 Modele de identificare

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

Prin filtrarea unui zgomot alb e de medie nulă şi varianţă unitară se

obţine un zgomot colorat y cu densitatea spectrală:
0.75
 y () = ,  R ..
1.25 − cos 
Considerînd că filtrul utilizat are funcţia de sistem:
−1
H ( q −1 ) = 1 −1 ,
b q
1 + a1q
să se determine cei 2 parametri ai acestuia. Pot fi ei determinaţi în mod
unic folosind numai analiza spectrală? Evaluaţi de asemenea varianţa
zgomotului colorat.

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

• Stimularea incorectă a proceselor (în vederea identificării) poate conduce

Semnale
Semnale
de
destimul
stimul

Modele
Modele de
de

la modele matematice inadecvate sau imprecise, din cauză că o serie de identificare

identificare

caracteristici ale acestora nu se mai regăsesc în modelele asociate.

def
Pierderea caracteristicilor în domeniul timpului pentru K
Exemplul 1 H (s) =
un sistem de ordin I cu constantă de timp parazită (1 + T s )(1 + Tp s )
• Grosso modo, funcţia de transfer relevă un comportament Tp  T
similar cu al unui sistem de ordinul I, deşi, în realitate, ea
descrie un sistem de ordinul II.
Cum s-ar putea determina cei 3 parametri?
De ce s-a pierdut informaţia referitoare
la constanta de timp parazită?
Prin stimularea cu
y o treaptă unitară.
Deoarece semnalul treaptă unitară
nu a stimulat corect sistemul, în
~K
vederea identificării.
E {y[n]}
Comportamentul în frecvenţă al intrării,
sistemului şi ieşirii poate releva mai
uşor fenomenul pierderii de informaţie
0 ~T t prin stimularea cu un semnal inadecvat.
Tp ?  Constanta de timp parazită intervine în zona
tranzitorie a răspunsului, efectul ei fiind insesizabil.
  Semnale de stimul
. Necesitatea stimulării corecte a proceselor
def
Exemplul 1 Pierderea caracteristicilor în domeniul timpului pentru K
H (s) =
(final) un sistem de ordin I cu constantă de timp parazită (1 + T s )(1 + Tp s )
Caracterizare în frecvenţă TL a răspunsului indicial
|U| stimulare puternică în zona s = j K
Y ( s ) = H ( s )U ( s ) =
Treapta unitară

frecvenţelor joase s(1 + Ts )(1 + Tp s )

stimulare slabă în zona
1/|Ω| frecvenţelor înalte K
Y ( j) = H ( j)U ( j) =
j(1 + jT )(1 + jTp )

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

Dacă se doreşte o informaţie consistentă şi în zona

constantei parazite, intrarea trebuie să solicite sistemul pe o
0  bandă de frecvenţe mult mai largă decît a treptei unitare.
2/T 2/Tp
2 2  Informaţia despre constanta de timp principală este mai
Tp  T 
T Tp consistentă decît informaţia despre constanta de timp parazită.
  Semnale de stimul
. Necesitatea stimulării corecte a proceselor
def
Exemplul 2 Mascarea caracteristicilor în domeniul frecvenţei pentru K
H ( z) =
un oscilator afectat de o oscilaţie parazită (1 + z N ) (1 + z N )
p

Caracterizare în frecvenţă perioadă proprie de oscilaţie

|U| stimulare puternică în zona N p  N perioadă parazită de oscilaţie
Treapta unitară

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

Exemplul 3 Stimularea empirică a unui FTJ cu armonice elementare izolate

? Cum s-ar putea determina pulsaţia/frecvenţa de tăiere a filtrului?

Prin stimularea cu armonice elementare de diferite pulsaţii/frecvenţe.

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

 ru [0] ru [1] ru [2] ru [ M − 1] 

 r [1] r [0] r [1] r [ M − 2] 
def  
u u u u
Semnal persistent R M (u) =  0
de ordin M  
ur [ M − 2] ru [1] ru [0] ru [1] 
Ordinul de persistenţă indică
numărul de valori identificabile  ru [ M − 1] ru [2] ru [1] ru [0] 
Matrice
ale secvenţei pondere a unui Toeplitz
Matricea de auto-covarianţă  Inversabilă.
sistem liniar discret cauzal şi
stabil asociat procesului simetrică
furnizor de date.

Sistemul Wiener-Hopf Soluţia sistemului Wiener-Hopf

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).

