4/22

Introducere
.. Experiment
Experiment de
de identificare
identificare [13/16]
[13/16]

Clasa uzual
de modele de identificare
uzual

Alegerea
Alegerea clasei
clasei
de
de modele
modele de
de
identificare
identificare

Informaie preliminar despre proces

Scopul identificrii procesului

Organizarea
experimentului
econometric

Achiziia i
prelucrarea
primar a datelor

ARMAX
ARMAX

U
Y

Auto-Regresive, de Medie Alunectoare, avnd control eXogen

Alegerea unui tip de model particular din clasa precizat

se realizeaz innd cont de dou proprieti dezirabile:

Alegerea clasei
de modele de
identificare

M ()
Alegerea
metodei de
identificare

Alegerea
modelului de
identificare

M ()

Pentru fiecare structur de model din ce n ce mai

bogat (m{1,2,,M):
se determin parametrii modelului ales, m;
se evalueaz precizia modelului (V (m) sau P(m)).

Alegerea
Alegerea
modelului
modelului de
de
identificare
identificare

Alegerea modelului
adecvat datelor
achiziionate

M (o)
NU

DA

Validarea
modelului

Precizie
acuratee)
Precizie ((acuratee)

Model valid

M (o)

apropiat de ecuaiile rezultate prin aplicarea legilor fizico-chimice care

descriu funcionarea procesului (dac aceste ecuaii sunt disponibile)
parsimonious (srac, zgrcit)
Parsimonie
simplitate)
Parsimonie ((simplitate)

cu un grad minim de complexitate algoritmic implicat

de metodele necesare pentru determinarea sa

Principiul
Principiul parsimoniei
parsimoniei

Cele
propriet
i
Cele dou
dou
proprieti
sunt
!
sunt opuse
opuse!

Dintre toate modelele de identificare adecvate i valide, vor fi preferate

cele care asigur un compromis ct mai bun ntre precizie i parsimonie.
n
n IS
acurate
ea modelului
n favoarea
IS,, este
este sacrificat
sacrificat
acurateea
modelului n
favoarea
implementabilit
ii sale
implementabilitii
sale sau
sau aa metodei
metodei de
de identificare
identificare..

32

5/22

Introducere
.. Experiment
Experiment de
de identificare
identificare [14/16]
[14/16]

Modelul matematic determin metoda pentru determinarea

parametrilor si, dup cum metoda, prin complexitatea ei,

poate fora alegerea unui alt model matematic, mai uor de
determinat.

Exemplu
Exemplu

Informaie preliminar despre proces

Scopul identificrii procesului

Alegerea
Alegerea
metodei
metodei de
de
identificare
identificare

Organizarea
experimentului
econometric

Alegerea clasei
de modele de
identificare

Achiziia i
prelucrarea
primar a datelor

U
Y

M ()
Alegerea
metodei de
identificare

Alegerea
modelului de
identificare

M ()

Pentru fiecare structur de model din ce n ce mai

bogat (m{1,2,,M):
se determin parametrii modelului ales, m;
se evalueaz precizia modelului (V (m) sau P(m)).

A
plicaie de
Aplicaie
de
comand

comand
numeric

numeric

Model:
Model: ARX
ARX

Alegerea modelului
adecvat datelor
achiziionate

Auto-Regresiv, cu control eXogen

M (o)

Metod
: MCMMP
Metod:
MCMMP sau
sau MVI
MVI

NU

Validarea
modelului

DA

Model valid

Metoda Variabilelor Instrumentale

Metoda Celor Mai Mici Ptrate
Modelul ARX nu este neaprat cel mai potrivit pentru aceast aplicaie,
dar metoda de identificare este eficient.
Modele din clasa ARMAX care corespund mai bine aplicaiei:

M (o)

OE
OE

Output Error (eroare de ieire)

FIFN
FIFN

Filtered Input Filtered Noise (cu intrri i perturbaii filtrate independent)

Acestea se pot determina cu ajutorul metodelor:

MCMMPE
MCMMPE

Metoda Celor Mai Mici Ptrate Extins

MMEP
MMEP

Metoda Minimizrii Erorii de Predicie

MMEI
MMEI

Metoda Minimizrii Erorii de Ieire

Care
Care au
au un
un grad
grad de
de
complexitate
!
complexitate ridicat
ridicat!

33

6/22

Introducere
.. Experiment
Experiment de
de identificare
identificare [15/16]
[15/16]
Pentru fiecare structur de model din ce n ce mai
bogat (m{1,2,,M):
se determin parametrii modelului ales, m;
se evalueaz precizia modelului (V (m) sau P(m)).

