Sumar

9 Bibliografie
9 m Organizarea temelor de laborator
9 n Caracterizãri în timp şi frecvenţã ale proceselor stocastice
) o Identificarea modelelor neparametrice
p Identificare parametricã prin Metoda Celor Mai Mici Pãtrate (MCMMP)

q Identificare parametricã prin Metoda Variabilelor Instrumentale (MVI)

r Identificare parametricã prin Metoda Minimizãrii Erorii de Predicþie (MMEP)

s Identificare recursivã

2.1
 o Identificarea modelelor neparametrice
) Contextul de lucru
Două modele
Două modeleARMAX
ARMAX
Eroare de Ieşire (Output Error)
Auto-Regresiv cu Control eXogen
B ( q −1 )
ARX[na, nb] :
−1 −1
A( q ) y[n ] = B( q )u[n ] + e[n ] OE[na, nb] : y[ n ] = −1
u[n ] + e[n ]
A( q )
(48) e
(49)
E {e[ n]} = 0
e
G ≡ 1/A E {e[ n ]e[ n ± k ]} = λ δ0 [ k ], ∀k ∈ Z u y
+
2

H ≡ B/A
v ((zgomot
zgomot alb)
u y
+
alb)
H ≡ B/A

Cazuri
Cazuri particulare
particulare Obiectiv
Obiectiv
Ordin
Ordin II Ordin
Ordin IIII • Determinarea:
Î răspunsului indicial
−1 −1 −1 −1 −2
A( q ) = 1 − 0.8q A( q ) = 1 − 0.1q − 0.56q Î răspunsului la impuls
−1 −1 −1 −1 −2
B( q ) = q B( q ) = 0.5q + 0.3q Î răspunsului în frecvenţă
(50) (51)
2.2
 o Identificarea modelelor neparametrice
) Exemple (model ARX de ordin I)
Analizã
Analizãtranzitorie
tranzitorie

Í o realizare
rãspuns
rãspuns indicial
indicial ideal
ideal

Í tubul de deviaţie standard

oo realizare
realizare medie
medie

* Operaþia de mediere statisticã peste un numãr de realizãri este esenþialã. 2.3

 o Identificarea modelelor neparametrice
Analizã
Analizãpe
pebazã
bazã
) Exemple (model ARX de ordin I)
de
decorelaþie
corelaþie

Í o realizare
secvenþã
secvenþã pondere
pondere idealã
idealã

Í tubul de deviaţie standard

oo realizare
realizare medie
medie

* Ecuaþia Wiener-Hopf este esenþialã. 2.4

 o Identificarea modelelor neparametrice
Analizã
Analizã
) Exemple (model ARX de ordin I)
spectralã
spectralã
Í o estimaţie
amplitudine
amplitudine

rãspuns
rãspuns îîn
n frecvenþã
frecvenþã ideal
ideal

oo realizare
realizare medie
medie

faz ă
fază Í o estimaţie

* Ecuaþia transferului densitãþii spectrale prin sisteme liniare este esenþialã. 2.5
 o Identificarea modelelor neparametrice
) Contextul de lucru
Matrice Matrice
MatriceToeplitz
Toeplitzsimetricã
simetricã
Matricede
deauto -covarianþã
auto-covarianþã
⎡ ru [0] ru [1] ru [2] " ru [ M − 1] ⎤
⎢ r [1] r [0] r [1] " r [ M − 2] ⎥ Matrice
Matrice al
al cãrei
cãrei element
element generic
generic
def ⎢ ⎥
u u u u depinde
depinde numai
numai de de modulul
modulul diferenþei
diferenþei
R M (u ) = ⎢ # % % % # ⎥≥0 indicilor
indicilor sãi
sãi..
⎢ ⎥
⎢ur [ M − 2] " ru [1] ru [0] ru [1] ⎥
⎢⎣ ru [ M − 1] " ru [2] ru [1] ru [0] ⎥⎦
Matricea
Matricea poate
poate fifi construitã
construitã folosind
folosind
numai
numai oo linie
linie sau
sau oo coloanã
coloanã..
def
ru [k ] = E{u[n ]u[n − k ]} Ecuaþia
EcuaþiaWiener -Hopf
Wiener-Hopf
vectorul parametrilor necunoscuţi
v def
Ipoteza
Ipoteza Ergodicã
Ergodicã θ = [ h[0] h[1] " h[ M − 1]]
T

