1/19

Metode de identificare i validare

.. Variante
Variante de
de baz
baz ale
ale MCMMP
MCMMP
Cum pot fi relaxate condiiile restrictive din cadrul Teoremei
fundamentale fr a afecta consistena estimaiilor?
Condi
ia a.
determinismul matricii
) este
nlocuit
Condiia
a. ((determinismul
matricii regresorilor
regresorilor)
este adesea
adesea nlocuit
prin
ia ca
ia ii vectorul
prin condi
condiia
ca perturba
perturbaia
vectorul regresorilor
regresorilor s
s nu
nu fie
fie corelate
corelate..

E {[ n]v[ m]} = 0
n, m N

Se poate arta (dei este mai complicat), c noua condiie

nu conduce la pierderea consistenei.

Condiia este sugerat de expresia ideal a parametrilor adevrai.

= ( E{[ n]T [ n]})

= E {[ n] [ n]}

( E{[ n] y[ n]} E{[ n]v[ n]})

1
( E {[n] y[n]}) = Nlim

1
T
[
]
[
]
lim

N
n =1

N
N

[
]
[
]

n
y
n

n =1

N
Mai mult, datorit timpului mort intrinsec al procesului, n anumite cazuri este posibil
verificarea condiiei de necorelare chiar i n cazul identificrii n bucl nchis.
Condi
ia b.
inversabilitatea matricii
) este
Condiia
b. ((inversabilitatea
matricii de
de covarian
covarian)
este indispensabil
indispensabil
pentru
iei vectorului
i. Dealtfel, aceasta nu este
pentru buna
buna definire
definire aa estima
estimaiei
vectorului parametrilor
parametrilor necunoscu
necunoscui.
Dealtfel, aceasta nu este
1
oo condi
ie restrictiv
condiie
restrictiv..
1 N
1 N

N = R N1rN =
N

[ n]
n =1

[ n]
N

[ n] y[ n]
n =1

126

2/19

Metode de identificare i validare

.

Variante de baz ale MCMMP

Condi
ia c.
perturbaia este
) se
n practic
Condiia
c. ((perturbaia
este un
un zgomot
zgomot alb
alb)
se verific
verific rareori
rareori n
practic..
Pentru
Pentru relaxarea
relaxarea ei
ei,, exist
exist dou
dou abordri
abordri..
Cazul zgomotelor colorate,
de medie nul

Erori sistematice de msur

Estimatorul
Estimatorul Markov
Markov

Cazuri
Cazuri frecvent
frecvent
ntlnite
ntlnite n
n aplica
ii.
aplicaii.

Cazul zgmotelor albe

de medie nenul
Centrarea
Centrarea datelor
datelor pe
pe medie
medie

Cazul
. Estimatorul
Cazul zgomotelor
zgomotelor colorate
colorate,, de
de medie
medie nul
nul.
Estimatorul Markov.
Markov.

E{VVT } = > 0

Deoarece
Deoarece media
media zgomotului
zgomotului continu
continu s
s fie
fie nul
nul,,
at
t nedevierea
t ii consisten
a estima
iilor
att
nedevierea cct
consistena
estimaiilor
oferite
oferite de
de MCMMP
MCMMP se
se conserv
conserv..

matrice de auto-covarian nu neaprat

diagonal, dar simetric i strict pozitiv definit

Se pierde eficiena estimaiei.

1
T

T T
(
)
Exerciiu
Exerciiu

Cum se poate remedia acest efect?

Estimatorul
nlocui cu
Estimatorul CMMP
CMMP se
se poate
poate nlocui
cu estimatorul
estimatorul Markov
Markov,, care
care se
se
construie
te plec
nd de
construiete
plecnd
de la
la descompunerea
descompunerea Cholesky
Cholesky aa matricii
matricii
..

CT

Y = + V

Transformare echivalent a ecuaiei procesului

C T Y = C T + C T V

Y


V

= CT C > 0

 =
 +V

Y

127

3/19

Metode de identificare i validare

.

Variante de baz ale MCMMP

Cazul
. Estimatorul
Cazul zgomotelor
zgomotelor colorate
colorate,, de
de medie
medie nul
nul.
Estimatorul Markov.
Markov. (final
(final ))

 =
 +V

Aadar
Aadar Y
CT Y CT CT V

Este alb noul zgomot?