Informaie preliminar despre proces

Scopul identificrii procesului

Organizarea
experimentului
econometric

Achiziia i
prelucrarea
primar a datelor

U
Y

Alegerea clasei
de modele de
identificare

M ()
Alegerea
metodei de
identificare

Alegerea
modelului de
identificare

M ()

Pentru fiecare structur de model din ce n ce mai

bogat (m{1,2,,M):
se determin parametrii modelului ales, m;
se evalueaz precizia modelului (V (m) sau P(m)).

indicele structural al
modelului (parametric)

Alegerea modelului
adecvat datelor
achiziionate

Alegerea modelului
adecvat datelor
achiziionate

m = n

M (o)
NU

Validarea
modelului

DA

Model valid

M (o)

Acesta
Acesta constituie
constituie nucleul
nucleul experimentului
experimentului de
de identificare
identificare..

Teste ((criterii)
criterii)
de adecvan
adecvan
Exemplu
Exemplu

Modele de identificare de acelai tip, dar de diferite structuri sunt mai nti
determinate i apoi comparate ntre ele, din punctul de vedere al preciziei,
n vederea alegerii celui adecvat.
Testul
bazat
Testul de
de adecvan
adecvan
bazat pe
pe
criteriul
rii preciziei
criteriul aplatiz
aplatizrii
preciziei

V (m)

indicele structural optimal

mo

Datorit
Principiului
Datorit
Principiului parsimoniei
parsimoniei,,
modelul
n mod
modelul adecvat
adecvat nu
nu are
are n
mod
necesar
,
necesar structura
structura cea
cea mai
mai complex
complex,
aaa
a cum
testul
.
cum indic
indic
testul de
de adecvan
adecvan.
indicele structural maximal

34

7/22

Introducere
.. Experiment
Experiment de
de identificare
identificare [16/16]
[16/16]
Numai
Numai modelele
modelele de
de identificare
identificare adecvate
adecvate ii valide
valide pot
pot fifi
returnate
desf
urarea experimentului
returnate dup
dup
desfurarea
experimentului de
de identificare
identificare..
Validarea unui model de identificare?
Opera
ie care
n
n testarea
ionrii
Operaie
care const
const
testarea func
funcionrii
modelului
modelului comparativ
comparativ cu
cu cea
cea aa procesului
procesului,,
atunci
nd se
iaz oo nou
sesiune
atunci ccnd
se ini
iniiaz
nou
sesiune de
de
stimulare
i cu
i intrare
stimulare aa ambelor
ambelor entit
entiti
cu aceea
aceeai
intrare..

Informaie preliminar despre proces

Scopul identificrii procesului

Organizarea
experimentului
econometric

Achiziia i
prelucrarea
primar a datelor

Validarea
modelului

U
Y

Alegerea clasei
de modele de
identificare

M ()
Alegerea
metodei de
identificare

Alegerea
modelului de
identificare

M ()

Pentru fiecare structur de model din ce n ce mai

bogat (m{1,2,,M):
se determin parametrii modelului ales, m;
se evalueaz precizia modelului (V (m) sau P(m)).

Alegerea modelului
adecvat datelor
achiziionate

M (o)
NU

Validarea
modelului

DA

Model valid

P ((
**)
u [n]

y [n]
+
-

M ((
oo)

M (o)

Exemplu
Exemplu
[n,o]

yM [n,o]

Testul
rii
Testul de
de albire
albire din
din cazul
cazul utiliz
utilizrii
MCMMP
MCMMP
EEroarea
roarea dintre
dintre proces
proces ii model
model trebuie
trebuie
zgomot alb
alb
ss
aib
caracteristicile
aib
caracteristicile unui
unui zgomot
normal
normal distribuit
distribuit (Gaussian)
(Gaussian)..

def

[ n, o ] = y[ n] yM [ n, o ]

Extrem
Extrem de
de important
important
Validarea
se
Validarea unui
unui model
model de
de identificare
identificare trebuie
trebuie ss
se efectueze
efectueze pe
pe un
un
alt
t cel
alt set
set de
de date
date dec
dect
cel utilizat
utilizat pentru
pentru determinarea
determinarea modelului
modelului..

-3

+3 [n,]

35

Introducere

8/22

z{{{{{{]
.. Exemplu
Identificareaunei
uneiaeroterme
aeroterme [[z{{{{{{]
Exemplu Identificarea

Principala caracteristic a unei aeroterme: capacitatea

de a pstra temperatura constant a aerului ventilat la
ieire, n pofida temperaturii aerului absorbit.
Aceasta se realizeaz cu un sistem de compensare a
temperaturii bazat pe o bucl simpl de reglare.

Problem

Problem
Identificarea aerotermei n bucl deschis, n
vederea proiectrii regulatorului care s asigure
rejecia perturbaiilor i meninerea temperaturii n
jurul unei valori dorite.

Perturbaii?
CCureni
ureni de
de aer
aer de
de diferite
diferite temperaturi
temperaturi..

