Documente Academic
Documente Profesional
Documente Cultură
y e y y e e e e
dt
d
M
unde este o constat pozitiv numit factor de adaptare. Precizm c
M
y este
independent de , iar / ) ( y reprezint senzitivitatea ieirii n raport cu
parametrul . Aceast metod este cunoscut i sub numele de regula MIT. Cum,
de obicei, funcia / ) ( y depinde de parametrii necunoscui ai procesului,
aceasta devine inutilizabil. O soluie const n nlocuirea parametrilor necunoscui
cu valorile lor estimate calculate la un moment t . Din pcate, utiliznd regulile de
tip MIT nu este totdeauna posibil de demonstrat stabilitatea sistemului n circuit
nchis sau convergena la zero a erorii. Pentru nlturarea acestor neajunsuri s-au
folosit alte metode bazate pe tehnici Liapunov, disipative etc.
Regulatoare autoacordabile
Schemele adaptive prezentate mai sus sunt scheme de control adaptive
directe, deoarece actualizarea parametrilor regulatorului (cu structur cunoscut) se
face direct de ctre mecanismul de ajustare pe baza relaiilor dintre parametrii
procesului i cei ai regulatorului.
ntruct parametrii procesului sunt de fapt ncunoscui, acetia trebuie
nlocuii cu valorile lor estimate, furnizate de un algoritm recursiv de estimare a
parametrilor. Parametrii regulatorului vor fi calculai i actualizai utiliznd
Regulator Proces
Mecanism
de ajustare
Model
referin
Parametrii reguatorului
Referin
r
u
y
M
y
e
_
+
Ieire
4
estimrile parametrilor procesului, exact ca i n cazul n care parametrii ar fi cei
adevrai. Aceast metod este cunoscut sub numele de principiul echivalenei
certe. Schema bloc a unui astfel de sistem este prezetat n Fig. 1.3.
Fig.1.3. Schema bloc a unui regulator cu autoacodare
n contrast cu schemele cu model de referi, unde parametrii regulatorului
sunt actualizate direct astfel nct sistemul adaptiv s urmreasc modelul impus, n
aceast situaie, se constat c are loc o separare a operaiilor de identificare i
control. Regulatorul adaptiv din Fig. 1.3 poate fi gndit ca avnd dou bucle: o
bucl intern format din procesul condus i un regulator convenional, dar cu
parametrii variabili, i o bucl extern care conine un estimator recursiv al
parametrilor i un bloc de proiectare care ajusteaz on-line aceti parametrii.
Sistemul poate fi privit ca un automat n care la fiecare perioad de eatioare are
loc att actualizarea modelului procesului ct i proiectarea noii comenzi, respectiv
a noilor valori ale parametrilor regulatorului. Un regulatorul cu aceast structur se
numete regulator cu autoacordare deoarece acesta are capacitatea de a-i acorda
proprii parametri n scopul obinerii performanelor dorite ale sistemului n circuit
nchis. Blocul de proiectare reprezint o soluie on-line a unei probleme de
proiectare pentru un sistem cu parametri cunoscui. Aceast tip de problem
adaptiv este considerat o schem de adaptare indirect.
Schemele cu autoacordare sunt foarte flexibile n raport cu alegerea
metodelor de proiectare (metode liniar-patratice, metode bazate pe principiul
varianei minime etc.) i de estimare (metoda celor mai mici ptrate, principiul
probalilitii maxime etc.).
Scheme de control adaptiv dual
Schemele prezentate mai sus prezint anumite limitri. De exemplu, n
proiectarea regulatorului incertitudinilre parametrice nu sunt luate n considerare.
