Principii de identificare a sistemelor

În prezent, în numeroase domenii ale științei sunt utilizate modele ale unor
procese/sisteme. În acest context, prin model se înțelege o expresie matematică abstractă ce
descrie cu o anumită aproximație procesul/sistemul.
Modelele se clasifică în modele conceptuale (fenomenologice), modele fizice (empirice)
și modele matematice (analitice). Astfel, prin identificarea unui proces/sistem se înțelege
modelarea procesului/sistemului utilizând date experimentale.
Modelele cele mai utilizate în identificarea sistemelor sunt modele matematice
(analitice) utilizate într-o manieră sistemică. În acest context, cele mai întâlnite modele
matematice sunt definite pe baza unei/unor relatii abstracte ce face/fac legătura între
intrarea/intrările (stimulul/stimulii) și ieșirea/ieșirile (reacția/reacțiile) sistemului.
Definiția identiicării dată de Lotfi Aliasker Zadeh este: identificarea este determinarea
pe baza intrării și ieșirii sistemului, a unui model dintr-o clasă determinată de modele,
echivalent într-un anume sens cu sistemul studiat.
Cele trei concepte ce sunt utilizate în identificarea unui sistem sunt: modelul matematic;
semnalul de stimul și metoda de identificare.
De regulă, în identificarea unui sistem se parcurg următoarele etape:
• sistemul/procesul se stimulează în cazul în care este posibil, prin intermediul
unor semnale ce se aplică pe intrările acestuia;
• achiziția datelor de intrare-ieșire într-un anumit interval de timp;
• prelucrarea datelor achiziționate (eliminarea erorilor);
• alegerea unui model matematic adecvat dintr-o clasă determinată de modele,
într-o legătură strânsă cu datele achiziținate;
• determinarea structurii și parametrilor utilizând o anumită metodă de
identificare;
• validarea modelului matematic.
Obținerea unui model matematic valid aferent unui sistem/proces depinde în foarte mare
măsură de maniera în care au fost definite cele trei concepte fundamentale mai sus amintite.

5.1. Modele matematice utilizate în identificarea sistemelor

Alegerea unui model matematic dintr-o clasă determinată de modele depinde de

informaţia apriorică, cât şi de scopul final al identificării.
Modelele matematice pot fi clasificate astfel:
• modele liniare și neliniare;
• modele neparametrice și parametrice;
• modele intrare-ieșire și modele intrare-stare-ieșire;
• modele invariante și variante în timp;
• modele discrete în timp și modele în timp continuu;
• modele în domeniul timp și în domeniul frecvențelor;
 • modele deterministe și modele stohastice;
• modele cu parametri concentrați și modele cu parametri distribuiți;
• modele cu o singură intrare și o singură ieșire (SISO) și modele multivariabile
(MIMO).
În cele ce urmează se prezintă în detaliu principalele tipuri de modele matematice
utilizate în identificarea sistemelor.
Modelul matematic a unui sistem/proces pentru care se verifică în orice condiții,
principiul superpoziției (principiul suprapunerii efectelor) se numește model matematic linear.
În caz contrar se numește model matematic neliniar.
Din punct de vedere sistemic, sistemul/procesul se poate reprezenta la fel ca în figura
următoare.

Fig.5.1. Schema bloc a unui sistem

În cadrul figurii de mai sus, u(t) reprezintă variabila de intrare, y(t) este variabila de
ieșire, x(t) este variabila de stare, iar z(t) este variabila aferentă perturbațiilor (perturbațiile pot
acționa oriunde în cadrul sistemului/procesului).
Pentru sisteme cu evoluție în timp continuu, modelul matematic cel mai utilizat în
identificarea unui sistem este bazat pe conceptul de ecuație diferențială (în cazul sistemelor
SISO), respectiv sistem de ecuații diferențiale (în cazul sistemelor MIMO).
Astfel, modelul matematic bazat pe conceptul de ecuație/sistem de ecuații diferențiale,
a unui sistem/proces se poate scrie astfel

𝑑𝑑𝑑𝑑(𝑡𝑡)
= f�𝑡𝑡, 𝑥𝑥(𝑡𝑡), 𝑢𝑢(𝑡𝑡), 𝑧𝑧(𝑡𝑡)�
� 𝑑𝑑𝑑𝑑 (1)
𝑦𝑦(𝑡𝑡) = 𝑔𝑔�𝑡𝑡, 𝑥𝑥(𝑡𝑡), 𝑢𝑢(𝑡𝑡), 𝑧𝑧(𝑡𝑡)�

având condiția inițială: x ( t0 ) = x0 .

Prima ecuație din modelul matematic dat de relația (1) este un sistem de ecuaţii
diferenţiale parametrizat, iar f este un câmp vectorial definit astfel: f : D ⊆ T × X × U × Z → X
unde t ∈ T ⊆ [t0 , +∞ ) ; t0 ≥ 0 (T este un mulţimea de timp a sistemului, fiind un interval din

 + ; T = t0 , t f  unde: t0 este tipul (momentul) inițial, iar tf este timpul (momentul) final),
x ∈ X ⊆  n (X este spațiul de evoluţie a stării), u ∈ U ⊆  p (U este spațiul admisibil a valorilor
intrării), iar z ∈ Z ⊆  m (Z este spațiul admisibil a valorilor perturbațiilor).
A doua relație din (1), definește o ecuație algebrică, în care g este o funcţie vectorială
definită astfel: g : D ⊆ T × X × U × Z → Y , unde y ∈ Y ⊆  q (Y este spațiul valorilor de
ieşire). În cadrul relațiilor de mai sus D este o mulțime deschisă, iar n, m, p și q sunt numere
naturale ce definesc structura modelului matematic.

În foarte multe situații practice variabila z(t) aferentă perturbațiilor nu este cunoscută
(de regulă sunt cunoscute doar proprietățile statistice ale acesteia). Un model în care variabila
aferentă perturbațiilor apare în mod explicit poartă denumirea de model matematic stochastic
(probabilistic).
Atunci când în cadrul funcțiilor f și g apar în mod explicit variabilele de intrare u(t),
stare x(t) și ieșire y(t), vom spune că modelul matematic este de tip intrare-stare-ieșire (ISO).
În cazul modelelor matematice în care avem doar variabile de intrare (în cazul în care
în cadrul modelului matematic apare în mod explicit variabila aferentă perturbațiilor z(t), se
consideră că variabila de intare este un vector coloană format din variabila de intrare u(t) și din
variabila perturbatoare z(t)) și ieșire vom spune că avem un model matematic intrare-ieșire.
În anumite condiții, prima ecuație din (1) admite o soluție de forma

𝑥𝑥(𝑡𝑡) = φ �𝑡𝑡, 𝑡𝑡0 , 𝑥𝑥(𝑡𝑡0 ), 𝑢𝑢[𝑡𝑡0,𝑡𝑡] , 𝑧𝑧(𝑡𝑡)� ; ∀t ∈ t0 , t f  ; t0 ≥ 0 (2)

unde ϕ este o funcție vectorială denumită funcția de tranziție a stărilor.

Datorită variabilei z(t) aferentă perturbațiilor, soluția dată de relația (2) nu este unică.
Înlocuind relația (2) în a doua ecuație a sistemului (1), obținem:

𝑦𝑦(𝑡𝑡) = 𝑔𝑔 �𝑡𝑡, φ �𝑡𝑡, 𝑡𝑡0 , 𝑥𝑥(𝑡𝑡0 ), 𝑢𝑢[𝑡𝑡0,𝑡𝑡] , 𝑧𝑧(𝑡𝑡)� , 𝑢𝑢(𝑡𝑡), 𝑧𝑧(𝑡𝑡)� (3)

Expresia (3) definește modelul matematic intrare-ieșire a unui sistem afectat de

zgomote (stochastic).
În cazul în care variabila z(t) aferentă perturbațiilor nu apare în mod explicit în relația
(1), vom spune că modelul matematic este determinist. Un model matematic determinist este
definit de următoarele ecuații

𝑑𝑑𝑑𝑑(𝑡𝑡)
= f�𝑡𝑡, 𝑥𝑥(𝑡𝑡), 𝑢𝑢(𝑡𝑡)�
� 𝑑𝑑𝑑𝑑 (4)
𝑦𝑦(𝑡𝑡) = 𝑔𝑔�𝑡𝑡, 𝑥𝑥(𝑡𝑡), 𝑢𝑢(𝑡𝑡)�

având condiția inițială: x ( t0 ) = x0 .

În aceste condiții, funcția de tranziție a stărilor aferentă sistemului (4)

𝑥𝑥(𝑡𝑡) = φ�𝑡𝑡, 𝑡𝑡0 , 𝑥𝑥(𝑡𝑡0 ), 𝑢𝑢[𝑡𝑡0,𝑡𝑡] � ; ∀t ∈ t0 , t f  ; t0 ≥ 0 (5)

este unică, iar relația

𝑦𝑦(𝑡𝑡) = 𝑔𝑔 �𝑡𝑡, φ�𝑡𝑡, 𝑡𝑡0 , 𝑥𝑥(𝑡𝑡0 ), 𝑢𝑢[𝑡𝑡0,𝑡𝑡] �, 𝑢𝑢(𝑡𝑡)� (6)

definește un model matematic intrare-ieșire a unui sistem determinist.
În cazul în care f și g depind explicit de timp, modelul matematic definit de relația (1),
se numște neautonom (variant în timp), în caz contrar se numește autonom (invariant în timp).
Un model matematic autonom este definit astfel

𝑑𝑑𝑑𝑑(𝑡𝑡)
= f�𝑥𝑥(𝑡𝑡), 𝑢𝑢(𝑡𝑡), 𝑧𝑧(𝑡𝑡)�
� 𝑑𝑑𝑑𝑑 (7)
𝑦𝑦(𝑡𝑡) = 𝑔𝑔�𝑥𝑥(𝑡𝑡), 𝑢𝑢(𝑡𝑡), 𝑧𝑧(𝑡𝑡)�

având condiția inițială: x ( t0 ) = x0 .

Funcțiile f : D ⊆ T × X × U × Z → X și g (⋅, ⋅, ⋅) : D ⊆ T × X × U × Z → Y din cadrul
modelului (1) sunt liniare în fiecare argument dacă sunt satisfăcute următoarele propietăți
(principiul superpoziției):

1) f ( k1 ⋅ t1 + k2 ⋅ t2 , x ( t ) , u ( t ) , z ( t ) ) = k1 ⋅ f ( t1 , x ( t ) , u ( t ) , z ( t ) ) + k2 ⋅ f ( t2 , x ( t ) , u ( t ) , z ( t ) )
2) f ( t , k1 ⋅ x1 ( t ) + k2 ⋅ x2 ( t ) , u ( t ) , z ( t ) ) = k1 ⋅ f ( t , x1 ( t ) , u ( t ) , z ( t ) ) + k2 ⋅ f ( t , x2 ( t ) , u ( t ) , z ( t ) )
3) f ( t , x ( t ) , k1 ⋅ u1 ( t ) + k2 ⋅ u2 ( t ) , z ( t ) ) = k1 ⋅ f ( t , x ( t ) , u1 ( t ) , z ( t ) ) + k2 ⋅ f ( t , x ( t ) , u2 ( t ) , z ( t ) )
4) f ( t , x ( t ) , u ( t ) , k1 ⋅ z1 ( t ) + k2 ⋅ z2 ( t ) ) = k1 ⋅ f ( t , x ( t ) , u ( t ) , z1 ( t ) ) + k2 ⋅ f ( t , x ( t ) , u ( t ) , z2 ( t ) )
∀t1 , t2 ∈ T ; ∀x1 , x2 ∈ X ; ∀y1 , y2 ∈ Y ; ∀z1 , z2 ∈ Z ; ∀k1 , k2 ∈ R

5) g ( k3 ⋅ t1 + k4 ⋅ t2 , x ( t ) , u ( t ) , z ( t ) ) = k3 ⋅ g ( t1 , x ( t ) , u ( t ) , z ( t ) ) + k4 ⋅ g ( t2 , x ( t ) , u ( t ) , z ( t ) )
6) g ( t , k3 ⋅ x1 ( t ) + k4 ⋅ x2 ( t ) , u ( t ) , z ( t ) ) = k3 ⋅ g ( t , x1 ( t ) , u ( t ) , z ( t ) ) + k4 ⋅ g ( t , x2 ( t ) , u ( t ) , z ( t ) )
7) g ( t , x ( t ) , k3 ⋅ u1 ( t ) + k4 ⋅ u2 ( t ) , z ( t ) ) = k3 ⋅ g ( t , x ( t ) , u1 ( t ) , z ( t ) ) + k4 ⋅ g ( t , x ( t ) , u2 ( t ) , z ( t ) )
8) g ( t , x ( t ) , u ( t ) , k3 ⋅ z1 ( t ) + k4 ⋅ z2 ( t ) ) = k3 ⋅ g ( t , x ( t ) , u ( t ) , z1 ( t ) ) + k4 ⋅ g ( t , x ( t ) , u ( t ) , z2 ( t ) )
∀t1 , t2 ∈ T ; ∀x1 , x2 ∈ X ; ∀y1 , y2 ∈ Y ; ∀z1 , z2 ∈ Z ; ∀k3 , k4 ∈ R

În cazul în care funcțiile f și g din cadrul modelului matematic definit de relația (1), sunt
liniare (satisfac toate propietățile prezentate mai sus), vom spune că modelul matematic este
liniar.
În cazul în care fie funcția f , fie funcția g nu satisfac cel puțin o propietate din cele
prezentate mai sus, vom spune că modelul matematic este neliniar.
p
Pentru fiecare variabila de intrare u= u[t0 ,t ] ∈ U ⊆  dată, sistemul de ecuaţii
diferenţiale (1), este o familie de ecuaţii diferenţiale de tipul:

𝑑𝑑𝑑𝑑(𝑡𝑡)
= 𝑓𝑓𝑢𝑢 �𝑡𝑡, 𝑥𝑥(𝑡𝑡), 𝑧𝑧(𝑡𝑡)�
� 𝑑𝑑𝑑𝑑 (8)
𝑦𝑦(𝑡𝑡) = 𝑔𝑔𝑢𝑢 �𝑡𝑡, 𝑥𝑥(𝑡𝑡), 𝑧𝑧(𝑡𝑡)�

având condiția inițială: x ( t0 ) = x0 .

