Documente Academic
Documente Profesional
Documente Cultură
curs-l
cap.l. Introducere
l.l.ObiectuI cursului
Fig.1.Etape
1.2.Sistem.Stare.Model.Simulare
Sistem.
In general in domeniul tehnic, un sistem este definit ca un obiect sau ansamblude
entitili, de elementeinterconectate,ce inieraclioneazalntr-un anumit mod pentru a realiza
un obiectiv, un scop,cu anumiteperformanle.
In particular, in automatici, obiectul din lumeareald, fenomenul,procesultehnologic,
instalali4 senume$tesistem(fizic)
Tot_ceecs nu apartrnesistemului faceparte din lurnea exterioard(mediu).
Linia de separafe dintre sistem gi mediu pune in evidenti mirimile de intrare I -
mdrimi ,,catut' (u) 9i mnrimile de iegire E - mdrimi ,,efecf' (y), determinateprin
catzalitatea i ntrar e-i eSire.
Fig.2.I-+ E
Simulare.
E*Derimente cu
un model ol
si*temului
Dezavantajelesimuliirii
l.3.CIasilicareamodelelor
Criterii "
|. Dup6,natura modelului,existi modele:
. ftzice (empirice),
. fenomenologice(conceptuale),
' matematice(simbolice-formalesauanalitice).
y = .f(u)
4.Existi modele:
. variante inttnp sau
I invariante in timp.
u!!.x(t),+B (t)u(t)
Ex. modelvariant in,,*o {' Q).=
= lv(t) c(t),(t)
E suficientca doaruna din matriceleA, B, C si fie dependentlde timp.
in cazul modelelor invariante in timp aplicAnd aceleagiintrari decalatecu r, se oblin
rispunsuriidentice,dar decalatecu acelagiintervalr.
Ex: Modele funclionale (stu l{E) sunt de np funcpie de transfer (SISO) - in domeniul
complex sau din modeleiridomeniul timp ( ec. diferentiale).
Cafunclie de transfer: r(r) =H(s).u(s)
n l i m , i
t 0............0
fo o t - " - oI f0l
trl=lo |[,]*]o|,u,
. lr;;- ", ...-i.-,) li]
y =Lo0.......bh
b._t.......bol.lrl
07"(x,t\ aT-
=# =u r t# * x olr.g,t1- r 06,t1l
agentincalzitor
Fig.{.Schimbat0r
de caldura
elementar
cuparametriconcenlrati
obs. Modelele cu parametridistribuiti sunt aproximatedeseoriin automaticaprin modele
cu ttmp mort.
8. Deasemenea modelelepot fi
I parametrice sav
I nE)arametrice.
Modelele parametrice sunt caracterizate printr_un ntmfur
finit de parametri (ex.
-neparametrice
coeficientii a, , bi dn functia de transfer, pe cdnd la modelele
comportareadinamicr secaracterizeazl prin reprezentdrigrafce in do-"riirr ti-p .uu
frecventd.
Ca exemple de modele neparametrice sunt: rdspunsulpondere (la irnpuls
Dirac),
rdspunsul indicial, caracteristica de
frecvenld Q',lyquist),caracteristica Bode,
car acteistica Nic ho Is.
9. Dup6numlru]deintrariliesiri(VO)
. ModeleSISO( Single-Inpursingle-Output)
. ModeleMIMO ( Multiple-InpurMultiple_ourput)
r ModeleSIMOsi modeleMISO
Modelare si Simulare
SIMULINK
ElockLihrary(Version
1.3c)
LinearLibrary Sw Sumator
Integrator lntegrare semnal
Gain Multiplicare cu o constantaa semnalului de intrare
State-Space Reprezentareade starea unui sistem liniar
Transfer Fcn Reprezentareasub forma de fuDctie de transfer
Zero-Pole Reprezentareasub forma de poli-zerouri
@ Sedeschideo nouAfereastrepentrucreareamodelului.
New...... din meniul File ) ( sedeschideo fereasha,,untitlod,,).
@ Pentru crearea unui model blocurile necesare vor fi ,,mutate,, din
subbiblioteciin fereashaactivi prin ,,tragere',.
@ se realizeazi conexiunileintre.blocuri - (prin desenarecu mouse-urap6sat). .
,
U Seconfigureaza blocurile(sestabilescparametriispecificifiec[rui bloc)
g/ simurarea p-ropriu-zisdprin Start din meniul
Simuration (anterior fiind
stabilili ,,parametrii"de simulare- ex: stoptime).