Apare ca natural ntrebarea: exist i alte abordri mai bune dect schemele bazate
pe principiul echivalenei certe ? Este posibil obinerea unor astfel de regulatoare
Regulator Proces
Estimatorul
parametrilor
Proiectarea
regulatorului
Refetin
Parametrii procesului Criterii
Parametrii
regulatorului
Comanda Ieirea
r
u y
Regulator cu autoacordare
5
adaptive pe baza unor principii teoretice generale ? Rspunsul la aceste ntrebri
este afirmativ, adic este posibil gsirea unei soluii pornind de la o formulare
abstract a unei probleme i utiliznd teoria optimizrii. Aceasta se bazeaz pe
controlul stochastic, sau mai nou, pe noiunea de control dual. Aceast abordare
conduce la o structur de regulator cu proprieti interesante. O remarc important
este aceea c regulatorul va lua n considerare i incertitudinile n estimarea
parametrilor. Abordarea este totui foarte complicat i pn acum nu a fost
utilizat n probleme practice.
Ideea metodei este urmtoarea. Sistemul se va descrie printr-un model
stochastic, apoi se va formula un criteriu care s minimizeze o funcie cost, scalar,
care depinde de starea i comanda procesului. Problema gsirii unui regulator care
s minimizeze funcia cost n raport cu comanda este foarte dificil. Dac aceasta
poate fi rezolvat, regulatorul optimal are structura din Fig. 1.4, unde vectorul
hiperstare conine att starea procesului ct i parametrii acestuia.
Fig. 1.4. Schema bloc a unui regulator dual
Regulatorul poate fi privit ca fiind alctuit din dou pri: un estimator
neliniar i un regulator cu reacie. Pe baza msurtorilor din proces, estimatorul
genereaz distribuia de probabilitate condiionat a strii numit hiperstare.
Regulatorul este o funcie neliniar care realizeaz o legtur ntre hiperstare i
spaiul variabilelor de comand. Simplitatea structural a acestei soluii se obine
cu preul introducerii hiperstrii care poate fi un vector cu dimensiune foarte mare.
2. Estimarea n timp real a parametrilor
2.1. Introducere
Determinarea on-line a parametrilor procesului este o problem esenial a
conducerii adaptive. S-a vzut c n structura unui regulator autoacordabil apare
explicit un estimator al parametrilor (vezi Fig. 1.3). Dar i structura regulatorului
adaptiv cu model de referin conine implicit un estimator al parametrilor (vezi
Fig. 1.2). n acest capitol se prezint cteva metode pentru estimarea on-line a
parametrilor procesului privite n contextul identificrii sistemului. Elementele de
baz ale identificrii unui sistem sunt: alegerea structurii modelului, realizarea
experimentelor, estimarea parametrilor i validarea modelului. Deoarece n
sistemele adaptive identificarea sistemului se face automat, este esenial
nelegerea tuturor aspectelor acestei probleme. Alegerea structurii modelului i
Regulator
(neliniar)
Proces
Calcul
hiperstare
Referin Comand Ieire
Hiperstare
6
parametrizarea sunt elemente fundamentale. Problemele de identificare se
simplific dac modelele sunt simple i mai mult, liniare n raport cu parametrii.
Realizarea experimentelor impune cteva cunotine despre proces, dar i ce tip de
semnale trebuie aplicate pentru a obine rezultate concludente. Cum n sistemele
adaptive parametrii procesului se modific continuu, sunt necesare metode de
estimare care s actualizeze recursiv valorile parametrilor estimai.
Pentru estimarea parametrilor, o tehnic de baz este metoda celor mai mici
ptrate (c.m.m.p.). Metoda este foarte simpl n cazul proceselor descrise prin
modele liniare n raport cu parametrii, situaie n care estimrile pot fi calculate i
analitic.
2.2. Metoda celor mai mici ptrate
Metoda celor mai mici ptrate poate fi aplicat unei clase largi de probleme.
Metoda este simpl n cazul unui proces descris printr-un model matematic de
forma:
0 0 0
2 2
0
1 1
) ( ) ( ) ( ) ( ) ( = + + + = i i i i i y
T
n n
L (2.1)
unde y este variabila observat,
0 0
2
0
1
, , ,
n
K sunt parametrii modelului ce trebuie
determinai, iar
n
, , ,
2 1
K sunt funcii cunoscute care pot depinde de alte
variabile cunoscute. Definim vectorii:
)] ( ) ( ) ( [ ) (
2 1
i i i i
n
T
= L ,
T
n
] [
0 0
2
0
1
0
= L
Indexul i din (2.1) aparine unei muimi discrete i reprezint timpul la pasul i .
