Documente Academic
Documente Profesional
Documente Cultură
Exerciţiul 3.2
Deduceţi relaţiile generale ale densităţilor spectrale de putere ale
ieşirilor modelelor ARX[1,1] şi OE[1,1]. Deduceţi răspunsurile ideale în
frecvenţă ale sistemelor reprezentate de cele 2 modele.
Soluţie
Modele de identificare
Soluţie (Exerciţiul 3.2)
Modele de identificare
Soluţie (Exerciţiul 3.2)
Modele de identificare
Soluţie (Exerciţiul 3.2)
Modele de identificare
Soluţie (Exerciţiul 3.2)
Modele de identificare
Exerciţiul 3.3
Soluţie
Modele de identificare
Soluţie (Exerciţiul 3.3)
Modele de identificare
Exerciţiul 3.4
Verificaţi dacă modelele ARX şi OE pot fi echivalate, în sensul definiţiei
cunoscute (densităţi spectrale de ieşire identice).
Soluţie
Modele de identificare
Soluţie (Exerciţiul 3.4)
Metode
Metodedede
identificare
identificare
Semnale de stimul
. Necesitatea stimulării corecte a proceselor IS
Modele
Modele de
de
0
|H| Relaţie spectrală
FTJ K
Y ( j ) = H ( j ) U ( j ) = =
1 + j T 1 + j T p
0
|Y|
=
K
(1 + 2T 2 ) (1 + 2Tp2 )
R
frecvenţelor joase
• Se consideră că sistemul discret provine de
stimulare slabă în zona la un sistem continuu prin discretizare ideală
1/|Ω| frecvenţelor înalte cu o perioadă de eşantionare prestabilită.
def
K
0
H ( s) =
(1 + es NT ) (1 + e
s
s N pTs
) z = esTs
|H|
periodică s = j T Tp Stimulare cu o
proprie
parazită treaptă unitară
0
|Y|
Y ( j ) = H ( j ) U ( j ) =
K
=
2 1 + cos(T ) 1 + cos(Tp )
K
=
T Tp
4 cos cos
Relaţie spectrală 2 2
R
0 Chiar dacă treapta unitară este fundamentală în
/T /Tp
Tp T TS, în cadrul IS, ea joacă doar un rol secundar
T Tp (ajută la determinarea timpului mort).
Semnale de stimul
. Necesitatea stimulării corecte a proceselor
FTJ FTJ
u |H| y u |H| y
ωc ωc
u c u c
Nivelul de zgomot creşte pe Empiric şi
măsură ce pulsaţia intrării se
FTJ apropie de cea de tăiere. FTJ ineficient!
u |H| y u |H| y
+
ωc ωc
u c u c
Semnale de stimul
. Conceptul de persistenţă
R M (u ) θ = rM ( y , u ) θˆ M = R −M1 (u)rM ( y, u) R M
Cu cît ordinul de persistenţă al semnalului de stimul este mai mare, cu atît secvenţa
Aşadar pondere este mai bine determinată (adică pe un orizont mai mare de timp).
Propoziţia 3.1
Un semnal discret este persistent de ordin M dacă şi numai dacă densitatea
sa spectrală de putere posedă cel puţin M linii spectrale nenule.
Demonstraţie
H ( q −1 ) = X ( q −1 ) = h[2] = x2 2y = ry [0] =
1
( ) d =
1
X ( e j
) u () d .
2 −
y
2 −
M
= xm q − m h[ M ] = x M Transferul densităţii spectrale
m=1 prin sisteme liniare
Polinom de grad (M-1)
funcţia
X ( e j ) = xm e− jm = e− j ( x1 + x2 e− j + + xM e− j( M −1) )
M
răspunsul în
de sistem
m=1 R frecvenţă
Semnale de stimul
. Conceptul de persistenţă
Demonstraţie (Propoziţia 3.1)
+ Ecuaţie care arată cum se transferă
1 j
Aşadar x R M (u )x = X(e ) u ( ) d
T
informaţia despre persistenţă
2 − din timp în frecvenţă şi reciproc.
