoritmul Levinson-Durbin.
Date de intrare: seria de date reziduale: {v[n ]}n1, N .
rv [1]
a1,1 = r [0]
1. Iniializare:
.
v
2
2
1 = rv [0] + a1,1rv [1] = rv [0] 1 a1,1
2. Pentru na 2, Na :
ana , na = 2 (rv [na ] + ana 1,1rv [na 1] + L + ana 1, na 1rv [1])

na 1
a = a
na , na ana 1, na i , i 1, na 1
.
na 1, i + a
na ,i
2
2
2
na = na 1 1 ana , na
Date de ieire: coeficienii tuturor modelelor AR[na], cu na{1,2,,Na}.

Relaiile algoritmului au fost deduse prin exploatarea unor proprieti remarcabile
ale matricilor Toeplitz simetrice. De altfel, folosind acest algoritm, se poate proiecta o
procedur eficient de inversare a matricilor Toeplitz simetrice. Se poate arta c
modelul AR determinat cu ajutorul Algoritmului Levinson-Durbin este stabil (rdcinile
polinomului auto-regresiv sunt situate n discul unitar al planului complex) [PrMa96].
De asemenea, coeficienii ana , na se mai noteaz prin kna i se mai numesc coeficieni
de reflexie. Ei joac un rol important n estimarea dispersiei zgomotului alb, care
ndeplinesc funcia de eroare de predicie cu un pas. Se poate arta c kna < 1 ,
na 1 , ceea ce arat c estimaia dispersiei zgomotului alb ( 2na ) scade odat cu

ordinul modelului. Cu toate acestea, aa cum arat paragraful urmtor, precizia
114
prediciei cu mai muli pai a modelului AR nu se mbuntete n mod necesar odat

cu ordinul acestuia.
Alegerea modelului optimal al componentei nedeterministe se realizeaz folosind
criteriile structurale descrise n Capitolul #4. Se poate utiliza i graficul dispersiei 2na
n acest scop. Odat ce ordinul optim ( na0 ) a fost selectat, modelul matematic al
componentei aleatoare este dat de urmtoarea ecuaie omogen recursiv (cu
diferene):
y AR [n ] + ana0 ,1 y AR [n 1] + L + ana0 , na0 y AR [n na ] = 0

, n 1, N ,
y AR [1] = v[1]; y AR [2] = v[2]; L; y AR [na ] = v[na ]
(187)
De notat c zgomotul alb rezidual lipsete din ecuaia (187). El va interveni (prin
dispersia sa) n faza de predicie.
De asemenea, se poate observa c maniera de eantionare a seriei de timp nu
este important n modelarea componentei aleatoare. Cu toate acestea, dac seria de
timp a fost eantionat neuniform, modelul y AR ar putea fi determinat dup
interpolarea zgomotului colorat rezidual i re-eantionarea sa uniform. Modelul
obinut este la rindul su interpolat i apoi re-eantionat neuniform. ns cele 2
interpolri distorsioneaz, de regul, rezultatul final.
D. Predicia seriei de timp
Modelul complet al seriei de timp (152), conine 2 componente deterministe ( yT i
y S ) i una nedeterminist ( y AR ). De aceea, prognoza seriei de timp nu se realizeaz

doar prin extrapolarea celor 3 componente pe orizontul de predicie, ci i prin
estimarea preciziei valorilor predictate. Aceasta este determinat de dispersia erorii de
predicie. Singura component care ofer posibilitatea de a estima eroarea de
predicie este cea nedeterminist.
n IS se opereaz cu conceptul de predictor optimal, care ofer prognoze cu eroare
de predicie minimal. n cazul modelului AR, dac se noteaz prin y AR [ N + k | N ]
valoarea predictat la momentul t N + k din N date msurate, predictorul optimal este
descris de urmtoarele relaii recursive:
v[ N + k ]
, k 0
def a
na 0 ,1 y AR [ N + k 1 | N ] L a na 0 , k 1 y AR [ N + 1 | N ]
y AR [ N + k | N ] =
, k 1, na0
ana 0 , k v[ N ] L a na 0 , na 0 v[ N + k na0 ]

ana 0 ,1 y AR [ N + k 1 | N ] L a na 0 , na 0 y AR [ N na0 | N ] , k na0 + 1
(188)
Pentru a evalua precizia valorii predictate y AR [ N + k | N ] , se apeleaz la modelul
AR (182), cu ajutorul cruia se poate estima eroarea de predicie:
e[ N + k ] = v[ N + k ] y AR [ N + k | N ] , k 0, K ,
115
(189)
i dispersia acesteia, notat cu k2 . Dup o serie de calcule elementare n care

intervine definiia (188), se poate arta c erorile de predicie verific ecuaia:
e[ N + k ] + ana0 ,1e[ N + k 1]u0 [k 1] + L + ana0 , na0 e[ N + k na0 ]u0 [k na0 ] =

= e[ N + k ] , k 1, N ,
(190)
unde u0 este treapta unitar discret, iar e[ N ] = v[ N ] v[ N ] = 0 .

