1/19

Metode de identificare i validare

.. Metoda
MCMMPE)
Metoda Celor
Celor Mai
Mai Mici
Mici Ptrate
Ptrate Extins
Extins ((MCMMPE)

Discuia care urmeaz vizeaz identificarea modelelor de regresie liniar

avnd vectorul regresorilor nemsurabil.

Astfel de modele se regsesc att n clasa ARMAX, ct i (mai ales) n clasa RSISO.

Exemplu
Exemplu
ARMAX[na,nb,nc
]
ARMAX[na,nb,nc]
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
Ultima
Ultima component
component
b1 b2 " bnb
c1 c2 " cnc
= a1 a2 " ana
nu
nu este
este msurabil
msurabil.. n N

Strategia general de identificare cu ajutorul MCMMPE const n dou etape:

Estimarea zgomotului care intervine n componenta nemsurabil cu ajutorul unui
model avnd vectorul regresorilor complet msurabil (dar mai puin precis).
Determinarea parametrilor originali ai modelului cu ajutorul vectorului regresorilor
avnd componenta nemsurabil estimat n etapa precedent.
n ambele etape este folosit o metod de identificare din clasa MCMMP-MVI,
de unde atributul Extins.
n cazul modelului general ARMAX:
Zgomotul alb este estimat cu ajutorul unui model de tip ARX suficient de complex.
Se aplic din nou MCMMP, fie direct (folosind vectorul estimat al regresorilor),
fie indirect (prin determinarea pseudo-soluiei unui sistem incompatibil).

161

2/19

Metode de identificare i validare

.

Metoda Celor Mai Mici Ptrate Extins

Cazul
Cazul modelelor
modelelor ARMAX
ARMAX

zgomot (eventual) colorat

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

P ((
**)

polinoame cu parametri adevrai,

avnd gradele na, nb, respectiv nc

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

n N

n = na + nb + nc DN = {( u[ n], y[ n])}n1, N
date msurate
Vectorul
Vectorul regresorilor
regresorilor fiind
fiind nemsurabil
nemsurabil,, se
se apeleaz
apeleaz la
la
strategia
n dou
strategia n
dou etape
etape care
care fundamenteaz
fundamenteaz MCMMPE
MCMMPE..

Estimarea zgomotului de proces (alb sau colorat) cu ajutorul

unui model de tip ARX suficient de complex.

N = argmin V ( ) = ?
R n

Cum se poate aproxima modelul general ARMAX cu unul de tip ARX?

Prin
mprirea infinit
iei de
Prin mprirea
infinit trunchiat
trunchiat aa ecua
ecuaiei
de proces
proces
la
la polinomul
polinomul componentei
componentei MA
MA..
A ( q 1 )
C (q

= q

 ( q 1 )
k q k = A

indici structurali suficient de mari

)
min{n, n}  max{na, nb, nc}
B (q )
 (q )
= q q = B
y[ n] =  T [ n] + v[ n]
C (q )
n N
~ ~** A q 1 y[n] = B q 1 u[n] + v[n]
P ((
)
( )
( )
162
n N

k 0

k 0

k =0

k =0

3/19

Metode de identificare i validare

.

Aadar
Aadar

Metoda Celor Mai Mici Ptrate Extins

~ ~**
P ((
) y[ n] =  T [ n] + v[ n]
(proces ARX aproximant)

n N

 T def
[ n] = y[ n 1] y[ n 2] " y[ n n]
T def
b1 b2 " bn
 = a1 a2 " a n

MCMMP
MCMMP sau
sau MVI
MVI

1
 N =
N

1


[
]
[
]

n =1
N
N

u[ n 1] u[ n 2] " u[ n n]
n N
N

n =1

 [ n] y[ n]

notaie unificatoare:

Modelul aproximant permite estimarea

 [ n]
[ n]

vectorul regresorilor
vectorul instrumentelor

zgomotului perturbator al procesului original:

 ( q 1 ) y[n] B
 ( q 1 ) u[n] =  n, 
v[n] y[n]  T [n] N = A
N
N
N
def

def

[ n] = [ y[ n 1] y[ n 2] " y[ n na ]
T

... u[ n 1] u[ n 2] " u[ n nb]

...
...

...  n 1,  N  n 2,  N "  n nc,  N , n N .

