Entradas u(t), Salidas y(t), relata la relación de salida con las entradas pasadas y las salidas actuales

𝑦̂(𝑡), para un sistema con perturbaciones estocásticas solo puede ser la salida predicha y puede
obedecer a una relación muy exacta.

Si el modelo es no lineal si g barrita es no lineal. Entonces la estimación de modelos no lineales es

un tema muy extenso. Una propuesta simple en formulación es verla como un problema de una
regresión de extensión no líneal. Nosotros buscamos una relación no lineal entre los sistemas de
salidas y(t) y los vectores de regresión conocidos 𝜑(𝑡):

La regresión vectorial es en principio una función de todas las entradas u(s) y salidas y(s) antes del
tiempo t:

Este puede ser visto como un estado para el sistema en algunas de las consideraciones abajo
vamos a asumir que 𝜑(𝑡) es conocida (medida) en un tiempo t. entonces encontrando g es una
manera de computar predicciones de futuras salidas ya que nosotros asumimos que 𝜑(𝑡) es d-
dimensional:

𝝋 ∈ 𝑹𝒅 que

Luego vamos a ver lo que sabemos de las funciones no lineales entonces nosotros tenemos
disponible sobre las funciones no lineales es que g es :

𝑍𝐿 = {𝑦(𝑡), 𝜑(𝑡), 𝑡 = 1, … , 𝑁𝐿 }
Y desde que información nosotros necesitamos para encontrar g:

Para lo cual hay dos enfoques:

Métodos paramétricos: g es parametrizado como 𝑔(𝜑, 𝜃). Y la información ZL es usada para

encontrar un estimado de 𝜃̂ recibiendo la función 𝑔̂(𝜑) = 𝑔(𝜑, 𝜃̂) de los parámetros 𝜃 es
típicamente estimado por optimización de ajuste y(t) - 𝑔(𝜑(𝑡), 𝜃) para la medida ZL.

Métodos no paramétricos: 𝑔̂ es formado desde ZL sin el explicito uso de parámetros.

- Como un caso especial de modelo no paramétricos métodos es que nosotros deberemos

considerar el MOD- modelo en demanda donde la función 𝑔̂ es nunca formado
explícitamente, pero hay esta un esquema computacional ( usando ZL) que por algún
obtenido 𝜑∗ computa la correspondiente salida de 𝑦 ∗ = 𝑔̂( 𝜑∗ )

Nosotros debemos entregar una breve visión de esos básicos enfoque en la siguiente sección.
MODELOS PARAMÉTRICOS “UNA PALETA DE SOMBRAS GRISES”

Modelo de caja blanca

Debería esperarse ecuaciones diferenciales.

𝑥̇ (𝑡) = 𝑓(𝑥(𝑡), 𝑢(𝑡), 𝑤(𝑡))

𝑦(𝑡) = ℎ(𝑥(𝑡), 𝑢(𝑡)) + 𝑒(𝑡)

Y es la salida, u es la entrada y w es un proceso secuencial de ruido, mientras e es el ruido medido.

Modelos blanquecinos, modelos físicos parametrizados

Modelos con sombras grises más iluminadas o claras, estas son obtenidas cuando los modelos de
caja blanca contienen algunos parámetros que tienen desconocidos o inciertos valores numéricos.
el problema de la identificación de sistemas no lineales es estimar parámetros desde la medida ZL
siendo 𝒁𝑳 = {𝒚(𝒕), 𝝋(𝒕), 𝒕 = 𝟏, … , 𝑵𝑳} donde y es la salida fi 𝝋(𝒕) = 𝒉{𝒚(𝒕 − 𝟏), 𝒖(𝒕 −
𝟏), 𝒚(𝒕 − 𝟐), 𝒖(𝒕 − 𝟐), . . } es el vector de regresión puede ser visto como el estado del sistema
tiene en cuenta las entradas y las salidas y por supuesto las dos tienen en cuenta el tiempo . En
general este es un problema difícil que no solo ha sido tratado con generalidad, debido a los
problemas de predicción cuando un proceso de ruido w es presentado, una buena referencia para
una configuración determinística es (K. Schittkowski.Numerical Data Fitting in Dynamical Sys-
tems. Kluwer Academic Publishers, Dordrecht, 2002.).

Modelos de humo gris, modelado semi físico.

Se asume una transformación no lineal de los datos medidos, entonces la transformación de datos
se mantiene mejor la oportunidad a describir el sistema como una relación lineal. Las reglas
básicas para este proceso (para asegurar su tranquilidad pausada), solo debe requerir la física de
secundaria y no debe tomar mas de 10 minutos, esto se puede ver en el ejemplo 5.1 y laspaginas
533 a 536 que son ejemplos para niños en (L. Ljung.System Identification - Theory for the
User.Prentice-Hall, Upper Saddle River, N.J., 2nd edition, 1999.).