Plecnd de la ecuaia (190), se pot deduce expresiile dispersiilor erorilor de
predicie. De exemplu, primele 3 estimaii ale dispersiei de predicie sunt urmtoarele:
12 = 2
2
22 = 2 1 + ana
0 ,1
22
relaiile
12 = 2na0 ;
2
2
32 = 2 1 + ana
+ ana
ana 0 , 2
0 ,1
0 ,1
(191)-(193)
(191)
2
2
22 = 2na0 1 + ana
= 12 1 + ana
;
0 ,1
0 ,1
2
2
22 = 2na0 1 + ana
+ ana
a na 0 , 2
0 ,1
0 ,1
Evident,
12
arat
) ) = (1 + a
2
2
2
))
) + (a
2
2
na 0 ,1
dispersia
(192)
2
2
erorii
2
na 0 ,1
ana 0 ,2 . (193)
de
predicie
crete
32
( L ), ceea ce implic o deteriorare a preciziei prognozei pe msur

ce momentele de predicie se ndeprteaz de orizontul de msur.
Valorile predictate ale seriei de timp se obin astfel:
y [ N + k | N ] = yT [ N + k ] + y S [ N + k ] + y AR [ N + k | N ] , k 1, K .
(194)
Acestea sunt de regul figurate pe graficul seriei de timp mpreun cu precizia de

estimare, reprezentat de intervalele (segmentele verticale):
[y[ N + k ] 3
, y[ N + k ] + 3 k , k 1, K ,
(195)
considernd c zgomotul alb rezidual este i Gaussian. Practic, valoarea predictat se

afl n acest interval cu probabilitate superioar lui 90%. Evident, cu ct intervalul este
mai larg, cu att precizia de predicie este mai slab.
Obectivul acestui capitol este de a determina i utiliza modelele de predicie ale
unor serii de timp.
8.2. Exerciii
Exerciiul 8.1
Deducei estimaia (157)-(158) a parametrilor necunoscui care exprim modelul
polinomial al tendinei unei serii de timp.
Exerciiul 8.2
Exprimai relaiile de interpolare cu funcii spline cubice ale seriei staionarizate de
date eantionate neuniform. Reamintim c funciile spline cubice sunt polinoame
de gradul 3 care verific proprietile urmtoare:
a. coeficienii lor trebuie reactualizai pentru fiecare pereche de noduri de
eantionare/interpolare adiacente;
116
b. oricare dou funcii spline adiacente coincid n nodurile de

eantionare/interpolare;
c. derivatele de ordin 1 ale oricror dou funcii spline adiacente coincid n
nodurile de eantionare/interpolare;
d. pentru nodurile de eantionare/interpolare extreme, funciile spline i derivatele
lor de ordin 1 sunt obligate s verifice condiii iniiale i finale impuse (de
regul, valori nule ale derivatelor).
Exerciiul 8.3
Deducei estimaia (173)-(175) a parametrilor necunoscui care exprim modelul
componentei sezoniere a unei serii de timp. Demonstrai c, n cazul n care seria
este eantionat uniform, parametrii se pot exprima n forma complet (176).
Indicaie
Se poate ine cont de urmtoarea relaie a lui Poisson:
N 1
2kn
j = N 0 [ k NZ] , k Z ,
N
exp
n =0
unde NZ este mulimea multiplilor ntregi ai lui N , iar 0 este impulsul unitar discret sau
simbolul lui Kronecker.
Exerciiul 8.4
a. Proiectai o procedur de inversare a matricilor Toeplitz simetrice folosind
Algoritmul Levinson-Durbin din Figura 43.
b. Demonstrai c erorile de predicie verific ecuaia (190).
c. Deducei estimaiile dispersiilor erorilor de predicie pentru primii 3 pai de
predicie (ecuaiile (191), (192) i (193)).

Un numr de 15 serii de timp sunt puse la dispoziia utilizatorilor. Acestea sunt
nregistrate sub forma unor fiiere MATLAB care, odat apelate, ncarc n memorie
seria de date n variabila y (vector linie) i semnificaia datelor n variabila de tip text
tit (adic titlul seriei de timp). Seriile de timp sunt descrise succint n Tabelul 2, care
precede variaiile lor grafice din finalul capitolului. Cu excepia ultimelor 3 serii de timp,
celelate 12 serii sunt eantionate uniform. Ultimele 3 serii de timp sunt eantionate
neuniform, vectorul linie d coninnd momentele de eantionare.
Problema 8.1
S se proiecteze mini-simulatorul ISLAB_8A care returneaz modelul
parsimonios al tendinei unei serii de timp. Apelul tipic al rutinei va fi urmtorul:
[yT,ysta,d,theta_T] = ISLAB_8A ;
unde: yT este vectorul linie al valorilor polinomului tendin calculate n
momentele de eantionare (adic { yT ( tn )}n1, N ), ysta este vectorul linie al
datelor staionarizate (y
ysta=y-yT), d este vectorul linie al momentelor de
eantionare, iar theta_T este vectorul coloan al coeficienilor estimai ai
117
modelului. Utilizatorul va avea posibilitatea s aleag pe oricare din cele 15 serii