DA

  T } = E{CT VV T C1}
E{VV
= CT E{VV T }C1
= CT C1 = CT CT CC1 = I N

Estimaia Markov

 T

 =

1
1
T 
T

Y = ( ) T 1 Y

Cea
Cea mai
mai eficient
eficient din
din clasa
clasa ..
1
T
1

P
(

)
=

Exerciiu
(
)
Exerciiu

ii are
are chiar
chiar
dispersie
dispersie unitar
unitar..

P( ) P( )
Markov

CMMP

1
1
T

( ) T 0

Este acest estimator implementabil?

n
n general,
general, nu
nu,, din
din dou
dou motive:
motive:
Matricea de auto-covarian a zgomotului colorat nu este cunoscut.
Chiar dac matricea de auto-covarian a zgomotului colorat ar fi estimat n prealabil,
dimensiunea acesteia este egal cu a orizontului de msur, astfel c inversarea este o
operaie consumatoare de timp.
n
n cazul
cazul zgomotelor
zgomotelor colorate
colorate de
de medie
medie nul
nul,, se
se utilizeaz
utilizeaz tot
tot MCMMP
MCMMP,,
chiar
chiar dac
dac nu
nu este
este cea
cea mai
mai eficient
eficient..

128

4/19

Metode de identificare i validare

.

Variante de baz ale MCMMP

Cazul
. Centrarea
Cazul zgomotelor
zgomotelor albe,
albe, de
de medie
medie nenul
nenul.
Centrarea datelor
datelor pe
pe medie
medie..

E{v[ n]} = v 0
eroare sistematic de msur
(necunoscut)

Exerciiu
Exerciiu

Consistena i nedevierea estimaiei se pierd.

Cum se poate remedia acest efect?

Exist
Exist dou
dou strategii
strategii..
Exerciiu
Exerciiu

n
n acest curs

Metoda Celor Mai Mici Ptrate cu

Parametri Extini (MCMMPPE)

Centrarea datelor pe medie

(staionarizarea datelor)

Se pleac de la observaia c zgomotul staionarizat are medie nul.

def

v v E{v[ n ]} = v v

E {v[ n]} = v v = 0

De notat c zgomotul staionarizat nu mai este alb, ci colorat.

2
2
Exerciiu
Exerciiu E{v[ n]v[ m]} = E {( v[ n ] v )( v[ m] v )} = 0 [ n m] v
n, m N
Conform cazului anterior, zgomotele colorate nu produc
pierderea consistenei, dac au media nul.

y[ n] = T [ n] + v[ n] n N

y[ n] = T [ n] + v + v[ n]

Transformare echivalent a ecuaiei procesului

n N

parametru necunoscut
suplimentar

129

5/19

Metode de identificare i validare

.

Variante de baz ale MCMMP

Cazul
. Centrarea
Cazul zgomotelor
zgomotelor albe,
albe, de
de medie
medie nenul
nenul.
Centrarea datelor
datelor pe
pe medie
medie.. (final)
(final)
T

Aadar
Aadar y[ n] = [ n] + v + v[ n]

n N

Se poate aplica operatorul de mediere statistic: E{ y[ n]} = E{T [ n]} + E{v[ n]}
Ecuaia mediilor se scade din cea a procesului:
T
y
v

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

 T [ n ]

Date
ionarizate
Date sta
staionarizate
((centrate
centrate pe
).
pe medie
medie).

y = + v
ecuaia mediilor

+ v[ n]
Un
Un fel
fel de
de
Medii
Medii ale
ale datelor
datelor msurate
msurate..
caracteristic
caracteristic
static
static aa
y [ n] =  T [ n] + v[ n]
procesului
n N
procesului..
Zgomotul
ii de
Zgomotul noii
noii ecua
ecuaii
de proces
proces are
are medie
medie nul
nul,,
dar
olorat.
dar este
este ccolorat.

N
N

T
 N =  [ n] [ n]  [ n] y [ n]
n =1
n =1

1
 2 N =
N

( y[ n] 
N

[ n] N

n =1

T
j
v N =j
y N j
N  N

medii
temporale
estimate

Se
Se poate
poate folosi
folosi fie
fie Estimatorul
Estimatorul Markov
Markov,,
fie
fie Estimatorul
Estimatorul CMMP
CMMP..

=
Exerciiu
v
Exerciiu
2
S se dezvolte MCMMPPE plecnd de la exprimarea ecuaiei
procesului cu ajutorul vectorului extins de parametri.
Eroarea
Se poate arta c estimaiile oferite
de MCMMPPE sunt aceleai ca n
sistematic
cazul staionarizrii datelor.
estimat.

def

130

6/19

Metode de identificare i validare

.