u y
N h[k] Cum s-ar putea determina θ
1
ru [k ] ≅
N −k
∑ u[n]u[n − k ]
n = k +1
Proces din date I/O mãsurate?
∀ k ∈ 1, ⎣N / 4⎦ E × u[n − k ] y ≡ h ∗u + v vectorul
* pentru a asigura o precizie
d c covarianţelor
R M (u ) > 0 R M (u )θ = rM ( y, u ) încrucişate
suficient de mare
* persistenþã E{v[n ]u[n − k ]} ≡ 0 θ = R −M1 (u ) rM ( y , u ) 2.6
 o Identificarea modelelor ne-parametrice
) Contextul de lucru
Persistenþã
Persistenþã(de ordinM
(deordin M))
Timp
Timp * inversabilã Frecvenþã
Frecvenþã
⎡ ru [0] ru [1] ru [2] " ru [ M − 1] ⎤ φu
⎢ r [1] r [0] r [1] " r [ M − 2] ⎥
def ⎢ ⎥
u u u u

R M (u) = ⎢ # % % % # ⎥>0
⎢ ⎥
⎢ur [ M − 2] " ru [1] ru [0] ru [1] ⎥
⎢⎣ ru [ M − 1] " ru [2] ru [1] ru [0] ⎥⎦ 0 ω
π 2π
• Se
Se pot
pot determina primele M
determina primele M valori
valori ale
ale secvenþei
secvenþei pondere
pondere..
* cel puþin M linii spectrale nenule

Semnalul
Semnalulpersistent M==∞
ideal((M
persistentideal ∞)) Semnalul
Semnalulpersistent
persistentpractic
practic
Zgomotul
Zgomotulalb
alb Semnal
SemnalPseudo -Aleator ((Binar)
Pseudo-Aleator Binar) --SPA(B)
SPA(B)
0.1
0.1
SPAB
SPA
0.05
0.05
SPA

00
Ordin
Ordin de
de
-0.05
-0.05 persistenþã
persistenþã egal
egal
-0.1
-0.1 XOR cu
cu perioada
perioada..

2.7
00 50
50 100
100 150
150 200
200 250
250 300
300 350
350

* Imposibil de generat.
 o Identificarea modelelor neparametrice
) Probleme de simulare 9p
Problema
Problema 2.1
2.1 ((analiză
analiză tranzitorie ) 1p
tranzitorie) 1p
În cadrul acestei probleme, se va studia analiza tranzitorie. Modelele ARX şi OE vor fi
simulate de 100 de ori cu intrarea treaptă: Program
Program
⎧0 , n ≤ 9 existent
existentpe
peCD
CD
u[n ] = ⎨
⎩1 , n ∈ 10,100 ISLAB_2A
ISLAB_2A
(timp de cel cel mult 100 de perioade de eşantionare).
a. Să se reprezinte grafic, într-o primă fereastră, răspunsul indicial ideal al modelului ARX de
0.1
0.1 pp ordin I (adică în absenţa zgomotului) plus prima realizare a ieşirii. Într-o a doua fereastră,
să se traseze media răspunsurilor obţinute (în prezenţa zgomotului), împreună cu Programe
răspunsul indicial ideal şi tubul de amplitudine a ieşirii oferit de deviaţia standard. În acest
Programecece
scop, se vor folosi funcţiile MATLAB: filter, mean şi std. Observaţi că deviaţia standard trebuie
trebuieproiectate
proiectate
trebuie calculată luînd în considerare ansamblul statistic al realizărilor şi nu media acestor
realizări. Ce rol credeţi ca are tubul de deviaţie standard astfel ilustrat? Denumiţi mini- ISLAB_2B
ISLAB_2B
simulatorul pe care l-aţi proiectat prin ISLAB_2A.

