Sumar

9 Bibliografie
9 m Organizarea temelor de laborator
9 n Caracterizãri în timp şi frecvenţã ale proceselor stocastice
9 o Identificarea modelelor neparametrice
9 p Identificare parametricã prin Metoda Celor Mai Mici Pãtrate (MCMMP)
9 q Identificare parametricã prin Metoda Variabilelor Instrumentale (MVI)
) r Identificare parametricã prin Metoda Minimizãrii Erorii de Predicþie (MMEP)
s Identificare recursivã

5.1
 r Identificare parametricã prin MMEP
) Contextul de lucru
• Modelele de regresie liniară avînd vectorul regresorilor nemăsurabil
necesită metode de identificare mai complexe.
• Astfel de modele se regăsesc atît în clasa ARMAX, cît şi (mai ales) în clasa RSISO.
Exemple
Exemple
⎪⎧ A( q ) y[ n] = B( q )u[ n] + C ( q )e[ n]
−1 −1 −1

ARMAX[na,nb,nc
ARMAX[na,nb,nc]] ⎨
⎪⎩ E{e[ n]e[ m]} = λ δ0 [ n − m]
2
∀ n, m ∈ N
⎡ T def
⎢ ϕ [ n] = ⎡⎣ − y[ n − 1] − y[ n − 2] " − y[ n − na ] u[ n − 1] u[ n − 2] " u[ n − nb] ...
⎢ 3 componente, ... e[ n − 1] e[ n − 2] " e[ n − nc ]]
⎢ ca şi vectorul parametrilor
⎢ T def
⎢⎣θ = ⎡⎣ a1 a2 " ana b1 b2 " bnb c1 c2 " cnc ⎤⎦
∀ n ∈ N∗
⎧ B ( q −1 ) C ( q −1 )
⎪ y[ n] = −1
u[ n] + −1
e[ n] /
/ Ultima
Ultima component
componentă ă
BJ[nb,nc,nd,nf
BJ[nb,nc,nd,nf]] ⎨ F ( q ) D ( q )
⎪ E{e[ n]e[ m]} = λ 2 δ [ n − m] nu
nu este
este m ăsurabilă.
măsurabilă.
(Box Jenkins) ⎩ 0
∀ n, m ∈ N
⎡ T def
⎢ ϕ [ n] = ⎡⎣ − y[ n − 1] − y[ n − 2] " − y[ n − nd − nf ] u[ n − 1] u[ n − 2] " u[ n − nb − nd ] ...
⎢ 3 componente ... e[ n − 1] e[ n − 2] " e[ n − nc − nf ]]
⎢
⎢ T def
⎢⎣θ = ⎣⎡b1 b2 " bnb c1 c2 " cnc d1 d 2 " d nd f1 f 2 " f nf ⎦⎤
∀ n ∈ N∗
4 componente 5.2
 r Identificare parametricã prin MMEP
) Contextul de lucru
22metode
metodede
deidentificare
identificare
MCMMP Extinsă Metoda Minimizării Erorii de Predicţie
(MCMMPE) (MMEP)
mai puţin precisă, mai precisă,
dar mai simplă dar mai complexă
• Strategia generală de identificare: • Strategia generală de identificare:
c Estimarea zgomotului care intervine în c Iniţializarea procesului recursiv din etapa
componenta nemăsurabilă cu ajutorul unui următoare folosind MCMMPE.
model avînd vectorul regresorilor complet d Determinarea recursivă a parametrilor
măsurabil (dar mai puţin precis). modelului, plecînd de la iniţializarea din
d Determinarea parametrilor originali ai etapa precedentă şi folosind o metodă de
modelului cu ajutorul vectorului regresorilor optimizare (Metoda Gauss-Newton — MGN).
avînd componenta nemăsurabilă estimată în
etapa precedentă.