Vectorul
Vectorul estimat
estimat al
al regresorilor
regresorilor..

eroare de predicie
cu un pas
(diferena dintre datele
utile msurate i cele
prognozate folosind
modelul de identificare)

163

4/19

Metode de identificare i validare

.

Metoda Celor Mai Mici Ptrate Extins

Estimarea direct a parametrilor modelului ARMAX folosind

vectorul aproximativ al regresorilor (din etapa precedent).

MCMMPE
MCMMPE

1
N =
N

1
T

n
[
]
[
]

n =1
N
N

V ( N ) = y[ n] T [ n] N
N

n =1

N 2N

n
y
n
[
]
[
]

(parametri estimai)
n =1

(1/precizie)

Dac
ia este
Dac perturba
perturbaia
este un
un zgomot
zgomot alb
alb cu
cu dispersie
dispersie necunoscut
necunoscut..

N {N , N na nb nc}

Estimarea indirect a parametrilor modelului ARMAX folosind

parametrii modelului ARX aproximant (din etapa precedent).
) = q q = A q
 q 1 )
Polinoamele
( )
A ( q 1 ) = C( q 1 )A(

Polinoamele necunoscute
necunoscute A
A,, B
B ii C
C
)
sugereaz

ar
ar trebui
trebui s
s rezulte
rezulte prin
prin
sugereaz
1
1 
1
) = q q = B q
B
q
=
C
q
B
q
(
)

(
)
(
)
(
)
)
identificarea
ilor.
identificarea coeficien
coeficienilor.

A ( q 1
C (q

B ( q 1

C (q

k 0

k 0

k =0

k =0

Sistemul este ns incompatibil (are mai multe ecuaii dect necunoscute).

min{n, n}  max{na , nb, nc}

Ce se poate face?
Se
-soluie,
Se caut
caut oo pseudo
pseudo-soluie,
folosind
folosind tot
tot MCMMP
MCMMP..

 T

=

 = 

monic
monic

R ( n+ n+ 2 nc )( na + nb + nc )

n+ n+ 2 nc

 T  (parametri

estimai)

i  (1/precizie)
V ( ) =  T Q
Teorema
Teorema 4.1
4.1

164

5/19

Metode de identificare i validare

.

Metoda Celor Mai Mici Ptrate Extins

Ct de precis este aceast metod?

Precizia
Precizia este
este limitat
limitat din
din cauza
cauza aa 44 surse
surse de
de eroare
eroare::
Trunchierea modelului ARX aproximant.
Estimarea parametrilor modelului ARX aproximant.
Estimarea valorilor perturbaiei (adic a vectorului regresorilor modelului ARMAX).
Estimarea parametrilor modelului ARMAX.
Consistena estimaiilor?
Condi
ile de
sunt
Condiile
de consisten
consisten
sunt similare
similare celor
celor din
din
Propozi
ia 4.4
pentru modelul
):
Propoziia
4.4 ((pentru
modelul ARX
ARX):
a. modelul ARX aproximant este ideal, adic opereaz cu polinoame infinite
(filtre de tip IIR);
b. semnalul de intrare este necorelat cu perturbaia
( E {u[ n ]v[ m]} = 0 , n, m Z );
c. semnalul de intrare are un ordin de persisten suficient de mare,
T
astfel nct matricea E{[ n ] [ n ]} s fie inversabil.
n
n aplica
iile practice,
nd nu
aplicaiile
practice, MCMMPE
MCMMPE este
este utilizat
utilizat atunci
atunci ccnd
nu se
se
impune
impune oo precizie
precizie de
de estimare
estimare superioar
superioar sau
sau ca
ca metod
metod auxiliar
auxiliar
capabil
ializri pentru
capabil s
s furnizeze
furnizeze ini
iniializri
pentru alte
alte metode
metode mai
mai precise.
precise.

165

6/19

Metode de identificare i validare

.. Metoda
ie ((MMEP)
MMEP)
Metoda Minimizrii
Minimizrii Erorii
Erorii de
de Predic
Predicie

Aceasta este una dintre cele mai generale metode de identificare fundamental.
Ca i MCMMPE, ea se adreseaz modelelor din clasele ARMAX i RSISO care au

vectorul regresorilor nemsurabil, dar este mult mai precis (i mai complex).
Strategia general de identificare cu ajutorul MMEP const (tot) n dou etape:
Iniializarea algoritmului iterativ de la etapa urmtoare (eventual folosind MCMMPE).
Determinarea iterativ a parametrilor originali ai modelului cu ajutorul unei metode
bazate pe TO (de exemplu: MGN sau, mai general, MNR).
nlocuit de
Dac MGN
MGN este
este nlocuit
de MNR
MNR
n acest curs, vor fi utilizate metodele: MCMMPE i MGN. Dac
Minimizarea Erorii de Predicie?

