p Semnale de stimul

e
.c Necesitatea
e.c
Necesitatea stimulrii
stimulrii corecte
corecte aa proceselor
proceselor

IS

Stimularea incorect a proceselor (n vederea identificrii) poate conduce

la modele matematice inadecvate sau imprecise, din cauz c o serie de
caracteristici ale acestora nu se mai regsesc n modelele asociate.
Exemplul
Exemplul11

1/21

Metode
Metode de
de
identificare
identificare

Pierderea
Pierderea caracteristicilor
caracteristicilor n
n domeniul
domeniul timpului
timpului pentru
pentru
un
un sistem
sistem de
de ordin
ordin II cu
cu constant
constant de
de timp
timp parazit
parazit

Semnale
Semnale
de
destimul
stimul
Modele
Modele de
de
identificare
identificare

def

H ( s) =

Grosso modo, funcia de transfer relev un comportament

similar cu al unui sistem de ordinul I, dei, n realitate, ea
descrie un sistem de ordinul II.

K
(1 + T s )(1 + Tp s )

T p << T

Cum s-ar putea determina cei 3 parametri?

y

~K

Prin
Prin stimularea
stimularea cu
cu
oo treapt
treapt unitar
unitar..

E {y[n]}

De ce s-a pierdut informaia referitoare

la constanta de timp parazit?
Deoarece
Deoarece semnalul
semnalul treapt
treapt unitar
unitar
nu
n
nu aa stimulat
stimulat corect
corect sistemul
sistemul,, n
vederea
vederea identificrii
identificrii..
CComportamentul
omportamentul n
n frecven
al
frecven
al intrrii
intrrii,,
sistemului
irii poate
sistemului ii ie
ieirii
poate releva
releva mai
mai
uuor
or fenomenul
ie
fenomenul pierderii
pierderii de
de informa
informaie
prin
prin stimularea
stimularea cu
cu un
un semnal
semnal inadecvat
inadecvat..

0 ~T
t
Tp ? ** Constanta
n zona
Constanta de
de timp
timp parazit
parazit intervine
intervine n
zona
tranzitorie
tranzitorie aa rspunsului
rspunsului,, efectul
efectul ei
ei fiind
fiind insesizabil.
insesizabil.

91

2/21

p Semnale de stimul
e.c Necesitatea stimulrii corecte a proceselor

Exemplul
Exemplul11
(final)
(final)

Treapta unitar
unitar
Treapta

|U|

0
|H|

H (s) =

Caracterizare
n frecven

Caracterizare n
frecven

s = j

stimulare slab n zona

1/|| frecvenelor nalte

FTJ

0
2/T

K
(1 + T s )(1 + Tp s )

TL
TL aa rspunsului
rspunsului indicial
indicial

stimulare puternic n zona

frecvenelor joase

0
|Y|

T p << T

def

Pierderea
Pierderea caracteristicilor
caracteristicilor n
n domeniul
domeniul timpului
timpului pentru
pentru
un
un sistem
sistem de
de ordin
ordin II cu
cu constant
constant de
de timp
timp parazit
parazit

Y ( s ) = H ( s )U ( s ) =

Y ( j ) = H ( j )U ( j ) =

K
j(1 + jT )(1 + jTp )

Rela
ie spectral
Relaie
spectral

Y ( j ) = H ( j ) U ( j ) =

K
s(1 + Ts )(1 + Tp s )

K
=
1 + j T 1 + j T p

K
(1 + 2T 2 ) (1 + 2T p2 )

Dac
te oo informa
ie consistent
n zona
Dac se
se dore
dorete
informaie
consistent ii n
zona
constantei
constantei parazite,
parazite, intrarea
intrarea trebuie
trebuie s
s solicite
solicite sistemul
sistemul pe
pe oo
band
e mult
t aa treptei
band de
de frecven
frecvene
mult mai
mai larg
larg dec
dect
treptei unitare.
unitare.

2/Tp
2
2 ** IInformaia
nformaia despre
despre constanta
constanta de
de timp
timp principal
principal este
este mai
mai
<<
T
Tp
consistent
t informa
ia despre
consistent dec
dect
informaia
despre constanta
constanta de
de timp
timp parazit
parazit..

