1/18

q Metode de identificare i validare

f.cb MCMMP/MVI recursiv (on-line)

Cum poate fi caracterizat precizia estimaiei adaptive?

Tot
Tot prin
prin intermediul
intermediul conceptului
conceptului de
de consisten
consisten,,
dar
dar adaptat
adaptat la
la anumite
anumite procese
procese cu
cu parametri
parametri variabili
variabili..
def

T
Ipotez
Ipotez = lim E [ n] [ n] E {[ n] y[ n]}
n

** PParametrii
arametrii adevra
i se
adevrai
se
stabilizeaz
constante..
stabilizeaz la
la valori
valori constante

Se va arta c parametrii estimai folosind MCMMP-R tind, la rndul lor, la valorile constante,
indiferent de iniializarea utilizat.
Se pleac de la urmtoarea identitate evident: k = k
k N
Apoi, se deduc relaii recurente
pentru fiecare din cei 2 factori.
1

1
1

kPk = Pk1 = ( Pk11 + [ k ]T [ k ] )

k
k

k = ( kPk ) Pk1 k
k

k N

1 1 k

= " = P0 + [ n]T [ n] , k N .
n =1

(
1 1
1
Pk k = Pk1 k 1 + Pk [ k ] y[ k ] T [ k ] k 1 =

Pk1 = Pk11 + [ k ]T [ k ]
k
k
1
1
= ( Pk11 + [ k ]T [ k ] ) k 1 + [ k ] y[ k ] [ k ]T [ k ] k 1 = Pk11 k 1 + [ k ] y[ k ] =
k
k
k
1 1

= " = P0 0 + [ n] y[ n] , k N .
k
n =1

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

180

q Metode de identificare i validare

2/18

f.cb MCMMP/MVI recursiv (on-line)

1

k
k

1
1

=
+
+

n
P

n
y
n
[
]
[
]
[
]
[
]
Aadar
Aadar k 0

k 0 0

k
n =1
n =1

** Contribu
ia ini
ializrii se
Contribuia
iniializrii
se atenueaz
atenueaz dup
dup oo lege
lege hiperbolic
hiperbolic..

k N

Algoritmul
Algoritmul recursiv
recursiv de
de baz
baz funcioneaz
funcioneaz ii n
n cazul
cazul unei
unei iniializri
iniializri necorespunztoare
necorespunztoare
), dar
(de
nu este
este pozitiv
pozitiv definit
definit),
dar viteza
viteza de
de convergen
convergen scade
scade..
(de exemplu
exemplu,, dac
dac matricea
matricea PP00 nu

Rezult
Rezult
1
k
k

1
1 1

1
T

lim k = lim P0 + [ k ] [ k ] lim P0 0 + [ n ] y[ n ] =

k
k k
n =1
n =1
k k

P01
P01 0
1 k
1 k
T
= lim
+ lim [ n ] [ n ] lim
+ lim [ n ] y[ n ] =
k k
k k

n =1
n =1
k k
k k
0
0

= lim E {[ n ]T [ n ]} E {[ n ] y[ n]} = .
n
1

IE
IE

** n
n general,
ns, sunt
general, ns,
sunt dificil
dificil de
de cuantificat
cuantificat
at
t precizia
t ii mai
att
precizia,, cct
mai ales
ales adaptabilitatea
adaptabilitatea
((capacitatea
capacitatea de
iei
de urmrire
urmrire a)
a) estima
estimaiei
parametrilor
i.
parametrilor necunoscu
necunoscui.

Exerciiu
Exerciiu
S se refac raionamentele anterioare pentru a proiecta i
analiza Algoritmul recursiv al Variabilelor Instrumentale.

181

3/18

q Metode de identificare i validare

f
.cd MCMMP/MVI
ial
f.cd
MCMMP/MVI recursiv
recursiv cu
cu fereastr
fereastr exponen
exponenial

Exist situaii (n special n cazul proceselor rapid variabile) n care contribuia datelor anterioare

momentului curent de reactualizare trebuie atenuat cu rapiditate controlat.