0.1
b. Studiaţi convergenţa ieşirii la răspunsul indicial ideal variind numărul de realizări ale ISLAB_2C
ISLAB_2C
0.1 pp procesului ARX în diferite rulări ale mini-simulatorului ISLAB_2A. Este aparent verificată
ipoteza ergodică? (Oferiţi toate explicaţiile necesare.)
c. Imaginaţi o tehnică de estimare pe cale grafică a celor 2 parametri a şi b ai modelului ARX Înainte
Înainte de
de aa rula
rula mini-
mini-
0.1
0.1 pp de ordin I, folosind realizările ieşirii (mai precis zona tranzitorie a acestora).
simulatoarele
simulatoarele
d. Reluaţi simulările pentru modelul OE (proiectaţi mini-simulatorul ISLAB_2B) şi comparaţi existente
0.3
0.3 pp rezultatele cu cele ale simulatorului precedent. existente,, trebuie
trebuie
executate
executate comenzile
comenzile::
e. Generalizaţi mini-simulatoarele ISLAB_2A şi ISLAB_2B pentru cazul unui model
0.4
0.4 pp ARMAX[na,nb,nc] (adică proiectaţi mini-simulatorul general ISLAB_2C) utilizînd aceeaşi
intrare treaptă de mai sus şi un zgomot alb de dispersie unitară. Rulaţi simulatorul în cazul
>> global
global FIG
FIG
modelelor ARX şi OE de ordin II. Comparaţi rezultatele celor 2 modele. Pot fi determinaţi
parametrii unui sistem de ordin II (amplificare, supra-reglaj, pulsaţie de rezonanţă), afectat >> FIG
FIG == 11 ;;
de zgomot, prin analiză tranzitorie, ca în cazul sistemelor de ordin I? Dacă nu, argumentaţi
de ce. Dacă da, explicaţi în ce constă tehnica de identificare. 2.8
o Identificarea modelelor neparametrice
Rutine
RutineM ATLAB((Problema
MATLAB Problema 2.1)
2.1)
>> help
help function
function
>> helpwin
helpwin
>> doc
doc function
function

Domeniul
Domeniul Domeniul
Domeniul
Complex
Complex Timp
Timp

z −1 q −1

2.9
o Identificarea modelelor neparametrice
Rutine
RutineM ATLAB((Problema
MATLAB Problema 2.1)
2.1)

2.10
o Identificarea modelelor neparametrice
Rutine
RutineM ATLAB((Problema
MATLAB Problema 2.1)
2.1)

2.11
o Identificarea modelelor neparametrice
Rutine
RutineM ATLAB((Problema
MATLAB Problema 2.1)
2.1)

2.12
o Identificarea modelelor neparametrice
Rutine
RutineM ATLAB((Problema
MATLAB Problema 2.1)
2.1)