Sp[ M ]  Clasa semnalelor Modelul de identificare este cu atît mai precis

persistente de ordin M. cu cît semnalul de stimul este mai persistent.
  Semnale de stimul
. Conceptul de persistenţă
Exerciţiu • Treapta unitară (discretă) (ca şi orice semnal constant)
este un semnal persistent de ordin 1. Treapta unitară permite
identificarea unei singure
Care este caracterizarea în frecvenţă a unui valori a secvenţei pondere.
semnal persistent de ordin M?

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

Cum poate fi exprimată definiţia originală a Folosind proprietăţile operatorului de mediere

persistenţei în domeniul frecvenţei? statistică şi ale densităţii spectrale de putere.

 ru [0] ru [1] ru [2] ru [ M − 1] 

 r [1] ru [0] ru [1] ru [ M − 2]
 u
  u[ n − 1]  
def
R M (u) =  
 

 r u [ M − 2] ru [1] ru [0] ru [1]

 R M ( u ) = E    u[ n − 1]
 u[ n − M ]
 ru [ M − 1] ru [0]    u[ n − M ] 
ru [2] ru [1]
  
def
ru [k ] = E{u[n]u[n − k ]}
  Semnale de stimul
. Conceptul de persistenţă
Demonstraţie (Propoziţia 3.1)

• Expresia matricii de auto-covarianţă simplifică exprimarea formei pătratice asociate.

• Astfel, pentru orice vector determinist x = [ x1 xM ]T  R M rezultă:
  u[ n − 1]  

xT R M ( u )x = E  xT   u[ n − 1]
  u[ n − M ] x  ( 1 
 = E x u[ n − 1] + + x u[ n − M ] 2
M )  0. 
  u[ n − M ] 
     Aşadar, matricea de auto-covarianţă
• Interpretare: forma pătratică se exprimă ca dispersia este şi pozitiv (semi-)definită.
unui semnal obţinut la ieşirea unui sistem de tip FIR.
Sistem liniar FIR
h
M M
u y  hu y[ n] =  h[ m]u[ n − m] =  xm u[ n − m] ,  n N .
m =1 m =1
2
y
2

 = E  y [n] = E ( x1u[ n − 1] + + x M u[ n − M ])
2

h[0] = 0 • Dispersia se obţine însă şi folosind densitatea spectrală
h[1] = x1 a ieşirii sistemului:
+ +


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− jm = 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)

Semnalul discret este persistent Densitatea sa spectrală de putere posedă

de ordin M. cel puţin M linii spectrale nenule.

• Raţionament de tip reducere la absurd.

• Se presupune, prin absurd, că
densitatea spectrală este nenulă într-un  m  M & {i }i1,m : u ( i )  0 , i 1, m.
număr de pulsaţii mai mic decît M. (în rest, densitatea spectrală este nulă)
• Se va construi un vector nenul x  R M pentru care xT RM (u)x = 0 , ceea ce contrazice
ipoteza de la care s-a plecat.
• Vectorul căutat este format din coeficienţii următorului “polinom frecvenţial”,
ale cărui rădăcini sunt chiar pulsaţiile {i }i1,m : polinom de completare pînă la
X(e ) = e− j (1 − e− j ( −1 ) )   (1 − e− j ( −m ) )
def gradul M
j j
X0 (e ) , R .
X 0 (e ji )  0
 Polinom de grad m  i 1, m
  Semnale de stimul
. Conceptul de persistenţă
Demonstraţie (Propoziţia 3.1)
• Polinomul frecvenţial nefiind identic nul, cel puţin un coeficient este nenul, astfel că
vectorul coeficienţilor este nenul.
+
1 j 
• Mai mult: x R M (u )x =  ) u () d  = 0.
T
X(e  Absurd.
2 − 
0 0
pentru pentru
{i }i1,m {i }i1,m

Densitatea sa spectrală de putere posedă Semnalul discret este persistent

cel puţin M linii spectrale nenule. de ordin M.