Funciile
i
se numesc variabile regresoare sau regresori, iar modelul (2.1) se
numete model regresiv. Perechile observaiilor i regresorilor
} , , 2 , 1 )), ( ), ( {( t i i i y K = se obin prin efectuarea unui experiment. Se pune
problema determinrii parametrilor astfel nct ieirile calculate cu modelul (2.1)
se apropie ct mai mult posibil de variabilele msurate ) (i y n sensul celor mai
mici ptrate. Rezult c parametrii trebuie alei astfel nct s minimizeze
funcia cost:
( )
=
=
t
i
T
i i y t V
1
2
) ( ) (
2
1
) , ( (2.2)
Deoarece variabila y este liniar n raport cu parametrii
0
i criteriul este
unul ptratic, problema admite o soluie analitic. Introducem notaiile
T
t y y y t Y )] ( ) 2 ( ) 1 ( [ ) ( K =
T
t t E )] ( ) 2 ( ) 1 ( [ ) ( = K
7
(
(
(
=
) (
) 1 (
) (
t
t
T
T
M
( )
1
1
1
) ( ) ( ) ( ) ( ) (
=
|
|
.
|
\
|
= =
t
i
T T
i i t t t P (2.3)
unde rezidurile ) (i sunt definite prin:
= = ) ( ) ( ) ( ) ( ) ( i i y i y i y i
T
Cu aceste notaii, funcia cost (2.2) se rescrie sub forma:
=
= = =
t
i
T
E E E i t V
1
2 2
|| ||
2
1
2
1
) (
2
1
) , (
unde E se poate rescrie sub forma:
= = Y Y Y E
(2.4)
Soluia problemei celor mai mici ptrate este dat de urmtoarea teorem.
Teorema 2.1. Estimarea pe baza celor mai mici ptrate (c.m.m.p).
Funcia cost (2.2) admite un minim n raport cu parametrii
astfel nct:
Y
T T
=
(2.5)
Dac matricea
T
este nesingular, mininul este unic i este dat de:
Y
T T
=
1
) (
(2.6)
Demonstraie. Funcia cost (2.2) poate fi scris ca:
+ = = =
T T T T T T T T
Y Y Y Y Y Y E E t V ) ( ) ( ) , ( 2 (2.7)
Deoarece matricea
T
este ntotdeauna nenegativ definit, funcia V are un
minim. Funcia V fiind ptratic n raport cu , minimul su poate fi alculat n mai
multe moduri. Unul ditre acestea cost n calculul gradientului n raport cu . Un
alt mod const n a completa expresia (2.7) pentru a obine un ptrat, astfel:
Y Y Y Y Y Y Y Y t V
T T T T T T T T T T T T
+ + =
1 1
) ( ) ( ) , ( 2
( ) ( ) ( ) Y Y Y I Y
T T T
T
T T T T
+ =
1 1 1
) ( ) ( ) ( (2.8)
Primul termen din membrul drept este independent de , iar cel de-al doilea este
ntotdeauna pozitiv. Minimul se obine pentru:
Y
T T
= =
1
) (
Observaii:
8
1. Ecuaia (2.5) se numete ecuaie normal. Ecuaia (2.6) poate fi scris sub
forma:
|
|
.
|
\
|
=
|
|
.
|
\
|
|
|
.
|
\
|
=
= =
=
t
i
t
i
t
i
T
i y i t P i y i i i t
1 1
1
1
) ( ) ( ) ( ) ( ) ( ) ( ) ( ) (
(2.9)
2. Condiia ca matricea
T
s fie inversabil se numete condiie de
excitaie.
3. Criteriul celor mai mici ptrate pondereaz toate erorile ) (i n mod egal,
ceea ce corepunde ipotezei c toate msurtorile au aceeai precizie.