Istoria comportamentului procesului poate distorsiona rezultatul operaiei de adaptare curent dac datele
achiziionate devin rapid nvechite i tind s nu mai corespund comportamentului actual al procesului.
Cum poate fi controlat atenuarea istoriei datelor?
Prin
-a lungul
Prin intermediul
intermediul ferestrelor
ferestrelor culisante
culisante fie
fie de
de-a
lungul setului
setului de
de date
date,,
fie
-a lungul
fie de
de-a
lungul erorilor
erorilor de
de predicie
predicie..

wN Fereastr cu deschiderea determinat de

Fereastr de
ponderare

dimensiunea orizontului de msur.

window
** De
nenegativ..
De regul
regul,, nenegativ

Selecia datelor are loc prin nmulirea valorilor

Orizont de
ferestrei (ponderilor) cu valorile omoloage ale datelor.
msur
** n
n cazul
regresie
cazul modelelor
modelelor de
de regresie
n acest curs, va fi abordat problema estimrii
liniar
liniar,, datele
datele sunt
sunt ponderate
ponderate de
de
recursive a parametrilor prin minimizarea unui criteriu
radicalul
def N
radicalul ferestrei
ferestrei..
ptratic n care ptratul erorii de predicie curente
2
wN [ n ] [ n , ]
este ponderat de o fereastr culisant nenegativ. V ( ) =

n =1

182

4/18

q Metode de identificare i validare

f.cd MCMMP/MVI recursiv cu fereastr exponenial

Deponderarea prea drastic a datelor implic deteriorarea sensibil a preciziei modelului de identificare,

astfel c fereastra trebuie aleas cu atenie.

Aplicarea ferestrelor de ponderare asupra datelor este o operaie frecvent ntlnit n aplicaiile de PS.
Spre deosebire de ferestrele din aplicaiile de PS (care, de regul, sunt simetrice pe orizontul de msur),
ferestrele utilizate n aplicaiile de IS pot fi asimetrice.

Ferestre
Ferestre de
de culisare
culisare frecvent
frecvent utilizate
utilizate n
n aplicaiile
aplicaiile de
de IS
IS
Exponenial

Dreptunghiular
M

Fereastr
exponenial
N-n

Orizont de
msur
Factor
Factor de
de
def
uitare
uitare
wN [ n] = N n

n N

Exerciii
Exerciii

Fereastr
dreptunghiular
w M,N

** De
De regul
regul
[0.95 , 1]

MCMMP
-R (relaii recursive,
MCMMP-R
MVI
-R
MVI-R

algoritm eficient,
iniializare, consisten)

Orizont de
msur

1 , n N M + 1, N
wM , N [ n] =
0 , n 1, N M
def

183

5/18

q Metode de identificare i validare

f
.ce MCMMP/MVI
f.ce
MCMMP/MVI recursiv
recursiv cu
cu fereastr
fereastr dreptunghiular
dreptunghiular

Dac apare problema nlturrii complete a datelor nvechite, mai util este fereastra dreptunghiular,
care permite aplicarea unui factor de uitare total asupra datelor situate n afara deschiderii sale.

1 , n N M + 1, N
wM , N [ n] =
0 , n 1, N M

def

def

V ( ) = w M , N [ n ] [ n , ] =
2

n =1

2 [ n , ]

n = N M +1

MCMMP
MCMMP
off
-line
off-line

Pentru a deduce

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

n = k M +1
n = k M +1

expresia coreciei, se
adopt aceeai strategie
ca n cazul MCMMP-R.

k M

Pk Simetric i strict pozitiv definit.

Relaia recurent a inverselor

matricilor Pk :
1
k

def

n = k M +1

[ n ] [ n ] =
T

k 1

[ n]T [ n] [ k M ]T [ k M ] + [ k ]T [ k ] =

n=k M

Pk11
= Pk11 [ k M ]T [ k M ] + [ k ]T [ k ] , k M + 1.

184

6/18

q Metode de identificare i validare

f.ce MCMMP/MVI recursiv cu fereastr dreptunghiular

Urmeaz deducerea expresiei coreciei:

k

k 1

= P
=

n
y
n
P

[
n
]
y
[
n
]

[
k
M
]
y
[
k
M
]

[
k
]
y
[
k
]
[
]
[
]

k
k
k

=
n = k M +1

n=k M

Pk11 k 1
Pk11 = Pk1 + [ k M ]T [ k M ] [ k ]T [ k ]
= Pk Pk11 k 1 [ k M ] y[ k M ] + [ k ] y[ k ] =

