Ident Sys Notite de Curs

Identificarea Sistemelor Notie de curs
Universitatea Petru-Maior Tg.Mure

IDENTIFICAREA SISTEMELOR
Notie de curs

Prof. dr. David Laszlo

.l. Gyorgy Katalin
Created with novaPDF Printer (www.novaPDF.com). Please register to remove this message.
Cuprins

1. Introducere

1.1
.
Introducere n identificarea sistemelor. Clasificri.
1.2
.
Ipoteze de calcul pentru procese stocastice
1.3
.
Ipoteza ergodic
1.4
.
Funcii de corelaie
1.5
.
Funcii densitate spectral. Relaiile Wiener - Hincsin
1.6
.
Exemple numerice

2.

Metode de identificare neparametrice

2.1
.
Modele ale sistemelor liniare, variabile n timp i neliniare
2.2
.
Metode de identificare neparametrice n domeniul timp i frecven
2.2.1. Identificarea prin funcia pondere
2.2.2. Identificare prin rspuns indicial
2.2.3. Identificarea sistemelor prin funcii de corelaie(metoda
Rake)

2.2.4. Identificarea neparametric prin metoda celor mai mici
ptrate

2.2.5. Metoda de identificare prin transformata Fourier discret
2.2.6. Identificarea proceselor funcionnd n bucl nchis

3. Identificare cu metode grafice

3.1
.
Identificarea grafic din funcia indicial
3.1.1. Sistem de ordin I
3.1.2. Sistem de ordin I cu timp mort
3.1.3. Sistem de ordin II
3.1.4. Sistem de ordin II cu timp mort
3.1.5. Sisteme de ordin superior
3.2 Identificarea grafic din funcia pondere
.
3.2.2. Sistem de ordin II

4. Metode de identificare parametrice

4.1
.
Consideraii generale
4.2
.
Proprietile de baz
4.3
.
Metode principale de obinere a estimatei
4.4
.
Tipuri de modele
4.5
.
Eroarea de predicie
4.6
.
Metode parametrice nerecursive (off-line)
4.6.1. Metoda CMMP varianta I
4.6.2. Metoda CMMP varianta II
4.6.3. Estimatorul Markov
4.7
.
Metode de albire a zgomotului
4.7.1. Metoda c.m.m.p. generalizat
4.7.2. Metoda matricei instrumentale
4.8
.
Metode parametrice recursive (on-line)
4.8.1 Consideraii generale
4.8.2. Algoritmul c.m.m.p. on-line
4.8.3. Iniializarea algoritmului
4.8.4. Algoritm n timp real

5 Estimatori de stare

5.1
.
Introducere
5.2
.
Predicie i filtraj n procese aleatoare
5.3
.
Procese aleatoare staionare.
5.4
.
Observatoare de stare liniare
5.4.1. Estimare optimal nerecursiv
5.4.2. Procese secveniale
5.4.3. Filtrul Kalman-bucy discret
5.5
.
Estimarea strilor sistemelor neliniare
5.5.1. Filtrul Kalman extins

6. Selectarea structurii i validarea modelului

6.1
.
Alegerea structurii modelului
6.2
.
Testul F


1 INTRODUCERE

n ultima perioad un mare numr de cercetri din domenii foarte diverse
(biologie, fizic, economie tiine tehnice etc.) utilizeaz metode i tehnici de
identificare care permit determinarea unor modele matematice ale proceselor
investigate. Aceste modele le permit studiul unor aspecte privind natura i
funcionarea proceselor studiate, precum i predicia unor efecte sau conducerea
automat ale proceselor industriale. Utilizarea practic ale acestor modele
identificate confer tiinei identificrii sistemelor un profund caracter aplicativ.
Totodat preocuprile teoretice n cadrul acestui domeniu au contribuit la
dezvoltarea unor domenii ale matematicii.
Dezvoltarea tiinei sistemelor precum i limbajul matematic riguros utilizat
de acesta a condus la formalizarea multor probleme de cercetare i la nchegarea
acestei teorii. Aplicarea practic a acestor rezultate implic elaborarea unor
modele matematice ale proceselor analizate. Operaia de obinere a unor astfel de
modele, utiliznd msurtori experimentale ale variabilelor din proces este ceea ce
numim pe scurt identificare ( System identification ).
n general pe baza ipotezei de separare, proiectarea unui sistem de comand
automat este mprit n dou etape:
- determinarea unui model matematic pentru procesul respectiv;
- determinarea structurii i acordarea regulatorului aferent procesului
condus.
n perioada de nceput a automaticii etapa de identificare a fost ignorat n
practic, deoarece regulatoarele clasice PID erau acordate pe baza unor criterii
empirice. n consecin lipsa modelelor pentru diferitele categorii de procese
industriale a fost mult timp o piedic n calea aplicrii rezultatelor moderne ale
teoriei sistemelor de conducere automate.
nainte de a discuta cile de modelare a proceselor este important s
formulm unele observaii asupra aplicabilitii ipotezei de separare a procesului
de control de cea de identificare. Conform acestei ipoteze legea de reglare este
calculat baznd pe ipoteza c modelul identificat al procesului supus conducerii
este exact. n mod evident strategia astfel obinut este rareori robust. Un
exemplu tipic de regulator robust este comanda liniar ptratic LQR, a sistemelor
dinamice liniare perturbate cu zgomote Gaussiene. n general legea de comand ar
trebui determinat innd cont de faptul c modelul obinut prin identificare
reprezint numai o anumit aproximaie a procesului real. O alt posibilitate este
regulatorul dual, i anume efectuarea simultan a proceselor de identificare i
reglare. Totui aplicabilitatea practic a unor astfel de metode era limitat de
complexitatea calculelor implicate, chiar n cazul unor sisteme foarte simple. n
schimb determinarea comenzii n ipoteza separrii proceselor de control de cea de
identificare face posibil aplicarea imediat a numeroaselor tehnici de proiectare a
regulatorului pentru sisteme dinamice

1.1. INTRODUCERE N IDENTIFICAREA SISTESTMELOR. CLASIFICRI.

- Ce nseamn identificarea sistemelor?

Identificarea sistemelor este acel procedeu n urma cruia se determin
modelul unui proces fizic folosind datele msurate la intrarea respectiv la ieirea
sistemului.

- Cum se realizeaz?

Se ajusteaz parametrii modelului i/sau structura sistemului determinat pn
cnd ieirea modelului coincide (sau este foarte aproape) cu ieirea procesului la
aceeai semnal de intrare.

- Cum testm eficiena identificrii (modelul determinat este corect sau nu) ?
- testm modelul la diferite semnale de intrare
- utilizm diferite metode de identificare
- cu diferite metode de validare

- Ce tip de modele putem identifica ?
- modele neparametrice (funcia pondere)
- modele parametrice (modele IO (funcii de transfer, ec. cu diferene,
modele ISI, etc.)

- n mediul MATLAB cu funciile de identificare existente n Toolbox-ul System
Identification putem identifica modele liniare. Oare aceste funcii pot fi folosite i
la identificarea sistemelor neliniare ? Dac sistemul neliniar poate fi liniarizat n
jurul unui punct de funcionare i dac se folosete o identificare on-line, atunci
valorile determinate sunt valabile numai pe un interval restrns de funcionare.

- Termeni:
o Date msurate: valori cu care lucrm n procesul de identificare sau
estimare a modelului
o Date de validare: valori cu care lucrm n procesul de testare al
modelului obinut n urma identificrii

- Identificarea poate s fie:
o parial (structura modelului este dat i este necesar determinarea
parametrilor)
o total (se determin att structura ct i parametrii modelului)

Deci identificarea sistemelor const n determinarea unui model adecvat,
aceast problem poate fi tratat n dou feluri:
o Problema identificrii analitice (modelare): cnd se determin un
model matematic pornind de la cunotinele apriorice despre sistem
(se cunoate legile fizice, chimice, mecanice, etc. ce guverneaz
funcionarea procesului fizic) .Avantaje: modelul obinut are un
domeniu larg de validitate i parametrii unor asemenea modele au o
semnificaie fizic concrete (rezisten, volum, etc.). Dezavantaj:
modelul matematic foarte complex i neliniar, dac lum n
considerare toate fenomenele existente n sistem.
o Problema identificrii experimentale (identificare): cnd modelul
este obinut numai din datele msurate la intrarea i la ieirea
sistemului. Avantajul: obinem modele matematice simple.
Dezavantaj: modelul nu are un domeniu de validitate mare i
parametrii sistemului nu au semnificaie fizic (black box model).

De obicei se ncearc abordarea identificrii mixte, adic din cunotinele
apriorice se determin structura modelului i printr-o metod de identificare
parametric se determin parametrii modelului. Determinarea parametrilor trebuie
realizat astfel nct comportarea modelului s fie ct mai apropiat de cea a
sistemului fizic. Aceast proximitate este msurat cu ajutorul unui criteriu, care
exprim calitativ distana dintre model i proces. Procedura de estimare
constnd din minimizare acestui criteriu. Schematic procesul de identificare poate
fi prezentat conform figurii:

unde: ym ieirea modelului
yp- ieirea procesului (msurat)
u semnalul de intrare (msurat)
D(E)= D(yp-ym) o funcie criteriu , care depinde de abaterea celor dou
semnale de ieire

Procesul de identificare poate fi ilustrat i cu ajutorul urmtoarei scheme
logice

Da
Nu
Testare
model
Cunotine despre
proces
Structura modelului
Determinarea
parametrilor
Date de I/O
Model final
ym
u yp
Pr oces
Model D(E)
Est i mar e
(Ident ifi care)
La identificarea unui proces fizic dat, pentru a alege cea mai convenabil metod
de identificare, este necesar punerea urmtoarelor probleme/ntrebri.(aceste
probleme vor fi rezolvate la fiecare sistem separat)
- Se poate aplica un semnal de test sau este necesar identificarea (msurarea
sau observarea datelor) n timpul funcionrii normale al procesului ?
- Dac se poate aplica un semnal de test, care este amplitudinea maxim
pentru a nu perturba prea mult procesul sau a nu-l scoate din zona de
funcionare liniar (sau zona stabil) ?
- Ce tip de semnal trebuie s alegem pentru a obine la ieire un semnal ct
mai bogat n informaii despre sistem ?
- Identificarea trebuie realizat n bucl nchis sau n bucl deschis?
- Identificarea on-line sau off- line (n timpul funcionrii sau nu ) ?

Deci metodele de identificare pot fi clasificate n funcie de o serie de factori,
cum ar fi: tipuri de semnale de intrare, clasa de modele, indicele de performan,
caracterul calculelor (recursiv sau nu), etc.

De ce avem nevoie de identificarea sistemelor?
- Lipsa modelelor a fost mult timp o piedic (un neajuns) n calea aplicrii
rezultatelor moderne ale teoriei sistemelor de conducerea automate.
- Modelele identificate permit studiul unor aspecte privind natura i funcionarea
proceselor studiate eventual predicia unor efecte sau conducerea automat a
proceselor industriale.
- Utilizarea practic ale acestor modele identificate confer tiinei identificrii
sistemelor un profund caracter aplicativ.

Observaie: Modelul obinut prin identificare reprezinte numai o aproximaie
a procesului real studiat!!!

1.2 IPOTEZE DE CALCUL PENTRU PROCESE STOCASTICE

Procesele aleatoare sunt procese pentru descrierea crora folosim noiunea
de densitate de probabilitate ( ) p x . Ea reprezint probabilitatea de ndeplinire a
unui eveniment de valoarea x, de exemplu ndeplinirea unei stri x. Din definiie
ea este o funcie cu variabilele ( ) p x t , definit ca:
( ) p x t
N
N x
i
N
x
i
i
i
, lim =
A
A
A
0
1

unde N reprezint numrul total al semnalelor pentru t fixat, AN
i
reprezint
numrul evenimentelor a cror stare este n intervalul pentru | | x x x
i i i
, + A .
Proprietatea funciei densitate de probabilitate este aceea ca:
( ) p x t dx , =
}
1
Semnificaia acestei proprieti se poate rezuma n urmtoarea afirmaie evident.
Probabilitatea ca evenimentul x s se afle n intervalul | | , este cert.
Valoarea medie a semnalului ( ) x t n momentul t, adic media pe spaiul
evenimentelor simultane este:
( ) { } ( )
=

= =
N
k
k
N
t x
N
t x M
1
1
lim
Pe de alt parte valoarea medie sau altfel denumit valoarea de ateptare
(expectation value ), se poate defini ca suma ponderat cu probabilitatea ( ) p x t
i
, a
evenimentelor x
i
, i anume:
( ) { } ( )

} }
=

A

A
~
A
A
= = =
n
n i
i
i
n
i
i
i
x
N
i i i i
N
N
x dx
x N
N
x dx t x p x t x M
i
lim
1
lim ,
0

Aceast valoare reprezint valoarea cea mai probabil a variabilei probabilistice
i
x . Similar valoarea medie ptratic se poate definii ca:
( ) { } ( )
i i i
dx t x p x t x M =
}

,
2 2

Aceast expresie permite definirea dispersiei semnalului stocastic ( Standard
deviation or variance ), cu relaia:
( ) ( ) { } ( ) { } { } ( ) ( )
i i i i
dx t x p x M x t x M t x M = = o
}

,
2 2 2

De fapt aceast valoare reprezint abaterea medie ptratic a semnalelor fa de
valoarea lor medie. Cu ct aceast valoare este mai mic, cu att densitatea de
probabilitate este o funcie mai abrupt cu probabilitatea valorii medii mai mare i
invers. Aceast proprietate are i o aplicabilitate practic, deoarece n unele cazuri
cum ar fi filtrul Kalman - extremizarea acestor caracteristici, adic calculul
minimului dispersiei se poate nlocui cu calculul maximul probabilitii valorii de
ateptare. Trebuie s remarcm faptul c dispersia unui semnal stocastic este o
particularizare a noiunii de moment de ordin k dac 2 = k . Dac ne referim la
ipoteza de moment centrat, ea se definete cu relaia:
( ) ( ) { } ( ) { }
k k
t x M t x M = o
Pentru studiul semnalelor aleatoare n sistemele dinamice n majoritatea
cazurilor se folosesc ipoteza unei distribuii Gaussiene sau altfel spus normale.
Avantajele acestuia provine din:
- Originea semnalului aleator garanteaz aceast ipotez prin intermediul
teoremei limit centrale;
- Semnalul de distribuie Gaussian aplicat unui sistem liniar provoac la ieirea
acestui sistem tot un semnal de distribuie normal;
- Orice distribuie poate fi aproximat din semnale Gaussiene aplicate unor
sisteme neliniare;
- O distribuie Gaussian mono dimensional este complet determinat conform
relaiei urmtoare, dac i se cunosc media i dispersia o.
( )
2
2
1
2
1
, ,
|
|
.
|
\
|

=
o
t o
o
x
e x p

Semnale de distribuie normal

exemple de densitate de probabilitate: funcia dens. lui Gauss

Un alt semnal stocastic, ideal, este cel de distribuie uniform. Distribuia
uniform este cea mai simpl repartiie. Funcia densitate de probabilitate este:
| |
| |
e
e
=
max min
max min
min max
, , 0
, ,
1
) (
x x x pentru
x x x pentru
x x
x f
Valoarea medie i covariana (dispersia) distribuiei uniforme sunt:
2
max min
x x +
=
( )
12
2
min max 2
x x
= o
Relaiile de mai sus sunt valabile numai pentru numere aleatoare cu distribuie
uniform. n cazul eantionrii unui semnal, valorile mediei i dispersiei nu
corespund exact cu rezultatele date de expresiile de mai sus, dar cu ct se
utilizeaz mai multe eantioane, cu att valorile calculate se apropie mai mult de
valorile analitice. Transformarea numerelor distribuite uniform (u) pe intervalul
[0,1] n numerele u', distribuite pe intervalul [a,b], se poate realiza cu relaia:
a u a b u + = ) ( '
n figura de mai jos s-a reprezentat semnalul aleator distribuit uniform pe
intervalul [0, 1] respectiv densitatea de probabilitatea a semnalului ().
a. b.
Semnal aleator cu distribuie uniform (a) n intervalul [0,1]
respectiv densitatea de probabilitate uniform (b)
n literatura tehnic pentru semnalele aleatoare cu distribuie uniform i medie
nul se folosete i denumirea de zgomot alb.

Procesele staionare sunt procesele ale cror proprieti nu se schimb n
decursul procesului, adic sunt invariante n timp.

1.3 IPOTEZA ERGODIC

Pentru a determina densitatea de probabilitate putem folosi dou metode: 1.
studiem pe un interval fix de timp T un numr mare de eantioane (N) 2.
intervalul de timp nu este fixat (T), dar este fixat numrul de eantioane N.
Definind media unui semnal stocastic cu timpul t fixat respectiv cu timpul t
variabil ca:
( )
}
=

= =
N
k
k
N
t x
N
dx x p t x t x M
1
1
lim ) ( ) ( )} ( {
}
=

T
T
T
dt t x
T
t x M ) (
2
1
lim )} ( {
x

(
n
)

n (nr. de puncte) x
f

(
x
)

conform ipotezei ergodice cele dou medii sunt similare (medierea n spaiu i
medierea n timp coincid). Trebuie s menionm faptul c nu toate procesele
staionare sunt i ergodice.

1.4 FUNCII DE CORELAIE

Sunt utilizate pentru caracterizarea i analiza semnalelor stocastice.
Denumirea latin are semnificaia de relaie reciproc ntre dou sau mai multe
fenomene, adic exprim cantitativ interdependena unor evenimente sau
fenomene. Se cunosc dou funcii de corelaie i anume:
- funcia de autocorelaie, care exprim dependena unui semnal stocastic
n eantioane de timp diferite;
- funcia de intercorelaie, care exprim dependena dintre dou semnale
stocastice.

Prin definiie funcia de corelaie ntre dou semnale stocastice ( ) t u i ( ) t v
este ( ) ( ) { } t t v t u M unde prin ( ) . M s-a notat media semnalului. Baznd pe
ipoteza ergodic la procese staionare respectiv cvasistaionare putem scrie relaia
de determinare a funciei de corelaie:
}

= =
T
T
T
uv
dt t v t u
T
t v t u M ) ( ) (
2
1
lim )) ( ), ( ( ) ( t t t
Dac cele dou semnale ( ) t u i ( ) t v sunt egale atunci funcia ( ) t
uv

se
numete funcia de autocorelaie, n caz contrar avem de a face cu funcii de
intercorelaie.

Funcia de autocorelaie pentru procese ergodice se definete cu relaia:
( ) ( ) ( ) { } ( ) ( )
}

= =
T
T
T
uu
dt t u t u
T
t u t u M t t t
2
1
lim
Cu ct valoarea funciei de autocorelaiei este mai mare cu att exist o
dependen mai strns ntre eantioanele de evenimente corespunztoare i invers
cu ct valoarea funciei de autocorelaie este mai apropiat de un semnal Dirac cu
att eantioanele de evenimente sunt mai independente. n acest sens funcia de
autocorelaie a unui semnal zgomot alb este funcia Dirac.
Proprietile funciei de autocorelaie:
1. Funcia ) (t
uu
este o funcie par, adic: ) ( ) ( t t =
uu uu

Demonstraie:
dt t u t u
T
T
T
T
uu
}

+ = ) ( ) (
2
1
lim ) ( t t
efectund schimbarea de variabil:
t u t u + = = t t
cu care rezult
) ( ) ( )) ( (
2
1
lim ) ( t u t u t = =
}

uu
T
T
T
uu
dt u u
T

2. Funcia de autocorelaie n 0 = t se poate exprima ca media ptratic a
semnalului: )) ( ( ) 0 (
2
t u M
uu
= . Se poate observa c demonstraia este
imediat, adic:
}

=
T
T
T
uu
dt t u
T
) (
2
1
lim ) 0 (
2

3. Maximul funciei de autocorelaie se obine pentru 0 = t :
) ( ) 0 ( t
uu uu
> pentru R e t
Demonstraie:
| |
( ) | | = t + =
= t + + = t
}
}

dt t u t u t u
T
dt t u t u t u t u
T
T
T
T
T
T
T
uu uu
) ( ) (
2
1
lim
) ( ) ( ) 0 ( ) (
2
1
lim ) ( ) 0 (

Exemplul 1.1
Dup cum am vzut funcia de autocorelaie este simetric avnd maximul n
( ) 0
uu
. Pentru exemplificare n figura 2.2 s-a reprezentat funcia de autocorelaie a
funciei ( ) ( ) t u t u e = sin
0
avnd amplitudinea 05 . 0
0
= u respectiv frecvena
Hz f 5 . 0 = .
( ) ( ) ( ) ( )
}

t + e e = t
T
T
T
uu
dt t t
T
u sin sin
2
1
lim
2
0

( ) ( ) ( ) ( ) ( ) ( )
}

et e e + et e = t
T
T
T
uu
dt t t t
T
u sin cos sin cos sin
2
1
lim
2 2
0

( )
( )
( ) ( ) ( )
}

et e + et
e
= t
T
T
T
uu
dt t
t
T
u sin 2 sin
2
1
cos
2
2 cos 1
2
1
lim
2
0

( ) ( )
( ) ( )
( )
(
et |
.
|
\
|
e
e
e
e
+ et = t

cos
4
2 sin
4
2 sin
2
1
lim cos
2
1
2
0
T T
T
u
T
uu

( ) ( )
( ) ( )
(
e
e et
et = t
T
T
u
T
uu
2
2 sin
lim
2
cos
cos
2
1
2
0

.........................................
( ) ( ) ( ) | |
}

et + e et = t
T
T
T
uu
dt t
T
u 2 cos cos
4
1
lim
2
0

( ) ( ) ( ) ( )
(
(
t + e et = t
}

T
T
T
uu
dt t T
T
u 2 cos cos 2
4
1
lim
2
0

( ) ( ) ( )
(
(
(
(
u u e et = t
}
t +
t +

T
T
T
uu
d
T
u
2
2
2
0
cos
8
1
lim cos
2
1

( ) ( ) ( ) ( ) ( ) ( ) | |
(
t + e t + e
e
et = t

T T
T
u
T
uu
2 sin 2 sin
8
1
lim cos
2
1
2
0

Figura 2.2 Funcie de autocorelaie

Totodat aceast proprietate ca maximul funciei de autocoraleie reprezint
ntrzierea nul, adic faptul c cele dou semnale sunt simultane se poate utiliza
la un sistem de urmrire a unui semnal sonor dup cum se poate urmrii din
exemplul alturat.
Exemplul 1.2 Fie sistemul din schema bloc alturat, unde sistemul de captare
sunet s-a realizat

Reprezentarea grafic respectiv funcia de autocorelaie a cuvntului
Identificare..................