2.13
 o Identificarea modelelor neparametrice
Problema
Problema 2.2
2.2 ((analiză
analiză pe
pe baz
bazăă de
de corela ţie) 6p
corelaţie) 6p
Această problemă se referă la analiza pe bază de corelaţie. Nucleul acestui tip de analiză îl
constituie ecuaţia Wiener-Hopf. Cu ajutorul acestei ecuaţii, se poate determina o mulţime finită
de valori ale funcţiei pondere (răspunsul cauzal la impuls) asociate unui model de sistem cu
ieşiri corupte de zgomot. Dorim să determinăm primele M = 50 de valori ale funcţiei pondere
folosind cele 2 modele ARX şi OE. Acestea vor fi stimulate cu un SPAB bipolar de lungime
N = 100 . Valorile semnalului de intrare sunt doar –1 şi +1. Se vor efectua 100 de
experimente.
00 pp a. Să se reprezinte grafic, într-o primă fereastră, funcţia pondere ideală a modelului ARX de
ordin I (adică în absenţa zgomotului) plus funcţia pondere estimată rezolvînd ecuaţia
Wiener-Hopf, cu ajutorul datelor de intrare-ieşire corespunzătoare primei realizări a
procesului. (Folosiţi Exerciţiul 2.2 pentru a implementa ecuaţia generală a funcţiei
pondere ideale.) Într-o a doua fereastră, să se traseze media estimaţiilor obţinute (în
prezenţa zgomotului), împreună cu secvenţa pondere ideală şi tubul de deviaţie standard
din jurul mediei Şi în acest caz se vor folosi funcţiile MATLAB: filter, mean şi std.
Denumiţi mini-simulatorul pe care l-aţi proiectat prin ISLAB_2D.
0.3 b. Reluaţi simulările pentru modelul OE de ordin I (proiectaţi mini-simulatorul ISLAB_2E) şi
0.3 pp
comparaţi rezultatele cu cele ale simulatorului precedent.
0.7 c. Modificaţi mini-simulatoarele ISLAB_2D şi ISLAB_2E astfel încît intrarea de stimul să fie
0.7 pp
egală cu:
def
u0
u f [n ] = u[n ] , ∀n ∈ N ,
1 − 0.8q −1
unde u0 este un factor de normare egal cu 0.6, menit să egaleze varianţele lui u (semnalul
SPAB original) şi uf (versiunea filtrată a semnalului SPAB). Denumiţi noile mini-
simulatoare prin ISLAB_2F şi ISLAB_2G, respectiv. Observaţi că, de această dată,

2.14
estimaţia secvenţei pondere pare a fi deviată în ambele cazuri. Care credeţi că este cauza
acestei proprietăţi nedorite?
 o Identificarea modelelor neparametrice
Problema
Problema 2.2
2.2 ((analiză
analiză pe
pe baz
bazăă de
de corela ţie –– continuare
corelaţie )
continuare)
d. Pentru a diminua deviaţia estimaţiei secvenţei pondere, se pot aplica 2 tehnici de bază:
pre-albire de date sau idealizarea matricii de auto-covarianţă a intrării.
22 pp ¾ Pre-albirea datelor. Funcţia MATLAB cra efectuează analiza be bază de corelaţie
însoţită de pre-albirea datelor, dacă utilizatorul o doreşte. Această operaţie constă în
filtrarea datelor de intrare-ieşire cu ajutorul unui filtru IIR de tip AR[na]. Implicit, ordinul
filtrului este na = 10, dar utilizatorul poate specifica propria sa opţiune în acest scop.
Albirea datelor (mai ales de intrare) conduce la diminuarea deviaţiei estimaţiei. În
general, această tehnică este utilizată atunci cînd nu se cunosc suficiente informaţii
despre maniera în care a fost generată intrarea.
Apelul tipic al funcţiei cra este:
[ir,R,cl] = cra(data,M,na,plot) ;
unde: data este blocul de date măsurate (2 coloane: [y u]);
M este numărul de valori ale secvenţei pondere ce trebuie estimate
(implicit: M=20);
na este ordinul filtrului de albire IIR-AR (implicit: na=10); dacă nu se
doreşte pre-albirea datelor, se poate seta na=0;
plot este un parametru de afişare grafică; implicit: plot=1, care indică
trasarea graficului funcţiei pondere estimate; alte opţiuni recunoscute
sunt: plot=0 (trasarea de grafice este inhibată) şi plot=2 (se
trasează graficele tuturor funcţiilor de corelaţie implicate);
ir este răspunsul cauzal la impuls (funcţia pondere) estimat(ă);
R este o matrice care conţine următoarele informaţii de corelaţie: pe
prima coloană se află pivoţii funcţiilor de covarianţă; pe coloana a doua
se află valorile secvenţei de covarianţă a ieşirii (după pre-albire, dacă a
fost cazul); pe coloana a treia se află valorile secvenţei de covarianţă a
intrării (după pre-albire, dacă este cazul); aceste secvenţe pot fi şi