Ex. de modelgrafic Simulink
Etapeleanalizeiprin simulare
Problema estimdrii parametrilor constd in determinarea unui vector e cil mai apropiat de
vectorul real e al parametrilor procesului. ( parametrii reali 0 sunt necunoscuti). Deoarece
ieqirea procesului real y este afectatd de perturbafii care in general au caracter aleator este
importantd car acterizarea acestora prin proprietilile lor s t atistic e.
Daci X este o variabila aleatoare se introduc doud mdrimi statistice specifice:
l) Funclia de probabilitate, notatd P gi definitd ca fiind probabilitatea ca variabila aleatoare
X sd fie mai mic[ sau egald cu o valoare reald x pentru Vx e fr. Se numegte gi funclie de
probabilitate cumulativA P(X<x).
2) Densitatea de probabilitate, notatd p(x/ gi defrnitd ca probabilitat ea ca vaiabila aleatoare
X sd fie egald cu x.
Modelare si Simulare
caz discret
>
1) Momente de ordin,,k,,
Mr=M{r}= n{tl=T
I fit o,*, -+ cazttldiscret
= p=r/t,={.-
IIJ1.. p(.\fu + cazul continuu
L--
b) dispersia sauvarianla (momentul de ordin II alvanabilei cenffat e (x = x )
Prin definitie:
l"t-\2
p.zi('i -xI tcazut discret
D(")= var(x)=r, =r{(.-IFi=]_*,
l" )
l'i(.-*Y
[-o
o@)*'!'o'-+cazut continuu
Modelare si Simulare
b)Consisten{a.
O estimalie este consistentd dacd este micd probabilitatea ca estimali a 6(m) sd difere
de
valoarea adevdratd pentru m->6.
o
;1g;r(n{a(*)}-ol)=
c)Eficienfa - se referi la cat de mare este dispersia estimatiei
O estimare este eficientd dacd pentru orice lungime m a egantionului estimafia este de
dispersie minimd:
n[a]= n[a@)-,Tl
Este eficientd cdnd. g[a@)-o]'] este minimd.
Modelare si Simulare
5.3. Metoda verosimilitifii maxime (VM) gi metoda celor mai mici pitrate
(cMMP)
A. Metoda verosimilitatii maxime VM
in teoria estimaliilor se demonstr eazd, cl,metoda VM este singura care determind estimalii
efictente gi nedeviate:
Conform metodei VM
6 = max{p@,a)}
(estimafia unui parametru o'a")
9-f@,a)
(T. este perioada de egantionare)
Modelare si Simulare
l/
Vr(o) = IF(ro)
k=t
Estimafia parametrului "a" este:
Alegerea corectd a funcliei de eroare F se poate face doar dacd se cunosc proprietdlile
statistice (densitatea de probabilitate - p(v)): F ep(u).
Metoda verosimilitatii maxime W impune ca estimatia parametrului safie cea care
maximizeaza densitatea de probabilitate:
F(v) = -1np(v*)
cu criteriul de eroare:
Tr'
V*(a) = IF(u*)
k=1
Exemplul 1:
Dacdp(u) are o distibutie normal5 (gaussianS) atunci metoda VM se reduce la
metoda celor mai mtci patrate CMMP
p(v), F(v)
1 -u'
p(v) = --ls zo'z
o42tr
F (v ) = -tnp(v r) = tn oJ2n * * ri
d=minittnoJz
r+
1 vfl=
'- 1 minlr*' Gu-a celor mai mici pdtrate)
M
a Ei- O *z
Modelare si Simulare
tI lrl
--:-
P(v) = ^
2)."
Observatie:
in naturd 9i in statisticd funclion eazd legeaconform cdreia suma mai multor procese aleatoare
stalionare cu funcfii de distribulie oarecare este un proces aleator cu dfitrfbuyie normald
(gaussian6), adic5, dacd sursa erorilor, zgomotelor eite o sursd multipl6, atunci
rezult6 un
zgomot/eroare cu distribulie normald sau gaussiand
=>
Metoda verosimilitatii maxime se reduce la metoda celor mai mici patrate VM CMMp -+
=
care conduce la estimalii eficiente gi nedeviate in majoritatea canxilor practice.