Variante de baz ale MCMMP

Analiza
Analiza estimaiei
estimaiei oferite
oferite de
de MCMMP
MCMMP pentru
pentru modelele
modelele ARX
ARX
[[z{{
z{{]]

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

P ((
**)

polinoame cu parametri adevrai,

avnd gradele na, respectiv nb

DN = {( u[ n], y[ n])}n1, N
date msurate

Cele
n
Cele mai
mai folosite
folosite n
Automatic
Automatic..

y[ n] = T [ n] + v[ n]
n N

n N

n = na + nb

T def
[ n] = [ y[ n 1] y[ n 2] " y[ n na ] u[ n 1] u[ n 2] " u[ n nb]
vectorul regresorilor
T def
= [ a1 a2 " ana b1 b2 " bnb ] vectorul parametrilor necunoscui
Ace
ti vectori
te dou
Aceti
vectori au
au ccte
dou componente
componente..

1 N

[
]
[
]
y
n
i
y
n
j

N
n
=
1

i , j1,na

ryN [i j ]
RN =
1 N

[
]
[
]
u
n
i
y
n
j

i1,nb

N n =1
j1, na

r N [i j ]
y ,u

1 N

[
]
[
]
y
n
i
u
n
j

[
]
[
]

y
n
i
y
n

i1,na

N
n =1

=
1
n

i1, na

j1, nb
N
N
r =

ru , y [i j ]
ry [i ]
N
N
N

[
]
[
]
u
n
i
u
n
j

u[ n j ] y[ n]

N
n =1
i , j1,nb
j1,nb
n =1

N
N
r [i j ]

1
N

Matricea
Matricea nu
nu este
este neaprat
neaprat simetric
simetric..
n cadrul matricii RN , indicele i parcurge liniile, iar indicele j parcurge coloanele.
Pentru a evalua elementele matricii i ale vectorului se apeleaz la
convenia prelungirii cu zeroruri a secvenelor de date msurate.

ry ,u [ j ]

131

Metode de identificare i validare

.

7/19

Variante de baz ale MCMMP

Analiza
Analiza estimaiei
estimaiei oferite
oferite de
de MCMMP
MCMMP pentru
pentru modelele
modelele ARX
ARX [[zz{
zz{]]
r N [i j ]
i , j1,na
y
N = R N1rN =
ryN,u [i j ] i1,nb

j1, na

1
2N =
N

(
N

y[ n] [ n] N
T

n =1

1
=
N

r [i j ] i1,na
j1, nb

ru [i j ]
i , j1, nb

N
u, y

r N [i ]

1,
i
na

r
[
j
]
y ,u j1, nb

( y[ n] T [ n]R N1rN )
N

n =1

Dac perturbaia este un zgomot alb de

medie nul i dispersie necunoscut.

Vectorul regresorilor nu este perfect determinist.

Nu
Nu poate
poate fifi aplicat
aplicat Teorema
Teorema fundamental
fundamental aa
Mai mult, estimaia vectorului parametrilor
MCMMP
a estima
iilor.
MCMMP pentru
pentru aa testa
testa consisten
consistena
estimaiilor.
necunoscui este deviat.
Cum poate fi testat consistena n cazul acestui model?
Prin
iei a.
Prin relaxarea
relaxarea condi
condiiei
a. din
din ipoteza
ipoteza Teoremei
Teoremei 4.2
4.2..

r [i j ]
i , j1,na
y
lim R N =
N
r [i j ] i1,nb

y ,u
j1, na

ru , y [i j ] i1,na
r [i ]
j1, nb
= E{[ n]T [ n]} lim r = y i1,na
N
r [ j ]
N

ru [i j ]
i , j1, nb
y ,u j1,nb

IE
IE

= E{[ n] y[ n]}

132

8/19

Metode de identificare i validare

.

Variante de baz ale MCMMP

Analiza
Analiza estimaiei
estimaiei oferite
oferite de
de MCMMP
MCMMP pentru
pentru modelele
modelele ARX
ARX [[zzz
zzz]]
= ( E{[ n]T [ n]})
lim R N

( E{[ n] y[ n]} E{[ n]v[ n]})

lim rN

O
ie suficient

O condi
condiie
suficient de
de consisten
consisten

1
lim N = + ( E{[ n]T [ n]}) ( E{[ n]v[ n]})

Mai precis, se poate demonstra rezultatul de mai jos.