92

3/21

p Semnale de stimul
e.c Necesitatea stimulrii corecte a proceselor

Exemplul
Exemplul22

Treapta unitar
unitar
Treapta

|U|

def
K
Mascarea
Mascarea caracteristicilor
caracteristicilor n
n domeniul
domeniul frecvenei
frecvenei pentru
pentru H ( z ) =
un
(1 + z N ) (1 + z N p )
un oscilator
oscilator afectat
afectat de
de oo oscilaie
oscilaie parazit
parazit

perioad proprie de oscilaie

perioad parazit de oscilaie

Caracterizare
n frecven

Caracterizare n
frecven

N p << N

stimulare puternic n zona

frecvenelor joase

Se consider c sistemul discret provine de

la un sistem continuu prin discretizare ideal

cu o perioad de eantionare prestabilit.

stimulare slab n zona

1/|| frecvenelor nalte

def

0
|H|

H (s) =

(1 + es NT ) (1 + e
s

periodic
0
|Y|

s = j

T
proprie

/T

T p << T

<<
T
Tp

/Tp

Stimulare
Stimulare cu
cu oo
treapt
treapt unitar
unitar

parazit

Y ( j ) = H ( j ) U ( j ) =
2

Rela
ie spectral
Relaie
spectral

z = e sTs

Tp

s N pTs

[1 + cos(T )] 1 + cos(Tp )

K
Tp
T
4 cos
cos

2
2

CChiar
hiar dac
n
n
dac treapta
treapta unitar
unitar este
este fundamental
fundamental
TS
n cadrul
a joac
TS,, n
cadrul IS
IS,, eea
joac doar
doar un
un rol
rol secundar
secundar
(aju
t la
t).
(ajut
la determinarea
determinarea timpului
timpului mor
mort).

93

4/21

p Semnale de stimul
p.n Necesitatea stimulrii corecte a proceselor

Exemplul
Exemplul33

Stimularea
Stimularea empiric
empiric aa unui
unui FTJ
FTJ cu
cu armonice
armonice elementare
elementare izolate
izolate
Cum s-ar putea determina pulsaia/frecvena de tiere a filtrului?

Prin
Prin stimularea
stimularea cu
cu armonice
armonice elementare
elementare de
de diferite
diferite pulsaii/frecvene
pulsaii/frecvene..
FTJ

|H|

FTJ

u << c
FTJ

|H|
c

u c

|H|

** Nivelul
te pe
Nivelul de
de zgomot
zgomot cre
crete
pe
msur
ia intrrii
msur ce
ce pulsa
pulsaia
intrrii se
se
apropie
apropie de
de cea
cea de
de tiere
tiere..

u < c

/
/ Empiric
Empiric ii

FTJ

|H|

ineficient
!
ineficient!

u > c

94

5/21

p Semnale de stimul
e
.d Conceptul

e.d
Conceptul de
de persisten
persisten

ru [1] ru [2] " ru [ M 1]

ru [0]
r [1]

r
[0]
r
[1]
r
[
M
2]
"
u
u
u
u

def
>0
#
%
%
%
#
R M (u ) =

r
[
M
2]
r
[1]
r
[0]
r
[1]
"

u
u
u
u

ru [ M 1] " ru [2] ru [1]

r
[0]
u
Matrice
Matrice

Semnal persistent
de ordin
ordin M
M
Ordinul
indic
Ordinul de
de persisten
persisten
indic
numrul
numrul de
de valori
valori identificabile
identificabile
ale
ei pondere
ale secven
secvenei
pondere aa unui
unui
sistem
sistem liniar
liniar discret
discret cauzal
cauzal ii
stabil
stabil asociat
asociat procesului
procesului
furnizor
furnizor de
de date
date..

Toeplitz
Toeplitz

Matricea
-covarian
Matricea de
de auto
auto-covarian

simetric
simetric

Sistemul
-Hopf
Sistemul Wiener
Wiener-Hopf

Soluia sistemului Wiener-Hopf

R M ( u ) = rM ( y , u )

M = R M1 ( u )rM ( y , u ) R M

Aadar
Aadar

** Inversabil
Inversabil..

Cu
t ordinul
al
t secven
a
Cu cct
ordinul de
de persisten
persisten
al semnalului
semnalului de
de stimul
stimul este
este mai
mai mare
mare,, cu
cu at
att
secvena
pondere
c pe
).
pondere este
este mai
mai bine
bine determinat
determinat (adi
(adic
pe un
un orizont
orizont mai
mai mare
mare de
de timp
timp).

