UNIVERSITATEA DUNAREA DE JOS

GALATI
PROIECT
IDENTIFICAREA SISTEMELOR
Student:Pirvu Ioan Daniel
Grupa:2232B
Tema 20
Sa se determine modelul matematic dat prin ecuatii cu diferente a unui sistem
dinamic liniar, dispunand de urmatoarea realizare: (us, ys, es, Tes, unde: us-
intrarea sistemului, ys-iesireasistemului, es-perurbatia, Tes- perioada de
esantionare. . Sa se utilizeze metoda celor mai mici patrate generalizata .
Cuprins:
1. Cerinte.
2. Introducere.Identificarea sistemelor-aspecte generale.
3. Metode de identificare bazate pe tehnici de estimare.(O prezentare
comparativa a acestor metode.)
4. Formalismul matematic a metodei de identificare utilizata la identificarea
parametrilor functiei de transfer a sistemului.
5. Algoritmul cu ajutorul caruia se determina functia de transfer discreta in
necunoscutele ) (
1
q A

, ) (
1
q B

si
( )
1
q D
.
6. Prezentarea rezultatelor.
7. Concluzii.
8. Bibliografie.
Pagina | 2
1.Cerinte
Se da urmatorul lot de date:
Pagina | 3
realizare obtinuta la un sistem dinamic.
Sa se determine modelul mathematic dat prin ecuatii cu diferente a unui sistem
dinamic liniar,dispunand de urmatoarea realizare (us,ys,es,Tes) unde:
us intrarea sistemului,
ys iesirea sistemului,
es perturbatia,
Tes perioada de esantionare.
Sa se utilizeze metoda celor mai mici patrate generalizata.
2.Introducere.Identificarea sistemelor-aspecte generale
Pagina | 4
Un sistem poate fi definit ca o colectie de unul sau mai multe obiecte interconectate. Un
obiect este o entitate fizica cu caracteristici sau atribute specifice. Obiectele pot fi izolate sau
n interactiune n anumit sens, acestea din urma fiind frecvent ntlnite n lumea reala.
Atributele unui obiect sunt descrise prin intermediul "parametrilor" si "variabilelor".
Parametrii sunt atribute intrinseci ale obiectelor n timp ce variabilele sunt atribute necesare
pentru a descrie interactiunea ntre obiecte.
Altfel spus, parametrii si variabilele sunt elemente utilizate n diverse teorii, daca
acestea exista, necesare pentru a explica starea si evolutia unui sistem. Cnd nu exista o astfel
de teorie, variabilele si parametrii sunt cuvinte din limbajul natural, cu semnificatiile uzuale,
prin intermediul carora putem descrie sistemul.
Caracterizari relative ale notiunii de sistem:
1 - Partile componente ale unui sistem ocupa pozitii bine determinate,ntre ele existnd relatii,
ceea ce permite sa se afirme ca sistemul are o anumita structura. Datorita structurii un sistem
dobndeste calitati noi, diferite de cele ale elementelor componente.
2 - ntre marimile fizice ale sistemului (variabile) exista legaturi de
cauzalitate.
3 - Actiunea comuna a partilor sistemului asigura realizarea unui
anumit scop. Realizarea scopului propus se poate face prin interventia operatorului uman (care
face parte din mediu) asupra unor variabile ale sistemului. Notiunea de sistem este relativa
deoarece una si aceeasi realitate poate cuprinde diverse sisteme, corelate sau nu ntre ele.
Analiza unui sistem poate fi realizata cu ajutorul modelelor deduse si verificate prin
ncercari experimentale succesive. Pornind de la observatiile asupra sistemului analizat se
creeaza un model al acestuia pe baza caruia se pot proiecta noi experimente care pot confirma
sau infirma modelul. Din acest punct de vedere observatiile si ncercarile experimentale sunt
fundamentale n
domeniul stiintelor naturale si tehnice.
Prin model se ntelege o reprezentare a aspectelor esentiale ale unui sistem, care
prezinta cunostintele asupra acelui sistem ntr-o forma utilizabila, adecvata scopului
pentru care este necesar modelul.
Pagina | 5
3.Metode de identificare bazate pe tehnici de estimare
Abordarea identificrii sistemelor ca o problem de teoria estimaiei, conduce frecvent
tot la o problem de optimizare parametric, dar are totui unele avantaje eseniale fa de
optimizarea parametric.
Rezolv problema convergenei parametrilor modelului ctre valorile reale ale parametrilor
procesului, utiliznd instrumente puternice ale statisticii matematice.
Determinarea structurii modelului se rezolv utiliznd teoria verificrii ipotezelor
statistice.
Se consider procesul reprezentat n figura:
unde:
u(t) - mrimea de intrare,
x(t) - mrimea de ieire neperturbat,
y(t) - mrimea de ieire msurat,
z(t) - zgomotul aditiv la ieire,
- vectorul parametrilor.
Scopul teoriei estimaiei este de a determina pe baza realizrilor U i Y msurate,
U=[u(1)...u(N)]
T
, Y=[y(1)...y(N)]
T
. Se definete o funcie ) , ( Y U care s aproximeze ct mai
bine . Funcia
(.,.)
se numete estimator, iar valoarea acestei funcii (