Funcia criteriu V poate fi modificat considernd ponderi diferite ale
erorilor, astfel
WE E V
T
2
1
= (2.10)
unde W este o matrice de ponderare diagonal. Estimrile parametrilor vor fi acum
date de:
WY W
T T
=
1
) (
(2.11)
Interpretare geometric
Problema celor mai mici ptrate poate fi interpretat ca o problem de
geometrie n spaiul
t
, unde t este numrul observaiilor. Fig. 2.1 prezint situaia
cu doi parametrii i trei observaii. Vectorii
1
i
2
acoper un plan, dac sunt liniar
independeni. Mrimea predictiv Y
se afl
n planul format de
1
i
2
. Eroarea
Y Y E
(
(
(
(
(
(
(
(
(
(
(
(
=
(
(
(
(
) (
) 2 (
) 1 (
) (
) 2 (
) 1 (
) (
) 2 (
) 1 (
) (
) 2 (
) 1 (
1
1
1
1
M
L
M M M
sau
n
n
Y E = L
2
2
1
1
unde
i
sunt coloanele matricei . Probema celor mai mici ptrate poate fi
interpretat ca probema gsirii constantelor
n
, , ,
2 1
K astfel nct vectorul
Y
E
2
1
1
2
2
Fig. 2.1. Interptrtarea geometric a
estimatorului celor ai mici ptrate
9
Y s fie aproximat ct mai bine posibil printr-o combinaie liniar a
vectorilor
n
, , ,
2 1
K . Fie Y
t estimarea
parametrului obinut pe baza primelor 1 t msurtori. Presupunem c
matricea
T
este nesingular pentru orice t. Din definiia lui ) (t P dat de (2.3)
rezult c:
) ( ) ( ) 1 ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) (
1
1
1 1
1
t t t P t t i i i i t t t P
T T
t
i
T
t
i
T T
+ = + = = =
= =
(2.14)
Estimrile parametrului bazate pe metoda celor mai mici ptrate sunt ate
de ecuaia (2.9):
|
|
.
|
\
|
+ =
|
|
.
|
\
|
=
= =
) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) (
1
1 1
t y t i y i t P i y i t P t
t
i
t
i
Din (2.9) i (2.14) se deduce c:
) 1 (
) ( ) ( ) 1 (
) ( ) 1 (
) 1 ( ) ( ) (
1 1
1
1
= =
t t t t t P t t P i y i
T
t
i
Estimrile la pasul t se pot rescrie sub forma:
) ( ) ( ) ( ) 1 (
) ( ) ( ) ( ) 1 (
) (
t y t t P t t t t P t t
T
+ =
( ) ) ( ) ( ) 1 (
) 1 (
) ( ) ( ) ( ) ( ) 1 (
t t K t t t t y t t P t
T
+ = + =
unde ) ( ) ( ) ( t t P t K = , ) 1 (
) ( ) ( ) ( = t t t y t
T
.
Eroarea ) (t poate fi interpretat ca eroarea n predicia cu un pas a
semnalului ) (t y bazat pe estimarea ) 1 (
t .
10
Pentru a continua este necesar deducerea unei ecuaii recursive pentru ) (t P ,
nu numai pentru ) (
1
t P
+ = + = = t t t P t t t t t t t P
T T T T
( ) ) 1 ( ) ( ) ( ) 1 ( ) ( ) ( ) 1 ( ) 1 (
1
+ =
t P t t t P t I t t P t P
T T
Aceast conduce la:
( )
1
) ( ) 1 ( ) ( ) ( ) 1 ( ) ( ) ( ) (
+ = = t t P t I t t P t t P t K
T
Se observ c matricea ce trebuie inversat are aceeai dimensiune cu numrul
msurtorilor. Rezult c pentru un sistem cu o singur ieire, aceast este un
scalar.
Algoritmul recursiv al celor mai mici ptrate este prezentat n teorema
urmtoare.
Teorema 2.3. Algoritmul recursiv bazat pe metoda c.m.m.p.