Trebuie s remarcm faptul c funcia de autocorelaie a unui semnal zgomot alb
tinde ctre un semnal Dirac, adic ne-existnd interdependene ntre diferite
eantioane ale acestui semnal funcia de autocorelaie difer de valoarea nul
numai pentru ( ) 0
uu
, dup cum se poate observa din figura alturat.

Figura 2.2 Funcia de autocorelaie a unui semnal zgomot alb

Funcia de intercorelaie n ipoteza ergodic se definete ca:
( ) ( ) ( ) { } ( ) ( )
}

= =
T
T
T
u
dt t t u
T
t t u M t v t v t
v
2
1
lim
Proprietile funciei de intercorelaie sunt:
1. Funcia de intercorelaie nu este par dar: ) ( ) ( t t =
vu uv

Demonstraie:
( ) ( ) ( ) { } ( ) ( )
( ) ( ) ( ) t u u v t u
t v t v t
v
= =
= = =
}
}

vu
T
T
T
T
T
T
u
d u
T
dt t t u
T
t t u M
) (
2
1
lim
2
1
lim

unde s-a fcut schimbarea de variabil
t u t u + = = t t

2. Funcia de intercorelaie n 0 (origine) este egal cu media semnalului
rezultat prin nmulirea celor dou semnale iniiale: { } ) ( ), ( ) 0 ( t v t u M
uv
=
Aceast proprietate are demonstraia imediat dac considerm definiia:
( ) ( ) ( ) { } ( ) ( ) ( ) ( ) { }
}

= = =
T
T
T
u
t v t u M dt t t u
T
t t u M v v
v
2
1
lim 0 0
3. Valoarea absolut a funciei de intercorelaie este ntotdeauna mai
mic dect media geometric al funciilor de autocorelaie n punctul zero
) 0 ( ) 0 ( ) (
vv uu uv
t s

Compunerea funciilor de corelaie:

Considerm c avem un semnal compus prin suma celor dou semnale,
) ( ) ( ) ( t v t u t y + =
atunci ntre funcia de corelaie a semnalului rezultant se poate exprima cu
relaia:
) ( ) ( ) ( ) ( ) ( t + t + t + t = t
vv vu uv uu yy

Demonstraie:

} }

= + + = =
T
T
T
T
T T
yy
dt t v t u t v t u
T
dt t y t y
T
)) ( ) ( ( )) ( ) ( (
2
1
lim ) ( ) (
2
1
lim ) ( t t t t

=
|
|
.
|
\
|
+ + + =
} } } }

T
T
T
T
T
T
T
T
T
dt t v t v dt t u t v dt t v t u dt t u t u
T
) ( ) ( ) ( ) ( ) ( ) ( ) ( ) (
2
1
lim t t t t
) ( ) ( ) ( ) ( t + t + t + t =
vv vu uv uu

Pentru exemplificare se reprezint funcia de intercorelaie ) ( ), ( t t
vu uv
a
semnalelor:
)) 3 . 0 ( 5 . 0 2 sin( 05 . 0 ) ( ) 5 . 0 2 sin( 05 . 0 ) ( + = = t t v t t u t t

Figuraa 2.3. Funcie de intercorelaie

Metode de determinare ai funciilor de corelaie

Determinarea funciilor de corelaie n practic este mai dificil, i se
folosesc metode numerice aproximative. Considerm c avem un set de valori
msurate la ambele semnalele ( ) (t u i ) (t v ), ntr-un interval de timp T , care este
mprit n N intervale de lungime T A
astfel nct pe un interval variaia semnalelor s fie ct mai mic. Funciile de
auto- i intercorelaie pot fi determinate cu ajutorul relaiilor:
A + A A ~ A
=
N
n
uu
T m T n u T n u
N
T m
0
) ( ) (
1
) (
A + A A ~ A
=
N
n
uv
T m T n v T n u
N
T m
0
) ( ) (
1
) (
Se poate observa c determinarea unui punct la graficul funciilor de autocorelaie
respectiv intercorelaaie poate fi realizat prin operaii simple de nmulire i
adunare. Modificnd valoarea lui m se determine restul punctelor de pe grafic.

1.5 FUNCII DENSITATE SPECTRAL - RELAIILE WIENER-HINCSIN

Pentru funcia de putere ( ) e P respectiv a celei de tensiune ( ) e U
corespunztoare unei pulsaii e, n general se utilizeaz denumirea de spectru. Ea
caracterizeaz semnalul studiat n domeniul frecven i conform definiiei se
obine prin aplicarea transformatei Fourier. Astfel dac considerm semnalul
( ) ( ) A + e = t t u sin , rezult pentru transformata Fourier al acestui semnal:
( ) ( ) ( ) = t A + e = t t = e
} }

t e

t e
d e t d e u U
j j
sin
Tratarea precum i analiza sistemelor dinamice i n special a celor de
reglare se simplific mult printr-o trecere n domeniul frecven. n general
teorema lui Wiener-Hincin (Wiener-Hinkcin theorem) se refer la transformata
Fourier a funciilor de corelaie, care de fapt sunt funciile de densitate de putere
spectral. Astfel transformata Fourier o funciilor de corelaie se definesc ca:
}

t e
t t = e | d e
j
uu uu
) ( ) (
e e |
t
t
e t
d e j
j
uu uu

}
= ) (
2
1
) (
}

t e
t t = e | d e
j
uv uv
) ( ) (
}

= e e |
t
t
t e
d e j
j
uv uv
) (
2
1
) (
Relaiile de mai sus se numesc relaiile Wiener-Hincsin. Dac se nlocuiesc
e = j s i se consider 0 = t se obin urmtoarele relaii:

}
= =
e
e
|
t
j
j
uu uu
ds s
j
t u M ) (
2
1
) 0 ( )) ( (
2

{ }
}
= =
e
e
|
t
j
j
uv uv
ds s
j
t v t u M ) (
2
1
) 0 ( ) ( ), (
Deci media ptratic a semnalelor (respectiv media semnalelor nmulite) poate fi
calculat i din funciile de densitate spectral corespunztoare.

Proprieti:
1. ) ( ) ( e | | j s
uu uu
= determin funcia densitatea de putere spectral n
funcie de frecvena unghiular e
2. Datorit lipsei de informaie asupra fazei mai multor semnale au
aceeai densitate de putere.
3. Densitatea de putere spectral corespunztor funciei de autocorelaie
este o funcie real
R j s
uu uu
e = ) ( ) ( e | |
Demonstraie:
) (t
uu
este par ) ( ) ( s s
uu uu
= | |
) ( ) ( e | e | j j
uu uu
= o funcie complex care este egal cu conjugate este
real.
4. Densitatea de putere spectral are ntotdeauna valori pozitive
0 ) ( ) ( > = s j
uu uu
| e |
5. Datorit faptului c ) ( e | j
uu
este o funcie par relaia cu funcia de
corelaie poate fi exprimat i cu ajutorul integralei Fourier real
}
=

t e t e | td j
uu uu
cos ) ( ) (
}
u
=

e e t e
t
t d j
uu uu
) cos( ) (
2
1
) (
unde s-a folosit relaiile:
et et
et
sin cos j e
j
+ = 0 ) sin( ) ( =
}

t et t d
uu

6. Funcia densitatea de putere spectral corespunztor funciei de intercorelaie n
general nu este par, deci este o funcie complex, dar sunt valabile relaiile:
) ( ) ( ) ( ) ( e e u = u = u = u j j s s
vu uv vu uv

Observaii:
- cu ajutorul funciilor de densitate spectrale se poate calcula funcia de transfer a
procesului dac intrrile respectiv ieirile sunt semnale stocastice:
) (
) (
) (
s
s
s H
uu
uy
u
u
~ sau
) (
) (
) (
s
s
s H
yu
yy
u
u
~
- conform legea lui Parceval:
}

=
} }

e e e
t
e e
t
d F F d F dt t f ) ( ) (
2
1
) (
2
1
) (
*
2 2

}
+
}
=
=
}

}
+

dt d e e t y t y
T
d dt e t y t y
T
j
t j t j
T
T
T
j
T
T
T
yy
t t
t t e |
t e e
t e
) (
) ( ) (
2
1
lim
) ( ) (
2
1
lim ) (

Deci
) ( ) ( ) ( ) ( ) ( ) ( ) ( s U s U s H s H s Y s Y s
yy
= = |
- dac semnalul este un semnal zgomot alb
1 ) ( ) ( = s U s U
1.6. EXEMPLE NUMERICE:

Exemplu 1.3

Fie un sistem dinamic dat de funcia sa de transfer:
sT
A
s H
+
=
1
) (
unde A,T sunt constante. S se determine funcia de autocorelaie a ieirii, dac la
intrare se aplic un semnal zgomot alb

Rezolvare:
Relaia de calcul la funcia densitate de putere spectral pentru intrarea sistemului
este:
}
=

t t e |
t e
d e j
j
uu uu
) ( ) (
La fel se poate scrie:pentru ieirea sistemului:
}
=

t t e |
t e
d e j
j
yy yy
) ( ) (
unde funcia de autocorelaie a ieirii se poate scrie ca:
dt t y t y
T
T
T
T
yy
) ( ) (
2
1
lim ) ( t t +
}

nlocuind aceast relaie n relaia de mai sus se obine:

}
+
}
=
=
}

}
+

dt d e e t y t y
T
d dt e t y t y
T
j
t j t j
T
T
T
j
T
T
T
yy
t t
t t e |
t e e
t e
) (
) ( ) (
2
1
lim
) ( ) (
2
1
lim ) (

tiind c s=j i folosind legea lui Parseval:

}

=
} }

e e e
t
e e
t
d F F d F dt t f ) ( ) (
2
1
) (
2
1
) (
*
2 2

rezult:

) ( ) ( ) ( ) ( ) ( ) ( ) ( s U s U s H s H s Y s Y s
yy
= = |

Dac semnalul este de tip zgomot alb rezult:
1 ) ( ) ( = s U s U
Deci:
2 2
2
1 1 1
) ( ) ( ) (
T s
A
T s
A
T s
A
s H s H s
yy

=
+

= = |
Funcia de autocorelaie a ieirii se obine ca transformata invers a funciei
densitate de putere
yy
. Pentru a uura calculele la transformate invers se ncearc
o descompunere n fracii simple:
|
.
|
\
|
+
+

=
+
+

=
T s T s
A
T s
k
T s
k
s
yy
1
1
1
1
2 1 1
) (
2
2 1
|

Folosind relaia de baz de transformare invers :
b s
e a
b s
a
L

=
)
`
+
1

se obine:
( )
}
+
= |
.
|
\
|

+
+
=

j
j
T T s
yy
t e e
T
A
ds e
T s T s j
A
) ( 1
2 1
1
1
1
2
1
2
) (
2 2
t t t
t
t

Exemplu 1.4.

S se determine funcia de autocorelaie a unui semnal zgomot alb mrginit:

Rezolvare:

Funcia de autocorelaie a unui semnal zgomot alb nemrginit este:
) ( ) (
2
t o o t =
uu

Funcia densitate de putere la un semnal zgomot alb nemrginit este:
2 2
) ( ) ( o t t o o |
t e
=
}
=

d e s
j
uu

Funcia densitate de putere la un semnal zgomot alb mrginit se va construi grafic
in felul urmtor:
Folosind proprietatea funciei de densitate spectral (funcie par i real), funcia
de autocorelaie va fi:
0
) 0
0
2
2
2 2
sin(
cos
2
1
) sin (cos
2
1
2
1
) (
0
0
0
0
e t
e t
t
e o
e et o
t
e et et o
t
= o
t
t
e
e
e
e
t e
=
}

=
=
}

=
}

d
d j d e
j
uu

Reprezentarea grafic :

Exemplu 1.5.

S se determine funcia de autocorelaie a semnalului

) sin( ) (
0
e + = t t x
Rezolvare:
uu
-
0
uu
) cos(
2
1
| ) cos(
4
1
lim
) 2 2 cos( ) (cos(
2
1
2
1
lim
) sin( ) sin(
2
1
lim ) (
0 0
0 0 0
0 0 0
t e t e
t e e t e
t e e e t
=
=
= +
}
+
=
=
}
+ + +

T
T
T
T
T
T
T
T
T
uu
t
T
t
T
dt t t
T

Exemplu 1.6.

S se determin funcia ponder ) (t h , dac se cunoate funcia de autocorelaie
) (t
uu
a intrrii respectiv funcia de intercorelaie intrare - ieire ) (t
yuy
.
t v
t

=
2 2
) ( e B
uu

s
+
>

+

=

M
T
M
T
T
T
uy
T e
T
B
T e
T
B
e
T
T B
M
M
M
t
v
t
v v
v
t
t v
t v
t
,
2 1
,
2 1 1 4
4
) (
) ( 2
2
) ( 2
2
2 2
2

unde B,, T,T
M
sunt constante.

Rezolvare:

Funcia densitate spectral a intrrii se poate determina ca:

) ( ) ( ) ( s s s
uu uu uu
+
+ = | | | unde
} }

+
+
= = =
0 0
2
2 2
2
) ( ) (
v
t t t |
t t v t
s
B
d e e B d e s
s s
uu uu

la fel se poate calcula:
}

= =

0
2
2
) ( ) (
v
t t |
t
s
B
d e s
s
uu uu

2 2
2
4
2
) ( ) ( ) (
v
| | |

= + =
+
s
s B
s s s
uu uu uu

Funcia densitate spectral la funcia de intercorelaie la fel se poate calcula cu
relaii similare:
) ( ) ( ) ( s s s
uy uy uy
+
+ = | | |
unde
}

+
=
M
M
T
s T
uy
d e e
B
s t
t v
|
t t v ) ( 2
2
2 1
) (

Efectund schimbarea de variabil:
t u =
M
T
s T
e B
e
s T
B
d e e
T
B
s
M
M
T s
s s T
uy

+

=
=
}

+
=
+
=

v v
v v
u
v
|
u v u u v
2
1
2 1
|
2
1
2 1 2 1
) (
2
0 0
) 2 (
2
) ( 2
2

) ( ) ( ) (
* * *
s s s
uy uy uy
+ +
+ = | | | unde
s T
e B
d e e
T
B
s
M
M
M
T s
T
s T
uy
+
}
=

=

+
v v
t
v
|
t t v
2
1
2 1 2 1
) (
2
) ( 2
2
*

T s
T
T
e B
d e
T
e T B
d e e
T
T B
s
M
M
M
M
T s
s T
T s
T
s
T
T
uy
+

=
=
}

=
}

=

+
1 1 4
4
1 4
4
1 4
4
) (
2
2 2
2
0
) 1 (
2 2
2
2 2
2
* *
v
v
u
v
v
t
v
v
|
u t
t

Deci:
) 1 ( ) 4 (
4
) ( ) ( ) ( ) (
2 2
2
* * *
T s s
e B
s s s s
m
T s
uy uy uy uy
+

= + + =

+ +
v
v
| | | |
Funcia de transfer se calculeaz ca raport dintre:

) 1 ( 4
) 4 (
) 4 ( ) 1 (
4
) (
) (
) (
2
2 2
2 2
2
T s
e
B
s
s T s
e B
s
s
s H
M M
T s T s
uu
yu
+
=

+

= =

v
v
v
v
|
|

Funcia pondere se calculeaz prin transformata Laplace invers a funciei de
transfer:
( )
M
T
T t
T t e
T
t h
M
=

1
1
) (

Exemplu 1.7.

S se calculeze funcia de densitate spectral a semnalului la care se cunoate
funcia de autocorelaie, definit prin relaia:
|
|
.
|
\
|
=
u
t
t 1 ) (
2
A
aa
unde ) , ( u u t e

Rezolvare
Reprezentnd grafic funcia de autocorelaie, se obine:

Prin definiie funcia de densitate spectral se poate calcula cu relaia:
}
= u

t t e
t e
d e j
j
aa aa
) ( ) ( ) sin( ) cos( t e t e
t e
=

j e
j

folosind proprietatea funciei de densitate spectral c funcia de densitate este o
funcie real 9 e u ) ( e j
aa
i din enunul problemei ) , ( u u t e se obine
( ) ( ) ( ) =
|
|
.
|
\
|
} }
|
.
|
\
|
+ |
.
|
\
|
+
}
=
|
|
.
|
\
|
= u

0
0
2 2
cos 1 cos 1 cos 1 ) (
u
u
t t e
u
t
t t e
u
t
t t e
u
t
e d d A d A j
aa
=
|
|
.
|
\
|
}

=
}
|
.
|
\
|
=
u
u
u
t t e t
u e
t e
t t e
u
t
0
0
2
0
2
) cos(
1 sin(
2 ) cos( 1 2 d A d A
( ) ) cos( 1
2 ) cos( 1 ( ) sin( ) sin(
2
2
2
2
2
t e
e u e u
u e
u e
u e u
e
u e

= |
.
|
\
|
=
A
A
Folosind relaia trigonometric |
.
|
\
|
=
2
sin 2 cos 1
2
x
x relaia funciei de densitate
spectral devine:
2
2
2
2
sin
) (
|
|
|
|
.
|
\
|
|
.
|
\
|
= u
u e
u e
u e A j
aa
, la care reprezentarea grafic
pentru 1 . 0 = A i 3 = u este:

aa
2
A
u u
t

2. METODE DE IDENTIFICARE NEPARAMETRICE

2.1. MODELE ALE SISTEMELOR LINIARE, VARIABILE N TIMP I NELINIARE

Modelele liniare invariante n timp pot fi descrise prin funciile lor de
transfer care sunt univoc caracterizate de funcia pondere. Funcia pondere
reprezint rspunsul sistemului la un semnal de tip Dirac. Astfel dac ieirea
sistemului, adic transformata Laplace a ieirii conform figurii 2.4 se obine din
relaia:
( ) ( ) ( ) ( ) s W s U s H s Y + =

Figura 2.4 Modelul general utilizat n cazul identificrii n domeniul frecven
Rspunsul sistemului n domeniul timp se poate determina pe baza
integralei denumit produs de convoluie pe baza teoremei lui Duhamel, astfel:
( ) ( ) ( ) y t h u t d =
}
t t t
0

sau
( ) ( ) ( )
}
=

0
t t t d u t h t y
Dac se presupune c intrarea este un semnal impuls Dirac rezult:
( ) u t
daca t
daca t
=
=
=
t
t
t

0
0 0

se cunoate faptul c transformata Laplace a unui impuls Dirac este:
( ) ( ) U s e d e
s s
= = =

}
o t t
t
0
0
1
Deci transformata Laplace a ieirii Y(s) este tocmai funcia de transfer al
sistemului studiat:
( ) ( ) Y s H s = ( ) ( ) y t h t =
Astfel cunoscnd funcia pondere din relaia produsului de convoluie se
poate determina rspunsul pentru orice intrare u(t):
( ) ( ) ( )
}
=
0
t t t d t u h t y
Exemplul 2.1: Fie un sistem dinamic avnd funcia de transfer:
1 3
10
) (
+
=
s
s H
S se determine analitic funcia pondere respectiv rspunsul sistemului la o treapt
unitate.
Rezolvare:
Funcia de pondere:
Din definiia funciei de transfer rezult:
) (
) (
) (
s U
s Y
s H =

Se tie c transformata Laplace la un semnal Dirac este: 1 ) ( = s U deci funcia
pondera se obine:
|
|
|
|
.
|
\
|
+
= |
.
|
\
|
+
= =

3
1
1
3
10
1 3
10
)) ( ( ) (
1 1 1
s
s
s H t h

deci :
t
e t h

=
3
1
3
10
) (
Rspuns indicial:
Transformata Laplace la un semnal treapt unitate este:
s
s U
1
) ( = , deci rspunsul
indicial se obine:
|
|
|
|
.
|
\
|
+
= |
.
|
\
|
+
= |
.
|
\
|
=

3
1
1 1
10
3
10 ) (
) (
1
2
1 1
s
s s s s
s H
t h
deci se obine:
t
e t t h

=
3
1
10 ) 1( 10 ) (
unde 1(t) este semnal treapt unitate.

Dac observaiile asupra intrrii respectiv ieirii se execut n pai discrei
de timp cu T k t
k
= , k = 12 , , rezult:
( ) ( ) ( )
}
=
0
t t t d T k u h T k y
unde intervalul T se numete interval de eantionare. Presupunnd o comand
constant ( ) u u t
k
= pe o perioad de eantionare ( ) | | T k T k t + e 1 , aplicat de un
calculator se poate considera:
t t t t t t d kT u h d T k u h T k y
j
jT
T j
} }

=

= =
1
) 1 (
0
) ( ) ( ) ( ) ( ) (
dar din definiia semnalului de comand constant pe perioada ( ) jT T j 1 cu care
rezult valoarea constant ( ) ( )
j k
u jT kT u kT u

= = t . Deci rezult pentru ieirea
procesului:
( ) t t d h u y T k y
j
jT
T j
j k k
= =

}
1
) 1 (
) (
S notm integrala funciei pondere cu
}
=
jT
T j
j
d h h
) 1 (
) ( t t cu care rezult :
j
j
j k k
h u y =
=

1

Relaia dedus descrie sistemul eantionat, unde secvena
j
h este funcia
pondere a sistemului dinamic eantionat n perioada ( ) jT T j 1 . Dac se
consider perioada de eantionare unitar (T=1) i notm eantionul curent cu
t k = avem:
=
=
1
] [ ] [ ] [
j
j h j k u k y .
Astfel bazndu-ne pe relaia de mai sus se poate determina ieirea pentru o
intrare dat. Acest lucru este ns ireal datorit existenei unor perturbaii ca:
- zgomot pe senzori de msur
- intrri necontrolabile (ex turbulene pentru avioane etc.)
Astfel vom considera modelul perturbat ca:
=
+ =
1
] [ ] [ ] [ ] [
j
k w j h j k u k y
Observaii:
n practic, determinarea produsului de convoluie nu se poate determina n
timp infinit, de aceea se alege un compromis ntre precizie i timp de calcul.
Eantionare: metod prin care un sistem continuu este privit n puncte discrete de
timp.