) pentru un U i Y
bine precizat se numete estimaie.
Deoarece Y este un eantion a unui proces stocastic, rezult c

este o variabil
aleatoare. Deci, ) , (

Y U va fi mai aproape sau mai departe de parametrii reali ai procesului

( ) n funcie de realizarea de zgomot a experimentului pe baza cruia s-a obinut estimaia.
Pagina | 6
Est imatorul de risc minim (ERM)
Estimatorul de risc minim se definete presupunnd cunoscute urmtoarele informaii:
funcia densitate de probabilitate a zgomotului , de unde rezult
p Y U ( / , )
;
funcia densitate de probabilitate a parametrilor p(). Aceast cerin fiind cea mai sever
pentru aplicarea ERM. n unele aplicaii se determin

utiliznd alt estimator care nu

utilizeaz aceast ipotez i apoi n urma analizei proprietilor statistice a lui

se
determin p();
funcia de cost ) ,

( C , care exprim pierderea produs considernd

ca valoare
adevrat a parametrilor cnd de fapt aceasta este .
Estimatorul de verosimilitate maxim (EVM)
n situaia cnd nu este disponibil nici o informaie aprioric despre vectorul
parametrilor , se presupune c este uniform distribuit, ceea ce nseamn c poate lua toate
valorile posibile ntre anumite limite. Se presupune, de asemenea, c nu exist informaii
apriorice care s permit formularea unei funcii de cost corespunztoare. n aceast situaie se
consider C( , ) ( ) care are semnificaia c orice pierdere este posibil.
Estimatorul de verosimilitate maxim n acest context este
) , / ( max arg

U Y p

.
Deoarece p() este uniform distribuit i avnd n vedere relaia lui Bayes rezult urmtoarea
expresie pentru estimatorul de verosimilitate maxim
) , / ( max arg

U Y p

.
n unele situaii se utilizeaz i funcia logaritmic de verosimilitate.
)] , / ( ln[ ) ( ), ( max arg

U Y p L L

.
Estimatorul Markov (EM)
n cazul ERM i EVM nu s-a impus o restricie n ceea ce privete reprezentarea
procesului. Acest aspect indic valabilitatea general a principiilor de estimare menionate i
faptul c, utilizarea teoriei lui Bayes se poate aplica i n alte domenii cum ar fi recunoaterea
formelor.
Pagina | 7
Estimatorul Markov este un caz particular al EVM aplicat numai sistemelor liniare. Se
consider sistemul descris prin urmtoarea ecuaie de convoluie discret
) ( ) ( ) ( ) (
0
k z i k u i g k y
m
i
+

