Documente Academic
Documente Profesional
Documente Cultură
Ion Matei
Petre Stoica
Aspecte practice n
Modelarea i Identificarea Sistemelor
Cuprins
Notaii i abrevieri
Prefa
Introducere
VII
IX
1
11
1.3. Exerciii
1.4. Probleme de simulare
3. Identificare parametric
prin Metoda Celor Mai Mici Ptrate
3.1. Contextul general de lucru
3.2. Exerciii
3.3. Probleme de simulare
4. Identificare parametric
prin Metoda Variabilelor Instrumentale
4.1. Contextul general de lucru
A. Metoda Variabilelor Instrumentale
B. Criterii de alegere a structurii modelelor
C. Criterii de validare a modelelor
4.2. Exerciii
4.3. Probleme de simulare
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
5. Identificare parametric
prin Metoda Minimizrii Erorii de Predicie
5.1. Contextul general de lucru
A. Metoda Celor Mai Mici Ptrate Extins
B. Metoda Minimizrii Erorii de Predicie
5.2. Exerciii
5.3. Probleme de simulare
58
58
58
60
62
63
6. Identificare recursiv
67
6.2. Exerciii
6.3. Probleme de simulare
67
67
75
76
77
81
81
7.2. Exerciii
7.3. Probleme de simulare
81
87
95
98
104
104
105
107
113
115
8.2. Exerciii
8.3. Probleme de simulare
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.
16
16
20
21
21
22
27
28
30
31
36
36
41
55
55
56
56
57
57
66
66
68
70
72
III
73
74
79
79
80
80
83
83
101
101
102
102
103
103
103
109
112
114
121
121
122
122
123
123
IV
Cuprins
124
124
125
125
126
126
127
127
128
131
Lista tabelelor
1. Intervale i nivele de ncredere tipice
pentru validarea modelelor.
45
VI
120
def
X ( e j ) = F ( x )( e j ) = x[n ] e j n , R ,
nZ
x[ n ] = F
def
( X )[n ] =
1
2
X (e
)e + j n d , n Z ,
def
X ( z ) = Z ( x )( z ) = x[n ] z n , z C x ,
nZ
[x ]dB
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
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
Universitatea din Uppsala, Departamentul de Sisteme i Control Automat, P.O. Box 27, 75103 Uppsala,
SUEDIA.
IX
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
(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)
Introducere
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
y[n ] = T [n ] + e[n ] , n N ,
(4)
T [n] def
...
= [ y[n 1] y[n 2] L y[n na]
u[n 1] u[n 2] L u[n nb]
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
T
[n ] = [ y[n 1] y[n 2] L y[n na ]]
T def
n N
= [a1 a2 L ana ]
def
AR :
(7)
Introducere
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)
ru [k ]
N
1
u[n ]u[n k ] , k 1, N / 4 .
N k n = k +1
(9)
RM (u ) = rM ( y , u )
= RM1 (u ) rM ( y , u ) .
(10)
def
u ( ) = F ( ru )( e j ) =
ru [k ]exp( jk ) ,
nZ
R .
(11)
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)
= E{ [n ] T [n ]}
(14)
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 = E y[n ] T [n ] E{e[n ]}
(17)
E{ f [n ]} f =
1
N
f [n ] .
(18)
n =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
(21)
n =1
unde notaiile ~
y i ~ indic centrarea datelor pe medie (adic ~
y y y i
Introducere
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)
H (e j ) = F (h )( e j ) = h[n ] e j n , R .
(24)
nZ
y h u
H ( z) =
Y ( z)
= Z ( h )( z ) , z C h = Cu C y .
U ( z)
(25)
y0 = u0 H ( e j 0 )
i = arg H ( e
j 0
).
(26)
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
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
y ( ) = H ( e j ) u ( ) , R .
(31)
u sau y prin aplicarea TF asupra covarianei ncruciate ruy . Astfel, se poate arta
c [StD9605]:
uy ( ) = H ( e j )u ( ) , R ,
(32)
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
15
(35)
R
V
O
I
G
A V
Alb
V
I
R
A V
O
G
Roz
ry [0] = y2 =
1 +
u ( ) d .