Deci, dac este cunoscut secvena semnalului de intrare i se cunoate forma
discret a funciei pondere, atunci cu aceste formule poate fi determinat rspunsul
sistemului. Deci scopul metodelor de identificare neparametrice este determinarea
funciei pondere. Astfel algoritmul metodele de identificare neparametrice este:
1. Msurare - determinm valorile eantionate a semnalului de intrare i
de ieire.
2. Estimare determinm funcia pondere cu diferite metode de estimare
3. Testare cu ajutorul produsului de convoluie vom testa modelul
neparametric (la diferite semnale de intrare) i comparm cu semnalul de
ieire al procesului.

2.2. METODE DE IDENTIFICARE NEPARAMETRICE N DOMENIUL TIMP I
FRECVEN

2.2.1. IDENTIFICAREA PRIN FUNCIA PONDERE

Dac sistemul dinamic este descris de modelul neparametric:
( ) ( ) ( ) ( ) Y s H s U s s = + u
i s considerm intrarea definit ca:
( ) u t =
=
o pentru t = 0
0 pentru t 0

rezult:
( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) y t h u t d t h t d t h t t = + = + = +

} }
t t t u o t u o u
0 0

din care se poate determina coeficienii funciei pondere ca:
( )
( ) ( )
h t
y t t
=
o
u
o

de unde estimata funciei pondere se obine neglijnd perturbaia:
( )
( )
~
h t
y t
=
o

respectiv eroarea de estimare se obine ca:
( )
( )
c
u
o
t
t
=
Se poate observa c eroarea de identificare devine mai mic cu ct amplitudinea
impulsului o este mai mare.
Fie sistemul caracterizat printr-o funcie de transfer necunoscut. Algoritmul de
aplicare a acestei metode este urmtorul:
ym
u yp
Proces
Model (h(t))
(produsul de
convoluie)
- Pas 1 Printr-un interval de discretizare prestabilit (suficient de mic ca s
nu se piard comportarea dinamic) se emit impulsuri ct mai apropiate de
impuls Dirac.
- Pas 2 Se memoreaz rspunsul y(t) din momentul aplicrii semnalului
Dirac, i se consider funcia h(j) (pn la aceast faz dureaz
identificarea).
- Pas 3 Obinerea oricrui rspuns la o funcie de intrare eantionat u(t-j)
se obine din relaia:

=
+ =
1
] [ ] [ ] [ ] [
j
k w j h j k u k y
Exemplu 2.2.
S considerm sistemul dat cu funcia de transfer:
1
1
) (
+
=
s T
s G
Forma analitic la funcia ponder se obine ca:
T
t
e
T Ts
L t h

= |
.
|
\
|
+
=
1
1
1
) (
1

Graficul funciei pondere pentru constanta de timp T=10
Figura 3.1.
Se ncearc identificarea sistemului prin metoda funciei pondere:

Rezolvare:
Semnalul de ieire conform relaiei de identificare se obine ca o suma:
=

=1
) ( ) ( ) (
j
j h j t u t y
1 ) ( ) ( ) (
'
= = + t u t y t Ty

T
T k t
T
T t
T
t
e t k t e T t e t t y
) ( ) (
) ( ) ( ) 0 ( ) (
A
A

A + + A + = | | |
Dar y(t) ne intereseaz numai pentru momente de timp discrete t k t A =
..) 1 (
1
....) (
1
) (
2
) 1 (
+ + + = + + = A
A A
A
A
A
T t T t
T
t k
T
t k
T
t k
e e e
T
e e
T
t k y

2.2.2 IDENTIFICARE PRIN RSPUNSUL INDICIAL

Se consider modelul matematic neparametric bazat pe produsul de convoluie
aplicat unui model discret:
=
+ =
1
) ( ) ( ) ( ) (
j
t j h j t u t y v
cu intrarea definit ca
<
>
=
0 , 0
0
) (
t pentru
t pentru
t u
o

rezult pentru dou eantioane consecutive:
+ =
+ =
=
=
1
1
1
) 1 ( ) ( ) 1 (
) ( ) ( ) (
t
j
t
j
t j h t y
t j h t y
v o
v o

cu care rezult
o
) 1 ( ) (
) (
~
=
t y t y
t h
respectiv eroarea de estimare:
( )
o
v v
c
) 1 ( ) (
=
t t
t
Dac dorim s determinm coeficienii rspunsului la treapt din relaiile de
mai sus acestea vor fi perturbate de zgomote eseniale n majoritatea aplicaiilor.
Totui exist metode simple ca (Ziegler, Nichols 1942 ) care pentru determinarea
acordrii optimale se bazeaz pe rspunsul indicial.

2.2.3. Identificarea sistemelor prin funcii de corelaie (metoda RAKE -1980)

Considerm un sistem la care modelul sistemului este descris de relaia:
) ( ) ( ) ( ) (
1
t j t u j h t y
j
0 + =
=

unde ) ( j h - funcia ponder
) ( j t u - secvena de comand (semnalul de intrare)
) (t v - semnal de perturbaie
Considerm c semnalul de intrare este o secven cvasistaionar cu funcia de
autocorelaie:
{ } ) ( ) ( ) ( t t = t u t u M
uu

Fcnd ipoteza ca zgomotul ) (t v nu este corelat cu semnalul util ) (t u (de intrare),
deci:
{ } 0 ) ( ) ( ) ( = = t v t
v
t t u M
u

Dorim s determinm funcia ponder a sistemului utiliznd funciile de
auto- respectiv de intercorelaie.
= + + =

=
)) ( )) ( ) ( ) ( (( ) (
1
t u t t u t j t u j h M
j
yu

) ( )) ( ) ( ( ) ( )) ( ) ( ( )) ( ) ( ) ( (
1 1
t t t v t
v
+ + = + + + =

=
= j
u
j
t u j t u M j h t u t M t u j t u j h M
Dac considerm c semnalele ) (t u i ) (t v sunt necorelate relaia de mai sus
devine:
) ( ) ( ) (
1
t t =

=
j j h
j
uu yu

Baznd pe ipoteza ergodic putem scrie:
}

=
T
T
N
t
T
T
t u t u
N
dt t u t u
uu
t
t t t ) ( ). (
1
) ( ). ( lim ) (
2
1

}

=
T
T
N
t
T
T
t u t y
N
dt t u t y
yu
t
t t t ) ( ). (
1
) ( ). ( lim ) (
2
1

Presupunem c intrarea aplicat este un zgomot alb semnal a crui spectru
de densitate de putere este o constant, deci toate componentele din domeniul
frecven reprezint o putere relativ ? constant. Semnalul de tip zgomot alb este
un semnal idealizat nerealizabil, datorit condiiei ca suma densitilor de putere,
care reprezint puterea P a semnalului ar fi infinit:
}
= = o
t
d P
2
2
1

Valoarea funciei de autocorelaie a unui semnal de tip zgomot alb este:
) ( ) (
2
t o o t =
uu

unde ) (t o este funcia Dirac
Deci semnalul de intercorelaie a semnalului de ieire y cu semnalul de intrare u n
cazul aplicrii unui semnal de tip zgomot alb se obine ca:
=

=0
2
) ( ) ( ) (
j
yu
j j h t o o t
Aplicnd proprietatea funciei Dirac rezult:
) ( ) (
2
t o t h
yu
=
unde ) (t h reprezint estimata funciei pondere
) (
1
) (
2
t
o
t
yu
h =
Deci efectund msurtori asupra ieirii unui sistem pe intrarea cruia s-a
aplicat un semnal zgomot alb, se poate determina funcia de intercorelaie a ieirii
respectiv a intrrii pentru eantioane discrete. Din relaia de mai sus se obin
eantioanele funciei pondere, care poate fi utilizat pentru simularea rspunsului
sistemelor pentru orice intrare ) (t u . Pentru identificare este necesar utilizarea
unor echipamente care emit semnale tip zgomot alb. n multe cazuri ns
identificarea se bazeaz pe semnale deterministe caz n care se utilizeaz
determinarea matricei de corelare din relaiile aproximative. n acest caz
algoritmul de identificare este:

P1. Se aplic procesului o intrarea ) (t u i se msoar ieirile eantionate ) (t y
P2. Se determin valorile matricelor de corelaie pe baza relaiilor
=
=
N
t
uu
t u t u
N
t
t t ) ( ) (
1
) (
=
=
N
t
yu
t u t y
N
t
t t ) ( ) (
1
) (
P3. Se determin vectorul funciei pondere din sistemul de ecuaii:

|
|
|
|
|
.
|
\
|
|
|
|
|
|
.
|
\
|

=
|
|
|
|
|
.
|
\
|
) 1 (
...
) 1 (
) 0 (
) ( ... ) 2 ( ) 1 (
... ... ... ...
) 2 ( ... ) 0 ( ) 1 (
) 1 ( ... ) 1 ( ) 0 (
) 1 (
..
) 1 (
) 0 (
N h
h
h
N N N N
N
N
N
uu uu uu
uu uu uu
uu uu uu
yu
yu
yu

( )
yu uu
h =
1

P4. Se testeaz valabilitatea modelului neparametric obinut cu ajutorul
produsului de convoluie

2.2.4. IDENTIFICAREA NEPARAMETRIC PRIN METODA CELOR MAI MICI
PTRATE

Metoda se bazeaz pe relaia:
=
=
N
i
i k u i h k y
0
) ( ) ( ) (
unde se consider un numr finit de observaii adic , 0 ) ( = i h pentru 0 < i i N i > .
Se caut un algoritm care s minimizeze abaterea lui ) (k y adic a valorii calculate
de la valoarea msurat ) (k y
M
. Astfel vom defini o funcional de cost pe care-l
dorim s-l minimizm. Cea mai bun aproximare ar fi funcionala: R R D
n
:
| | | | ) ( ) ( ) ( ) ( k y k y k y k y D
M
T
M
=
Putem remarca faptul c aceast funcional este pozitiv semidefinit. Dac
presupunem c avem un numr finit de eantioane de la k pn la N (k<N) :
=
=
+ = +
=
1
0
1
0
1
0
) ( ) ( ) (
) 1 ( ) ( ) 1 (
) ( ) ( ) (
N
i
N
i
N
i
i N u i h N y
i k u i h k y
i k u i h k y

Cutm matricele, care satisfac relaia:
H U Y
M
=
Folosind relaiile de mai sus se poate scrie:
|
|
|
|
|
.
|
\
|
=
) (
....
) 1 (
) 0 (
N h
h
h
H ;
|
|
|
|
|
.
|
\
|
=
) (
...
) 1 (
) (
N y
k y
k y
Y ;
|
|
|
|
|
.
|
\
|
+ +
+
=
) 0 ( ) 1 ( ) (
) 2 ( ) ( ) 1 (
) 1 ( ) 1 ( ) (
u N u N u
N k u k u k u
N k u k u k u
U

Obs: matricea U nu este o matrice ptratic, ea are dimensiunea ) ( ) 1 ( N x k N +
Folosind relaiile matricial funcionala de cost D se poate scrie:
| | | | Y Y Y Y D
M
T
M
=
sau:
| | | | Y H U Y H U D
T
=
Se caut acel vector definit din eantioanele funciei pondere H , care minimizeaz
criteriul ptratic D.
Y Y Y U H H U Y H U U H Y H U Y U H D
T T T T T T T T T
+ = = ) ( ) (
Condiia de minim este:
0 =
c
c
H
D

Deci rezult:
Y U U Y U U H H U U
H
D
T T T T T T T
+ =
c
c
) ( ) (
0 ) ( 2 = Y U H U U
T T

De unde rezult relaia pe care se bazeaz metoda celor mai mici ptrare:
Y U U U H
T T
=
1
) (
Dac se efectueaz nmulirea U U
T
se poate demonstra c matricea rezultant
este format din elementele funciei de autocorelaie ) (t
uu
, la fel se ntmpl i
n cazul matricei Y U
T
unde matricea rezultant este format din elementele
funciei de intercorelaie intrare-ieire ) (t
yu
. Deci metoda de identificare celor
mai mici ptrate este similar cu rezultatele obinute prin metoda RAKE. Singura
diferen este c acest algoritm este aplicat pentru un numr finit de pai.
Verificm dac media valorii estimat este egal cu media valorii adevrate:
{ } { } ( ) { }
{ } ( ) { } H M H M
H M Y M H M
T T
T T T T
= u + =
= u + = =

U U U
U U U U U U U
1
1 1
) ( ) (
~

Deci dac ieirea procesului este perturbat de un zgomot cu o medie nul se poate
demonstra c pentru semnale ergodice media funciei pondere estimate este egal cu
media funciei pondere:
) ( )
~
( H M H M =
Reprezentarea schematic a procesului de identificare:

Figura 3.2

Precizia estimaiei funciei pondere

n cazul n care exist mai multe estimri ale unei mrimi a funciei pondere
precizia este cu att mai bun, cu ct media acestor estimri este mai aproape de
valoarea real a mrimii cutate. n cazul n care mrimea estimat nu este afectat
de zgomot adic zgomotul lipsete sau nu este corelat cu intrarea, s-a artat c
estimatorul CMMP este nemarcat iar media estimatei este:
{ } H H M =
~

n cazul n care zgomotul afecteaz msurtorile, gradul n care media estimatei
mrimii cutate o aproximeaz valoarea real se poate exprima pe baza mediei
distanei dintre valoarea estimat i ceea real, care nu este altceva dect matricea
de covarian a estimatei:
{ } ( ) ( ) { }
T
H H H H M H
~ ~ ~
cov =

2.2.5 METOD DE IDENTIFICARE PRIN TRANSFORMATA FOURIER DISCRET

Transformata Fourier Discret (TFD), aplicat la studiul sistemelor
discrete are o importan similar ca i metodele bazate pe transformata Fourier
continu n cazul sistemelor continue. Prin definiie transformata Fourier (Laplace)
are expresia matematic:
e =
}
=

j s dt e t f s F
t s
0
) ( ) (
Dac se discretizeaz aceast funcie cu respectarea teoremei de
eantionare, care impune ca frecvena de eantionare s fie de cel puin de dou ori
mai mare dect frecvena cea mai mare din dinamica procesului (teorema lui
Shannon ), rezult un tren de impulsuri Dirac, modulat n amplitudine de funcia
) (t f . Dac aceast funcie se noteaz cu ) (t f
d
, ea are expresia:
( ) ( ) ( )
=
A =
0 k
d
k t t f t f o

Transformata Laplace a funciei ) (t f
d
este:
( ) { } ( ) ( )
)
`
A =

=0 k
d
k t t f L t f L o
de unde rezult:
( ) ( ) { } ( ) ( ) ( )

=
A
=
A =
)
`
A A = =
0 0 k
s k
k
d d
e k f k t k f L t f L s F o
Funcia ) (s F
d
conine factorul
s k
e
A
, care are ca efect o funcie ascendent
i este cunoscut faptul c n acest caz se ntmpin dificulti la obinerea
transformatei Laplace inverse. Dac se noteaz
s
e z
A
= , rezult
A
=
) ln( z
s i se
obine:
( ) ( ) A =

=

0 k
k
d
z k f z F
adic ) (z F
d
reprezint transformata z a funciei ) (t f . Planul complex s se
transform n planul z , unde locurile geometrice de const = o n planul s ,(care
este o dreapt paralel cu axa imaginar),se transform n cercuri concentrice n
planul z

Exemplul 2.3 S considerm:

A A A +
=
e | e | j j
e e e
1 ) 1 (

Dreapta corespunztoare axei imaginare n planul z este cercul unitar. Toate
punctele din semiplanul stng se transfer n puncte din interiorul cercului unitar.
Toate punctele din semiplanul drept se transfer n exteriorul cercului unitar.

Pentru procesul de identificare se consider o secven de lungime finit de
msurtori, care conine N puncte de eantionare. Dac 1 , 0 = N k atunci
transformata Fourier discret a semnalului ( ) A = k x x
k
este definit de relaia:
=
1
0
2
N
k
N
k n j
k n
e x X
t

N
k
N
n
n
= A
A
=
t
e
2

i corespunztor transformata invers care reface secvena iniial n domeniul
timp este:
=

=
1
0
2
1
N
n
N
k n j
n k
e X
N
x
t

Pentru a efectua una din operaiile () sau () sunt necesare
2
N operaii,
deoarece N se consider mare (ea este impus de precizia dorit) va fi necesar un
timp de calcul ndelungat. Calculele sunt eficiente numai dac se folosesc metode
care reduc calculele. Aceste metode se numesc, transformate Fourier rapide. (ex
Cooley, Turkey, Formon etc).

Descrierea metodei de identificare

Utilizarea metodei descrise este similar cu cea a transformatei Fourier pentru
funcii continue. Dac se consider un proces cu o funcie de pondere ) (k h
necunoscut, unde k reprezint eantioanele timpului.
Figura 3.3
Considernd c procesul se desfoar ntr-un timp finit rezult:
2
0 0 ) ( N i respectiv i pentru i u > s =
1
0 0 ) ( N k respectiv k pentru k h > s =
Avnd n vedere c orice sistem are un timp mort n care influena
semnalului util persist la ieirea sistemului, se impune ca din msurtoarea
eantioanelor s se elimin acele eantioane care denatureaz informaia despre
dinamica sistemului.
Astfel pentru
2 1
N N N + > se poate scrie relaia:
) ( ) ( ) ( k U k H k V =
unde: ) (k V este TFD a eantioanelor semnalului util.
) (k U este TFD a eantioanelor semnalului de intrare.
) (k H este TFD a eantioanelor funciei de pondere.
Se caut acea metod care din msurarea eantioanelor ) (i u i ) (i y putem
determina funcia ponder ) (k h eliminnd influena zgomotului ) (i z .
Dac se face abstracie de prezena perturbaiei din aceast relaie se pot
determina eantioanele exacte ale lui ) (k H i apoi prin Transformata Fourier
Discret Invers (TFDI), se pot determina eantioanele lui ) (k h . n realitate ns
zgomotul ) (i z nu poate fi neglijat, deci pentru ) (k H nu se obin dect estimate ale
eantioanelor.
) (
) (
) (
k U
k Y
k H =
) (
) (
) (
) (
) (
k U
k Z
k U
k V
k H + =
Dac se utilizeaz relaia (...) din msurtori se pot determina eantioanele
estimate ale lui ) (k H , din care prin TFDI pot fi determinate estimaiile
eantioanelor funciei pondere ) (k h :
=

=

1
0
2
) (
) ( 1
) (
~
N
r
N
k r j
e
k U
k Y
N
k h
t

Aceste estimate ) (
~
k h se pot obine relativ uor dac se dispune de un
algoritm pentru TFDI. Aplicarea practic a metodei n cazul proceselor reale este
practic imposibil, deoarece n condiiile reale este foarte puin probabil ca
condiia (....) s fie respectat. O posibilitate de a aduce mrimea de intrare la o
variaie corespunztoare condiiei (...) se prezint n continuare.
Fie semnalul de intrare ) (n u i cea de ieire ) (n y . Se consider c contribuia
mrimii de intrare n orice moment dat persist n rspunsul sistemului din acel
moment pe o durat egal cu durata regimului tranzitoriu A
1
N , timp de stabilire
pentru proces. Ca urmare pentru ca efectul introdus prin anularea mrimii de
comand pe intervalul 0 < n , s nu fie resimit n mrimea de ieire, s-a eliminat
din aceast poriune de la eantionul A ) 1 ( 0
1
N la , perioad n care s-ar fi putut
simite efectele comenzii ) (n u pentru 0 < n . De asemenea din mrimea de ieire
) (n y s-au eliminat poriunea pentru A
2
N , n care s-ar resimii valorile comenzii
) (n u , pentru
2
N n > .