.
Estimatorul celor mai mici ptrate(ECMMP)
ECMMP este un caz particular al EM pentru care se consider c zgomotul Z este de
medie zero i matrice de covarian
R=M[Z
.
Z
T
]=
2.
I.
n aceste condiii relaia devine
Y U U U
T T

1
) (

,
care reprezint ECMMP.
4.Formalismul matematic a metodei de identificare utilizata la
identificarea parametrilor functiei de transfer a sistemului
Prezentarea metodei i studiul proprietilor
Se consider sistemul descris de urmtoarea ecuaie cu diferene
) ( ) ( ) ( ) ( ) (
1 1
t v t u q B t y q A +

,
Unde
( ) t e
q D
t v

) (
1
) (
1
,
iar
e(t) zgomotul alb,
) (t v - perturbaia,
nd
nd
q d q d q D

+ + +
1
1
1
1 ) (
.
Modelul cu care se aproximeaz se consider de aceeai form
( ) t
q D
t u q B t y q A +

) (
1
) ( ) ( ) ( ) (
1
1 1
,
Pagina | 8
unde: (t) reprezint reziduul aleator care trebuie s aproximeze zgomotul alb.
Parametrii care se estimeaz sunt cumulai n doi vectori
T
nb na
b .... b a .... a ] [
1 1 1

,
T
nd d ... d ] . [ 1 2 .
Se noteaz cu
1
1
]
1

2
1

- vectorul parametrilor ce se estimeaz.

Funcia criteriu utilizat este tot eroarea medie ptratic
( ) ( )

N
t
t
N
V
1
2
1
, iar
( )

V min arg

.
Se cunosc mrimile de intrare i de ieire observate pe un interval de timp (0, NT) unde
T este perioada de eantionare, care se consider unitar. Aceasta nu are importan n
prezentarea algoritmului, intervenind doar ca un factor de ponderare fr a influena estimaia.
Se obine
( ) ( ) ( ) ( ) ( ) ( ) [ ] { }

N
t
t u q B t y q A q D
N
V
1
2
1 1 1
1
.
Se observ c ( ) V
nu este ptratic n parametrul

, dar dac se cunoate

2

,
atunci ( ) V
devine ptratic n
1

i invers. Aceast afirmaie conduce la idea utilizrii unei

metode de relaxare.
Presupunem c s-a ajuns la pasul i, moment n care se cunosc estimaiile la pasul (i-1)
1
1
i

i
1
2
i

sau

,
_

1
1
1
]
1

1
2
1
1
1
i
i
i

.
Calculele care se efectueaz la pasul i sunt urmtoarele :
( )
1
2
1
1

, min arg

i
i
V

, unde
1
2

i
este cunoscut de la pasul (i-1),
Pagina | 9
( )
2
1 2
,

min arg

i i
V
, unde
i
1

este determinat la pasul i.

Algoritmul se iniializeaz cu [ ]
T
0 0

0
2
i se oprete dup un numr de iteraii
impus sau cnd structura modelului i parametrii estimai genereaz reziduul modelului cu
proprieti apropiate de cele ale zgomotului alb.
n cadrul algoritmului se urmrete i modificarea structurii modelului n vederea
obinerii unor rezultate care s aproximeze suficient de bine sistemul.
Acest algoritm converge mai lent dar are avantajul c la fiecare pas se poate aplica
metoda celor mai mici ptrate.
Se prezint n cele ce urmeaz calculele efectuate la pasul i. Funcia criteriu n cazul
cnd
1
2

i
este cunoscut devine
( ) ( ) ( ) ( ) ( ) ( ) ( ) [ ]

N
t
i i
t u q B t y q A q D
N
V
1
2
1 1 1 1 1
2
1

,
( ) ( ) ( ) ( ) ( ) ( ) [ ]