j
xT R M (u)x = 0 x = 0 dacă şi numai dacă X(e ) u () = 0
semnalul este (forma pătratică este R
persistent de ordin M nedegenerată)
2=re[0] 2
Semnalul ideal Zgomotul alb
k 0
Nu poate fi generat pe cale artificială. 0 2
Software
Semnale de stimul
. Clase de semnale persistente
Registrul de
Generarea SPA(B) pe cale hardware Componenta principală deplasare
Periodic. SPAB
SPAB b3 b2 b1 b0 SPA
SPA
1 0 1 1 1 7 MSB LSB
0 1 1 1
0 1 0 1 1 11 b3 b2 b1 b0
0 0 1 0 1 5
1 0 0 1 0 2 Lost
XOR
1 1 0 0 1 9
1 1 1 0 0 12 def
( x ) = x 3 + x
0 1 1 1 0 14
1 0 1 1 1 7
• Activarea biţilor care contribuie la
producerea valorii MSB este de regulă
N N ➔ Numărul de biţi ai registrului de deplasare.
indicată de polinomul caracteristic.
2N − 1N ➔Numărul maxim de valori ale SPA. def
Iniţializarea nulă ( x ) = N −1 x N −1 + N −2 x N −2 + + 1 x + 0
P 1,2 − 1 ➔Perioada SPA(B).
N
se exculde. parametri de activare (binari)
Semnale de stimul
. Clase de semnale persistente
• Semnalul rezultat este periodic, iar perioada este în general mai mare
pentru amplificări negative decît pentru cele pozitive.
SPA
• Algoritmii cablaţi hardware
pot fi de asemenea emulaţi
(implementaţi pe cale
software).
SPAB
Semnale de stimul
. Clase de semnale persistente
SPAB2 Mărginire
Hardware Software
1 u[n] 2N − 1 1 u[n] b − 1
SPAB3 Configuraţia auto-covarianţei Exemplu SPAB generat prin cablare hardware
Auto-covarianţa unui SPA(B) ru
este periodică şi de perioadă P. u2
Mai mult, valorile auto-covarianţei pentru
pivoţi diferiţi de multiplii întregi ai perioadei
sunt invers proporţionale cu perioada. 1-P ... -2-1 1 2 ... P-1
k
u -P 0 P
ru [ k ]
P k Z \ PZ
-1/P
Cu cît perioada este mai mare, cu atît ordinul de persistenţă este mai mare
şi SPA(B) aproximează mai bine zgomotul alb (în sensul auto-covarianţei).
Semnale de stimul
. Clase de semnale persistente
Atît ordinul de persistenţă al unui SPA(B) cît şi precizia de aproximare
Aşadar a zgomotului alb sunt controlabile prin intermediul perioadei.
Cum s-ar putea genera SPA(B) de perioade Perioada trebuie să fie sensibil mai mare
maximale? decît dimensiunea orizontului de măsură.
Rezolvînd o problemă granulară de optimizare. Funcţia criteriu poate fi evaluată în toate
punctele domeniului de definiţie, dar
Perioada este determinată de 3 parametri. numărul de valori ale acestuia este
extrem de mare.
Hardware Software
N ➔Numărul de biţi ai b ➔Numărul maxim de valori
registrului de deplasare. ce pot fi generate.
{n }n0, N −1 ➔ Configuraţia polinomului caracteristic. a ➔Amplificarea.
{b0 n }n0, N −1 ➔Iniţializarea registrului de deplasare. u[0] ➔ Iniţializarea algoritmului.
• De regulă, registrul de deplasare are • De regulă, numărul maxim de valori este cel
16, 32, 64 sau 128 de biţi. mai mare număr reprezentabil folosind cuvîntul
maşină, amplificarea este negativă, iar
Căutarea exhaustivă a perioadei iniţializarea este returnată de ceasul
maximale este adesea ineficientă. calculatorului pe care este implementat
Tehnicile euristice de IA sau strategiile algoritmul.
evoluţionare (AG, PSO) sunt mult mai indicate.