Documente Academic
Documente Profesional
Documente Cultură
θ
Mecanism
de ajustare
Fig. 2.3. Schema bloc a unui estimator parametric recursiv pentru un model FIR
Estimatorul poate fiprivit ca un sistem cu intrarările u şi y şi ieşirea θ .
Întrucât în sistem este disponibil şi semnalul
yˆ (t ) = bˆ1 (t − 1) u (t − 1) + bˆ2 (t − 1) u (t − 2) + L + bˆn (t − 1) u (t − n)
rezultă că se poate considera ca ieşire şi yˆ (t ) . Deoarece yˆ (t ) este o estimare de
predicţie a lui y, estimatorul recursiv poate fi interpretat ca un filtru adaptiv pentru
predictarea lui y.
16
Modele descrise prin funcţii de transfer
Metoda c.m.m.p. poate fi folosită pentru identificarea parametrilor în sisteme
dinamice. Considerăm sistemul descris prin modelul:
A(q) y (t ) = B (q) u (t ) (2.34)
unde q este operatorul de avans cu un pas, iar A(q ) şi B(q) sunt polinoamele:
A(q) = q n + a1 q n −1 + a2 q n − 2 + L + an ; B (q) = b1 q m −1 + b2 q m − 2 + L + bm
Ecuaţia (2.34) se poate rescrie ca o ecuaţie în diferenţe, astfel:
y (t ) + a1 y (t − 1) + L + an y (t − n) = b1 u (t + m − n − 1) + L + bmu (t − n) (2.34a)
Presupunem că pentru secvenţa de intrări { u (1), u ( 2),K, u (t )} , secvenţa
corespondentă observată la ieşire este { y (1), y (2),K, y (t )} . Introducem vectorul
parametrilor:
θ = [ a1 L an b1 L bm ]T (2.35)
şi vectorul regresorilor
ϕ(t − 1) = (− y (t − 1) L − y (t − n) u (t + m − n − 1) L u (t − n) )
T
17
A( p ) y f (t ) = B( p) u f (t ) (2.37)
θ̂
Hf Estimator Hf
pi Hf(p)u pi Hf(p)y
Proces
Intrarea u Ieşirea y
Fig. 2.5. Schema bloc a estimatorului cu filtre Hf
Dacă se notează:
θ = [ a1 L an b1 L bm ]T
(
ϕT (t ) = − p n −1 y f L − y f p m −1u f L u f )
= (− p n −1
H f ( p ) y L − H f ( p ) y p m −1H f ( p)u L H f ( p)u , )
modelul (2.37) se rescrie sub forma:
p n y f (t ) = p n H f ( p ) y (t ) = ϕT (t )θ
Modele neliniare
Algoritmul c.m.m.p. poate fi aplicat şi anumitor modele neliniare. Condiţia
esnţială este ca modelele să fie linare în raport cu parametrii pentru a se putea scrie
ca modele liniar regresive. Precizăm că regresorul nu trebuie să fie liniar în raport
cu intrările sau ieşirile.
Exemplu. Fie modelul: y (t ) + a y (t − 1) = b1 u (t − 1) + b2 sin(u (t − 1)) .
Introducând θ = [ a b1 b2 ]T şi ϕT (t ) = [ − y (t ) u (t ) sin(u (t − 1)) ] , modelul poate
fi scris sub forma: y (t ) = ϕT (t − 1)θ . Cum acest model este liniar în raport cu
parametrii, pentru estimarea lui θ poate fi folosit algoritmul c.m.m.p.
18
Modele stochastice
Considerăm modelul
A(q) y (t ) = B (q) u (t ) + C (q ) e(t ) (2.38)
unde A(q ) , B(q) şi C (q) sunt polinoame în operatorul de avans q, iar {e(t )} este
semnalul zgomot alb. Parametrii polinomului C descriu corelaţia perturbaţiei.