2.15
direct trasate grafic prin apelul: cra(R);
cl este nivelul de încredere al estimaţiei funcţiei pondere.
 o Identificarea modelelor neparametrice
Problema
Problema 2.2
2.2 ((analiză
analiză pe
pe baz
bazăă de
de corela ţie –– continuare
corelaţie )
continuare)
33 pp ¾ Idealizarea matricii de auto-covarianţă a intrării. Dacă utilizatorul este la curent cu
metoda de generare a intrării şi poate evalua secvenţa sa de auto-covarianţă, atunci
matricea ecuaţiei Wiener-Hopf poate fi implementată direct. În acest context,
rezolvarea ecuaţiei (care presupune totuşi estimarea corelaţiei încrucişate dintre
intrare şi ieşire) conduce la estimaţii cu deviaţie diminuată.
Folosind fiecare dintre cele 2 tehnici anterioare, să se modifice mini-simulatoarele
ISLAB_2F şi ISLAB_2G pentru a testa diminuarea deviaţiei estimaţiei în cazul intrării
filtrate uf. În cazul celei de-a doua tehnici, se va evalua întîi secvenţa de auto-covarianţă a
intrării în formă completă. Pentru a construi matricea de auto-covarianţă a intrării, se poate
folosi funcţia MATLAB toeplitz (avînd în vedere că această matrice este de tip Toeplitz
simetrică). Denumiţi mini-simulatarele obţinute prin ISLAB_2H şi ISLAB_2I (pentru
modelul ARX) şi ISLAB_2J şi ISLAB_2K (pentru modelul OE).

Program
Program Programe
Programecece Înainte
Înainte de
de aa rula
rula mini-
mini-
existent simulatoarele
existentpe
peCD
CD trebuie
trebuieproiectate
proiectate simulatoarele
existente
existente,, trebuie
trebuie
ISLAB_2D
ISLAB_2D ISLAB_2E
ISLAB_2E ISLAB_2I
ISLAB_2I executate
executate comenzile
comenzile::
ISLAB_2F
ISLAB_2F ISLAB_2J
ISLAB_2J >> global
global FIG
FIG
ISLAB_2G
ISLAB_2G ISLAB_2K
ISLAB_2K >> FIG
FIG == 11 ;;
ISLAB_2H
ISLAB_2H

2.16
o Identificarea modelelor neparametrice
Rutine
RutineM ATLAB-- System
MATLAB System Identification
Identification toolbox
toolbox((Problema
Problema 2.2)
2.2)

2.17
o Identificarea modelelor neparametrice
Rutine
RutineM ATLAB-- System
MATLAB System Identification
Identification toolbox
toolbox((Problema
Problema 2.2)
2.2)

⎡ ru [0] ru [1] ru [2] " ru [ M − 1] ⎤

⎢ r [1] ru [0] ru [1] " ru [ M − 2]⎥
def ⎢ ⎥
u

RM (u ) = ⎢ # % % % # ⎥
⎢ ⎥
⎢ ru [ M − 2] " ru [1] ru [0] ru [1] ⎥
⎢⎣ ru [ M − 1] " ru [2] ru [1] ru [0] ⎥⎦
* toate elementele matricii se regãsesc pe o coloanã (sau o linie)

