La alegerea zarului,

astfel încît să se acumuleze minim 50 puncte

Harta subiectelor şi punctajelor

Zar 1
Zar 2
1 2 3 4 5 6
Ex. 1.1 Ex. 1.2 Ex. 1.3 Ex. 1.4 Ex. 1.5 Ex. 1.6
1 15 p 8 p 15 p 15 p 20 p 10 p
Qbh/!3! Qbh/!3! Qbh/!3 Qbh/!4 Qbh/!4 Qbh/!4!
Ex. 2.1 Ex. 2.2 Ex. 2.3 Ex. 2.4 Ex. 2.5 Ex. 2.6
2 30 p 15 p 10 p 5 p 20 p 10 p
Qbh/!5! Qbh/!5! Qbh/!5 Qbh/!5 Qbh/!5 Qbh/!5!
Ex. 3.1 Ex. 3.2 Ex. 3.3 Ex. 3.4 Ex. 3.5 Ex. 3.6
3 30 p 8 p 10 p 15 p 20 p 15 p
Qbh/!6! Qbh/!6! Qbh/!6 Qbh/!6 Qbh/!6 Qbh/!6!
Ex. 4.1 Ex. 4.2 Ex. 4.3 Ex. 4.4 Ex. 4.5 Ex. 4.6
4 5 p 20 p 15 p 20 p 20 p 30 p
Qbh/!7! Qbh/!7! Qbh/!7 Qbh/!7 Qbh/!8 Qbh/!8
Ex. 5.1 Ex. 5.2 Ex. 5.3 Ex. 5.4 Ex. 5.5 Ex. 5.6
5 25 p 25 p 15 p 12 p 5 p 15 p
Qbh/!:! Qbh/!:! Qbh/!21 Qbh/!21 Qbh/!21 Qbh/!22!
Ex. 6.1 Ex. 6.2 Ex. 6.3 Ex. 6.4 Ex. 6.5 Ex. 6.6
6 15 p 10 p 10 p 15 p 25 p 20 p
Qbh/!23! Qbh/!23 Qbh/!23 Qbh/!24 Qbh/!24 Qbh/!24!

TAIPS-1
15 p

Ex#1.1 Exprimaţi relaţiile de identificare a modelului ARMAX-MMISO cu control

exogen, prin MCMMP-E pe fiecare canal (MCMMP-E/C). Evaluaţi estimaţiile
zgomotelor albe.
8 p

Ex#1.2 Exprimaţi forma de regresie liniară a unui model AR[na] de tip MIMO cu 2 ieşiri
şi apoi a unui model ARX[na,nb] de tip MIMO cu 2 intrări şi 2 ieşiri. Pentru
fiecare din cele 2 modele, indicaţi numărul de parametri necunoscuţi cu şi fără
cei aferenţi perturbaţiilor. Sunt aceste forme de regresie liniară unice?
Justificaţi răspunsul.

15 p

Ex#1.3 Folosind raţionamentul din contextul modelului AR, construiţi predictorii (sub-)
optimali asociaţi modelului ARMA şi descrieţi algoritmul de predicţie aferent în
variantă nerecursivă (indicînd şi dispersiile erorilor de predicţie).
Indicaţii
• TIR trebuie aplicată în acest context după cum urmează:
C ( q −1 ) = A ( q −1 ) B p ( q −1 ) + q − p D p ( q −1 ) ,

unde A (de grad na ) şi C (de grad nc ) sunt polinoamele modelului de

identificare, iar B p , D p sunt cîtul (de grad p − 1 ), respectiv restul (de grad
m − 1 , unde m = max{na, nc} ). În continuare, se mai foloseşte faptul că:
C ( q −1 ) D p ( q −1 )
y[ N + p] = e[ N + p] = B p ( q −1
) e[ N + p] + e[ N ] =
A ( q −1 ) A ( q −1 )
D p ( q −1 )
= B p (q −1
) e[ N + p] + y[ N ], ∀ p ∈ N∗ .
C (q −1
)
• Spre deosebire de predictorii modelului AR, în cazul modelului ARMA
implementarea acestora presupune utilizarea unor filtre de tip IIR, cu funcţiile
( ) ( )
de sistem D̂ p q −1 / C
ˆ q −1 . Aceste filtre se implementează în două etape. În
prima etapă, se produce semnalul parţial x rezolvînd iterativ ecuaţia cu
diferenţe:
Ĉ ( q −1 ) x[ n] = y[ n] , ∀ n ∈1, N ,
cu valorile iniţiale x[ n] = 0 , pentru n ≤ 0 . Acest semnal, odată generat, va fi
utilizat de către toţi predictorii, el nedepinzînd de orizontul de predicţie, ci
doar de cel de măsură. În etapa a doua, se folosesc filtrele de tip FIR definite