E {[ n]v[ n]} = 0

E {v[ n] y[ n i ]} = 0

i 1, na

E {v[ n] u[ n j ]} = 0
Propozi

ia
4.3
Propoziia 4.3
j 1, nb
Pentru modelul ARX, urmtoarele 3 ipoteze se consider verificate:
a. semnalul de intrare are ordin de persisten suficient de mare, astfel nct matricea RN
s fie inversabil pentru toate dimensiunile orizontului de msur suficient de mari;
b. perturbaia v aparine clasei za(0,2) (cu dispersia necunoscut 2);
c. semnalul de intrare (comand sau referin) este necorelat cu perturbaia
( E {u[ n ]v[ m]} = 0 , n, m Z ).
Atunci estimaiile oferite de MCMMP sunt consistente.

Se observ c numai una dintre cele dou condiii suficiente

de consisten este precizat n cadrul propoziiei.
Intrarea ar trebui generat artificial, departe de sursa de
perturbaii care afecteaz ieirea procesului, cu ordin de
persisten ct mai mare.

Ie
irea de
Ieirea
de la
la momente
momente anterioare
anterioare
este
este necorelat
necorelat cu
cu zgomotul
zgomotul de
de la
la
momentul
momentul curent
curent datorit
datorit timpului
timpului
mort
mort intrinsec
intrinsec al
al procesului
procesului..

133

9/19

Metode de identificare i validare

.. Metoda
MVI)
Metoda Variabilelor
Variabilelor Instrumentale
Instrumentale ((MVI)

Condiia ca perturbaia s fie un zgomot alb rmne restrictiv.

Dac nu se dorete impunerea veunei condiii asupra perturbaiilor, atunci se opereaz o
modificare asupra estimaiilor oferite de MCMMP.

Estimaia
Estimaia oferit
oferit de
de
Metoda
MVI)
Metoda Variabilelor
Variabilelor Instrumentale
Instrumentale ((MVI)

1
N = R N1rN =
N
def

1
T

n
[
]
[
]

n =1
N
N

Aceasta
ie.
Aceasta este
este oo defini
definiie.

n
y
n
[
]
[
]

n =1

Nu s-a utilizat nici un raionament

pentru deducerea ei.
Definiia este corect numai dac
matricea RN este inversabil.

n
vectorul
vectorul variabilelor
variabilelor instrumentale
instrumentale [ n ] R

Ales
Ales liber
liber de
de ctre
ctre utilizator
utilizator,, astfel
astfel
nct
nct defini
ia s
definiia
s fie
fie corect
corect..
Aceast
n manier
Aceast proprietate
proprietate trebuie
trebuie studiat
studiat n
manier riguroas
riguroas..

Dar consistena?

Se
nti condi
iile generale
.
Se pot
pot deduce
deduce mai
mai nti
condiiile
generale de
de consisten
consisten.

[ n]

y[ n] = T [ n] + v[ n]

) ( E {[n] y[n]} E {[n]v[n]})

= E {[ n]T [ n]}

IE
IE
1
= lim N ( E{[ n]T [ n]}) ( E{[ n]v[ n]})

det ( E{[ n]T [ n]}) 0

E{[ n]v[ n]} = 0
Instrumentele
Instrumentele trebuie
trebuie s
s fie
fie
necorelate
iile.
necorelate cu
cu perturba
perturbaiile.

n N

134

10/19

Metode de identificare i validare

.

Metoda Variabilelor Instrumentale

Analiza
Analiza estimaiei
estimaiei oferite
oferite de
de MVI
MVI pentru
pentru modelele
modelele ARX
ARX
[[z{{{{
z{{{{]] Cum se poate construi vectorul variabilelor
instrumentale n cazul modelelor ARX?

((
**))

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

y[ n] = T [ n ] + v[ n]
n N

T def
[ n] = [ y[ n 1] y[ n 2] " y[ n na ] u[ n 1] u[ n 2] " u[ n nb]
T def
= [ a1 a2 " ana b1 b2 " bnb ]

n = na + nb

Pentru
iile, se
ncearc utilizarea
Pentru aa realiza
realiza necorelarea
necorelarea cu
cu perturba
perturbaiile,
se ncearc
utilizarea
doar
nu ii aa ie
irii).
doar aa intrrii
intrrii ((nu
ieirii).
def

nefiltrat
33 tipuri
tipuri de
de vectori
vectori
ai
ai instrumentelor
instrumentelor

[ n ] = [ u[ n 1] u[ n 2] " u[ n na nb]]

parial filtrat
def

[ n] = u f [ n 1] u f [ n 2] " u f [ n na ] | u[ n 1] u[ n 2] " u[ n nb] ;

Pe
ia componentei
Pe pozi
poziia
componentei AR
AR..
def

[ n] = u[ n 1] u[ n 2] " u[ n na ] | u f [ n 1] u f [ n 2] " u f [ n nb] ;

Pe
ia componentei
Pe pozi
poziia
componentei X
X..