2.18
 o Identificarea modelelor neparametrice
Problema
Problema 2.3
2.3 ((analiză
analiză spectrală)
spectrală) 2p
2p
U ltim u l tip d e a n a liz ă , c e a s p e c tra lă , v a fi ilu s tra t în c o n te x tu l a c e s te i p ro b le m e . P rin a n a liz a
s p e c tra lă s e u rm ă re ş te e s tim a re a ră s p u n s u lu i în fre c v e n ţă a l u n u i p ro c e s fu rn iz o r d e d a te ,
fo lo s in d e c u a ţia tra n s fe ru lu i d e n s ită ţii s p e c tra le în c ru c iş a te p rin s is te m e lin ia re . E c u a ţia p o a te
fi re z o lv a tă d a c ă s e e s tim e a z ă m a i în tîi d e n s ita te a s p e c tra lă a in tră rii ( φ u ) ş i d e n s ita te a
s p e c tra lă în c ru c iş a tă a in tră rii ş i ie ş irii ( φ u y ). F u n c ţia M A T L A B c a re e fe c tu e a z ă a n a liz a s p e c tra lă
p le c în d d e la d a te m ă s u ra te e s te s p a . A p e lu l tip ic a l a c e s te ia e s te :
H = spa(data,M,w) ;
u n d e : d a t a e s te b lo c u l d e d a te m ă s u ra te (2 c o lo a n e : [ y u ] );
M e s te d im e n s iu n e a fe re s tre i H a m m in g a p lic a te d a te lo r (im p lic it:
M = m i n ( l e n g t h ( d a t a ) / 1 0 , 3 0 ) );
w e s te v e c to ru l n o d u rilo r d e fre c v e n ţă u n d e s e d o re ş te e s tim a t ră s p u n s u l în
fre c v e n ţă a l s is te m u lu i;
H e s te ră s p u n s u l în fre c v e n ţă a l s is te m u lu i.
D e n o ta t c ă fe re a s tra H a m m in g e s te u n a d in tre c e le m a i c o n v e n a b ile p e n tru e s tim a re a
s p e c tra lă , a v în d e x p re s ia :
2nπ
W [ n ] = 0 . 54 − 0 . 46 cos , ∀n∈N ,
M −1
Hamming
1.5 Hamming
unde M e s te d e s c h id e re a fe re s tre i.
1

0.5
jω
φuy ( ω) = H ( e )φu ( ω) 0

-0.5
0 50 100
2.19
 o Identificarea modelelor neparametrice
Problema
Problema 2.3
2.3 ((analiză
analiză spectrală –– continuare
spectrală )
continuare)
M in i-s im u la to ru l I S L A B _ 2 L (a l c ă ru i lis tin g s e a flă în re g is tra t p e C D ) a fo s t p ro ie c ta t p e n tru
e fe c tu a re a a n a liz e i s p e c tra le a m o d e lu lu i A R X d e o rd in I, în c a z u l în c a re s is te m u l e s te
s tim u la t c u in tra re a filtra tă u f (d in P ro b le m a 2 .2 ). D ia g ra m a B o d e a fiş a tă d e fu n c ţia I S L A B _ 2 L
e s te c o m p a ra tă c u ră s p u n s u l în fre c v e n ţă id e a l d e d u s d ire c t d in e c u a ţia m o d e lu lu i (v e z i
E x e rc iţiu l 2 .4 ).
0.1
0.1 pp a . E fe c tu a ţi c îte v a s im u lă ri c u d ife rite v a lo ri a le d e s c h id e rii fe re s tre i ( M ) p e n tru a o b s e rv a
in flu e n ţa a c e s tu i p a ra m e tru a s u p ra c a lită ţii e s tim a ţie i ş i a p ro p u n e o v a lo a re re z o n a b ilă a
lu i.
0.4
0.4 pp b . În lo c u iţi s e m n a lu l d e s tim u l u f d in m in i-s im u la to ru l I S L A B _ 2 L c u u n z g o m o t a lb (a d ic ă u n
S P A B ). D e n u m iţi n o u l s im u la to r p rin I S L A B _ 2 M ş i re p e ta ţi e x p e rim e n tu l d e la p u n c tu l
p re c e d e n t. C o m p a ra ţi re z u lta te le c e lo r 2 m in i- s im u la to a re I S L A B _ 2 L ş i I S L A B _ 2 M
p e n tru c e le m a i b u n e v a lo ri a le d e s c h id e rii fe re s tre i H a m m in g g ă s ite în fie rc a re c a z .
0.5
0.5 pp c . P ro ie c ta ţi m in i-s im u la to a re le I S L A B _ 2 N ş i I S L A B _ 2 O in s p ira te d e c e le 2 m in i-
s im u la to a re a n te rio a re , d a r p e n tru m o d e lu l O E d e o rd in I. E fe c tu a ţi d in n o u o a n a liz ă
c o m p a ra tiv ă .
11 pp d . P ro ie c ta ţi m in i-s im u la to a re le I S L A B _ 2 P , I S L A B _ 2 Q , I S L A B _ 2 R ş i I S L A B _ 2 S in s p ira te
d e c e le 4 m in i-s im u la to a re a n te rio a re , d a r p e n tru m o d e le le A R X ş i O E d e o rd in II.
R e p e ta ţi a n a liz a c o m p a ra tiv ă .