TAIPS-2
 ( )
de polinoamele D̂ p q −1 , avînd la intrare semnalul x (mai precis, ultimele m
valori ale acestuia pe orizontul de măsură).

15 p

Ex#1.4 Arătaţi că valoarea predictată cu un pas a unui proces de tip ARMA[na,nc]

folosind predictorul (sub-)optimal corespunzător, este de forma:
ˆ ( q −1 ) x[ N ] = q +1 ⎡Cˆ ( q −1 ) − A
yˆ1 [ N + 1 | DN ] = D ˆ ( q −1 ) ⎤ x[ N ] ,
1 ⎣ ⎦
unde semnalul {x[ n]}n∈1, N este produs prin rezolvarea ecuaţiei cu diferenţe:

Ĉ ( q −1 ) x[ n] = y[ n] , ∀ n ∈1, N ,
cu iniţializarea x[ n] = 0 , pentru n ≤ 0 .

20 p

Ex#1.5 Folosind rezultatul de la Ex#1.4 , arătaţi că valoarea predictată cu 2 paşi a

unui proces de tip ARMA[na,nc], oferită de predictorul (sub-)optimal
corespunzător, se poate exprima recursiv astfel (în funcţie de valoarea
predictată cu un pas şi datele măsurate):
1− A ˆ ( q −1 )
yˆ 2 [ N + 2 | DN ] = ( cˆ1 − aˆ1 ) yˆ [ N + 1| DN ] +
Cˆ ( q −1 ) − Aˆ ( q −1 ) 1

+ ( cˆ2 − aˆ2 ) x[ N ] + ( cˆ3 − aˆ3 ) x[ N − 1] + " + ( cˆm − aˆm ) x[ N − m + 2],

unde semnalul {x[ n]}n∈1, N este produs prin rezolvarea ecuaţiei cu diferenţe:

Ĉ ( q −1 ) x[ n] = y[ n] , ∀ n ∈1, N ,
cu iniţializarea x[ n] = 0 , pentru n ≤ 0 . În relaţia recurentă, s-a considerat că
polinoamele estimate ale modelului au gradul egal cu m = max{na, nc} ,
completînd eventual cu termeni nuli polinomul de grad mai mic. Oferiţi
explicaţiile necesare implementării eficiente a acestei relaţii recurente (în
special legate de evaluarea primului termen al sumei din dreapta egalităţii).
Comparaţi efortul de calcul implicat de relaţia recursivă cu efortul de calcul
necesar producerii valorii predictate folosind relaţia nerecursivă.
10 p

Ex#1.6 a. Plecînd de la Ex#1.3 , Ex#1.4 şi Ex#1.5 , încercaţi să propuneţi

(dacă este posibil) o relaţie de recurenţă pentru valoarea predictată cu 3 paşi
a unui proces de tip ARMA[na,nc] folosind predictorul (sub-)optimal
2 p corespunzător.
b. Dacă aţi găsit o astfel de relaţie, poate fi ea generalizată pentru valoarea
predictată cu p ∈ 4, P paşi? Argumentaţi răspunsul într-o manieră riguroasă.
3 p c. Dacă relaţia recursivă generală a acestui predictor este sau ar putea fi
exprimată, ce avantaj ar avea ea faţă de expresiile recursive ale predictorului
PARMA?
TAIPS-3
30 p

