Documente Academic
Documente Profesional
Documente Cultură
) Contextul de lucru
10 p
Exemple
Exemple
1
1
1
A( q ) y[ n] = B( q )u[ n] + C ( q )e[ n]
ARMAX[na,nb,nc
]
ARMAX[na,nb,nc]
2
E{e[ n]e[ m]} = 0 [ n m]
n, m N
T def
u[ n 1] u[ n 2] " u[ n nb]
...
[ n] = y[ n 1] y[ n 2] " y[ n na ]
3 componente,
... e[ n 1] e[ n 2] " e[ n nc ]]
ca i vectorul parametrilor
T def
b1 b2 " bnb
c1 c2 " cnc
= a1 a2 " ana
B ( q 1 )
C ( q 1 )
u[ n] +
e[ n]
y[ n] =
1
1
(
)
(
)
F
q
D
q
BJ[nb,nc,nd,nf
]
BJ[nb,nc,nd,nf]
E{e[ n]e[ m]} = 2 [ n m]
(Box Jenkins)
0
n, m N
n N
/
/ Ultima
Ultima component
component
nu
nu este
este msurabil
msurabil..
T def
u[ n 1] u[ n 2] " u[ n nb nd ]
...
[ n] = y[ n 1] y[ n 2] " y[ n nd nf ]
3 componente
... e[ n 1] e[ n 2] " e[ n nc nf ]]
T def
c1 c2 " cnc
d1 d 2 " d nd
f1 f 2 " f nf
= b1 b2 " bnb
n N
4 componente
L.100
22metode
metodede
deidentificare
identificare
Metoda Minimizrii Erorii de Predicie
(MMEP)
MCMMP Extins
(MCMMPE)
mai puin precis,
dar mai simpl
Strategia general de identificare:
c Estimarea zgomotului care intervine n
componenta nemsurabil cu ajutorul unui
model avnd vectorul regresorilor complet
msurabil (dar mai puin precis).
d Determinarea parametrilor originali ai
modelului cu ajutorul vectorului regresorilor
avnd componenta nemsurabil estimat n
etapa precedent.
mai precis,
dar mai complex
Strategia general de identificare:
c Iniializarea procesului recursiv din etapa
urmtoare folosind MCMMPE.
d Determinarea recursiv a parametrilor
modelului, plecnd de la iniializarea din
etapa precedent i folosind o metod de
optimizare (Metoda Gauss-Newton MGN).
2
E{e[ n]e[ m]} = 0 [ n m]
n, m N
BJ[nb,nc,nd,nf
BJ[nb,nc,nd,nf]]
B ( q 1 )
C ( q 1 )
u[ n] +
e[ n]
y[ n] =
1
1
n, m N
(
)
(
)
F
q
D
q
MCMMPE
MCMMPE
ARMAX[na,nb,nc
]
ARMAX[na,nb,nc]
** mprire
mprire infinit
infinit trunchiat
trunchiat..
BJ[nb,nc,nd,nf
BJ[nb,nc,nd,nf]]
A( q 1 )
A ( q 1 ) = 1 + 1q 1 + " + n q n
1
C(q )
D ( q 1 )
A ( q 1 ) = 1 + 1q 1 + " + n q n
1
C(q )
B( q 1 )
B ( q 1 ) = 1 + 1q 1 + " + n q n
1
C(q )
B ( q 1 ) D ( q 1 )
B ( q 1 ) = 1 + 1q 1 + " + n q n
1
1
C(q )F (q )
ARX[n
,n]
ARX[n,n]
A ( q 1 ) y[ n] = B ( q 1 )u[ n] + v[ n]
2
E{v[ n]v[ m]} = v 0 [ n m]
n, m N
1
=
N
T def
[ n] = [ y[ n 1] " y[ n n] | u[ n 1] " u[ n n] ]
T def
MCMMP
MCMMP
= 1 " n | 1 " n
D = {( u[ n], y[ n])}n1, N n N
date msurate
1
[ n] [ n]
n =1
N
N
[n] y[n]
n =1
def
n, = y[ n] T [ n]
zgomotul estimat n 1, N
L.102
MCMMPE
continuare)
MCMMPE((continuare)
def
n, = y[ n] T [ n]
zgomotul estimat
Vectorul
Vectorul estimat
estimat al
al regresorilor
regresorilor
n 1, N
def
ARMAX[na,nb,nc
]
ARMAX[na,nb,nc]
[ n] = y[ n 1] " y[ n na ]
u[ n 1] " u[ n nb]
D = {( u[ n], y[ n])}n1, N
date msurate
[ n] = y[ n 1] " y[ n nd + nf ]
u[ n 1] " u[ n nb + nd ]
"
" [ n 1, ] " [ n nc + nf , ]
MCMMP
MCMMP
BJ[nb,nc,nd,nf
BJ[nb,nc,nd,nf]]
"
N
2N
1 N
1
= [ n]T [ n]
N n =1
N
def
2
1 N
T
= y[ n] [ n] N
N n =1
def
n
y
n
[
]
[
]
n =1
n
n cazul
ii celor
cazul modelului
modelului BJ
BJ,, coeficien
coeficienii
celor 44 polinoame
polinoame se
se determin
determin cu
cu ajutorul
ajutorul
coeficien
ilor vectorului
i, prin
coeficienilor
vectorului parametrilor
parametrilor estima
estimai,
prin identificarea
identificarea rdcinilor
rdcinilor comune
comune..