Modelos de acero gris

Todas las estructuras de modelos hasta ahora han contenido un elemento de física consigo, la idea
también puede simplemente ser que necesitaran de diferentes modelos según el punto de
operación del sistema, del régimen común, como velocidad y altitud de un avión

-Modelos locales compuestos

Los sistemas no lineales son a menudo manejados por linealización alrededor del punto de
trabajo.

La idea empieza componiendo modelos locales es de acuerdo con no linealidades para diseñar los
modelos locales, que son buenas aproximaciones en diferentes escenarios, y luego se compone un
modelo general a partir de estos. Con frecuencia, los modelos locales son lineales, si cada modelo
local es definico como una regresión lineal nosotros obtenemos un modelo compuesto
 aquí

es al salida que predice si el

modelo k:th y Wk es el peso que se
le asigna a la relevancia de el k:th
modelo. P(t) es el estado presente
conocido valor de la variable (punto de operación). n es un vector que gobierna el particionado
del comportamiento global dentro de los modelos locales, a través de los pesos Wk y el régimen
de la variable p(t) es medido y conocido.

-Modelos LPV

Llamado modelo de variaciones de parámetros variables (LPV) son cercanamente relatados para
componr modelos locales compuestos en la forma de espacio de estados son descritos por

Donde los exógenos o régimen de parámetros p(t) son medidos durante la operación del sistema.
La identificación de tales modelos ha sido materia del intenso interés reciente.

Modelo de pizarra gris

Contiene unas ciertas ideas y conocimientos dentro de Cual régimen de variables son útiles. Una
sombra gris aun ligera es cuando los mecanismos del modelo y sus cambios no son conocidos.

-Modelos Híbridos.

El modelo de modelos compuestos es un ejemplo de un modelo hibrido. Este es una función a trozos
lineal (o afin), y cambios entre diferentes modos como el estado 𝝋 (t) que varía según la partición.
El régimen variable p es luego una función conocida 𝝋(𝒕). Si la partición es estimada también, el
problema es considerablemente mas difícil, debido a las discretas y lógicas de la naturaleza de
influencia de n. Metodos basados en integraciones mixtas y lineales o cuadráticas la programación
es descrita en (J. Roll, A. Bemporad, and L. Ljung. Identification of piece-wise affine systems via
mixed-integer programming.Auto-matica, 40(1):37–50, Jan 2004) ver Tambien A. Bemporad, A.
Garulli, S. Paoletti, and A. Vicino. Abounded-error approach to piecewise affine system identifica-
tion.IEEE Transactions on Automatic Control, 50(10):1567–1580, October 2005 para otro enfoque

-Modelos orientados a bloques

Una muy útil idea es construir estructuras desde la simple construcción de bloques. este debe
corresponder junto a la física idea y como un significado para generar flexibles estructuras.

Hay dos básicas construcciones en base a modelos de bloques: 1. Sistemas dinámicos lineales y 2.
Transformaciones de estados no lineales . Estas pueden ser combinadas en un numero de caminos.
Algunas combinaciones son conocidas bajo los nombres bien definidos, como Wiener and
Hamerstein models.

Modelos negros: expansión de funciones básicas.

En una configuración de caja negra, la idea es parametrizar la función 𝑔(𝑥, 𝜃) de una manera
flexible, de modo que pueda ser bien aproximado y sacar alguna factible función g(x) . Una típica
escogida es usar la función expansión

con algunas funciones básicas gk

Resulta que una poderosa selección de funciones básicas es permitir que se generen a partir de una
misma "función madre" κ (x) y la escala y la traduce de acuerdo con

Se asume que x es un escalar. Las funciones bases son entonces caracterizadas por la
escala(dilatación) de parámetros Bk y la ubicación(traducción) de parámetros 𝛾𝑘 . la estructura
resultante es muy flexible y muy usada, dependiendo en como las opciones particulares son
escogidas, este contenido, por ejemplo, las bases radiales de las redes neuronales, una capa oculta
sigmoidal de redes neuronales o, modelos neuro difusos, redes de onda, mínimos cuadrados
soportados en maquinas de vectores. Se puede ver en el capítulo 5 de L. Ljung.System Identification
- Theory for the User.Prentice-Hall, Upper Saddle River, N.J., 2nd edition, 1999.

REGRESIONES NO PARAMETRIZABLES

Métodos no paramétricos

Acorde a los valores de la función son observados luego de

agregar ruido. Si se hicieron muchas observaciones con el mismo valor de 𝝋(𝒌) “regresión” con
este debería ser posible estimar 𝑔(𝝋(𝒌)) por promedio sobre las observaciones relevantes y(k) va
a tener un estimado de la función del valor 𝝋 ∗. Una referencia general de una regresión no
parametrizada es W. H ä rdle.Applied Nonparametric Regression. Cambridge Univeristy Press,
Cambridge, UK, 1990.