Modelare si Simulare
:-+ Y
,),...,(u*, !*)
rV
l- rty--
ll,trr - g),
t=r
o =ll
I w-z
(2 - rqrezintii gradele de libertate:
parametrii (ao,ar) )
|,+o+66Yo
-i^r
din date sunt
t2o -> 95o/o
incluse in acest "interval"
Observatie:
f- r+l o
J"=nhu*)ut=uk-i
l- lJl o
lr= *hr*)!t,=!r-!
;"
!=atu
,, =
*,{}lr-- i-]'] = r"h[ ].- o,r-]']
Modelme si Simulare
o
,il ;l 06lro
1
MI Ml ft=l
ol
;,1 yr)
",
= = (;' &)-t u? r o forma de exprimare ce sugereaza soluth gederala a metodei
#
(cMMP)
U1
U2
ooo
9 = arur+ azuz*...+ anun
v"
un
Variabilele centrate:
lo
ly=y-y
f; =,, -+8 .
Vectorial:
o l-o o o''l
U =lu, ttz A u,l, decimod.etutinvariabite centrate este de forma
LI ^=fj
;.
Y =U'A
v,(A)=zl;r-;r1'
'='L
Estimatia CMMP este
..J
l0
Modelare si Simulare
Principiul metodei:
MEO este o metodd din cadrul categoriei de metode active de determinare a modelelor statice
prin prelucrarea statistica a datelor experimentale, mdrimile de intrare fiind modificate dupd
un anumit program de experimentdri. Acesta permite ca, folosind un numdr relativ redus de
mdsurdtori qi calcule, sd se oblind un model de o precizie acceptabili. Considerdm procesul
neliniar cu r-intrari si o iesire:
U1
tJ2
Y:(ur,...,u)
In general, in jurul punctului static de funcfionare (PSF) - (ut0,..., u,0) caracteristica staticd
neliniard, cunoscutd analitic, se poate aproxima prin dezvoltare in serie Taylor:
!=ao+!,-o,r,*f,.o,,u!*ii,o6r,ri*...o*o
"
ri=as+faiu;*io,,ul*i,i,o,iu,ui*...
i=l i=l i=lj=t i=l j=l i=1j=1
Determinarea modelului revine deci la estimarea vectorului parametrilor a p.'in CMMP:
Ex. Pt. 2rrrrrtnisi unpolinom de grad 2:)r =2;l =2+ s = C|.*z === 6 (6 coeficienli)
2.1
i = oo + a{\ + azu2 + arul + aou', + asulu2
Modelare si Simulare
k L\ u2 A 14, v
I utt uzr A urr v,
2 utz uzz A ur2 l"
M MMM M
N iltu uzu A urN !x
Pentru a putea aplica simplu metoda CMMP, punem in evidenta liniaritatea in parametri a
modelului:
//t/tfff
ooZuSo + arluoou* *...+ a,luoou,* =luooyu
u02 A
"rrl | ", utr A u,rl
utz A ur* l l uo, ilrz A u,r l
M MllM M Ml
u12 u,*)lur* ut. A ,,"1
A= (UrU)u(J'y
Specific MEO:
se elimin6 inversarea matricei alegAnd intrdrile (u;) astfel, incit matricea sistemului
dq,
tfftl sE devind diagonald ( de unde si denumirea de experiment ortogona[);
(fq: a*r(
#$r, iir, F:?r)
lV
Z"?r
= o
Z"ir
In acest caz,tentlt1o metodd simpld de calcul a componentelor vectorului A, cate nu mai
necesit[ inversare de matrice:
N
Zu*Yo
ai = HN = 0,1,...,s
-;i
Z"?o
k=l
Observalie:
Modificarea gradului polinomului de aproximare nu necesiti recalcularea coeficientilor
calculafi anterior.