Astfel dei mrimea de intrare ) (n u are o evoluie n timp care satisface
condiia (....), mrimea de ieire ) (n y pe intervalul ) , (
2 1
A A N N , nu este
afectat de aceste restricii. Este posibil aplicarea metodei de identificare
bazat pe TFDI pentru obinerea eantioanelor
) (k h
, printr-o metod care
presupune un lan de estimri succesive ale funciei de pondere, care
converge spre valorarea real.
Valorile mrimii de comand, respectiv a ieirii se poate reprezenta
ca:
{ }
{ }

, 0 , 0 ), ( ), 1 ( ), ( , , 0 , 0 ) (
, 0 , 0 ), ( ), ( ), 1 ( , ), 1 ( ), 0 ( ) (
2 1 1
2 1 1
N y N y N y n u
N u N u N u u u n u
+ =
=

Algoritm de identificare:
Avnd n vedere c sistemul este perturbat de zgomote, obinerea lui ) (k h se
va face prin estimri succesive, care converge spre valoarea corect. Dac
2 1
N N N + > i mrimea de intrare i de ieire sunt cele date de relaiile () i ()
aprecierea metodei de identificare valabil n cazul semnalelor de lungime finit
este posibil. Se vor obine estimri ale funciei pondere care vor diferi de valoarea
real nu numai datorit perturbaiei ) (n z , ci i datorit restriciei introduse pentru
) (n y . Pentru nceput se calculeaz ca o prim aproximare ) (
) 1 (
k h ,unde s-a neglijat
aportul semnalului zgomot. Cu valoarea aproximat se determin eantioanele
ieirii.
=
= =
1
0
) 1 (
1 , 0 ) ( ) ( ) (
N
i
N k unde i k u i h k y

Cu aceste eantioane ) (k y i mrimea de intrare ) (k u se calculeaz din nou
aplicnd transformata Fourier discret ) (
) 2 (
k h .a.m.d. obinndu-se n final un ir
de estimri care converge ctre ) (k h . Convergena acestui ir este cu att mai bun
cu ct
1 2
N N > .
Nivelul zgomotului z)n= i gradul de corelaie a lui cu mrimea de intrare
) (n u nu influeneaz, dect n mic msur convergena dar determina precizia cu
care sunt obinute estimaiile. Astfel cu ct zgomotul este mai puin corelat cu
mrimea de intrare cu att estimaiile pentru funcia pondere sunt mai apropiate de
valoarea real.
) ( ) (
) (
) (
) (
~
k H k H
k U
k Y
k H
z
+ = =
Transformata Fourier invers a lui ) (k H
z
ne d eantioanele funciei pondere
relativ la semnalul zgomot ) (k h
z
putndu-se calcula valorile eantionate a
semnalului zgomot prin convoluie.
= =

=
1
0
1 , 0 ) ( ) ( ) (
N
i
z
N k unde i k u i h k z

2.2.6. IDENTIFICARE PROCESELOR FUNCIONND N BUCL
NCHIS

Relaiile dezvoltate n cadrul metodelor de identificare neparametric pornesc
de la ideea c determinarea experimental cu scopul de identificare se fac asupra
procesului izolat, fapt care constituie o restricie foarte important (ntreruperi,
posibilitatea de limitare a funciei normale, instabilitate, etc.).
Interesul pentru identificarea proceselor n bucl are urmtoarele motivri:
- procese stabile n bucl pot fi instabile fr bucl de reacie
- identificarea procesului n bucl nchis conduce la un model
matematic mai fidel a acestuia.
Ci de identificare
1. Calea direct, snt determinate direct caracteristicile dinamice ale
procesului.
2. Calea indirect, se determin un model pentru ntreaga bucl, i modelul
procesului se gsete dac este cunoscut modelul de legtur a elementelor de
execuie
Metoda cea mai utilizat este metoda direct datorit faptului c nu sunt
cunoscute suficient de precis RG, EE.
Fie un proces dat de urmtoarea schem bloc


Unde : u
p
(t) - reprezint mrimea prescris
u(t) mrimea de test comand

) (
) ( ) ( 1
1
) (
) ( ) ( 1
) (
) (
) ( ) ( 1
) ( ) (
) ( s u
s H s H
s W
s H s H
s H
s u
s H s H
s H s H
s Y
r p r p
p
p
r p
r p
+
+
+
+
+
=
Din teorema lui Duhamel rezult funcia
t t t t t t t t t t d t w h v d t u h d t u h t y
W u p up }
+
}
+
}
=

0 0 0
) ( ) ( ) ( ) )( ( ) ( ) ( ) (
unde:
|
|
.
|
\
|
+
=

) ( ) ( 1
) ( ) (
) (
1
s H s H
s H s H
L t h
r p
r p
up

|
|
.
|
\
|
+
=

) ( ) ( 1
) (
) (
1
s H s H
s H
L t h
r p
p
u

|
|
.
|
\
|
+
=

) ( ) ( 1
1
) (
1
s H s H
L t h
r p
W

n continuare baznd pe ideea conform creia u(t) este un semnal aleator
SPAB cu o corelaie dat. Se presupune urmtoarele:
0 ) ( ~ t
uup
0 ) ( ~ t
upu
0 ) ( ~ t
wup
0 ) ( ~ t
upw
0 ) ( ~ t
uw
0 ) ( ~ t
wu

Funcia de intercorelaie a ieirii se obine ca:
)} ( ) ( ) ( ) ( ) ( ) ( ) ( {
)} ( ) ( { ) (
0 0 0
t u u u u u u u u u
t t

(
(
+ + =
= =
} } }

t u d t w h d t u h d t u h M
t u t y M
W u p up
yu
Introducem schimbarea de variabil t t + = = ' ' t t t t obinem
u t u u u t u u
u t u u u t u u u t u u
u t u u u t u u t
d h d h
d h d h d t w t u M h
d t u t u M h d t up t u M h
uu u uw
o
w
uu u uup up
o
w
u up yu
) ( ) ( ) ( ) (
) ( ) ( ) ( ) ( ))} ( ' ( ) ' ( { ) (
))} ( ' ( ) ' ( { ) ( ))} ( ' ( ) ' ( { ) ( ) (
0
0 0
0 0
~ +
+ = +
+ =
} }
} } }
} }

Relaia de calcul numeric:
) ( ) ( ) (
1
0
t t ~

=
i i h
uu
N
i
u yu


n continuare se determin funcia de intercorelaie dintre semnalul de
eroare i comand:
) ( ) ( )] ( ) ( [ ) ( s U s H s Y s U s
r p
+ = c
) (
) ( ) ( 1
) (
) (
) ( ) ( 1
1
) (
) ( ) ( 1
) (
) ( s W
s H s H
s H
s U
s H s H
s U
s H s H
s H
s
r p
r
r p
p
r p
r
+
+
= c
Rezult

t t t t t t t t t t c d t w h d t u h d t u h t
r w p r } } }

+ =
0 0 0
) ( ) ( ) ( ) )( ( ) ( ) ( ) (
Unde
|
|
.
|
\
|
+
=

) ( ) ( 1
) (
) (
1
s H s H
s H
L t h
r p
r
r

Dac calculm: )} ( ) ( { ) ( t c t
c
= t u t M
u
i lund n considerare
condiiile presupuse obinem:
}
~
0
) ( ) ( ) ( u t u u t
c
d h
uu w u

Metoda numeric de calcul: ) ( ) ( ) (
1
0
t t
c
~

=
i i h
uu
N
i
w u

|
|
|
|
|
.
|
\
|
=
) 1 (
...
) 1 (
) 0 (
N
yu
yu
yu
yu

|
|
|
|
|
.
|
\
|
=
) 1 (
...
) 1 (
) 0 (
N
u
u
u
u
c
c
c
c

|
|
|
|
|
.
|
\
|

+
+
=
) 0 ( ... ) 2 ( ) 1 (
... ... ... ...
) 2 ( ... ) 0 ( ) 1 (
) 1 ( ... ) 1 ( ) 0 (
uu uu uu
uu uu uu
uu uu uu
uu
N N
N
N

|
|
|
|
|
.
|
\
|
=
) 1 (
) 1 (
) 0 (
N h
h
h
h
w
w
w
w

|
|
|
|
|
.
|
\
|
=
) 1 (
) 1 (
) 0 (
N h
h
h
h
u
u
u
u

Deci putem s scriem:
u uu w
h
c
=
1
) (
yu uu u
h =
1
) (

OBS. Pn la aceast faz s-a determinat funcia pondere h
u
(u)
reprezentnd funcia pondere a procesului n bucl nchis i h
W
(u) reprezentnd
funcia pondere pentru bucl nchis
Dorim determinarea funciei pondere pentru H
p
(s), deci vom scrie:
) ( ) (
) ( ) ( 1
) (
) ( s H s H
s H s H
s H
s H
w p
r p
p
u
=
|
|
.
|
\
|
+
=
Conform teoremei de convoluie:
}

=
~ =
1
0
0
) ( ) ( ) ( ) ( ) (
N
i
w p W p u
i t h i h d h h t h u u t u

Dac determinm matricea:
|
|
|
|
|
.
|
\
|

=
) 0 ( ... ) 2 ( ) 1 (
... ... ... ...
0 ... ) 0 ( ) 1 (
0 ... 0 ) 0 (
w w w
w w
w
w
h N h N h
h h
h
h
|
|
|
|
|
.
|
\
|
=
) 1 (
) 1 (
) 0 (
N h
h
h
h
p
p
p
p

Deci:
u w p
h h h =
1
) (
Algoritmul:
1. Se consider dat schema de la nceputul paragrafului. Se
efectueaz msurtorile (n timpul funcionrii) la urmtoarele
semnale: up, u, w, y i e
2. Calculm urmtoarele funcii de corelaie:
u yu uu c
, , i
construim vectorii respectiv matricele corespunztoare
u yu uu c
, , .
3. Calculm vectorii:
w
h i
u
h
4. Construim matricea
w
h
5. Calculm funcia pondere a procesului
u w p
h h h =
1
) (
6. Testare


3. IDENTIFICAREA CU METODE GRAFICE

Scopul: este determinarea parametrilor sistemelor pe baza datele msurate
respectiv reprezentate grafic
Date msurate:
a. - intrare: semnal treapt ieire: funcia indicial
b. intrare: impuls unitar( semnal Dirac ) ieire: funcia pondere
Parametrii sistemului:
determinarea parametrilor funciei de transfer continue coresp.
procesului
Obs.. Se poate folosi numai la sisteme stabile!!!

3.1. Identificarea grafic din funcia indicial:


Funcia de transfer:
1
) (
+
=
s T
k
s H unde: k este amplificarea i T este constanta de timp
Ecuaia diferenial:
) ( ) ( ) ( t u k t y t y T = +
a. Semnal de intrare:

<
>=
= =
0 0
0 1
) ( 1 ) (
t daca
t daca
t t u
Considerm c sistemul este stabil ( ) 0 > T

Forma analitic a rspunsului sistemului la condiii iniiale nule ( 0 ) 0 ( = y ):
) ( 1 ) 1 ( ) ( t e k t y
T
t
=

Forma grafic a rspunsului este:


Determinarea parametrului k :

st
s s
t
st
y k k
s
s H s s Y s t y y = = = = =

1
) ( lim ) ( lim ) (
lim
0 0

Determinarea parametrului T:

k k e k e k T y
T
T
= ~ = =

63 . 0 ) 37 . 0 1 ( ) 1 ( ) 1 ( ) (
1

adic trebuie s gsim intervalul de timp corespunztor lui 63% yst (valoarea
staionar a ieirii).

Constanta de timp se poate obine i n felul urmtor: se traseaz tangenta la
curba semnalului de ieire n origine. Constanta de timp T va reprezenta intervalul
de timp de la 0 la abscisa punctului de intersecie ntre aceast tangent i
asimptota la caracteristica de rspuns pentru t . Aceast metod nu se
recomand din cauza erorilor datorate determinrii tangentei respectiv datorit
perturbaiilor care poate s apare n sistem.

b. Semnalul de intrare este:

<
>=
= =
0 0
0
) ( 1 ) (
t daca
t daca
t t u
o
o
Parametrul k este:

o
o
o
st
s s
t
st
y
k k
s
s H s s Y s t y y = = = = =

) ( lim ) ( lim ) (
lim
0 0

Determinarea constantei de timp T:

st st st
T
T
st
y y e y e y T y = ~ = =

63 . 0 ) 37 . 0 1 ( ) 1 ( ) 1 ( ) (
1

adic determinm intervalul de timp corespunztor valorii 63% yst

3.1.2. Sistem de ordin I cu timp mort

Funcia de transfer:
s
e
s T
k
s H

+
=
t
1
) ( unde: k este amplificarea, T este constanta de timp i
timpul mort
Ecuaia diferenial:
) ( ) ( ) ( t = + t u k t y t y T

<
>=
= =
0 0
0 1
) ( 1 ) (
t daca
t daca
t t u
Presupunem c sistemul este stabil ( ) 0 > T

Forma analitic a rspunsului sistemului ( 0 ) 0 ( = y ):
>
s
= =
t
t
t t
t
t daca e k
t daca
t e k t y
T
t
T
t
) 1 (
0
) ( 1 ) 1 ( ) (

Forma grafic a semnalului de ieire:


- Determinarea parametrului k:

st
s s
t
st
y k k
s
s H s s Y s t y y = = = = =

1
) ( lim ) ( lim ) (
lim
0 0

- Determinarea parametrului (timpul mort)

Timpul mort este acel interval de timp care ncepe din momentul aplicrii
semnalului de intrare i tinde pn cnd funcia indicial rmne inferioar
semnalului de intrare n raport cu clasa de precizie a raportului msurat.
k y = c t ) ( unde ) 02 . 0 01 . 0 ( = c
- Determinarea constantei de timp T:
k k e k e k T y
T
T
= ~ = = +

+
63 . 0 ) 37 . 0 1 ( ) 1 ( ) 1 ( ) (
1
t t
t
adic determinm intervalul de timp corespunztor valorii 63% yst . Acest
interval de timp este: T T + = ' t t ' = T T

b. Semnal de intrare:
<
>=
= =
0 0
0
) ( 1 ) (
t daca
t daca
t t u
o
o
- Determinarea parametrului k:
o
o
o
st
s s
t
st
y
k k
s
s H s s Y s t y y = = = = =

) ( lim ) ( lim ) (
lim
0 0

- Determinarea parametrului :
st
y y = c t ) ( unde ) 02 . 0 01 . 0 ( = c
- Determinarea constantei de timp T:
st st st
T
T
st
y y e y e y T y = ~ = = +

+
63 . 0 ) 37 . 0 1 ( ) 1 ( ) 1 ( ) (
1
t t
t

adic determinm intervalul de timp corespunztor valorii 63% yst . Acest
interval de timp este: T T + = ' t t ' = T T

3.1.3 Sistem de ordin II
Funcia de transfer:
2 2
2
2
) (
n n
n
s s
k
s H
e e
e
+ +

=
unde: k este constanta de amplificare ,
n
frecvena/pulsaia proprie, factorul de
amortizare.
Ecuaia diferenial:
) ( ) ( 2 ) (
2 2
t u k t y t y
n n n
= + + e e e

<
>=
= =
0 0
0 1
) ( 1 ) (
t daca
t daca
t t u
Ecuaia caracteristic a sistemului:
0 2
2 2
= + +
n n
s s e e
2
2 , 1
1 e e =
n n
j s
Distingem urmtoarele sub cazuri (dac 0 >
n
e ):
- dac C j s
n
e = = e
2 , 1
0 nu exist partea real
- dac C s e < <
2 , 1
1 0 exist i partea real
- dac R s
n
e = = e
2 , 1
1 soluiile sunt egale i reale
- dac R s e >
2 , 1
1 soluii reale dar diferite
Forma analitic a rspunsului ( cu condiii iniiale nule 0 ) 0 ( 0 ) 0 ( = = y y ):
) ( ) ( ) ( t y t y t y
tr st
+ =
st
s s
t
st
y k k
s
s H s s Y s t y y = = = = =

1
) ( lim ) ( lim ) (
lim
0 0

t s t s
tr
e c e c t y

+ =
2 1
2 1
) (
Deci:
t s t s
e c e c k t y

+ + =
2 1
2 1
) (
constantele c
1
i c
2
pot fi determinate din condiiile iniiale.
1 2
2
1
1 2
1
2
s s
s k
c
s s
s k
c
=
nlocuim n relaia lui y(t) i folosind relaia lui Euler ( ) sin( ) cos( a j a e
a j
+ =
)
obinem:
( ) ( ) | |
=

t t
e
k t y
n n
t
n
2 2 2
2
1 cos 1 1 sin
1
1 ) ( e e
e

Forma grafic a rspunsului depinde de valoarea factorului de amortizare.
1. C j s
n
e = = e
2 , 1
0 fr amortizare
)) cos( 1 ( ) ( t k t y
n
= e

- parametrul k poate fi determinat din valoarea y
st
(
st
y k = )
- pulsaia proprie :
T
t
e

=
2
unde T este perioada semnalului
- factorul de amortizare este 0 =
2. C s e < <
2 , 1
1 0 avem un rspuns amortizant i apar i oscilaii n rspunsul
sistemului pentru c n acest caz avem rdcini
( ) ( ) | |
=

t t
e
k t y
n n
t
n
2 2 2
2
1 cos 1 1 sin
1
1 ) ( e e
e

De pe grafic putem s determinm urmtoarele
- suprareglaj:
(%) 100
max *
=
st
st
y
y y
o
- t
2%
este acel interval de timp n care semnalul de ieire intr definitiv i nu
mai prsete plaja de toleran a % 2
st st
y y
Pentru determinarea parametrilor sistemului pot fi folosite urmtoarele relaii
empirice:
2
1
t
o

~ e k i
n
t
e
~
4
% 2

Astfel determinarea parametrilor se face conform urmtorului:
- determinm valoarea k din valoarea staionar y
st
(
st
y k = )
- determinm suprareglajul (
*
o ), reprezentm grafic funcia ) ( o pe
intervalul ) 1 , 0 ( e i cutm valoarea lui
*
corespunztor lui
*
o care
va fi de fapt factorul de amortizare
- determinm intervalul de timp a
% 2
t i calculm frecvena/pulsaia
proprie:
% 2
*
4
t
n
e
3. R s
n
e = = e
2 , 1
1 rspuns critic asimptotic
t
t
n n
e c e c k t y

+ + =
e e
2 1
) (
n acest caz se poate determina un sistem de ordin I.
4. R s e >
2 , 1
1 rspuns asimptotic
t s t s
e c e c k t y

+ + =
2
2
1
1
) (
. n acest caz se poate determina un sistem de ordin I cu timp mort.

b. Dac semnalul de intrare este:

<
>=
= =
0 0
0
) ( 1 ) (
t daca
t daca
t t u
o
o
Se modific calcularea factorului de amplificare:
o
o
o
st
s s
t
st
y
k k
s
s H s s Y s t y y = = = = =

) ( lim ) ( lim ) (
lim
0 0

3.1.4. Sistem de ordin II cu timp mort
Funcia de transfer:
s
n n
n
e
s s
k
s H

+ +

=
t
e e
e
2 2
2
2
) (
unde: k este amplificarea,
n
pulsaia proprie, factorul de amortizare, t timp
mort
Ecuaia diferenial:
) ( ) ( 2 ) (
2 2
t e e e = + + t u k t y t y
n n n

Determinarea parametrilor k, w
n
i este asemntoare cu metodele
anterioare. Timpul mort se poate determina din
st
y y = c t ) ( unde ) 02 . 0 01 . 0 ( = c
3.1.5.Sisteme de ordini mai mari
Fie funcia de transfer
( )
n
s T
k
s H
1
) (
+
= 0 > T
Forma grafic a funciei indiciale pentru diferite valori n

Se poate observa c dac n>>0 atunci sistemul se comporte ca un sistem de
ordin I cu timp mort. Acest sistem poate fi estimat i recursiv folosind
algoritmul gradientului.
Ecuaia diferenial corespunztoare funciei de transfer este:
:
k ) ( ) ( ) ( t y t y T t u + =
-
t
Soluia ecuaiei difereniale:
p
T
t
p s t
y e y y t y t y t y + = + =

t
) ( ) ( ) ( ) (
0

Dac condiiile iniiale sunt nule:
) 1 ( ) (
T
t
p
e y t y
t
=
Fie urmtorul sistem:
Proces

E

La intrarea procesului i modelului se aplic un semnal treapt unitate i
trebuie s determinm parametrii (km, Tm, tm) astfel ca valoarea erorii s fie
minim
}
=

0
2
)) , , , ( ) ( ( ) , , ( dt T k t y t y T k E
m m m m m m m
t t
Forma numeric este:
=
=
N
i
m m m m m m m
T k i t y i t y T k E
0
2
)) , , ), ( ( )) ( ( ( ) , , ( t t
Putem s aplicm metoda gradientului:
(
(
(
(
(
(
(
(
c
c
c
c
c
c
(
(
(
(
(
(
=
(
(
(
> <
> < > < > <
> <
> < > < > <
> <
> < > < > <
> <
> + <
j
m
j
m
j
m
j
m
j
m
j
m
j
m
j
m
j
m
j
m
j
m
j
m
k
T
j
m
m
m
j
m
m
m
k
T k E
T
T k E
T k E
k
T
k
T
) , , (
) , , (
) , , (
0 0
0 0
0 0
1
t
t
t
t
t
t
t

unde

T
i
k
paii de cutare.
Algoritmul:
0. Alegem valorile iniiale i paii de determinare constante 0 = j
1. Calculm eroarea corespunztoare
y

u
ym

( )
n
s T
k
s H
1
) (
+
=

s
m
m m
e
s T
k
s H

+
=
t
1
) (

2. Dac valoarea erorii este mai mic dect o valoare predefinit atunci STOP
, dac nu se continu iteraia la pasul 3.
3. Calculm gradientul
4. Actualizez vectorul parametrilor, 1 + = j j , i se continu iteraia de la pasul
1.
Condiii de oprire:
- c < E
-
max
N j >
-
c
t
t
<
(
(
(
(
(
(
> <
> + <
j
m
m
m
j
m
m
m
k
T
k
T
1

- c
t
t
t
t
<
(
(
(
(
(
(
(
(
c
c
c
c
c
c
> <
> < > < > <
> <
> < > < > <
> <
> < > < > <
j
m
j
m
j
m
j
m
j
m
j
m
j
m
j
m
j
m
j
m
j
m
j
m
k
T k E
T
T k E
T k E
) , , (
) , , (
) , , (

3.2. Identificarea grafic din funcia pondere
3.2.1. Sisteme de ordin I.

Funcia de transfer:
1
) (
+
=
s T
k
s H unde : k amplificarea i T constanta de timp
Ecuaia diferenial:
) ( ) ( ) ( t u k t y t y T = +
b. Semnal de intrare:

<
>=
= =
0 0
0
) ( ) (
t ha
t ha
t t u o
Presupunem c sistemul este stabil ( ) 0 > T

Forma analitic a rspunsului sistemului este (dac 0 ) 0 ( = y ):
) ( 1 ) ( ) ( t e
T
k
t y
T
t
=

Forma grafic a rspunsului:
0 5 10 15 20 25 30
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
Impulse Response
Time (sec)
A
m
p
lit
u
d
e

37 . 0 ) (
) 0 ( 0
1
T
k
e
T
k
T y T t
T
k
y t
= = =
= =
T k area er , min det

3.2.2. Sistem de ordin II.
Determinarea parametrilor se face ca i la metoda prezentat la paragraful 3.1.3.
numai c aici valoarea staionar va fi zero..
0 0.5 1 1.5 2 2.5 3 3.5 4 4.5 5
-0.5
0
0.5
1
1.5
2
Impulse Response
Time (sec)
A
m
p
lit
u
d
e


4. METODE DE ESTIMARE PARAMETRICE

4.1. Consideraii generale

Spre deosebire de metodele neparametrice, cele parametrice permit
determinarea direct a unui model matematic parametrizat. De exemplu n cazul
modelelor discrete se poate determina coeficienii ecuaiei cu diferene finite.
Datorit faptului c nu se determin un model neparametric se elimin erorile care
apar la trecerea modelului neparametric la cel parametric. Problema determinrii
structurii modelului devine ns mai complex, fiind necesar aplicarea succesiv a
metodei pe ntregul set de date pentru diferite structuri.
n cazul metodelor neparametrice exist avantajul c modelul neparametric
intermediar conine ntreaga informaie ntr-un numr mult mai mic de puncte.
Marele avantaj al metodelor parametrice este acela c permit obinerea unui
model i pentru zgomot, model foarte util n proiectarea unor algoritmi de control
cu predicie respectiv cu dispersie minim. De asemenea, metodele parametrice
furnizeaz estimaii ale preciziei cu care au fost determinai parametrii. Informaii
utile n stabilirea gradului de ncredere ce se poate acorda modelului cu care se
ncearc aproximarea procesului.
Identificarea este caracterizat de trei elemente:
- colecia de date D
- colecia de modele M
- criteriul C
Identificarea parametric const n determinarea unui model din colecia de
modele M care s justifice ct mai bine colecia de date D n sensul criteriului C.
Colecia de date: reprezint o secven de perechi dedate { } ] [ ], [ k y k u
generate de sistem n anumite condiii experimentale, N k , , 1 =
Colecia de modele: repr. diferite expresii matematice (relaie intrare-ieire)
care depinde de vectorul parametrilor u .