Ex#2.1 Proiectaţi un algoritm de inversare a matricilor de tip Toeplitz simetrice bazat

pe Algoritmul Levinson-Durbin. Comparaţi eficienţa numerică a Algoritmului
clasic al lui Gauss cu eficienţa numerică a Algoritmului Levinson-Durbin-
Toeplitz, luînd în considerare simetria matricii care trebuie inversată.
(Algoritmul lui Gauss trebuie reproiectat pentru cazul matricilor simetrice,
înainte de a efectua comparaţia.)
15 p

Ex#2.2 Exprimaţi relaţiile iteraţiei curente de identificare a modelului ARMAX-MMISO

cu control exogen, prin MMEP pe fiecare canal (MMEP/C). Evaluaţi estimaţiile
zgomotelor albe.
10 p

Ex#2.3 Arătaţi în ce condiţii MCMMP adaptivă (unidimensională) este un caz particular

al EKB.
5 p

Ex#2.4 Exprimaţi relaţia recursivă a dispersiei erorii de predicţie, în cazul predictorului

PARMA.
20 p

Ex#2.5 Proiectaţi şi descrieţi EKB, respectiv FKB cu orizont de reactualizare unitar.

10 p

Ex#2.6 Plecînd de la expresiile soluţiilor ideală şi practică ale MCMMP-M, exprimaţi

relaţiile corespunzătoare (ideală şi practică) ale MVI-M pentru un model
ARX[na,nb], de tip MIMO cu nu intrări şi ny ieşiri. Propuneţi o definiţie a
matricii instrumentelor în care să intervină numai valori ale semnalelor de
intrare.

TAIPS-4
20 p

Ex#3.1 Încercaţi să extindeţi ALD la cazul modelelor AR-MD, cu ajutorul

raţionamentului adoptat în cazul modelelor AR unidimensionale. Care este
cauza blocării acestui raţionament?
8 p

Ex#3.2 Exprimaţi relaţiile recurente de estimare a dispersiilor erorilor de predicţie

pentru fiecare dintre cele două variante ale predictorului PARMAX-EX.
10 p

Ex#3.3 Propuneţi o metodă de calcul pentru dispersiile erorilor de predicţie pe canalele

de măsură, pentru predictorul multi-dimensional PARMA-ND (non-diagonal).

15 p

Ex#3.4 Proiectaţi Algoritmul de conversie stare->I/O apelînd la conceptul de matrice

companion.
20 p

Ex#3.5 Se consideră un model AR[na] de tip MIMO cu ny ieşiri. Intrarea modelului

este constituită de un vector de zgomote albe cu matricea de auto-covarianţă
necunoscută V . Arătaţi că Metoda Yule-Walker de estimare a parametrilor
necunoscuţi (coeficienţii polinoamelor AR şi elementele matricii V ) conduce la
acelaşi rezultat ca şi MCMMP-M.
Indicaţie
• Metoda Yule-Walker se dezvoltă după aceeaşi strategie ca în cazul modelelor
de regresie liniară de tip SISO.

15 p

Ex#3.6 Arătaţi cum se poate defini particula elementară din cadrul Algoritmului PSO în
cazul următorilor predictori:
3 p a. PARMA unidimensional;
3 p b. PARMA multi-dimensional;
4 p c. PARMAX cu control exogen;
5 p d. PARMAX cu control endogen, constituit de cîte un model ARMA pe fecare
canal de perturbaţie.

TAIPS-5
5 p

Ex#4.1 Exprimaţi relaţiile recursive ale predictorului multi-dimensional PARMA-D

(diagonal), incluzînd relaţiile dispersiilor erorilor de predicţie.
20 p

Ex#4.2 Deduceţi relaţiile Algoritmului eficient al MCMMP-M în variantă adaptivă, pentru

un orizont de adaptare unitar. Exprimaţi un sumar al acestor relaţii în final (în
ordinea în care trebuie efectuate) şi analizaţi maniera de iniţializare a
algoritmului.
Indicaţie
• Pentru a deduce relaţiile algoritmului, se pleacă de la expresia estimaţiei
MCMMP-M calculată pentru un orizont de măsură egal cu N :
−1
l N = ⎡ y[ n]φT [ n]⎤ ⎡ φ[ n]φT [ n]⎤ .
def N N
Θ ⎢∑ ⎥ ⎢∑ ⎥
⎣ n=1 ⎦ ⎣ n=1 ⎦
Raţionamentul este apoi similar celui din MCMMP-R pentru modele de tip
SISO. Va fi aplicată o lemă de inversiune pentru evitarea inversării matriciale.