 Modelele matematice în care avem mai multe intrări și/sau mai multe ieșiri se numesc
modele matematice de tip MIMO (Multiple Input – Multiple Output). În acest caz, variabilele
de intrare u(t) și ieșire y(t) din componența modelului matematic, sunt vectori coloană ce au
următoarea formă,
′
𝑢𝑢(𝑡𝑡) = �𝑢𝑢1 (𝑡𝑡) 𝑢𝑢2 (𝑡𝑡) ⋯ 𝑢𝑢𝑝𝑝 (𝑡𝑡)� (9)
′
𝑦𝑦(𝑡𝑡) = �𝑦𝑦1 (𝑡𝑡) 𝑦𝑦2 (𝑡𝑡) ⋯ 𝑦𝑦𝑞𝑞 (𝑡𝑡)� (10)
unde [ ] - reprezintă operatorul de transpunere, p – este dimensiunea vectorului de intrare,
′

iar q – este dimensiunea vectorului de ieșire.

Atunci când modelele matematice au o singură intrare și o singură ieșire, se numesc
modele matematice de tip SISO (Single Input – Single Output).
În cazul modelelor matematice de tip SISO vectorii de intrare u(t) și ieșire y(t) se reduc
la un singur element 𝑢𝑢(𝑡𝑡) = 𝑢𝑢1 (𝑡𝑡) , 𝑦𝑦(𝑡𝑡) = 𝑦𝑦1 (𝑡𝑡), iar variabila perturbatoare z(t) nu apare
explicit în cadrul modelului.
Modelele matematice în care t ∈ T ⊆  + , iar variabilele modelului sunt definite pentru
orice t ∈ T ⊆  + se numesc modele matematice în timp continuu.
În cazul în care t= k ⋅ Te ; k ∈  ; Te - perioada, iar variabilele modelului sunt definite
numai la anumite momente discrete ale timpului t= k ⋅ Te , avem de a face cu modele
matematice discrete în timp.
Modelele matematice discrete în timp în care variabilele modelului iau un număr finit
de valori, se numesc modele matematice finite. Aceste modele matematice definesc sistemele
finite (automatele finite) .
Modelele matematice finite în care variabilele iau doar valorile 0 și 1 se numesc modele
matematice binare (logice).
Modelele matematice finite în care variabilele iau un număr mare de valori dintr-o
anumită mulțime finită, se numesc modele matematice numerice (digitale).
Un model matematic discret în timp se poate scrie astfel

𝑥𝑥[(𝑘𝑘 + 1) ∙ 𝑇𝑇𝑒𝑒 ] = f(𝑘𝑘 ∙ 𝑇𝑇𝑒𝑒 , 𝑥𝑥[𝑘𝑘 ∙ 𝑇𝑇𝑒𝑒 ], 𝑢𝑢[𝑘𝑘 ∙ 𝑇𝑇𝑒𝑒 ], 𝑧𝑧[𝑘𝑘 ∙ 𝑇𝑇𝑒𝑒 ])
� ; k ∈ (11)
𝑦𝑦[𝑘𝑘 ∙ 𝑇𝑇𝑒𝑒 ] = 𝑔𝑔(𝑘𝑘 ∙ 𝑇𝑇𝑒𝑒 , 𝑥𝑥[𝑘𝑘 ∙ 𝑇𝑇𝑒𝑒 ], 𝑢𝑢[𝑘𝑘 ∙ 𝑇𝑇𝑒𝑒 ], 𝑧𝑧[𝑘𝑘 ∙ 𝑇𝑇𝑒𝑒 ])

având condiția inițială: x [ k0 ⋅ Te ] =

x0 ; k0 ∈  .
În cazul modelul matematic dat de relația (11), funcțiile f și g sunt definite astfel:
f : D ⊆ T × X × U × Z → X ; g : D ⊆ T × X × U × Z → Y ; unde T ⊆  , iar spațiile X, U și Z
sunt definite la fel ca în cazul modelului matematic dat de expresia (1).
Pentru cazul modelelor matematice binare, spațiile ce definesc funcțiile f și g din cadrul
modelului matematic dat de relația (11), sunt: T ⊆  ; u ∈U ⊆ B p ; x ∈ X ⊆ B n ; y ∈ Y ⊆ B q ;
z ∈ Z ⊆ B m , unde B = {0,1} .
Când toate ecuațiile ce definesc modelul matematic a unui sistem/proces au toți
coeficienții constanți în timp, spunem că modelul matematic este cu coeficienți constanți. În
cazul în care cel puțin un coeficient al ecuațiilor ce definesc modelul matematic a unui
sistem/proces, este variabil în timp spunem că modelul matematic este cu coeficienți variabili.
 Modelele matematice în care spațiul de evoluție ale stărilor X este finit dimensional,
se numesc modele matematice cu parametrii concentrați. Pe de altă parte, atunci când spațiul
de evoluție a stărilor este infinit dimensional avem de a face cu modelele matematice cu
parametrii distribuiti.
Observație: Un spațiu vectorial este finit dimensional dacă are o bază formată dintr-
un număr finit de elemente. În caz contrar se numește spațiu vectorial infinit dimensional.
Modelele matematice cu parametrii concentrați sunt descrise de ecuații diferențiale (în
cazul sistemelor SISO), respectiv sisteme de ecuații diferențiale (în cazul sistemelor MIMO).
În aceste cazuri, stările sistemului depind doar de timpul t ∈ T .
În cazul modelelor matematice cu parametrii distribuiți, stările sistemului depind atât
de timpul t ∈ T , cât și de variabila spațială aferentă domeniu spațial Ω . Aceste modele
matematice sunt definite de ecuații/sisteme de ecuații cu derivate parțiale și/sau de ecuații/
sisteme de ecuatii diferențiale cu argument întârziat.
Astfel, forma generală a unui model matematic cu parametrii distribuiți, bazat pe
conceptul de ecuație/sistem de ecuații cu derivate parțiale, este definit pe baza unui set de trei
ecuații

a. Ecuația de stare

F ( t , ξ , x (ξ , t ) , u1 (ξ , t ) , z1 (ξ , t ) ) = 0 în Ω× t0 , t f  (12)

b. Ecuația condițiilor de frontieră

G ( t , ξ , x (ξ , t ) , u2 (ξ , t ) , z2 (ξ , t ) ) = 0 în ∂Ω× t0 , t f  (13)

c. Ecuația condițiilor inițiale

H ( x (ξ , t0 ) ) = x0 (ξ ) în Ω (14)

unde: x (ξ , t ) este variabila de stare; u1 (ξ , t ) este variabila de intrare aplicată în domeniul

spatial Ω ; u2 (ξ , t ) este variabila de intrare aplicată pe domeniul de frontieră ∂Ω ; z1 (ξ , t ) sunt
perturbațiile interne ce apar în domeniului Ω ; z2 (ξ , t ) sunt perturbațiile de frontieră ce apar
în domeniului
= ∂Ω ; ξ (ξ1 ξ 2 ξ r ) ∈ Ω ⊆  r este vectorul variabilelor spațiale; t este este

variabila timp, t ∈ T ⊆ [t0 , +∞ ) , t0 ≥ 0 , T = t0 , t f  , t0 este momentul inițial, tf este momentul

final; F, G și H sunt vectori ai operatorilor diferențiali sau integro-diferențiali.
Plecând de la forma generală a modelelor matematice mai sus prezentate, prin
particularizare se pot evidenția câteva tipuri de modele matematice utile în cadrul identificării
unor sisteme.
  Modelul matematic în timp continuu de tip intrare-stare-ieșire (ISO) - stochastic,
aferent unui sistem liniar invariant în timp. Acest model matematic este definit de
următorul sistem de ecuații diferențiale

𝑑𝑑𝑑𝑑(𝑡𝑡)
= 𝐴𝐴 ∙ 𝑥𝑥(𝑡𝑡) + 𝐵𝐵 ∙ 𝑢𝑢(𝑡𝑡) + 𝑣𝑣(𝑡𝑡)
� 𝑑𝑑𝑑𝑑 ; x ( t0 ) = x0 (15)
𝑦𝑦(𝑡𝑡) = 𝐶𝐶 ∙ 𝑥𝑥(𝑡𝑡) + 𝐷𝐷 ∙ 𝑢𝑢(𝑡𝑡) + 𝑤𝑤(𝑡𝑡)

unde: u(t) este variabila de intrare, x(t) este variabila de stare, y(t) este variabila de ieșire, v(t)
este variabila perturbatoare aferentă sistemului, w(t) este variabila perturbatoare aferentă ieșirii,
iar A, B, C, D sunt matrici cu coeficienți reali și constanți, având următoarele dimensiuni:
A ∈ M n×n (  ) ; B ∈ M n× p (  ) ; C ∈ M q×n (  ) ; D ∈ M q× p (  ) .
Variabilele modelului matematic dat de relația (15) sunt vectori ce au următoarea formă:
𝑇𝑇
𝑢𝑢(𝑡𝑡) = �𝑢𝑢1 (𝑡𝑡) 𝑢𝑢2 (𝑡𝑡) ⋯ 𝑢𝑢𝑝𝑝 (𝑡𝑡)� ; 𝑥𝑥(𝑡𝑡) = [𝑥𝑥1 (𝑡𝑡) 𝑥𝑥2 (𝑡𝑡) ⋯ 𝑥𝑥𝑛𝑛 (𝑡𝑡)]𝑇𝑇 ;
𝑇𝑇
𝑦𝑦(𝑡𝑡) = �𝑦𝑦1 (𝑡𝑡) 𝑦𝑦2 (𝑡𝑡) ⋯ 𝑦𝑦𝑞𝑞 (𝑡𝑡)� ; 𝑣𝑣(𝑡𝑡) = [𝑣𝑣1 (𝑡𝑡) 𝑣𝑣2 (𝑡𝑡) ⋯ 𝑣𝑣𝑛𝑛 (𝑡𝑡)]𝑇𝑇 ;
𝑇𝑇
𝑤𝑤(𝑡𝑡) = �𝑤𝑤1 (𝑡𝑡) 𝑤𝑤2 (𝑡𝑡) ⋯ 𝑤𝑤𝑞𝑞 (𝑡𝑡)� .

 Modelul matematic în timp continuu de tip intrare-stare-ieșire (ISO) - determinist,

aferent unui sistem liniar invariant în timp. Acest model matematic este o
particularizare a modelului definit de relația (15), în sensul că variabilele aferente
perurbațiilor sunt neglijate. Ecuațiile ce definesc acest model sunt:

𝑑𝑑𝑑𝑑(𝑡𝑡)
= 𝐴𝐴 ∙ 𝑥𝑥(𝑡𝑡) + 𝐵𝐵 ∙ 𝑢𝑢(𝑡𝑡)
� 𝑑𝑑𝑑𝑑 ; x ( t0 ) = x0 (16)
𝑦𝑦(𝑡𝑡) = 𝐶𝐶 ∙ 𝑥𝑥(𝑡𝑡) + 𝐷𝐷 ∙ 𝑢𝑢(𝑡𝑡)

 Modelul matematic în timp continuu de tip intrare-stare-ieșire (ISO) - stochastic,

aferent unui sistem liniar variant în timp. În acest caz, modelul matematic este definit
de următorul sistem de ecuații diferențiale

𝑑𝑑𝑑𝑑(𝑡𝑡)
= 𝐴𝐴(𝑡𝑡) ∙ 𝑥𝑥(𝑡𝑡) + 𝐵𝐵(𝑡𝑡) ∙ 𝑢𝑢(𝑡𝑡) + 𝑣𝑣(𝑡𝑡)
� 𝑑𝑑𝑑𝑑 ; x ( t0 ) = x0 (17)
𝑦𝑦(𝑡𝑡) = 𝐶𝐶(𝑡𝑡) ∙ 𝑥𝑥(𝑡𝑡) + 𝐷𝐷(𝑡𝑡) ∙ 𝑢𝑢(𝑡𝑡) + 𝑤𝑤(𝑡𝑡)

unde cel putin una din matricile A, B, C sau D au unul sau toți coeficienți variabili în timp.