Sp [ M ]

M
odelul de
t mai
Modelul
de identificare
identificare este
este cu
cu at
att
mai precis
precis
Clasa semnalelor
t semnalul
t.
cu cct
semnalul de
de stimul
stimul este
este mai
mai persisten
persistent.
persistente de ordin M. cu

95

6/21

p Semnale de stimul
e.d Conceptul de persisten

Exerciiu
Exerciiu

Treapta unitar (discret) (ca i orice semnal constant)

este un semnal persistent de ordin 1.

Care este caracterizarea n frecven a unui

semnal persistent de ordin M?

Treapta
Treapta unitar
unitar permite
permite
identificarea
identificarea unei
unei singure
singure
valori
ei pondere
valori aa secven
secvenei
pondere..

Propozi
ia 3.1
Propoziia
3.1
Un
Un semnal
semnal discret
discret este
este persistent
persistent de
de ordin
ordin M
M dac
dac ii numai
numai dac
dac densitatea
densitatea
sa
in M
sa spectral
spectral de
de putere
putere posed
posed cel
cel pu
puin
M linii
linii spectrale
spectrale nenule
nenule..
Demonstra
ie
Demonstraie
Cum poate fi exprimat definiia
original a persistenei n domeniul
frecvenei?
ru [1] ru [2] " ru [ M 1]
ru [0]
r [1]
ru [0] ru [1] " ru [ M 2]
u

def

R M (u) =
#
%
%
%
#

r
[
M

2]
"
r
[1]
r
[0]
r
[1]
u
u
u
u

ru [ M 1] " ru [2] ru [1]

ru [0]

Folosind
ile operatorului
Folosind propriet
proprietile
operatorului de
de mediere
mediere
statistic
ii spectrale
statistic ii ale
ale densit
densitii
spectrale de
de putere
putere..

u[ n 1]

u[ n 1] " u[ n M ]
R M ( u ) = E
#
]
[
u[ n M ]

def

ru [ k ] = E{u[ n]u[ n k ]}

96

7/21

p Semnale de stimul
Demonstra
ie ((Propoziia
Propoziia 3.1)
Demonstraie
3.1)

e.d Conceptul de persisten

Expresia matricii de auto-covarian simplific exprimarea formei ptratice asociate.

T
M
Astfel, pentru orice vector determinist x = [ x1 " x M ] R rezult:
u[ n 1]

u[ n 1] " u[ n M ] x = E ( x u[ n 1] + " + x u[ n M ] )2 0.
xT R M ( u )x = E xT
#
]
M
1
[
u[ n M ]

adar, matricea
-covarian

** A
Aadar,
matricea de
de auto
auto-covarian
este
-)definit.
este ii pozitiv
pozitiv (semi
(semi-)definit.
Interpretare: forma ptratic se exprim ca dispersia
unui semnal obinut la ieirea unui sistem de tip FIR.
Sistem liniar FIR

y hu

m =1

m =1

y[ n ] = h[ m]u[ n m] = xm u[ n m] , n N .

2y = E { y 2 [ n ]} = E ( x1u[ n 1] + " + x M u[ n M ] )
h[0] = 0

Dispersia se obine ns i folosind densitatea spectral

h[1] = x1
H ( q 1 ) = X ( q 1 ) = h[2] = x2
M
#
m
= xmq
h[ M ] = x M
m=1

funcia
de sistem

X ( e j ) = xm e jm = e j (
M

m=1

a ieirii sistemului:
+
+
2
1
1
j
(
)
=
u () d .
X
e
(
)
2y = ry [0] =

2
2

Transferul densitii spectrale

prin sisteme liniare
M-1) ++
Polinom
Polinom de
de grad
grad ((M-1)
rspunsul n
x1 + x2 e j + " + xM e j( M 1)
R frecven
97

8/21

p Semnale de stimul
Demonstra
ie ((Propoziia
Propoziia 3.1)
Demonstraie
3.1)

e.d Conceptul de persisten

+

1
T
j 2
X(e ) u () d
Aadar
Aadar x R M (u )x =

** Ecua
ie care
Ecuaie
care arat
arat cum
cum se
se transfer
transfer
informa
ia despre

informaia
despre persisten
persisten
din
n frecven
ii reciproc
din timp
timp n
frecven
reciproc..

xT R M (u )x = 0 x = 0 dac i numai dac

semnalul este
(forma ptratic este
nedegenerat)
persistent de ordin M
Semnalul
Semnalul discret
discret este
este persistent
persistent
de
de ordin
ordin M.
M.

X(e ) u () = 0

m < M & {i }i1,m : u ( i ) > 0 , i 1, m .