Metoda
Metoda de
de Regresie
Regresie
Pseudo
-Liniar ((MRPL)
MRPL)
Pseudo-Liniar

def
Numele
1
Numele provine
provine de
de la
la criteriul
criteriul de
de optimizare
optimizare,, care
care este
este exprimat
exprimat
V

=
(
)
N
prin
prin dispersia
dispersia erorii
erorii dintre
dintre model
model ii proces
proces pe
pe orizontul
orizontul de
de msur
msur..
N

Aadar
Minimizarea criteriului
criteriului ptratic
ptratic revine
revine
Aadar Minimizarea
la
la minimizarea
minimizarea dispersiei
dispersiei erorii
erorii de
de
predic
ie pe
predicie
pe orizontul
orizontul de
de msur
msur..

[ n, ]
2

n =1

R n

Eroare
Eroare de
de predicie
predicie [ n, ] = y[ n] T [ n]
(cu
(cu un
un pas)
pas)
n N

valoare prognozat
n
n cazul
cazul modelelor
modelelor
(predictat) folosind
de
de regresie
regresie liniar
liniar..
modelul de identificare
Pentru
Pentru aa genera
genera prin
prin simulare
simulare valoarea
valoarea curent
curent
A
A se
se vedea
vedea cum
cum arat
arat
aa ie
irii procesului
ieirii
procesului,, sunt
sunt utilizate
utilizate numai
numai date
date
vectorul
vectorul regresorilor
regresorilor..
msurate
166
msurate la
la momente
momente anterioare
anterioare celui
celui curent
curent..

i totui de unde provine numele

de eroare de predicie?

7/19

Metode de identificare i validare

.

Metoda Minimizrii Erorii de Predicie

Algoritmul
ie
Algoritmul generic
generic al
al Minimizrii
Minimizrii Erorii
Erorii de
de Predic
Predicie

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

Date
Date de
de intrare
intrare

= f [ n, ] (expresia erorii de predicie, cel puin derivabile)

> 0 (prag de precizie)

Ini
ializare
Iniializare

N ,0 R n

evaluat cu ajutorul MCMMPE

0 R

ales fie arbitrar, fie cu ajutorul unui algoritm specific

k =0

indicele iterativ iniial

Bucl
Bucl iterativ
iterativ

Se
ia specific
Se utilizeaz
utilizeaz itera
iteraia
specific
din
din cadrul
cadrul MGN
MGN..

Se
ia optimului
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

rN ,k

Se
Se reactualizeaz
reactualizeaz pasul
pasul variabil
variabil k +1 = k +

NU

k R

1
N ,k

rN ,k <

DA

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

167

8/19

Metode de identificare i validare

.

Metoda Minimizrii Erorii de Predicie

MMEP
MMEP aplicat
aplicat modelului
modelului general
general de
de tip
tip ARMAX
ARMAX [[z{{{
z{{{]]

P ((
**)

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

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

n N

M (()
)

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

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

n N

eroarea de predicie cu un pas

n N
Algoritmul
rii Erorii
ie
Minimiz
Predic
Algoritmul generic
generic al
al Minimiz
Minimizrii
Erorii de
de Predic
Predicie

def N

Problema
Problema este
este de
de aa determina
determina R N ,k = [ n, N ,k ] [ n, N ,k ]
n =1
valorile
ie ii
valorile erorii
erorii de
de predic
predicie
def N
ale
ale gradientului
gradientului acesteia
acesteia pentru
pentru
rN ,k = [ n, N ,k ][ n, N ,k ]
itera

ia
curent
.
iteraia curent.
n =1

DN = {( u[ n ], y[ n ])}n1, N (date intrareintrare-ie

ieire m?surate)
surate)
Date
Date de
de intrare
intrare

predicie,
ie, cel pu
puin derivabile)
derivabile)
= f [ n, ] (expresia erorii de predic

> 0 (prag de precizie)

precizie)