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

T
T

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

** Corec
ia este
Corecia
este format
format din
din 22 termeni
termeni..

Pentru a putea determina coreciile,

trebuie evaluate:

b ,k

Corecie
Corecie
aa priori
priori
backward

Corecie
Corecie
aa posteriori
posteriori

f ,k

k M +1

forward

def

b [ k M ] = y[ k M ] T [ k M ] k 1 Eroarea de predicie a priori * Folosind numai datele

* Folosind numai datele
(prognoz n trecut).
def
delimitate
delimitate de
de fereastra
fereastra
T

Eroarea
de
predic

ie
a
posteriori
[ k ] = y[ k ] [ k ]
f

k 1

(prognoz n viitor).

dreptunghiular
dreptunghiular..

185

7/18

q Metode de identificare i validare

f.ce MCMMP/MVI recursiv cu fereastr dreptunghiular

T
= P [ k M ] y[ k M ] T [ k M ]
[
]
[
]
[ k ] k 1

+
P

k
y
k

k 1
k
 k k 1 k

De asemenea, erorile de predicie sunt ponderate de

dou ctiguri de senzitivitate:
def

b,k M = Pk [ k M ] Ctig de senzitivitate

f ,k

k M +1

k = k 1 b ,k M b [ k M ] + f ,k f [ k ]
Cum poate fi optimizat
relaia recursiv?

k M +1

Prin
Prin aplicarea
aplicarea succesiv
succesiv,, de
de dou
dou ori
ori,,
P = P [ k M ] [ k M ] + [ k ] [ k ] aa lemei
lemei de
de inversare
inversare matricial
matricial..
k M +1
Pb,1k M (notaie natural)
** Acela
i rezultat
def
Acelai
rezultat se
se
T
1
1
P
ob

ine
plec

nd
de
la:
f , k = Pk 1 + [ k ] [ k ]
obine
plecnd
de
la:
Lema
Lema 4.8
4.8


c

a priori.
= Pk [ k ] Ctig de senzitivitate
a posteriori.

def

1
k

1
k 1

Pb ,k M = ( P
def

1
k 1

[ k M ] [ k M ] )
T

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

k M +1

d Lema
Lema 4.8
4.8
Pk = ( Pb,1k M + [ k ]T [ k ] ) = Pb ,k M
1

Pb ,k M [ k ]T [ k ]Pb ,k M
1 + T [ k ]Pb ,k M [ k ]

k M +1

186

8/18

q Metode de identificare i validare

f.ce MCMMP/MVI recursiv cu fereastr dreptunghiular

se aduce la acelai numitor

Mai
Mai mult
mult
def

f ,k = Pk [ k ] = Pb ,k M [ k ]

Pb ,k M [ k ]T [ k ]Pb ,k M [ k ]
1 + T [ k ]Pb ,k M [ k ]

Lema
Lema 4.8
4.8

Pk = Pb ,k M
=
=

Pb ,k M [ k ]T [ k ]Pb ,k M

1 + T [ k ]Pb ,k M [ k ]

Pb ,k M [ k ] + Pb ,k M [ k ]T [ k ]Pb ,k M [ k ] Pb ,k M [ k ]T [ k ]Pb ,k M [ k ]
1 + T [ k ]Pb ,k M [ k ]
Pb ,k M [ k ]
1 + [ k ]Pb ,k M [ k ]
T

, k M + 1.

** Pentru
-al doilea
tig, ar
Pentru cel
cel de
de-al
doilea cctig,
ar trebui
trebui evaluat
evaluat::

Pf ,k = ( Pk11 + [ k ]T [ k ])
def

Algoritmul
Algoritmul adaptiv
adaptiv al
al Celor
Celor Mai
Mai Mici
Mici Ptrate
Ptrate cu
cu fereastr
fereastr dreptunghiular
dreptunghiular


0

M 1 (deschiderea ferestrei dreptunghiulare)

Date
de intrare
intrare
Date de

DM = {[ n]}n1, M { y[ n]}n1, M (un set de date msurate a priori pe durata ferestrei)

n (indicele structural al modelului de identificare)