(total) filtrat
def

[ n] = u f [ n 1] u f [ n 2] " u f [ n na nb]

Exemple
Exemple

C ( q 1 ) = 1
D (q

)=q

nd

( q 1 )
B
u f [n] =
u[n + nk ]
( q 1 )
A

Semnalul
Semnalul
filtrat
filtrat

def

estimate cu
n N MCMMP

def

u f [n] =

D ( q 1 )
C (q

polinoame

u[n]
n N

135

11/19

Metode de identificare i validare

.

Metoda Variabilelor Instrumentale

Analiza
Analiza estimaiei
estimaiei oferite
oferite de
de MVI
MVI pentru
pentru modelele
modelele ARX
ARX [[zz{{{
zz{{{]]
def

[ n ] = [ u[ n 1] u[ n 2] " u[ n na nb]]
1 N

u[ n i ] y[ n j ]
N n =1
i , j1,na
def
N
ry ,u [i j ]
RN =
1 N

u[ n na i ] y[ n j ]
i1,nb
N n =1
j1, na

r N [ na + i j ]

r N [i j ]
i , j1,na
y ,u
N = R N1rN =
r N [ na + i j ] i1,nb

y ,u
j1, na

(
N

y[ n] [ n] N

n =1

Condi
iile
Condiiile
generale
generale de
de
consisten

consisten

1
=
N

(nefiltrat)

1 N

u[ n i ] y[ n]

N
=
1
n

i1, na

def
j1, nb
N
N

ru [i j ]
ry ,u [i ]
r =
N 1 N

1 N

u
n
na
i
u
n
j

[
]
[
]

u[ n na j ] y[ n]

n =1
i , j1,nb
j1,nb
N n =1

ruN [ na + i j ]
ryN,u [ na + j ]
1
N

y ,u

1
2N =
N

u[ n i ]u[ n j ]

n =1
i1,na
N

r [i j ] i1,na
N
u

j1, nb

ruN [ na + i j ]
i , j1, nb

( y[ n]
N

n =1

det ( E{[ n]T [ n]})

E{[ n]v[ n]} = 0

1
N N

r N [i ]
y ,u i1,na
r N [ na + j ]
j1,nb
y ,u

Dac perturbaia este un zgomot alb de

medie nul i dispersie necunoascut.
Datorit formei vectorului instrumentelor, a doua

0
condiie este automat verificat dac intrarea

n N este produs departe de sursa perturbaiilor.

[ n]R r

Nu
Nu este
este necesar
necesar ca
ca zgomotul
zgomotul s
s fie
fie alb.
alb.

136

12/19

Metode de identificare i validare

.

Metoda Variabilelor Instrumentale

Analiza
Analiza estimaiei
estimaiei oferite
oferite de
de MVI
MVI pentru
pentru modelele
modelele ARX
ARX [[zzz{{
zzz{{]]
Este bine defnit estimaia oferit de MVI?
Pentru
Pentru anumite
anumite semnale
semnale de
de intrare
intrare,, da
da..
Teorema
Teorema fundamental
)
Teorema 4.4
4.4 ((Teorema
fundamental aa MVI
MVI pentru
pentru modelele
modelele ARX
ARX)
Pentru modelul ARX[na,nb], urmtoarele 3 ipoteze se consider verificate:

a. modelul este parsimonios: ( A , B ) = 1

(polinoamele adevrate sunt coprime) ;
2
b. semnalul de stimul u aparine clasei za (0, u )
(adic este un zgomot alb de medie nul i dispersie cunoscut).
c. perturbaia v nu este corelat cu semnalul de stimul: E{u[ n ]v[ m]} = 0 , n, m N .
Dac se alege un vector al instrumentelor de tip nefiltrat, atunci estimaia oferit de MVI
pentru vectorul parametrilor adevrai ai modelului este bine definit i consistent.

Acest rezultat arat c modelele de tip ARX pot fi identificate cu succes i n cazul cnd
perturbaiile nu pot fi caracterizate statistic.

Condiia de neautocorelare a perturbaiilor se transfer acum intrrii, care poate fi controlat.

n practic, intrarea de tip zgomot alb nu poate fi generat, dar semnalele care
o aproximeaz (SPAB, SPA) sunt frecvent utilizate n conjuncie cu MVI,
fr a pierde buna definire a estimaiei aferente.