• Tipurile de modele cu care se operează în cadrul lucrării de laborator:

ARMAX[na,nb,nc
ARMAX[na,nb,nc]] BJ[nb,nc,nd,nf]
BJ[nb,nc,nd,nf]
⎧⎪ A( q −1 ) y[ n] = B( q −1 )u[ n] + C ( q −1 )e[ n] ⎧ B ( q −1 ) C ( q −1 )
⎨ ⎪ y[ n] = −1
u[ n] + −1
e[ n]
⎨ F ( q ) D ( q )
⎪⎩ E{e[ n]e[ m]} = λ δ0 [ n − m]
2
∀ n, m ∈ N ⎪ E{e[ n]e[ m]} = λ 2 δ [ n − m] ∀ n, m ∈ N
⎩ 0 5.3
 r Identificare parametricã prin MMEP
) Contextul de lucru
MCMMPE
MCMMPE
c Estimarea zgomotului care intervine în componenta nemăsurabilă cu ajutorul
unui model aproximant de tip ARX.
ARMAX[na,nb,nc
ARMAX[na,nb,nc]] ** ÎÎmpărţire
mpărţire infinită trunchiat
infinită ă.
trunchiată. BJ[nb,nc,nd,nf]
BJ[nb,nc,nd,nf]
A( q −1 ) D ( q −1 )
−1
≅ Aα ( q −1 ) = 1 + α1q −1 + " + α nα q − nα −1
≅ Aα ( q −1 ) = 1 + α1q −1 + " + α nα q − nα
C(q ) C(q )
B( q −1 ) B ( q −1 ) D ( q −1 )
−1
≅ Bβ ( q −1 ) = 1 + β1q −1 + " + β nβ q − nβ −1 −1
≅ Bβ ( q −1 ) = 1 + β1q −1 + " + β nβ q − nβ
C(q ) C(q )F (q )

min{nα, nβ}  max{na, nb, nc} min{nα, nβ}  max{nb, nc, nd , nf }

ARX[nα,nβ]
ARX[nα,nβ]
⎧⎪ Aα ( q −1 ) y[ n] = Bβ ( q −1 )u[ n] + v[ n] ⎛1 N −1
⎞ ⎛1 N
⎞
⎨
⎪⎩ E{v[ n]v[ m]} = λ v δ0 [ n − m]
2
θˆ αβ =⎜
⎝N
∑
n =1
ψ[ n]ψ [ n] ⎟ ⎜
T

⎠ ⎝N
∑ ψ[n] y[n] ⎟⎠
n =1
∀ n, m ∈ N
⎡ T def
⎢ ψ [ n] = [ − y[ n − 1] " − y[ n − nα] | u[ n − 1] " u[ n − nβ] ] def

⎢ T def ε ⎡⎣ n, θˆ αβ ⎤⎦ = y[ n] − ψ T [ n]θˆ αβ
MCMMP
⎢⎣θ αβ = ⎡⎣ α1 " α nα | β1 " β nβ ⎤⎦ MCMMP
zgomotul estimat ∀ n ∈1, N
D = {( u[ n], y[ n])}n∈1, N ∀ n ∈ N
∗

date măsurate 5.4

 r Identificare parametricã prin MMEP
) Contextul de lucru
MCMMPE
MCMMPE((continuare)
continuare)
d Determinarea parametrilor originali ai modelului cu ajutorul vectorului
regresorilor avînd componenta nemăsurabilă estimată în etapa precedentă.
def
 ε ⎡⎣ n, θˆ αβ ⎤⎦ = y[ n] − ψ T [ n]θˆ αβ Vectorul
Vectorul estimat
estimat al
al regresorilor
regresorilor
zgomotul estimat ∀ n ∈1, N
def
ϕ αβ [ n] = ⎡⎣ − y[ n − 1] " − y[ n − na ] u[ n − 1] " u[ n − nb] "
ARMAX[na,nb,nc
ARMAX[na,nb,nc]]
" ε[ n − 1, θˆ αβ ] " ε[ n − nc, θˆ αβ ]⎤⎦
def
ϕ αβ [ n] = ⎡⎣ − y[ n − 1] " − y[ n − nd + nf ] u[ n − 1] " u[ n − nb + nd ] "
BJ[nb,nc,nd,nf]
BJ[nb,nc,nd,nf]
" ε[ n − 1, θˆ αβ ] " ε[ n − nc + nf , θˆ αβ ]⎤⎦
−1
def
⎛1 N ⎞ ⎛1 N
⎞
θˆ N = ⎜ ∑ ϕ αβ [ n]ϕTαβ [ n] ⎟ ⎜ ∑ ϕ
MCMMP
MCMMP

αβ [ n ] y[ n ] ⎟
D = {( u[ n], y[ n])}n∈1, N ⎝ N n =1 ⎠ ⎝N n =1 ⎠
1 N
( )
def
= ∑ y[ n] − ϕ αβ [ n]θ N
2
date măsurate λˆ 2N T ˆ
N n =1