1

Ini
ializare
Iniializare

M
M

MCMMP
-line M = [ n] [ n] [ n] y[ n]
MCMMP off
off-line
n =1
n =1

k = 0 indicele iterativ iniial

PM

187

9/18

q Metode de identificare i validare

f.ce MCMMP/MVI recursiv cu fereastr dreptunghiular

Algoritmul
Algoritmul adaptiv
adaptiv al
al Celor
Celor Mai
Mai Mici
Mici Ptrate
Ptrate cu
cu fereastr
fereastr dreptunghiular
dreptunghiular
(final)
(final)
Bucl
Bucl iterativ
iterativ
T
T Pentru
Pentru k M + 1

b [ k M ] = y[ k M ] T [ k M ] k 1 (a priori)
c
ie curente
c Se
Se evalueaz
evalueaz erorile
erorile de
de predic
predicie
curente::
[ k ] = y[ k ] T [ k ] (a posteriori)
k 1

d
d Se
Se evalueaz
evalueaz vectorul
vectorul auxiliar
auxiliar:: k = Pk 1[ k M ]
e
matricea:: Pb ,k M = Pk 1 +
e Se
Se evalueaz
evalueaz matricea

1 T [ k M ] k
T
k k

f
f Se
Se reactualizeaz
reactualizeaz vectorul
vectorul auxiliar
auxiliar:: k = Pb ,k M [ k ]

Exerciiu
-R
MVI-R
Exerciiu MVI
(deducerea relaiilor
recursive, algoritmul
eficient, iniializare)

k
=

g
tigul de
g Se
Se evalueaz
evalueaz cctigul
de senzitivitate
senzitivitate aa posteriori:
posteriori: f ,k
1 + T [ k ]

T
h
-covarian aa erorii
h Se
Se reactualizeaz
reactualizeaz matricea
matricea de
de auto
auto-covarian
erorii de
de estimare
estimare:: Pk = Pb ,k M f ,k k

i
tigul de
i Se
Se evalueaz
evalueaz cctigul
de senzitivitate
senzitivitate aa priori:
priori: b ,k M = Pk [ k M ]
j
i: k = k 1 b ,k M f [ k M ] + f ,k f [ k ]
j Se
Se reactualizeaz
reactualizeaz vectorul
vectorul parametrilor
parametrilor estima
estimai:

k
k 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..

** Complexitatea
Complexitatea
algoritmului
algoritmului aa
crescut
crescut..

188

10/18

q Metode de identificare i validare

f
.cf Estimarea
f.cf
Estimarea structurii
structurii modelelor
modelelor de
de identificare
identificare
Pentru fiecare structur de model din ce n ce mai

Informaie preliminar despre proces

Scopul identificrii procesului

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

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)

m = n

Alegerea modelului
adecvat datelor
achiziionate

Alegerea modelului
adecvat datelor
achiziionate

M (o)
NU

Criteriul aplatizrii
erorii ptratice
Criteriul descreterii
relative normalizate

DA

Model valid

M (o)

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

Teste ((criterii)
criterii)
de adecvan
adecvan

Validarea
modelului

 Experiment de
identificare

Modele de identificare de acelai tip, dar de diferite structuri sunt mai nti
determinate i apoi comparate ntre ele, n vederea alegerii celui adecvat.

Criteriul de
penalizare FPE
Criteriile lui
Akaike-Rissanen

Criteriul gradului
de potrivire

** Supra
-parametrizarea
Supra-parametrizarea
este
i preferabil
este totu
totui
preferabil
sub
-parametrizrii.
sub-parametrizrii.

Criteriul reprezentrii
poli-zerouri

Nici
perfect. Unele
Nici unul
unul dintre
dintre aceste
aceste criterii
criterii nu
nu este
este perfect.
Unele criterii
criterii tind
tind s
s
sub
-parametrizeze modelele
-parametrizeze.
sub-parametrizeze
modelele,, iar
iar altele
altele s
s le
le supra
supra-parametrizeze.

189

11/18

q Metode de identificare i validare

f.cf Estimarea structurii modelelor de identificare

Criteriul
Criteriul aplatizrii
aplatizrii erorii
erorii ptratice
ptratice

VN ( ) = ( y [ n]  [ n] )
def N

AN

** Datorit
Datorit Principiului
Principiului parsimoniei
parsimoniei,,
modelul
n mod
modelul adecvat
adecvat nu
nu are
are n
mod necesar
necesar
structura
a cum
structura cea
cea mai
mai complex
complex,, aaa
cum
sugereaz
.
sugereaz ii criteriul
criteriul de
de adecvan
adecvan.

n =1

y y y

(date staionarizate)

( )

def

mo

A N [ n] = VN N = N 2N [ n]

erori numerice i de supra-acordare

a modelului

indicele structural optimal

indicele structural maximal
Practic, indicele structural optim este selectat n funcie de dispersia zgomotului alb,
invers proporional cu precizia modelului.
Dendat ce nu se mai obine o scdere semnificativ a acestei dispersii, adic o cretere semnificativ
a preciziei modelului, este inutil mrirea complexitii acestuia.