N
t
i i
t u q D q B t y q D q A
N
1
2
1 1 1 1 1 1

1
( ) ( ) ( ) ( ) [ ]

N
t
t u q B t y q A
N
1
2
1 1 ~ ~
1
,
unde
( ) ( ) ( ) t y q D t y
i

1 1

~
i
( ) ( ) ( ) t u q D t u
i

1 1

~
, reprezint valorile filtrate ale ieirii i
intrrii cu ajutorul filtrului
( )
1 1

q D
i
cunoscut de la pasul (i-1).
Pentru calculul lui
i
1
se aplic metoda celor mai mici ptrate i se face urmtoarea
notaie
( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) [ ]
T
i i i i i
nb t u q D t u q D na t y q D t y q D t
1 1 1 1 1 1 1 1
1

1

1

~


Cu aceast notaie funcia criteriu se scrie sub forma urmtoare
( ) ( ) ( )

,
_

N
t
T
i i
t t y
N
V
1
2
1
1
1
2
1
~ ~
1

, .
Aplicnd estimatorul celor mai mici ptrate rezult
( ) ( )

1
]
1

N
t
T
i
N
t
T
i i i
t y t
1
1
1
1
1 1 1
~ ~ ~ ~

,
Pagina | 10
unde
( ) { }
1
2
1
1

, min arg

i i
V

.
Deci, pn n acest moment, la pasul i s-a determinat numai
i
1

, urmnd s se
determine
i
2

cunoscndu-se
i
1

. Pentru calculul vectorului

i
2

se aplic tot metoda celor mai

mici ptrate. Estimaia
i
2

rezult din condiia de minimizare a funciei criteriu, pentru care

i
1

se consider cunoscut
( )
2
1 2
,

min arg

i i
V
,
unde
( ) ( ) ( ) ( ) ( ) ( ) [ ] { }

N
t
i i i
t u q B t y q A q D
N
V
1
2
1 1 1
2
1

1
,

.
Fie
( ) ( ) ( ) ( ) ( ) t u q B t y q A t v
i i i

1 1

- perturbaia la pasul i care verific relaia
( )
( )
( ) t
q D
t v
i

1
1
,
unde (t) - reziduul aleator.
Relaia anterioar devine
( ) ( ) ( ) ( ) t nd t v d t v d t v
i
nd
i i
+ + + 1
1
.
Se noteaz cu
( ) ( )
T
nd t
i
v t
i
v t
i
1
]
1

1 ) (
2

i rezult
( ) ( ) ( )
2
2

T i i
t t v t .
Cu aceste notaii funcia criteriu devine
( ) ( ) ( ) ( ) ( )

N
t
T i i
N
t
i
t t v
N
t
N
V
1
2
2
2
1
2
2
1
1 1
,

,
iar
( ) 0 ,

min arg

2
2
1 2
2

V
sau V
i i
.
Aplicndu-se estimatorul celor mai mici ptrate rezult
Pagina | 11
( ) ( ) ( ) ( ) .

1
1
1
2
2 2 2

,
_

1
]
1

N
t
i
N
t
i
t v t
i T
t
i
t
i

n concluzie se poate afirma c utilizndu-se relaiile se calculeaz estimaia
T
T
i
T
i i
1
]
1

2 1


la pasul i.
Fie dat structura modelului: ( ) nd nb na , , i cea a sistemului: ( ) nd nb nd , , .
Teorema care se enun n cele ce urmeaz pune n eviden legtura ntre cele dou
structuri menionate mai sus.
Teorem
Dac u(t) este un semnal persistent de ordin ( ) nb na nb na + + , max , iar u(t), e(t) sunt
independente (necorelate), atunci n punctul de minim global a funciei criteriu, polinoamele
corespunztoare modelului verific relaiile
( ) ( ) ( ) ( )
*
1
1
1 1 1 1
1 ,