Desf
urarea experimentului
Desfurarea
experimentului de
de identificare
identificare
Precizarea
iilor preliminare
Precizarea informa
informaiilor
preliminare

Aeroterma
Schema
ional
Schemafunc
funcional
pagina urmtoare

SSistem
istem electro
-mecanic, ale
electro-mecanic,
ale
ccrui
rui ecua
ii de
ionare
ecuaii
de func
funcionare
bazate
bazate pe
pe legile
legile dinamicii,
dinamicii,
electricit
ii ii termodinamicii
electricitii
termodinamicii
conduc
ordinul
conduc la
la concluzia
concluzia cc
ordinul
maxim
maxim al
al modelului
modelului de
de
identificare
identificare este
este 22 ..

36

9/22

Introducere
.. Exemplu
Exemplu

Identificarea
zz{{{{{]
Identificareaunei
uneiaeroterme
aeroterme [[zz{{{{{]

Desf
urarea experimentului
continuare)
Desfurarea
experimentului de
de identificare
identificare ((continuare)
Precizarea
iilor preliminare
continuare)
Precizarea informa
informaiilor
preliminare ((continuare)

Schema
ional aa aerotermei
Schemafunc
funcional
aerotermei

AC

~
intrarea
procesului

Senzor de
temperatur

Termostat

Amplificator
Amplificator
de
de putere
putere

ieirea
procesului

Aerul rece este ventilat ctre o rezisten electric alimentat prin intermediul unui

amplificator de putere, care poate varia tensiunea i/sau intensitatea curentului electric
ce o traverseaz. Temperatura aerului cald este msurat prin intermediul unui senzor.
Pe circuitul de la intrare la ieire exist 4 componente ale procesului:
amplificatorul de putere, rezistena electric, fluxul de aer cald i senzorul de temperatur.
Procesul este neliniar, dar liniarizabil n jurul fiecrei temperaturi din plaja
37
admisibil pe care o poate asigura rezistena electric (avnd o putere maxim).

10/22

Introducere
.. Exemplu
Exemplu

Identificarea
zzz{{{{]
Identificareaunei
uneiaeroterme
aeroterme [[zzz{{{{]

Desf
urarea experimentului
continuare)
Desfurarea
experimentului de
de identificare
identificare ((continuare)
Precizarea
iilor preliminare
continuare)
Precizarea informa
informaiilor
preliminare ((continuare)

timpul de stabilizare a unei temperaturi fixate este de circa 2s.

Se poate considera c parametrii procesului sunt constani.
Aeroterma poate fi comandat cu o gam larg de semnale de intrare, inclusiv de
persisten ridicat, dar cu amplitudinea limitat de capacitatea amplificatorului de putere.
Perturbaia provine de la fluxul de aer rece, care poate avea att temperatur ct i debit variabile.

Determinarea
iu model
rii unui
Determinarea un
uniu
model matematic
matematic necesar
necesar proiect
proiectrii
unui regulator
regulator automat
automat
care
asigure
t oo bun
rejec
ie aa perturba
iilor, cct
t ii men
inerea temperaturii
care ss
asigure at
att
bun
rejecie
perturbaiilor,
meninerea
temperaturii
fluxului
n jurul
fluxului de
de aer
aer cald
cald n
jurul unei
unei valori
valori precizate
precizate prin
prin intermediul
intermediul termostatului
termostatului..
r

+-

Regulator
Regulator
automat
automat

Cutie
Cutie
neagr

neagr

Date de

ieire

Date de

intrare

Referin

Ieire

Scopul
identificrii

Procesul poate fi considerat ca avnd un tip mediu de variaie, deoarece

Model
Model de
de identificare
identificare
adecvat,
adecvat, valid
valid

38

Introducere
.. Exemplu
Exemplu

11/22

Identificarea
zzzz{{{]
Identificareaunei
uneiaeroterme
aeroterme [[zzzz{{{]

Desf
urarea experimentului
continuare)
Desfurarea
experimentului de
de identificare
identificare ((continuare)
Stimularea
ia datelor
Stimularea procesului
procesului ii achizi
achiziia
datelor

Frecvena de tiere a filtrului analogic: Fc = 50 [Hz]

Frecvena de eantionare: Fs = 100 [Hz]
Timpul mort normalizat: nk = 10
Se renun pre-filtrarea digital, deoarece SNR este suficient de mare.
Colectarea datelor se poate realiza fie cu o plac de achiziie de uz general,

fie cu un sistem de achiziie dedicat. Capabilit

i principale
Capabiliti
principale
LMS
Belgia)
pre-filtrarea datelor
LMSRoadrunner
Roadrunner((Belgia)
cuantificarea datelor pe 12 bii
(numrul maxim de bii: 32)
achiziie de date simultan pe cel puin 2 canale
(dispune de 4 canale cu extensie la 16 canale)
plaj larg de frecvene de eantionare
(ntre 1 Hz i 100 kHz)
compatibilitate cu un mare numr de senzori
posibilitatea de a trasa spectre i chiar spectrograme
(spectre varibile n decursul timpului)
Semnalul de stimul (de persisten ridicat): Pseudo-Aleator (Binar) (SPA(B)).
39
Dimensiunea orizontului de msur: N = 210 = 1024