T
Ini
ializare
Ini
Iniializare

N ,0 R n

evaluat cu ajutorul MCMMPE

0 R

ales fie arbitrar,

arbitrar, fie cu ajutorul unui algoritm specific

k =0

indicele iterativ ini

iniial

Bucl?
? iterativ?
?
Bucl
iterativ
Bucl?
iterativ?
1

N , k +1 = N , k k [ n, N ,k ] [ n, N ,k ] [ n, N ,k ][ n, N ,k ]
n =1
n =1

NU

R N1,k

k k +1

Se
? pasul
reactualizeaz
Se reactualizeaz?
reactualizeaz?
pasul variabil
variabil k +1 = k +

Ar
Ar putea
putea fifi utilizat
utilizat ecuaia
ecuaia
modelului
modelului de
de identificare
identificare,, cu
cu
parametrii
parametrii curent
curent estimai
estimai..

Se
? itera
ia specific?
?
utilizeaz
itera
specific
Se utilizeaz?
utilizeaz?
iteraia
specific?
din
MGN
din cadrul
cadrul MGN.
MGN..

Se
? aproxima
ia optimului
reactualizeaz
aproxima
Se reactualizeaz?
reactualizeaz?
aproximaia
optimului

k R N1, 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
ie
Date de
de ie
ieire

N ,k +1

aproxima
aproximaia de precizie

k +1

num?
num?rul de
itera
iteraii efectuate

N
N
[ n, N ,k ] = y[ n] + a1,k y[ n 1] + " + a na ,k y[ n na ]

( q 1 ) y[n] = B
( q 1 ) n,
( q 1 ) u[n] + C
A
N ,k
N ,k
N ,k
N ,k

n N

Ini
ializare
Iniializare
] = u[ n] = y[ n] = 0

[
,
N ,k
cauzal
cauzal
n 0

b1,Nk u[ n 1] " bnbN ,k u[ n nb]

c1,Nk n 1, N ,k " cncN ,k n nc, N ,k

Ecua
ie recurent
Ecuaie
recurent pentru
pentru
determinarea
ie.
determinarea erorii
erorii de
de predic
predicie.

n N

168

9/19

Metode de identificare i validare

.

Metoda Minimizrii Erorii de Predicie

MMEP
MMEP aplicat
aplicat modelului
modelului general
general de
de tip
tip ARMAX
ARMAX [[zz{{
zz{{]]
Nimic
mpiedic derivarea
iei care
Nimic nu
nu mpiedic
derivarea ecua
ecuaiei
care
produce
ia recursiv
ie.
produce rela
relaia
recursiv aa erorii
erorii de
de predic
predicie.

Dar gradientul?

n, N ,k
y[n i ] = C N ,k ( q )
ai
1

( q 1 ) y[n] = B
( q 1 ) u[n] + C ( q 1 ) n,
A
N ,k
N ,k
N ,k
N ,k
n N

i 1, na

n, N ,k = y[ n i ] c1,Nk
n 1, N ,k " cncN ,k
n nc, N ,k
ai
ai
ai
0 = u[n j ] + C N ,k ( q 1 )

n, N ,k
b j

j 1, nb

i 1, na

Ecua
ii recurente
Ecuaii
recurente pentru
pentru determinarea
determinarea
componentelor
componentelor gradientului
gradientului..

n N

n, N ,k = u[ n j ] c1,Nk
n 1, N ,k " cncN ,k
n nc, N ,k
b j
b j
b j

0 = n l , N ,k + C N ,k ( q 1 )
n, N ,k
cl

l 1, nc

j 1, nb

Ini
ializare
Iniializare
n, N ,k = n, N ,k = u[n] = y[n] = 0
cauzal
cauzal
n 0
l 1, nc

n, N ,k = n l , N ,k c1,Nk
n 1, N ,k " cncN ,k
n nc, N ,k
cl
cl
cl

169

10/19

Metode de identificare i validare

.