de timp sau o serie de date proprie nregistrat n acelai format ca seriile de timp
disponibile. De asemenea, pentru alegerea indicelui structural optim al modelului
(adic a gradului polinomului), se poate folosi funcia MATLAB ginput, cu ajutorul
creia se pot citi n mod direct coordonatele oricrui punct al unui grafic de funcie
afiat pe ecran. Astfel, de exemplu, dac se folosete criteriul aplatizrii,
utlizatorul va indica punctul de nceput al palierului dispersiei erorii de predicie
(adic VN ( ) ) pe cale grafic, urmnd ca programul s stabileasc automat
ordinul optim al modelului (prin aproximare la cel mai apropiat ntreg). Se vor afia
graficele seriei de timp iniiale, tendinei selectate i seriei de timp staionarizate.
Problema 8.2
S se proiecteze mini-simulatorul ISLAB_8B care returneaz modelul
componentei sezoniere a unei serii de timp. Apelul tipic al rutinei va fi urmtorul:
[yS,v,P0] = ISLAB_8B(ysta,d) ;
unde: ysta este vectorul linie al datelor staionarizate, d este vectorul linie al
momentelor de eantionare, yS este vectorul linie al valorilor componentei
sezoniere calculate la momentele de eantionare (adic { y S ( tn )}n1, N ), v este
vectorul linie al zgomotului colorat rezultat dup extragerea componentei
sezoniere din seria de date staionarizat (v
v=ysta-yS), iar P0 este perioada
discret a componentei sezoniere. Pentru alegerea perioadei optime a modelului,
se poate folosi funcia MATLAB ginput. Se vor afia graficele seriei de timp
staionarizate, componentei sezoniere i zgomotului colorat rezidual.
Problema 8.3
a. S se proiecteze mini-simulatorul ISLAB_8C care returneaz modelul
componentei aleatoare a unei serii de timp. Apelul tipic al rutinei va fi urmtorul:
[theta,lambda2,e] = ISLAB_8C(v,d) ;
unde: v este vectorul linie al zgomotului rezidual colorat, d este vectorul linie al
momentelor de eantionare, theta este vectorul coloan al coeficienilor
estimai ai predictorului AR optimal (adic {a na 0 ,i }i1, na ), lambda2 este
0
2
na 0
dispersia estimat a zgomotului alb rezidual (adic
), iar e este vectorul
linie al valorilor zgomotului alb rezidual. Pentru alegerea ordinului optim al

modelului, se poate folosi funcia MATLAB ginput. De asemenea, pentru
estimarea parametrilor, se recomand implementarea Algoritmului LevinsonDurbin. Se vor afia graficele zgomotului colorat rezidual, al componentei
aleatoare i al zgomotului alb rezidual. Indicai raportul semnal-zgomot estimat
(SNR) pe graficul zgomotului alb rezidual (n deciBeli).
b. Folosind cele 3 mini-simulatoare anterioare, s se proiecteze mini-simulatorul
ISLAB_8D care returneaz valorile predictate ale unei serii de timp pe un
orizont de predicie precizat. Apelul tipic al rutinei va fi urmtorul:
[ypred,sigma2,d] = ISLAB_8D(K) ;
118
unde: ypred este vectorul linie al seriei de timp predictate, sigma2 este
vectorul line al dispersiilor erorilor de predicie corespunztoare (adic
{ k2 }k 1, K ), d este vectorul linie al momentelor de predicie, iar K este

dimensiunea orizontului de predicie. Utilizatorul va avea posibilitatea s aleag
pe oricare din cele 15 serii de timp sau o serie de date proprie nregistrat n
acelai format ca seriile de timp disponibile. Modelul seriei de timp va fi
construit restrngnd seria de timp la un numr de eantioane egal cu N K ,
pentru a testa precizia acestuia pe orizontul de predicie. n afara graficelor
afiate de ctre mini-simulatoarele ISLAB_8{A,B,C}, se vor afia n final
graficele seriei de timp msurate si predictate, mpreun cu intervalul de
precizie al fiecrei valori predictate.
119
Tabelul 2. Serii de timp disponibile pe Discul Compact.

Fiier
(Figur)
Semnificaie
ST01.M
(Figura 44)
ST02.M
(Figura 45)
ST03.M
(Figura 46)
ST04.M
(Figura 47)
ST05.M
(Figura 48)
ST06.M
(Figura 49)
ST07.M
(Figura 50)
ST08.M
(Figura 51)
ST09.M
(Figura 52)
ST10.M
(Figura 53)
ST11.M
(Figura 54)
ST12.M
(Figura 55)
ST13.M
(Figura 56)
ST14.M
(Figura 57)
ST15.M
(Figura 58)
Rata lunar a numrului de omeri din SUA ntre Ianuarie 1973 i

iulie 1985 [%].
Circulaia monedei belgiene msurat lunar, timp de 10 ani, ntre
1980 i 1990 [miliarde BFr].
Media lunar a numrului de pete solare observate ntre 1976 i
1989.
Distana lunar parcursa la U.K. Airlines pe cursele interne ntre
1982 i 1989 [mii km].
Rata lunar a omajului n Marea Britanie ntre 1978 i 1989 [%].
Rata lunar a omajului n Frana ntre 1980 i 1990 [%].
Rata lunar a omajului n Canada ntre 1979 i 1989 [%].
Veniturile lunare realizate din impozitele pe telefoane, ntr-o regiune
din SUA [milioane USD].
Media lunar a timpului mediu de lucru sptmnal n SUA ntre 1979
i 1989 [ore].
Numrul lunar al bolnavilor operai de amigdalit la Spitalul 23
August din Bucureti, ntre 1982 i 1990.
Intensitatea contiinei colective pe Terra msurat lunar ntre 2000
i 2004 la Kings College n Londra [mH].
Intensitatea radio cosmic msurat la radio-telescopul
Indianapolis (SUA) ntre 2001 i 2004 [mV DC].
din
Rata de conversie ntre USD i ROL ncepnd cu 15 octombrie 2001.

Rata de conversie ntre EURO i ROL ncepnd cu 10 ianuarie 2002.
Rata de conversie ntre USD i EURO ncepnd cu 10 ianuarie 2002.
120
Figura 44. Rata lunar a numrului de omeri din SUA.
Figura 45. Circulaia monedei belgiene msurat lunar, timp de 10 ani.