12/22

Introducere
Identificarea
zzzzz{{]
Identificareaunei
uneiaeroterme
aeroterme [[zzzzz{{]

.. Exemplu
Exemplu

Desf
urarea experimentului
continuare)
Desfurarea
experimentului de
de identificare
identificare ((continuare)
e

Alegerea
Alegerea clasei
clasei de
de modele
modele ii aa modelului
modelului specific
specific

Clasa
Clasade
de
modele
modele
ARMAX
ARMAX
[[na,nb,bc]
na,nb,bc]

q 1

A(q 1 ) y[n] = B(q 1 )u[n] + C(q 1 )e[n] Filtru de zgomot

 
 
 

AR
X
MA n N
Auto-Regresiv Control
Medie
eXogen Alunectoare Filtru de sistem
Operatorul
Operatorul de
de ntrziere
ntrziere cu
cu un
un pas.
pas.

( q f ) [n] = f [n 1] n Z

Polinoame

A( q 1 ) = 1 + a1q 1 + " + ana q na

1
b1q nk + " + bnb q1 nk nb
B( q ) =
C( q 1 ) = 1 + c q 1 + " + c q nc
1
nc

Zgomotul
Zgomotulalb
alb

0.05
0.05

00

-0.05
-0.05

22

-0.1
-0.1

100
100

150
150

200
200

250
250

300
300

350
350

0.5
0.5
00
-0.5
-0.5
-1
-1
-1.5
-1.5
** Variance:
Variance: 0.697359
0.697359
-2
-2
00
500
500

1000
1000

1500
1500

2000
2000

2500
2500

Necunoscutele
Necunoscutele modelului
modelului
coeficienii polinoamelor
numrul coeficienilor

Modelele posibile ale aerotermei:

Period:
Period: NN == 500
500

11

50
50

zgomotul se transmite instantaneu la ieire

Zgomotul
olorat
Zgomotulccolorat

1.5
1.5

H B/A

intrarea nu se transmite instantaneu la ieire

proces
proces stocastic
stocastic total
total necorelat
necorelat,,
impredictibil
impredictibil

0.1
0.1

00

G C/A

zgomot
zgomot alb
alb
filtrat
filtrat

ARX[2,2]
ARX[2,2]

ARX[2,3]
ARX[2,3]

ARX[3,2]
ARX[3,2]

ARX[3,3]
ARX[3,3]

40

13/22

Introducere
Identificarea
zzzzzz{]
Identificareaunei
uneiaeroterme
aeroterme [[zzzzzz{]

.. Exemplu
Exemplu

Desf
urarea experimentului
continuare)
Desfurarea
experimentului de
de identificare
identificare ((continuare)
Alegerea
Alegerea metodei
metodei de
de identificare
identificare

ARX
ARX

mai bine adaptat modelului

MCMMP
MCMMP sau
sau MVI
MVI

Determinarea
Determinarea modelului
modelului adecvat
adecvat
Informaie preliminar despre proces
Scopul identificrii procesului

Organizarea
experimentului
econometric

Achiziia i
prelucrarea
primar a datelor

U
Y

Alegerea clasei
de modele de
identificare

M ()
Alegerea
metodei de
identificare

Alegerea
modelului de
identificare

M ()

A(q 1 ) y[n] = B(q 1 )u[n] + e[n]

ARX[2,3]
ARX[2,3] 

 

AR

Pentru fiecare structur de model din ce n ce mai

bogat (m{1,2,,M):
se determin parametrii modelului ales, m;
se evalueaz precizia modelului (V (m) sau P(m)).

M (o)
Validarea
modelului

n Z

A(q ) = 1 + a1q + a2q

1
10
1
2
B(q ) = q (b1 + b2q + b3q )
1

Alegerea modelului
adecvat datelor
achiziionate

NU

DA

Model valid

M (o)

nk = 10
Comparnd coeficienii polinomului B ntre ei, se constat c termenul
de grad maxim ar putea fi neglijat n raport cu ceilali termeni.
Modelul
Modelul parsimonios
parsimonios trebuie
trebuie determinat
determinat din
din nou
nou..
Nu
anularea
Nu este
este suficient
suficient
anularea coeficientului
coeficientului termenului
termenului
neglijat
n modelul
in parsimonios
neglijat n
modelul adecvat
adecvat mai
mai pu
puin
parsimonios..
Validarea
Validarea modelului
modelului adecvat
adecvat

Testul de validare eueaz.