ÎÎn
n cazul
cazul modelului
modelului BJ
BJ,, coeficienţii celor
coeficienţii celor 44 polinoame
polinoame se se determin
determinăă cu
cu ajutorul
ajutorul
coeficienţilor vectorului
coeficienţilor vectorului parametrilor
parametrilor estima ţi, prin
estimaţi, prin identificarea
identificarea rrădăcinilor
ădăcinilor comune
comune.. 5.5
 r Identificare parametricã prin MMEP
MMEP
MMEP ) Contextul de lucru
((algoritmul
algoritmul general)
general) D = {(u[ n], y[ n])} (date intrare-ieşire măsurate)


N n∈1, N

Date
Date de
de intrare
intrare ε = f [ n, θ] (expresia erorii de predicţie, cel puţin derivabile)
η > 0 (prag de precizie) ε[ n, θ] = y[ n] − ϕT [ n]θ
θˆ N ,0 ∈ R nθ
0
Î evaluat cu ajutorul MCMMPE
Ini ţializare
Iniţializare α0 ∈R∗ Î ales fie arbitrar, fie cu ajutorul unui algoritm specific
k =0 Î indicele iterativ iniţial

Buclă iterativ
Buclă ă
iterativă ** Se
Se utilizeaz ă itera
utilizează ţia specific
iteraţia specificăă
c
c Se
Se reactualizeaz ă aproxima
reactualizează ţia optimului
aproximaţia optimului din
din cadrul
cadrul MGN
MGN..
−1
⎡N T ⎤ ⎡N ⎤
θˆ N ,k +1 = θˆ N ,k − α k ⎢ ∑ ∇ε[ n, θ N ,k ] ⎡⎣∇ε[ n, θ N ,k ]⎤⎦ ⎥ ⎢ ∑ ε[ n, θˆ N ,k ]∇ε[ n, θˆ N ,k ]⎥
ˆ ˆ
⎣ n =1 ⎦ ⎣ n =1 ⎦

k ← k +1 R −N1,k rN ,k
rNT ,k +1 R −N1,k rN ,k
d
d Se
Se reactualizeaz ă pasul
reactualizează variabil α k +1 = α k +
pasul variabil
rNT ,k R −N1,k R N ,k +1 R −N1,k rN ,k

NU −1 DA θˆ N ,k +1 Î aproximaţia de precizie η
αk ⋅ R N ,k rN ,k < η Date
Date de
de ie şire
ieşire
k + 1 Î numărul de
€ iteraţii efectuate 5.6
 r Identificare parametricã prin MMEP
) Contextul de lucru
MMEP
MMEP((continuare)
continuare)
Cum se pot determina eroarea de predicţie şi gradientul acesteia?

Ar
Ar putea
putea fifi utilizată ecuaţia
utilizată ecuaţia modelului
modelului de
de identificare
identificare,,
cu
cu parametrii
parametrii curent
curent estimaţi
estimaţi..
Va
Va fifi analizat
analizat cazul
cazul modelului
modelului ARMAX
ARMAX.. Cazul
Cazul modelului
modelului BJ
BJ se
se analizează similar.
analizează similar.
Aˆ N ,k ( q −1 ) y[ n] = Bˆ N ,k ( q −1 )u[ n] + Cˆ N ,k ( q −1 )ε ⎡⎣ n, θˆ N ,k ⎤⎦ ** Ecua ţie recurent
Ecuaţie ă pentru
recurentă pentru
∀ n ∈ N∗
modelul de identificare determinarea
determinarea erorii
erorii de
de predic ţie.
predicţie.
estimat la pasul curent ε[ n, θˆ N ,k ] = y[ n] + aˆ1,Nk y[ n − 1] + " + aˆ na , k y[ n − na ] −
N

⎡ ϕ [ n] ⎤ ⎡[ − y[ n − i ]] ⎤ − bˆ N u[ n − 1] − " − bˆ N u[ n − nb] −
⎢ y
⎥ ⎢ i =1, na ⎥ 1, k nb , k

ϕ[ n, θ] = ⎢⎢ ϕ u [ n] ⎥⎥ = ⎢⎢[ u[ n − j ]] j =1,nb ⎥⎥
def
− cˆ1,Nk ε ⎡⎣ n − 1, θˆ N ,k ⎤⎦ − " − cˆncN ,k ε ⎡⎣ n − nc, θˆ N ,k ⎤⎦
⎢ ⎥ ⎢ ⎥ ∀ n ∈ N∗
⎢⎣ ϕ ε [ n, θ]⎥⎦ ⎢⎣[ ε[ n − 1, θ]]l =1,nc ⎥⎦ θT = ⎡⎣θTa θTb θTc ⎤⎦
def