Presupunem c matricea ) (t are rang maxim, adic, ) ( ) ( t t
T
este nesingular,
0
t t . Dndu-se ) (
0
t i ( )
1
0 0 0
) ( ) ( ) (
= t t t P
T
, estimarea ) (
t satisface
urmtoarele ecuaii recursive:
( ) ) 1 (
) ( ) ( ) ( ) 1 (
) (
+ = t t t y t K t t
T
(2.15)
( )
1
) ( ) 1 ( ) ( ) ( ) 1 ( ) ( ) ( ) (
+ = = t t P t I t t P t t P t K
T
(2.16)
( ) ) 1 ( ) ( ) ( ) 1 ( ) ( ) ( ) 1 ( ) 1 ( ) (
1
+ =
t P t t t P t I t t P t P t P
T T
( ) ) 1 ( ) ( ) ( = t P t t K I
T
(2.17)
Observaii:
1. Intuitiv, valoarea estimat ) (
) ( ) ( t t t y
T
, unde ultimul termen poate fi interpretat ca valoarea predictiv
a lui y la momentul t obinut prin modelul (2.1). Termenul corecie este astfel
11
proporional cu diferena dintre valoarea msurat a lui ) (t y i predicia lui ) (t y
bazat pe estimarea anterioar a parametrilor. Componentele vectorului ) (t K sunt
factori de ponderare care combin corecia i estimarea anterioar.
2. Estimatorul bazat pe metoda c.m.m.p. poate fi interpretat ca un filtru
Kalman pentru procesul:
) ( ) 1 ( t t = +
) ( ) ( ) ( ) ( t e t t t y
T
+ = (2.18)
3. Ecuaiile recursive pot fi desuse pornind i de la funcia cost (2.2).
Folosind (2.8) i (2.6), se obine:
) , ( ) 1 , ( 2 ) , ( 2
2
t t V t V + =
( ) ) 1 ( ) 1 ( ) 1 ( ) 1 ( ) 1 ( ) 1 (
1
|
.
|
\
|
=
t Y t t t t I t Y
T T
( ) ( ) ( ) ( ) + + ) ( ) ( ) ( ) ( ) 1 (
) 1 ( ) 1 ( ) 1 (
t t y t t y t t t t
T
T
T T
T
(2.19)
Cum primul termen din membrul drept este independent de , iar termenii rmai
sunt ptratici n , rezult c ) , ( t V poate fi uor minimizat n raport cu .
Precizm c matricea ) (t P este definit numai dac matricea ) ( ) ( t t
T
este nesingular. Deoarece
) ( ) ( ) ( ) (
1
i i t t
T
t
i
T
=
=
rezult c
T
este totdeauna nesingular dac n t < . Pentru a obine o condiie
iniial penru P, este necesar sa se aleag
0
t t = astfel nct ) ( ) (
0 0
t t
T
s fie
nesingular. Atunci, condiiile iniiale vor fi:
( )
1
0 0 0
) ( ) ( ) (
= t t t P
T
) ( ) ( ) ( ) (
0 0 0 0
t Y t t P t
T
=
Ecuaiile recursive pot fi utilizate pentru
0
t t > . Totui, este convenabil ca ecuaiile
recursive s se utilizeze n toi paii. Dac ecuaiile recursive pornesc din condiia
iniial
0
) 0 ( P P = , unde
0
P este pozitiv definit, atunci
( )
1
1
0
) ( ) ( ) (
+ = t t P t P
T
Notm c ) (t P poate fi fcut s tind ctre valoarea lui ( )
1
) ( ) (
t t
T
prin
alegerea lui
0
P suficient de mare.
Parametrii variabili n timp
n modelul (2.1), parametrii
0
i
sunt presupui constani. n multe probleme
adaptive este interesant s se considere situaia n care parametrii sunt ariabili n
12
timp. Prin extinderea metodei de estimare bazat pe c.m.m.p. se pot acoperii dou
cazuri: cazul n care parametrii se pot modifica brusc, dar destul de rar i cazul n
care parametrii se pot modifica continuu, dat lent.