Modelul
iilor este
Modelul perturba
perturbaiilor
este
probabil
probabil inadecvat
inadecvat..

ARX[2,2]
ARX[2,2]
model adecvat
parsimonios

41

14/22

Introducere
Identificarea
zzzzzzz]
Identificareaunei
uneiaeroterme
aeroterme [[zzzzzzz]

.. Exemplu
Exemplu

Desf
urarea experimentului
Desfurarea
experimentului de
de identificare
identificare (final)
(final)
Reconsiderarea
Reconsiderarea modelului
modelului matematic
matematic ii aa metodei
metodei de
de identificare
identificare

ARMAX[2,2,
nc]
ARMAX[2,2,nc]

MMEP
MMEP

Nc = 10

indicele structural maxim al

modelului de zgomot

Redeterminarea
Redeterminarea modelului
modelului adecvat
adecvat
Informaie preliminar despre proces
Scopul identificrii procesului

Organizarea
experimentului
econometric

Achiziia i
prelucrarea
primar a datelor

U
Y

Alegerea clasei
de modele de
identificare

M ()
Alegerea
metodei de
identificare

Alegerea
modelului de
identificare

M ()

1
) y[n] = B(q 1 )u[n] + C(q 1 )e[n]
ARMAX[2,2,2]
ARMAX[2,2,2] A(q
 
 
 

Pentru fiecare structur de model din ce n ce mai

bogat (m{1,2,,M):
se determin parametrii modelului ales, m;
se evalueaz precizia modelului (V (m) sau P(m)).

Alegerea modelului
adecvat datelor
achiziionate

M (o)
NU

Validarea
modelului

DA

Model valid

M (o)

AR

MA

A(q ) = 1 + a1q + a2q

1
10
1
B(q ) = q (b1 + b2q )
C(q 1 ) = 1 + c q 1 + c q 2
1
2

Comparnd coeficienii polinomului C ntre ei, se constat c termenul

de grad maxim ar putea fi neglijat n raport cu ceilali termeni.
Modelul
Modelul parsimonios
parsimonios trebuie
trebuie determinat
determinat din
din nou
nou..
Validarea
Validarea modelului
modelului adecvat
adecvat

Modelul este validat.

A(q 1 ) = 1 + a1q 1 + a2q 2

M ((
oo) B(q 1 ) = q 10 (b1 + b2q 1 )
C(q 1 ) = 1 + c q 1
1

n Z

ARMAX[2,2,1]
ARMAX[2,2,1]
model adecvat
parsimonios

42

Metode
Metode de
de
identificare
identificare

Modele de identificare
.. Scurt
clasificare
Scurt
clasificare

Analitice
Au un caracter mai mult teoretic i se obin, de
regul, prin aplicarea legilor fizico-chimice care
caracterizeaz funcionarea unui proces.
Dovedesc o mare aplicabilitate practic, sunt
destul de generale, i precise, dar, de multe ori,
ridic pragul de complexitate dincolo de o limit
admisibil.

n
n acest curs
Liniare
Procesele local liniarizabile n jurul anumitor
puncte de funcionare sunt cele mai rspndite.
Modelele matematice liniare, eventual cu
parametri variabili n timp reprezint adesea
procesele liniare sau local liniarizabile.

15/22

IS
Semnale
Semnale
de
destimul
stimul
Modele
de
Modele de
identificare
identificare

n
n acest curs
Experimentale
Se obin din seturi de date furnizate de ctre
proces i sunt, n general, uor de implementat.
Sufer de lips de generalitate, fiind specifice
anumitor tipuri de procese sau chiar puncte de
funcionare ale aceluiai proces.
Precizia lor este modest.

M
Neliniare
Majoritatea proceselor din natur sunt neliniare,
dar cu diferite grade de neliniaritate.
Procesele profund neliniare sunt dificil de
identificat, ele necesitnd modele matematice
relativ complexe, avnd tot caracter neliniar.

43

Modele de identificare
.

16/22

Scurt clasificare

dar mai mult

Parametrice

n
n acest curs
Neparametrice
Mai puin precise.
Ofer mai mult descrieri calitative ale procesului
de interes, dar pot fi utilizate pentru a stabili
anumite caracteristici ale experimentului de
identificare parametric desfurat ulterior
(ntrziere intrinsec, frecven de eantionare,
numrul maxim de parametri etc.).

Mai precise.

M (()
)

M
Invariante n timp

Single Input Single Output

n
n acest curs

Variabile n timp

n
n acest curs

Multi(ple) Input(s) Multi(ple) Output(s)

SISO

Single Input Multi(ple) Output(s)

SIMO

MISO

MIMO
dar ii
Multi(ple) Input(s)
Single Output

44

17/22

Modele de identificare
.