Criteriu: este o funcional scalar la care trebuie s determinm minimul
(sau maximulu) n funcie de vectorul
u .
n procesul de identificare a parametrilor nu exist garanie c modelul
determinat (structura i parametrii) reprezint cea mai bun rezolvare (soluie).
Pentru a obine o soluie mai bun este necesar validarea modelului (teste de
validare).
Notaii:
u u ~ ]) [ ], 1 [ ], [ ], 1 [ (
~
n y y N u u
u
~
-vectorul care conine parametrii identificai
u
- vectorul care conine parametrii reali
(.,.)
~
u
- este estimatorul

4.2. Proprietile principale ale estimatei

1. Un estimator este nedeviat dac
{ } { } u u u = = M M
~
sau { } 0
~
= u u M
unde { } M este media semnalului . Obs. Dac un estimator satisface aceast relaia
pentru N se numete estimator asimptotic.

2. Un estimator consistent dac :
0
~
lim
. p c
N

u u (convergen n probabilitate)
sau altfel ( ) 0
~
Pr lim = >

c u u ob
N
unde este norma euclidian.
3. Un estimator este corect dac:
) , , ( ) , (
~
N U Y E U Y f + = u unde 0 ) , , ( lim =

N U Y E
N

Obs. Orice estimator corect este i consistent, dar nu neaprat nedeviat.
4. Un estimator este eficient dac este nedeviat i are o dispersie minim n clasa
estimatorilor nedeviai.
{ } { }
1
)
~
( )
~
(
~
cov

= = J M
T
u u u u u unde J este matricea de informaie
Obs. Dac se noteaz cu ) , / ( U Y P u densitatea de probabilitate a ieirii
condiionat de u i de U, atunci se poate defini funcia de verosimilitate
logaritmic: ( ) ) , / ( ln ) ( U Y P L u u =
Matricea hessian a acestei funcii se noteaz cu
uu
L , iar matricea de
informaie se definete ca: { }
uu
L M J =
A

care are urmtoarele proprieti:
{ } { }
T
L L M L M
u u uu
= i { } 0 () =
}
=
}

c
c
= dy p dy p
L
L M
u u
u

5. Un estimator este de dispersie minim dac prezint cea mai mic dispersie din
clasa tuturor estimatorilor nedeviai.

4.3. Metode principale de obinere a estimatei:

n analiza sistemelor o problem fundamental este de a reconstitui
(aproxima) valoarea necunoscut a strilor i parametrilor pentru procese urmrite
prin msurtori perturbate de semnale stocastice, a cror modele aproximative sunt
funcii de aceste stri i parametrii. Dac se consider un set de msurtori
(y
1
,y
2
,.....y
n
) care depind de parametrii u , se poate definii o funcie
T
N
(y
1
,y
2
,..y
n
) care asigur aproximarea, estimarea parametrilor u . Dac valorile
msurtorilor y
i
sunt valori stocastice atunci i estimata T
N
(..) obinut n urma
estimrii este tot o valoare stocastic. Astfel procesul de estimare se reduce la
gsirea estimatei optimale, care minimizeaz un criteriu definit.
Ca punct de plecare pentru obinerea diferitelor tipuri de estimatori se
consider urmtoarele cunotine apriorice despre proces.
- Funcia densitii de probabilitate a perturbaiei. Din aceast funcie rezult
densitatea de probabilitate a msurtorilor Y. Aceast funcie este dependent
de parametrii u ai procesului i se noteaz cu p(Y/u );
- Funciile densitate de probabilitate ale valorilor parametrului u . Aceast
funcie se noteaz cu p(u );
- Costul alegerii valorii estimate u
~
dac valoarea adevrat a parametrilor
procesului este u . Aceast funcie de cost sau funcie de pierdere C(u
~
,u ) are
un minim pentru u
~
= u .

Diferitele tipuri de estimatori

a. Estimata verosimilitii maxime (Maximum likelihood estimation)

Problema estimrii poate fi abordat ca un studiu de populaie-parametrii. Pentru
implementarea algoritmului de estimare se consider o funcie L(.) care exprim
dependena estimatei de valorile eantionate a observrilor Yn. Aceast funcie se
definete ca funcia de verosimilitate. n multe cazuri putem definii funcia
densitii de probabilitate ) , / ( U Y P u ) (relaie aprioric) ca funcia de
verosimilitate (likelihood function). Aceast funcie a parametrilor a crui maxim
indic setul de valori Y
n
=(y
1
,y
2
,...,y
n
) cel mai verosimil, pentru a obine
parametrii u . Aprioric (nainte de msurtori) se cunoate faptul c eantioanele
msurtorilor lui Y
n
sunt variabile aleatorii, cu funcia densitate de probabilitate
cunoscut. Dup efectuarea estimrii se obin valorile msurate din care se dorete
determinarea celui mai verosimil estimat. O alt abordare ar fi cnd se definete
funcia de verosimilitate sub form posterioric ) , / ( Un Yn P u .
n multe cazuri n loc de determinarea maximului funciei de verosimilitate
se determin maximul logaritmului funciei. Astfel dac logaritmul este o funcie
cu derivata continu, atunci condiia necesar de a obine o estimat cu
verosimilitate maxim este:
( ) ( )
0
, / ( log
=
c
c
u
u Un Yn p

sau
( ) ( )
0
, / ( log
=
c
c
u
u Un Yn p

Aceast metod se poate utiliza i n cazul n care u nu este un vector aleator.
Unele din interesantele sale proprieti sunt: normalitate asimptotic, nemarcare
asimptotic, eficien asimptotic,consisten, invarian.

Obs. Relaiile de legtur ntre estimatele a priorice respectiv a posteriorice
se obin pe baza regulii lui Bayes.
) (
) ( ) / (
) (
) , (
) / (
y P
x P x y P
y P
y x P
y x P

= =
Se poate demonstra c dac estimata aprioric este uniform, cele dou
estimate sunt similare.

b. Estimatorul BAYES

Se consider c mrimile msurate Y, formeaz un vector aleator al mrimilor
de ieire. Densitatea de probabilitate a lui Y este determinat printr-un numr de
parametrii ai si ca centrarea, covariana. Estimatorul Bayes se bazeaz pe
urmtoarele ipoteze:

- se cunoate densitatea de probabilitate a ieirii p(Y/u ), ea este condiionat de
vectorul parametrilor procesului i depinde de zgomotul perturbator.
- este cunoscut funcia densitii de probabilitate a parametrilor u i p( u )
- se cunoate costul alegerii valorii estimate u
~
a parametrilor, dac valoarea
real a parametrilor este u , C(u
~
,u ), unde aceast funcie de cost este o
funcie cu valori reale, pozitive, care conine pierderea care se introduce prin
estimarea parametrilor u cu u
~
.

Ipotezele de mai sus n general sunt incomplet satisfcute, astfel se
introduce noiunea de robustee, care este un concept dependent de comportarea
procedeului, n cazul n care ipotezele iniiale sunt incomplet satisfcute. Un
estimator este mai robust n comparaie cu un altul, dac estimatele sale sunt
valabile pe o clas mai larg de modele. O metod de verificare a robusteii este de
a testa dac estimatorul se comport mai bine dac se mrete nr. msurtorilor.

c. Estimatorul C.M.M.P.
Se impune cerina ca dinamica procesului s poate s fie aproximat suficient
de bine prin modelul considerat

d. Estimatorul Markov

La acest tip de estimator se presupune cunoaterea n plus a matricei de
dispersie a zgomotului din sistem.

4.4.Tipuri de modele

Modelele aproximate sunt modele discrete altfel spus discretizate pe spaiul
strilor:
x x u
k k k k k +
= +
1

sau modele de intrare ieire ca de exemplu modele AR (Auto Regressive), ARX,
ARMA (Auto Regressive Moving Average), ARIMA, ARMAX CARMA, sau
NARMA (Nonlinear Auto Regressive Moving Average). Ele pot fi deduse pe
baza modelului unui proces dat cu modelul de intrare ieire reprezentat n figura
urmtoare:

Figura 4.1 Model intrare ieire discret
Pentru validarea acestora vom stabilii pentru proces modelul parametrizat
sub forma ecuaiei cu diferene, care aproximeaz derivatele continue a unui
proces continuu, astfel:
y k y k y t
t
k y k y
dt
dy
t
A = A
A

=
=
= A
) 1 ( ) (
) 1 ( ) (
0

=
A A
+
=
t t
k y k y k y k y
dt
y d ) 2 ( ) 1 ( ) 1 ( ) (
2
2

) 2 ( ) 1 ( ) (
2
2
11
2
0
2
+ = k y C k y C k y C
deci pentru cazul general avem:
) ( ) 1 ( ... ) ( ) 1 ( ... ) 1 ( ) 1 ( ) (
2
1
2
1 0
n k y i k y C k y C k y C
dt
y d
n i i
n n
n
+ + + + =
Dac se consider ecuaia diferenial a sistemului continuu:
0
) (
0
) 1 (
1
) (
... ) ( ... ) ( ) ( | | o o o + + = + +

t u t y t y
m
m
n
n
n
n

i se nlocuiesc diferenialele prin expresiile echivalente discrete se ordoneaz
termenii dup valorile ale variabilelor de ieire i intrare rezult:
( ) ( ) a y k i b u k i
i
i
n
i
i
m
=
= =

0 0

Condiia de realizare fizic a unui sistem reprezentat printr-o ecuaie
diferenial de mai sus este m n > .
n condiiile iniiale, ecuaiei difereniale i corespunde n domeniul
operaional o funcie, n mod corespunztor ecuaia cu diferene finite i
corespunde o funcie de transfer n z. Pentru scrierea acesteia se introduce
operatorul de ntrziere:
( ) ( ) ( ) z y k q y k y k

= =
1 1
1
i conform teoremei de ntrziere:
( ) ( ) ( ) ( ) t f e t f
s
L L = t
t

rezult:
A
=
s
e z
1

S notm n continuare
+ + + =
+ + + =
m
m
n
n
z b z b b z B
z a z a a z A
... ) (
... ) (
1
1 0
1
1
1 0
1

cu care ecuaia cu diferene finite ( ) devine:
) ( ) ( ) ( ) (
1 1
k u z z k y z =

B A
unde termenul

z reprezint o ntrziere de eantioane datorat ineriei
sistemului dinamic analizat. Ea exprim modelul parametric discret al unui proces
neafectat de zgomot. Structura acestui model este determinat de trei constante
| | m n i anume, n care reprezint numrul polilor, 1 m care reprezint
numrul zerourilor respectiv care reprezint numrul eantioanelor timpului
mort al sistemului dinamic identificat. Pentru sisteme de control cu eantionare
tipic se consider 1 = , deoarece valori superioare ale eantioanelor de timp mort
sunt identificate ca , 0 , 0
1 0
= = b b . Pentru sisteme dinamice cu mai multe intrri
valorile n m i devin vectori linie, unde elementul de ordin i ne arat ordinea
i eantioanele de ntrziere corespunztoare intrrii de ordin i . Pentru sisteme
dinamice cu mai multe ieiri coeficienii | | m n definesc matricele | |
ij
n | |
ij
m i
| |
ij
unde elementele de ordin ij reprezint coeficienii | | m n corespunztori
modelului pentru intrarea j ctre ieirea i. Dac se presupune c avem un zgomot
considerat stocastic staionar, modelul ARX cel mai general n care poate fi prins
zgomotul este:
) ( ) ( ) ( ) ( ) (
1 1
k e k u z k y z + =

B A
unde
) ( ) ( ) (
1
k W z A k e

=
schema
n general dac se selecteaz o structur a modelelor M ,care utilizeaz
parametrii
d
9 c c u
M
D , se obine modelul particular parametrizat ( ) u M care
definete setul de modele ( ) { }
m
D M M c u u =
-
. Fiecare model reprezint o cale de
predicie a ieirii viitoare. Acest predictor poate s aib urmtoarea form liniar:
( ) ( ) ( ) ( ) ( ) ( ) t u z B t y z A t y u + u = u u

, , :
1 1
M
Care corespunde unei predicii ntr-un singur pas pentru sistemul avnd modelul:
( ) ( ) ( ) ( ) ( ) t e z H t u z G t y u + u =

, ,
1 1

Unde o posibilitate de a alege polinoamele predictorului conduc la relaiile:
( ) ( )
( ) ( ) ( ) u u = u
u = u

, , ,
, 1 ,
1 1 1 1
1 1 1
z G z H z B
z H z A

De obicei ne aflm n situaia n care am colectat o serie de date experimentale:
( ) ( ) ( ) ( ) ( ) ( ) | | N u N y u y u y Z
N
, , , 2 , 2 , 1 , 1 = ,
pe baza crora vrem s obinem valoarea vectorului parametrilor
N
u
, respectiv a
modelul corespunztor ( )
N
u
M cel mai adecvat. Acest proces o vom denumi

estimare parametric.

Denumirea special la diferite modele de regresie:

Model PEM (Parameter Estimation Model )
) (
) (
) (
) (
) (
) (
) ( ) (
1
1
1
1
1
k e
q D
q C
k u q
q F
q B
k y q A
nk
+ =

Model BJ (Box Jenkins Model)
) (
) (
) (
) (
) (
) (
) (
1
1
1
1
k e
q D
q C
k u q
q F
q B
k y
nk
+ =

Model OE (Output Error Model)
) ( ) (
) (
) (
) (
1
1
k e k u q
q F
q B
k y
nk
+ =

Model ARMAX (AutoRegresive Moving Average Exogenous Signals Model) ---
) ( ) ( ) ( ) ( ) ( ) (
1 1 1
k e q C k u q q B k y q A
nk
+ =

Model ARMA (AutoRegresive Moving Average Model)
) ( ) ( ) ( ) ( ) (
1 1
k e q C k u q k y q A
nk
+ =

Model ARX (AutoRegresive Exogenous Signals Model)
) ( ) ( ) ( ) ( ) (
1 1
k e k u q q B k y q A
nk
+ =

Model AR (AutoRegresive Model)
) ( ) ( ) (
1
k e k y q A =

Model FIR (Finite Impulse Response Model)
) ( ) ( ) (
1
k u q B k y =

Obs:

) (k u
- semnal util de intrare

) (k y
- semnalul de ieire

) (k e
- semnal aditiv zgomot alb
Polinoame de regresie:
nd
nd
nc
nc
nb
nb
na
na
q d q d d q D
q c q c c q C
b q b q b b q B
a q a q a a q A

+ + + =
+ + + =
= + + + =
= + + + =
1
1 0
1
1
1 0
1
0
1
1 0
1
0
1
1 0
1
) (
) (
0 ) (
1 ) (

Pentru n
k
corspunde timpul mort adic
t =
s k
T n
unde
s
T
este perioada de eantionare
i a
t
este timpul mort .

4.5. Eroarea de predicie

Este evident i pentru cititor c pentru caracterizarea unui model privind
abilitatea sa de a descrie datele observate avem nevoie de o msur obiectiv, cum
ar fi eroarea de predicie a modelului n cauz:
( ) ( ) u = u c , ) ( , t y t y t
Spunem c un model este bun dac ea asigur o eroare de predicie mic dac i se
aplic datele experimentale colectate. Totui rmne de vzut ce nseamn
caracterizarea eroare de predicie mic. Una dintre metodele frecvent utilizate se
refer la formarea unei norme scalare, sau altfel denumit funcie de criteriu care
conine msura erorii ( ) u c , t . O alt posibil abordare impune ca eroarea ( ) u c , t s
fie necorelat cu secvena de date experimentale. De altfel aceast condiie
reprezint anularea unor proiecii a erorii ( ) u c , t .
Secvena erorii de predicie formulat formeaz un vector n spaiul
N
9 . Ca
msur a acestuia se poate alege orice norm cvadratic sau ne-cvadratic definit
pe
N
9 . Dei ea permite o libertate considerabil n alegerea acestei norme,
anumite restricii se pot obine n urma lungimii secvenei de msurtori existente.
n acest sens fie filtrul liniar ( )
1
z F cu care eroarea de predicie filtrat devine:
( ) ( ) ( ) u c = u c

, ,
1
t z F t
F
, pentru N t , 1 =
Caz n care norma utilizat are forma:
( ) ( ) ( )
=
u c = u
N
t
F
N
N
t f
N
Z D
1
,
1
,
unde ( ) . f este o funcie scalar cu valori pozitive. Cel mai frecvent se utilizeaz
forma ptratic, foarte adecvat att din punct de vedere a analizei ct i a efortului
de calcul aferent estimrii parametrice.
( )
2
2
1
c = c f
Alte forme pentru norma definit sunt utilizate cu scopul asigurrii robusteii n
cazul unor date experimentale eronate, sau n cazul unor zgomote care
caracteristici variabile n timp, caz n care se utilizeaz cu precdere norme
variabile n timp cu funcii de ponderare explicit ( ) t N, , avnd forma:
( ) ( ) ( ) ( ) ( ) ( )

= =
u u c = u u c = u
N
t
F
N
t
F
N
N
t f t N t t f
N
Z D
1 1
, , , , , ,
1
,

Interpretarea n domeniul frecven a erorii de predicie

S considerm eroarea ptratic pentru un model liniar standard.
( ) ( ) ( ) ( )
( ) ( )
( ) ( ) ( ) ( ) ( ) ( ) ( )
( ) ( ) ( ) ( ) ( ) t u z G t y z H
t u z G z H t y z H t y
t y t y t
t
N
t f
N
Z D
N
t
N
t
F
N
N
u u =
= u u u =
= u = u c
u c = u c = u

= =

, ,
, , , 1
, ) ( ,
,
1
,
1
,
1 1 1
1 1 1 1 1
1
2
2
1
1

Fie ( ) ( )
u c = u t
N
t
j
N
t k
N
e t
N
N k E
1
2
,
1
, 2 , 1 , 0 = N k , transformata Fourier
discret a erorii de predicie ( ) u c , t . Eroarea ptratic ( )
N
N
Z D , u se poate determina
pe baza relaiei lui Parseval .
( ) ( )
=
u t
= u
1
0
2
, 2
2
1
,
N
k
N
N
N
N k E
N
Z D
Transformata erorii de predicie se poate obine ca:
( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) e + e e u e u = u e = u t
e e
N
N N
j
N
j
N N
R R U e G Y e H E N k E , , , , 2
1

unde termenii ( )
N
C
R
N
s e respectiv ( )
N
C
RN s e .

4.6. METODE DE IDENTIFICARE PARAMETRICE NERECURSVE

4.6.1. METODA DE IDENTIFICAREA A CELOR MAI MICI PTRATE
NERECURSIVE (CMMP), VARIANTA I.

Se consider modelul ARX:
) ( ) ( ) ( ) ( ) (
1 1
k e k u q q B k y q A
nk
+ =

unde
0 ) (
1 1 ) (
0
1
1 0
1
0
1
1
1
= + + + =
= + + + =

b q b q b b q B
a q a q a q A
nb
nb
na
na

Dac se scrie sub forma:
) ( ) ( ... ) ( ) ( ... ) 1 ( ) (
0 1
k e n n k u b n k u b n k y a k y a k y
b k nb k a na
+ + + + =

n cazul estimatei a celor mai mici ptrate parametrice nerecursive ( off
line Least Square Estimation, LSE ) se consider N perechi de date intrare ieire
(N>=2n) i considerm c n relaia cu diferene finite 1
0
= a rezult modelul:
|
|
|
|
|
.
|
\
|
+
+
|
|
|
|
|
|
|
|
.
|
\
|
|
|
|
|
|
.
|
\
|

+ + +

=
|
|
|
|
|
.
|
\
|
+
) (
) 1 (
) (
) ( ) ( ) ( ) 1 (
) 1 ( ) 1 ( ) 1 ( ) (
) ( ) ( ) ( ) 1 (
) (
) 1 (
) (
0
1
N e
k e
k e
b
b
a
a
n n N u n N u n N y N y
n n k u n k u n k y k y
N y
k y
k y
nb
na
b k k a
b k k a
b k k a

Y E = + X u
unde:
|
|
|
|
|
.
|
\
|
+
=
|
|
|
|
|
|
|
|
.
|
\
|
=
|
|
|
|
|
.
|
\
|

+ + +

=
|
|
|
|
|
.
|
\
|
+
=
) (
) 1 (
) (
) ( ) ( ) ( ) 1 (
) 1 ( ) 1 ( ) 1 ( ) (
) ( ) ( ) ( ) 1 (
) (
) 1 (
) (
0
1
N e
k e
k e
E
b
b
a
a
n n N u n N u n N y N y
X
N y
k y
k y
Y
nb
na
b k k a
b k k a
b k k a
u

Dimensiunea matricelor:
1 ) 1 ( ) dim(
1 ) 1 ( ) dim(
) 1 ( ) 1 ( ) dim(
1 ) 1 ( ) dim(
+ =
+ + =
+ + + =
+ =
k N E
nb na
nb na k N X
k N Y
u

Dac vom presupune c semnalul perturbator e(t) este zgomot alb, se poate
obine o estimare nemarcat a vectorului parametrilor prin minimizarea criteriului:
( ) ) ( ) ( , u u = = u X X Y Y E E Z D
T T N
N

( ) u u + u u = u X X X X
T T T T T T N
N
Y Y Y Y Z D ,
( ) 0 2 , = u u = u
c
c
X X Y Z
Y
D
N
N

Y Y
T T T T
X X X X X X
1
) (

= u u =
Deci rezult:
Y
T T
X X X
1
) (

= u

Se poate vedea c estimarea CMMP este un caz special a identificrii prin
minimizarea erorii de predicie. Este clar c proprietile estimatorului depind de
proprietile stocastice ele perturbaiei.
- Dac perturbaia ) (t e este o secven de zgomot alb { } 0 = E M , atunci este
o estimaie nemarcat.
Pentru demonstraia acestei proprieti considerm relaia estimatorului dedus, i
anume:
{ } ( ) ( ) { } ( ) ( ) { }
( ) ( ) { } ( ) { }
{ } ( ) { } u = + u =
= + u =
= + u = = u