 Modelul matematic în timp continuu de tip intrare-stare-ieșire (ISO) - determinist,

aferent unui sistem liniar variant în timp. Ecuațiile ce definesc acest model sunt:

𝑑𝑑𝑑𝑑(𝑡𝑡)
= 𝐴𝐴(𝑡𝑡) ∙ 𝑥𝑥(𝑡𝑡) + 𝐵𝐵(𝑡𝑡) ∙ 𝑢𝑢(𝑡𝑡)
� 𝑑𝑑𝑑𝑑 ; x ( t0 ) = x0 (18)
𝑦𝑦(𝑡𝑡) = 𝐶𝐶(𝑡𝑡) ∙ 𝑥𝑥(𝑡𝑡) + 𝐷𝐷(𝑡𝑡) ∙ 𝑢𝑢(𝑡𝑡)

unde cel putin una din matricile A, B, C sau D au unul sau toți coeficienți variabili în timp.
  Modelul matematic în timp discret de tip intrare-stare-ieșire (ISO) - stochastic,
aferent unui sistem liniar invariant în timp. Acest model matematic este definit de
următorul sistem de ecuații

𝑥𝑥[(𝑘𝑘 + 1) ∙ 𝑇𝑇𝑒𝑒 ] = Φ ∙ 𝑥𝑥[𝑘𝑘 ∙ 𝑇𝑇𝑒𝑒 ] + Γ ∙ 𝑢𝑢[𝑘𝑘 ∙ 𝑇𝑇𝑒𝑒 ] + 𝑣𝑣[𝑘𝑘 ∙ 𝑇𝑇𝑒𝑒 ]

� ; x [ k0 ⋅ Te ] =
x0 (19)
𝑦𝑦[𝑘𝑘 ∙ 𝑇𝑇𝑒𝑒 ] = 𝐶𝐶 ∙ 𝑥𝑥[𝑘𝑘 ∙ 𝑇𝑇𝑒𝑒 ] + 𝐷𝐷 ∙ 𝑢𝑢[𝑘𝑘 ∙ 𝑇𝑇𝑒𝑒 ] + 𝑤𝑤[𝑘𝑘 ∙ 𝑇𝑇𝑒𝑒 ]

unde: u [ k ⋅ Te ] este variabila de intrare, x [ k ⋅ Te ] este variabila de stare, y [ k ⋅ Te ] este variabila

de ieșire, v [ k ⋅ Te ] este variabila perturbatoare aferentă sistemului, w [ k ⋅ Te ] este variabila
perturbatoare aferentă ieșirii, iar Φ, Γ, C, D sunt matrici cu coeficienți reali, având următoarele
dimensiuni: Φ ∈ M n×n (  ) ; Γ ∈ M n× p (  ) ; C ∈ M q×n (  ) ; D ∈ M q× p (  ) .

 Modelul matematic în timp discret de tip intrare-stare-ieșire (ISO) - determinist,

aferent unui sistem liniar invariant în timp. Ecuațiile ce descriu acest model sunt:

𝑥𝑥[(𝑘𝑘 + 1) ∙ 𝑇𝑇𝑒𝑒 ] = Φ ∙ 𝑥𝑥[𝑘𝑘 ∙ 𝑇𝑇𝑒𝑒 ] + Γ ∙ 𝑢𝑢[𝑘𝑘 ∙ 𝑇𝑇𝑒𝑒 ]

� ; x [ k0 ⋅ Te ] =
x0 (20)
𝑦𝑦[𝑘𝑘 ∙ 𝑇𝑇𝑒𝑒 ] = 𝐶𝐶 ∙ 𝑥𝑥[𝑘𝑘 ∙ 𝑇𝑇𝑒𝑒 ] + 𝐷𝐷 ∙ 𝑢𝑢[𝑘𝑘 ∙ 𝑇𝑇𝑒𝑒 ]

În cadrul modelului matematic dat de relația (20), se observă că variabilele aferente

perurbațiilor sunt neglijate.

 Modelul matematic în timp discret de tip intrare-stare-ieșire (ISO) - stochastic,

aferent unui sistem liniar variant în timp. Ecuațiile ce definesc acest model matematic
sunt:

𝑥𝑥[(𝑘𝑘 + 1) ∙ 𝑇𝑇𝑒𝑒 ] = Φ[𝑘𝑘 ∙ 𝑇𝑇𝑒𝑒 ] ∙ 𝑥𝑥[𝑘𝑘 ∙ 𝑇𝑇𝑒𝑒 ] + Γ[𝑘𝑘 ∙ 𝑇𝑇𝑒𝑒 ] ∙ 𝑢𝑢[𝑘𝑘 ∙ 𝑇𝑇𝑒𝑒 ] + 𝑣𝑣[𝑘𝑘 ∙ 𝑇𝑇𝑒𝑒 ]
� ; x [ k0 ⋅ Te ] =
x0 (21)
𝑦𝑦[𝑘𝑘 ∙ 𝑇𝑇𝑒𝑒 ] = 𝐶𝐶[𝑘𝑘 ∙ 𝑇𝑇𝑒𝑒 ] ∙ 𝑥𝑥[𝑘𝑘 ∙ 𝑇𝑇𝑒𝑒 ] + 𝐷𝐷[𝑘𝑘 ∙ 𝑇𝑇𝑒𝑒 ] ∙ 𝑢𝑢[𝑘𝑘 ∙ 𝑇𝑇𝑒𝑒 ] + 𝑤𝑤[𝑘𝑘 ∙ 𝑇𝑇𝑒𝑒 ]

unde cel putin una din matricile Φ, Γ, C sau D au unul sau toți coeficienți variabili în timp
discret.

 Modelul matematic în timp discret de tip intrare-stare-ieșire (ISO) - determinist,

aferent unui sistem liniar variant în timp. Acest model matematic este definit astfel:

𝑥𝑥[(𝑘𝑘 + 1) ∙ 𝑇𝑇𝑒𝑒 ] = Φ[𝑘𝑘 ∙ 𝑇𝑇𝑒𝑒 ] ∙ 𝑥𝑥[𝑘𝑘 ∙ 𝑇𝑇𝑒𝑒 ] + Γ[𝑘𝑘 ∙ 𝑇𝑇𝑒𝑒 ] ∙ 𝑢𝑢[𝑘𝑘 ∙ 𝑇𝑇𝑒𝑒 ]
� ; x [ k0 ⋅ Te ] =
x0 (22)
𝑦𝑦[𝑘𝑘 ∙ 𝑇𝑇𝑒𝑒 ] = 𝐶𝐶[𝑘𝑘 ∙ 𝑇𝑇𝑒𝑒 ] ∙ 𝑥𝑥[𝑘𝑘 ∙ 𝑇𝑇𝑒𝑒 ] + 𝐷𝐷[𝑘𝑘 ∙ 𝑇𝑇𝑒𝑒 ] ∙ 𝑢𝑢[𝑘𝑘 ∙ 𝑇𝑇𝑒𝑒 ]

 Modelul matematic cu parametrii distribuiți de tip liniar - determinist. În acest caz,

modelul matematic este definit de următoarele trei ecuații

o Ecuația de stare:
∂x (ξ , t )
= L ( x (ξ , t ) ) + M ( u1 (ξ , t ) ) în Ω× t0 , t f  (23)
∂t

o Ecuația condițiilor de frontieră

0 în ∂Ω× t0 , t f
S ( x ( ξ , t ) ) + N ( u2 ( ξ , t ) ) =  (24)

o Ecuația condițiilor inițiale

x (ξ , t0 ) = x0 (ξ ) în Ω (25)

unde: L, M, S și N sunt matrici ai operatorilor diferențiali - spațiali liniari.

Observație: Atunci când vectorii de intrare și ieșire au un singur element modelele

matematice anterior prezentate sunt de tip SISO, alminteri sunt de tip MIMO.
Observație: Atunci când matricea D din componența modelelor matematice mai sus
prezentate este nulă, sistemul modelat este strict propriu (în ecuația ieșirii nu apare variabila
de intrare). În caz contrar, sistemul modelat este semipropriu (în ecuația ieșirii apare variabila
de intrare). Această observație este valabilă și în cazul modelelor matematice definite de
relațiile (1), (4), (7) sau (11).

 Modelul matematic liniarizat aferent unui sistem neliniar în timp continuu, de tip
intrare-stare-ieșire (ISO) - determinist, invariant în timp. În multe probleme de
identificare a unor sisteme neliniare ce au neliniarități slabe, se utilizează modele
matematice liniare (obținute prin liniarizarea modelelor matematice neliniare în jurul
unor puncte de echilibru). Dacă există un vector de stare x ∈ X , astfel încât fu ( x ) = 0
pentru o anumită intrare u ( t ) cunoscută pe intervalul [t0 , t ) ⊆ T , atunci x (vector
constant) se numeşte punct de echilibru (punct fix sau punct singular) al următorului
sistem de ecuaţii diferenţiale.

𝑑𝑑𝑑𝑑(𝑡𝑡)
= f�𝑥𝑥(𝑡𝑡), 𝑢𝑢(𝑡𝑡)�
� 𝑑𝑑𝑑𝑑 (26)
𝑦𝑦(𝑡𝑡) = 𝑔𝑔�𝑥𝑥(𝑡𝑡), 𝑢𝑢(𝑡𝑡)�

Este evident că pentru orice punct de echilibru, sistemul de ecuaţii diferenţiale admite
soluţia x ( t ) = x , ∀ ( t ≥ t0 ) denumită şi soluţie de echilibru.
Soluția de echilibru x ∈ X împreună cu vectorii de intare u ∈ U și de ieșire y ∈ Y
(vectori constanți în timp) definesc un regim staționar caracterizat de următoarele ecuații:

0 = f ( x , u )
 (27)
 y = g ( x , u )
 În cadrul multor probleme de identificare, sistemul are o evoluție în regim staționar ce
poate fi caracterizată prin intermediul unor mici variații ale mărimilor de intrare-stare-ieșire în
jurul vectorilor constanți u ∈ U , x ∈ X , y ∈ Y (ce defines regimul staționar de funcționare).
În cele ce urmează micile variații ale mărimilor de intrare-stare-ieșire le vom nota
astfel:
∆u ( t ) = u ( t ) − u

∆x ( t ) = x ( t ) − x (28)

∆y ( t ) = y ( t ) − y

Esenţa procedurii de liniarizare, este dezvoltarea în serie Taylor, în vecinătatea

punctului static de funcţionare a expresiilor definite în cadrul sistemului (26). Pentru a obţine
modelul liniarizat, seria Taylor se trunchiază astfel încât termenii de ordin superior sunt
neglijaţi.
Astfel, dacă dezvoltăm în serie Taylor trunchiată, relaţiile (1.24) în jurul punctului
static de funcţionare A0 ( u0 , x0 , y0 ) , obţinem:
dxi ( t ) n
∂f p
∂f
= dt ∂x j
j 1=
( k 1 ∂uk
) (
≅ f i ( x, u ) + ∑ i ( x, u ) ⋅ x j − x j + ∑ i ( x, u ) ⋅ uk − u k cu i = 1, n ) (29)

∂gi n p
∂g
y ( t ) ≅ g i ( x, u ) + ∑
∂x j
=j 1 =
( )
( x, u ) ⋅ x j − x j + ∑ i ( x, u ) ⋅ uk − u k cu i = 1, q
k 1 ∂uk
( ) (30)

În cele ce urmează, dacă ţinem cont de faptul că: fi ( x, u ) = 0 cu i = 1, n şi y i = gi ( x, u )

cu i = 1, q precum şi de expresiile (28), relaţiile de mai sus devin:
d ∆xi ( t ) n
∂f p
∂f
≅ ∑ i ( x, u ) ⋅ ∆x j ( t ) + ∑ i ( x, u ) ⋅ ∆uk ( t ) cu i = 1, n (31)
= dt ∂x j
j 1= k 1 ∂uk

∂gi n p
∂g
∆yi ( t ) ≅ ∑
( x, u ) ⋅ ∆x j ( t ) + ∑ i ( x, u ) ⋅ ∆uk ( t ) cu i = 1, q (32)
∂x j
=j 1 = k 1 ∂uk

În aceste condiţii modelul liniarizat este

 d ∆x ( t )
 ≅ AL ⋅ ∆x ( t ) + BL ⋅ ∆u ( t )
 dt (33)
∆y ( t ) ≅ C ⋅ ∆x ( t ) + D ⋅ ∆u ( t )
 L L

unde matricile AL , BL , CL , DL sunt:

 ∂f   ∂f 
AL =  i ( x, u )  ; BL =  i ( x, u )  (34)
 ∂x j =  i 1,=
n ; j 1, n  ∂uk =  i 1,=
n ; k 1, p
  ∂g   ∂g 
C L =  i ( x, u )  ; DL =  i ( x, u )  (35)
 ∂x j =
 i 1,=
q ; j 1, n  ∂uk =  i 1,=
q ; k 1, p

Pentru a introduce noțiunile de funcție și matrice de transfer, în cele ce urmează vom

determina funcția de tranziție a stărilor aferentă unui model matematic autonom liniar, de tip
ISO, invariant în timp, determinist. Determinarea funcției de tranziție a stărilor se face atât în
cazul modelelor în timp continuu (a se vedea relația (16)), cât și în cazul modelelor în timp
discret (a se vedea relația (20)).

 Funcția de tranziție a stărilor pentru un model liniar ISO, în timp continuu, invariant
în timp, determinist.