(n rest, densitatea spectral este nul)
M
T
Se va construi un vector nenul x R pentru care x R M ( u )x = 0 , ceea ce contrazice
ipoteza de la care s-a plecat.
Vectorul cutat este format din coeficienii urmtorului polinom frecvenial,
ale crui rdcini sunt chiar pulsaiile {i }i1,m :
polinom de completare pn la
def
gradul M
X(e j ) = e j (1 e j ( 1 ) ) " (1 e j ( m ) ) X 0 (e j ) , R .
X 0 (e ji ) 0
** Polinom
i 1, m
Polinom de
de grad
grad m
m
98

densitatea spectral este nenul ntr-un

numr de pulsaii mai mic dect M.

Densitatea
Densitatea sa
sa spectral
spectral de
de putere
putere posed
posed
cel
in M
cel pu
puin
M linii
linii spectrale
spectrale nenule
nenule..

Raionament de tip reducere la absurd.

Se presupune, prin absurd, c

9/21

p Semnale de stimul
Demonstra
ie ((Propoziia
Propoziia 3.1)
Demonstraie
3.1)

e.d Conceptul de persisten

Polinomul frecvenial nefiind identic nul, cel puin un coeficient este nenul, astfel c

0
pentru

{i }i1,m
Densitatea
Densitatea sa
sa spectral
spectral de
de putere
putere posed
posed
cel
in M
cel pu
puin
M linii
linii spectrale
spectrale nenule
nenule..

vectorul coeficienilor este nenul.

+
1
T
j 2
X(e
) u () d = 0.
Mai mult: x R M (u ) x =
2

** Absurd.
Absurd.

0
pentru

{i }i1,m
Semnalul
Semnalul discret
discret este
este persistent
persistent
de
de ordin
ordin M.
M.

S presupunem c setul de pulsaii pentru care densitatea spectral nu se anuleaz

este {i }i1,m , cu m M . Astfel: u ( i ) > 0, i 1, m .

ordin M a semnalului, trebuie rezolvat ecuaia:
Pentru a testa persistena de
+
1
j 2
x T R M (u ) x =
X(e
) u () d = 0 e j X M 1 (e j ) = 0 , {i }i1, m

2
0
M-1)
** Polinom
Polinom de
de grad
grad ((M-1)
necunoscuta ecuaiei
>M-1 rdcini
cu
cu m
m>M-1
rdcini..
Aadar, unica soluie a ecuaiei este cea nul.

X 0

R M (u) > 0

99

10/21

p Semnale de stimul
e
.e Propriet
i ale
e.e
Proprieti
ale semnalelor
semnalelor persistente
persistente
Tq
Tq11Imbricarea
Imbricarea claselor
claselor de
de semnale
semnale persistente
persistente

Exerciiu
Exerciiu

Dac
Dac un
un semnal
semnal este
este persistent
persistent de
de ordin
ordin M
M,, atunci
atunci este
este persistent
persistent ii de
de ordin
ordin m
m,,
M..
cu
mM
cu m

Sp [1] Sp [2] " Sp [ m] " Sp [ M ] " Sp []

Tq
a unui
Persistena
unui semnal
semnal periodic
periodic
Tq22Persisten

Exerciiu
Exerciiu

Dac

atunci ordinul
ordinul su
su de
de persisten
persisten
Dac un
un semnal
semnal este
este periodic
periodic de
de perioad
perioad PP,, atunci
este
este cel
cel mult
mult egal
egal cu
cu perioada
perioada..
Tq
ei la
irea procesului
Conservarea persisten
persistenei
la ie
ieirea
procesului furnizor
furnizor de
de date
date
Tq33Conservarea

Exerciiu
Exerciiu

Fie u Sp [ M ] un semnal care stimuleaz un proces/sistem cu urmtoarea

proprietate: funcia sa de sistem H q 1 nu are zerouri pe cercul unitar. Atunci

( )

semnalul de ieire y are proprietatea de a conserva ordinul de persisten al

intrrii: y Sp [ M ] .
Tq
n IS
Cazuri de
de stimulare
stimulare nedorite
nedorite n
IS
Tq44Cazuri

Exerciiu
Exerciiu

Fie un sistem de tip FIR cu secvena pondere {h[ m]}m1, M . Se stimuleaz sistemul
cu un semnal u i se obine semnalul de ieire y. * Experimentul de identificare poate eua din
* Experimentul de identificare poate eua din
u

Sp
[
M
]
i totui y 0, atunci h 0 .
a. Dac
cauza
cauza stimulrii
stimulriiinadecvate
inadecvate aa procesului
procesului..
b. Dac u Sp [ m] , cu m < M , atunci se poate construi o secven
100
pondere nebanal h, de dimensiune M, astfel nct y 0 .