Metoda Minimizrii Erorii de Predicie

MMEP
MMEP aplicat
aplicat modelului
modelului general
general de
de tip
tip ARMAX
ARMAX [[zzz{
zzz{]]
Exemplu
Exemplu

k N

Primele
Primele 33 iteraii
iteraii ale
ale relaiilor
relaiilor recursive
recursive la
la pasul
pasul curent
curent de
de aproximare
aproximare

1, N ,k = y[1]
1, N ,k = 0
1, N ,k = 0
1, N ,k = 0
b j
cl
ai

2, N ,k = y[2] + a1,Nk y[1] b1,Nk u[1] c1,Nk 1, N ,k =

= y[2] + ( a1,Nk c1,Nk ) y[1] b1,Nk u[1]

2, N ,k = u[2 j ] c1,Nk
1, N ,k = u[2 j ]
b j
b j
3, N ,k = y[3] + a1,Nk y[2] + a 2,N k y[1] b1,Nk u[2] b2,Nk u[1]
c1,Nk 2, N ,k c2,N k 1, N ,k

2, N ,k = y[2 i ] c1,Nk
1, N ,k = y[2 i ]
ai
ai

2, N ,k = 2 l , N ,k c1,Nk
1, N ,k =
cl
cl

n=2

= 2 l , N ,k

3, N ,k = y[3 i ] c1,Nk
2, N ,k
ai
ai

3, N ,k = u[3 j ] c1,Nk
2, N ,k c2,N k
1, N ,k =
b j
b j
b j

c2,N k

3, N ,k = 3 l , N ,k c1,Nk
2, N ,k c2,N k
1, N ,k =
cl
cl
cl

n=3

1, N ,k = y[3 i ] c1,Nk y[2 i ]

ai

= u[3 j ] + c1,Nk u[2 j ]

= 3 l , N ,k + c1,Nk 2 l , N ,k

n =1

1/precizie
1/precizie

1
V N ,k =
N

n =1

N 2N ,k v za (0, 2 )

n, N ,k

170

11/19

Metode de identificare i validare

.

Metoda Minimizrii Erorii de Predicie

MMEP
MMEP aplicat
aplicat modelului
modelului general
general de
de tip
tip ARMAX
ARMAX [[zzzz
zzzz]]
Ct de precis este aceast metod?
Precizia
Precizia este
este ridicat
ridicat,, dar
dar afectat
afectat de
de 22 surse
surse importante
importante de
de eroare
eroare::
Iniializrile parametrilor i ale relaiilor recursive prin intermediul crora
se estimeaz eroarea de predicie i gradientul.
Aproximarea matricii Hessiene operat n cadrul MGN.
Consistena estimaiilor?
Teorema
Cosnsistena estima
iei oferite
)
Teorema 4.7
4.7 ((Cosnsistena
estimaiei
oferite de
de MMEP
MMEP pentru
pentru modelele
modelele ARMAX
ARMAX)
Se consider c modelul ARMAX[na,nb,nc] verific urmtoarele ipoteze:

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

b. intrarea u este un semnal de stimul cu ordin de persisten suficient de mare astfel
nct matricea E{[ n ]T [ n ]} s fie inversabil;
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 .

Atunci estimaiile oferite de MMEP sunt convergente i consistente.
lim lim N , k =
Metoda
ioneaz corect
n cazul
Metoda func
funcioneaz
corect ii n
cazul
N k
Mai precis:
zgomotelor
zgomotelor colorate
colorate,, dac
dac se
se consider
consider un
un model
model
2
2

lim lim N ,k =
separat
).
separat pentru
pentru acestea
acestea (de
(de exemplu
exemplu ARMA
ARMA).
N k

171

12/19

Metode de identificare i validare

..

Paradigma
-precizie n
n IS
Paradigma adaptabilitate
adaptabilitate-precizie
IS

Majoritatea proceselor furnizoare de date sunt neliniare i/sau posed parametri variabili n timp.
Identificarea proceselor cu parametri variabili n timp se realizeaz cu ajutorul
modelelor i metodelor adaptive (recursive).
Prin identificarea adaptiv, se urmrete asigurarea
unui compromis ntre dou caracteristici opuse ale
estimaiei parametrilor necunoscui
(variabili pe orizontul de msur):
Adaptabilitate

Precizie

Principiul
Principiul metodelor
metodelor adaptive
adaptive
Estima
ia vectorului
Estimaia
vectorului parametrilor
parametrilor
necunoscu
i se
necunoscui
se reactualizeaz
reactualizeaz folosind
folosind
datele
datele msurate
msurate pe
pe orizontul
orizontul de
de adaptare
adaptare..

Caracteristici
model adaptiv

k
K
K

k 1
K
K

k
K
K

k N

Corecie
Corecie

Ko

Dimensiune
Optim orizont de adaptare

Adaptabilitatea
n timp
Adaptabilitatea scade
scade,, n
timp ce
ce
precizia
te odat
precizia cre
crete
odat cu
cu dimensiunea
dimensiunea
orizontului
orizontului de
de adaptare.
adaptare.