2
(36)
( y[n ] y ) 2
exp
, n Z ,
2 2
2
def
p ( y[n ]) =
(37)
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)
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)
H ( q 1 ) =
b1q 1
,
1 + a1q 1
(41)
A( q 1 ) x[n ] = C ( q 1 )e[n ] , n N ,
(42)
(43)
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
v
e
C/A
B/A
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)
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
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
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).
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)
r[k ] r[0] , k 0, n .
(47)
23
24
Capitolul 2
Identificarea modelelor ne-parametrice
2.1. Contextul general de lucru
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:
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)
(51)
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 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).
0 , n 9
u[n ] =
1 , n 10,100
(52)
26
u f [n ] =
u0
u[n ] , n N ,
1 0 . 8 q 1
(53)
28
na
plot
ir
R
cl
29
Problema 2.3
De notat c fereastra Hamming este una dintre cele mai convenabile pentru
estimarea spectral, avnd expresia:
2 n
, n N ,
M 1
(54)
1.5
1.5
11
0.5
0.5
00
-0.5
-0.5
00
50
50
100
100
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.
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'
InputName: 'Nu-by-1 cell array of strings'
OutputName: 'Ny-by-1 cell array of strings'
32
InputUnit:
OutputUnit:
Notes:
UserData:
Version:
Utility:
33
Capitolul 3
Identificare parametric
prin Metoda Celor Mai Mici Ptrate
3.1. Contextul general de lucru
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:
(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
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.
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:
38
Capitolul 4
Identificare parametric prin
Metoda Variabilelor Instrumentale
4.1. Contextul general de lucru
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 n =1
N n =1
(56)
(57)
39
(58)
i:
def
, (59)
D ( q 1 )
u[n ] , n N .
C ( q 1 )
def
u f [n ] =
(60)
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)
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)
persist. n acest caz indicele structural optim rezult efectiv prin rezolvarea
urmtoarei probleme de minimizare:
(65)
def
AIC N [n ] = ln 2N [n ] +
2 n
, n N .
N
(66)
2 n
GAIC N [n ] = ln 2N [n ] +
N , n N .
N
def
(67)
(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
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)
lim E [n,N ] [n k ,N ] = 0 , k N ,
(71)
[ ,+ ]
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)
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.
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]):
(77)
46
(78)
(79)
{(
)(
)}
T
N
E N N = 2 [n ] T [n ] .
n =1
(80)
(81)
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.
(1 1.5q
(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):
(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
A( q 1 ) y[n ] =
B ( q 1 )
C ( q 1 )
u
[
n
]
+
e[n ] , n N ,
F ( q 1 )
D( q 1 )
(84)
49
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
[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 + 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
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
Capitolul 5
Identificare parametric prin
Metoda Minimizrii Erorii de Predicie
5.1. Contextul general de lucru
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)
A ( q 1 ) y B ( q 1 )u + e ,
(87)
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)
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)
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)
def
n, = y[n ] T [n ] , n 1, N .
(91)
L [n 1, ] L [n nc, ] , n 1, N .
(92)
[n ] [n]
n =1
def
2N =
1
N
n =1
[n ] y[n ] ;
(y[n] T [n ]N )
N
(93)
(94)
n =1
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
N = arg min VN ( ) .
(96)
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
a. Modelul ARMAX:
(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 ]
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)
Ca
urmare,
mai
nti
se
evalueaz
coeficienii
polinoamelor
2N [k ] =
1
N
n =1
1
N
2 [n,N [k ]] = VN (N [k ]) .
N
n =1
61
(102)
i1, n
sau
k + 1 K max ,
VN N [k + 1] VN N [k ] = 2N [k + 1] 2N [k ] <
(103)
(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.
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
66
Capitolul 6
Identificare recursiv
6.1. Contextul general de lucru
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
k
.