E M M
E M M
E M Y M M
T T
T T T T
T T T T T
X X X
X X X X X X X
X X X X X X X X
1
1 1
1 1

- Eroarea estimatorului depinde de amplitudinea zgomotului:
( ) ( ) ( )
( ) ( ) ( )
( ) E X P E X X
E X X E X X X X X
E X X X Y X X
T T
T T T
T T
= =
= + = +
= + = = =

1
T
1
T
1
T
1
T
1
T
1
T
X
X X X
X X
~
u u u u
u u u u u c

- De asemenea rezult pentru dispersia estimrii: { } I E E M
T
=
2
o
{ } { } { } ( ) ( ) { }
( ) ( ) { } { } P P M X X X X X X M
X X X E E X X X M M M
T T T
T T T T T T
= = =
= = = =

2 2
1 1
2
1 1
)
~
( )
~
(
~
cov
o o o
c c u u u u u

4.6.2 METODA DE IDENTIFICAREA A CELOR MAI MICI PTRATE
NERECURSIVE VARIANTA II

Presupunnd c se dorete identificarea modelului de regresie i s-au notat:
) ( ) ( ... ) ( ) ( ... ) 1 ( ) (
0 1
k e n n k u b n k u b n k y a k y a k y
b k nb k a na
+ + + + =
) ( )] ( ) ( ) ( ) 1 ( [ ) (
0
1
k e
b
b
a
a
n n k u n k u n k y k y k y
nb
na
b k k a
+
|
|
|
|
|
|
|
|
.
|
\
|
=

)] ( ) ( ) ( ) 1 ( [ ) (
b k k a
T
n n k u n k u n k y k y k =
se caut modelul n forma:
) ( ) ( ) ( k e k k y
T
+ = u
estimaia celor mai mici ptrate se bazeaz pe minimizarea distanei pentru fiecare
estimat dintr-un ir de date.
2
1
) ) ( ) ( ( ) ( =
=
N
i
T
i i y J u u
Criteriul este o form ptratic n vectorul parametrilor, rezult c
minimizarea criteriului se poate realiza analitic.
( ) { } 0
) (
min =
c
c
u
u
u
u
J
J
=
c
c
=
c
c
=
) ) ( ) ( ( ) ) ( ) ( (
1
u u
u
i i y i i y
P
J
T
T
N
i
T

0 ) ) ( ) ( ) ( ) ( ) ( ) ( ) ( {(
1
2
= +
c
c
=
=
u u u u
u
i i i i y i y i i y
T T T
N
i
T T

rezult:
0 )} ( ) ( 2
~
) ( ) ( 2 {
1
=
=
t y t P t t
N
t
T

i datorit faptului c parametrii P
~
nu variaz n timpul estimrii se poate scrie ca
=
)
`
= =
N
i
N
i
T
i y i i i
1 1
) ( ) ( ) ( ) ( u
|
.
|
\
|

|
.
|
\
|
=
=
=
N
k i
N
k i
T
i y i i i ) ( ) ( ) ( ) (
~
1
u
Condiiile necesare i suficiente ca matricea ) ( ) (
1
i i
T
N
i

=
s fie nesingular (adic
s existe vectorul parametrilor u
~
) sunt:
Teorem:1. Dac 0 s
-
u i ) (t u este un semnal persistent de ordin u
~

{ } u u u u u
a a b b
-
= min
~
,
~
)
~
,
~
max(
~
b b a a
u u u u u = atunci matricea
0 ) ( ) (
1
>
=
N
t
t t
2. Dac 0 >
-
u i ) (t u este un semnal persistent de ordin u
~
atunci
este singular
3. Dac 0 >
-
u i ) (t u nu este un semnal permanent de ordin u
~
atunci
matricea este singular.
4. Dac 0 <
-
u i ) (t u nu este un semnal permanent atunci nu se
poate afirma nimic general.

Definiie: ) (t u se numete semnal permanent sau semnal de excitare de ordin u
dac:
( ) lim
N
t
N
u t u
=
1
i ( )
( )
( )
( )
( ) lim
N
t
N
uu
N
u t u u t u R
=
+ =
1
1
t t
s existe i matricea Teoplitz simetric:
|
|
|
|
|
.
|
\
|
=
) 0 (
...
) 2 ( ... ) 0 (
) 1 ( ... ) 1 ( ) 0 (
u
u u
u u u
u
r
n r r
n r r r
R
s fie pozitiv definit.

Exemplu 4.2: Fie un sistem de ordin I x x u = + . Dac discretizm sistemul pe baza
relaiilor:
u = =

e e
A h h 1
respectiv ( )
( ) I u = = =

A I B e e
h h 1
1 1 . Dac se alege h=1sec
rezult u = =
e
1
0386 . respectiv I = =
1 0 682
1
e . . Deci modelul de regresie este:
y y u
k k k +
= +
1
0 386 0682 . .
S considerm n continuare ieirile msurate pentru o intrare treapt unitate
u u u
0 1 3
1 = = = = : y y y y y
0 1 2 3 4
0 0632 0865 095 0982 = = = = = , . , . , . , . . S se estimeze valoarea
cea mai consistent a parametrilor de regresie:
Rezolvare:
Fie vectorul msurtorilor:
( ) ( ) ( ) ( )
t y t u t
T
= 1 1
cu care parametrii estimai devin:
( )
( )
( ) ( )
( )
( )
( )
( )
~
u =

|
\
|
.
|
(
(

|
\
|
.
|
(
(
=
=

y t
u t
y t u t
y t
u t
y t
t
N
t
N
1
1
1 1
1
1
1
1
1

~
u =
|
\
|
.
| +
|
\
|
.
| + +
|
\
|
.
|
(
(

+ + +
+ + +
|
\
|
.
|
y y u
y u u
y y u
y u u
y y u
y u u
y y y y y y
u y u y u y
0
2
0 0
0 0 0
2
1
2
1 1
1 1 1
2
3
2
3 3
3 3 3
2
1
0 1 1 2 2 3
0 1 1 2 2 3

~
. .
.
.
.
. .
. .
.
.
.
.
u =
|
\
|
.
|
|
\
|
.
| =

|
\
|
.
|
|
\
|
.
| =
|
\
|
.
|
2 05 2 447
2 447 4
2 301
3428
1808 1106
1106 0927
2 301
3428
0 368
0632
1

fa de valorile reale: u =
|
\
|
.
|
0 368
0 682
.
.

4.6.3. Estimatorul Markov

La metodele c.m.m.p. la alegerea funciei de criteriu vectorul erorii ptratice nu a fost
ponderat, adic matricea de ponderare este matricea de identitate. Dac aceast matrice nu
este matricea de identitate (I) atunci avem de a face de o metod c.m.m.p. ponderat.
Fie sistemul caracterizat de :
E X Y + = u
i alegem criteriul ptratic :
( ) ) ( ) ( u u u = X Y R X Y J
T

Este necesar folosirea unei matrice de ponderare pentru c vrem s determinm vectorul
parametrilor estimai care s aproximeze ct mai bine vectorul parametrilor reali, pentru
aceasta trebuie c dispersia estimatorului s fie ct mai mic.
Cutm minimul criteriului.
( ) { } 0
) (
min =
c
c
u
u
u
u
J
J
( ) Y R X X R X
T T
=
1
u
Se poate verifica proprietile
1. Linearitate
( ) ( ) Y Q Y R X X R X
T T
= =
1
~
u
apare o dependen liniar n funcie de vectorul de ieire
2. Media estimatorului
Dac E este un zgomot alb:
1. { } 0 = E M
2. intercorelaiaO
{ } ( ) ( ) { } ( ) ( ) ( ) { }
( ) { } ( ) { } { } u u u
u u
= + = + =
= + = =

0
~
1 1
1 1
M E R X X R X M X R X X R X M
E X R X X R X M Y R X X R X M M
T T T T
T T T T

dac zgomotul este alb estimatorul este nedeviat.
3. Eroarea estimatorului
( ) ( ) ( )
( ) ( ) ( )
( ) E Q E R X X R
E R X X R E R X X R X R X X R
E X R X X R Y R X X R
T
T T T
T T
= =
= + = + =
= + = = =

1
T
1
T
1
T
1
T
1
T
1
T
X
X X X
X X
~
u u u u
u u u u u c

eroarea este proporional cu zgomotul
4. Dispersia estimatorului
Notm matricea de dispersie a zgomotului: { } I E E M N
T
= =
2
o
i fie matricea de ponderare o matrice diagonal i simetric: I r R =
2

{ } { } { }
( ) ( ) { }
( ) ( ) { } { } P M r X R X X R R X X R X M
X R X X R E E R X X R X M
M M
T T T T
T T T T
T T
= =
=
= = =

2 2
1 1
2
1 1
)
~
( )
~
(
~
cov
o o
c c u u u u u

Dac matricea de ponderare este
} { }
~
cov{
1
2
2 2 1
P M r I N R = = = =

u
o
o
Dac aa se alege matricea de ponderare atunci considerm c avem un estimator Markov,
care este un estimator de dispersie minim. Deci pentru acest estimator avem nevoie de
matricea de dispersie a zgomotului. Se poate demonstra c din clasa estimatoarelor de
dispersie minime la acest estimator dispersia este cea mai mic.
Demonstraia se face cu inegalitatea Shwartz:
( ) ( ) ( ) B A A A A B B B
T T T T
>
1

..........................................

4.7 Metode de albire a zgomotului

4.7 .1 Metoda celor mai mici ptrate generalizat

Aceast metod transform un sistem afectat de zgomot colorat ntr-un sistem
echivalent afectat de zgomot alb, cruia i se poate aplica estimatorul celor mai mici
ptrate. Operaia se cheam operaie de filtrare i sistemul obinut este un sistem
filtrat. Aceast metod se poate aplica unui sistem cu un model reprezentat n figura
urmtoare.

Presupunnd un sistem afectat de zgomot:

) ( ) ( ) ( ) ( ) (
1 1
k e nk k u q B k y q A + =

Pornim dintr-o form mai special a modelului ARMAX:
) ( ) ( ) ( ) ( ) ( ) (
1 1 1
k r q A nk k u q B k y q A + =

unde r(k) est un zgomot colorat care poate fi obinut din zgomot alb:
) (
) (
) (
) (
1
1
k w
q C
q D
k r =

unde w(k) este un semnal zgomot alb

Dac nlocuim n relaia modelului obinem
) (
) (
) (
) ( ) ( ) ( ) ( ) (
1
1
1 1 1
k w
q C
q D
q A nk k u q B k y q A + =

Fie
=

) (
) (
) ( ) (
1
1
1 1 1
q C
q D
q A q F

adic

) ( ) ( ) ( ) ( ) ( ) (
1 1 1 1
k w q F nk k u q B k y q A + =

nmulim aceast relaie cu polinomul ) (
1
q F i obinem
) ( ) ( ) ( ) ( ) ( ) ( ) (
1 1 1 1
k w nk k u q F q B k y q F q A + =

Introducem notaiile:
) ( ) ( ) (
) ( ) ( ) (
1
1
k u q F k u
k y q F k y
f
f
=
=

i obinem modelul de regresie de tip ARX
) ( ) ( ) ( ) ( ) (
1 1
k w n k u q B k y q A
k f f
+ =

e(k)
zg.colorat
w(k)
zgomot alb
) (
1 1
q F
Parametrii acestui model deja poate fi cu metoda LSE deja demonstrat (modelul este perturbat de zgomot
alb), adic:
( ) ( )
f
T
f f
T
f f f
Y X X X W X Y = + =
1 ~
u u
Reprezentnd schematic acest proces:

Se pune problema determinrii parametrii filtrului. Aceste valori vor fi determinate tot cu o metod LSE
Fie:
nf
nf
q f q f f q F

+ + + =
1
1 0
1
) (
i notm:
F
E W u =
unde
W- vectorul care conine valorile discrete la un zgomot alb
E- este o matrice care se construiete din zgomotul colorat (vezi matrice X)
F
vectorul parametrilor polinomului F
n acest caz criteriul de calitate va fi:
( ) ( )
F
T
F F
E W E W J u u u = ) (
la care trebuie s determinm minimul:
w(k)
e(k)
u(k)
Process
F(q
-1
)
F(q
-1
)

F
-1
(q
-1
)

B(q
-1
)

A(q
-1
)

uf(k)
y(k)
yf(k)
w(k)
( ) { } 0
) (
min =
c
c
F
F
F
J
J
F u
u
u
u

i obinem pentru vectorul parametrilor estimai:
( ) ( ) W E E E
T T
F
=
1
~
u
Algoritmul:
0. Msurarea semnalelor de intrare i de ieire. Determinarea structurii modelului (n
a
, n
b
, n
k
) respectiv
gradul polinomului de filtrare (n
f
).
1.Pe baza datelor msurate se determin parametrii modelului ARX.
( ) ( ) Y X X X
T T
=
1
~
u
2. Determinm vectorul de zgomot i verificm dac este sau nu un semnal zgomot alb?
) ( ) ( ) ( ) ( ) (
1 1
nk k u q B k y q A k e =

Obs. Funcia de intercorelaie la un semnal zgomot alb tinde semnal Dirac
Dac e(k) este zgomot alb atunci identificarea se consider terminat, dac nu atunci se trece la pasul
3.

3. Din datele calculate e(k) se construiete matricea E , numrul liniilor depinde de numrul
msurtorilor iar numrul coloanelor depinde gradul polinomului de filtrare.
4. Determinm parametrii filtrului:
( ) ( ) W E E E
T T
F
=
1
~
u
5. Cu filtrul determinat filtrm datele msurate:
) ( ) ( ) (
) ( ) ( ) (
1
1
k u q F k u
k y q F k y
f
f
=
=

6. Construim matricele X
f
i Y
f
i estimm din nou parametrii modelului ( vezi pasul 1.). XX
f
i
YY
f.

4.7 .2 Metoda variabilei instrumentale (IV)

Albirea semnalului perturbator este posibil i cu ajutorul metodei
cunoscute sub denumirea estimare cu matricea instrumental ( Instrumental
Variable Method ). S considerm modelul parametric:
) ( ) ( ) ( ) ( ) (
1 1

care se poate transforma n:
( ) ( ) ( ) ( ) ( )
( ) ( ) ( ) t e n n t u b n t u b
n t u b n t y a t y a t y a t y
b k m k
k a n
+ + + +
+ + =
1
2 1
1
0 2 1

unde ( ) e t este o secven de zgomot colorat.
Avnd N ecuaii pentru cele N eantioane separate, acest sistem se poate scrie i
sub urmtoarea form matricial.
Y E
N
= + X u
nmulind sistemul din stnga cu o matrice, denumit matrice instrumental
de dimensiune corespunztoare se obine:
T
N
Y E = + X u ( ) u u u
T
N
T T
Y E = + X u
Dac produsul ( ) u
T
X nu este singular rezult pentru vectorul parametrilor:
( ) ( )
u =

u u u u
T T
N
T T
Y E X X
1 1

Matricea
T
se caut ntr-o form n care estimata parametric u s fie definit
ca:
( )
N
T T
Y X u u =
1 ~
u
n cazul n care toate componentele vectorului E sunt independente, se
poate aplica metoda celor mai mici ptrate, caz n care matricea instrumental
devine matricea X (matricea msurtorilor)
Se poate arta (demonstra) proprietatea urmtoare:
Dac matricea satisface urmtoarele condiii
1) 0
1
lim u

E
N
T
N
tinde n probabilitate ctre un vector cu componente
nule

2) Q X
N
T
N
u

1
lim tinde n probabilitate ctre o matrice nesingular
atunci
Alegerea matricei instrumentale:
1. Dac sistemul este perturbat de un semnal zgomot alb:
X = u
2. Dac sistemul este perturbat de un semnal zgomot colorat atunci matricea
instrumental va fi asemntoare cu matricea msurtorilor, unde valorile
de ieire vor fi ntrziate
|
|
|
|
|
.
|
\
|
= u
|
|
|
|
|
.
|
\
|
=
+

+
i k i k
i k i k
k k
k k
y y
y y
y y
y y
X
1
1
1
1

Exemplul:


4.8. METODE DE IDENTIFICARE PARAMETRICE RECURSIVE
(ON LINE)

4.8.1. Consideraii generale

Aceste metode au o importan decisiv n cea ce privete problemele de
conducere on line a proceselor n special n cadrul structurii de conducere
adaptive. Se presupune c pe baza unor k date disponibile msurate se obine
estimaia parametrilor
k
u
~
. ntre timp apare i msurtoarea la momentul k+1.
Se pune problema determinrii lui
1
~
+ k
u . La metodele off-line pentru acest calcul
trebuie prelucrat ntreg irul de date i tot efortul de calcul depus pentru calcularea
lui
k
u
~
se pierde. Se pune problema: de ce nu putem s aplicm metodele off-line n
timpul funcionrii sistemului ? Pentru c timpul de calcul este mult mai mare
dect timpul de eantionare cu care culegem datele msurate.
Proprietile estimatoarelor on-line:
- metodele on-line furnizeaz un ir de valori ale estimatorului
,....
~
,
~
,
~
2 1 0
u u u i nu o singur valoare ca la metodele off line u
~
.
- la aceste metode calculare noului vector estimat se face prin
modificarea vectorului determinat n pasul anterior
- cerinele de memorie i de calcul sunt mult reduse fa de metodele
off-line
- la aceste metode avem posibilitatea colectrii datelor msurate pn
la atingerea unei anumite precizii a parametrilor (n cazul n care
procesele sunt lent variabile n timp atunci pot fi urmrite variaiile
parametrilor).
Algoritmul recursiv se va numi algoritm n timp real, dac n afara proprietii de
recursivitate are capabilitatea de a urmrii n timp real variaiile lente parametrilor
procesului.

Observaii: Reducerea volumului de calcul i implicit de memorie se face cu preul
unor precizii mai mici fa de metodele nerecursive. Astfel putem s spunem c
metodele on-line sunt numai o aproximaie fa de cele off-line. Forma general a
algoritmului este:

) 1 (
~ ~
1
+ + =
+
k S
k k
u u
1
~
+ k
u - vectorul determinat n momentul k+1
k
u
~
- vectorul determinat n momentul k
S(k+1)- termenul de corecie care trebuie s conine valorile msurate la momentul
k+1 ( i nc ctva valori msurate la momentele precedente, care depinde de tipul i
structura modelului identificat). Este necesar ca acest termen s fie ct mai uor de
calculat..

4.8.2 ESTIMATORI CMMP RECURSIVI (MODELUL ARX)

Considerm sistemul caracterizat de :
) ( ) ( ) ( ) ( ) (
1 1

Presupunem c pe baza a n date msurate am realizat o identificare off-line i am
obinut:
( ) ( )
n
T
n n
T
n n
Y X X X =
1
~
u
Unde dimensiunea matricelor i vectorilor
1 ) 1 ( ) dim(
) 1 ( ) ( ) dim(
1 ) ( ) dim(
+ + =
+ + =
=
nb na
nb na n X
n Y
n
n
n
u

Liniile matricei X notm cu vectorul (k), astfel:
|
|
|
|
|
|
|
|
.
|
\
|

=
|
|
|
|
|
.
|
\
|
=
|
|
|
|
|
.
|
\
|
=
) (
) (
) (
) 1 (
) (
) (
) 2 (
) 1 (
) 1 (
) 1 (
) 0 (
b k
a
n
T
T
T
n
n n k u
nk k u
n k y
k y
k
n y
y
y
Y
n
X

Notm acum vectorul parametrilor estimai pe baza a n+1 date msurate :
( ) ( )
1 1
1
1 1 1
~
+ +
+ + +
=
n
T
n n
T
n n
Y X X X u
unde
|
|
.
|
\
|
=
+
) (
1
n
X
X
T
n
n

|
|
.
|
\
|
+
=
+
) 1 (
1
n y
Y
Y
n
n
.
Notm matricea de dispersie a parametrilor
( )
1
=
n
T
n n
X X P
i determinm relaia recursiv:
( ) | | ( )
1 1
1 1 1
) ( ) (
) (
) (
1
+ + +
+ =
|
|
.
|
\
|
(
= =

n n X X
n
X
n X X X P
T
n
T
n T
n T
n n
T
n n

Folosim urmtoarea relaie matricial:
( )
1 1 1 1 1
1
) (

+ = + a b b a b I b a a b b a
T T T

n cazul nostru:
) (n b X X a
n
T
n

Deci:
( ) ( ) ( ) ( )
1
1
1 1 1
1
) ( ) ( ) ( ) (

+
|
.
|
\
|
+ =
n
T
n
T
n
T
n
T
n
T
n n
T
n n
X X n n X X n I n X X X X P
Lund n considerare c (k) este un vector coloan obinem:
n
n
T
T
n
n
P
n P n
n n P
I P
+

=
+
)
) ( ) ( 1
) ( ) (
(
1

Considerm acum relaia de calcul pentru vectorul parametrilor:
( ) ( ) | |
(
+
= =
+ + +
+ + +
) 1 (
) (
~
1 1 1
1
1 1 1
n y
Y
n X P Y X X X
n T
n n n
T
n n
T
n n
u
Efectund calculele matematice i nlocuind expresia lui P
n+1
obinem:
) ( ) ( 1
~
) ( ) 1 (
) (
~ ~
1
n P n
n n y
n P
n
T
n
T
n n n

u
u u
+
+
+ =
+

Introducem notaia:
) ( ) ( 1
) (
1
n P n
n P
K
n
T
n
n

+

=
+

) 1 (
~
) 1 (
~
) ( ) 1 (
~
1
+ + = + =
+
n y n y n n y
n
T
n
u c
Deci vectorul n momentul n+1 poate fi obinut prin modificare vectorului
determinat n momentul n, iar aceast modificare este proporional cu eroarea de
estimare..
Termenul ) 1 (
~
~
) ( + = n y n
n
T
u este valoarea de predicie a ieirii y(n+1) . Astfel
algoritmul on-line LSE are forma :
0. Alegerea structurii modelului : (k) . Alegerea valorilor iniiale
0 0
, P u . 0 = n .
1. Msurarea semnalului de intrare i de ieire, construirea vectorului (n) .
2. Calcularea erorii de estimare:
n
T
n
n n y u c
~
) ( ) 1 (
~
1
+ =
+