Cu
t se
ioneaz mai
ntre momentele
t adaptarea
Cu cct
se achizi
achiziioneaz
mai multe
multe date
date ntre
momentele de
de reactualizare,
reactualizare, cu
cu at
att
adaptarea se
se efectueaz
efectueaz
mai
odelul fiind
iile caracteristicilor
ntre aceste
mai rar
rar,, m
modelul
fiind incapabil
incapabil s
s surprind
surprind varia
variaiile
caracteristicilor procesului
procesului ntre
aceste momente.
momente.
n
n schimb,
te, ddeoarece
eoarece parametrii
schimb, precizia
precizia modelului
modelului cre
crete,
parametrii si
si
sunt
i cu
sunt determina
determinai
cu ajutorul
ajutorul unui
unui set
set mai
mai bogat
bogat de
de date.
date.

172

13/19

Metode de identificare i validare

.

Paradigma adaptabilitate-precizie n IS

Asigurarea compromisului precizie-adaptabilitate este dificil.

Exemplu
Cazul parametrului
parametrului scalar,
scalar, variabil
variabil n
n timp
timp..
Exemplu Cazul
Tub de varian larg

Tub de varian ngust

*
^

2K

3K

Orizont de adaptare larg

Valorile estimate ale parametrului sunt
relativ apropiate de cele adevrate i
tubul de varian este relativ ngust.
Graficul parametrului estimat este neted, deci
modelul sesizeaz mai puin variaiile locale
ale parametrului adevrat.

K =?

Se
n
Se sacrific
sacrific precizia
precizia n
favoarea
ii.
favoarea adaptabilit
adaptabilitii.

*
^

0 K 2K3K

Orizont de adaptare ngust

Valorile estimate ale parametrului sunt
relativ deprtate de cele adevrate i
tubul de varian este relativ larg.
Graficul parametrului estimat urmrete
variaiile locale ale parametrului adevrat,
cu o anumit acuratee.

K =1

k = k 1 + k

k N

173

14/19

Metode de identificare i validare

.

Paradigma adaptabilitate-precizie n IS

Metodele
Metodele abordate
abordate n
n acest
acest curs
curs
Metoda Celor Mai Mici Ptrate
Recursiv (MCMMP-R)

Metoda Varibilelor Instrumentale

Recursiv (MVI-R)

MCMMP-R cu fereastr
exponenial (MCMMP-R)

MVI-R cu fereastr exponenial

(MVI-R)

MCMMP-R cu fereastr
dreptunghiular (MCMMP-R )

MVI-R cu fereastr
dreptunghiular (MVI-R )

Alte
)
Alte metode
metode adaptive
adaptive (de
(de precizie
precizie i
i complexitate
complexitate ridicate
ridicate)
Metode de Gradient
Recursive (M-R)

MMEP Recursiv
(MMEP-R)

MCMMP-R bazat pe descompunerea QR

(MCMMPQR-R)

MCMMPE Recursiv
(MCMMPE-R)

MRPL Recursiv
(MRPL-R)

Metoda Kalman-Bucy
(MKB)

Strategia
Strategia
general
general

Expresia
iei pentru
on-line) va
Expresia general
general aa corec
coreciei
pentru metoda
metoda recursiv
recursiv ((on-line)
va fifi dedus
dedus
plec
nd de
iei din
off-line).
plecnd
de la
la expresia
expresia final
final aa estima
estimaiei
din metoda
metoda nerecursiv
nerecursiv ((off-line).

174

15/19

Metode de identificare i validare

.

Paradigma adaptabilitate-precizie n IS

De ce corecia aplicat vectorului curent al parametrilor estimai este aditiv?

k = k 1 + k

Acest
Acest rezultat
rezultat remarcabil
remarcabil se
se datoreaz
datoreaz n
n realitate
realitate IE
IE,, care
care
permite
permite aproximarea
aproximarea mediei
mediei statistice
statistice cu
cu oo medie
medie temporal
temporal
exprimat
exprimat prin
prin intermediul
intermediul unei
unei sume
sume..