Criteriul
Criteriul descreterii
descreterii relative
relative normalizate
normalizate

2N [ n] 2N [ n + 1]
F N [ n] =
2 [ n + 1]
def

Testul de
adecvan

F N [ n] 4 / N

Spre deosebire de cazul criteriului precedent, aici alegerea indicelui

structural optim se poate efectua ntr-o manier automat, nesubiectiv.

/ n general, folosind aceste dou criterii, precizia de determinare a

indicelui structural este modest (modelul este uor sub-parametrizat).

(
( Testul
Testul FF din
din
Statistic
Statistic..

** Adaptiv
n func
ie de
Adaptiv,, n
funcie
de
dimensiunea
dimensiunea
orizontului
orizontului de
de msur
msur..

190

12/18

q Metode de identificare i validare

f.cf Estimarea structurii modelelor de identificare

Cum poate fi mrit precizia de determinare a indicelui structural?

Prin
Prin diminuarea
diminuarea dimensiunii
dimensiunii palierului
palierului,, operaie
operaie cunoscut
cunoscut sub
sub numele
numele de
de penalizare
penalizare..

Criteriul
Criteriul de
de penalizare
penalizare FPE
FPE
def
N + n
FPE N [ n] = 2N [ n]
N n

Final Prediction Error

(eroare final de predicie)
factor de penalizare

Criteriile
-Rissanen
Criteriile lui
lui Akaike
Akaike-Rissanen

FPEN

2 n
2

AIC
n
n

+
[
]
ln
[
]
Akaike
Akaike
N
N
N
def

mo

** Penalizare
Penalizare compus
compus..

AICN

indicele structural optimal

Indicele structural optimal rezult prin rezolvarea

unei probleme de minimizare.

nopt = mo = argmin FPEN [ n]

nN

** Palierul
are dimensiune
dimensiune mai
mai mic
mic,, dar
dar diminuarea
diminuarea
Palierul are
sa
nc posibil
n vederea
terii vitezei
vitezei de
sa este
este nc
posibil,, n
vederea cre
creterii
de
convergen
aa algoritmului
convergen
algoritmului de
de optimizare
optimizare..

mo

indicele structural optimal

nopt = mo = argmin AICN [ n]

nN

* Diminuare sensibil a
dimensiunii palierului.
palierului.

Hirotugu Akaike
(1967)

191

13/18

q Metode de identificare i validare

f.cf Estimarea structurii modelelor de identificare

Criteriile
-Rissanen (final)
Criteriile lui
lui Akaike
Akaike-Rissanen
(final)
def
2 n
Akaike
Akaike
GAICN [ n] = ln 2N [ n] +
N
generalizat
generalizat
N

* Criterii cu tendin
tendin de
supra-parametrizare.
supra-parametrizare.

factor de corecie N > 1

N [2,4] independent de dimensiunea orizontului de msur

N = ln N
N = ln(ln N )

adaptate la dimensiunea orizontului de msur

N = ln N Rissanen

nopt = mo = argmin GAICN [ n]

Generalizare
Generalizare care
care conduce
conduce la
la un
un
model
model de
de complexitate
complexitate minimal
minimal
(conform
).
parsimoniei).
(conform Principiului
Principiului parsimoniei
Jorma Rissanen (1978)

nN

Criteriul
) cu
Criteriul gradului
gradului de
de potrivire
potrivire (al
(al concordanei
concordanei)
cu procesul
procesul

def
Grad
Grad de
de E [ n] = 100 1
N

potrivire
potrivire

(fitness)

nopt = argmax E N [ n]

nN
]

[
,

(teoretic)
n =1
[%]
(

n
procente
.
( n procente.
2
1 N
y[ n] y[ n]
Indicele

Indicele structural
structural optim
optim se
se
N n =1

alege
n palier
alege la
la intrarea
intrarea n
palier..
N

n =1

eroare de predicie cu un pas

Interpretare: procentaj al procesului care a fost explicat de ctre model sau

valoarea cuantificat a gradului de validare a modelului.
Valoarea SNR produce un palier inferior valorii ideale de 100%.