Scurt clasificare

M
n timp continuu
Procesele care trebuie identificate au de regul o
evoluie n timp continuu.
Sunt mai degrab modele analitice dect
experimentale.
Pentru procesele de complexitate redus, este
posibil determinarea parametrilor funciilor de
transfer (numii i parametri fizici) sau chiar a
parametrilor de stare.

n
n acest curs

n
n acest curs
n timp discret
De regul, sunt modele experimentale.
Uor de implementat i de determinat.

Cu parametri concentrai

Cu parametri distribuii

Cu un numr finit de parametri.

Cu un numr infinit de parametri.

dar mai mult

n domeniul timpului

M
n
n acest curs

n domeniul frecvenei

45

18/22

Modele de identificare
.. Modele
scurt recapitulare
Modele uzuale
uzuale de
de identificare
identificare ((scurt
recapitulare))
Colec
iile de
surate sunt
nd un
stocastic).
Coleciile
de date
date m
msurate
sunt semnale
semnale av
avnd
un caracter
caracter nedeterminist
nedeterminist ((stocastic).
Modelele
statistic
.
Modelele de
de identificare
identificare construite
construite plecnd
plecnd de
de la
la astfel
astfel de
de date
date au
au natur
natur
statistic.

O
O serie
serie de
de modele
modele
statistice
statistice elementare
elementare
au
n
au fost
fost descrise
descrise n
cadrul
cadrul cursului
cursului de
de MS
MS..

O descriere detaliat a acestor modele se poate

consulta n Anexa A.
Exprimarea numeric a modelelor statistice
elementare este datorat Ipotezelor ergodice.

Operator de
de mediere
mediere statistic
statistic
Operator

TTimpul
impul joac
un
n defini
ia operatorului
joac
un rol
rol secundar
secundar n
definiia
operatorului E
E,, deoarece
deoarece integrarea
integrarea se
se
efectueaz
peste
imea valorilor
-a lungul
efectueaz
peste mul
mulimea
valorilor variabilei
variabilei aleatoare
aleatoare ii nu
nu de
de-a
lungul axei
axei timpului
timpului..
Direcia
Direcia de
de integrare
integrare n
n definiia
definiia y
operatorului

operatorului de
de mediere
mediere statistic
statistic
Pentru
Pentru aa putea
putea
calcula
calcula media
media
statistic
, este
statistic,
este
necesar
oo colec
ie
necesar
colecie
infinit
de
ri ii
infinit
de realiz
realizri
cunoa
terea
cunoaterea
densit
ii de
densitii
de
probabilitate
!
probabilitate!
0

y[n] p(y[n])

def

E{ y[ n]} =

Expected

p ( y[n]) y[n] dy[ n]

D ( y [ n ])

Realiz
ri ale
Realizri
ale
procesului
procesului

n N

produsul dintre densitatea

de probabilitate i
variabila aleatoare

E {y[n]}

Variabil
n
Variabil
n timp
timp,,
dar
.
dar determinist
determinist.
n

46

19/22

Modele de identificare
Modele uzuale de identificare (scurt recapitulare)

Ipoteza
((IE)
IE) de
Ipoteza Ergodic
Ergodic
de medie
medie
Media statistic pe ansamblul realizrilor unui proces se poate evalua
calculnd mediile temporale succesive ale oricrei realizri, n jurul
fiecrui moment de timp.
Precizia evalurii crete odat cu numrul datelor care reprezint
acea realizare.

1 n
E{ y[ n]} y[i ]
n i =1

nN

numrul de termeni ai sumei

medie temporal

1
y[i]
n i=1

y[i]

i=1

E {y[n]}

Teorema
de medie

O
O realizare
realizare aa
procesului
procesului

Caz
Cazparticular
particular
Proces
n medie
Proces staionar
staionar ((n
medie))

def

E{ y[ n]} = y = constant

n N

1
y[i ]

n n
i =1

E{ y[ n]} = y = lim

IE
IE

cauzal

1 n+ N
E{ y[ n]} = y = lim
y[i ]

N 2 N
i = n N +1

n
TTimpul
impul joac
rol
ul principal.
joac
rolul
principal.
Direcia
Direcia de
de sumare/integrare
sumare/integrare n
n
definiia
definiia mediei
mediei temporale
temporale

1 n
necauzal E{ y[ n]} n y[i ]
i =1

n N

47

20/22

Modele de identificare
.

Modele uzuale de identificare (scurt recapitulare)

Folosirea
Folosirea IE
IE conduce
conduce la
la posibilitatea
posibilitatea de
de aa aproxima
aproxima operatorul
operatorul de
de mediere
mediere
statistic
n
n aplica
ii practice
r aa cunoa
te densitatea
statistic
aplicaii
practice ffr
cunoate
densitatea de
de probabilitate
probabilitate aa datelor
datelor ii
ffr
r aa efectua
efectua mai
mai mult
mult de
de un
un experiment
experiment econometric
econometric..