∇θa ε ⎡⎣ n, θˆ N [ k ]⎤⎦ = − ϕ y [ n] − cˆ1,k ∇ θa ε ⎡⎣ n − 1, θˆ N [ k ]⎤⎦ − " − cˆnc ,k ∇ θa ε ⎡⎣ n − nc, θˆ N [ k ]⎤⎦ 0 Ini ţializare
Iniţializare
cauzal
cauzală ă

⎡ ⎤ ⎡ ⎤ ⎡ ⎤ ∇ε[ n, θˆ N ,k ] = ε[ n, θˆ N ,k ] = 0
∇θb ε ⎣ n, θ N [ k ]⎦ = −ϕ u [ n] − cˆ1,k ∇ θb ε ⎣ n − 1, θ N [ k ]⎦ − " − cˆnc ,k ∇ θb ε ⎣ n − nc, θ N [ k ]⎦
ˆ ˆ ˆ
u[ n] = y[ n] = 0 ∀n ≤ 0
∇θc ε ⎡⎣ n, θˆ N [ k ]⎤⎦ = −ϕ ε ⎡⎣ n, θˆ N [ k ]⎤⎦ ∀ n ∈ N∗ 5.7
 r Identificare parametricã prin MMEP
) Contextul de lucru
Procesele
Proceselegeneratoare
generatoarede
dedate
date

ARMAX[2,2,2] (1 − 1.5q + 0.7q ) y[ n] = ( q + 0.5q ) u[ n] + (1 − q + 0.2q ) e[ n]

−1 −2 −1 −2 −1 −2
ARMAX[2,2,2]
−1 −2 −1 −2
∀ n ∈ N∗
q + 0.5q 1 − q + 0.2q
BJ[2,2,2,2] y[ n] =
BJ[2,2,2,2] −1 −2
u[ n ] + −1 −2
e[ n]
1 − 1.5q + 0.7q 1 + 1.5q + 0.7q
∀ n ∈ N∗
e Î SPAB Gaussian sau bipolar de medie nulă şi dispersie unitară
Did = {u[ n]}n =1, N ∪ { y[ n]}n =1, N Î date măsurate pentru identificare
Date N = 250
Dategenerate
generate
Dva = {u[ n]}n =1, N ∪ { y[ n]}n =1, N Î date măsurate pentru validare
N = 250
** Modelul
Modelul BJBJ se
se poate
poate identifica
identifica
Indici
Indicistructurali
structuralimaximali
maximali Na = Nb = Nc = 5 folosind
folosind un
un model
model ARMAX
ARMAX..
Acelea şi din
Aceleaşi din cadrul
cadrul Lucr ării de
Lucrării de laborator
laborator #4
#4,, dar
dar adaptate
adaptate la
la
Teste
Testestructurale
structuraleprincipale
principale indicii
indicii structurali
structurali ai
ai modelelor
modelelor ARMAX
ARMAX şşii BJ BJ..