11/21

p Semnale de stimul
e
.f Clase
e.f
Clase de
de semnale
semnale persistente
persistente

re

Semnalul
Semnalul ideal
ideal

2=re[0]

Zgomotul alb

** Nu
Nu poate
poate fifi generat
generat pe
pe cale
cale artificial
artificial..

Propozi
ia 3.1
Propoziia
3.1

Ce se poate face?

e Sp []

Se
Se ncearc
ncearc generarea
generarea unor
unor semnale
semnale care
care s
s
aproximeze
-covarianei.
aproximeze zgomotul
zgomotul alb
alb n
n sensul
sensul auto
auto-covarianei.

Cu ct secvena de auto-covarian a semnalului artificial este mai apropiat

de cea a zgomotului alb, cu att acesta este mai bine aproximat.

** Cu
finit
Cu toate
toate acestea
acestea,, semnalele
semnalele artificiale
artificiale au
au ordin
ordin de
de persisten
persisten
finit..

Semnale
Semnale practice
practice

S
emnale P
seudo-Aleatoare ((Binare)
Binare) ((SPAB)
SPAB)
Semnale
Pseudo-Aleatoare

Semnale generate cu ajutorul unui mijloc automat de calcul.

n consecin, SPA(B) sunt semnale periodice.
Cum pot fi generate SPA(B)?
Hardware
Exist
Exist dou
dou tehnici
tehnici de
de baz
baz..
Software

101

12/21

p Semnale de stimul
e.f Clase de semnale persistente

Componenta
Componenta principal
principal

Generarea
Generarea SPA(B
SPA(B)) pe
pe cale
cale hardware
hardware

SPAB

** Periodic.
Periodic.

SPAB
SPAB

bb33

bb22

bb11

bb00 SPA
SPA

00

11

11

11

77

11

00

11

11

11
11

00

00

11

00

11

55

11

00

00

11

00

22

11

11

00

00

11

99

11

11

11

00

00

12
12

00

11

11

11

00

14
14

11

00

11

11

11

77

11
00

se
se exculde
exculde..

SPA
SPA

MSB

bb33 0

bb22 1

bb11 1

XOR

LSB

bb00 1
Lost

def

( x ) = x 3 + x

N N Numrul de bii ai registrului de deplasare.

2 N 1 N Numrul maxim de valori ale SPA.
ializarea nul
Iniializarea
nul
P 1, 2 N 1 Perioada SPA(B). ** Ini

Registrul
Registrul de
de
deplasare
deplasare

Activarea biilor care contribuie la

producerea valorii MSB este de regul

indicat de polinomul caracteristic.
def

( x ) = N 1 x N 1 + N 2 x N 2 + " + 1 x + 0
parametri de activare (binari)

102

13/21

p Semnale de stimul
e.f Clase de semnale persistente

Generarea
Generarea SPA(B
SPA(B)) pe
pe cale
cale software
software

Algoritmii derivai sunt destul de numeroi, complexitatea lor variind mult.

Exemplu
Exemplu


0

Un
Un algoritm
algoritm bazat
bazat pe
pe lungimea
lungimea cuvntului
cuvntului mainii
mainii

(amplificarea)
a Z
Date
Date de
de intrare
intrare
b N \ {1} (numrul maxim reprezentabil pe
lungimea cuvntului main)
u[0] (valoarea iniial a SPA)
Ini
ializare
Iniializare
Limbajul
Limbajul CC
Bucl
Bucl iterativ
iterativ
T
T Pentru
Pentru n 1

Date
ire
Date de
de ie
ieire

restul mpririi dintre 2 ntregi

u[ n] = ( a u[ n 1] ) % b
SPA
SPA

** Practic
ii rezulta
i din
Practic,, se
se ignor
ignor bi
biii
rezultai
din
dep
irea cuv
ntului ma
in.
depirea
cuvntului
main.

Semnalul rezultat este periodic, iar perioada este n general mai mare
pentru amplificri negative dect pentru cele pozitive.

Algoritmii cablai hardware

pot fi de asemenea emulai
(implementai pe cale
software).