15 p

Ex#4.3 Exprimaţi relaţiile recurente ale predictorului PARMAX-EX în cazul utilizării

MMEP pe fiecare canal (MMEP/C).

20 p

Ex#4.4 Se consideră următorul predictor de tip AR multi-dimensional:

∑ A ( q ) y [ n] = e [ n] ,
ny

i, j
−1
j i
∀ n ∈ N∗ , ∀ i ∈1, ny ,
j =1

unde:

Ai ,i ( q −1 ) = 1 + ai ,i ,1 q −1 + " + ai ,i ,nai ,i q
def
− nai ,i
, ∀ i ∈1, ny ;

Ai , j ( q −1 ) = ai , j ,1 q −1 + " + ai , j ,nai , j q
def
− nai , j
, ∀ i, j ∈1, ny , i ≠ j .

Observaţi absenţa termenului liber în cazul polinoamelor auto-regresive care

nu se situează pe diagonala matricii modelului de predictor.
7 p a. Presupunînd că toţi indicii structurali ai modelului sunt cunoscuţi, exprimaţi
ecuaţiile de identificare ale predictorului, folosind MCMMP. Încercaţi să
scrieţi ecuaţiile într-o formă cît mai sugestivă pentru o implementare
eficientă.

TAIPS-6
 3 p b. Comparaţi efortul de calcul al algoritmului de la punctul a. cu cel aferent
MCMMP-M.
5 p c. Exprimaţi ecuaţiile de predicţie aferente modelului astfel identificat.
5 p d. Este posibilă estimarea dispersiilor erorii de predicţie? Dacă nu, arătaţi de
ce. Dacă da, propuneţi o tehnică de estimare a acestor erori.
Indicaţie
• Datorită faptului că polinoamele auto-regresive nediagonale nu au termen
liber, identificarea se poate realiza pentru fiecare ieşire în parte, separat de
celelalte ieşiri.

20 p

Ex#4.5 Se consideră predictorul de tip AR multi-dimensional în care toate polinoamele

auto-regresive au termen liber unitar, iar gradele lor sunt egale cu na .
7 p a. Presupunînd că na este cunoscut, exprimaţi ecuaţiile de identificare ale
predictorului, folosind Metoda Yule-Walker-Wiener. Încercaţi să scrieţi
ecuaţiile într-o formă cît mai compactă, matricială.
3 p b. Comparaţi efortul de calcul al algoritmului de la punctul a. cu cel aferent
MCMMP-M.
5 p c. Exprimaţi ecuaţiile de predicţie aferente modelului astfel identificat.
5 p d. Este posibilă estimarea dispersiilor erorii de predicţie? Dacă nu, arătaţi de
ce. Dacă da, propuneţi o tehnică de estimare a acestor erori.
Indicaţii
• Se recomandă utilizarea următoarei notaţii, cu privire la auto-covarianţele
vectorului de ieşire:
R k = E {y[n] y T [n − k ]} , ∀ k ∈ N .
def

Observaţi modul cum se poate exprima R − k , fără a fi efectiv calculat (odată

ce s-a calculat R k ).
• Pentru evaluarea matricilor de covarianţă E e[n] y T [n − k ] , se poate apela la { }
împărţirea infinită a polinoamelor cu coeficienţi matriciali. Această operaţie
trebuie însă efectuată cu foarte mare precauţie, deoarece produsul dintre
matrici nu este comutativ.