3. Calcularea matricei de amplificare:
) ( ) ( 1
) (
1
n P n
n P
K
n
T
n
n

+

=
+

4. Actualizarea matricei de dispersie:
n
T
n n
P n K I P =
+ +
)) ( (
1 1

5. Calcularea vectorului parametrilor estimate:
1 1 1
~
~ ~
+ + +
+ =
n n n n
K c u u
napoi la pasul 1, 1 + = n n .

Exemplul 4.2 Fie urmtorul sistem
u x x + =
care pentru timpul de eantionare de 1 = h sec, ne furnizeaz teoretic matricele de
stare i de comand:
632 , 0 1 ) (
368 , 0
1 1
1
= = u = I
= = u

e B I A
e

Dac presupunem o secven de msurtori
982 . 0 , 95 . 0 , 865 . 0 , 632 . 0 , 0
4 3 2 1 0
= = = = = x x x x x 999 . 0 , 998 . 0 , 993 . 0
7 6 5
= = = x x x pentru
o comand constant 1 = u , la valori de intervale k h k t
k
= = . S se determine
valorile parametrilor printr-o estimare CMMP recursiv.
Rezolvare: S considerm o estimare CMMP recursiv de un pas pentru un model
recursiv de forma
=
= +
+ = +
T
T
t u t y t
t t t y
t u b t y a t y
)) ( ) ( ( ) (
) (
~
) ( ) 1 (
) ( ) ( ) 1 (
1 1
u

Se eantioneaz ca valoare de pornire 0 ) 0 (
~
= u
pas I.
( ) 632 . 0
0
0
1 0 632 . 0 ) 0 (
~
) ( ) 1 ( ) 1 (
0
=
|
|
.
|
\
|
= = u c t y
T

( )
( )
|
|
.
|
\
|
=
|
|
.
|
\
|
|
|
.
|
\
|
=
|
|
.
|
\
|
+
|
|
.
|
\
|
|
|
.
|
\
|
|
|
.
|
\
|
=
5 . 0 0
0 1
1 0
0 0
2
1
1 0
0 1
1
0
1 0 1
1 0
0 1
1 0
1
0
1 0
0 1
) 1 (
2
I
I F
|
|
.
|
\
|
=
|
|
.
|
\
|
=
|
|
.
|
\
|
|
|
.
|
\
|
+
|
|
.
|
\
|
=
312 , 0
0
632 , 0
5 , 0
0
632 , 0
1
0
5 , 0 0
0 1
0
0
) 1 ( u

pas II.
553 . 0 312 . 0 865 . 0
312 , 0
0
1
632 . 0
865 . 0 ) 2 (
0
= =
|
|
.
|
\
|
|
|
.
|
\
|
=
T
c
( )
( )
|
|
.
|
\
|

=
|
|
.
|
\
|
|
|
.
|
\
|
+
|
|
.
|
\
|

|
|
.
|
\
|
|
|
.
|
\
|
|
|
.
|
\
|
=
368 . 0 166 . 0
166 . 0 79 . 0
1
632 , 0
5 , 0 0
0 1
1 632 , 0 1
5 , 0 0
0 1
1 632 , 0
1
632 , 0
5 , 0 0
0 1
5 , 0 0
0 1
) 2 ( F
|
|
.
|
\
|
=
|
|
.
|
\
|
|
|
.
|
\
|

+
|
|
.
|
\
|
=
46 , 0
183 . 0
553 . 0
1
632 . 0
368 , 0 166 . 0
166 . 0 79 . 0
312 . 0
0
) 2 ( u

Pas III.
|
|
.
|
\
|
=
|
|
.
|
\
|

= =
505 . 0
286 . 0
) 3 ( ,
338 . 0 235 . 0
235 . 0 63 , 0
) 3 ( , 332 . 0 ) 3 (
0
u c F

Pas IV.
|
|
.
|
\
|
=
|
|
.
|
\
|

= =
521 . 0
337 . 0
) 4 ( ,
329 . 0 264 . 0
264 . 0 539 . 0
) 4 ( , 205 . 0 ) 4 (
0
u c F

Pas V.
|
|
.
|
\
|
=
|
|
.
|
\
|

= =
528 . 0
365 . 0
) 5 ( ,
325 . 0 278 . 0
278 . 0 486 . 0
) 5 ( , 141 . 0 ) 5 (
0
u c F

pas VI.
|
|
.
|
\
|
=
|
|
.
|
\
|

= =
532 . 0
383 . 0
) 6 ( ,
323 . 0 286 . 0
286 . 0 453 . 0
) 6 ( , 108 . 0 ) 6 (
0
u c F

4.8.3 Iniializarea algoritmului

Algoritmul prezentat are un dezavantaj i anume necesitatea alegerii valorilor iniiale.
0
u - valoarea iniial a parametrilor
0
P - valoarea iniial a matricei de dispersie
Teoretic alegerea valorilor iniiale nu influeneaz n mod asimptotic convergena.
Totui o alegere bun a valorii iniiale, adic o valoare apropiat de valorile reale, va
influena clar comportarea tranzitorie a algoritmului, viteza de convergena este mult
sporit. Mai mult iniializarea capt o importan deosebit n cazul existenei mai multor
puncte de convergene.
Dac nu se dispune de nici o informaie aprioric despre aceste mrimi atunci alegerea
natural pentru vectorul parametrilor este:
0
0
= u
Pentru a indica incertitudinea mare a valorilor iniiale la matricea de dispersie vom
alege o matrice diagonal unde valorile care sunt pe diagonala principal sunt valori mari.
I P =
0
unde 0 >>
Obs. Este evident necesitatea realizrii unui compromis n alegerea lui , care pe de
o parte trebuie s aib valori mari pentru o estimare corect, dar nu foarte mari pentru a
nu produce instabilitate numeric. Astfel se recomand: 100 = . Aceste valori au fost
propuse din considerente euristice, dar se poate demonstra c aceste valori iniializeaz
corect algoritmul c.m.m.p.r.

4.5.1. Algoritmul recursiv n timp real (Real Time Recursive algorithm)

Algoritmul prezentat poate fi utilizat cnd parametrii de estimare sunt necunoscute dar
constante n timp. n unele situaii ns parametrii supui identificrii variaz lent.
Algoritmul on-line n care toate msurtorile u(k) i y(k) sunt egal ponderate nu poate s adapteze
acestei situaii. n astfel de situaii este util utilizarea unor factori de ponderare cu scopul ca cele mai
recente msurtori s influeneze semnificativ rezultatele. Adic msurtorile mai vechi s fie deponderate
n favoarea celor mai recente.
Matematic acest lucru se poate rezolva dac se folosete un criteriu ponderat.

)
`
=
=
n
j
j n
j
1
2
) ( min
~
c u
u
unde
i
n
j i
j

=
[ = iar
i
este factorul de uitare.
n acest caz algoritmul devine:
0. Alegerea structurii modelului : (k) . Alegerea valorilor iniiale
0 0
, P u . 0 = n .
3. Msurarea semnalului de intrare i de ieire, construirea vectorului (n) .
4. Calcularea erorii de estimare:
n
T
n
n n y u c
~
) ( ) 1 (
~
1
+ =
+

3. Calcularea matricei de amplificare:
) ( ) (
) (
1
n P n
n P
K
n
T
n
n
n

+

=
+

4. Actualizarea matricei de dispersie:
n
T
n
n
n
P n K I P =
+ +
)) ( (
1
1 1

6. Calcularea vectorului parametrilor estimate:
1 1 1
~
~ ~
+ + +
+ =
n n n n
K c u u
napoi la pasul 1, 1 + = n n .

Obs. Dac parametrii sistemului variaz lent i continuu atunci factorul de uitare poate s fie constant
i
i
= i ] 1 , 0 ( e . Se poate demonstra c dac criteriul este de forma
=
=

n
j
j n
j J
1
) , ( ) ( u c u atunci pentru calcularea vectorului de parametrii folosim numai aprox.
1
1
date msurate, iar restul datelor nu influeneaz semnificativ rezultatul. n practic se folosete
pentru aceast valoare ( ) 99 . 0 85 . 0 e .
Obs.
dac =1 algoritm on-line (ponderile sunt egale)
- ha <<1 valorile actuale au o pondere mare fa de cele vechi astfel convergena algoritmului este
slab.
4.8.4.

5. ESTIMATORI DE STARE

.5.1 INTRODUCERE

n istoria tiinei i tehnicii se gsesc nenumrate exemple n care se utilizeaz
filtrarea anumitor caracteristici. Filtrarea apelor n vederea eliminrii impuritilor este
una din cele mai simple. Totui cred c mult mai elocvent este exemplul filtrrii
zgomotelor de fond n comunicaia noastr de toate zilele. i anume fiecare om este
capabil s asculte i s se concentreze asupra unor sunete importante ca vorbirea,
eliminnd zgomotele de fond cum ar fi traficul sau alte zgomote din viaa cotidian. i
din tehnic gsim multe exemple unde filtrarea aduce beneficii. Comunicaiile radio-TV
sau chiar de Internet, necesit aceste filtrri n vederea creterii calitii raportului semnal
zgomot astfel fiind posibil implementarea unei comunicaii mai sigure sau mrirea
vitezei de comunicaie. Un alt exemplu
Comanda automat modern a proceselor industriale - care sunt procese continue
n timp - se asigur prin intermediul calculatoarelor numerice de proces.

n problema estimrii vectorului de stare x, n dimensional al unui sistem dinamic
avnd o comand u, m dimensional, ieirea y fiind un vector p dimensional unde
sistemul este perturbat de vectorii w i v, se utilizeaz urmtorul model matematic:
( )
( )
x x u k w
y x k v
k k k k
k
k k
+
=
=
1
f
h
, , ,
, ,

Obiectivul imediat al estimrii se rezum la determinarea estimatei
~
x
k
a vectorului de
stare nemsurabil x
k
.

.5.2 PREDICIE I FILTRAJ N PROCESE ALEATOARE

S considerm urmtoarele notaii:
( ) ( ) ( ) ( ) H s h t h t e dt
st
= =

}
L
0

( ) ( ) H j h t e dt
j t
e
e
=

}
0

Dac sistemul dinamic este stabil rezult condiia:
( ) h t e dt
st
<
}
0

Ieirea sistemului se poate obine din produsul de convoluie:
( ) ( )
( ) ( ) ( ) ( ) y t h t u d h u t d h u t d
t
t
t t
t t
( ) = = =
} } }
t t t
0 0
0
0
0

deci n cazul sistemelor invariante ( t
0
) se obine:
( ) ( ) ( ) ( ) y t h t u d h u t d
t
t
t
t
t t
( ) lim lim = =

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

Dac ( ) h t = 0 pentru t < 0 avem:
( ) ( )
( ) ( ) y t h t u d h u t d ( ) = =
} }
t t t
S presupunem c semnalul de intrare u(t) este produs de un proces aleator staionar
mrginit cu sperana ( ) { } M u t const = , caz n care avem:
( ) ( ) y t h u t d ( ) = <
}

{ } ( ) ( ) { } ( ) M y t h M u t d const h d ( ) = =
} }

S presupunem n continuare c semnalul de intrare are media nul ( ) { } M u t = 0. n acest
caz funciile de autocorelaie sunt:
( ) ( ) ( )
{ } ( ) ( ) ( ) ( )
( ) ( ) ( )
R M y t y t M h u t h u t d d
h h R d d
yy
uu
t t q t q q
q t q q
= + = +
=
= +
} }
} }

Baznd pe relaiile Wiener-Hincsin:
( ) ( )
( ) ( )
S j R e d
R S j e d
zz zz
j
zz zz
j
e t t
t
t
e e
et
et
=
=
}
}
1
2

S considerm transformata Fourier a funciei de autocorelaie determinat:
( ) ( ) ( ) ( ) S j h h R e d d d
yy uu
j
e q t q t q
et
= +
} } }

S efectum schimbarea de variabil: t q = + cu care rezult:
( ) ( ) ( ) ( ) S j h e h e R e d d d
yy
j j
uu
j
e q q
e eq e
=

} } }

( ) ( ) ( ) ( ) ( ) ( ) S j H j H j S j H j S j
yy uu uu
e e e e e e = =
2

Deci spectrul de putere al ieirii este produsul spectrului de putere al semnalului de
intrare i a ptratului amplitudinii funciei de transfer. Aceast relaie permite
determinarea dispersiei ieirii dac se utilizeaz transformata invers din relaia Wiener-
Hincsin.
( )
{ } ( ) ( ) ( ) M y t S j d H j S j d
yy uu
2
2 1
2
1
2
= =
} }
t
e e
t
e e e
S presupunem n continuare c semnalul de intrare este de tip special, un zgomot alb,
adic are un spectru de putere constant.
( ) ( ) u t w t = ( ) ( ) R F
ww
t o t =
unde F reprezint intensitatea zgomotului alb.
( ) ( ) ( ) S j S j F e d F
uu ww
j
e e o
e
= = =
}

Deci pentru orice frecven puterea componentelor pariale ale semnalului tip zgomot alb
este acelai F.

.5.3. METODA KOLMOGOROV-WIENER. PROCESE ALEATOARE STAIONARE

Fie procesul aleator monovariabil:
( ) ( ) ( ) y t v t w t = +
unde ( ) v t reprezint componenta util a ieirii iar ( ) w t reprezint perturbaia unui proces
aleator staionar. Scopul procesului de filtrare este de a transforma (n particular de a
reproduce) cu cea mai mare precizie posibil semnalul util ( ) v t . Dac ( ) h t reprezint
funcia pondere ieirea procesului se poate obine din produsul de convoluie:
( ) ( ) y t h u t d ( ) =
}
t t t
Vom considera c dac un filtru are rolul de a prezice semnalul util ea trebuie s asigure
la momentul t cea mai bun aproximare n sensul minimizrii dispersiei erorii a lui
( ) v t + q unde q = const. n cazul q> 0problema reprezint o predicie, iar n cazul
q = 0 ea reprezint o problem de filtraj.
S considerm eroarea de estimare n forma:
( ) ( ) ( ) c q t v t y t = +
unde ieirea se poate exprima cu ajutorul produsului de convoluie:
( ) ( ) ( ) ( ) c q t t t t v t h u t d = +
}

Dispersia erorii adic eroarea ptratic este:
( )
{ } ( ) ( ) ( ) M t M v t h u t d c q t t t
2
2
= +
|
\
|
.
|
|
}

( )
{ } ( ) ( ) ( ) ( ) ( ) ( )
( ) { }
( ) ( ) ( )
{ }
( ) ( ) ( ) ( )
M t M v t v t h u t d h u t d
M v t h M v t u t d h h u t u t d d
c q q t t t t t t
q t q t t t 0 t 0 t 0
2 2
2
2
2
2
= + + +
|
\
|
.
|
|
|
\
|
.
|
|
=
= + + +
} }
} } }

Dac valorile ( ) u t i ( ) v t sunt semnale staionare cu medie nul, rezult:
( )
{ }
( ) ( ) ( ) ( ) ( ) ( ) M t R h R d h h R d d
vv vu uu
c t t q t t 0 t 0 t 0
2
0 2 = + +
} } }

S considerm perturbaia funciei de pondere n forma:
( ) ( ) ( ) h h t t _ t = +
-

Ea are ca efect perturbarea dispersiei n forma:
( )
{ }
( )
{ }
( ) ( ) ( )
( ) ( )
( ) ( )
( )
( ) ( )
( )
( )
M t M t R h R d
h h R d d
vv vu
uu
c o c t _ t t q t
t _ t 0 _ 0 t 0 t 0
2 2
0 2 + = + + +
+ + +
-
}
} }

Considernd condiiile ( ) h
-
= t 0 i ( ) _ t = 0, i efectund calculele se obine:
( )
{ }
( )
{ }
( ) ( ) ( ) ( ) ( ) ( )
( ) ( ) ( ) ( ) ( )
( ) ( ) ( )
M t M t R h R d h h R d d
h R d d R d
R d d
vv vu uu
uu vu
uu
c o c t t q t t 0 t 0 t 0
_ t 0 t 0 t 0 _ t t q t
_ t _ 0 t 0 t 0
2 2
0 0 0
0 0 0
2
0 0
0 2
2
+ = + + +
+ +
(
(
+
+
-
-

} } }
} } }
} }

Sau ordonnd dup puterile lui rezult:
( )
{ }
( )
{ }
( ) ( ) ( ) ( ) ( ) ( )
( ) ( ) ( ) ( )
( ) ( ) ( )
M t M t R h R d h h R d d
R h R d d
R d d
vv vu uu
vu uu
uu
c o c t t q t t t t 0 t 0
_ t t q 0 t 0 0 t
_ t _ t t 0 t 0
2 2
0 0 0
0 0
2
0 0
0 2
2
+ = + +
+
(
(
+
+
-

} } }
} }
} }

Vom considera ca filtrul optimal asigur extremul (minimul) dispersiei pentru = 0,
adic rezult condiia:
( ) ( ) ( ) ( ) ( ) ( )
( ) ( ) ( ) ( )
( ) ( ) ( )
c
c
t t q t t t t 0 t 0
_ t t q 0 t 0 0 t
_ t _ t t 0 t 0
R h R d h h R d d
R h R d d
R d d
vv vu uu
vu uu
uu
0 2
2 0
0 0 0
0 0
2
0 0
0
+ +
+
(
(
+
+
(
(
(
(
(
(
(
(
(
=
-

=
} } }
} }
} }

De unde rezult:
( ) ( ) ( ) ( ) _ t t q 0 t 0 0 t +
(
(
=
} }
0 0
0 R h R d d
vu uu

Relaie care valabil pentru orice funcie perturbatoare ( ) _ t . Astfel pe baza lemelor
urmtoare rezult relaia filtrului cutat, denumit ecuaia integral a lui Wiener.
( ) ( ) ( ) R h R d
vu uu
t q 0 t 0 0 + =
-
}
0

Lemma 3.1 Fie h(t) o funcie continu pe poriuni definit pe intervalul [t
0
,t
1
] i s
presupunem c:
h t t dt
t
t
( ) ( ) =
}
o 0
0
1

pentru orice funcie continu pe poriuni o(t) de pe intervalul [t
0
,t
1
] astfel nct:
o( ) t dt
t
t
0
1
0
}
=
Atunci rezult c funcia h(t) este constant, i anume:
h t c ( ) =
| |
t t t e
0 1
,
Demonstraie: Deoarece h(t) este o funcie continu pe poriuni exist o valoare
constant e9 astfel nct:
( ) h t dt t t
t
t
( )
0
1
1 0
}
=
nglobnd constanta n integral se obine:
( ) h t dt
t
t
( ) =
}

0
1
0
Deci funcia continu pe poriuni o(t)=h(t)- satisface condiia (3. ) i conform
ipotezei (3. ) rezult:
( ) h t h t dt
t
t
( ) ( ) =
}

0
1
0
Pe de alt parte prin nmulirea relaiei (3. ) cu constanta - se obine:
( ) =
}
h t dt
t
t
( ) 0
0
1

De unde rezult identitatea:
( ) h t dt
t
t
( ) =
}

2
0
1
0
Funcia ( ) h t ( )
2
fiind pozitiv rezult relaia cutat:
h t ( ) =
Lemma 3.2 Fie h(t)e9
n
o funcie vectorial continu pe poriuni definit pe
intervalul [t
0
,t
1
] i s presupunem relaia:
h t t dt
t
t
( ), ( ) o =
}
0
0
1

pentru orice funcie vectorial continu pe poriuni o(t)e9
n
de pe intervalul [t
0
,t
1
],
atunci rezult c funcia h(t) este nul, i anume:
h t ( ) = 0
| |
t t t e
0 1
,
Demonstraie: n prima etap s presupunem c funcia vectorial o(t) se poate
exprima n forma:
o
o
o
o
( )
( )
( )
( )
t
t
t
t
n
=
(
(
(
(
+
(
(
(
(
+ +
(
(
(
(
1
2
0
0
0
0
0
0

unde:
o
1
0
1
0 ( ) t dt
t
t
}
= o
2
0
0
1
( ) t dt
t
t
=
}
. o
n
t
t
t dt ( ) =
}
0
0
1

rezult :
h t t dt
t
t
1 1
0
0
1
( ) ( ) =
}
o
deci conform lemmei 3.1
h t
1 1
( ) =
Iar dac se alege o
1 1
( ) t = , rezult:
( )
( )
h t t dt h t t h t t h t t dt dt dt
n n n
t
t
t
t
t
t
t
t
( ), ( ) ( ) ( ) ( ) ( ) ( ) ( ) , o o o o = + + + = + + = =
} } } }
1 1 2 2 1
2
2
2 2
0
1
0
1
0
1
0
1
0
deci n final obinem h(t)= =0.
n cazul q = 0 obinem problema filtrrii, adic:
( ) ( ) ( ) R h R d
vu uu
t 0 t 0 0 =
-
}
0

.5.4. OBSERVATORI DE STARE

Dac un sistem este asimptotic stabil, atunci traiectoria strilor, pentru orice
perturbaie iniial tinde asimptotic ctre valoarea zero. Aceast comportare
sugestioneaz o structur de estimare simpl, n care eroarea dintre ieirea msurat
y
k
, i ieirea estimat
~
y
k
se utilizeaz pentru corecia modelului.

Structura observatorului (n cazul discret) astfel definit este descris de modelul:
( )
~ ~
~ ~
x x u K y y
y H x
k k k k k k k k
k k k
+
= + +
=
1
u I

Dac eroarea de estimare n iteraia k se noteaz cu e
k
, sistemul care descrie
comportarea dinamic a acestei erori este:
( ) e K H e
k k k k k +
=
1
u
Baznd pe urmtoarea teorem se poate arta c matricea de amplificare K
k
, asigur
plasarea arbitrar a polilor ecuaiei de estimare.
Teorem
Dac un sistem este complet observabil, atunci exist o matrice K
k
astfel nct
polii
ecuaiei erorii de estimare s fie amplasai arbitrar.
Demonstraie
Dac un sistem este complet observabil, atunci exist ntotdeauna o transformare
ntr-o form canonic a observatorului. Astfel ecuaia care exprim eroarea de
observare dup transformare devine:
( ) e
a
a
a
K
K
K
e
k
n k n
k
k
k +

=
|
\
|
.
|
|
|
|

|
\
|
.
|
|
|
|

(
(
(
(
(
1
1
1
0
1
1
1
1
0 0
1 0 0
.
.
,
,
,0

Se poate observa c coeficienii polinomului caracteristic ai sistemului se pot fixa
independent, prin intermediul parametrilor scalari K K K K
k n k n k k , , , ,
, , ,
1 2 1 0
.