• Să presupunem că setul de pulsaţii pentru care densitatea spectrală nu se anulează

este {i }i1,m , cu m  M . Astfel: u ( i )  0, i 1, m .
• Pentru a testa persistenţa de +
ordin M a semnalului, trebuie rezolvată ecuaţia:
1 j 
x R M (u ) x =  ) u () d  = 0  e− j X M −1 (e j ) = 0 , {i }i1,m
T
X(e
2 − 
0  Polinom de grad (M-1)
necunoscuta ecuaţiei
cu m>M-1 rădăcini.
• Aşadar, unica soluţie a ecuaţiei este cea nulă.
X 0
R M (u)  0
  Semnale de stimul
. Proprietăţi ale semnalelor persistente
Sp1 Imbricarea claselor de semnale persistente Exerciţiu
Dacă un semnal este persistent de ordin M, atunci este persistent şi de ordin m,
cu mM.
Sp[1]  Sp[2]   Sp[ m]   Sp[ M ]   Sp[]
Sp2 Persistenţa unui semnal periodic Exerciţiu
Dacă un semnal este periodic de perioadă P, atunci ordinul său de persistenţă
este cel mult egal cu perioada.
Sp3 Conservarea persistenţei la ieşirea procesului furnizor de date Exerciţiu
Fie u  Sp[ M ] un semnal care stimulează un proces/sistem cu următoarea
( )
proprietate: funcţia sa de sistem H q −1 nu are zerouri pe cercul unitar. Atunci
semnalul de ieşire y are proprietatea de a conserva ordinul de persistenţă al
intrării: y  Sp[ M ] .
Sp4 Cazuri de stimulare nedorite în IS Exerciţiu
Fie un sistem de tip FIR cu secvenţa pondere {h[ m]}m1, M . Se stimulează sistemul
cu un semnal u şi se obţine semnalul de ieşire y.  Experimentul de identificare poate eşua din
a. Dacă u  Sp[ M ] şi totuşi y  0, atunci h  0 . cauza stimulării inadecvate a procesului.
b. Dacă u  Sp[ m] , cu m  M , atunci se poate construi o secvenţă
pondere nebanală h, de dimensiune M, astfel încît y  0 .
  Semnale de stimul
. Clase de semnale persistente
re e

2=re[0] 2
Semnalul ideal Zgomotul alb
k 0 

 Nu poate fi generat pe cale artificială. 0 2

Propoziţia 3.1 e Sp[]

Ce se poate face?

Se încearcă generarea unor semnale care să

aproximeze zgomotul alb în sensul auto-covarianţei.
• Cu cît secvenţa de auto-covarianţă a semnalului artificial este “mai apropiată”
de cea a zgomotului alb, cu atît acesta este mai bine aproximat.
 Cu toate acestea, semnalele artificiale au ordin de persistenţă finit.

Semnale practice Semnale Pseudo-Aleatoare (Binare) (SPAB)

• Semnale generate cu ajutorul unui mijloc automat de calcul.
• În consecinţă, SPA(B) sunt semnale periodice.
Cum pot fi generate SPA(B)?
Hardware
Există două tehnici de bază.

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 − 1N ➔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

Generarea SPA(B) pe cale software

• Algoritmii derivaţi sunt destul de numeroşi, complexitatea lor variind mult.
Exemplu Un algoritm bazat pe lungimea cuvîntului maşinii
a Z (amplificarea)
Date de intrare
b N \ {1} (numărul maxim reprezentabil pe
lungimea cuvîntului maşină)
Iniţializare u[0] (valoarea iniţială a SPA) Limbajul C
restul împărţirii dintre 2 întregi
Buclă iterativă
 Pentru n  1 u[ n] = ( a  u[ n − 1]) % b
Date de ieşire SPA  Practic, se ignoră biţii rezultaţi din
depăşirea cuvîntului maşină.

• 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

Proprietăţi fundamentale ale SPA(B)

SPAB1 Periodicitate

Hardware Software Sp2 Ordinul de persistenţă al unui SPA(B)

P  2N − 1 P  b −1 este finit şi cel mult egal cu perioada.

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 }n0, N −1 ➔ Configuraţia polinomului caracteristic. a ➔Amplificarea.
{b0 n }n0, N −1 ➔Iniţializarea registrului de deplasare. u[0] ➔ Iniţializarea algoritmului.

• De regulă, registrul de deplasare are
16, 32, 64 sau 128 de biţi.
Căutarea exhaustivă a perioadei
maximale este adesea ineficientă.
Tehnicile euristice de IA sau strategiile
evoluţionare (AG, PSO) sunt mult mai indicate.
• De regulă, numărul maxim de valori este cel
mai mare număr reprezentabil folosind cuvîntul
maşină, amplificarea este negativă, iar
iniţializarea este returnată de ceasul
calculatorului pe care este implementat
algoritmul.