30 p

Ex#4.6 Se consideră următorul predictor de tip ARMA multi-dimensional:

∑ A ( q ) y [ n] = C ( q ) e [ n] ,
ny

i, j
−1
j i
−1
i
∀ n ∈ N∗ , ∀ i ∈1, ny ,
j =1

unde:

Ai ,i ( q −1 ) = 1 + ai ,i ,1 q −1 + " + ai ,i ,nai ,i q
def
− nai ,i
, ∀ i ∈1, ny ;

Ai , j ( q −1 ) = ai , j ,1 q −1 + " + ai , j ,nai , j q
def
− nai , j
, ∀ i, j ∈1, ny , i ≠ j ;

TAIPS-7
 Ci ( q −1 ) = 1 + ci ,1 q −1 + " + ci ,nci q − nci , ∀ i ∈1, ny .
def

Observaţi absenţa termenului liber în cazul polinoamelor auto-regresive care

nu se situează pe diagonala matricii modelului de predictor.
10 p a. Presupunînd că toţi indicii structurali ai modelului sunt cunoscuţi, exprimaţi
ecuaţiile de identificare ale predictorului, folosind MCMMP extinsă, în care
modelul aproximativ al zgomotului alb vectorial este de tip AR
multidimensional, cu indici structurali suficient de mari.
4 p b. Pentru a reduce efortul de calcul, propuneţi un alt model de estimare a
zgomotelor albe, mai simplu, eventual tot de tip AR. Care ar fi preţul plătit
pentru această simplificare?
8 p c. Exprimaţi ecuaţiile de predicţie aferente modelului astfel identificat, în
ambele situaţii (de la punctul a. şi de la punctul b.).
8 p d. Este posibilă estimarea dispersiilor erorii de predicţie? Dacă nu, arătaţi de
ce. Dacă da, propuneţi o tehnică de estimare a acestor erori.
Indicaţie
• Datorită faptului că polinoamele auto-regresive nediagonale nu au termen
liber, identificarea se poate realiza pentru fiecare ieşire în parte, separat de
celelalte ieşiri.

TAIPS-8
25 p

Ex#5.1 Aşa cum se poate observa cu uşurinţă, algoritmul adaptiv al MCMMP bazat pe
descompunerea QR are un dezavantaj major: odată cu trecerea timpului,
matricea ortogonală Q capătă dimensiuni tot mai mari. Folosind fereastra
exponenţială:
def
wk [n] = ρk − n , ∀ n ∈1, k ,
unde k ∈ N∗ este momentul curent de achiziţie de date, iar ρ ∈ (0,1) este
factorul de uitare, propuneţi o variantă a acestui algoritm, în care să se limiteze
dimensiunea matricii ortogonale. (Fereastra exponenţială poate fi aplicată
setului de date măsurate.) Care ar fi preţul plătit pentru această operaţie?
Indicaţie
• În matricea Φ a regresorilor, primele linii au elemente care devin din ce în ce
mai apropiate de zero, din cauza ferestrei exponenţiale. În consecinţă,
matricea Q tinde să se exprime ca o matrice bloc diagonală, în care blocul
principal aproximează matricea unitară. Dimensiunea acestui bloc este egală
cu cea a liniilor aproximativ nule din matricea Φ . În consecinţă, este posibilă o
trunchiere a matricilor Φ şi Q . Noul algoritm trebuie să exploateze această
proprietate, fără a degrada prea mult vectorul parametrilor estimaţi.
Reamintim că matricea superior triunghiulară R are un număr constant de
coloane, egal cu numărul parametrilor ce trebuie estimaţi. Aceasta limitează
inferior dimensiunea celuilalt bloc diagonal al matricii Q .

25 p

Ex#5.2 Reluaţi Ex#5.1 , dar în cazul unei ferestre dreptunghiulare de lărgime

M ∈ N∗ aplicată direct asupra liniilor matricii Φ a regresorilor. (Evident, pentru
ca algoritmul să funcţioneze, este necesar ca M > nθ .)
Indicaţie
• Pentru conservarea principiului care stă la baza algoritmului adaptiv, se
recomandă o abordare diferită ce cea din cazul ferestrei exponenţiale.
Raţionamentul care a condus la algoritmul fără fereastră trebuie acum reluat
pentru cazul în care, la fiecare pas, din matricea Φ a regresorilor, se elimină
prima linie şi se adaugă o nouă ultimă linie. Matricea ortogonală va avea o
dimensiune constantă, egală cu M .