Soluţia sistemului de ecuații diferențiale definit de prima relaţie din (16), este data de
suma dintre componenta liberă xl ( t ) şi componeta forţată x f (t ) a variabilei de stare.
Astfel, pentru a determina soluţia liberă se rezolva sistemul de ecuaţii diferenţiale
omogene
dx ( t )
= A ⋅ x (t ) (36)
dt
ce are condiția inițială x ( t0 ) = x0 .
Aşa cum se ştie, în spaţii vectoriale soluţia acestui sistem este un sistem fundamental de
soluţii şi anume matricea X (t ) multiplicată cu un vector constant K, adică:
xl (t ) = X (t ) ⋅ K (37)
Constanta K se determină din condiţiile iniţiale, astfel încât la t = t 0 să avem x ( t0 ) = x0
Deci: x(t 0 ) = X (t 0 ) ⋅ K ceea ce implică: K = X −1 (t 0 ) ⋅ x(t 0 ) . În aceste condiţii, inlocuind
constanta K în relaţia (37) obţinem:
xl (t ) = X (t ) ⋅ X −1 (t 0 ) ⋅ x(t 0 ) (38)
În mod identic, pentru a determina soluţia forţată vom pune condiţia ca soluţia forţată
să fie de forma:
x f (t ) = X (t ) ⋅ K (t ) (39)
în care K (t ) se determină din condiţia ca (39) să verifice prima ecuaţie din (16). În urma
înlocuirii obţinem:
dX ( t ) dK ( t )
⋅ K (t ) + X (t ) ⋅ A ⋅ X (t ) ⋅ K (t ) + B ⋅ u (t )
= (40)
dt dt
În aceste condiţii, ținând cont de relația (36) expresia de mai sus se poate scrie astfel:
dK ( t )
X (t ) ⋅ B ⋅ u (t )
= (41)
dt
Din (41) prin integrare se obţine:
t

K (t )
=
∫ t0
X −1 (τ ) ⋅ B ⋅ u (τ ) ⋅ dτ (42)

Pe baza relaţiilor de mai sus, soluţia forţată este următoarea:

 t

x f (=
t ) X (t ) ⋅ K (=
t)
∫ t0
X ( t ) ⋅ X −1 (τ ) ⋅ B ⋅ u (τ ) ⋅ dτ (43)

În aceste condiţii, soluţia sistemului de ecuaţii diferenţiale este

t
x(t ) = Φ(t , t 0 ) ⋅ x(t 0 ) + ∫ H (t ,τ ) ⋅ u (τ ) ⋅ dτ (44)
t0

în care s-au realizat următoarele notații:

Φ (t , t 0 ) = X (t ) ⋅ X −1 (t 0 ) ; H ( t ,τ ) =X ( t ) ⋅ X −1 (τ ) ⋅ B =Φ ( t ,τ ) ⋅ B (45)
Datorită faptului că matricea Φ (t ,τ ) este obţinută din produsul a două matrici, X (t ) şi
X −1
(τ ) , ea se poate determina prin intermediul seriei Neumann, şi anume:
t t τ
I ∫τ A ⋅ dτ1 + ∫τ A ⋅  ∫τ 1 A ⋅ dτ 2  ⋅ dτ1 + 
Φ ( t ,τ ) =+ (46)
 
În urma calculelor, seria Neumann (46) devine:

Φ(t ,τ ) = I + A ⋅
t −τ
+ A2 ⋅
(t − τ ) +  = e A⋅(t −τ )
2

(47)
1! 2!
În aceste condiții, funcția de tranziție a stărilor devine:
t

(t ) e ⋅ x ( t0 ) +
∫ e A⋅(t −τ ) ⋅ B ⋅ u (τ ) ⋅ dτ
A⋅( t −t0 )
x= (48)
t0

 Funcția de tranziție a stărilor pentru un model liniar ISO, în timp discret, invariant
în timp, determinist.

Soluţia sistemului de ecuații definit de prima relatie din (20), este data la fel ca în cazul
precedent de suma dintre componenta liberă şi componeta forţată a variabilei de stare.
Pe baza primei relații din (20) se pot scrie succesiv următoarele expresii
• Pentru k = k0 :

Φ ⋅ x [ k0 ⋅ Te ] + Γ ⋅ u [ k0 ⋅ Te ]
x ( k0 + 1) ⋅ Te  = (49)
• Pentru k= k0 + 1 :
x ( k0 + 2 ) ⋅ Te  =Φ ⋅ x ( k0 + 1) ⋅ Te  + Γ ⋅ u ( k0 + 1) ⋅ Te  =
= Φ 2 ⋅ x [ k0 ⋅ Te ] + Φ ⋅ Γ ⋅ u [ k0 ⋅ Te ] + Γ ⋅ u ( k0 + 1) ⋅ Te 
• Pentru k= k0 + 2 :
x ( k0 + 3) ⋅ Te  =Φ ⋅ x ( k0 + 2 ) ⋅ Te  + Γ ⋅ u ( k0 + 2 ) ⋅ Te  =
= Φ 3 ⋅ x [ k0 ⋅ Te ] + Φ 2 ⋅ Γ ⋅ u [ k0 ⋅ Te ] + Φ ⋅ Γ ⋅ u ( k0 + 1) ⋅ Te  + Γ ⋅ u ( k0 + 2 ) ⋅ Te 
• Prin inducție putem scrie următoarea relație:
k −1

x [ k ⋅ Te ] = Φ ⋅ x ( k − 1) ⋅ Te  + Γ ⋅ u ( k − 1) ⋅ Te  = Φ k − k0
⋅ x [ k0 ⋅ Te ] +
∑
τ = k0
Φ k −1−τ ⋅ Γ ⋅ u [τ ⋅ Te ] (50)

În relația (50) se evidențiază atât component liberă, cât și component forțată a variabilei
de stare:
xl [ k ⋅ Te ] =
Φ k − k0 ⋅ x [ k0 ⋅ Te ] (51)
k −1

x f [ k ⋅=
Te ]
∑τ = k0
Φ k −1−τ ⋅ Γ ⋅ u [τ ⋅ Te ] (52)

În aceste condiții, atunci când înlocuim funcția de tranziție a stărilor în cadrul ecuației
de ieșire, obținem
• pentru modele în timp continuu
t

y (t ) = C ⋅ e ⋅ x ( t0 ) + C ⋅
∫ e A⋅(t −τ ) ⋅ B ⋅ u (τ ) ⋅ dτ + D ⋅ u ( t )
A⋅( t −t0 )
(53)
t0

• pentru modele în timp discret

k −1

y [ k ⋅ Te ]= C ⋅ Φ k − k0
⋅ x [ k0 ⋅ Te ] + C ⋅
∑τ = k0
Φ k −1−τ ⋅ Γ ⋅ u [τ ⋅ Te ] + D ⋅ u [ k ⋅ Te ] (54)

În cazul unor condiții înițiale nule x ( t0 ) = 0 și x [ k0 ⋅ Te ] =

0 , relațiile de mai sus pot fi
scrise astfel:
• pentru modele în timp continuu
∞

(t )
y=
∫ −∞
h ( t − τ ) ⋅ u (τ ) ⋅ dτ + D ⋅ u ( t ) (55)

0 daca t < t0
unde: h ( t ) =  A⋅t
C ⋅ e ⋅ B daca t ≥ t0
• pentru modele în timp discret
∞

y [=
k ⋅ Te ]
∑τ = −∞
h ( k − τ ) ⋅ Te  ⋅ u [τ ⋅ Te ] + D ⋅ u [ k ⋅ Te ] (56)

0 daca k < k0
unde: h [ k ⋅ Te ] =
 k −1
C ⋅ Φ ⋅ Γ daca k ≥ k0
În cadrul relațiilor de mai sus, se observă următoarele produse de convoluție:
• pentru modele în timp continuu
∞

y fa ( t )= h ( t ) ∗ u ( t )=
∫ −∞
h ( t − τ ) ⋅ u (τ ) ⋅ dτ (57)

• pentru modele în timp discret

∞

y fa [ k ⋅ Te ] = h [ k ⋅ Te ] ∗ u [ k ⋅ Te ] =
∑τ = −∞
h ( k − τ ) ⋅ Te  ⋅ u [τ ⋅ Te ] (58)

Pe de altă parte, utilizând transformata Laplace și transformata Z în cadrul relației (57),

respectiv (58), obținem
• pentru modele în timp continuu
Y fa=( s ) H ( s ) ⋅U ( s ) (59)
unde Y fa ( s ) ; H ( s ) ;U ( s ) sunt transformatele Laplace ale lui y fa ( t ) ; h ( t ) și u ( t ) .
• pentru modele în timp discret
 [ z ] H [ z ] ⋅U [ z ]
Y fa= (60)
unde Y fa [ z ] ; H [ z ] ;U [ z ] sunt transformatele Z ale lui y fa [ k ⋅ Te ] ; h [ k ⋅ Te ] și u [ k ⋅ Te ] .
În cadrul relației (59) transformata Laplace H ( s ) , este
∞

H
= (s)
∫
−∞
h ( t ) ⋅ e − s⋅t dt (61)

sau
∞
∞ 

∫
H ( s ) = C ⋅ e ⋅ B ⋅ e dt = C ⋅ e 
∫ dt  ⋅ B = C ⋅ ( s ⋅ I − A ) ⋅ B
−( s ⋅ I − A )⋅t −1
A⋅t − s ⋅t
(62)
 
−∞  −∞ 
Pe de altă parte, în cadrul relației (60) transformata Z a lui h [ k ⋅ Te ] , este
∞

( z)
H=
∑[
k = −∞
h k ⋅ Te ] ⋅ z − k (63)

s⋅T
unde: z = e e
În urma calculelor, relația (63) devine:
 ∞   ∞   ∞ 
∑ ∑ ( ∑
Φ ⋅ z −1 )  ⋅ Γ=
k
H ( z )= C ⋅  Φ ⋅ z  ⋅ Γ= C ⋅ z 
k −1 −k −1
Φ ⋅ z  ⋅ Γ= C ⋅ z 
k −k −1

 k = −∞   k = −∞   k = −∞  (64)

= C ⋅ z −1 ⋅ z ⋅ ( z ⋅ I − Φ ) ⋅ Γ= C ⋅ ( z ⋅ I − Φ ) ⋅ Γ
−1 −1

În aceste condiții, aplicând transformata Laplace relației (55), obținem

Y ( s ) = H ( s ) ⋅ U ( s ) + D ⋅ U ( s ) =  H ( s ) + D  ⋅ U ( s ) = C ⋅ ( s ⋅ I − A ) ⋅ B + D  ⋅ U ( s ) (65)
−1
 

unde: G ( s ) = C ⋅ ( s ⋅ I − A ) ⋅ B + D poartă denumirea de matrice de transfer în cazul

−1

modelelor MIMO, respectiv funcție de transfer în cazul modelelor SISO, în timp continuu.
Pe de altă parte, aplicând transformata Z relației (56), obținem
Y ( z ) = H ( z ) ⋅ U ( z ) + D ⋅ U ( z ) =  H ( z ) + D  ⋅ U ( z ) = C ⋅ ( z ⋅ I − Φ ) ⋅ Γ + D  ⋅ U ( z )
−1
(66)
 

unde: G ( z )= C ⋅ ( z ⋅ I − Φ ) ⋅ Γ + D poartă denumirea de matrice de transfer în cazul

−1

modelelor MIMO, respectiv funcție de transfer în cazul modelelor SISO, în timp discret.
Observație: În cazul modelelor matematice strict proprii (în care matricea D este nulă),
componenta forțată a variabilei de ieșire este data de următorul produs de convoluție
(t ) h (t ) ∗ u (t )
y fa = (67)
pentru modele în timp continuu, respectiv
y fa [ k ⋅ Te ] = h [ k ⋅ Te ] ∗ u [ k ⋅ Te ] (68)
pentru modele în timp discret.
Observație: În cazul relațiilor de mai sus, dacă intrarea este de tip impuls Dirac
+∞ daca t = 0
u=( t ) δ=
(t )  (69)
 0 daca t ≠ 0
pentru cazul modelului în timp continuu, respectiv de tip impuls unitar
 1 daca k = 0
u [ k ⋅ Te ] = δ [ k ⋅ Te ] =  (70)
0 daca k ≠ 0
pentru cazul modelului în timp discret, atunci componenta fortață a variabilei de ieșire este:
Y fa ( s ) = H ( s ) = C ⋅ ( s ⋅ I − A ) ⋅ B
−1
(71)
pentru modele în timp continuu, respectiv
Y fa ( z )= H ( z )= C ⋅ ( z ⋅ I − Φ ) ⋅ Γ
−1
(72)
pentru modele în timp discret.
În cazul relațiilor de mai sus s-a ținut cont că transformata Laplace, cât și transformata
Z a impulsului, au următoarele valori: ∆ ( s ) = ∆( z) =1.
Modelele matematice definite de relațiile (71) și (72) poartă denumirea de răspunsul la
impuls al sistemului, iar aceast tip de model face parte din categoria modelelor matematice
neparametrice.
În cazul modelelor SISO funcția de transfer poate fi reprezentată astfel:
• pentru modele în timp continuu
Y ( s ) b ⋅ s m + b ⋅ s m −1 +  + b2 ⋅ s 2 + b1 ⋅ s + b0 B ( s )
G=( s ) = m n m−1 n−1 = (73)
U ( s ) an ⋅ s + an −1 ⋅ s +  + a2 ⋅ s 2 + a1 ⋅ s + a0 A ( s )
• pentru modele în timp discret
Y ( z ) bm ⋅ z m + bm −1 ⋅ z m −1 +  + b2 ⋅ z 2 + b1 ⋅ z + b0 B ( z )
G
= ( z) = = (74)
U ( z ) an ⋅ z n + an −1 ⋅ z n −1 +  + a2 ⋅ z 2 + a1 ⋅ z + a0 A ( z )
În cadrul relațiilor de mai sus, dacă m < n atunci funcția de transfer se numește strict
proprie (matricea D este nulă și G ( s ) = H ( s ) , respectiv G ( z ) = H ( z ) ); dacă m = n se numește
proprie, iar dacă m > n se numește improprie.
Polinoamele A și B din componența funcțiilor de transfer (73) și (74) poartă denumirea
de polinoamele zerourilor, respectiv polinoamele polilor.
În cadrul relațiilor (73) și (74) coeficienții {bi }i =0,m și {ai }i =0,n depind de elementele