Obiectiv
Obiectiv
• Compararea performanţelor MCMMPE & MMEP
în cazul modelelor ARMAX şi BJ.
5.8
 r Identificare parametricã prin MMEP
) Probleme de simulare 8p
Contextul
Contextulde
delucru
lucru
Rutine
Rutinepreliminare
preliminare
[D,V,P]
[D,V,P] == gen_data (DP,N,sigma,lambda,bin) ;; (generează date)
gen_data(DP,N,sigma,lambda,bin)
DP este obiectul de tip IDMODEL corespunzător modelului de proces
furnizor de date; obiectul poate fi construit de exemplu cu ajutorul
funcţiei idpoly; implicit, acest model este identic cu cel de tip
ARMAX;
N este dimensiunea orizontului de măsură (implicit: N=250);
sigma este deviaţia standard a intrării SPAB (implicit: sigma=1);
lambda este deviaţia standard a zgomotului alb Gaussian
(implicit: lambda=1);
bin este un parametru care arată tipul de intrări dorit: bin=0 (intrare
SPAB Gaussiană); bin~=0 (implicit, intrare SPAB Gaussiană
bipolară);
D este obiectul de tip IDDATA corespunzător datelor generate (intrarea
se regăseşte în D.u, iar ieşirea în D.y);
V este obiectul de tip IDDATA corespunzător zgomotelor generate
(zgomotul alb se regăseşte în V.u, iar zgomotul colorat (MA-filtrat) –
în V.y).
P este obiectul de tip IDMODEL corespunzător modelului de proces
furnizor de date.
5.9
 r Identificare parametricã prin MMEP
) Probleme de simulare
Contextul
Contextulde
delucru
lucru
Rutine
Rutinepreliminare
preliminare Rutin
Rutinăă de
debibliotecăM
bibliotecă MATLAB
ATLAB--IS
IS
# AR MA X
¾ Apel: Mid = armax(D,si) ;
¾ Estimează parametrii unui model ARMAX folosind MMEP. Modelul identificat
rezultat, Mid, este returnat ca obiect IDMODEL. Estimarea se efectuează pe
baza datelor D (obiect ID DA T A) şi a informaţiei de structură
si = [na nb nc nk], unde na, nb şi nc sunt indicii structurali ai modelului, iar
nk este întîrzierea instrinsecă. Cu ajutorul acestei rutine se pot identifica atît
modele AR cît şi modele ARMA unidimensionale (însă nu şi multi-
dimensionale). Apelul rutinei este uşor diferit în acest caz:
• pentru modele AR: M id = a rm a x( D. y ,n a ) ;
• pentru modele ARMA: Mid = armax(D.y,[na nc]) ;
Observaţi că datele de identificare sunt specificate acum doar sub forma unei
serii de timp (D
D.y). Pentru identificarea modelelor AR, rutina apelează intern o
funcţie specializată numită ar, care este diponibilă şi utilizatorului (cu apel
similar lui armax).
O altă modalitate de a identifica modele AR şi ARMA este de a folosi obiectul D
împreună cu o informaţie de structură de forma: si = [na 0 0 0] (AR) sau
si = [na 0 nc 0] (ARMA). Rutina nu funcţionează însă decît dacă na>1 (nu şi
pentru na=1). De aceea, se recomandă utilizarea rutinei cu argument serie de
timp, pentru aceste modele.

5.10
 r Identificare parametricã prin MMEP
) Probleme de simulare
Contextul
Contextulde
delucru
lucru

Rutine
Rutinepreliminare
preliminare Rutin
Rutinăă de
debibliotecăM
bibliotecă MATLAB
ATLAB--IS
IS
# BJ
¾ Apel: Mid = bj(D,si) ;
¾ Estimează parametrii unui model BJ folosind MMEP. Modelul identificat
rezultat, Mid, este returnat ca obiect IDMODEL. Estimarea se efectuează pe
baza datelor D (obiect IDDATA) şi a informaţiei de structură
si = [na nb nc nd nf nk], unde na, nb, nc, nd şi nf sunt indicii structurali ai
modelului, iar nk este întîrzierea instrinsecă. În principiu, algoritmul
implementat în cadrul acestei rutine este similar cu cel al rutinei armax, cu
adaptările de rigoare impuse de utilizarea modelului BJ.