(practic)

192

14/18

q Metode de identificare i validare

f.cf Estimarea structurii modelelor de identificare

Criteriul
-zerouri
Criteriul reprezentrii
reprezentrii poli
poli-zerouri

n cazul modelelor de identificare de tip raional, polii i zerorurile funciilor de sistem (transfer)

aferente sunt reprezentate grafic, n planul complex, rezultnd o hart poli-zerouri.

n jurul fiecrui pol/zerou se traseaz cte un
cerc de raz proporional cu deviaia standard
corespunztoare, care delimiteaz zona de ncredere
aferent.
Zonele de ncredere cu suprafee mici sunt asociate
polilor/zerourilor cu precizie mare.
* Polii i zerourile cu locaii
Orice pol apropiat de un zerou este considerat
apropiate se simplific.
coincident cu acesta i perechea se simplific.
Criteriu avnd un caracter mai mult subiectiv,
pol
pol
dei poate fi automatizat (dac se definete o
zerou
zerou
regul practic de coinciden numeric a 2
puncte din planul complex).
Deviaiile standard ale polilor/zerourilor?
Se
Se calculeaz
calculeaz folosind
folosind rdcinile
rdcinile
ptrate
ptrate ale
ale valorilor
valorilor de
de pe
pe diagonala
diagonala
matricii
-covarian aa erorii
matricii de
de auto
auto-covarian
erorii de
de
estimare
estimare ii conceptul
conceptul de
de matrice
matrice
companion
companion asociat
asociat unui
unui polinom
polinom..

** Poate
testat ii stabilitatea
stabilitatea modelului
modelului..
Poate fifi testat

193

15/18

q Metode de identificare i validare

f
.cg Validarea
f.cg
Validarea modelelor
modelelor de
de identificare
identificare
** Numai
Numai modelele
modelele de
de identificare
identificare adecvate
adecvate ii valide
valide pot
pot fifi
returnate
urarea experimentului
returnate dup
dup desf
desfurarea
experimentului de
de identificare
identificare..
Validarea unui model de identificare?
Opera
ie care
n testarea
ionrii
Operaie
care const
const n
testarea func
funcionrii
modelului
modelului comparativ
comparativ cu
cu cea
cea aa procesului
procesului,,
atunci
nd se
iaz oo nou
atunci ccnd
se ini
iniiaz
nou sesiune
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

Validarea
modelului

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)).

Alegerea modelului
adecvat datelor
achiziionate

M (o)
NU

Validarea
modelului

DA

Model valid

M (o)

P ((
**)
u [n]

+
-

M ((
oo)

** Metodele
testele) de
Metodele ((testele)
de validare
validare
depind
depind de
de metodele
metodele de
de
identificare
identificare utilizate
utilizate..

y [n]

[n,o]

yM [n,o]
def

[ n, o ] = y[ n] yM [ n, o ]
eroarea dintre proces i model

Metodele
Metodele abordate
abordate n
n acest
acest curs
curs
Testul de albire pentru
modelele determinate
cu ajutorul MCMMP

Extrem
Extrem de
de important
important
Validarea
Validarea unui
unui model
model de
de identificare
identificare trebuie
trebuie s
s se
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..

Testul de albire pentru

modelele determinate
cu ajutorul MVI

194

16/18

q Metode de identificare i validare

f.cg Validarea modelelor de identificare

Teste de albire?
Tehnic
n cazul
Tehnic prin
prin care
care se
se poate
poate detecta
detecta dac
dac un
un semnal
semnal (care,
(care, n
cazul validrii
validrii,, depinde
depinde de
de
eroarea
) are
eroarea dintre
are caracteristicile
caracteristicile unui
unui zgomot
zgomot alb
alb normal
normal distribuit
distribuit..
dintre model
model ii proces
proces)

Testul
Testul de
de albire
albire pentru
pentru modelele
modelele identificate
identificate
cu
cu ajutorul
ajutorul MCMMP
MCMMP
Se
Se aplic
aplic direct
direct erorii
erorii dintre
dintre model
model ii proces
proces,,
folosind
folosind setul
setul de
de date
date de
de validare
validare..