matricilor ce definesc modelele ISO (16), respectiv (20). Coeficienții {bi }i =0,m și {ai }i =0,n mai
poartă denumirea și de parametrii funcției de transfer.
În multe situații practice, sistemele/procesele ce urmează a fi modelate au o întârziere
între intrare și ieșire.
Un element cu întârziere pură în timp continuu, este descris de următoarea relație intrare
– ieșire
y (=
t ) u ( t − Tm ) (75)
unde Tm poartă denumirea de timpul mort.
Pe de altă parte, un element de întârziere pură în timp discret este definit de următoarea
relație intrare – ieșire
y [ k ⋅ Te =] u ( k − d ) ⋅ Te  (76)
unde d poartă denumirea de timpul mort exprimat în perioade de eșantionare.
În aceste condiții, funcția de transfer aferentă relației (75), este
 Y (s)
p (s)
G= = e −Tm ⋅s (77)
U (s)
pentru modelele în timp continuu, respectiv
Y ( z)
p ( z)
G= = z −d (78)
U ( z)
pentru modelele în timp discret.
În cazul general, pentru modele de tip SISO liniare, invariante în timp, de tip determinist,
relațiile mai sus prezentate devin
• pentru modele în timp continuu:
Y ( s ) B ( s ) −Tm ⋅s bm ⋅ s m + bm −1 ⋅ s m −1 +  + b2 ⋅ s 2 + b1 ⋅ s + b0 −Tm ⋅s
Gp ( s ) = = ⋅e = ⋅e (79)
U ( s) A( s) an ⋅ s n + an −1 ⋅ s n −1 +  + a2 ⋅ s 2 + a1 ⋅ s + a0
• pentru modele în timp discret:
Y ( z ) B ( z ) − d bm ⋅ z m + bm −1 ⋅ z m −1 +  + b2 ⋅ z 2 + b1 ⋅ z + b0 − d
G p ( z )= = ⋅z = ⋅z (80)
U ( z) A( z ) an ⋅ z n + an −1 ⋅ z n −1 +  + a2 ⋅ z 2 + a1 ⋅ z + a0
În cazul cel mai general, modelele de tip ISO în timp continuu cu timpi morți incluși în
variabilele de stare și intrare (comandă), sunt descrise de următorul sistem de ecuații diferențiale
𝑑𝑑𝑑𝑑(𝑡𝑡)
= f�𝑡𝑡, 𝑥𝑥(𝑡𝑡), 𝑥𝑥(𝑡𝑡 − 𝑇𝑇𝑛𝑛 ), 𝑢𝑢(𝑡𝑡), 𝑢𝑢(𝑡𝑡 − 𝑇𝑇𝑚𝑚 ), 𝑧𝑧(𝑡𝑡)�
� 𝑑𝑑𝑑𝑑 (81)
𝑦𝑦(𝑡𝑡) = 𝑔𝑔�𝑡𝑡, 𝑥𝑥(𝑡𝑡), 𝑥𝑥(𝑡𝑡 − 𝑇𝑇𝑛𝑛 ), 𝑢𝑢(𝑡𝑡), 𝑢𝑢(𝑡𝑡 − 𝑇𝑇𝑚𝑚 ), 𝑧𝑧(𝑡𝑡)�
unde Tn și Tm sunt timpii morți incluși în variabilele de stare, respectiv de intrare.
În cazul modelelor de tip ISO în timp discret, cu timpi morți incluși în variabilele de
stare și intrare, modelul mathematic cel mai general este dat de următoarea relație
𝑥𝑥[(𝑘𝑘 + 1) ∙ 𝑇𝑇𝑒𝑒 ] = f(𝑘𝑘𝑇𝑇𝑒𝑒 , 𝑥𝑥[𝑘𝑘 ∙ 𝑇𝑇𝑒𝑒 ], 𝑥𝑥[(𝑘𝑘 − 𝑑𝑑𝑎𝑎 ) ∙ 𝑇𝑇𝑒𝑒 ], 𝑢𝑢[𝑘𝑘 ∙ 𝑇𝑇𝑒𝑒 ], 𝑢𝑢[(𝑘𝑘 − 𝑑𝑑𝑏𝑏 ) ∙ 𝑇𝑇𝑒𝑒 ], 𝑧𝑧[𝑘𝑘 ∙ 𝑇𝑇𝑒𝑒 ])
� (82)
𝑦𝑦[𝑘𝑘 ∙ 𝑇𝑇𝑒𝑒 ] = 𝑔𝑔(𝑘𝑘𝑇𝑇𝑒𝑒 , 𝑥𝑥[𝑘𝑘 ∙ 𝑇𝑇𝑒𝑒 ], 𝑥𝑥[(𝑘𝑘 − 𝑑𝑑𝑎𝑎 ) ∙ 𝑇𝑇𝑒𝑒 ], 𝑢𝑢[𝑘𝑘 ∙ 𝑇𝑇𝑒𝑒 ], 𝑢𝑢[(𝑘𝑘 − 𝑑𝑑𝑏𝑏 ) ∙ 𝑇𝑇𝑒𝑒 ], 𝑧𝑧[𝑘𝑘 ∙ 𝑇𝑇𝑒𝑒 ])
unde d a și db sunt timpii morți incluși în variabilele de stare, respectiv de intrare.
Observație: În anumite condiții, modelele matematice cu parametrii distribuiți, descrise
de ecuații/sisteme de ecuații cu derivate parțiale, pot fi aproximate prin ecuații/sisteme de
ecuații diferențiale cu întârziere, în care timpul mort este dependent atât de timp, cât și de
variabila spațială ξ ∈Ω .
O altă categorie de modele matematice sunt cele obținute pe baza discretizării modelelor
matematice în timp continuu. Un astfel de exemplu este modelul matematic linear de tip ISO,
invariant în timp și determinist, obținut pe baza discretizării în spațiul stărilor.
Pentru a discretiza modelul matematic definit de relația (16) vom utiliza funcția de
tranziție a stărilor dată de expresia (48). În acest sens, vom presupune că variabila de intrare
este constantă între doi pași de eșantionare.
În aceste condiții, în cadrul relației (48) se consideră că t0= k ⋅ Te și t = ( k + 1) ⋅ Te (un
pas de eșantionare oarecare), unde Te este timpul de eşantionare, iar vectorul de intrare
τ ) u [ k ⋅ Te ] este constant pentru orice k ⋅ Te ≤ τ < ( k + 1) ⋅ Te . În aceste condiţii, relaţia (48)
u (=
devine:
  ( k +1)⋅Te A⋅(( k +1)⋅T −τ ) 
x ( k + 1) ⋅ Te  = e ⋅ x [ k ⋅ Te ] + 
A⋅Te

 k ⋅Te ∫e e
⋅ Bdτ  ⋅ u [ k ⋅ Te ]

(83)

Pe baza relației de mai sus, se pot scrie următoarele:

not
A⋅Te
∞ Ai ⋅ Tei
Φ=
d e = ∑ (84)
i =0 i!
not
( k +1)⋅T A⋅( k +1)⋅Te −τ  0
Γ d =∫k ⋅T e e  ⋅ Bdτ =− ∫T e A⋅η ⋅ Bdη =
e e
(85)
∞ Ai ⋅ Tei +1
=
Te A⋅η
∫
0
e ⋅ Bdη= A ⋅ e −1
( A⋅Te
)
− I ⋅ B= ∑
i =0 ( i + 1) !
⋅B

Pentru calculul integralei din (85) s-a realizat următoarea schimbare de variabilă:
η = (k + 1) ⋅ T − τ .
În mod identic, a doua ecuaţie a sistemului canonic (16) devine:
y ( k + 1) ⋅ Te  = C ⋅ x ( k + 1) ⋅ Te  + D ⋅ u ( k + 1) ⋅ Te  (86)
sau
y [ k ⋅ Te ] =C ⋅ x [ k ⋅ Te ] + D ⋅ u [ k ⋅ Te ] (87)
Observație: În cazul discretizării matricile C și D din cadrul modelului matematic în
timp continuu (16), nu sunt afectate de discretizare.
În aceste condiiții, modelul matematic discretizat în spațiul stărilor este:
𝑥𝑥[(𝑘𝑘 + 1) ∙ 𝑇𝑇𝑒𝑒 ] = Φ𝑑𝑑 ∙ 𝑥𝑥[𝑘𝑘 ∙ 𝑇𝑇𝑒𝑒 ] + Γ𝑑𝑑 ∙ 𝑢𝑢[𝑘𝑘 ∙ 𝑇𝑇𝑒𝑒 ]
� ; x [ k0 ⋅ Te ] =
x0 (88)
𝑦𝑦[𝑘𝑘 ∙ 𝑇𝑇𝑒𝑒 ] = 𝐶𝐶 ∙ 𝑥𝑥[𝑘𝑘 ∙ 𝑇𝑇𝑒𝑒 ] + 𝐷𝐷 ∙ 𝑢𝑢[𝑘𝑘 ∙ 𝑇𝑇𝑒𝑒 ]
Datorită complexităţii operaţiilor necesare obţinerii matricelor Φ d şi Γ d , în practică
sunt utilizate două metode de discretizare:
• discretizarea simplificată obţinută în urma dezvoltarii relaţiilor (84) şi (85) în care se
neglijează toţi termenii pentru care Te este mai mare decât unu. Astfel:
Φ d = I + A ⋅ Te ; Γ d = B ⋅ Te (89)
• discretizarea completă în care se neglijează termenii a căror exponent a lui Te este mai
mare decât doi:
Te 2 A ⋅ Te 2
Φ d = I + A ⋅ Te + A2 ⋅ Γ
; d = B ⋅ Te + ⋅B (90)
2 2
O altă categorie de modele matematice neparametrice sunt cele ce se bazează pe
răspunsul în frecvență (caracteristicile de frecvență) a sistemului/procesului ce urmează a fi
modelat.
Răspunsul în frecvență a unui sistem/proces se definește ca fiind răspunsul
sistemului/procesului la un semnal sinusoidal de amplitudine constantă și frecvență variabilă.
În cazul modelelor matematice liniare, invariante în timp, deterministe, de tip SISO,
funcția de transfer în domeniul frecvenței este definită ca fiind raportul între transformata
Fourier a variabilei de ieșire Y ( j ⋅ ω ) și transformata Fourier a variabilei de intrare U ( j ⋅ ω ) ,
unde ω = 2 ⋅ π ⋅ f este pulsația, iar f este frecvența.
În aceste condiții, funcția de transfer în domeniul frecvenței este definită astfel
• pentru modele în timp continuu
 Y ( j ⋅ ω ) bm ⋅ ( j ⋅ ω ) + bm −1 ⋅ ( j ⋅ ω ) +  + b2 ⋅ ( j ⋅ ω ) + b1 ⋅ ( j ⋅ ω ) + b0
m m −1 2

G ( j=
⋅ω ) = (91)
U ( j ⋅ ω ) an ⋅ ( j ⋅ ω )n + an −1 ⋅ ( j ⋅ ω )n −1 +  + a2 ⋅ ( j ⋅ ω )2 + a1 ⋅ ( j ⋅ ω ) + a0
• pentru modele în timp discret
Y ( j ⋅ ω ) bm ⋅ za m + bm −1 ⋅ za m −1 +  + b2 ⋅ za 2 + b1 ⋅ za + b0
G ( j=
⋅ω ) = (92)
U ( j ⋅ ω ) an ⋅ za n + an −1 ⋅ za n −1 +  + a2 ⋅ za 2 + a1 ⋅ za + a0
za e j⋅ω=
unde: = ⋅Te
cos (ω ⋅ Te ) + j ⋅ sin (ω ⋅ Te ) , iar j= −1 .
Funcțiile de transfer anterior prezentate pot fi puse sub următoarea formă
G ( j ⋅ω
= ) Re G ( j ⋅ ω ) + j ⋅ Im G ( j ⋅ ω=
) P (ω ) + j ⋅ Q (ω ) (93)
unde P este partea reală a funcției de transfer, iar Q este partea imaginară a acesteia.
Pe de altă parte, sub formă trigonometrică relația (93) se poate scrie astfel
G ( j ⋅ ω )= G ( j ⋅ ω ) ⋅ e j
⋅ϕ (ω )
(94)
unde:
e ⋅ϕ (ω ) cos (ϕ (ω ) ) + j ⋅ sin (ϕ (ω ) )
j
= (95)

G ( j ⋅=
ω) P 2 (ω ) + Q 2 (ω ) - este amplitudinea (96)

 Q (ω ) 
ϕ (ω ) = arctg   - este argumentul (97)
 P (ω ) 
Pe baza relațiilor (93), (96) și (97) se pot pune în evidență caracteristicile în frecvență a
sistemului/procesului. În general, reprezentarea grafică a răspunsului în frecvență a unui
sistem/proces se face în două moduri:
• utilizând caracteristica Nyquist;
• utilizând caracteristicile Bode.
Caracteristica Nyquist (locul de transfer) este hodograful vectorului G ( j ⋅ ω ) definit de
relația (93), atunci când ω ∈ ( −∞, +∞ ) . Uzual, în domeniul automaticii se utilizează pulsații
positive, astfel încât ω ∈ [ 0, +∞ ) . În cadrul hodografului Nyquist, partea reală a funcției de
transfer este reprezentată pe axa abscisei, iar partea imaginară a funcției de transfer este
reprezentată pe axa ordonatei.
Hodograful Nyquist pentru un sistem de ordinul unu definit de următoarea funcție de
transfer
Y (s) k
G
= (s) = (98)
U ( s) 1+ T ⋅ s
este prezentat în figura următoare.
 Fig.5.2. Hodograful Nyquist afrent unui sistem aperiodic de ordinul unu

Din figura 5.2 se observă că pentru o anumită pulsație ω * [ rad s ] din cadrul
hodografului Nyquist se pot determina amplitudinea și argumentul funcției de transfer, aferente
pulsației ω * .
Reprezentarea Bode a răspunsului în frecvență implică trasarea a două grafice:
amplitudine-pulsație, repsectiv defazaj-pulsație.
Uzual, amplitudinea în cadrul diagramei amplitudine-pulsație se preferă să se măsoare
în decibeli (dB). Astfel, relația de calcul a amplitudinii funcției de transfer în decibeli, este:
G ( j ⋅ ω ) dB = (
20 ⋅ lg G ( j ⋅ ω ) ) (99)
În cadrul diagramei Bode amplitudine-pulsație, pulsația se reprezintă pe axa abscisei,
iar amplitudinea în decibeli aferentă funcției de transfer este reprezentată pe axa ordonatei.
În ceea ce privește diagrama Bode defazaj-pulsație, trasarea graficului se face pe baza
relației de definiție a defazajului (argumentul funcției de transfer – a se vedea relația (97)).
Astfel pe axa abscisei se reprezintă pulsația, iar pe axa ordonatei se reprezintă defazajul
(calculat în grade).
Diagramele Bode aferente sistemului aperiodic de ordinul unu, definit prin funcția de
transfer (98), sunt prezentate în figurile următoare.
 Fig.5.3. Caracteristicile Bode pentru un sistem aperiodic de ordinal unu