137

13/19

Metode de identificare i validare

.

Metoda Variabilelor Instrumentale

Analiza
Analiza estimaiei
estimaiei oferite
oferite de
de MVI
MVI pentru
pentru modelele
modelele ARX
ARX [[zzzz{
zzzz{]]
Ct de eficient este estimaia oferit de MVI?
Pentru
ei, este
Pentru testarea
testarea eficien
eficienei,
este necesar
necesar evaluarea
evaluarea
matricii
-covarian aa erorii
matricii de
de auto
auto-covarian
erorii de
de estimare
estimare..

Aceasta
n demonstra
ia
Aceasta se
se realizeaz
realizeaz n
demonstraia
rezultatului
rezultatului care
care urmeaz
urmeaz..

Teorema
Eficiena estima
iei oferite
)
Teorema 4.5
4.5 ((Eficiena
estimaiei
oferite de
de MVI
MVI pentru
pentru modelele
modelele ARX
ARX)
Se consider c modelul ARX[na,nb] verific urmtoarele ipoteze:

a. modelul este parsimonios: ( A , B ) = 1 (polinoamele adevrate sunt coprime);

b. intrarea u este un semnal de stimul cu ordin de persisten suficient de mare (cel puin
na+nb) astfel nct estimaiile oferite de MVI cu vectori ai instrumentelor construii
folosind numai acest semnal s fie corect definite;
c. perturbaia v aparine clasei za(0,2) (adic este un zgomot alb de medie nul i
dispersie necunoscut 2), nefiind corelat cu semnalul de stimul:
E{u[ n]v[ m]} = 0 , n, m N .
d. perturbaia v este independent statistic de semnalul de stimul.
Atunci cea mai eficient estimaie (corect definit) oferit de MVI se obine pentru
urmtorul vector al instrumentelor, parial filtrat:
def

[ n ] = u f [ n 1] u f [ n 2] " u f [ n na ] | u[ n 1] u[ n 2] " u[ n nb]

def

unde: u f [n ] =

B ( q 1 )

A (q

u[n ] .
n N

138

14/19

Metode de identificare i validare

.

Metoda Variabilelor Instrumentale

Analiza
Analiza estimaiei
estimaiei oferite
oferite de
de MVI
MVI pentru
pentru modelele
modelele ARX
ARX [[zzzzz
zzzzz]]
Teorema
Teorema 4.5
4.5

O
ie cu
satisfctoare
ine
O estima
estimaie
cu eficien
eficien
satisfctoare se
se ob
obine
folosind
folosind un
un filtru
filtru determinat
determinat prin
prin MCMMP
MCMMP..

B ( q 1 )
u f [ n] =
u[ n]
A( q 1 )
n N
def

Cele
Cele dou
dou polinoame
polinoame se
se pot
pot estima
estima ii folosind
folosind MVI
MVI
cu
cu un
un vector
vector al
al instrumentelor
instrumentelor nefiltrat
nefiltrat..
n cadrul Teoremei 4.5, se revine la ipoteza perturbaiilor de tip zgomot alb, de aceea valoarea sa este
destul de limitat.
Cu toate acestea, dac se verific ipotezele Teoremei 4.5, se poate arta c estimaiile oferite de
MCMMP i MVI sunt la fel de eficiente.
n cazul zgomotelor colorate:
Estimaiile oferite de MCMMP sunt mai lent convergente (mai puin eficiente)
dect cele oferite de MVI.
Deoarece
Deoarece Estimatorul
Estimatorul Markov
Markov este
este neimplementabil
neimplementabil..
Estimaiile oferite de MVI pot s nu fie consistente ctre valorile adevrate ale parametrilor.
Deoarece
Deoarece procesul
procesul nu
nu poate
poate fifi stimulat
stimulat cu
cu un
un zgomot
zgomot alb.
alb.

n aplicaiile unde este necesar identificarea unui model de tip ARX:

Att estimaiile oferite de MCMMP ct i cele oferite de MVI sunt implementabile.

Asigurarea condiiilor de consisten nu este uor de realizat, deoarece se bazeaz pe
neautocorelarea fie a perturbaiilor, fie a intrrilor.
n general, MCMMP este utilizat cnd procesul nu poate fi stimulat cu un SPA(B),
altfel se recurge la MVI.