121
Figura 46. Media lunar a numrului de pete solare observate.
Figura 47. Distana lunar parcursa la U.K. Airlines pe cursele interne.

122
Figura 48. Rata lunar a omajului n Marea Britanie.
Figura 49. Rata lunar a omajului n Frana.
123
Figura 50. Rata lunar a omajului n Canada.
Figura 51. Veniturile lunare din impozitele pe telefoane n SUA.

124
Figura 52. Media lunar a timpului mediu de lucru sptmnal n SUA.
Figura 53. Numrul lunar al bolnavilor operai de amigdalit la Spitalul 23 August.

125
11 martie 2004
11 septembrie 2001
Figura 54. Intensitatea contiinei colective pe Terra msurat lunar.
Figura 55. Intensitatea radio cosmic msurat la radio-telescopul din Indianapolis.

126
Figura 56. Cursul de schimb USD-LEI (eantionare neuniform).
Figura 57. Cursul de schimb EURO-LEI (eantionare neuniform).

127
Figura 58. Cursul de schimb USD-EURO (eantionare neuniform).
128
Anexa A
Despre biblioteca de rutine MATLAB
dedicate Identificrii Sistemelor
Biblioteca de Identificare a Sistemelor din cadrul mediului de programare MATLAB
6.* (adic System Identification Toolbox) este scris folosind tehnologia programrii
orientate obiect i conine numeroare rutine extrem de utile care pot fi direct apelate.
Rutinele corespund n principiu conceptelor i metodelor specifice domeniului IS, aa
cum sunt descrise n principal n [SoSt89] i [LjL99].
Primele informaii despre utilizarea bibliotecii se pot obine cu ajutorul comenzilor:
idhelp (specific bibliotecii) sau helpwin (general), urmat de selectarea
bibliotecii din colecia de biblioteci afiate.
Prima comand (i
idhelp) afieaz un mico-manual al bibliotecii, pe care l vom
reproduce i noi n aceast anex. A doua comand (h
helpwin) este ns
recomandat pentru accesarea informaiilor detaliate legate de rutinele bibliotecii. De
notat c biblioteca deine i o interfa grafic convivial (Graphical User Interface
GUI) care ar putea fi utilizat pentru demonstrarea unor rezultate de simulare.
Comanda generic de estimare a parametrilor unui model este urmtoarea:
Mid = id_function(D,Ms) ;
unde: id_function este funcia de identificare utilizat (de exemplu: pem folosind
Metoda Minimizrii Erorii de Predicie; arx folosind un model
ARX i MCMMP; iv folosind un model ARX i MVI, etc.).
D
este un obiect de tip date de identificare (I
IDDATA), descris de
exemplu n contextul Problemei 2.3; pentru a obine mai multe
informaii, se poate executa comanda idhelp data.
Ms
este o variabil care definete structura modelului; comanda
idhelp model ofer informaii despre tipurile de structuri de
modele acceptate n cadrul bibliotecii; n principiu, exist 4 mari
categorii de modele:
1. Cutie neagr de tip intrare ieire (i
idhelp iobb).
2. Cutie neagr de tip reprezentare pe stare (i
idhelp ssbb).
3. Cutie neagr n timp continuu (i
idhelp ssct).
4. Cutie neagr de tip reprezentare pe stare cu structur
intern definit de utilizator fie n timp continuu, fie n timp
discret (i
idhelp ssstruct).
Mid
este modelul rezultat n urma identificrii, un obiect de tipul
model de identificare (I
IDMODEL, descris de exemplu n
contextul Problemei 3.3); pentru informaii suplimentare, se
poate executa comanda idhelp evaluate (care va ilustra
modul n care poate fi evaluat/comparat modelul).
De notat c biblioteca a fost conceput pntru operarea cu modele MIMO, n cazul
unei colecii de experimente de identificare. Aceasta nseamn c obiectele construite
129
conin informaii att despre numrul de intrri i ieiri, ct i despre experimente

(indicele experimentului curent, numele su (dac este cazul), numrul total de
experimente, etc.). Filozofia de identificare a modelelor MIMO este n principiu
urmtoarea: pentru fiecare canal de intrare i de ieire este propus un model SISO
corespunztor datelor achiziionate i informaiei de structur indicate/determinate.
Ansamblul lor este apoi compactat ntr-o matrice constituind modelul MIMO
operaional. Astfel, de exemplu, unui proces ARX cu 3 intrri i 2 ieiri i se vor
propune un numr de 32=6 modele SISO, ansamblul lor fiind integrat ntr-o matrice
cu 2 linii i 3 coloane:
B11 ( q 1 )
A ( q 1 )
H ( q 1 ) = 11 1
B21 ( q )
A ( q 1 )
21
B12 ( q 1 )
A12 ( q 1 )
B22 ( q 1 )
A22 ( q 1 )
B13 ( q 1 )
A13 ( q 1 )
.
B23 ( q 1 )
A23 ( q 1 )
(196)
Pentru a simula funcionarea modelului, se apeleaz la Principiul superpoziiei: toate

contribuiile care afecteaz o anumit intrare sunt adunate. n particular, pentru
exemplul anterior, ieirea simulat este produs dup urmtoarea relaie:
B11 ( q 1 )
yM ,1 A11 ( q 1 )
yM
1
y
M , 2 B21 ( q )
A ( q 1 )
21
B12 ( q 1 )
A12 ( q 1 )
B22 ( q 1 )
A22 ( q 1 )
B13 ( q 1 ) u
1
A13 ( q 1 )
u2 .
B23 ( q 1 )
u
A23 ( q 1 ) 3
(197)
Ecuaia (197) simulez un comportament mai aproape de cel real al procesului