Astfel proiectarea optimal a estimatorilor de stare pentru sisteme liniare se reduce la
optimizarea valorii K
k
, baznd pe diverse criterii. Dac perturbaia se poate aproxima
printr-un model aditiv, atunci ctigul optimal se obine pe baza minimizrii unei erori
ptratice.

.5.4.1. ESTIMARE OPTIMAL NERECURSIV

Se consider clasa estimatelor ca o funcie liniar a datelor msurate, adic:
~
x K Y
k k
T
=
unde:
| | Y y y y
n
=
1 2

pentru care se va determina parametrii vectorului K
k
astfel nct s minimizeze criteriul
( ) J K
k
, definit ca:
( ) ( )
{ }
J M x x x x
k k
T
k k
=
~ ~

Rezultatele estimrii se bazeaz pe urmtoarea lem.
Lema 4.1
Estimata liniar optimal n sensul minimizrii erorii (....), depinde de funcia
intercorelaie ntre x
k
i Y exprimat prin relaia:
{ } { }
| |
K M x Y M Y Y
T
k
T T
=
1

Estimata optimal x are urmtoarea proprietate:
{ }
M x x Y
k k
T
~
= 0
Demonstraie:
Valoarea optimal a parametrilor vectorului K
k
se poate determina din condiia
de anulare a primei variaii a criteriului ( ) J K
k
, adic a gradientului n funcie
de vectorul K
k
.
( ) ( ) ( )
{ }
( ) { }
c
c
c
c K
J K
K
M x K Y x K Y M Y x K Y
k
k
k
k k
T
T
k k
T
k k
T
= = = 2 0
de unde rezult:
{ } { } 0 = Y K Y M x Y M
T
k k

Proprietile cele mai importante ale estimatorului s-au prezentat n urmtoarea lem:
Lema 4.2
S notm cu c
~
estimata lui c pentru parametrul b dat i s notm cu e eroarea
de
estimare corespunztoare.
{ } b c M c = respectiv c c e
~
=
atunci avem:
1. Eroarea de estimare este ortogonal pe datele msurate, adic:
{ } 0 . =
T
e b M respectiv { } 0 . =
T
e c M
2. Fie o variabil a, atunci valoarea de ateptare condiionat a valorii de valorile
b i c este liniar n sensul urmtor:
{ } { } { } c a M b a M c b a M + = ,
3. Estimata variabilei a din msurtorile lui b i c este similar cu cea estimat
din msurtorile b i e
{ } { } { } { } e b a M e a M b a M c b a M , , = + =

.5.4.2. PROCESE SECVENIALE

n cazul n care observaiile asupra ieirii procesului sunt ciclice, este
ineficient aplicarea estimrii nerecursive pentru fiecare moment de timp, caz n
care vectorul datelor msurate se completeaz cu ultima msurtoare. Astfel pe
baza valorii ( )
1 2 1
, , ,
n k
y y y x M determinate n eantionul anterior se impune
determinarea valorii ( )
n n k
y y y y x M , , , ,
1 2 1
. Dac vectorul msurtorilor se noteaz
cu 1
n
Y , se poate definii eroarea recursiv de estimare
n
e , n iteraia n, baznd pe
msurtorile
1 1
,
n
y y .
{ } 1
1
=
n
n n n
Y y M y e
Proprietile elementare ale secvenei recursive sunt prezentate n lemma urmtore:
Lemma 4.3
{ } { }
n
n
k
n
k
e Y x M Y x M , 1
1
1

=
{ } { } { }
n k
n
k n
n
k
e x M Y x M e Y x M + =

1
1
1
1
,
Pe baza acestor proprieti se poate formula o lege recursiv de determinare a estimatei
( ) n t x
k
din estimata ( ) 1 n t x
k
:
Lema 4.4 ( Estimator optimal recursiv )
S notm cu ( ) n t x
k
valoarea expresiei | | { } 1
n
Y k x M , atunci

{ } { } ( )
n
T
n n
T
n k n k n k
e e e M e x M x x + =

1
1 , ,

unde
{ } 1
1
=
n
n n n
Y y M y e
n majoritatea aplicaiilor estimatorul recursiv este utilizat pentru o predicie de un
singur pas. Expresia estimatei devine:
{ } { } ( )
k
T
k k
T
k k k k k k
e e e M e x M x x + =

+ + +
1
1 1 , 1 , 1

Filtrul discret Kalman pentru procese stocastice staionare, se poate obine pe baza
urmtoarei teoreme:

Teorem ( Filtrul Kalman discret )
Fie un proces descris cu modelul:
x x w
y H x v
k k k k
k k k k
+
= +
= +
1
u

unde w
k
respectiv v
k
reprezint semnale de perturbaie, de tip zgomot alb, cu
matricele de covarian Q
k
i R
k
, estimata strii
~
x
k +1
se obine pe baza relaiei:
( )
~ ~ ~
x x P H P y H x
k k k k k k
T
k k k k +

= +
1
1
u u
i dispersia estimatei strilor P
k
definit ca:
| | | | { }
T
k k k k k k k
x x x x M P
1 , 1 ,
~ ~

se obine din urmtoarea iteraie Riccati discret:
( )
T
k k k
T
k k k k
T
k k k k
T
k k k k
P H H P H R H P Q P P u + u + + u u =

+
1
1

Demonstraie:
Folosind definiia matricei de covarian rezult:
{ } { }
T
k k k k
T
k k k
x x M x x M P
1 , 1 ,
~ ~

+ =

Totodat pe baza modelului liniar a sistemului studiat rezult:
{ } { }
1 ,
1
1
1
1 1 , 1
~ ~

+
u = u = + u =
k k k
k
k k
k
k k k k k
x Y x M Y w x M x
relaie cu care se obine un estimator cu o structura definit de ecuaia:
{ } { } ( )
k
T
k k
T
k k k k k k k
e e e M e x M x x + u =

+ +
1
1 1 , , 1

i formula de recuren cutat se obine n urma explicitrii expresiilor M(....), cu
condiia ca semnalele perturbatoare w
k
i v
k
nu sunt corelate cu strile
procesului:
( ) { } ( ) ( ) { }
{ }
T
k k k
T
k k
T
k k k k k k k k k
T
k k k k k
H P e x M
x H x H w x M x H y x M
u =
v + + u =
+
+
1
1 , 1 , 1

respectiv
{ } ( )
T
k k k k
T
k k
H P H R e e M + =
{ } { } ( )
T
k k k
T
k k k k
T
k k k
T
k
T
k k k k k
T
k k k k
P H H P H R H P x x M x x M u + u + u u =

+ +
1
1 , 1 , 1 , 1 1 , 1
{ } { }
k
T
k
T
k k k
T
k k
Q x x M x x M + u u =
+ + 1 1

Relaia care exprim structura estimatorului se obine prin .....................
Soluia matricei de covarian a strilor formeaz o serie convergent. Astfel n cazul
clasic, corespunztor cunoaterii complete a coeficienilor de corelaie, { }
k i k i
y y M c =
+

a unui proces staionar, parametrii procesului ,H i .... pot fi determinate din
densitatea spectral [C.I.Byrnes, A.Lindquist, T.McGregor, 1991]

5.4.3. FILTRUL KALMAN-BUCY DISCRET.

Presupunnd un sistem dinamic discret dat de ecuaiile:
x x u w
y H x v
k k k k k k
k k k k
+
= + +
= +
1
u I

Pentru restabilirea vectorului de stare se va folosii urmtorul model:
( )
k k k k k k k k k
x H y K u x x
~ ~ ~
1
+ I + u =
+

Se poate observa c reconstruirea strilor
~
x
k+1
se bazeaz pe prelucrarea secvenei
u u u
i i k
, , ,
+1
i y y y
i i k
, , ,
+1
, care este necesar pentru determinarea comenzii a reglrii
dup stare, pentru iteraia k, unde u G x
k k
=
~
. Se cere determinarea matricei de
amplificare K
k
astfel nct eroarea de restabilire a vectorului de stare s aib o
dispersie minim. Astfel definind eroarea pentru iteraia k conform relaiei:
e x x
k k k
=
~

rezult n urma scderii ecuaiilor:
e e w K H e K v
k k k k k k k k k +
= +
1
u
sau:
( ) e K H e w K v
k k k k k k k k +
= +
1
u
Presupunnd c valoarea de ateptare a perturbaiilor este nul, adic ( ) M w
k
= 0i
( ) M v
k
= 0 de unde rezult pentru sperana vectorului de eroare n iteraia k+1 ca:
( ) ( ) ( ) ( ) ( ) ( ) ( ) M e K H M e M w K M v K H M e
k k k k k k k k k k k k +
= + =
1
u u
Matricea de covarian a erorii, care reprezint dispersia pentru o distribuie gaussian
astfel este:
( ) P R M e e
k e
k
e
k
k k
T
+
+ +
+ +
= =
1
1 1
1 1 ,

( ) ( ) ( ) ( ) P K H P K H M w w K M v v K
k k k k k k k k
T
k k
T
k k k
T
k
T
+
= + +
1
u u
Daca notm funciile de autocorelaie a perturbaiilor ca ( ) M w w Q
k k
T
k
= respectiv
( ) M v v R
k k
T
k
= , rezult pentru expresia dispersiei:
( ) ( ) P K H P K H Q K R K
k k k k k k k k
T
k k k k
T
+
= + +
1
u u
P P K H P P H K K H P H K
Q K R K
k k k k
T
k k k k
T
k k k
T
k
T
k k k k
T
k
T
k k k k
T
+
= + +
+ +
1
u u u u

Se caut matricea de amplificare K
k
care minimizeaz produsul scalar al vectorului de
disperse a strilor estimate n eantionul k, cu un vector constant a ales arbitrar:
( )
c
cK
a P a
k
T
k
=
+1
0
Motivul alegerii acestui criteriu rezid n definiia vectorului de gradient. i anume
derivata dup un vector
k
K a valorii scalare a P a
k
T

+1
este vectorul gradient. Dar cum
vectorul a este constant rezult:
c
cK
P H P H P H P H K
H P H K R K R K
k
k k k k
T
k k
T
k
T
k k k
T
k
T
k k
T
k
T
k
T
k k
T
k
T
k
T
+
-
- - -
= + +
+ + + =
1
0
u u

sau:
( ) ( ) ( ) + + + + + =
- -
H P P H P P H K R R K
k k k
T
k
T
k k k
T
k
T
k
T
k k
T
k
T
u 0
( ) ( ) ( )
| |
+ + + + + =
-
H P P H P P H R R K
k k k
T
k
T
k k k
T
k
T
k k
T
k
T
u 0
de unde rezult:
( ) ( ) | | ( ) K H P P H R R H P P
k
T
k k k
T
k
T
k k
T
k k k
T
k
T -

= + + + +
1
u
sau calculnd transpusa vectorului k K
-
avem,
( ) ( ) ( ) | |
K P P H H P P H R R
k k k k
T
k
T
k k k
T
k
T
k k
T -

= + + + + u
1

Dar matricele P
k
i R
k
fiind simetrice rezult:
| | K P H H P H R
k k k k
T
k k k
T
k
-

= + u
1

cu care valoarea dispersiei care asigur un criteriu minim devine:
| |
| |
| | | | | |
P P P H H P H R H P
P H H P H R H P Q
P H H P H R H P H R H P H R H P
k k k k
T
k k k
T
k k k
T
k k k k
T
k k k
T
k k k
T
k k k k
T
k
k k k
T
k k k
T
k k k k
T
k k k k
T
k k k k
T
+
-

= +
+ +
+ + + +
1
1
1
1 1
u u u u
u u
u u

| |
| |
P P P H H P H R H P
P H H P H R H P Q
k k k k
T
k k k
T
k k k
T
k k k k
T
k k k
T
k k k
T
k k k k
T
k
+
-

= + +
+ + +
1
1
1
2 u u u u
u u

| | P P P H H P H R H P Q
k k k k
T
k k k
T
k k k
T
k k k k
T
k +
-

= + +
1
1
u u u u
Utiliznd notaia P
k k +
-
1
pentru extrapolarea matricei de dispersie a erorii de estimare:
P P Q
k k k k k k
T
k +
- -
= +
1
u u
Rezult pentru dispersia erorii de estimare P P
k k k +
-
+ +
-
1 1 1
relaia:
| |
P P P H H P H R H P
k k k k k k k k
T
k k k k
T
k k k k k
T
+ +
-
+
- - -

-
= +
1 1 1
1
u u
Dar
| |
K P H H P H R
k k k k k
T
k k k k
T
k
- - -

= + u
1

De unde rezult:
P P K H P
k k k k k k k k k
T
+ +
-
+
- - -
=
1 1 1
u
Pentru implementarea numeric a rezultatelor deduse este esenial reducerea timpului de
calcul, deci relaia amplificrii respectiv a dispersiei se modific dup cum urmeaz:
| |
k
T
k k k k
T
k k k
k
T
k k k k
T
k k k k
R H P H
H P
R H P H H P K
+

= + =
-
+
-
+
-
+
-
+
-
1
1
1
1 1

| | k k
k
k k k P H K I P 1 1 1 +
- -
+ +
-
=
Se poate observa c n cazul n care dispersia
k
R tinde la zero, adic ecuaia ieirii nu
este perturbat I H K
k k
R
k
=
-
0
lim , iar dac dispersia erorii de estimare
k
P tinde la zero
adic estimatele devin din ce n ce mai precise atunci 0 lim
0
=
-
k
P
K
k
. Cu alte cuvinte dac
dispersia estimrii este foarte mic atunci estimatorul nu necesit corecie.
Implementarea algoritmului de estimare se efectueaz n urmtorii pai:
Pas 0. Iniializare
k k k k k k
Q R P x , , ,
/ /

Pas 1. Se msoar valoarea de comand u
k
respectiv cea de ieire y
k
.
Pas 2. Se determin valoarea determinist a vectorului de stare n iteraia k. De obicei se
utilizeaz ecuaia sistemului dinamic discret n forma:
x x u
k k k k k k k +
= +
1
u I
Dar n cazul n care matricea de stare u
k
i cea de comand I
k
nu sunt matrice
constante cunoscute se poate utiliza i alte metode de integrare simple ca cea Euler sau
metode Runge-Kutta:
( )
x x t f x u
k k k k k k k +
= +
1
o ,
Pas 3. Extrapolarea matricei de dispersie a strii:
P P Q
k k k k k k
T
k +
= +
1
u u
Pas 4. Evaluarea matricei de amplificare K
k
:
( )
K P H H P H R
k k k k
T
k k k k
T
k + + +

= +
1 1 1
1

Pas 5. Corecia dispersiei estimate:
| | P I K H P
k k k k k k + + +
=
1 1 1

Pas 6. Vectorul de stare estimat
( )
x x K y H x
k k k k k k k k k + + + + + +
= +
1 1 1 1 1 1

Aceast implementare recursiv a estimatorului face ca ea s fie mult mai practic n
aplicaii dect filtrul Wiener. n multe cazuri proprietile stocastice ale perturbaiilor
exprimate prin matricele de dispersie
k
Q respectiv
k
R rmn constante pe parcursul
derulrii procesului. n acest caz se poate observa faptul c valorile dispersiei
k
P
respectiv a amplificrii
k
K tind rapid ctre valori constante ceea ce ne permite calculul
aprioric al acestor valori
1
.

5.5. ESTIMAREA STRILOR SISTEMELOR NELINIARE

Problema estimrii strilor sistemelor stocastice, neliniare din msurtori perturbate
cu zgomote are ca obiectiv central determinarea funciei de densitate de probabilitate a
strilor, condiionate de un set de date msurate. Dac se cunoate aprioric aceast
funcie de densitate de probabilitate, estimata strii se poate obine pentru orice funcie
de criteriu. Dar datorit manierei n care aceast densitate evolueaz n timp, prin
folosirea unor msurtori adiionale, ea poate fi aproximat cu ecuaii difereniale,
rezolvabile numai prin metode numerice. Astfel uzual este imposibil de a determina
aposterioric funcia de densitate de probabilitate specific aplicaiilor. Datorat acestor
dificulti se utilizeaz aproximarea funciei de distribuie. Metoda de aproximare cea
mai frecvent utilizat n problema estimrii strilor proceselor descrise cu modele
neliniare apeleaz la liniarizarea modelului n vecintatea valorii de referin sau n
vecintatea valorii estimate cele mai probabile, obinndu-se ecuaiile de estimare din
algoritmul Kalman-Extins. Pentru aplicarea acestor relaii, pe lng liniarizarea
modelului sistemului, este necesar i aproximarea densitii probabilistice aposteriorice
non-Gaussiene cu o densitate Gaussian. Totui aceast aproximare devine inadecvat
n cazul n care filtrul Kalman-Extins nu asigur o performan satisfctoare. Astfel s-
au propus multe metode de compensare a erorilor de aproximare.

5.5.1 FILTRUL KALMAN-EXTINS

Pentru un proces neliniare, procedeele rmn valabile prin liniarizarea n jurul celui
mai bun estimat al vectorului de stare i al vectorului de intrare u dac este prezent.
Dac procesul este descris de sistemul de ecuaii:
( ) ( ) ( ) ( ) ( )
( ) ( ) ( )
d
dt
x t F x t u t t w t
y h x t t r h x k r
k k k k k k k k
= +
= + = +
, ,
, ,

atunci ecuaia filtrului are forma:

( ) ( )
x x K y h x k
k k k k k k k k k + + + + + +
= +
1 1 1 1 1 1
,
unde
( )
x F x k
k k d k k +
=
1
, este cel mai bun estimat a lui x
k+1
bazat pe k observaii.
n estimatorul de stare apar explicit numai acele aspecte dinamice care pot fi
modelate. De efectele nemodelate se ine seama prin intermediul compensrii dinamice
a modelului i prin procedura euristic a evalurii nivelului de zgomot care afecteaz
strile procesului. Incomplitudinea modelului se trateaz cu o schem unde acceleraiile
nemodelate sunt estimate cu valori de stri iniiale.
:
0. Alegerea condiiilor iniiale:
k k k k k k
Q R P x , , ,
/ /

1. Msurarea semnalelor: u
k
i y
k

2. Se determin matricile discretizate
k
u respectiv
k
I prin aproximare polinomial i
integrare numeric.
k
u i
k
I .
3. Se determin valoarea determinist a vectorului de stare n iteraia k. De obicei se
utilizeaz ecuaia sistemului dinamic discret n forma:
x x u
k k k k k k k +
= +
1
u I
Dar n cazul n care matricea de stare u
k
i cea de comand I
k
nu sunt matrice
constante cunoscute se poate utiliza i alte metode de integrare simple ca cea Euler sau
metode Runge-Kutta:
( )
x x t f x u
k k k k k k k +
= +
1
o ,
:

4. Extrapolarea matricei de dispersie:
P P Q
k k k k k k
T
k +
= +
1
u u
5. Determinarea vectorului de amplificare:
( )
K P H H P H R
k k k k
T
k k k k
T
k + + +

= +
1 1 1
1

6. Corecia matricei de dispersie
| | P I K H P
k k k k k k + + +
=
1 1 1

7. Vectorul de stare estimat:
( )
x x K y H x
k k k k k k k k k + + + + + +
= +
1 1 1 1 1 1


6. SELECTAREA STRUCTURII I VALIDAREA MODELULUI

6.1.Alegerea structurii modelului

1. Tipul modelului (type)
a. Procese liniare sau neliniare
b. Modele fizic parametrizate IO (input-output) sau ISO (input-state-output)
c. Modele tip black box
d. Modele RNA
2. Dimensiunea modelului (size)
e. Gradul polinoamelor de regresie
f. Dimensiunea matricelor de sistem
g. Numrul neuronilor i straturilor ascunse
3. Parametrizarea modelelor
Calitatea modelului poate fi msurat cu ajutorul unui criteriu de calitate (ex. eroarea
ptratic, funcia de verosimilitate,etc. ) Important:- flexibilitate - s nu fie prea complex
(fr calcule complicate).
Preul modelului (este asociat efortului de calcul) complexitatea algoritmului i
proprietatea funciei criteriu
Consideraii generale:
1. Ce tim despre proces? Cunoatem procesele fizice ,
mecanice , etc. Din proces ? Dac da putem s folosim
aceste cunotine la alegerea modelelor?
2. Pe baza datelor msurate putem s obinem informaii
asupra ordinului sistemului ?

62.Testul F
Fie sistemul caracterizat de modelul
) ( ) ( ) ( ) ( ) (
1 1
k e k u q B k y q A + =

unde
a
n A grad = ) ( i
b
n B grad = ) ( .(valori reale)
Presupunem c pe baza datelor msurate a fost identificat dou modele:
) , ( 1
1 1 b a
n n M i ) , ( 2
2 2 b a
n n M unde
b b b
a a a
n n n
n n n
> >
> >
1 2
1 2
M1-poate fi obinut din M2
Fie
)
~
dim(
~
2
)
~
dim(
~
1
2 2 2
1 1 1
u u
u u
=
=
p M
p M

i funcia criteriu
) ) , ( ) , (
1
det( ) (
1
=
=
N
i
T
i e i e
N
V u u u unde(.,.) eroarea de estimare. Se poate calcula
) ( ~
) (
)
~
( )
~
(
1 2
2
2
2 1
p p N
V
V V
f
= _
u
u u
(distribuie cu un grad de libertate p
2
-p
1
)
Introducem factorul pragul de semnificaie (sau factorul de risc)
a. > ) (
1 2
2
p p f
|
_ M1 se respinge cu riscul
M2 se reine
b. > ) (
1 2
2
p p f
|
_ M2 i M1 se reine (dar se va folosi M1 pentru c are un grad mai
redus )

Obs.
2
_ este un tip de distribuie la un semnal aleator. Dac se d un semnal normal
distribuit ) 1 , 0 ( N atunci x A x y
T
= va fi de distribuie
2
_ i are un grad de libertate r ,
dac r A rang = ) ( .


Ident Sys Notite de Curs

Încărcat de

Informații document

Titlu original

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

Ident Sys Notite de Curs

Încărcat de

Drepturi de autor:

Formate disponibile

Identificarea Sistemelor Notie de curs

Universitatea Petru-Maior Tg.Mure

T k area er , min det

M cel mai adecvat. Acest proces o vom denumi

unde w(k) este un semnal zgomot alb

S-ar putea să vă placă și