(min.) Ui = ui -uio
qi apoi normate:
;,
Y. =-=-=<
ui -uio l+1, pentnt ui =uiM
+1 X;
Observafie:
Fizic, comenzile iliyot lua doar doui valori exffeme (uim, respectiv uiy).
v(v)
I +1 v1
2 -1 v2
J +1 +1 +1 v3
4 -1 +l -1 v4
Modelul in variabile normate fiind:
v = bo + brx, + brx, + brrxrx,
uo =i1NFlo,
1N
bi =!N Zxikvk,
k=t
1N
bii =V pxtnxirv*
Modelare si Simulare
F.x.2
Z**
k=1
=O,lx,ox
k=1
jk =0 ......s.a.m.d
Y =(JA. +e
Rezultd:
2 r,r, = (u' rl' u' fuf + e]= (r' rf' (t r u) A. + (u' uf' u'
"
Calculdm media statisticd aplicand operatorul de mediere E{ }
E {2",*,) = z 1(u' uf' (u' u)'{ } + z 1(u' uf' u'
"}
Care se poate pune sub forma
E{)r*rr} = E{A.} + n1(u'ul'u'n} = A* + z{u'ul'u'"}
Rezulta deviatia estimatiei CMMP
Conditia a) este relativ usor de indeplinit deoarece centrarea variabilelor este una dintre
primele prelucrdri standard asupra modelelor ( , caz'. in care perturbatia e este de medie
nuld) iar conditia b) impune ca intrarile u sa fie independente statistic de marimea
perturbatoare e cv caracter aleator conditie dificil de indeplinit in cazul functionarii on-line
(de ex. in bucla inchisa in cadrul unui sistem de reglare automatd in care comenzile z se
elaboreazd.tocmai pt. a elimina efectul m[rimilor perturbatoare ) .
6
Modelare si Simulare
Cursul 11
$e'$'"'c-l ) ,
Pentru un tffifr{procesul
(stochastic) se transformi intr-o
variabild aleatoare.
Se numestefunclie de realizare (esantiqn) a unui proces)oricare dintre funcliile x,(t).
Pentru procese stochastice se definesc similar:
- funclia de disnibulie (carcinsa este o functie de x si t nmp ) F (*) -+ F (x,t) ( P Ar+1 )
&
t
I
i
I
I
I
/t
tl
/r\
I
i
Dxr-r
H I /f
tz ==tr*t
ry
"/ tr
\
medii d medii pe
temporale ansamblu
x{r.t
Valoarea medie m,(t) -VQ) a unui proces stochastic reprezintd o funcfie nealeatoare, in
jurul cdreia se grupeazd, realizdnle procesului stochastic ai faf6 de care acestea "oscileazd".
Pentru o secliune tp a procesului stochastic speranla matematicd este rezultatul operaliei de
mediere probabilistic[ cdnd fiecare valoare x din cele n realizlri'se ia cu o pondere egald cu
"f
(x,to)"
Obs" In cazul discret daca x(k) esteo secvenfd de variabila aleatoare se defineste similar
valoarea medie (sau speranla matematicd) prin:
w = E{,(k)t=J*1"Eon
Caracterizarea unui proces stochastic doar prin media statistica este insuficienta fiind necesara
cunoasterea gradului de gnrpare/raspandire a datelor in jurul mediei (dispersia) cat si daca
sunt sau nu sunt corelate.
2. Dispersia (varianga)
l
o = E{(x -V)t }t - "[DJ\ = o(t)
4. Func{ia de uutocovarianyd (autocorelalie)
Valoarea medie m*',(t)gi dispersia D,(r) sunt proprietf,fi statistice importante ale proceselor
stochastice, dar nu intotdeauna dau o reprezentare suficientd privind caracterul dependenlei
intre realizdrile proceselor aleatoare. Ex. in fig. procesele Xr(t) si Xr(t) au aproximativ
aceeasi medie (*t ,m2) si dispersie( D1 si Dz)rdar Xr(t) - variafii relativ monotone iar
X r(t) - oscilafii pronun{ate.
Funclia de corelalie este egald cu valoarea medie a produsului celor doul mdrimi aleatoare
X(tt) Si X(tr) gi caractefizeazl gradul de dependenld intre sec{iunile procesului stochastic.
'' (t,,tr): E{x(t,)x(trrt
*"*, = j I*,*rfr(x,,t,x,t2)dxrdx,
f, - funclia de densitate bidimensionald de probabilitate.