139

15/19

Metode de identificare i validare

.. Metode
Metode bazate
bazate pe
pe optimizarea
optimizarea parametrilor
parametrilor

Modelele din clasa ARMAX pot fi identificate i cu ajutorul altor metode dect MCMMP i MVI.
Cu ct modelul este mai complex, cu att metoda utilizat este mai laborioas.
O parte dintre metodele utilizate n acest scop se bazeaz att pe revizuirea/adaptarea MCMMP,
ct i pe algoritmi care folosesc Tehnici de Optimizare.

Proceduri
ii
Proceduri recursive
recursive cu
cu ajutorul
ajutorul crora
crora un
un punct
punct de
de optim
optim (maxim
(maxim sau
sau minim)
minim) al
al unei
unei func
funcii
criteriu
-un proces
ie cu
criteriu este
este aproximat
aproximat printr
printr-un
proces iterativ
iterativ exprimat
exprimat de
de oo ecua
ecuaie
cu reactualizare
reactualizare aditiv
aditiv..

k +1 = k + k

Cum poate fi cuantificat precizia aproximaiei?

Folosind
Folosind norma
norma Euclidian
Euclidian..
Aproxima
ia urmtoare
Aproximaia
urmtoare este
este mai
mai precis
precis
dec
t aproxima
ia curent
dect
aproximaia
curent dac
dac::

k +1 < k

k & k +1
(scalari)
coincid pn la a patra
zecimal inclusiv

valori succesive corecie (aditiv)

ale aproximaiei
Se
Se pleac
pleac de
de la
la oo
(vector sau scalar)
ini
ializare.
iniializare.

Exemplu
Exemplu

= 10 4

k N

punct de optim
Test practic
de stop

k +1 k = k <

Necunoscut
Necunoscut !!

Test ideal
de stop

k <

Pentru
Pentru aa stopa
stopa procesul
procesul iterativ
iterativ,,
trebuie
n
trebuie utilizat
utilizat oo inegalitate
inegalitate n
care
care punctul
punctul de
de optim
optim s
s nu
nu
apar
apar explicit
explicit..
Neimplementabil
Neimplementabil..
prag minimal de precizie

140

16/19

Metode de identificare i validare

.

Metode bazate pe optimizarea parametrilor

Determinarea
iei n
n func
ie de
Determinarea expresiei
expresiei generale
generale aa corec
coreciei
funcie
de criteriul
criteriul de
de optimizare
optimizare..
Obiectiv

Metoda
-Raphson ((MNR)
MNR) [[z{{{{{{
Metoda Newton
Newton-Raphson
z{{{{{{]]
Metod
n cazul
iilor criteriu
in 22 ori
Metod aplicabil
aplicabil n
cazul func
funciilor
criteriu derivabile
derivabile de
de cel
cel pu
puin
ori..

V
V ( ) =
( )
1
def

Gradientul
Gradientul
funcie care trebuie
s fie derivabil

Matricea
Matricea
Hessian
Hessian
funcie care trebuie
s fie continu
V
V
V ( k)

Exemplu
Exemplu
V

k+1

V
V
( ) "
( ) R n
2
n

Vector
Vector coloan
coloan..

2V

V ( ) = (V )( ) =
R nn
( )
i j
i , j1,n
def

Jacobianul
gradientului

Matrice
Matrice simetric
simetric..

Principiul
Principiul metodei
metodei
n jurul punctului de optim, prima derivat (sau norma sa) este
aproximativ nul, iar derivata a doua este strict pozitiv/negativ definit.
Se construiete parabola (paraboloidul) care trece prin punctul curent
(k,V(k)) i are aceeai tangent i derivat secund ca funcia criteriu.
141
Punctul de minim/maxim al parabolei este k+1.

17/19

Metode de identificare i validare

.

Metode bazate pe optimizarea parametrilor

Metoda
-Raphson [[zz{{{{{
Metoda Newton
Newton-Raphson
zz{{{{{]]
Aadar
Aadar

Trebuie
i de
cu
ia criteriu
Trebuie construit
construit paraboloidul
paraboloidul care
care verific
verific 33 propriet
proprieti
de coinciden
coinciden
cu func
funcia
criteriu
n
n punctul
punctul curent
curent..

Vk

Cum poate fi construit?

V k ( k ) = V ( k ) V k ( k ) = V ( k ) V k ( k ) = V ( k )

Ar
Ar trebui
trebui exploatat
exploatat
proprietatea
iei criteriu
proprietatea func
funciei
criteriu
de
de aa fifi de
de 22 ori
ori derivabil
derivabil..