n
n
q l q l q L q L q A q A

+ + +
( ) ( ) ( ) ( ) nb b n na a n n q L q B q B

, min ,

* 1 1 1

( ) ( ) ( ) 0 ,

* 1 1 1
+

nd d n n q L q D q D .
Dac gradele polinoamelor rezultate n urma procedurii de identificare coincid cu cele
reale, atunci se deduce un model exact, nerendundant.
Pagina | 12
5.Algoritmul cu ajutorul caruia se determina functia de
transfer discrete in necunoscutele
( )
1
q A
,
( )
1
q B
si
( )
1
q D
dcmmpg.m
load T20; %se incarca lotul de date
z=[ys us es]; % reprezinta o matrice cu trei coloane care contine:
iesirea (ys), intrarea(u) si perturbatia(e);
idplot([ys us es]);%ploteaza pe aceeasi figura intrarea si iesirea sistemului
emin=100; %valoarea initiala folosita ptr determinarea celei mai mici erori
np=10; %numarul maxim de iteratii
epsi=0.01;%eroarea impusa procedurii de identificare
n=[0 0 0];%initializarea vectorului ce contine gradele polinoamelor de la fiecare pas
%Se folosesc trei functii for pentru a varia na,nb respectiv nd ce reprezinta gradele
%polinoamelor A,B respectiv D estimate.
for na=1:1:4,
for nb=1:1:4,
for nd=1:1:3,
n=[na nb nd];
[tetag,eg]=ecmmpg(z,n,np,epsi);
[nx,mx]=size(tetag);
am=[1 tetag(nx,1:n(1))];
bm=[0 tetag(nx,n(1)+1:n(1)+n(2))];
dm=[1 tetag(nx,n(1)+n(2)+1:n(1)+n(2)+n(3))];
Pagina | 13
cm=[1];fm=[1];
erm=eg(nx);
disp('Ptr n=');
disp(n);
disp('Avem rezultatele:');
am
bm
dm
erm
disp('************************************************************************
*********')
Se face o comparatie intre o valoare emin data initial si valoarea erm la fie caz si daca erm
este mai mic decat valoarea impusa se salveaza toti parametri pentru acel caz,ca la sfarsitul
executiei sa avem in [emin,nmin,amb,bmb,dmb] valorile care au aproximat cel mai bine
sistemul impus.
if(emin>erm) emin=erm;
nmin=n;
amb=am;
bmb=bm;
dmb=dm;
end;
end;
end;
end;
%********************************************************
disp('Aproximarea cea mai buna si eroarea cea mai mica sunt in cazul in care n=');disp(nmin);
disp('er=');disp(emin);
Pagina | 14
ecmmpg.m
function [tetag,eg]=ecmmpg(z,n,np,epsi);
% z=[ys u e] - reprezinta o matrice cu trei coloane care contine:
% iesirea (ys), intrarea(u) si perturbatia(e);
% n=[na nb nd] - un vector cu trei elemente care contine gradele polinoamelor;
% np - numarul maxim de iteratii;
% epsi - eroarea impusa procedurii de identificare;
% prin intermediul careia se controleaza precizia parametrilor estimati;
% tetag - matricea parametrilor rezultati. Linia i a matricei tetag contine
% coeficientii polinoamelor, si estimati la pasul i;
% eg - vectorul care contine eroarea medie patratica la fiecare iteratie.
%se preia valoarea care reprezinta gradul polinoamelor A,B si D din vectorul n
na=n(1);
nb=n(2);
nd=n(3);
%creaza o matrice cu nd linii si o coloana,unde nd reprezinta gradul polinomului D %
[ ]
T
0 0

0
2

td=zeros(nd,1);
%se inregistreaza in n1 si n2 nr de linii si coloane ale matricei z ce contine vectorii %u,y si e
[n1,n2]=size(z);
y=z(1:n1,1);
u=z(1:n1,2);
tetag=[];
eg=[];
Pagina | 15
% se aplica formulele :
( )
( ) ( ) ( ) ( ) [ ]