Aadar
Aadar

Sumarul
Sumarul modelelor
modelelor statistice
statistice elementare
elementare bazate
bazate pe
pe IE
IE de
de medie
medie
def

[ n] = E{ y 2 [ n]} =
2
y

Dispersie
Dispersie

2
2
2
p
y
[
n
]
y
[
n
]
dy
[ n]
(
)

D ( y 2 [ n ])

y [ n] = y[ n] E{ y[ n]} (centrate pe medie)

n N
def

[ n] = E{ y [ n]}
2
y

Varian
Varian

(dispersia datelor
n jurul mediei)

n N

IE
IE
2y [ n]

n N

def

Date
Date
staionarizate
staionarizate

1
y 2 [i ]

n i =1

n N

Gradul
Gradul de
de grupare
grupare
aa datelor
n jurul
datelor n
jurul
mediei
mediei este
este dat
dat de
de
tubul
ie
tubul de
de devia
deviaie
standard
standard..

(vezi proprietile
E{ y [ n]} = 0 operatorului E din
Anexa A)
n N

def
Deviaie
Deviaie
y [ n] =
standard
standard
factor de proporionalitate

E {y[n]}+y~[n]
E {y[n]}
E {y[n]}-y~[n]

(media ptratelor valorilor)

Exemplu
Exemplu

E{ y 2 [ n]}
n N

Proces
Proces normal
normal
distribuit
distribuit

=3
Cu
t tubul
ngust,
Cu cct
tubul este
este mai
mai ngust,
cu
t precizia
cu at
att
precizia curbei
curbei medii
medii
este
este mai
mai mare.
mare.

48

Modele de identificare
.

21/22

Modele uzuale de identificare (scurt recapitulare)

Ipoteza
de
Ipoteza Ergodic
Ergodic
de covarian
covarian
Secvena de (auto)-covarian a unui proces nu depinde dect de
diferena pivoilor (adic procesul este staionar n covarian) i
este egal cu (auto-)covariana temporal a oricrei realizri cu un
numr infinit de date msurate.

Sumarul

Sumarul modelelor
modelelor statistice
statistice elementare
elementare bazate
bazate pe
pe IE
IE de
de covarian
covarian

Covarian ((ncruciat)
ncruciat)
def

ru , y [ m, n] = E{u[ m] y[ n]} =
pivoi

Arat
cct
t de
statistic
irea cu
Arat
de corelat
corelat
statistic este
este ie
ieirea
cu intrarea
intrarea,,
ambele
innd aceluia
i set
surate.
ambele apar
aparinnd
aceluiai
set de
de date
date m
msurate.

p ( u[ m], y[ n]) u[ m] y[n] du[ m]dy[ n]

D ( u[ m ]) D ( y [ n ])

m, n N

Auto
-covarian
Auto-covarian

Prin
in corela
ii
Prin normare
normare,, se
se ob
obin
corelaii
((ncruciate
ncruciate sau
sau auto).
auto).

def

ry [ m, n] = E{ y[ m] y[ n]} =
pivoi

p ( y[m], y[ n]) y[ m] y[ n] dy[ m]dy[ n]

D ( y [ m ]) D ( y [ n ])

m, n N
def

Similar
Similar

Arat
cct
t de
e statistic
irile
Arat
de corelat
corelate
statistic sunt
sunt ie
ieirile
apar
innd aceluia
i set
surate.
aparinnd
aceluiai
set de
de date
date m
msurate.

ru [ m, n] = E{u[ m]u[ n]} m, n N (auto-covariana datelor de intrare)

49

22/22

Modele de identificare
.

Modele uzuale de identificare (scurt recapitulare)

ru , y [ m, n] = ru , y [ m n] = lim

IE
IE

ry [ m, n] = ry [ m n ] = lim

N + min{ m , n}

1
N ,m,n

i =1+ max{m , n}

N + min{ m , n}

N ,m,n

u[i n] y[i m]

y[i n] y[i m]

i =1+ max{m , n}

ru , y [ k ] = E{u[ n] y[ n k ]} r [ k ] =
ry [ k ] = E{ y[ n] y[ n k ]} ryN [ k ] =