L.103
MMEP
) Contextul de lucru
MMEP
((algoritmul
algoritmul general)
general) D = {(u[ n], y[ n])}
(date intrare-ieire msurate)
N
n1, N
Date
Date de
de intrare
intrare
Ini
ializare
Iniializare
[ n, ] = y[ n] T [ n]
N ,0 R n
0 R
k =0
Bucl
Bucl iterativ
iterativ
** Se
ia specific
Se utilizeaz
utilizeaz itera
iteraia
specific
din
din cadrul
cadrul MGN
MGN..
c
ia optimului
c Se
Se reactualizeaz
reactualizeaz aproxima
aproximaia
optimului
1
N ,k +1 = N ,k
T
N
N
k [ n, N ,k ] [ n, N ,k ] [ n, N ,k ][ n, N ,k ]
n =1
n =1
R N1,k
k k +1
d
d Se
Se reactualizeaz
reactualizeaz pasul
pasul variabil
variabil k +1 = k +
NU
k R
1
N ,k
rN ,k <
DA
rN ,k
rNT ,k +1 R N1,k rN ,k
rNT ,k R N1,k R N ,k +1 R N1,k rN ,k
Date
ire
Date de
de ie
ieire
N ,k +1 aproximaia de precizie
k + 1 numrul de
iteraii efectuate
L.104
MMEP
continuare)
MMEP((continuare)
Cum se pot determina eroarea de predicie i gradientul acesteia?
Ar
Ar putea
putea fifi utilizat
utilizat ecuaia
ecuaia modelului
modelului de
de identificare
identificare,,
cu
cu parametrii
parametrii curent
curent estimai
estimai..
Va
Va fifi analizat
analizat cazul
cazul modelului
modelului ARMAX
ARMAX.. Cazul
Cazul modelului
modelului BJ
BJ se
se analizeaz
analizeaz similar.
similar.
A N ,k ( q 1 ) y[ n] = B N ,k ( q 1 )u[ n] + C N ,k ( q 1 ) n, N ,k
modelul de identificare
estimat la pasul curent
n N
** Ecua
ie recurent
Ecuaie
recurent pentru
pentru
determinarea
ie.
determinarea erorii
erorii de
de predic
predicie.
N
[ n, N ,k ] = y[ n] + a1,Nk y[ n 1] + " + a na
, k y[ n na ]
[ n] [ y[ n i ]]
N u[ n 1] " b N u[ n nb]
b
y
1, k
nb , k
i
na
=
1,
def
c1,Nk n 1, N ,k " cncN ,k n nc, N ,k
[ n, ] = u [ n] = [ u[ n j ]] j =1,nb
n N
def
[ n, ] [ [ n 1, ]]l =1,nc T = Ta Tb Tc
Ini
ializare
Iniializare
cauzal
a n, N [ k ] = y [ n] c1,k a n 1, N [ k ] " cnc ,k a n nc, N [ k ]
cauzal
[ n, N ,k ] = [ n, N ,k ] = 0
Procesele
Proceselegeneratoare
generatoarede
dedate
date
1
2
1
2
1
2
ARMAX[2,2,2]
ARMAX[2,2,2] (1 1.5q + 0.7q ) y[ n] = ( q + 0.5q ) u[ n] + (1 q + 0.2q ) e[ n]
BJ[2,2,2,2]
BJ[2,2,2,2] y[ n] =
n N
q + 0.5q
1 q + 0.2q
[
]
+
u
n
e[ n]
1
2
1
2
1 1.5q + 0.7q
1 + 1.5q + 0.7q
n N
Did = {u[ n]}n =1, N { y[ n]}n =1, N date msurate pentru identificare
Date
Dategenerate
generate
N = 250
Dva = {u[ n]}n =1, N { y[ n]}n =1, N date msurate pentru validare
N = 250
Indici
Indicistructurali
structuralimaximali
maximali
Teste
Testestructurale
structuraleprincipale
principale
Na = Nb = Nc = 5
** Modelul
Modelul BJ
BJ se
se poate
poate identifica
identifica
folosind
folosind un
un model
model ARMAX
ARMAX..
Acelea
i din
Aceleai
din cadrul
cadrul Lucrrii
Lucrrii de
de laborator
laborator #4
#4,, dar
dar adaptate
adaptate la
la
indicii
indicii structurali
structurali ai
ai modelelor
modelelor ARMAX
ARMAX ii BJ
BJ..
Obiectiv
Obiectiv
Compararea performanelor MCMMPE & MMEP
n cazul modelelor ARMAX i BJ.