Din cadrul graficelor din figurile 5.2 și 5.3 se observă că sistemul aperiodic de ordinul
unu se comportă ca un filtru trece jos (FTJ). Caracteristicile Bode se pot trasa și în unități
logaritmice, aferente pulsației de pe axa abscisei (în acest caz, în cadrul figurii 5.3 pe axa
abscisei apare lg (ω ) ).
În cazul sistemelor/proceselor liniare, invariante în timp, deterministe, de tip SISO,
atunci când la intrare se aplică un semnal sinusoidal definit de relația următoare
u (t ) =
A ⋅ sin (ω ⋅ t ) (100)
la ieșire se obține tot un semnal sinusoidal de următoarea formă
y ( t ) = B ⋅ sin (ω ⋅ t + ϕ ) (101)
În aceste condiții, dacă ținem cont de transformatele Laplace a semnalelor date de
relațiile (100) și (101), obținem
Y ( s ) B s ⋅ sin (ϕ ) + ω ⋅ cos (ϕ )
G ( s=
) = ⋅ (102)
U (s) A ω
ω s ⋅ sin (ϕ ) + ω ⋅ cos (ϕ )
unde: U ( s )= A ⋅ ; Y ( s )
= B ⋅ .
s2 + ω 2 s2 + ω 2
Pe de altă parte, utilizând transformata Fourier în cadrul relației (102) obținem:
Y ( j ⋅ ω ) B j ⋅ ω ⋅ sin (ϕ ) + ω ⋅ cos (ϕ ) B j⋅ϕ
G ( j ⋅ω ) = = ⋅ = ⋅e (103)
U ( j ⋅ω ) A ω A
Astfel, comparând relația (103) cu (94) obținem:
B
G ( j ⋅ ω ) =; ϕ (ω ) = ϕ (104)
A
 Din relația (104), se observă câ modulul funcției de transfer este definit de raportul
dintre amplitudinea semnalului de ieșire pe amplitudinea semnalului de intrare, iar argumentul
funcției de transfer este definit de defazajul semnalului de ieșire față de semnalul de intrare.
Ținând cont de definiția răspunsului în fecvență a unui sistem/proces, cât și de relațiile
anterior prezentate, putem spune că diagramele Bode se pot obține experimental. Astfel, pentru
diverse pulsații {ωi }i =1, N ale semnalului de intrare, de amplitudine constantă (A), se observă că
amplitudinea, cât și defazajul semnalului de ieșire este dependent de pulsația semnalului de
intrare. În aceste condiții, în urma a N astfel de experimente, se obțin următoarele valori:
Bi
G ( j ⋅ω ) = ; ϕ (ω ) ω = ϕi ; i = 1, N (105)
ωi A i

Astfel, pe baza valorilor date de relațiile (105) se pot trasa foarte ușor cele două
diagrame Bode.
Observație: În cazul modelelor în timp discret (a se vedea relația (92)) procedeul de
obținere a diagramelor Nyquist și Bode este același cu cel prezentat mai sus, cu deosebirea că
π
pulsația ia valori din domeniul următor ω ∈ [ 0, ω N ] , unde ω N = poartă denumirea de pulsația
Te
Nyquist.
În foarte multe situații practice, sistemul/procesul ce urmează a fi modelat matematic
poate fi privit ca un sistem liniar ce are o intrare de comandă, o intrare perturbatoare și o ieșire
(a se vedea figura 5.4).

Fig. 5.4. Schema bloc a unui sistem liniar ce are ieșirea afectată de zgomot

În cazul în care perturbația are o influență puternică asupra ieșirii, atunci în cadrul
modelării sistemului/procesului, pe lângă modelul matematic al căii de control este nevoie și de
modelul matematic al căii de zgomot. Atunci când valorile variabilelor de intrare-ieșire sunt
eșantionate în timp, modelul matematic a sistemului/procesului prezentat în figura 5.4, poate fi
scris astfel
Y ( z ) = G ( z ) ⋅U ( z ) + Z ( z ) (106)
∞ ∞ ∞

( z)
unde: Y=
∑
k = −∞
y [ k ⋅ Te ] ⋅ z ; U=
−k
( z) ∑[
k = −∞
u k ⋅ Te ] ⋅ z −k
( z)
și Z=
∑[
k = −∞
z k ⋅ Te ] ⋅ z − k sunt

transformatele Z ale variabilelor de ieșire, intrare respectiv de zgomot, iar G ( z ) este funcția de
transfer a căii de control.
Forma generală a funcției de transfer aferentă căii directe, se poate scrie astefel
B ( z ) − d b0 + b1 ⋅ z −1 + b2 ⋅ z −2 +  + bnb ⋅ z − nb − d
G ( z )= ⋅z = ⋅z (107)
F ( z) 1 + f1 ⋅ z −1 + f 2 ⋅ z −2 +  + f nf ⋅ z − nf
 Din relația de mai sus, se observă că funcția de transfer a căii de control se bazează pe
forma generală a funcției de transfer a unui filtru numeric (digital) ce are intrarea afectată de
timpul mort d, exprimat în perioade de eșantionare.
Utilizând propietatea deplasării în timp aferente transformatei Z, în condițiile în care
perturbația este considerată nulă, din cadrul relației (106) putem scrie următoarele expresii
matematice echivalente
F ( z ) ⋅ Y ( z ) = B ( z ) ⋅ z − d ⋅U ( z ) (108)
y [ k ⋅ Te ] + f1 ⋅ y ( k − 1) ⋅ Te  +  + f nf ⋅ y ( k − nf ) ⋅ Te  =
(109)
= b0 ⋅ u ( k − d ) ⋅ Te  + b1 ⋅ u ( k − ( d + 1) ) ⋅ Te  +  + bnb ⋅ u ( k − ( d + nb ) ) ⋅ Te 

(1 + f1 ⋅ q −1 +  + fnf ⋅ q −nf ) ⋅ y [ k ⋅ Te ] = (b0 + b1 ⋅ q −1 +  + bnb ⋅ q −nb ) ⋅ q −d ⋅ u [ k ⋅ Te ] (110)

b0 + b1 ⋅ q −1 +  + bnb ⋅ q − nb (111)
=y [ k ⋅ Te ] −1 − nf
⋅ q − d ⋅ u [ k ⋅ Te ]
1 + f1 ⋅ q +  + f nf ⋅ q

În cadrul relațiilor (110) și (111), q − m poartă denumirea de operatorul de întârziere cu

m pași; q − m ⋅ y [ k ⋅ Te ]= y ( k − m ) ⋅ Te  .
În aceste condiții, ținând cont de cele prezntate mai sus, expresia (106) se poate scrie
astfel
y [ k ⋅ Te=
] G ( q ) ⋅ u ( k − d ) ⋅ Te  + z [ k ⋅ Te ] (112)
B ( q ) b0 + b1 ⋅ q −1 +  + bnb ⋅ q − nb
unde: G
= (q) = .
F ( q ) 1 + f1 ⋅ q −1 +  + f nf ⋅ q − nf
În cele mai multe situații practice intrarea nu acționează direct asupra ieșirii (nu există
transmisie instantanee), iar d ≥ 0 (timpul mort). Din acest motiv polinomul B din cadrul
expresiei de mai sus, este de următoarea formă: B ( q ) = b1 ⋅ q −1 +  + bnb ⋅ q − nb ; b0 = 0 .
În aceste condiții expresia generală a lui G ( q ) din cadrul relației (112), este:
B (q) b1 ⋅ q −1 +  + bnb ⋅ q − nb
G
= (q) = (113)
F ( q ) 1 + f1 ⋅ q −1 +  + f nf ⋅ q − nf
În cazul în care perturbația este un proces aleatoar (stochastic) generat prin filtrarea
zgomotului alb, putem scrie următoarea relație
z [ k ⋅ Te =
] H ( q ) ⋅ e [ k ⋅ Te ] (114)
C ( q ) 1 + c1 ⋅ q −1 +  + cnc ⋅ q − nc
(q)
unde: H= = este funcția de transfer a filtrului numeric,
D ( q ) 1 + d1 ⋅ q −1 +  + d nd ⋅ q − nd
iar e [ k ⋅ Te ] este zgomotul alb discret.
În aceste condiții, relația (112) se poate scrie astfel:
y [ k ⋅ Te=
] G ( q ) ⋅ u ( k − d ) ⋅ Te  + H ( q ) ⋅ e [ k ⋅ Te ] (115)
Relația (115) descrie modelul matematic intrare-ieșire a căilor de control și zgomot.
O generalizare a modelului matematic definit de relația (115) este prezentat mai jos
 B (q) C (q)
A ( q ) ⋅ y [ k ⋅ Te=
] ⋅ u ( k − d ) ⋅ Te  + ⋅ e [ k ⋅ Te ] (116)
F (q) D (q)
unde A, B, C, D și F sunt polinoame ce au următoarea formă
A ( q ) =1 + a1 ⋅ q −1 +  + ana ⋅ q − na (117)

B ( q ) = b1 ⋅ q −1 +  + bnb ⋅ q − nb (118)

C ( q ) =1 + c1 ⋅ q −1 +  + cnc ⋅ q − nc (119)

D ( q ) =1 + d1 ⋅ q −1 +  + d nd ⋅ q − nd (120)

F ( q ) =1 + f1 ⋅ q −1 +  + f nf ⋅ q − nf (121)
Modelul matematic definit de relația (116) poartă denumirea de forma THETA discretă
aferentă modelelor matematice liniare stochastice. Coeficienții polinoamelor anterior
prezentate reprezintă parametrii necunoscuți ai modelului matematic.
Vectorul parametrilor necunoscuți aferent modelului matematic (116) este:
T
θ =  a1  ana b1  bnb c1  cnc d1  d nd f1  f nf  (122)
În cele ce urmează vom prezenta căteva particularizări ale modelului THETA (116).
M1. Modelul autoregresiv (AR) . Acest model matematic este definit de următoarea relație
A ( q ) ⋅ y [ k ⋅ Te ] = e [ k ⋅ Te ] (123)
unde: nb
= nc = nf= 0 , iar vectorul parametrilor necunoscuți este
= nd
T
θ1 = [ a1  ana ] (124)
Dacă notăm cu ϕ1 vectorul regreserilor
T
ϕ1 [ k ⋅ Te ] =
 − y ( k − 1) ⋅ Te   − y ( k − na ) ⋅ Te   (125)
relația (123) se poate pune sub următoarea formă
y [ k ⋅ Te ] = yˆ [ k ⋅ Te ] + e [ k ⋅ Te ] = ϕ1T [ k ⋅ Te ] ⋅ θ1 + e [ k ⋅ Te ] (126)
unde: yˆ [ k ⋅ Te ] este ieșirea estimată a sistemului pusă sub forma unei regresii liniare. Relația
(126) poartă denumirea de modelul matematic AR pus sub forma unei regresii liniare.
M2. Modelul autoregresiv integrat (ARI) . Relația de definiție a acestui model, este
1
A ( q ) ⋅ y [ k ⋅ T=
e] ⋅ e [ k ⋅ Te ] (127)
1 − q −1
T
unde: nb = nc = nf= 0 , nd = 1 , d1 = −1 , iar θ 2 = [ a1  ana ] este vectorul parametrilor
necunoscuți.
Relația (127) se mai poate scrie astfel
e ] e [ k ⋅ Te ]
A ( q ) ⋅ ∆y [ k ⋅ T= (128)
unde: ∆y [ k ⋅ Te ]= y [ k ⋅ Te ] − y ( k − 1) ⋅ Te 
În acest caz, vectorul regresorilor este:
  ∆y ( k − 1) ⋅ Te    y ( k − 1) ⋅ Te  − y ( k − 2 ) ⋅ Te  
   
 ∆y ( k − 2 ) ⋅ Te    y ( k − 2 ) ⋅ Te  − y ( k − 3) ⋅ Te  
ϕ2 [ k ⋅ Te ] =
−  =
−   (129)
   
 
 ∆y ( k − na ) ⋅ Te    y ( k − na ) ⋅ T  − y ( k − ( na + 1) ) ⋅ T  
    e  e 

Pe baza notațiilor de mai sus, modelul (128) se poate scrie astfel:

∆y [ k ⋅ Te ] =
∆yˆ [ k ⋅ Te ] + e [ k ⋅ Te ] =
ϕ2T [ k ⋅ Te ] ⋅θ 2 + e [ k ⋅ Te ] (130)
unde: este diferența estimată a ieșiri pusă sub forma unei regresii liniare.
Utilizând relațiile de mai sus, expresia (127) se poate scrie astfel
y [ k ⋅ Te=] y ( k − 1) ⋅ Te  + ϕ2T [ k ⋅ Te ] ⋅θ 2 + e [ k ⋅ Te ] (131)
Relația (131) se poate scrie astfel
y [ k ⋅ Te ] = yˆ [ k ⋅ Te ] + e [ k ⋅ Te ] = ϕaT [ k ⋅ Te ] ⋅ θ a + e [ k ⋅ Te ] (132)
unde yˆ [ k ⋅ Te ] este ieșirea estimată a sistemului pusă sub forma unei regresii liniare, iar ϕa și
θ a sunt:
 − y ( k − 1) ⋅ Te  
 
 y ( k − 1) ⋅ Te  − y ( k − 2 ) ⋅ Te  
 y ( k − 1) ⋅ Te    
ϕa [ k ⋅ Te ] =
 =− y ( k − 2 ) ⋅ Te  − y ( k − 3) ⋅ Te   (133)
 ϕ2 [ k ⋅ Te ]   

 
 y ( k − na ) ⋅ Te  − y ( k − ( na + 1) ) ⋅ Te  
  
T
θ a = [1 a1  ana ] (134)
Relația (132) poartă denumirea de modelul matematic ARI pus sub forma unei regresii
liniare.
M3. Modelul de medie alunecătoare (MA) . Relația ce definește acest model este
y [ k ⋅ Te ]= C ( q ) ⋅ e [ k ⋅ Te ] (135)
unde: na
= nb = nf= 0 , iar vectorul parametrilor necunoscuți este:
= nd
T
θ3 = [ c1  cnc ] (136)
În acest caz, vectorul regresorilor este:
T
ϕ3 [ k ⋅ T=
e] 
e ( k − 1) ⋅ Te   e ( k − nc ) ⋅ Te   (137)
Pe baza notațiilor (136) și (137), relația (135) se poate pune sub forma
y [ k ⋅ Te ] = yˆ [ k ⋅ Te ] + e [ k ⋅ Te ] = ϕ3T [ k ⋅ Te ] ⋅ θ3 + e [ k ⋅ Te ] (138)
unde: yˆ [ k ⋅ Te ] este ieșirea estimată a sistemului pusă sub forma unei regresii liniare.
Expresia (138) se numește modelul matematic MA pus sub forma unei regresii liniare.
M4. Modelul autoregresiv și de medie alunecătoare (ARMA) . Acest model este definit
de următoarea relație
A ( q ) ⋅ y [ k ⋅ Te ]= C ( q ) ⋅ e [ k ⋅ Te ] (139)
 T
unde: nb
= nd = nf= 0 , iar θ 4 = [ a1  ana c1  cnc ] este vectorul parametrilor
necunoscuți.
În aceste condiții, dacă notăm cu ϕ4 vectorul regreserilor
T
ϕ4 [ k ⋅ Te ] =
 − y ( k − 1) Te   − y ( k − na ) Te  e ( k − 1) Te   e ( k − nc ) Te   (140)
relația (139) se poate pune sub următoarea formă
y [ k ⋅ Te ] = yˆ [ k ⋅ Te ] + e [ k ⋅ Te ] = ϕ4T [ k ⋅ Te ] ⋅ θ 4 + e [ k ⋅ Te ] (141)
unde: yˆ [ k ⋅ Te ] este ieșirea estimată a sistemului pusă sub forma unei regresii liniare.
Relația (141) se numește modelul matematic ARMA pus sub forma unei regresii liniare.

M5. Modelul autoregresiv integrat și de medie alunecătoare (ARIMA) . Acest model

este definit de următoarea relație
C (q)
A ( q ) ⋅ y [ k ⋅ T=
e] ⋅ e [ k ⋅ Te ] (142)
1 − q −1
T
= nf= 0 , nd = 1 , d1 = −1 , iar
unde: nb θ5 = [ a1  ana c1  cnc ] este vectorul
parametrilor necunoscuți.
Relația (142) se mai poate scrie astfel
A ( q ) ⋅ ∆y [ k =
⋅ Te ] C ( q ) ⋅ e [ k ⋅ Te ] (143)
unde: ∆y [ k ⋅ Te ]= y [ k ⋅ Te ] − y ( k − 1) ⋅ Te  .
Dacă notăm cu ϕ5 vectorul regreserilor

 −∆y ( k − 1) Te   

(
− y ( k − 1) ⋅ Te  − y ( k − 2 ) ⋅ Te  ) 

 
     
 
 −∆y ( k − na ) T  
ϕ5 [ k ⋅ Te ]  =
=
 e 

(
 − y ( k − na ) ⋅ Te  − y ( k − ( na + 1) ) ⋅ Te  ) 
 (144)
 e ( k − 1) Te   e ( k − 1) Te 
   
    
  
 e  k − nc T  
 ( ) e  
 e ( k − nc ) Te  

relația (142) se poate scrie astfel
∆y [ k ⋅ Te ] =
∆yˆ [ k ⋅ Te ] + e [ k ⋅ Te ] =
ϕ5T [ k ⋅ Te ] ⋅θ5 + e [ k ⋅ Te ] (145)
unde: este diferența estimată a ieșiri pusă sub forma unei regresii liniare.
Pe de altă parte, expresia (145) se poate scrie astfel
y [ k ⋅ Te ] = yˆ [ k ⋅ Te ] + e [ k ⋅ Te ] = ϕbT [ k ⋅ Te ] ⋅ θb + e [ k ⋅ Te ] (146)
unde yˆ [ k ⋅ Te ] este ieșirea estimată a sistemului pusă sub forma unei regresii liniare, iar ϕb și
θb sunt:
  y ( k − 1) ⋅ Te  
 


(
− y ( k − 1) ⋅ Te  − y ( k − 2 ) ⋅ Te  ) 

  
 y ( k − 1) ⋅ Te    
ϕb [ k ⋅ Te ]  =
=
 ϕ5 [ k ⋅ Te ]  
 (
  − y ( k − na ) ⋅ Te  − y ( k − ( na + 1) ) ⋅ Te 
   )  (147)

 e ( k − 1) Te  
  
 

 e ( k − nc ) Te  

T
θb = [1 a1  ana c1  cnc ] (148)
Relația (146) poartă denumirea de modelul matematic ARIMA pus sub forma unei
regresii liniare.

M6. Modelul autoregresiv cu mărime de intrare exogenă (ARX) . Acest model mai este
denumit și model autoregresiv controlat. Modelul este definit astfel
A ( q ) ⋅ y [ k ⋅ Te =
] B ( q ) ⋅ u ( k − d ) ⋅ Te  + e [ k ⋅ Te ] (149)
T
unde: nc
= nd = nf= 0 , iar θ6 = [ a1  ana b1  bnb ] este vectorul parametrilor
necunoscuți.
Dacă notăm cu ϕ6 vectorul regreserilor
 − y ( k − 1) ⋅ Te  
 
  
 − y ( k − na ) ⋅ T  
  e 
ϕ6 [ k ⋅ Te ] =
 u ( k − ( d + 1) ) ⋅ T   (150)
  e 
  
 
u ( k − ( d + nb ) ) ⋅ Te  
 
relația (149) se poate pune sub următoarea formă
y [ k ⋅ Te ] = yˆ [ k ⋅ Te ] + e [ k ⋅ Te ] = ϕ6T [ k ⋅ Te ] ⋅ θ6 + e [ k ⋅ Te ] (151)
unde: yˆ [ k ⋅ Te ] este ieșirea estimată a sistemului pusă sub forma unei regresii liniare.
Relația (151) se numește modelul matematic ARX pus sub forma unei regresii liniare.
M7. Modelul autoregresiv integrat cu mărime de intrare exogenă (ARIX) . Modelul este
definit astfel
1
A ( q ) ⋅ y [ k ⋅ Te =
] B ( q ) ⋅ u ( k − d ) ⋅ Te  + −1 ⋅ e [ k ⋅ Te ] (152)
1− q
T
= nf= 0 , nd = 1 , d1 = −1 , iar
unde: nc θ7 = [ a1  ana b1  bnb ] este vectorul
parametrilor necunoscuți.
Expresia (152) se poate scrie astfel
 A ( q ) ⋅ ∆y [ k ⋅=
Te ] B ( q ) ⋅ ∆u ( k − d ) ⋅ Te  + e [ k ⋅ Te ] (153)

unde: ∆y [ kTe ]= y [ kTe ] − y ( k − 1) Te  ; ∆u ( k − d ) Te = u ( k − d ) Te  − u ( k − ( d + 1) ) Te  .

În aceste condiții, dacă notăm cu ϕ7 vectorul regresorilor

 −∆y ( k − 1) Te   

(
− y ( k − 1) ⋅ Te  − y ( k − 2 ) ⋅ Te  ) 

   
   
 
 −∆y ( k − na ) T  
ϕ7 [ k ⋅ Te ]  =
=
 e 

(
 − y ( k − na ) ⋅ Te  − y ( k − ( na + 1) ) ⋅ Te   )  (154)
 ∆u ( k − d ) Te  
   u ( k − d ) Te  − u ( k − ( d + 1) ) Te  
    
  
 
 ∆u ( k − ( d + nb ) ) Te    
u ( k − ( d + nb ) ) Te  − u ( k − ( d + nb + 1) ) Te  
relația (153) se poate scrie astfel
ϕ7T [ k ⋅ Te ] ⋅θ7 + e [ k ⋅ Te ]
∆yˆ [ k ⋅ Te ] + e [ k ⋅ Te ] =
∆y [ k ⋅ Te ] = (155)
unde: este diferența estimată a ieșiri pusă sub forma unei regresii liniare.
Relația (155) se mai poate scrie astfel
y [ k ⋅ Te ] = yˆ [ k ⋅ Te ] + e [ k ⋅ Te ] = ϕcT [ k ⋅ Te ] ⋅ θc + e [ k ⋅ Te ] (156)
unde yˆ [ k ⋅ Te ] este ieșirea estimată a sistemului pusă sub forma unei regresii liniare, iar ϕc și
θc sunt:
 y ( k − 1) ⋅ Te  
 


(
− y ( k − 1) ⋅ Te  − y ( k − 2 ) ⋅ Te  

)
  
 y ( k − 1) ⋅ Te    
ϕc [ k ⋅ Te ]  =
=
 ϕ7 [ k ⋅ Te ]  
(
  − y ( k − na ) ⋅ Te  − y ( k − ( na + 1) ) ⋅ Te   ) (157)

 u ( k − d ) Te  − u ( k − ( d + 1) ) Te  
 
  
 
u ( k − ( d + nb ) ) Te  − u ( k − ( d + nb + 1) ) Te  
   
T
θc = [1 a1  ana b1  bnb ] (158)
Expresia (156) poartă denumirea de modelul matematic ARIX pus sub forma unei
regresii liniare.
M8. Modelul autoregresiv de medie alunecătoare cu mărime de intrare exogenă
(ARMAX) . Modelul este definit astfel
] B ( q ) ⋅ u ( k − d ) ⋅ Te  + C ( q ) ⋅ e [ k ⋅ Te ]
A ( q ) ⋅ y [ k ⋅ Te = (159)
T
= nf= 0 iar
unde: nd θ8 = [ a1  ana b1  bnb c1  cnc ] este vectorul
parametrilor necunoscuți.
Dacă notăm cu ϕ8 vectorul regreserilor
  − y ( k − 1) Te  
 
  
 − y ( k − na ) T  
  e 
 u ( k − ( d + 1) ) T  
  e 
ϕ8 [ k ⋅ Te ] =
   (160)
 
u ( k − ( d + nb ) ) Te  
 
 e ( k − 1) Te  
 
  
 e ( k − nc ) Te  
   
relația (159) se poate scrie astfel
y [ k ⋅ Te ] = yˆ [ k ⋅ Te ] + e [ k ⋅ Te ] = ϕ8T [ k ⋅ Te ] ⋅ θ8 + e [ k ⋅ Te ] (161)
unde: yˆ [ k ⋅ Te ] este ieșirea estimată a sistemului pusă sub forma unei regresii liniare.
Relația (161) definește modelul matematic ARMAX pus sub forma unei regresii liniare.

M9. Modelul autoregresiv integrat de medie alunecătoare cu mărime de intrare

exogenă (ARIMAX) . Modelul este definit astfel
C (q)
] B ( q ) ⋅ u ( k − d ) ⋅ Te  + −1 ⋅ e [ k ⋅ Te ]
A ( q ) ⋅ y [ k ⋅ Te = (162)
1− q
T
unde: nf = 0 , nd = 1 , d1 = −1 , iar θ9 = [ a1  ana b1  bnb c1  cnc ] este
vectorul parametrilor necunoscuți.
Pe de altă parte, relația (162) se poate scrie astfel
Te ] B ( q ) ⋅ ∆u ( k − d ) ⋅ Te  + C ( q ) ⋅ e [ k ⋅ Te ]
A ( q ) ⋅ ∆y [ k ⋅=
(163)
unde: ∆y [ kTe ]= y [ kTe ] − y ( k − 1) Te  ; ∆u ( k − d ) Te = u ( k − d ) Te  − u ( k − ( d + 1) ) Te  .
Dacă notăm cu ϕ9 vectorul regresorilor
  −∆y ( k − 1) ⋅ Te   

( )
− y ( k − 1) ⋅ Te  − y ( k − 2 ) ⋅ Te  

   
   
 
 −∆y ( k − na ) ⋅ T  
  e 

(
 − y ( k − na ) ⋅ Te  − y ( k − ( na + 1) ) ⋅ Te  ) 

 ∆u ( k − d ) ⋅ Te  
   u ( k − d ) ⋅ Te  − u ( k − ( d + 1) ) ⋅ Te  
=ϕ9 [ k ⋅ Te ]  =     (164)
  