(derivata 0)

(derivata 1)

(derivata 2)

Dezvoltare
Dezvoltare n
n serie
serie Taylor
Taylor pn
pn la
la ordinul
ordinul 22

Paraboloidul
Paraboloidul V ( ) = V ( ) + V ( ) T ( ) + 1 ( )T V ( ) ( )

k
k
k
k
k
k
k

Taylor
Taylor
2

R n

Exerciiu
Exerciiu

Artai c paraboloidul Taylor verific cele 3 proprieti de coinciden.

Pentru
Pentru aa determina
determina punctul
punctul de
de optim
optim al
al paraboloidului
paraboloidului Taylor,
Taylor, se
se va
va anula
anula gradientul
gradientul acestuia
acestuia..
Reguli
Reguli de
de
derivare
derivare

( r T ) = r

(T R ) = ( R + RT )

Matricea
Matricea Hessian
Hessian este
este
simetric
simetric ii inversabil
inversabil
n
n vecintatea
vecintatea optimului
optimului..

k +1 = k V ( k ) V ( k )

+ k

V k ( ) = V ( k ) + V ( k )( k ) = 0

k N

142

18/19

Metode de identificare i validare

.

Metode bazate pe optimizarea parametrilor

Metoda
-Raphson [[zzz{{{{
Metoda Newton
Newton-Raphson
zzz{{{{]]
def

k = V ( k ) V ( k )

k N

minus

Ce semnificaie are acest rezultat?

Exemplu
Exemplu

V
V
V ( k)

Termenul
Termenul corector
corector are
are semn
semn opus
opus gradientului
gradientului,,
doarece
doarece matricea
matricea Hessian
Hessian este
este strict
strict
pozitiv/negativ
pozitiv/negativ definit
definit..

k+1

Semnul primei derivate oblig aproximaia curent

s se deplaseze ctre optimul criteriului.
Aproximaia curent fiind inferioar optimului, iar
derivata fiind negativ, corecia se adaug
aproximaiei pentru a se apropia mai mult de optim.
Dac este adugat o cantitate prea
V
mare, se ajunge n zona de derivat
pozitiv i urmtorul factor de
V ( k)
corecie se va scdea din aproximaia
curent, superioar optimului.

CConvergena
onvergena la
-un
la punctul
punctul de
de optim
optim poate
poate fifi realizat
realizat fie
fie printr
printr-un
ir
ir monoton
ii, fie
monoton de
de aproxima
aproximaii,
fie prin
prin intermediul
intermediul unuia
unuia oscilant.
oscilant.
Testul
de stop

k = V ( k ) V ( k ) <

Eficiena se msoar prin

numrul de iteraii necesar

verificrii testului de stop.

n
n vecintatea
vecintatea optimului
optimului,, norma
norma gradientului
gradientului este
este aproximativ
aproximativ nul
nul..

k
k+1

143

19/19

Metode de identificare i validare

.

Metode bazate pe optimizarea parametrilor

Metoda
-Raphson [[zzzz{{
Metoda Newton
Newton-Raphson
zzzz{{{
{]]

Date
Date de
de intrare
intrare

Ini
ializare
Iniializare

Algoritmul
-Raphson cu
Algoritmul Newton
Newton-Raphson
cu pas
pas constant
constant
V : R n R (funcie criteriu, de 2 ori derivabil)
> 0 (prag de precizie)

0 R n

ales fie arbitrar, fie cu ajutorul unui algoritm specific

V (0 )

gradientul iniial

V (0 )

matricea Hessian iniial

k =0

indicele iterativ iniial

Pas constant?
Concept
Concept definit
definit
n
n continuare
continuare..

Bucl
Bucl iterativ
iterativ
T
t timp
T CCt
timp

V ( k ) V ( k )
1

Se
ia optimului
Se reactualizeaz
reactualizeaz aproxima
aproximaia
optimului k +1 = k V ( k ) V ( k )
Se
Se reactualizeaz
reactualizeaz gradientul
gradientul ii matricea
matricea Hessian
Hessian V ( k ) V ( k +1 )
V ( k ) V ( k +1 )
Se
Se trece
trece la
la pasul
pasul urmtor
urmtor k k + 1

Date
ire
Date de
de ie
ieire

k
k

aproximaia de precizie
numrul de iteraii pentru atingerea preciziei dorite

Algoritmul
ializare, n
n sensul
n general,
Algoritmul este
este sensibil
sensibil la
la ini
iniializare,
sensul c
c,, n
general,
va
va converge
converge ctre
ctre optimul
optimul cel
cel mai
mai apropiat
apropiat de
de aceasta
aceasta..

144