Testul
Testulideal
idealde
dealbire
albire

def

N =

lim E [ n, N ] [ n k , N ] = 0

-3

k N

+3 [n,]

0
N

parametru precizat
ulterior

/ Imposibil de verificat practic.

/ Nu face referire la proprietile statistice ale modelului.

** Deschidere
Deschidere adaptat
adaptat la
la dimensiunea
dimensiunea
orizontului
orizontului de
de msur
msur..

Etapele
Etapele testului
testului practic
practic de
de albire
albire
N
1
[ n, N ] [ n k , N ]
c Se calculeaz secvena de auto-covarian a erorii de predicie: r [ k ] =

N k n = k +1
def
r [k ]
N
k 0,
d Se calculeaz secvena de auto-corelaie a erorii de predicie: [ k ] =
r [0]
4
def

** Limitat
Limitat la
la un
un sfert
sfert din
din dimensiunea
dimensiunea orizontului
orizontului de
de msur
msur..

195

q Metode de identificare i validare

17/18

f.cg Validarea modelelor de identificare

Testul
Testul de
de albire
albire pentru
pentru modelele
modelele identificate
identificate cu
cu ajutorul
ajutorul MCMMP
MCMMP (final)
(final)
Etapele
continuare)
Etapele testului
testului practic
practic de
de albire
albire ((continuare)

e Se evaluleaz numrul de valori ale lui n fiecare din intervalele de ncredere de mai jos:
Intervale i nivele de ncredere tipice pentru validarea modelelor.
[ ,+ ]

2.17 2.17
N ,+ N

1.96 1.96
,+

N
N

1.808 1.808
,+

N
N

N ( )

97%

95%

93%

2.17 1.96 1.808

0
,
,

3
3
3

f Se compar histograma valorilor lui n fiecare din intervalele de ncredere cu

nivelele prescrise de ncredere.
Testul de
validare

N ( ) N ( )

Nivel 0: nici unul din cele 3 Teste de albire nu este pozitiv (model i/sau
metod de identificare invalide).
Nivel 1: doar unul din cele 3 Teste de albire este pozitiv (model i/sau metod
de identificare la limita de validitate).
Nivel 2: dou din cele 3 Teste de albire sunt pozitive (model i/sau metod de
identificare valide, dar cu validitate limitat; pentru anumite tipuri de
intrri, modelul s-ar putea s nu funcioneze corect).
Nivel 3: toate cele 3 Teste de albire sunt pozitive (model i/sau metod de
identificare valide, cu validitate extins la majoritatea covritoare a
tipurilor de intrri).

196

18/18

q Metode de identificare i validare

f.cg Validarea modelelor de identificare

Testul
Testul de
de albire
albire pentru
pentru modelele
modelele identificate
identificate cu
cu ajutorul
ajutorul MVI
MVI
Eroarea
ire sta
ionarizate.
Eroarea dintre
dintre model
model ii proces
proces nu
nu trebuie
trebuie s
s fie
fie corelat
corelat cu
cu datele
datele de
de ie
ieire
staionarizate.
Testul
Testul ideal
ideal de
de albire
albire

k N

def

lim E [ n, N ] y N [ n k ] = 0

y N [ n] = T [ n] N E T [ n] N

ieirea simulat centrat pe medie

/ Imposibil de verificat practic.
/ Nu face referire la proprietile statistice ale modelului.

Etapele
Etapele testului
testului practic
practic de
de albire
albire
N
1
[ n, N ] y N [ n k ]
c Se calculeaz secvena de covarian ncruciat : r, y N [ k ] =

N k n = k +1
def

def

d Se calculeaz secvena de corelaie ncruciat: , y [ k ] =

N

r , y N [ k ]

N
k 0,
r [0] ry N [0]
4

e Se evaluleaz numrul de valori ale lui n fiecare din intervalele de ncredere definite de
acelai tabel ca n testul de albire pentru modelele determinate cu ajutorul MVMMP.

f Se compar histograma valorilor lui n fiecare din intervalele de ncredere cu

nivelele prescrise de ncredere (din acelai tabel).
Rezultatul
i ca
n cazul
Rezultatul testului
testului este
este acela
acelai
ca n
cazul
modelelor
modelelor identificate
identificate cu
cu ajutorul
ajutorul MCMMP
MCMMP..

197