N
t
i
t u q B t y q A
N
V
1
2
1 1
1
2
1
~ ~
1

,

%unde :
( ) ( ) ( ) t y q D t y
i

1 1

~
si
( ) ( ) ( ) t u q D t u
i

1 1

~
for l=1:np,
for i=1:n1,
yl(i)=y(i);
ul(i)=u(i);
for j=1:nd,
if (i-j)>=1,
yl(i)=yl(i)+y(i-j)*td(j);
ul(i)=ul(i)+u(i-j)*td(j);
end;
end;
end;
% Pentru calculul lui
i
1
se aplic metoda celor mai mici ptrate i se face %urmtoarea notaie
%
( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) [ ]
T
i i i i i
nb t u q D t u q D na t y q D t y q D t
1 1 1 1 1 1 1 1
1

1

1

~

.
zl=[yl' ul' z(1:n1,3)];
[teta,emp]=ecmmp(zl,[na nb],0);
ta=teta(1:na,1);
tb=teta((na+1):(na+nb),1);
%
( ) ( ) ( ) ( ) ( ) t u q B t y q A t v
i i i

1 1

- perturbaia la pasul i care verific relaia
%
( )
( )
( ) t
q D
t v
i

1
1
for i=1:n1,
yl(i)=y(i);
ul(i)=0;
for j=1:na,
if (i-j)>=1,
Pagina | 16
yl(i)=yl(i)+y(i-j)*ta(j);
end;
end;
for j=1:nb,
if (i-j)>=1,
ul(i)=ul(i)+u(i-j)*tb(j);
end;
end;
end;
v=yl-ul;
%
( ) ( )
T
nd t
i
v t
i
v t
i
1
]
1

1 ) (
2

hf=zeros(nd,nd);
hy=zeros(nd,1);
fi=hy;
for i=(nd+1):n1,
for j=1:nd,
fi(j)=-v(i-j);
end;
% se calculeaz
( ) ( )

N
t
T
t
i
t
i
1
2 2

hf=hf+fi*fi';
%se calculeaz
( ) ( )

N
t
i
t v t
i
1
2

hy=hy+fi*v(i);
end;
%se calculeaza ( ) ( ) ( ) ( ) .
2 2 2

1
1
1
2

,
_

1
]
1

N
t
i
N
t
i
t v t
i T
t
i
t
i

td=inv(hf)*hy;
Pagina | 17
%din relatiile ( ) ( )

1
]
1

N
t
T
i
N
t
T
i i i
t y t
1
1
1
1
1 1 1
~ ~ ~ ~

si %
( ) ( ) ( ) ( ) .

1
1
1
2
2 2 2

,
_

1
]
1

N
t
i
N
t
i
t v t
i T
t
i
t
i

se obtine estimatia
i

la pasul i
tetag=[tetag;ta',tb',td'];
%se creaza iesirea modelului -ym
ym=idsim(z(:,[2 3]),mktheta([1,ta'],[0,tb'],[1],[1,td'],[1]));
%se calculeaza eroarea care este diferenta dintre iesirea sistemului si cea a %modelului
ee=y-ym;
eg=[eg;(ee'*ee)/n1];
%se ploteza pe un grafic cele trei marimi ys,ym si ee
plot([y ym ee]);grid;
title('yr - ym - er.');
pause(0.5);
% Algoritmul se opreste dupa cel putin doua iteratii daca
% criteriul de stop este indeplinit;
if l>1,
if abs((eg(l)-eg(l-1))/eg(l))<=epsi,
break;
end;
end;
end;
Pagina | 18
ecmmp.m
function [teta,emp]=ecmmp(z,n,alfa);
%
% [teta,emp]=ecmmp(z,n,alfa);
%
% z=[ys u e] - este o matrice cu trei coloane care contine iesirea;
% (ys), intrarea(u) si perturbatia(e);
% n=[na nb] - un vector cu doua elemente care contine gradele polinoamelor modelului;
% alfa - un fanion prin care se poate solicita functiei;
% reprezentarea grafica a rezultatelor (alfa=1 se rep. grafic y,ym,(y-ym));
% teta - un vector coloana care contine parametrii polinoamelor si rezultati;
% emp - eroarea medie patratica dintre iesirea modelului si iesirea sistemului.
% Se adun gradele n variabila ng ; se formeaz n hf o matrice de ng x ng zerouri, si un vector
coloan de ng zerouri
ng=sum(n);
hf=zeros(ng,ng);
hy=zeros(ng,1);
fi=hy;
[n1,n2]=size(z);
% se formeaz ) (t - vectorul care con ine istoria procesului partea cu iesirea (y)
for i=(max(n)+1):n1,
for j=1:(n(1)),
fi(j)=-z((i-j),1);
Pagina | 19
end;
%se formeaz ) (t - vectorul care con ine istoria procesului partea cu iesirea (u)
for j=(n(1)+1):ng,
fi(j)=z((i-j+n(1)),2);
end;
% se calculeaz