Cazul modificrilor brute ale parametrilor poate fi acoperit prin resetare,
adic matricea P din algoritmul c.m.m.p. (Teorema 2.3) este resetat periodic la
valoarea I , unde este un numr cu valoare mare. Acesta face ca matricea
amplificatoare ) (t K s ia valori mari i ca estimarea s fie actualizat cu unpas
mare.
Cazul n care parametrii se modific continuu, dat lent poate fi acoperit prin
modele matematice relativ simple. O abordare simpl const n nlocuirea
criteriului (2.2) cu criteriul:
( )
=
t
i
T i t
i i y t V
1
2
) ( ) (
2
1
) , ( (2.20)
unde parametrul ales astfel nct 1 0 < , se numete factor de uitare sau
factor de reducere. Funcia criteriu din (2.20) realizeaz o ponderare variabil n
timp a datelor. Datele cele mai recene sunt ponderate cu 1, pe cnd datele cu o
vechime de n pai sunt ponderate cu
n
. De aceea, metoda se mai numete i cu
uitare exponenial sau reducere exponenial. Repetnd calculele din Teorema
2.3, dar pentru criteriul (2.20), se obine urmtorul rezultat.
Teorema 2.4. Algoritmul recursiv al c.m.m.p. cu uitare exponenial.
Presupunem c matricea ) (t are rang maxim pentru orice
0
t t . Parametrul
care minimizeaz funcia (2.20) este dat recursiv prin:
( ) ) 1 (
) ( ) ( ) ( ) 1 (
) (
+ = t t t y t K t t
T
( )
1
) ( ) 1 ( ) ( ) ( ) 1 ( ) ( ) ( ) (
+ = = t t P t I t t P t t P t K
T
(2.21)
( ) = / ) 1 ( ) ( ) ( ) ( t P t t K I t P
T
Un dezavantaj al uitrii exponeniale este acela c datele sunt reduse ciar
dac 0 ) ( ) ( = t t P . Aceast condiie nseamn c ) (t y nu mai conine nici un fel de
informaie nou despre parametrul . Din (2.21) se vede c n acest caz matricea P
crete exponenial cu viteza .
Algoritmi simplificai
Algoritmii recursivi bazai pe metoda c.m.m.p. dai de Teorema 2.3 conin
dou deturi de variabile de stare,
t care minimizeaz
|| ) 1 (
) (
|| t t cu condiia ca ) (
) ( ) ( t t t y
T
= . Pentru a lua n considerare
aceast constrngere introducem un multiplicator Lagrange notat . Funcia cost
care trebuie minimizat capt forma:
( ) ( ) ( ) ) (
) ( ) ( ) 1 (
) (
) 1 (
) (
2
1
t t t y t t t t V
T
T
+ =
Derivnd acesat relaie n raport cu ) (
t i , se obine:
0 ) ( ) 1 (
) (
= t t t
0 ) (
) ( ) ( = t t t y
T
Rezolvnd aceste ecuaii n raport cu ) (
t se obine:
( ) ) 1 (
) ( ) (
) ( ) (
) (
) 1 (
) (
+ = t t t y
t t
t
t t
T
T
(2.23)
Acest algoritm se numete algoritmul de proiecie Kaczmarz. Pentru a putea
modifica lungimea pasului pentru ajustarea parametrului ) (
t se introduce un
factor astfel:
( ) ) 1 (
) ( ) (
) ( ) (
) (
) 1 (
) (
+ = t t t y
t t
t
t t
T
T
Pentru evitarea mpririi prin 0 cara apare atunci cnd 0 ) ( = t , la numitor se
introduce un termen de corecie, expresia ) ( ) ( t t
T
devenind + ) ( ) ( t t
T
, unde
este o costant pozitiv. Se obine astfel urmtorul algoritm:
Algoritmul 2.1. Algoritmul de proiecie.
( ) ) 1 (
) ( ) (
) ( ) (
) (
) 1 (
) (
+
+ = t t t y
t t
t
t t
T
T
(2.24)
unde 0 i 2 0 < < .