Deoarece variabilele {e(t )} nu sunt cunoscute, modelul (2.38) nu poate fi convertit
direct la un model regresiv. Folosind însă aproximări corespunzătoare, se poate
obţine un model regresiv. Pentru aceasta, se introduce
ε(t ) = y (t ) − ϕT (t − 1) θˆ (t − 1)
unde: θ = [ a1 L an b1 L bm c1 L cn ]T
ϕ(t − 1) = [− y (t − 1) L − y (t − n) u (t − 1) Lu (t − n) ε(t − 1) L ε(t − n)]
T
Variabilele e(t) sunt aproximate prin erorile de predicţie ε(t ) . Modelul poate fi
atunci aproximat prin
y (t ) = ϕT (t − 1) θˆ (t − 1) + e(t )
pentru care poate fi aplicat algoritmul standard al c.m.m.p. Metoda obţinută se
numeşte algoritmul c.m.m.p. extins. Ecuaţiile pentru actualizarea estimaţiilor sunt
date de:
θˆ (t ) = θˆ (t − 1) + P (t ) ϕ(t − 1) ε(t )
(2.39)
P −1 (t ) = P −1 (t − 1) + ϕ(t − 1)ϕT (t − 1)
O altă metodă de estimare a parametrilor din (2.38) constă în utilizarea
ecuaţiilor (2.39), a reziduului definit prin
Cˆ (q ) ε(t ) = Aˆ (q ) y (t ) − Bˆ ( q) u (t ) (2.40)
şi a vectorului regresorilor ϕ din (2.39) înlocuit cu ϕ f unde:
Cˆ (q) ϕ f (t ) = ϕ(t ) (2.41)
În aceste actualizări ar trebui folosite cele mai recente estimări. Metoda obţinută nu
este tocmai recursivă, deoarece ecuaţiile (2.41) şi (2.40) trebuie rezolvate de la
t = 1 pentru fiecare măsurătoare. Se pot face următoarele aproximaţii:
ε(t ) = y (t ) − ϕT (t − 1) θˆ (t − 1)
f
19
Diferiţii algoritmi recursivi prezentaţi sunt similari. Toţi aceştia pot fi
descrişi prin ecuaţiile:
θˆ (t ) = θˆ (t − 1) + P(t ) ϕ(t − 1) ε(t )
1 P(t − 1)ϕ(t − 1)ϕT (t − 1) P (t − 1)
P (t ) = P(t − 1) −
λ λ + ϕT (t − 1) P(t − 1)ϕ(t − 1)
unde θ, ϕ şi ε sunt diferite pentru diferitele metode.
n +1 M
n +1
M L
n +1
M
t t t
∑ u (k − 1)u (k − n) ∑ u (k − 2)u (k − n) L ∑ u 2
( k − n )
n +1 n +1 n +1
are rang maxim. Această condiţie se numeşte condiţie de excitaţie. Pentru seturi de
date lungi, toate sumele din (2.42) trebuie să se efectueze de la 1 la t. Notăm
c ( 0) c(1) L c(n − 1)
1 T c(n − 2)
Cn = lim Φ Φ = c(1) c(0) L (2.43)
t →∞ t M M L M
c(n − 1) c ( n − 2) L c(0)
unde c(k) sunt covarianţele empirice ale intrării, adică:
1 t
c(k ) = lim ∑ u (i ) u (i − k ) (2.44)
t →∞ t
i =1
20
Condiţia de unicitate poate fi acum exprimată prin aceea ca matricea din (2.43) să
fie pozitiv definită. Aceasta conduce la următoarea definiţie.
Definiţia 2.1. Un semnal u se numeşte excitaţie persistentă de ordin n dacă
limitele (2.44) există şi matricea Cn din (2.43) este pozitiv definită.
Observaţie. Pentru sistemele adaptive, semnalul u se numeşte excitaţie
persistentă de ordin n dacă pentru orice t există un întreg m astfel încât:
t+m
ρ1I > ∑ ϕ(k ) ϕT (k ) > ρ2 I
k =t
k =1
unde Cn este matricea din (2.43). Dacă Cn este pozitiv definită, rezultă că U > 0 .
Acest rezultat este util în testarea condiţiei de persistenţă a unor tipuri de
semnale, astfel:
• Semnalul treaptă. Fie u (t ) = 1 pentru t > 0 şi 0 în rest. Avem:
1 t = 0
(q − 1)u (t ) =
0 t ≠ 0
Semnalul treaptă poate fi deci excitaţie persistentă cel mult de ordin 1. Într-adevăr
21
1 t 2
C1 = ∑ u (k ) = 1 .
t k =1
• Semnalul sinusoidal. Fie u (t ) = sin ωt . Avem: (q 2 − 2q cos ω + 1) u (t ) = 0 .
Deci o sinusoidă poate fi o excitaţie persistentă cel mult de ordin 2. Întrucât
1 cos ω
C2 = 1
2 cos ω 1
rezultă că sinusoida este într-adevăr o excitaţie persistentă de ordin 2.
• Semnal periodic. Fie u (t ) un semnal periodic cu perioada n. Avem că
n
(q − 1) u (t ) = 0 , de unde se deduce că acesta poate fi excitaţie persistentă de ordin
cel mult n.
• Semnale aleatoare. Considerăm procesul stochastic u (t ) = H (q)e(t ) , unde
e(t) este zgomotul alb, iar H(q) este o funcţie de transfer. Din definiţia zgomotului
alb rezultă că ecuaţia (2.45) este satisfăcută pentru orice semnal e şi pentru orice
polinom nenul A(q). Această proprietate este valabilă şi pentru semnalul u. Deci, u
este excitaţie persistentă de orice ordin.