L.106
L.107
Rutin
de
-IS
Rutin
debibliotec
bibliotecM
MATLAB
ATLABIS
# AR MA X
Apel: Mid = armax(D,si) ;
Estimeaz parametrii unui model ARMAX folosind MMEP. Modelul identificat
rezultat, Mid, este returnat ca obiect IDMODEL. Estimarea se efectueaz pe
baza
datelor
D
(obiect
I D D A T A)
i
a
informaiei
de
structur
si = [na nb nc nk], unde na, nb i nc sunt indicii structurali ai modelului, iar
nk este ntrzierea instrinsec. Cu ajutorul acestei rutine se pot identifica att
modele AR ct i modele ARMA unidimensionale (ns nu i multidimensionale). Apelul rutinei este uor diferit n acest caz:
pentru modele AR:
M id = a rm a x( D. y ,n a ) ;
pentru modele ARMA: Mid = armax(D.y,[na nc]) ;
Observai c datele de identificare sunt specificate acum doar sub forma unei
serii de timp (D.y). Pentru identificarea modelelor AR, rutina apeleaz intern o
funcie specializat numit ar, care este diponibil i utilizatorului (cu apel
similar lui armax).
O alt modalitate de a identifica modele AR i ARMA este de a folosi obiectul D
mpreun cu o informaie de structur de forma: si = [na 0 0 0] (AR) sau
si = [na 0 nc 0] (ARMA). Rutina nu funcioneaz ns dect dac na>1 (nu i
pentru na=1). De aceea, se recomand utilizarea rutinei cu argument serie de
timp, pentru aceste modele.
L.108
Rutine
Rutinepreliminare
preliminare
Rutin
de
-IS
Rutin
debibliotec
bibliotecM
MATLAB
ATLABIS
# BJ
Apel: Mid = bj(D,si) ;
Estimeaz parametrii unui model BJ folosind MMEP. Modelul identificat
rezultat, Mid, este returnat ca obiect IDMODEL. Estimarea se efectueaz pe
baza datelor D (obiect IDDATA) i a informaiei de structur
si = [na nb nc nd nf nk], unde na, nb, nc, nd i nf sunt indicii structurali ai
modelului, iar nk este ntrzierea instrinsec. n principiu, algoritmul
implementat n cadrul acestei rutine este similar cu cel al rutinei armax, cu
adaptrile de rigoare impuse de utilizarea modelului BJ.
L.109
Problema
MMEP pentru
)
Problema 6.1
6.1 ((MMEP
pentru modelul
modelul ARMAX
ARMAX)
A fost proiectat mini-simulatorul ISLAB_6A care evalueaz estimaia
(parsimonioas a) modelului ARMAX asociat procesului, folosind MMEP.
Pentru aceasta, s-au parcurs urmtorii pai:
a. Se genereaz 2 seturi de date: unul pentru identificare i altul pentru
validare, folosind rutina gen_data.
b. Pentru fiecare model identificat cu ajutorul MMEP (funcia armax), model
obinut variind indicii n a , n b i n c , se afieaz 3 ferestre grafice: una
pentru analiza modelului folosind datele de identificare i de validare i alte
dou pentru reprezentrile poli-zeroruri (filtru sistem i filtru zgomot) cu
discuri de ncredere corespunztoare unei raze de 3 ori mai mari dect
deviaiile standard aferente. Dup fiecare fereastr s-a inserat o pauz de
ateptare pentru a permite utilizatorului s analizeze informaiile afiate.
Fiecare sub-fereastr a primei ferestre include 3 grafice aranjate pe
vertical:
ieirile msurate i simulate cu ajutorul modelului, grafic pe care se
indic i valoarea funciei de potrivire, E N ;
eroarea de predicie (reziduurile modelului), grafic pe care se indic i
2
dispersia estimat a zgomotului, N ;
secvena de auto-covarian a erorii de predicie, grafic pe care se indic
i indexul de validare.
Modelele obinute sunt memorate n vederea selectrii unuia dintre ele, n
urma aplicrii testelor de determinare a indicilor structurali optimi i de
validare.
L.110
Problema
Problema 6.1
6.1 (final)
(final)
ISLAB_6A
ISLAB_6A
L.111
Performanele
Performanelemodelului
modeluluiARMAX
ARMAXidentificat
identificatcu
cuMMEP
MMEP
L.112
Reprezentarea
-zerouri aamodelului
Reprezentareapoli
poli-zerouri
modeluluiARMAX
ARMAXidentificat
identificatcu
cuMMEP
MMEP
L.113
Problema
MMEP pentru
)
Problema 6.2
6.2 ((MMEP
pentru modelul
modelul BJ
BJ)
Program
Programce
ce
trebuie
trebuieproiectat
proiectat
ISLAB_6C
ISLAB_6C
Rutine
Rutinece
cetrebuie
trebuie
proiectate
proiectate
ARMAX_E
ARMAX_E
BJ_E
BJ_E
L.114