furnizor de date dac elementele matricii H ar fi determinate simultan din datele de
intrare-ieire msurate i nu pe fiecare canal n parte. Aceasta conduce ns la
proceduri de identificare mai complicate, de complexitate proporional cu numrul de
intrri i ieiri ale modelului ales. De exemplu, un model MIMO-ARX cu 2 intrri i 2
ieiri poate fi identificat cu ajutorul a 2 modele BJ:
B11 ( q 1 )
y1 A ( q 1 )
y 11 1
y2 B21 ( q )
A ( q 1 )
21
B12 ( q 1 )
1
1
A12 ( q 1 ) u1 A11 ( q ) A12 ( q )e1

+

B22 ( q 1 ) u2 A21 ( q 1 ) A22 ( q 1 )e2
A22 ( q 1 )
B11 ( q 1 )
B12 ( q 1 )
u
u2 + v1
+
y1
1
A11 ( q 1 )
A12 ( q 1 )
.
.
1
1
y B21 ( q ) u + B22 ( q ) u + v
2 A21 ( q 1 ) 1 A22 ( q 1 ) 2 2
(198)
Determinarea parametrilor modelelor BJ (198) conduce la un model mai precis dect

cel obinut prin identificarea cte unei funcii de transfer pentru fiecare canal separat,
130
Anexa A
datorit faptului c, n general, modelele MIMO nu prezint decuplri ntre canale.

Modelul (197) funcioneaz bine doar n cazul decuplrii totale, cnd, de fapt, matricea
(196) este diagonal.
Sub-modele ale unui model MIMO pot fi de asemenea selectate (vezi idhelp
channels pentru mai multe detalii).
Pentru a ncepe lucrul cu biblioteca de IS, este recomandat s se in cont de
urmtoarele sugestii (obinute prin execuia comenzii idhelp advice):
Utilizatorii nceptori sunt invitai s opereze cu ajutorul interfeei grafice
conviviale (GUI). Aceasta se lanseaz cu comanda ident. Fereastra grafic
de baz afiat este ilustrat n Figura 59. nainte de prima utilizare, este bine
s se selecteze opiunea Demo of the Toolbox din meniul Help al ferestrei.
Figura 59. Fereastra grafic tipic a interfeei bilbiotecii de IS.

n cursul utilizrii interfeei, se va acorda atenie urmtoarelor aspecte:
a. Inspectarea datelor achiziionate pentru a sesiza i nltura erorile
grosolane.
b. Datele ar trebui segmentate n 2 submulimi. Prima va fi utilizat pentru
estimarea parametrilor, n timp ce a doua va fi utilizat pentru validarea
modelelor identificate. O rutin de bibliotec capabil s efectueze validarea
modelelor este compare.
c. n cazul n care datele au o provenien necunoscut sau au fost generate
de un proces neliniar, este bine ca, la nceput, s se testeze ct de adecvat
131
este utilizarea unui model liniar. Acesta se poate realiza prin alegerea unui
model reprezentat pe stare, identificat cu ajutorul uneia din comenzile
urmtoare: Mid = pem(Di) sau Mid = n4sid(Di), unde Di reprezint
segmentul de date dedicat identificrii. Cellalt segment de date, Dv, dedicat
validrii poate fi folosit la pasul urmtor pentru a testa adecvana modelului
(adic maniera n care un sistem liniar poate reproduce datele). Aceasta se
realizeaz cu comanda: compare(Dv,Mid).
d. nainte de alegerea structurii modelului este bine s se detecteze ntrzierile
intrinseci cu ajutorul funciilor impulse sau step aplicate datelor i
modelelor identificate cu diferii indici structurali. ntrzierile detectate pot fi
apoi specificate n model prin intermediul variabilei nk.
e. Pentru modelele MIMO suficient de complexe, este mai eficient s se
elaboreze o strategie de identificare n care s se testeze mai muli indici
structurali i mai multe ntrzieri posibile. Aceasta poate fi mare
consumatoare de timp, ns. Pentru a remedia (fie i parial) acest neajuns,
se poate utiliza executa comanda:
Mid = n4sid(Di,18,cov,none) ;
O alt comand, idhelp note, ofer cteva informaii generale suplimentare,
cum ar fi:
Tehnologia programrii orientate obiect permite funciilor s partajeze acelai
nume cu funcii din alte biblioteci sau din nucleul mediului de programare
MATLAB. Pentru a obine informaiile explicative referitoare la funciile din
biblioteca de IS prin comanda help, este indicat ca numele funciei s fie
precedat de numele idmodel/. De exemplu: help step va oferi informaii
referitoare la funcia step din cadrul bibliotecii de rutine dedicate domeniului
TS, n timp ce help idmodel/step va conduce la afiarea informaiei
referitoare la funcia step din biblioteca de IS.
Unele proprieti de estimare sunt motenite de obiecte pe tot parcursul
sesiunii MATLAB, chiar dac funcia care le-a folosit si-a ncheiat execuia. De
exemplu, s presupunem c dorim identificarea unui model ARMAX dup
maximum 5 iteraii:
Mid = armax(Di,[2 2 2 1],MaxIter,5) ;
Numrul maxim de iteraii este n acest caz motenit i de obiectul Mid
(modelul de identificare rezultat). Re-identificarea aceluiai model pentru un
nou set de date se poate efectua cu comanda:
Mid = armax(Di_new,Mid) ;
n acest caz, tot maximum 5 iteraii sunt efectuate. Dac se dorete schimbarea
acestei proprieti de la 5 la 20 de iteraii se poate proceda n unul din
urmtoarele moduri:
Mid = armax(Di_new,Mid,maxi,20) ; (indirect)
Mid.Algorithm.MaxIter = 20 ; (direct)
Mid = armax(Di_new,Mid) ;
132
Anexa A
Dac algoritmului de identificare i s-au setat alte opiuni dect cele implicite i
se dorete reutilizarea acestuia cu opiunile ne-implicite, configuraia opiunilor
poate fi salvat n cadrul unei structuri virtuale de opiuni. Aceasta poate fi
ulterior folosit ori de cte ori este necesar. De exemplu, s presupunem c
algoritmului de Minimizare a Erorii de Ieire i s-au setat urmtoarele opiuni:
Mid = oe(Di,[2 2 1],lim,0,maxi,40,tol,0.00001) ;
Acestea sunt nti salvate ntr-o structur virtual de opiuni:
myalg = Mid.Algorithm ;
apoi reutilizate:
Mid_new = pem(Di_new,3,alg,myalg) ;
133
#PGZC$
.KUVCFGXGTKHKECTGCOKPKUKOWNCVQCTGNQT
KTWVKPGNQT/#6.#$
0QVKO RQTVCPV
P XGFGTGC CHKTKK ITCHKEG P HGTGUVTG EW KPFGZ EQPVTQNCV FG WVKNK\CVQT OKPKUKOWNCVQCTGNG
FGLC RTQKGEVCVG QRGTGC\ EW XCTKCDKNC INQDCN FIG ECTG VTGDWKG KPKKCNK\CV PCKPVG FG
TWNCTGFKPOGFKWN/#6.#$CUVHGN
>> global FIG ;