Dac[ procesul stochastic este stalionar si ergodic atunci funclia nu mai depinde de momentele
/, $i t, ci de distanfa dintre ele (r - tz -/, ) si se poate calcula ca medie temporald:
R* (t) =
]1"," ,-fr(*r,x,r)d.xrd,x, : A*gp1t1r1t + 4= + r)dt
l51 #'FUrx(t
Proprietn{ile funcfiei de autocorelatie
,T
t-
1). R* (0) = x'(t\' T--iT:! Jlx'Q)at =
= lim D., = 02 ( ataaE Y: o
)
'ot-T
Modelare si Simulare
Obs. In cazul discret, se defineste secventa de autocovarianfd a unui proces prin apli carea
ipotezei ergodice , pentru oricare doud momente de timp discrete m st n, (numiti ,, pivo{i" cu
m-n:k) :
R*,(*,d = E{x@).x@)} -
R*(* -n) =igg* - n) x(i m) - E{*U). x(i -,a)}=
i.<, =R.",(fr) +T xU). x(i - k)
Aceleasi proprietdti ca in cazul continuu se regdsesc si in cazul discret:
1. Proprietatea de marginire: autocovarianta este maxima in origine si este egald cu
dispersia
R-.t
R*(k) s R_"- (0) = ot Vk e Z
2.Functia de autocovariantd este simetricd
r\o\-t{)=Ko\K)
R*(-k) = R,,, Yk e Z(fr) vKL _i -l_-iff.t
3. Proprietatea de periodicitate a autocovarianfei :dacf, setul de dati ic de
p"riodic <
"rt. perioada T.
perioadi T atunci si secventa de autocorelafie este periodicd si are aceeasi
NotS: R o
,, se mai noteaza; R- sau r"
noteaza:R, r*
Dacd' u(t) este intrarea (I) si y(t) iesirea (E) unui sistem sunt doud procese stochastice, se
poate defini similar funcfla de intercorelalie (covarianla incrucisatd alil u si y) :
1co
statjonar RuyG) = y,r)dudy si ergoclic R,y(r) =&iG;6 = Ji*
i
-co
1u1r7r1r1fz(u, _ [u(t)y(t+rpt
I -+a 21
-w
Pentru procesele care sunt necorelate statistic unul cu celllalt de ex. (er,u) funclia de
intercorelalie Ruu este nuld.
Modelare si Simulare
R* (m, n) = Ruy@ - n) = R,y (k) = E{u@) y(d} = n{u@). - y(n -u)} = ue). y(i - k)
# *
Densitatea spectrala S,(ar) - a unui proces stochastic x(t) este prin definifie transformata
Fourier afuncliei de autocovarianla (autocorela{ie) a procesului respectiv:
e So (i at) - 2*li-*(r) cos(ar t)dr- S* (ar) - densitatea spectral[ este o funcfie reald, pard,
simetricS.
Daca se cunoaste
^S,
(at) afrinci prin transformareaLaplace inversd se poate obtine functia de
autocovariantd S, (ar) + R* (e)
e R-' (r) -
it, (atpi" dat= Iniit, (at)ei" da
*/fr_*
Conform proprietafilor transformatei Fourier, daca Rn se ,,ingusteaza" afunci Sxx se ,,intinde"
(si invers)
Cursul 12
i -- 0 i
RuuQ) = E{u(k). u(k +i)} = o26( D = {o' i*0
l0 ; Vt-Z
unde o' - este dispersia.(varian{a) iar d este impulsul Dirac.
Densitatea spectrald aZA este constantd pentru orice frecvenlE din spectru:
HL#
perfurbafiei.
Similar in cazul stochastic ZA constituie un semnal generator. Fie, in cazul discret, o secvenld
de variabile aleatoare gaussiene de tip ZA, de valoare medie nul6 E{u(k)}:0 $i varianld
D:var(e(k):&. Aceast[ secvenfd va fi notatd v(k) cu k e z Si va fi caructerizatd prin
parametrii (0,o) "O parte dintr-o astfel de secvenli este prezentatlin fig.
Modelare si Simulare
Funclia de autocorelalie sau autocovarianld R(i) este in cazul discret media statistici a
produsului dintre secvenld gi aceeagi secvenld decalatd cu i pagi:
in cazul zgmotului alb gaussian, cunoagterea lui v(k) nu permite prediclia unei aproximdri
pentru vlk+I), v(k+2), cea mai bund aproximare fiind zero. Aceasti proprietate de
independenli se traduce in proprietatea urmdtoare a autocorel[rilor:
R(f)=9, YkeZ* =Z/{0}
dupi cum este reprezentatdin figura urmdtoare:
-2-l 012
in cazul zgomotutui alb discret : R(t):O pentru orice i l0 (diferit de zero).
Diferitele tipuri de perturbalii aleatoare avdnd o densitate spectralS a cdrei dependenfi
frecven{iald poate fi exprimatd printr-o funcfie rafionald in frecven{5, pot fi considerate ca
rezultate ale trecerii unui zgomot alb printr-unfiltru.