Aproximaii
Aproximaii
similare
similare

N + min{0, k }

N ,k

N ,k

+ -

u[ n] y[ n k ]

n =1+ max{0, k }
N + min{0, k }

pivot

m, n N

Se
diferen
a
Se poate
poate observa
observa cum
cum se
se calculeaz
calculeaz
diferena
pivo
ilor: prin
derea argumentelor
pivoilor:
prin sc
scderea
argumentelor
semnalelor
semnalelor implicate
implicate..
N
u, y

m, n N

k Z

def

m n = k Z
Numitorul
Numitorul factorului
factorului ce
ce precede
precede
oricare
oricare dintre
dintre sume
sume este
este egal
egal cu
cu
num
rul de
numrul
de termeni
termeni ai
ai sumei
sumei..
def

y[ n] y[ n k ]

n =1+ max{0, k }

k Z

N ,m ,n = N + min{m, n} max{m, n}
def

N ,k = N + min{0, k } max{0, k }
Numitorul
ntotdeauna
Numitorul factorului
factorului ce
ce precede
precede sumele
sumele este
este ntotdeauna
egal
sur, N
N..
egal cu
cu dimensiunea
dimensiunea orizontului
orizontului de
de m
msur,

Convenie
Convenie:: semnalele
semnalele
se
se prelungesc
prelungesc cu
cu
zerouri
zerouri n
n afara
afara
orizontului
sur.
orizontului de
de m
msur.
(zero padding)

1
ru , y [ k ]
N
1
ry [ k ]
N

u[ n] y[ n k ]
n =1

k Z

y[ n] y[ n k ]
n =1

k Z

CCele
ele dou
tipuri
ii
dou
tipuri de
de aproxima
aproximaii
sunt
sunt sensibil
sensibil diferite
diferite pentru
pentru
pivo
i dep
rtai de
pivoi
deprtai
de origine.
origine.

50

1/22

Modele de identificare
Modele uzuale de identificare (scurt recapitulare)

Sumarul
Sumarul modelelor
modelelor statistice
statistice elementare
elementare bazate
bazate pe
pe tehnici
tehnici de
de PS
PS

Densitate spectral

spectral
ncruciat
ncruciat (de
(de putere
putere))

def

u , y ( ) = F ( ru , y )(e j ) = ru , y [ k ]e jk

k Z

TF
ncruciat)
TF aa secvenei
secvenei de
de covarian
covarian ((ncruciat)

Densitate spectral

spectral
(de putere
pur)
putere)) ((pur)

def

y ( ) = F ( ry )(e j ) = ry [ k ]e jk
k Z

TF
-covarian
TF aa secvenei
secvenei de
de auto
auto-covarian

Secvenele de (auto-)covarian pot fi recuperate cu ajutorul OF inveri:

+

1
ru , y [ k ] = F 1 ( u , y )[ k ] =
u , y ( )e+ jk d

2
ry [ k ] = F

( y )[ k ] =

k Z

1
+ j k
(
)e

d
y
2

k Z

Zgomot
Zgomot alb
alb

0 0 . .1 1

Utilizat pentru a construi modele stocastice ale perturbaiilor care afecteaz

0 0 . .1 1
0 0 . .0 0 5 5
0 0 . .0 0 5 5
00
00
- -0 0 . .0 0 5 5
- -0 0 . .0 0 5 5
- -0 0 . .1 1
- -0 0 . .1 1
00

5 5 00
00

5 5 00

11 00 0 0
11 00 0 0

1 1 5 5 00
1 1 5 5 00

22 0 0 00
22 0 0 00

Proces
Proces stocastic
stocastic total
total necorelat
necorelat,, impredictibil
impredictibil..

2 2 55 0 0
2 2 55 0 0

3 3 00 0 0
3 3 00 0 0

33 5 5 00
33 5 5 00

partea util a datelor msurate din alte procese i care nu pot fi msurate.
Modele deterministe sunt arareori potrivite pentru a caracteriza sau
51
estima valorile unei perturbaii stocastice.

2/22

Modele de identificare
Modele uzuale de identificare (scurt recapitulare)

Deterministe
Deterministe

Caracteriz
ri calitative
modele neparametrice
) Nedeterministe
Caracterizri
calitative ale
ale proceselor
proceselor ((modele
neparametrice)
Nedeterministe

Analiza
tranzitorie

Analiza pe baz
de corelaie

Analiza n
frecven

Timp
Timp

Prezentate
n
Prezentate pe
pe larg
larg n
cadrul
cadrul cursului
cursului de
de MS
MS..

Analiza
spectral
Frecven
Frecven

O descriere detaliat a acestor modele se poate

consulta n Anexa B.
Ele ajut utilizatorul s determine o serie de
informaii preliminare despre cutia neagr.

Modele
Modele parametrice
parametrice
Prezentate
n
Prezentate pe
pe larg
larg n
cadrul
cadrul cursului
cursului de
de MS
MS..

Forma

Forma general
general

O descriere detaliat a acestor modele se poate

consulta n Anexa C.
Ele prezint cel mai mare interes pentru IS,
aa cum se va constata n cadrul acestui curs.

y[n] = H ( q 1 , ) u[n] + G ( q 1 , ) e[n]

T
E{e[n]e [m]} = ()0 [n m] n, m N
Cu
ii cunoscute
Cu nota
notaii
cunoscute..
52