N
t
T
i i
1
1 1
~ ~

hf=hf+fi*fi';
%se calculeaz
( ) ( )

N
t
T
i
t y t
1
1
~ ~

hy=hy+fi*z(i,1);
end;
% se calculeaz ( ) ( )

1
]
1

N
t
T
i
N
t
T
i i i
t y t
1
1
1
1
1 1 1
~ ~ ~ ~

teta=inv(hf)*hy;
if alfa==1,
% se calculeaza
T
b n a n
b a a ] ..... b .... [

1 1
din care se extrag parametrii a si b
th=teta';
a=[1,th(1:n(1))];
b=[0,th((n(1)+1):(n(1)+n(2)))];
% se simuleaz iesirea modelului; func ia mktheta-realizeaza o matrice theta (similar %cu
poly2th);ee=z(:,[1])-ym -reprezint proprietatea rezidului aleator (t)=ys(t)-ym(t)
ym=idsim(z(:,[2 3]),mktheta(a,b,1,1,1));
ee=z(:,[1])-ym;
figure(1);
plot([z(:,[1]) ym ee]);grid;
title('iesire sistem, iesire model, eroarea');
pause;
end;
end;
Pagina | 20

6.Prezentarea rezultatelor
Pentru cazul in care avem n=[2 2 2] obtinem cea mai buna aproximarea a polinoamelor
ce determina structura modelului.
tetag =
-1.1773 0.6788 1.0172 0.5150 1.3583 0.5907(iteratia1)
-1.1999 0.7002 1.0012 0.4996 1.5795 0.8019(iteratia2)
-1.2000 0.7004 1.0008 0.4997 1.5796 0.8019(iteratia3)
Iteratia 1
Iteratia 2
Iteratia 3
Pagina | 21
Unde: cu verde avem iesire sistem(ys);cu albastru avem iesire model(ym) si cu rosu avem
eroarea(er).
7.Concluzii
Dup cum se poate observa dinamicile sistemului nu sunt captate n totalitate de ctre
model, astfel vom obtine o eroare foarte mic.Dar putem observa c atunci cnd polinoamele
A,B si D au gradul doi atunci apare cea mai mic eroare.
Se observa ca se obtine o foarte buna aproximare a sistemului.Cu toate ca acest
algoritm converge mai lent are avantajul ca la fiecare pas se aplica metoda celor mai mici
patrate.
Astfel sistemul descris n acest caz este:
8.Bibliografie
1. Dr.ing.prof. Ghe. Puscasu Curs de Indentificarea Sistemelor
Pagina | 22
)
8019 . 0 5796 . 1 1
1
( ) (
) 4997 . 0 0008 . 1 )( ( ) 7004 . 0 2 . 1 1 )( (
2
1
2 1 2 1

+ +
+
+ +

q q
t e
q q t u q q t y