TAIPS-9
15 p

Ex#5.3 Plecînd de la ecuaţiile algoritmilor Predictorului Kalman-Bucy (PKB) şi Filtrului

Kalman-Bucy (FKB), analizaţi riguros dacă şirul stărilor predictate cu un pas
{ }
( xˆ ⎡⎣ k Dk −1 ⎤⎦
k∈N∗
{
) şi cel al stărilor estimate ( xˆ ⎡⎣ k Dk ⎤⎦ }
k∈N∗
) coincid sau nu.
Dacă stările coincid, prin ce se deosebeşte FKB de PKB? Dacă ele nu coincid,
indicaţi încă două deosebiri importante ale FKB de PKB.
12 p

Ex#5.4 În contextul Predictorului Kalman-Bucy (PKB) şi Filtrului Kalman-Bucy (FKB),

încercaţi să găsiţi o relaţie de legătură de tip egalitate sau inegalitate între
matricea de auto-covarianţă e erorii de predicţie Pk D şi cea de
k −1

auto-covarianţă a erorii de estimare ( Pk Dk

), la pasul curent k ∈ N ∗ .

Indicaţie
• Se recomandă abordarea exerciţiului plecînd de la diferenţa dintre starea
curent estimată şi cea curent predictată, xˆ ⎡⎣ k Dk ⎤⎦ − xˆ ⎡⎣ k Dk −1 ⎤⎦ . Pe de o
parte, se poate estima matricea de auto-covarianţă a acestei diferenţe, ţinînd
cont de corelaţia dintre cele două stări. Pe de altă parte, în diferenţa de mai
sus, se poate adăuga şi scădea vectorul stărilor necunoscute, x[ k ] , pentru a
ajunge la o expresie în care intervin cele două matrici.
5 p

Ex#5.5 Ecuaţiile principale ale Predictorului Kalman-Bucy (PKB) sunt următoarele:

⎧⎪xˆ [k + 1] = Aˆ xˆ [k ] + Bˆ xu[k ] + Aˆ Γˆ ( y[k ] − C

ˆ xˆ [k ] − Bˆ y u[k ])
∗
, ∀k ∈N ,
k k k k k k
⎨
⎪⎩yˆ [k + 1] = C
ˆ xˆ [ k + 1] + Bˆ y u[k + 1]
k k

cu notaţiile cunoscute. Trasaţi o schemă de calcul, în manieră sistemică, pe

baza căreia s-ar putea realiza implementarea ecuaţilor de mai sus. Schema
are ca intrare semnalele u şi y (furnizoare de date), ieşirile fiind semnalele
qxˆ şi qyˆ (predictate cu un pas). De asemenea, ea nu trebuie să includă bucle
algebrice.
Indicaţie
• Pentru a obţine schema dorită, mai întîi se aplică Transformata Z asupra
ambelor ecuaţii. Ţinînd cont de Teorema întîrzierii, se pot astfel evalua zX( z )
şi zY ( z ) . Mai departe, se revine la domeniul temporal cu ajutorul analogiei
q −1 ⇔ z −1 . Noile ecuaţii pot fi folosite acum pentru a ilustra structura
sistemului numeric de calcul aferent PKB.

TAIPS-10
15 p

Ex#5.6 Ecuaţia principală a Filtrului Kalman-Bucy (FKB) este următoarea:

(
xˆ [k ] = I − Γˆ k C
ˆ
k )( Aˆ ) ( )
xˆ [k − 1] + Bˆ kx −1u[k − 1] + Γˆ k y[k ] − Bˆ ky u[k ] , ∀ k ∈ N∗ ,
k −1

cu notaţii simplificate, adaptate în manieră naturală.

5 p a. Trasaţi o schemă de calcul, în manieră sistemică, pe baza căreia s-ar putea
realiza implementarea ecuaţilor de mai sus. Schema are ca intrare
semnalele u şi y (furnizoare de date), ieşirea fiind semnalul x̂ . De
asemenea, ea nu trebuie să includă bucle algebrice.
10 p b. Pentru a reduce efortul de calcul implicat de schema anterioară, propuneţi o
altă schemă de calcul, în care să intervină Predictorul Kalman-Bucy (PKB)
ca un instrument intern.
Indicaţii
• Pentru a obţine prima schemă, mai întîi se aplică Transformata Z asupra
ecuaţiei. Ţinînd cont de Teorema întîrzierii, se poate astfel evalua X( z ) . Mai
departe, se revine la domeniul temporal cu ajutorul analogiei q −1 ⇔ z −1 . Noua
ecuaţie poate fi folosită acum pentru a ilustra structura sistemului numeric de
calcul aferent PKB.
• PKB intervine clar în calculul estimaţiei oferite de FKB, prin modul cum a fost
definită starea estimată (care, de fapt, este starea Markov). Acea definiţie
separă calculele în două. Pe de o parte, trebuie evaluată starea predictată şi,
pe de altă parte, trebuie evaluată eroarea de ieşire ponderată de cîştig
(aceasta depinzînd, la rîndul ei, de starea predictată). Starea predictată se
evaluează cu ajutorul ecuaţiei principale a PKB – a se vedea, de exemplu,
exerciţiul anterior.