5.11
 r Identificare parametricã prin MMEP
) Probleme de simulare
Problema
Problema 5.1
5.1 ((MCMMPE
MCMMPE pentru
pentru modelele
modelele ARMAX
ARMAX şşi
i BJ
BJ)) 5p
5p
Biblioteca MATLAB dedicată domeniului IS nu dispune de funcţii explicite care
implementează MCMMPE. Să se proiecteze două astfel de funcţii: armax_e
pentru identificarea modelelor ARMAX şi bj_e pentru identificarea modelelor BJ.
Apelul tipic al lor ar trebui să fie similar altor funcţii cu obiectiv asemănător
(estimarea parametrilor unui model cu structură dată; vezi de exemplu funcţiile
armax şi bj):
Mi d = a rm ax _e (D ,si ) ;
Mi d = b j_ e( D, si ) ;
Informaţia de structură are forma: si = [na nb nc nk] pentru modelul ARMAX şi
si = [na nb nc nd nf nk] pentru modelul BJ. Încercaţi să folosiţi funcţia
armax_e în cadrul funcţiei bj_e. Testaţi cele 2 rutine în cazul proceselor ARMAX
şi BJ pentru cîteva seturi de indici structurali (inclusiv cei adevăraţi). Comentaţi
precizia de estimare a parametrilor.
ARMAX_E
ARMAX_E
Rutine
Rutinece
cetrebuie
trebuieproiectate
proiectate
BJ_E
BJ_E 5.12
 r Identificare parametricã prin MMEP
) Probleme de simulare
Problema
Problema 5.2
5.2 ((MMEP
MMEP pentru
pentru modelul
modelul ARMAX)
ARMAX) 1p
1p
Să se proiecteze mini-simulatorul ISLAB_5A care evaluează estimaţia
(parsimonioasă a) modelului ARMAX, folosind MMEP. Pentru aceasta, se vor
parcurge următorii paşi:
a. Se generează 2 seturi de date: unul pentru identificare şi altul pentru validare,
folosind rutina gen_data.
b. Pentru fiecare model identificat cu ajutorul MMEP (funcţia armax), model
obţinut variind indicii na , nb şi nc , se vor afişa 3 ferestre grafice: una pentru
analiza modelului folosind datele de identificare şi de validare şi alte două
pentru reprezentările poli-zeroruri (filtru sistem şi filtru zgomot) cu discuri de
încredere corespunzătoare unei raze de 3 ori mai mari decît deviaţiile standard
aferente. După fiecare fereastră se inserează o pauză de aşteptare pentru a
permite utilizatorului să analizeze informaţiile afişate. Fiecare sub-fereastră a
primei ferestre include 3 grafice aranjate pe verticală:
¾ ieşirile măsurate şi simulate cu ajutorul modelului, grafic pe care se indică
şi valoarea funcţiei de potrivire, E N ;
¾ eroarea de predicţie (reziduurile modelului), grafic pe care se indică şi
dispersia estimată a zgomotului, λ N ;
2

¾ secvenţa de auto-covarianţă a erorii de predicţie, grafic pe care se indică şi

indexul de validare.
Modelele obţinute vor fi memorate în vederea selectării unuia dintre ele, în
urma aplicării testelor de determinare a indicilor structurali optimi şi de
validare. 5.13
 r Identificare parametricã prin MMEP
) Probleme de simulare

Problema
Problema 5.2
5.2 ((continuare)
continuare)
c. Se afişează indicii structurali optimi selectaţi folosind:
¾ Testul F aplicat dispersiei estimate a zgomotului (adică erorii de predicţie);
¾ Testul F aplicat funcţiei de potrivire pentru datele de identificare;
¾ Testul F aplicat funcţiei de potrivire pentru datele de validare;
¾ criteriului GAIC în versiunea Rissanen.
d. Se solicită utilizatorului să aleagă indicii structurali pe care îi consideră optimi.
e. Pentru modelul ales, se afişează cele 3 ferestre grafice de la b. Modelul este
returnat de către mini-simulator, în vedera unei utilizări ulterioare. Se
recomandă returnarea şi a seturilor de date de identificare şi validare.
După proiectarea mini-simulatorului ISLAB_5A, se vor iniţia cîteva rulări.
Sunt indicii structurali adevăraţi indicaţi de către majoritatea criteriilor utilizate sau
ei diferă de la o rulare la alta? Justificaţi răspunsul.

Program
Program ISLAB_5A
ISLAB_5A
existent
existentpe
peCD
CD

5.14
r Identificare parametricã prin MMEP
Ce
Ceafişeazã mini
afişeazã -simulatorul ISLAB_5A
mini-simulatorul ISLAB_5A

Performanþele
Performanþelemodelului
modeluluiARMAX
ARMAXidentificat
identificatcu
cuMMEP
MMEP 5.15
r Identificare parametricã prin MMEP

Ce
Ceafişeazã mini
afişeazã -simulatorul ISLAB_5A
mini-simulatorul ISLAB_5A

Reprezentarea
Reprezentareapoli-zerouri aamodelului
poli-zerouri modeluluiARMAX
ARMAXidentificat
identificatcu
cuMMEP
MMEP
5.16
 r Identificare parametricã prin MMEP
) Probleme de simulare

Problema
Problema 5.3
5.3 ((MMEP
MMEP pentru
pentru modelul
modelul BJ
BJ)) 2p
2p
Problema anterioară, 5.2, se va relua pentru modelul BJ. Mini-simulatorul rezultat
va fi denumit ISLAB_5B. Testaţi mini-simulatorul şi comentaţi rezultatele de
estimare obţinute.

Program
Programcecetrebuie
trebuieproiectat
proiectat
ISLAB_5B
ISLAB_5B

5.17