1 + T [k ] k
( A + bcT ) 1 = A1
A1cT bA1
1 + cT A1b
(106)
6. Identificare recursiv
Vk ( ) =
wk [n ]( y[n ] [n ] )2 ,
S ,
(107)
n =1
Pk1 =
(108)
n = k M +1
69
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
k = k 1 + Pk (z[k ] d [k ] z[k M ] s [k M ]) .
6. Identificare recursiv
wk [n ] = k n , n 1, k .
(109)
Vk ( ) =
k n ( y[n ] [n ] )2 ,
S .
(110)
n =1
Pk1 =
(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
k
.
+ T [k ] k
(P
k 1
k T [k ]Pk 1
6. Identificare recursiv
4. Pentru k 1 :
Pk = P0 / [k ]
(gradient normalizat).
[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:
a. ordinele modelului de identificare: na , nb , nc , nd i nf ;
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):
DN 0 = {u[n ]}n1, N { y[n ]}n1, N (cu N 0 de ordinul zecilor, cel mult);
0
k
.
+ T [k ] k
2
74
6. Identificare recursiv
ma
pa
75
6.2. Exerciii
Exerciiul 6.1
Descriei algoritmul MMEP-R folosind un model ARMAX i algoritmul general
prezentat n Figura 23.
76
6. Identificare recursiv
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.
(113)
(114)
(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
N
este orizontul de msur (implicit: N=250);
sigma este deviaia standard a intrrii SPA (implicit: sigma=1);
lambda este deviaia standard a zgomotului alb Gaussian
(implicit: lambda=1);
bin
este un parametru care arat tipul de intrri dorit: bin=0 (intrare
SPAB Gaussian); bin~=0 (implicit, intrare SPAB Gaussian
bipolar);
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; 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
6. Identificare recursiv
Capitolul 7
Aplicaii de identificare recursiv
7.1. Contextul general de lucru
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)
def +
V ( ) =
F ( e j ) H (e j ) H ( e j , ) u ( ) d , S .
(117)
H ( e j )
y ( )
, [0, ] ,
u ( )
(118)
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,
83
F ( s )F ( s ) =
1 + s 2 / c2
(120)
(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
type
s=
2 z 1
,
Ts z + 1
(123)
z = e sTs .
(124)
z 1 + sTs
z 1
.
Ts
(125)
H d ( z ) = ( z 1)
H(s) 1
.
s z e sTs
Rez
{poli}
(126)
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)
86
H ( s) =
K
,
s(1 + Ts )
(128)
Hd ( z) =
b1 z 1 + b2 z 2
,
1 + a1 z 1 + a2 z 2
(129)
1 0
2
x& (t ) =
x ( t ) + u (t ) , t R ,
+
0
0
y (t ) = [0 ] x (t )
(130)
H (s) =
K /T
.
s( s + 1 / T )
(131)
x& (t )
x (t + Ts ) x (t )
, t R+ ,
Ts
(132)
(133)
K = K 0 = 4 i T = T0 = 0.5 .
(134)
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
A
Ts
Ts
90
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
sunt determinai
M.InitialState.
de
cmpurile:
M.nk,
M.DisturbanceModel
K0
T0
Tmax
Ts
( 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)
H ( s) =
K
,
1 + Ts
(137)
Hd ( z) =
a1 = e Ts / T
b1 z 1
,
cu:
.
Ts / T
1 + a1 z 1
b1 = K 1 e
(138)
a1 + a2 = 1
(139)
K=
b1 + b2
a2b1 + b2
T
; T = Ts
= s .
Ts (1 a2 )
(1 a2 )(b1 + b2 )
ln a2
(140)
H ( s) =
02
,
s 2 + 2 0 s + 02
(141)
Dac 1 , polii funciei de transfer sunt reali. Dac < 1 , polii nu sunt reali.
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)
2 0Ts
T
T
b2 = e 0 s e 0 s Ts 1
a2 = e
(145)
H ( s) =
02 s
,
s 2 + 2 0 s + 02
(146)
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)
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)
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
100
(a)
(b)
(b)
Figura 39. Ieirea msurat i cea simulat ale motorului de curent continuu:
(a) cu parametri constani; (b) cu parametri variabili.