>> FIG = n ;
.GIGPF
% Declaraie variabil global.

% Iniializare (cu n dorit, e.g. 1).
;OKPKUKOWNCVQT
TWVKPFKURQPKDKN

OKPKUKOWNCVQT
TWVKPEGVTGDWKGRTQKGEVCV

%CRKVQNWN
;
;
;
;
;
ISLAB_1A
OKPKUKOWNCVQT
ISLAB_1B
OKPKUKOWNCVQT
D_SPEKTR
TWVKPCWZKNKCT
NOISE
TWVKPCWZKNKCT
SPEFAC
TWVKPCWZKNKCT
%CRKVQNWN
ISLAB_2A
OKPKUKOWNCVQT
ISLAB_2B
OKPKUKOWNCVQT
ISLAB_2C
OKPKUKOWNCVQT
ISLAB_2D
OKPKUKOWNCVQT
ISLAB_2E
OKPKUKOWNCVQT
ISLAB_2F
OKPKUKOWNCVQT
ISLAB_2G
OKPKUKOWNCVQT
ISLAB_2H
OKPKUKOWNCVQT
ISLAB_2I
OKPKUKOWNCVQT
ISLAB_2J
OKPKUKOWNCVQT
ISLAB_2K
OKPKUKOWNCVQT

#PGZC$
ISLAB_2L
OKPKUKOWNCVQT
ISLAB_2M
OKPKUKOWNCVQT
ISLAB_2N
OKPKUKOWNCVQT
ISLAB_2O
OKPKUKOWNCVQT
ISLAB_2P
OKPKUKOWNCVQT
ISLAB_2Q
OKPKUKOWNCVQT
ISLAB_2R
OKPKUKOWNCVQT
ISLAB_2S
OKPKUKOWNCVQT
%CRKVQNWN
ISLAB_3A
OKPKUKOWNCVQT
ISLAB_3B
OKPKUKOWNCVQT
ISLAB_3C
OKPKUKOWNCVQT
ISLAB_3D
OKPKUKOWNCVQT
ISLAB_3E
OKPKUKOWNCVQT
ISLAB_3F
OKPKUKOWNCVQT
ISLAB_3G
OKPKUKOWNCVQT
ISLAB_3H
OKPKUKOWNCVQT
ISLAB_3I
OKPKUKOWNCVQT
ISLAB_3J
OKPKUKOWNCVQT
%CRKVQNWN
;
;
;
;
ISLAB_4A
OKPKUKOWNCVQT
ISLAB_4B
OKPKUKOWNCVQT
ISLAB_4C
OKPKUKOWNCVQT
F_TEST2
TWVKPCWZKNKCT
GAIC_R2
TWVKPCWZKNKCT
GENDATA
TWVKPCWZKNKCT
VALID_LS
TWVKPCWZKNKCT
VALID_IV
TWVKPCWZKNKCT