k N

De
De asemenea
asemenea
Eficien
a crescut
Eficiena
crescut aa algoritmilor
algoritmilor adaptivi
adaptivi de
de identificare
identificare se
se datoreaz
datoreaz unui
unui rezultat
rezultat din
din Teoria
Teoria Matricilor
Matricilor..
Lema
Inversarea matricilor
-Morrison)
Lema 4.8
4.8 ((Inversarea
matricilor modificate
modificate aditiv
aditiv de
de un
un produs
produs exterior)
exterior) (Sherman
(Sherman-Morrison)
Fie A R nn o matrice inversabil i b R , c R doi vectori cu dimensiunile egale
n

(compatibili dimensional cu matricea A), avnd proprietatea: c A b 1 . Atunci matricea

T

A + bcT este inversabil, inversa acesteia avnd exprimarea:

1
A 1bcT A 1 .
T
1
A + bc
=A
1 + cT A 1b

Demonstra
ie
Demonstraie
Exerciiu
Exerciiu

(prin verificare
direct)

Caz
Caz
particular
particular

b=c

( A + bb )
T

1
T
1
A
bb
A
= A 1
1 + bT A 1b

Dac
Dac inversa
inversa unei
unei matrici
matrici este
este deja
deja evaluat
evaluat,, prin
prin adugarea
adugarea unui
unui produs
produs exterior
exterior la
la
matricea
matricea original
original,, rezult
rezult oo nou
nou matrice
matrice aa crei
crei invers
invers poate
poate fifi evaluat
evaluat
fr
).
fr aa efectua
efectua inversarea
inversarea explicit
explicit aa acesteia
acesteia (se
(se efectueaz
efectueaz doar
doar inversarea
inversarea unui
unui scalar
scalar).

175

16/19

Metode de identificare i validare

..

MCMMP/MVI
-line)
MCMMP/MVI recursiv
recursiv (on
(on-line)
MCMMP
off-line)
MCMMP nerecursiv
nerecursiv ((off-line)

Pentru
Pentru orice
orice model
model de
de regresie
regresie liniar
liniar..

k
k

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

P( N ) = 2 [ n]T [ n]
n =1

k N

matricea de auto-covarian a erorii de estimare

Notaie sugerat de Teorema fundamental a MCMMP.

Pk

Inversele matricilor Pk verific o relaie recurent evident:

P = [ n] [ n ] = [ n ] [ n ] + [ k ] [ k ] = P + [ k ]
1
k

def

k 1

n =1

1
k 1

[ k ] , k N .

n =1

P0 R nn

Matrice iniial care trebuie s verifice

proprietile tuturor matricilor succesive:
inversabilitate, simetrie, pozitiv (semi-definire).
Folosind acelai artificiu, estimaia off-line se poate de asemenea exprima recursiv:
1
k 1

k 1
k
= P [ n] y[ n] = Pk [ n] y[ n] + [ k ] y[ k ] = Pk Pk11 k 1 + [ k ] y[ k ] =

k
k

n =1

n =1

P 1

k 1 k 1

= Pk ( Pk1 [ k ]T [ k ] ) k 1 + [ k ] y[ k ] = k 1 + Pk [ k ] y[ k ] T [ k ] k 1 ,
k N .

0 R n
iniializare
prestabilit

176

Metode de identificare i validare

.

MCMMP/MVI recursiv (on-line)

T
Aadar
Aadar k = k 1 + Pk [ k ] y[ k ] [ k ] k 1

O
ie recursiv
O prim
prim rela
relaie
recursiv..
Ineficient, deoarece la fiecare pas
k N
Corecie
trebuie inversat o matrice.
k Corecie

Corecia este format din 2 factori:

def

[ k ] = y[ k ] [ k ] k 1
T

def

k = Pk [ k ]

17/19

k = k 1 + k [ k ]

k N

Eroarea de predicie cu un pas.

Ctig (de senzitivitate), cu rolul de a pondera eroarea de predicie

pentru fiecare component a vectorului parametrilor estimai.
Nu
i parametrii
Nu to
toi
parametrii sunt
sunt la
la fel
fel de
de sensibili
sensibili la
la reactualizare
reactualizare..

Cum poate fi mrit eficiena metodei?