Teorema 2.8. Torema lui Parseval. Fie
∞ ∞
H (q −1 ) = ∑ hk q − k ; G (q −1 ) = ∑ gk q−k
k =0 k =0
două funcţii de transfer stabile şi e(t) zgomotul alb cu media nulă şi covarianţa σ 2 .
Atunci:
∞ π
σ2
σ 2 ∑ hk g k = ∫ H (eiω )G (eiω )dω
k =0 2 π −π
Observaţie. Membrul drept al acestei relaţii poate fi interpretat ca
E ( H (q −1 )e(t ) ⋅ G (q −1 )e(t )) , adică covarianţa a două semnale obţinute prin trecerea
zgomotului alb prin funcţiile de transfer H (q −1 ) şi G (q −1 ) .
Caracterizare în domeniul frecvenţă
Considerăm un semnal quasi-staţionar u(t) cu spectrul Φ u (ω) . Din teorema
lui Parseval se deduce că:
π
1 t 1
lim ∑ ( A(q ) u ( k ) ) =
2
∫ | A(eiω ) |2 Φ u (ω)dω (2.46)
t →∞ t
k =1 2 π −π
22
Spectrul unei sinusoide este diferit de zero în două puncte. De aceea, aceasta
este excitaţie persistentă de ordinul 2. Un semnal care este o sumă de k sinusoide
este excitaţie persistentă de ordinul 2k.
Teorema 2.9. Excitaţia persistentă a semnalelor filtrate.
Fie u un semnal excitaţie persistentă de ordinul n. Presupunem că A(q) este un
polinom de grad m < n . Atunci, semnalul v definit prin v(t ) = A(q )u (t ) este
excitaţie persistentă de ordinul l cu n − m ≤ l ≤ n . Presupunând că A este stabil,
semnalul w definit prin w(t ) = (1 / A(q ))u (t ) este excitaţie persistentă de ordin n.
Modele discrete descrise prin funcţii de transfer
Vom analiza proprietăţile estimărilor parametrilor pentru funcţii de transfer
discrete în timp. Mai întâi vom analiza unicitatea estimărilor. Pentru aceasta, se
presupune că datele sunt generate prin:
A0 (q) y (t ) = B 0 (q )u (t ) + e(t + n) (2.47)
unde A0 şi B0 sunt polinoame relativ prime. Fie A şi B estimările lui A0 şi B0. Dacă
e = 0 , grad A > grad A0 şi grad B > grad B 0 , din Teorema 2.1 se deduce că
estimarea nu este unică deoarece coloanele matricei Φ sunt liniar dependente.
Există totuşi următorul rezultat.
Teorema 2.10. Considerăm datele generate prin modelul (2.47), cu A0 stabil
şi e = 0 . Fie parametrii polinoamelor A şi B funizate prin metoda c.m.m.p.
Presupunem că intrarea u este excitaţie persistentă de ordinul grad A + grad B + 1 .
Dacă se presupune că grad A = grad A0 şi grad B > grad B 0 , atunci
lim Φ T Φ / t este pozitiv definită.
t →∞
Itroducem:
v(t ) = ϕT (t + n − 1) θ = B(q )u (t ) − ( A(q) − q n ) y (t )
= B(q )u (t ) −
A( q) − q n 0
0
A (q)
{ ( )
B (q )u (t ) = A0 (q) B( q) − A(q ) − q n B 0 (q) 0
1
A (q)
}u (t )
Deoarece A0 este stabil, din Teorema 2.9 rezultă că semnalul 1 / A0 (q) ⋅ u (t ) este
excitaţie persistentă de ordinul grad A + grad B + 1 . Deoarece gradul polinomului
din paranteză este mai mic sau egal cu grad A + grad B , rezultă că semnalul v(t)
nu dispare, în sensul mediei pătratice, în afară de cazul când polinomul este identic
zero. Aceasta se întâmplă dacă
B 0 (q) B(q)
=
0
A (q) A( q) − q n
23
Întrucât grad A = grad A0 , numitorul din membrul drept are gradul grad A − 1
= grad A0 − 1 . Deci funcţiile raţionale nu sunt identice şi teorema şi demonstrată.
Observaţii:
1. Se vede că grad A + grad B + 1 este egal cu numărul parametrilor din
modelul (2.47). Ordinul necesar al excitaţiei persistente este egal cu numărul
parametrilor estimaţi.
2. Dacă datele sunt generate prin (2.47), unde {e(t )} este zgomot alb (adică
o secvenţă de variabile aleatoare necorelate), atunci matricea lim Φ T Φ / t este
t →∞
25