#URGEVGRTCEVKEGP/QFGNCTGCK+FGPVKHKECTGC5KUVGOGNQT
%CRKVQNWN
;
;
;
ISLAB_5A
OKPKUKOWNCVQT
ISLAB_5B
OKPKUKOWNCVQT
ARMAX_E
TWVKPCWZKNKCT
BJ_E
TWVKPCWZKNKCT
GAIC_R3
TWVKPCWZKNKCT
GEN_DATA
TWVKPCWZKNKCT
VALID_LS
TWVKPCWZKNKCT
%CRKVQNWN
;
;
ISLAB_6A
OKPKUKOWNCVQT
ISLAB_6B
OKPKUKOWNCVQT
ISLAB_6C
OKPKUKOWNCVQT
ISLAB_6D
OKPKUKOWNCVQT
GDATA_VP
TWVKPCWZKNKCT
RIV
TWVKPCWZKNKCT
%CRKVQNWN
;
;
ISLAB_7A
OKPKUKOWNCVQT
ISLAB_7B
OKPKUKOWNCVQT
ISLAB_7C
OKPKUKOWNCVQT
ISLAB_7D
OKPKUKOWNCVQT
ISLAB_7E
OKPKUKOWNCVQT
ISLAB_7F
OKPKUKOWNCVQT
GDATA_FP
TWVKPCWZKNKCT
GDATA_CP
TWVKPCWZKNKCT
%CRKVQNWN
ISLAB_8A
OKPKUKOWNCVQT
ISLAB_8B
OKPKUKOWNCVQT
ISLAB_8C
OKPKUKOWNCVQT
ISLAB_8D
OKPKUKOWNCVQT

Referine bibliografice
[AkH69]
[AsEy71]
[CaDL96]
[DuHa96]
[EyP74]
[EyP81]
[GoPa77]
[HaS86]
[IFAC80]
[IFAC82]
[IoV85]
[KaRa76]
[LaID93]
[LaID97]
[LjGl94]
[LjL99]
[MeLa76]
[MiM95]
[OpSc85]
[OpWi85]
Akaike H. Fitting Autoregressive Models for Prediction, Ann. of Institute

for Statistical Mathematics, Vol. 21, pp. 243-247, 1969.
strm K.J., Eykhoff P. System Identification A Survey, Automatica,
Vol. 7, pp. 123-167, 1971.
Carter D.L. Rolling Element Bearing Condition Testing Method and
Apparatus, United States Patent No. 5,477,730, December 26, 1996.
URL: www.uspto.gov/go/ptdl
Dumitrescu D., Hariton C. Reele Neuronale Teorie i Aplicaii, Editura
TEORA, Bucureti-Sibiu, Romnia, 1996.
Eykhoff P. System Identification: Parameter and State Estimation,
Wiley, London, UK, 1974.
Eykhoff P. Trands and Progress in System Identification, Pergamon
Press, Oxford, UK, 1981.
Goodwin G.C., Payne R.L. Dynamic System Identification: Experiment
Design and Data Analysis, Academic Press, New York, USA, 1977.
Haykin S. Adaptive Filter Theory, Prentice Hall, Englewood Cliffs, New
Jersey, USA, 1986.
IFAC Tutorial Section on System Identification, Automatica, Vol. 16,
1980.
IFAC Special Issue on System Identification, Automatica, Vol. 18, 1982.
Ionescu V. Teoria Sistemelor. Sisteme Liniare., Editura Didactic i
Pedagogic, Bucureti, Romnia, 1985.
Kashyap R.L., Rao A.R. Dynamic Stochastic Models from Empirical
Data, Academic Press, New York, USA, 1976.
Landau I.D. Identification et Commande des Systmes, Herms, Paris,
France, 1993.
Landau I.D. Identificarea i Comanda Sistemelor (traducere n limba
romn), Editura Tehnic, Bucureti, Romnia, 1997.
Ljung L., Glad T. Modeling of Dynamic Systems, Prentice Hall,
Englewood Cliffs, N.J., 1994.
Ljung L. System Identification - Theory for the User, Prentice Hall,
nd
Upper Saddle River, N.J., 2 edition,1999.
Mehra R.K., Lainiotis D.G. System Identification Advances and Case
Studies, Academic Press, New York, USA, 1976.
Mitchell M. An Introduction to Genetic Algorithms, The MIT Press,
Cambridge, Massachusetts, USA, 1995.
Oppenheim A.V., Schafer R. Digital Signal Processing, Prentice Hall,
New York, USA, 1985.
Oppenheim A.V., Willsky A.S. Signals and Systems, Prentice Hall,
Englewood Cliffs, N.J. 1985.
137
[PITC71]
[PrMa96]
[RiJ78]
[RiJ83]
[RuNo95]
[SoSt89]
[StF00]
[SeS01]
[SeS02]
[StD99]
[StD9602a]
[StD9602b]
[StD9603]
[StD9605]
[TaI97]
[TeSt80]
[TeSt85]
[TSP87]
Penescu C., Ionescu G., Tertico M., Ceang E. Identificarea