Capitolul 8
Modelarea i predicia seriilor de timp
8.1. Contextul general de lucru
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
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)
104
yT (t ) = a0 + a1t + L + a p t p , t R ,
(153)
(154)
yT [n ] = a0 + a1n + L + a p n p , n Z ,
(155)
iar S R
p +1
p +1
(156)
n =1
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)
n =1
n =1
(159)
(160)
1
def
BN = diag
NTs
1
NTs
NTs
1
N pTsp
.
NTs
(161)
N = BN BN RN BN
BN rN .
(162)
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
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
(164)
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
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 (PTs )
L ysta,1 (2 PTs )
. (166)
O
M
L ysta,1 (KPTs )
L
yS , p =
1
K
K 1
p 1, P .
(167)
k =0
t [( p 1)Ts , pTs ) , p 1, P ,
unde, datorit periodicitii,
(168)
108
def N
n =1
P0,t
M
2
y S ( tn )
m =0
109
n 1, N .
(170)
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
2 M +1
(172)
n =1
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)
P [m ] = am2 + bm2 , m 1, M .
(177)
m0 = arg max P [m ] .
(178)
m1, M
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)
m0
N
2
mP
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
(181)
2
E{e[n ]e[m ]} = 0 [n m ]
(182)
unde parametrii necunoscui sunt coeficienii {ai }i1, na (asamblai ntr-un vector
1
N
(183)
n =1
unde:
def
T
na
[n ] = [ v[n 1] L v[n na ]] ;
def
Rna =
1
N
def
rna =
(184)
n =1
n =1
n =1
1
N
i , j1, na
n =1
i1, na
(185)
(186)
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 :
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
114
(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
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)
(190)
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
y [ N + k | N ] = yT [ N + k ] + y S [ N + k ] + y AR [ N + k | N ] , k 1, K .
(194)
[y[ N + k ] 3
, y[ N + k ] + 3 k , k 1, K ,
(195)
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
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)).
2
na 0
118
unde: ypred este vectorul linie al seriei de timp predictate, sigma2 este
vectorul line al dispersiilor erorilor de predicie corespunztoare (adic
119
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)
din
120
123
11 martie 2004
11 septembrie 2001
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
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)
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)
B11 ( q 1 )
y1 A ( q 1 )
y 11 1
y2 B21 ( q )
A ( q 1 )
21
B12 ( q 1 )
1
1
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)
Anexa A
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.#$CUVHGN
;OKPKUKOWNCVQT
TWVKPFKURQPKDKN
OKPKUKOWNCVQT
TWVKPEGVTGDWKGRTQKGEVCV
%CRKVQNWN
;
;
;
;
;
ISLAB_1A
OKPKUKOWNCVQT
ISLAB_1B
OKPKUKOWNCVQT
D_SPEKTR
TWVKPCWZKNKCT
NOISE
TWVKPCWZKNKCT
SPEFAC
TWVKPCWZKNKCT
%CRKVQNWN
ISLAB_2A
OKPKUKOWNCVQT
ISLAB_2B
OKPKUKOWNCVQT
ISLAB_2C
OKPKUKOWNCVQT
ISLAB_2D
OKPKUKOWNCVQT
ISLAB_2E
OKPKUKOWNCVQT
ISLAB_2F
OKPKUKOWNCVQT
ISLAB_2G
OKPKUKOWNCVQT
ISLAB_2H
OKPKUKOWNCVQT
ISLAB_2I
OKPKUKOWNCVQT
ISLAB_2J
OKPKUKOWNCVQT
ISLAB_2K
OKPKUKOWNCVQT
#PGZC$
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]
137
[PITC71]
[PrMa96]
[RiJ78]
[RiJ83]
[RuNo95]
[SoSt89]
[StF00]
[SeS01]
[SeS02]
[StD99]
[StD9602a]
[StD9602b]
[StD9603]
[StD9605]
[TaI97]
[TeSt80]
[TeSt85]
[TSP87]
138