TAIPS-11
15 p

Ex#6.1 Arătaţi că Algoritmul aferent MCMMP-R pentru sisteme SISO exprimate prin
modele de regresie liniară este aproximativ un caz particular al Predictorului
Kalman-Bucy (PKB). Ce diferenţă este între ecuaţiile PKB şi cele ale
MCMMP-R în acest caz? Cum poate fi înlăturată această diferenţă?
Indicaţie
• Se pleacă de la un sistem cu reprezentare pe stare de forma:
⎧x[k + 1] = A k x[k ] + B k u[k ] + w[k ]
⎨ , ∀k ∈N ,
⎩ y[ k ] = C k x[ k ] + v[ k ]
cu notaţii cunoscute. Mai departe, parametrii necunoscuţi variabili ai modelului
de regresie liniară sunt asociaţi chiar cu stările sistemului de mai sus, în timp
ce ecuaţia de regresie liniară corespunde ecuaţiei ieşirii din sistemul de mai
sus. O a treia ecuaţie se referă la zgomotul alb al modelului de regresie, avînd
dispersia de asemenea necunoscută. Scriind ecuaţiile de bază ale PKB, se
regăsesc ecuaţiile MCMMP-R, cu o mică diferenţă, cauzată de intervenţia
dispersiei zgomotului alb. Pentru a înlătura diferenţa, e suficient să se plece
de la o iniţializare inspirată a matricii de auto-covarianţă a erorii de estimare
(care intervine în expresia cîştigului).

10 p

Ex#6.2 Scrieţi ecuaţiile aferente predictorului recursiv multi-dimensional din clasa

Box-Jenkins (BJ), în cazul în care se foloseşte MCMMP extinsă
multi-dimensională. Separaţi în două sisteme ecuaţiile de identificare şi cele de
predicţie. Se va considera că intrările exogene sunt cunoscute şi pe orizontul
de predicţie. De asemenea, încercaţi să exprimaţi ecuaţiile în formă eficientă,
pregătite pentru implementare (cu efort minimal de calcul).

10 p

Ex#6.3 Scrieţi ecuaţiile de implementare ale MMEP aplicate unui model SISO
Box-Jenkins (BJ) şi descrieţi primele 3 iteraţii aferente.

TAIPS-12
15 p

Ex#6.4 Particularizaţi Algoritmul Levenverg-Marquardt în cazul modelelor de regresie

liniară identificabile prin minimizarea criteriului pătratic. (Se va arăta cum
depind ecuaţiile algoritmului de vectorul regresorilor.) Pot exista probleme de
instabilitate numerică în cadrul algoritmului propus? Dacă da, ilustraţi aceasta
printr-un exemplu. Dacă nu, justificaţi riguros stabilitatea numerică a
algoritmului.

25 p

Ex#6.5 Pentru a asigura stabilitatea numerică a Algoritmului Levenverg-Marquardt în

cazul modelelor de regresie liniară (identificabile prin minimizarea criteriului
pătratic), se poate apela la tehnica descompunerii QR în variantă adaptivă.
Descrieţi paşii Algoritmului Levenberg-Marquardt-QR în acest caz.

20 p

Ex#6.6 Folosind ca exemplu Algoritmul Levenverg-Marquardt din cazul modelelor de

regresie liniară în variantă off-line, proiectaţi varianta on-line a acestui algoritm
fără şi apoi cu descompunere QR.

TAIPS-13