Experimental a Poceselor Automatizate, Editura Tehnic, Bucureti,
Romnia, 1971.
Proakis J.G., Manolakis D.G. Digital Signal Processing. Principles,
Algorithms and Applications., third edition, Prentice Hall, Upper Saddle
River, New Jersey, USA, 1996.
Rissanen J. Modeling by Shortest Data Description, Automatica, No. 14,
pp. 465-471, 1978.
Rissanen J. A Universal Data Compression System, IEEE Transactions
on Information Theory, Vol. IT-29, pp. 656-664, 1983.
Russel S.J., Norvig P. Artificial Intelligence A Modern Approach,
Prentice Hall, Upper Saddle River, New Jersey, USA, 1995.
Sderstrm T., Stoica P. System Identification, Prentice Hall, London,
UK, 1989.
Stratulat F. Teoria Sistemelor. Analiza Asistat de Calculator a
Sistemelor Liniare., MATRIX-ROM, Bucureti, Romnia, 2000.
erban S. Sisteme Dinamice Liniare Aplicaii Numerice, Printech,
Bucureti, Romnia, 2001.
erban S. Sisteme Liniare, Printech, Bucureti, Romnia, 2002.
tefnoiu D. On Non Uniform Sampling of Signals, CSCS-12
International Conference, Bucharest, Romania, pp. 405-410, May 25-30,
1999.
tefnoiu D. Introducere n Prelucrarea Numeric a Semnalelor (note
de curs), Centrul de multiplicare al Universitii Politehnica din Bucureti,
Romnia, Februarie 1996.
tefnoiu D. Tehnici de Calcul n Prelucrarea Numeric a Semnalelor
(note de curs i ndrumar de laborator), Centrul de multiplicare al
Universitii Politehnica din Bucureti, Romnia, Februarie 1996.
tefnoiu D. Identificarea Experimental a Sistemelor Serii de Timp
(ndrumar de laborator), Centrul de multiplicare al Universitii
Politehnica din Bucureti, Romnia, Martie 1996.
tefnoiu D. Identificarea Experimental a Sistemelor Probleme de
Seminar, Centrul de multiplicare al Universitii Politehnica din
Bucureti, Romnia, Mai 1996.
Tbu I. .a. Commande Numrique et Intelligence Artificielle en
Automatique (capitolul: Rseaux de Neuronnes), Editura Tehnic,
Bucureti, Romnia, 1997.
Tertico M., Stoica P. Identificarea i Estimarea Parametrilor Sistemelor,
Editura Didactic i Pedagogic, Bucureti, Romnia, 1980.
Tertico M., Stoica P. Modelarea i Predicia Seriilor de Timp, Editura
Academiei Romne, Bucureti, Romnia, 1985.
Tertico M., Stoica P., Popescu Th. Identificarea Asistat de Calculator
a Sistemelor, Editura Tehnic, Bucureti, Romnia, 1987.
138

Cartea Necolorata 53093680-Apmis

Încărcat de

Informații document

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

Cartea Necolorata 53093680-Apmis

Încărcat de

Drepturi de autor:

Formate disponibile

Dan tefnoiu

1. Caracterizri n timp i frecven

1.1. Analize de proces prin metode ne-parametrice

1.2. Aspecte practice n analiza proceselor stocastice

2. Identificarea modelelor ne-parametrice

Aspecte practice n Modelarea i Identificarea Sistemelor

6.1. Contextul general de lucru

7. Aplicaii de identificare recursiv

7.1. Contextul general de lucru

A. Aproximarea modelelor complexe

8. Modelarea i predicia seriilor de timp

A. Estimarea modelului polinomial al tendinei

C. Estimarea componentei nedeterministe (aleatoare)

2. Experimentul obinerii culorii albe din spectrul ROGVAIV.

3. Experimentul obinerii unei nuane de roz

4. Dou modele de procese stocastice echivalente.

5. Fereastra grafic tipic a rutinei ISLAB_1A.

6. Fereastra grafic tipic a rutinei ISLAB_1B.

7. Fereastra grafic tipic a rutinei NOISE.

8. Exemplu de analiz tranzitorie.

9. Exemplu de analiz pe baz de corelaie.

10. Fereastra spectral a lui Hamming.

11. Exemplu de analiz spectral.

12. Exemplu de afiare a erorii de estimare cu MCMMP

13. Exemplu de afiare a erorii de estimare cu MCMMP

14. Criterii de alegere a structurii modelelor.

15. Performanele unui model estimat cu MCMMP.

16. Reprezentarea poli-zeroruri a unui model estimat cu MCMMP.

17. Dispersia estimat a zgomotului. Criteriul aplatizrii i Testul F.

18. Potrivirea cu datele de identificare.

19. Potrivirea cu datele de validare.

20. Criteriul Akaike-Rissanen.

21. Performanele unui model estimat cu MMEP.

22. Reprezentarea poli-zeroruri a unui model estimat cu MMEP.

23. Algoritmul recursiv de baz n IS.

24. Algoritmul recursiv cu fereastr dreptunghiular.

25. Algoritmul recursiv cu fereastr exponenial.

Aspecte practice n Modelarea i Identificarea Sistemelor

26. Algoritmi recursivi de tip gradient.

27. Algoritmul recursiv cu filtrare Kalman.

28. Performanele MCMMP-R.

29. Performanele MVI-R.

30. Performanele MMEP-R.

31. Performanele MRLP-R.

32. Caracteristicile n frecven ale filtrelor Butterworth

33. Caracteristicile n frecven ale filtrelor Butterworth

34. O estimare grosier a spectrului procesului furnizor de date.

35. Caracteristicile filtrului Butterworth ales.

36. Performanele modelului ARMAX pe toat lrgimea de band.

37. Performanele modelului ARMAX

38. Date de intrare-ieire furnizate de un motor de curent continuu.

39. Ieirea msurat i cea simulat

41. Determinarea perioadei optime

42. Determinarea perioadei optime

43. Algoritmul Levinson-Durbin.

44. Rata lunar a numrului de omeri din SUA.

45. Circulaia monedei belgiene msurat lunar, timp de 10 ani.

46. Media lunar a numrului de pete solare observate.

47. Distana lunar parcursa la U.K. Airlines pe cursele interne.

48. Rata lunar a omajului n Marea Britanie.

49. Rata lunar a omajului n Frana.

50. Rata lunar a omajului n Canada.

51. Veniturile lunare din impozitele pe telefoane n SUA.

52. Media lunar a timpului mediu de lucru sptmnal n SUA.