Program
Program Programe
Programece
cetrebuie
trebuieproiectate
proiectate Înainte
Înainte de
de aa rula
rula mini-
mini-
existent simulatoarele
existentpe
peCD
CD ISLAB_2M
ISLAB_2M ISLAB_2Q
ISLAB_2Q
simulatoarele
existente
existente,, trebuie
trebuie
ISLAB_2L
ISLAB_2L ISLAB_2N ISLAB_2R executate
executate comenzile
comenzile::
ISLAB_2N ISLAB_2R
ISLAB_2O
ISLAB_2O ISLAB_2S
ISLAB_2S >> global
global FIG
FIG
ISLAB_2P
ISLAB_2P >> FIG
FIG == 11 ;; 2.20
 o Identificarea modelelor neparametrice
Despre
Desprebiblioteca
bibliotecaM ATLABde
MATLAB deIS
IS--System
SystemIdentification
Identificationtoolbox
toolbox
• Proiectatã
Proiectatã în
în tehnologia
tehnologia Programãrii
Programãrii Orientate
Orientate Obiect
Obiect (POO).
(POO).

• Obiectul
Obiectul principal
principal IDDATA
IDDATA
D Structură de date intrare-ieşire generate folosind ecuaţiile modelului ales. Este creată cu
ajutorul funcţiei (metodei) constructor iddata asociată obiectului IDDATA (date de
identificare). Cele 2 matrici de date u (de intrare) şi y (de ieşire) au dimensiunile identice: N
linii şi nr coloane. Fiecare din cele nr experimente (realizări) ocupă cîte o coloană cu N
perechi de date intrare-ieşire). Datele se regăsesc în cîmpurile D.u şi D.y ale structurii D.
Structura este mult mai complexă şi se compune din următoarele cîmpuri:
Domain: '' Time'/'Freq uency''
Name : 'String'
OutputData : [1x37 ch ar]
y: 'Same as OutputData' Í date de ieşire
OutputName : 'Ny-by-1 cell arra y of string s'
OutputUnit : 'Ny-by-1 cell arra y of string s'
InputData : [1x36 ch ar]
u: 'Same as InputData' Í date de intrare
InputName : 'Nu-by-1 cell arra y of string s'
InputUnit : 'Nu-by-1 cell arra y of string s'
Period : [1x51 ch ar]
I nterSample : [1x36 ch ar]
Ts: [1x54 char] Í perioadã de eşantionare
Tstart : 'Scalar (Starting time)'
Sampli ngInstants : [1x51 ch ar]
TimeUnit : 'String'
Expe rimentName : [1x43 ch ar]
Notes : 'Cell ar ray of str ings'
UserData : 'Arbitra ry'
2.21
o Identificarea modelelor neparametrice
Rutine
RutineM ATLAB-- System
MATLAB System Identification
Identification toolbox
toolbox((Problema
Problema 2.3)
2.3)