SPAB
SPAB

SPA
SPA

103

14/21

p Semnale de stimul
e.f Clase de semnale persistente

Propriet
i fundamentale
Proprieti
fundamentale ale
ale SPA(B
SPA(B))
TQBC
TQBC11Periodicitate
Periodicitate

Hardware
Software
Hardware Software
P b 1
P 2N 1

Ordinul
)
Ordinul de
de persisten
persisten al
al unui
unui SPA(B
SPA(B)
este
este finit
finit ii cel
cel mult
mult egal
egal cu
cu perioada
perioada..

Tq
Tq22

TQBC
TQBC22Mrginire
Mrginire

Hardware
Hardware

Software
Software

1 u[ n] 2 N 1 1 u[ n] b 1
TQBC
ia auto
-covarianei
TQBC33Configura
Configuraia
auto-covarianei

Exemplu
Exemplu

SPAB
SPAB generat
generat prin
prin cablare
cablare hardware
hardware
ru

Auto
-covariana unui
)
Auto-covariana
unui SPA(B
SPA(B)
este
este periodic
periodic ii de
de perioad
perioad PP..
Mai
-covarianei pentru
Mai mult
mult,, valorile
valorile auto
auto-covarianei
pentru
pivoi
pivoi diferii
diferii de
de multiplii
multiplii ntregi
ntregi ai
ai perioadei
perioadei
sunt
sunt invers
invers proporionale
proporionale cu
cu perioada
perioada..

ru [ k ]

u
P k Z \ PZ

1-P ...
-P

** Cu
t perioada
t ordinul
este
Cu cct
perioada este
este mai
mai mare,
mare, cu
cu at
att
ordinul de
de persisten
persisten
este mai
mai mare
mare
ii SPA(B
) aproximeaz
n sensul
-covarianei).
SPA(B)
aproximeaz mai
mai bine
bine zhomotul
zhomotul alb
alb ((n
sensul auto
auto-covarianei).

u2

-2-1 1 2
0

...

P-1
k
P

-1/P

104

p Semnale de stimul

15/21

e.f Clase de semnale persistente

Aadar
Aadar

Att
) ct
Att ordinul
ordinul de
de persisten
persisten al
al unui
unui SPA(B
SPA(B)
ct ii precizia
precizia de
de aproximare
aproximare
aa zgomotului
zgomotului alb
alb sunt
sunt controlabile
controlabile prin
prin intermediul
intermediul perioadei
perioadei..
Cum s-ar putea genera SPA(B) de
perioade maximale?

** Perioada
Perioada trebuie
trebuie s
s fie
fie sensibil
sensibil mai
mai mare
mare
dec
t dimensiunea
dect
dimensiunea orizontului
orizontului de
de msur
msur..

Rezolvnd
Rezolvnd oo problem
problem granular
granular de
de optimizare
optimizare..
Perioada
Perioada este
este determinat
determinat de
de 33 parametri
parametri..
Hardware

N Numrul de bii ai
{ n }n0, N 1

registrului de deplasare.
Configuraia polinomului caracteristic.

{b0 n }n0, N 1 Iniializarea registrului de deplasare.

De regul, registrul de deplasare are

16, 32, 64 sau 128 de bii.

Cutarea
Cutarea exhaustiv
exhaustiv aa perioadei
perioadei
maximale
maximale este
este adesea
adesea ineficient
ineficient..
Tehnicile
Tehnicile euristice
euristice de
de IA
IA sau
sau strategiile
strategiile
evoluionare
AG, PSO
) sunt
evoluionare ((AG,
PSO)
sunt mult
mult mai
mai indicate
indicate..

Funcia criteriu poate fi evaluat n toate

punctele domeniului de definiie, dar
numrul de valori ale acestuia este
extrem de mare.

Software

b Numrul maxim de valori

ce pot fi generate.
a Amplificarea.

u[0] Iniializarea algoritmului.

De regul, numrul maxim de valori este cel

mai mare numr reprezentabil folosind cuvntul

main, amplificarea este negativ, iar
iniializarea este returnat de ceasul
calculatorului pe care este implementat
algoritmul.

105

q Metode de identificare i validare

f
.c Scurt
f.c
Scurt clasificare
clasificare

Metode

Bazate pe Teoria Optimizrilor

Metode care conduc la diferii algoritmi numerici
de identificare, de regul, eficieni i accesibili
implementrii pe un mijloc automat de calcul.
Metode specifice modelelor de complexitate i
precizie limitate, de preferat liniare n parametri.

Metode
Metode de
de
identificare
identificare

16/21

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

Bazate pe Toria Estimaiei

Metode dificil de implementat, n general
nealgoritmice, cu caracter mai mult teoretic.
Metode specifice modelelor de complexitate i
precizie ridicate, nu neaprat liniare n parametri,
cu performane statistice determinate.