Metoda
Metoda ar
ar fifi mult
mult mai
mai eficient
eficient dac
dac inversarea
inversarea
matricilor
-ar putea
matricilor ss-ar
putea efectua
efectua tot
tot de
de oo manier
manier recursiv
recursiv..
Lema
Lema 4.8
4.8

Pk = ( P

1
k 1

+ [ k ] [ k ] )
T

Pk 1[ k ]T [ k ]Pk 1
= Pk 1
1 + T [ k ]Pk 1[ k ]

k N

Efortul
Efortul de
de calcul
calcul efectuat
efectuat iniial
iniial
pentru
pentru inversare
inversare este
este conservat
conservat
de
-a lungul
de-a
lungul procesului
procesului recursiv
recursiv,,
adaptarea
adaptarea inverselor
inverselor necesitnd
necesitnd
numai
numai mprirea
mprirea la
la un
un scalar
scalar..

177

18/19

Metode de identificare i validare

.

MCMMP/MVI recursiv (on-line)

Mai
-o organizare
Mai mult
mult,, eficiena
eficiena metodei
metodei poate
poate crete
crete ii printr
printr-o
organizare judicioas
judicioas aa memoriei
memoriei..

Folosind lema de inversare matricial se poate evalua i ctigul de senzitivitate:

Pk 1[ k ]T [ k ]Pk 1[ k ]
=
k = Pk [ k ] = Pk 1[ k ]
1 + T [ k ]Pk 1[ k ]
Lema
Lema 4.8
4.8
def

se aduce la acelai numitor

Pk 1[ k ]
Pk 1[ k ] + Pk 1[ k ]T [ k ]Pk 1[ k ] Pk 1[ k ]T [ k ]Pk 1[ k ]
,
=
=
1 + T [ k ]Pk 1[ k ]
1 + T [ k ]Pk 1[ k ]
k N .
Iniializare?

Sumarul
iilor MCMMP
-R ((on
on line
)
Sumarul rela
relaiilor
MCMMP-R
line)
Eroarea
Eroarea de
de predicie
predicie

[ k ] = y[ k ] T [ k ] k 1

CCtigul
tigul de
de senzitivitate
senzitivitate

Pk 1[ k ]
k =
1 + T [ k ]Pk 1[ k ]

Matricea
-covarian aa
Matricea de
de auto
auto-covarian
erorii
erorii de
de estimare
estimare

Pk = Pk 1 k T [ k ]Pk 1

Vectorul
i
Vectorul parametrilor
parametrilor estima
estimai

k = k 1 + k [ k ]

k N

Informaii preliminare absente:

P0 = I n > 0
0 R n
arbitrar (eventual nul)
Informaii preliminare disponibile
sub forma unui set redus de date:
1

N0
N0
= [ n]T [ n] [ n] y[ n]
0
n =1
n =1

MCMMP
-line P
MCMMP off
off-line
0

178

19/19

Metode de identificare i validare

.

MCMMP/MVI recursiv (on-line)

Algoritmul
Algoritmul adaptiv
adaptiv al
al Celor
Celor Mai
Mai Mici
Mici Ptrate
Ptrate

Date
Date de
de intrare
intrare

Ini
ializare
Iniializare

DN0 = {[ n]}n1, N { y[ n]}n1, N (un set redus de date msurate, dac este posibil)
0
0

n (indicele structural al modelului de identificare)

P0 R nn 0 R n
k =0

neutr sau personalizat, dup caz

indicele iterativ iniial

Bucl
Bucl iterativ
iterativ
T
T Pentru
Pentru k 1
T
Se
ie curent
Se evalueaz
evalueaz eroarea
eroarea de
de predic
predicie
curent:: [ k ] = y[ k ] [ k ] k 1

Se
Se evalueaz
evalueaz vectorul
vectorul auxiliar
auxiliar:: k = Pk 1[ k ]

=
Se
tigul de
k
Se evalueaz
evalueaz cctigul
de senzitivitate
senzitivitate::
1 + T [ k ] k
T
Se
-covarian aa erorii
Se reactualizeaz
reactualizeaz matricea
matricea de
de auto
auto-covarian
erorii de
de estimare
estimare:: Pk = Pk 1 k k

Se
i: k = k 1 + k [ k ]
Se reactualizeaz
reactualizeaz vectorul
vectorul parametrilor
parametrilor estima
estimai:

Se
Se incrementeaz
incrementeaz indicele
indicele curent
curent:: k k + 1
Date
ire
Date de
de ie
ieire

{ }
k

kN

Parametrii
i
Parametrii modelului
modelului reactualiza
reactualizai
la
la fiecare
fiecare pas
pas de
de adaptare
adaptare..

179