2.22
o Identificarea modelelor neparametrice
Rutine
RutineM ATLAB-- System
MATLAB System Identification
Identification toolbox
toolbox((Problema
Problema 2.3)
2.3)

2.23
 o Identificarea modelelor neparametrice
Ce
Ce returneaz ă funcţia
returnează funcţiaspa
spa
• Obiect
Obiect FREQH
FREQH
H S t r u c t u r ă d e d a t e r e p r e z e n t î n d r ă s p u n s u l î n f r e c v e n ţ ă e s t i m a t f o l o s i n d f u n c ţ ia M A T L A B s p a .
R ă s p u n s u r i le î n f r e c v e n ţ ă e s t i m a t e f o l o s in d d a t e l e D s e r e g ă s e s c î n b lo c u l t r i - d i m e n s i o n a l
H . R e s p o n s e D a t a , a s t fe l: p r im a e s t im a ţ ie s e a f lă î n v e c t o r u l H . R e s p o n s e D a t a ( 1 , 1 , : ) ,
a d o u a e s t i m a ţ i e s e a f lă î n v e c t o r u l H . R e s p o n s e D a t a ( 2 , 2 , : ) , e t c . S u n t n r e s t im a ţ ii î n
t o t a l . F i e c a r e e s t i m a ţ ie c o n ţ i n e K d a t e c u v a l o r i c o m p le x e ( p a r t e a r e a l ă ş i p a r t e a i m a g in a r ă
a r ă s p u n s u lu i î n f r e c v e n ţ ă ) . N u m ă r u l K f ig u r e a z ă p r in t r e a r g u m e n t e le f u n c ţ ie i I S L A B _ 2 L ş i
r e p r e z in t ă n u m ă r u l d e n o d u r i ( e c h i d i s t a n t e ) d e f r e c v e n ţ ă î n c a r e s e d o r e s c e s t i m a t e
v a l o r i l e r ă s p u n s u lu i î n f r e c v e n ţ ă . C a ş i î n c a z u l s t r u c t u r ii d e d a t e , s t r u c t u r a r ă s p u n s u lu i î n
f r e c v e n ţ ă e s t e m a i c o m p l e x ă , in c lu z î n d u r m ă t o a r e l e c î m p u r i ( d in c a r e s e c o n s t a t ă c ă
f u n c ţ i a s p e c i a l i z a t ă s p a p o a t e o f e r i n u m e r o a s e in f o r m a ţ i i s p e c t r a l e s a u d e c o r e l a ţ i e
r e f e r it o a r e la d a te le m ă s u r a t e ş i z g o m o t) :
Name: 'string'
F r e q u e n c y : [ 1 x 4 8 c h a r ] Í noduri de frecvenþã
R e s p o n s e D a t a : [ 1 x 4 0 c h a r ] Í rãspuns în frecvenþã
S p e c t r u m D a t a : [ 1 x 3 8 c h a r ] Í spectru
C o v a r i a n c e D a t a : [ 1 x 6 2 c h a r ] Í secvenþã de (auto)covarianþã
NoiseCovariance: [1x57 char]
Units: '['rad/s'|'Hz']'
T s : ' s c a l a r ' Í perioadã de eşantionare
InputDelay: 'Nu-by-1 vector'
EstimationInfo: 'structure'
InputName: 'Nu-by-1 cell array of strings'
OutputName: 'Ny-by-1 cell array of strings'
InputUnit: 'Nu-by-1 cell array of strings'
OutputUnit: 'Ny-by-1 cell array of strings'
Notes: 'Array or cell array of strings'
UserData: 'Arbitrary'

2.24
Version: 'Internal Use'
Utility: 'Internal Use'
o Identificarea modelelor neparametrice
Rutine
RutineM ATLAB-- System
MATLAB System Identification
Identification toolbox
toolbox((Problema
Problema 2.3)
2.3)

2.25