** Aceste
Aceste dou
dou categorii
categorii nu
nu sunt
sunt disjuncte
disjuncte,, deoarece
deoarece parametrii
parametrii nu
nu numai
numai c
c se
se pot
pot determina
determina
cu
i ii din
cu ajutorul
ajutorul unor
unor proceduri
proceduri numerice
numerice,, dar
dar pot
pot fifi caracteriza
caracterizai
din punct
punct de
de vedre
vedre statistic.
statistic.

Metode
Neadaptive (de tip off-line)
Folosite ori de cte ori parametrii modelului
matematic asociat sunt constani pe durata
orizontului de msur, adic nu necesit adaptri
succesive dictate de variaiile datelor
achiziionate.

Adaptive (de tip on-line)

Conduc, de regul, la algoritmi de timp real i se
adreseaz proceselor/sistemelor cu caracteristici
variabile n timp, crora trebuie s li se asocieze
modele cu parametri variabili, adaptai la
variaiile datelor achiziionate.

106

q Metode de identificare i validare

17/21

f
.d Metoda
MCMMP)
f.d
Metoda Celor
Celor Mai
Mai Mici
Mici Ptrate
Ptrate ((MCMMP)

MCMMP se bazeaz pe Teoria regresiei liniare iniiat de Carl Gauss.

Beneficiind de un telescop destul de performant pentru acea epoc, Carl Gauss a observat i

notat timp de civa ani poziiile mai multor planete fa de Pamnt, calculnd apoi coordonatele
acestor poziii fa de Soare.
Planet
(Saturn)
Johannes Kepler
(1571-1630)

Carl Gauss
(1777-1855)
** n
n pofida
pofida modelului
modelului de
de
sistem
sistem solar
solar propus
propus
intuitiv
intuitiv de
de Nicolaus
Nicolaus
Copernicus
Copernicus ii aa Teoriei
Teoriei
lui
lui Johannes
Johannes Kepler
Kepler
pozi
iile ob
inute nu
poziiile
obinute
nu se
se
situau
situau pe
pe oo elips
elips..

Poziie
observat
y[n]

Poziie
estimat
yKC[n,]

Nicolaus Copernicus
(1473(1473-1543)

Soare

Eroare
[n,]
parametrii elipsei (semiaxele sale)

107

q Metode de identificare i validare

18/21

q.o Metoda Celor Mai Mici Ptrate

Verificarea legilor lui Kepler-Copernicus impune ca toate poziiile observate ale planetei
(n numr de N) s se situeze pe o anumit elips.

y[ n] = y KC [ n, ]

Sistem de ecuaii din care ar trebui

n 1, N s rezulte parametrii elipsei.

Ce se poate face?

** Sistemul
Sistemul este
este de
de regul
regul incompatibil
incompatibil,,
deoarece
ii este
deoarece numrul
numrul de
de ecua
ecuaii
este sensibil
sensibil
mai
t numrul
mai mare
mare dec
dect
numrul de
de parametri
parametri iar
iar
pozi
iile rezultate
ii ii
poziiile
rezultate din
din observa
observaii
calcule
calcule sunt
sunt afectate
afectate de
de erori
erori..

Se
Se ncearc
ncearc determinarea
determinarea
elipsei
elipsei care
care trece
trece cel
cel mai
mai bine
bine
printre
printre toate
toate poziiile
poziiile observate
observate..
Adic
Adic elipsa
elipsa ai
ai crei
crei parametri
parametri
minimizeaz
minimizeaz un
un criteriu
criteriu ptratic
ptratic..
def N

V ( ) = [ n, ] = ( y[ n] y KC [ n, ])
n =1

n =1

(eroarea ptratic total)

= argmin V ( )
R n

De
De aici
aici rezult
rezult numele
numele metodei
metodei..

Pentru rezolvarea problemei ptratice de optimizare, se poate apela la gradient (dac funcia

criteriu este derivabil i gradientul ei se exprim printr-o relaie explicit sau cel puin implicit)
sau la alte mijloace (dac, dintr-un motiv sau altul, aceasta nu permite evaluarea gradientului).