Ex. Model (proces) de tip medie alunecdtoare MA- (Moving Average)
Forma generalf, a unui model (proces) de tip MA (medie alunecitoare) este:
v(k) = c(q-t )v(ft), vft e .a/
Valoarea medie a lui y(k) este (de unde denumirea de MA - Medie Alunecatoare):
vM =Ey(k)=+I y&)=+X vg)++E v&.l)=(1 +c,)E{v(k)}
-2-1 012
Dacd C(q-') (filtrul generator) este cunoscut el permite determinarea repartiliei spectrale
energiei. Acest model de IUIA este folosit pentru a modela perturbafii de tip zgomot colorat.
f 0.rest
s,,, (ar) _
t;,, (o) = A, ,@ l-ar,@rf
7t
o)c
Este un semnal binar (0,1); (-1,+1); (-A,+A) care desi din punct de vedere al generdrii este
determinist, in anumite conditii, din punct de vedere al propriet[filor statistice poate
aproxima suficient de bine semnalul zgomot alb.
Caracterul aleator nu constd in valoarea amplitudinii semnalului, ci in momentele in care are
loc trecerea dintr-o stare in alta.
Modelare si Simulare
Generarea SPAB se poate face soft sau hard ( ex. printr-un registru de deplasare cu reac{ii
suma modulo-2 ponderate prin coeficienlii binari ai iar l/q- q-l semnificd intarzkea cu un
tact a semnalului):
Periodicitatea maximd:
N-T = 2n -l + secvenld
maximald, dupd care
semnalul devine repetitiv.
It,=leg
a,-<
' 10, nulleg
Exemplu:
n = 3 => If-
23 -l - 7 tacte,reprezerrtdnd secvenfa dupd care se reia forma semnalului.
Presupunem: at - g'
ds =L;a, -
xl{h+l}
tr{k}
Modelare si Simulare
s{,
u(i-t) tl d)
k x,(fr+1) xr(k) xr(k) xr(k):u(k)
0 I 1 0 0
1 I I 1 0
2 0 1 1 I
3 I 0 I I
4 0 I 0 1
5 0 0 I 0
6 I 0 0 I
7 I I 0 0
Obs.
,1,,-+ 4ori *l -I
l. -T 22..,,0,,-> 3ori =T
A fix = ..
z. Iilfl
1+l T+l I
' N-.N?' 2T 2
, k=o
h,&)=*b,r, Dn._k)={ry
L Itr
r, ,!: ,n
?," 4{ s N =7 sra".f J - rcrih,,7r*k ^ li -^uq.c/'"hAi&r.*et
"1.
Obs: numdrul de ,,coincidenfe" ale lui t(t) $i q1:lpeste egal cu numdrul de necoincidente
(+A/-A)@
s
oUa) =ln(i4|' s,,(ia)
unde - ,S,y (iaD este densitate interspectrald (I lE), suu(ico) si so7ot) - densitatea
spectrald a semnalului de intrare respectiv de iesire;
Modelare si Simulare
unde u*'=j..rupus ca sirtliU este stabil si rdspunsul pondere se anuleazdpt rZN. Explicitand
(0) = h(o)Ruu(0)+fr(l)R u,?r)+...................,..........+ h(N -|)Ruu(-/r+1)
[R/,
Jnr,o) =
h(o)Ruu(l) + h(l)Ruu(0) + .............+ h(N -t)R,,(-N +2)
t.............
I
Jinand cont ca funcfia de autocovarianp este simetricd, R", &) : Ruu (-k) in notalie matriciall
oblinem:
llt I
R,,,,(k)=i
' A2 l-",nr',-k>o
L
Inlocuind
(o) I
[R.,
l|+ ,!:::: tlru ]:_u,[;'r, :r ]l:iil ::::
l
I.lur =l;1o,:::: :rll^;
l^,,1" - tyJ
I
L-" -lr
:: r,l
A'-l
J '1; ; :::
L;,;_,,1
R y, (k) =l#i ^*
(,) - (n . ur,o,][- +)=
h(k) =#[ Ry,(k). b'&,ri o= o,N {
Componentele h(k) - pentru k:0....N-1, reprezintd modelul neparametric rdspuns pondere
discret, obtinut fara inversare de matrice.