Observaii.
14
1. n unele publicaii acest algoritm se numete algoritmul de proiecie
normalizat.
2. Mrginirea parametrului se obine din urmtoarele considerente.
Presupunem c datele au generate prin (2.22) cu parametrul
0
= . Din (2.24) se
deduce ca eroarea parametric
0
~
= satisface ecuaia:
) 1 (
~
) ( ) (
~
= t t A t
unde
) ( ) (
) ( ) (
) (
t t
t t
I t A
T
T
+
=
Matricea ) (t A are o valoare proprie
+
+
=
T
T
) 1 (
Aceast valoare proprie este mai mic dect 1 dac 2 0 < < . Celelalte valori
proprii ale lui A sunt egale cu 1.
Algoritmul de proiecie presupune c datele sunt generate prin (2.22) far
erori. Cnd datele sunt afectate de zgomot, adic sunt generate printr-o relaie de
forma
) ( ) ( ) (
0
i e i i y
T
+ =
unde
0
este vectorul parametrilor adavrai, iar } , 2 , 1 ), ( { K = i i e este o secven
de variabile aleatoare cu media nul, uniform distribuite, un algoritm simplificat
este dat de
( ) ) 1 (
) ( ) ( ) ( ) ( ) 1 (
) (
+ = t t t y t t P t t
T
(2.25)
unde
1
1
) ( ) ( ) (
=
|
|
.
|
\
|
=
t
i
T
i i t P (2.26)
Acesta este algoritmul stochastic aproximativ. Precizm c acum
T
t P = ) ( este
scalar dac ) (t y este scalar. Un algoritm mai simplu este algoritmul celei mai mici
medii, dat de:
( ) ) 1 (
) ( ) ( ) ( ) 1 (
) (
+ = t t t y t t t
T
unde este o constant.
Modele continue n timp
n schemele recursive de mai sus, variabilele au fost indexate prin
parametrul discret t, definind n fapt variabila timp. n practic, exist ns multe
situaii cnd trebuie utilizat observaiile continue n timp. Pentru aceasta, vom
15
generaliza rezultatele obinute pentru cazul discret la cazul continuu. Considernd
situaia uitrii exponeniale, parametrul se va calcula astfel nct acesta s
minimizeze criteriul:
( ) =
d y e V
t
T t
0
2
) (
) ( ) ( ) ( (2.27)
Parametrul 0 corespune factorului de uitare din (2.20). Funcia criteriu
(2.27) admite un minim dac:
=
|
|
.
|
\
|
d y e t d e
t
t
t
T t
0
) (
0
) (
) ( ) ( ) (
) ( ) ( (2.28)
care este ecuaia normal. Estimarea este unic dac matricea:
=
t
T t
d e t R
0
) (
) ( ) ( ) ( (2.29)
este inversabi. Prin deferenierea ecuaiei (2.28) este posibil obinerea unor
ecuaii recursive. Algoritmul de estimare este dat de urmtoarea teorem:
Teorema 2.5. Algoritmul c.m.m.p. n cazul continuu.
Presupunem c matricea ) (t R din (2.29) este invesabil pentru orice t. Estimarea
care minimizeaz (2.27) satisface relaiile:
) ( ) ( ) ( ) (
t e t t P t =
&
(2.30)
) 1 (
) ( ) ( ) ( = t t t y t e
T
(2.30)
) ( ) ( ) ( ) ( ) ( ) ( t P t t t P t P t P
T
=
&
(2.30)
Demonstraia teoremei de face prin diferenierea ecuaiei (2.28).
Observaii.
1. Matricea ) ( ) (
1
t P t R
= satisface
T
R R + =
&
.
2. Exist de asemenea algoritmi simplificai pentru algoritmii continui n
timp. Algoritmul de proiecie corespunztor ecuaiilor (2.25) i (2.26) este dat e
ecuaia (2.30) cu
1
0
) ( ) ( ) (
|
|
.
|
\
|
=
d t P
t
T
unde ) (t P este acum un scalar.