Aceast tehnic (propus de Gauss) se poate extinde i pentru gsirea altor modele optimale n
raport cu criteriul ptratic, plecnd de la un set de date msurate.
108

19/21

q Metode de identificare i validare

q.o Metoda Celor Mai Mici Ptrate

Exemplu
Evaluarea dreptei
dreptei de
de regresie
regresie liniar
liniar prin
prin metoda
metoda gradientului
gradientului
Exemplu Evaluarea
y

yN

an+b

C N = {( n, yn )}n1, N

Prin
Prin minimizarea
minimizarea erorii
erorii
ptratice
ptratice totale
totale..

yn

y1

Eroare de
poziie
[n,a,b]
0

Cum pot fi determinai cei 2

parametri ai dreptei?

a V ( a, b) = 0
V ( a , b ) = 0
V ( a, b) = 0
b

N
2 n( yn an b) = 0
n =1
N
2 ( y an b) = 0
n

n =1

N
= argmin V ( ) = argmin 2 [ n, a, b] =
R 2
aR , bR n =1

= argmin ( yn an b)2
aR , bR n =1

paraboloid de rotaie

Soluia
Soluia problemei
problemei de
de optimizare
optimizare se
se
gse
te anulnd
gsete
anulnd valorile
valorile gradientului
gradientului..
N

6
N

2
(
1)
=

+
a
ny
N
y
n

n
N ( N 2 1) n =1
n =1

N
N
2

b =
+

(2
1)
3
y
ny
N

n
n

(
1)
N
N
n =1
n =1

109

20/21

q Metode de identificare i validare

q.o Metoda Celor Mai Mici Ptrate

def

T
Soluia
Soluia general
general aa MCMMP
MCMMP n
n cazul
cazul modelelor
modelelor de
de regresie
regresie liniar
liniar yM [ n, ] = [ n ]
n N
def
[[z{{{{
z{{{{]]
T

yM [ n, ] = [ n]
n N
model
DN = {([ n], y[ n])}n1, N
date

Criteriul ptratic

** Tot
ie,
Tot un
un paraboloid
paraboloid de
de rota
rotaie,
dar
dar generalizat
generalizat..

V ( ) = [ n, ] = ( y[ n] yM [ n, ]) = ( y[ n] T [ n] )
def N

def N

n =1

n =1

Metode
Metode de
de minimizare
minimizare

Metoda matricial

n =1

R n

Minim
Minim unic
unic..

Metoda gradientului

Metoda ptratelor perfecte

Exerciiu
Exerciiu

Exerciiu
Exerciiu

def

Y = [ y[1] y[2] " y[ N ]]T R N Vectorul global al datelor de ieire msurate.

T [1] linii
T

def [2]
= " R N n
=
Matricea regresorilor.
n ]
# [ 1 2
T

[
]
coloane

def

** De
De regul
regul,, oo
matrice
matrice monic
monic..

rank() = n < N
coloane liniar independente

( ) = [ [1, ] [2, ] " [ N , ]] R N Vectorul erorilor de msur fa de model.

110

21/21

q Metode de identificare i validare

q.o Metoda Celor Mai Mici Ptrate

Soluia
Soluia general
general aa MCMMP
MCMMP n
n cazul
cazul modelelor
modelelor de
de regresie
regresie liniar
liniar [[zz{{{
zz{{{]]
De ce matricea regresorilor este de regul monic?
Mul
imea matricilor
Mulimea
matricilor neinversabile
neinversabile
este
este mai
mai parsimonioas
parsimonioas..

Test
Test

Metoda
Metoda matricial
matricial

Completai la ntmplare o matrice de ordin 3.

Este aceast matrice inversabil?

Ce anse sunt ca ea s nu fie inversabil?
Paradoxal, tocmai perturbaiile stocastice care afecteaz datele msurate aduc matricea regresorilor
n stare de rang maxim.
Ecua
ii matriciale
Ecuaii
matriciale
def

def

YM = R N Ecuaia global a modelului de regresie liniar.

yM [ n, ] = [ n]
T

n 1, N

def

def

( ) = Y R N Eroarea global de model.

[ n, ] = y[ n] [ n ]
T

n 1, N
def N

V ( ) = [ n, ]
2

n =1

def

V ( ) = T ( )( ) = ( ) = ( Y )T ( Y ) = Y ) Criteriul
2

ptratic.

Teorema
Soluia general
)
Teorema 4.1
4.1 ((Soluia
general aa MCMMP
MCMMP)
Soluia problemei ptratice de optimizare este exprimat de urmtoarele ecuaii:
1
= ( T ) T Y ;
def

estimaie MCMMP

1
T
T
T

V ( ) = Y Y Y ( ) T Y .

1/precizie

111