 
 ∆u ( k − ( d + nb ) ) ⋅ Te    
u ( k − ( d + nb ) ) ⋅ Te  − u ( k − ( d + nb + 1) ) ⋅ Te  
 
 e ( k − 1) ⋅ Te   
e ( k − 1) ⋅ Te 

   
   
   
 e ( k − nc ) ⋅ Te   e ( k − nc ) ⋅ Te 
 
relația (163) devine
∆y [ k ⋅ Te ] =
∆yˆ [ k ⋅ Te ] + e [ k ⋅ Te ] =
ϕ9T [ k ⋅ Te ] ⋅θ9 + e [ k ⋅ Te ] (165)
unde: este diferența estimată a ieșiri pusă sub forma unei regresii liniare.
Relația (165) se mai poate scrie astfel
y [ k ⋅ Te ] = yˆ [ k ⋅ Te ] + e [ k ⋅ Te ] = ϕdT [ k ⋅ Te ] ⋅ θ d + e [ k ⋅ Te ] (166)
unde yˆ [ k ⋅ Te ] este ieșirea estimată a sistemului pusă sub forma unei regresii liniare, iar ϕd și
θ d sunt:
 y ( k − 1) ⋅ Te  
 


(
− y ( k − 1) ⋅ Te  − y ( k − 2 ) ⋅ Te  ) 

  
 
(
 − y ( k − na ) ⋅ Te  − y ( k − ( na + 1) ) ⋅ Te  )


 y ( k − 1) ⋅ Te    
ϕd [ k ⋅ Te ]  =
=   u 
 ( k − d ) ⋅ T e 
 − u 
 ( k − ( d + 1) ) ⋅ Te 
  (167)

 ϕ9 [ k ⋅ Te ]    
 
u ( k − ( d + nb ) ) ⋅ Te  − u ( k − ( d + nb + 1) ) ⋅ Te  
 e ( k − 1) ⋅ Te  
 
  
 
 e ( k − nc ) ⋅ Te  
T
θ d = [1 a1  ana b1  bnb c1  cnc ] (168)
Relația (168) se numește modelul matematic ARIMAX pus sub forma unei regresii
liniare.
M10. Modelul autoregresiv cu zgomot autoregresiv și cu mărime de intrare exogenă
(ARARX) . Acesta este cunoscut și sub denumirea de modelul metodei generalizate a celor
mai mici pătrate. Acest model este definit de următoarea relație
1
A ( q ) ⋅ y [ k ⋅ Te =
] B ( q ) ⋅ u ( k − d ) ⋅ Te  + ⋅ e [ k ⋅ Te ] (169)
D (q)
 T
= nf= 0 , iar
unde: nc θ10 = [ a1  ana b1  bnb d1  d nd ] este vectorul
parametrilor necunoscuți.
Relația (169) se poate scrie astfel
A ( q ) ⋅ D ( q ) ⋅ y [ k ⋅ Te ] = B ( q ) ⋅ D ( q ) ⋅ u ( k − d ) ⋅ Te  + e [ k ⋅ Te ] (170)
unde:
na nd
A ( q ) ⋅ D=
(q) ∑ ∑ ai ⋅ d j ⋅ q −(i + j ) ; a= 0 1
0 d= (171)
=i 0 =j 0
nb nd
B ( q ) ⋅ D=
(q) ∑ ∑ bi ⋅ d j ⋅ q −(i + j ) ; b0 = 0 ; d0 = 1 (172)
=i 0 =j 0
Relațiile (171) și (172) se pot scrie astfel
na + nd  k  na + nd  k 
A ( q ) ⋅ D ( q ) =∑  ∑ ak − j ⋅ d j  ⋅ q − k =
1 + ∑  ∑ ak − j ⋅ d j  ⋅ q − k (173)
= k 0=  j 0  =k 1=  j 0 
 k
nb + nd   k
nb + nd  −k
) ⋅ D (q)
B ( q= ∑ d j  ⋅ q−k
 ∑ bk − j ⋅= ∑  ∑ bk − j ⋅ d j  ⋅ q (174)
=k  j 0
0=  =k  j 0
1= 
unde: a j = 0 , ∀ j = na + 1, na + nd ; a0 = 1 ;

d j = 0 , ∀ j = nd + 1, na + nd și ∀ j = nd + 1, nb + nd ; d0 = 1 ;

b j = 0 , ∀ j = nb + 1, nb + nd ; b0 = 0 .
În cadrul relațiilor de mai sus, vom realiza următoarele notații:
k
=αk ∑ ak − j ⋅ d j =
; k 1, na + nd (175)
j =0
k
=βk ∑ bk − j ⋅ d j =
; k 1, nb + nd (176)
j =0
Din cadrul relațiilor de mai sus, se observă că produsul a două polinoame se obține pe
baza produsului de convoluție discret, a coeficienților celor două polinoame.
Pe baza notațiilor de mai sus, relațiile (173) și (174) se pot scrie astfel:
na + nd
=1 + α1 ⋅ q −1 +  + α na + nd ⋅ q (
− na + nd )
Γ ( q ) =A ( q ) ⋅ D ( q ) =1 + ∑ α k ⋅ q−k (177)
k =1
nb + nd
∆ (q) = B (q) ⋅ D (q) = ∑ β k ⋅ q − k = β1 ⋅ q −1 + β 2 ⋅ q −2 +  + β nb+ nd ⋅ q −( nb+ nd ) (178)
k =1
Pe baza relațiilor de mai sus, (170) devine:
Γ ( q ) ⋅ y [ k ⋅ Te ] =
∆ ( q ) ⋅ u ( k − d ) ⋅ Te  + e [ k ⋅ Te ] (179)
Din relația de mai sus se observă că modelul matematic obținut, este de tip ARX, iar
vectorul coeficienților necunoscuți, este:
T
θe = [α1  α na + nd β1  β nb+ nd ] (180)
Dacă notăm cu ϕe vectorul regreserilor
  − y ( k − 1) ⋅ Te  
 
  
 
 − y ( k − ( na + nd ) ) ⋅ Te  
ϕe [ k ⋅ Te ] =
  (181)
 u ( k − ( d + 1) ) ⋅ Te  
 
  
  (
u  k − d + nb + nd ⋅ T  
( ( )
) ) e  
relația (179) se poate pune sub următoarea formă
y [ k ⋅ Te ] = yˆ [ k ⋅ Te ] + e [ k ⋅ Te ] = ϕeT [ k ⋅ Te ] ⋅ θe + e [ k ⋅ Te ] (182)
unde: yˆ [ k ⋅ Te ] este ieșirea estimată a sistemului pusă sub forma unei regresii liniare.
În aceste condiții, coeficienții vectorului θ10 se determină din cadrul sistemului de
ecuații format din relațiile (175) și (176), presupunând coeficienții α k și β k cunoscuți.
Relația (182) se numește modelul matematic ARARX pus sub forma unei regresii
liniare.
M11. Modelul autoregresiv cu zgomot autoregresiv cu medie alunecătoare și mărime de
intrare exogenă (ARARMAX). Modelul este cunoscut sub denumirea de modelul matricei
extinse. Acest model este definit astfel
C (q)
A ( q ) ⋅ y [ k ⋅ Te =
] B ( q ) ⋅ u ( k − d ) ⋅ Te  + ⋅ e [ k ⋅ Te ] (183)
D (q)
T
unde: nf = 0 , iar θ11 = [ a1  ana b1  bnb c1  cnc d1  d nd ] este
vectorul parametrilor necunoscuți.
Ținând cont de relațiile (177) și (178), expresia (183) se poate scrie astfel
Γ ( q ) ⋅ y [ k ⋅ Te ] =
∆ ( q ) ⋅ u ( k − d ) ⋅ Te  + C ( q ) ⋅ e [ k ⋅ Te ] (184)

unde: Γ ( q ) =1 + α1 ⋅ q −1 +  + α na + nd ⋅ q −( na + nd ) ; ∆ ( q ) = β1 ⋅ q −1 +  + β nb+ nd ⋅ q −( nb+ nd ) ;

k k
=αk ∑ ak − j ⋅ d j =
; k 1, na + nd , iar
= β k ∑ bk − j ⋅ d j =
; k 1, nb + nd .
j =0 j =0
Din relația (184) se observă că modelul matematic obținut este de tip ARMAX, iar
vectorul coeficienților necunoscuți, este:
T
θ f = [α1  α na + nd β1  β nb+ nd c1  cnc ] (185)
În aceste condiții, dacă notăm cu ϕ f vectorul regreserilor
  − y ( k − 1) ⋅ Te  
 
  
 
 − y ( k − ( na + nd ) ) ⋅ Te  
 
 u ( k − ( d + 1) ) ⋅ Te  

ϕ f [ k ⋅ Te ] =  (186)
  
  (
u  k − d + nb + nd ⋅ T  
( ( )) e  )
 e ( k − 1) ⋅ Te  
 
  
 
 e ( k − nc ) ⋅ Te  
relația (184) se poate scrie astfel
y [ k ⋅ Te ] = yˆ [ k ⋅ Te ] + e [ k ⋅ Te ] = ϕ Tf [ k ⋅ Te ] ⋅ θ f + e [ k ⋅ Te ] (187)
unde: yˆ [ k ⋅ Te ] este ieșirea estimată a sistemului pusă sub forma unei regresii liniare.
În aceste condiții, coeficienții ai , i = 1, na ; b j , j = 1, nb și d k , k = 1, nd aferenți
vectorului θ11 , se determină din cadrul sistemului de ecuații format din relațiile (175) și (176),
presupunând coeficienții α k și β k cunoscuți.
Relația (187) definește modelul matematic ARARMAX pus sub forma unei regresii
liniare.
M12. Modelul erorii de ieșire (OE). Acest model este definit astfel
B (q)
y [ k ⋅ Te=
] ⋅ u ( k − d ) ⋅ Te  + e [ k ⋅ Te ] (188)
F (q) 
T
unde: na = nc = nd = 0 , iar θ12 =  f1  f nf b1  bnb  este vectorul parametrilor
necunoscuți.
Modelul matematic dat de relația (188) se poate reprezenta sub formă polinomială în
două moduri.
Astfel, dacă notăm
B (q)
yˆ [ k ⋅ Te=
] ⋅ u ( k − d ) ⋅ Te  (189)
F (q) 
relația (188) devine
y [ k ⋅ Te ] = yˆ [ k ⋅ Te ] + e [ k ⋅ Te ] = ϕ12
T
[ k ⋅ Te ] ⋅θ12 + e [ k ⋅ Te ] (190)
unde vectorul regresorilor este:
  − yˆ ( k − 1) ⋅ Te  
 
  
 − yˆ ( k − nf ) ⋅ T  
  e 
ϕ12 [ k ⋅ Te ] =
 u ( k − ( d + 1) ) ⋅ T   (191)
  e 
  
 
u ( k − ( d + nb ) ) ⋅ Te  
 
Astfel, expresia (190) definește modelul matematic OE pus sub forma unei regresii
liniare (prima variantă).
Pe de altă parte, relația (188) se poate scrie astfel:
F ( q ) ⋅ y [ k ⋅ Te =
] B ( q ) ⋅ u ( k − d ) ⋅ Te  + F ( q ) ⋅ e [ k ⋅ Te ] (192)
În aceste condiții, dacă notăm cu ϕ g vectorul regresorilor
 − y ( k − 1) ⋅ Te  
 
  
 − y ( k − nf ) ⋅ T  
  e 
 u ( k − ( d + 1) ) ⋅ T  
  e 
ϕ g [ k ⋅ Te ] =
   (193)
 
u ( k − ( d + nb ) ) ⋅ Te  
 
 e ( k − 1) ⋅ Te  
 
  
 e ( k − nf ) ⋅ Te  
   
și cu θ g vectorul parametrilor necunoscuți
T
θ g =  f1  f nf b1  bnb f1  f nf  (194)
relația (192) se poate scrie astfel
y [ k ⋅ Te ] = yˆ [ k ⋅ Te ] + e [ k ⋅ Te ] = ϕ Tg [ k ⋅ Te ] ⋅ θ g + e [ k ⋅ Te ] (195)
unde: yˆ [ k ⋅ Te ] este ieșirea estimată a sistemului pusă sub forma unei regresii liniare.
Relația (195), cât și expresia (190) definesc modelul matematic OE pus sub forma unei
regresii liniare.
M13. Modelul Box - Jenkins (BJ). Modelul este definit de următoarea relație
B (q) C (q)
y [ k ⋅ Te=] ⋅ u ( k − d ) ⋅ Te  + ⋅ e [ k ⋅ Te ] (196)
F q ( ) D q ( )
T
unde: na = 0 , iar θ13 = b1  bnb c1  cnc d1  d nd f1  f nf  este
vectorul parametrilor necunoscuți.
Relația (196) se poate scrie astfel
 D (q) D (q) B (q)
⋅ y [ k ⋅ Te=
] ⋅ ⋅ u ( k − d ) ⋅ Te  + e [ k ⋅ Te ] (197)
C (q) C (q) F (q) 
În cele ce urmează, dacă notăm yˆ [ k ⋅ Te ] ieșirea estimată a sistemului/procesului
D (q) B (q) C (q) − D (q)
yˆ [ k ⋅ Te=
] ⋅ ⋅ u ( k − d ) ⋅ Te  + ⋅ y [ k ⋅ Te ] (198)
C (q) F (q) C (q)
relația (197) devine:
y [ k ⋅ Te ] = yˆ [ k ⋅ Te ] + e [ k ⋅ Te ] (199)
Pe de altă parte, relația (197) poate fi scrisă astfel:
D (q)
e [ k ⋅ Te=
] ⋅ w [ k ⋅ Te ] (200)
C (q)
unde:
w [ k ⋅ Te ] = y [ k ⋅ Te ] − v [ k ⋅ Te ] (201)
B (q)
v [ k ⋅ Te=
] ⋅ u ( k − d ) ⋅ Te  (202)
F (q) 
Relațiile (200) și (202) se pot scrie și în următorul mod:
e [ k ⋅ Te ] = w [ k ⋅ Te ] + d1 ⋅ w ( k − 1) ⋅ Te  +  + d nd ⋅ w ( k − nd ) ⋅ Te  −
(203)
− c1 ⋅ e ( k − 1) ⋅ Te  −  − cnc ⋅ e ( k − nc ) ⋅ Te 
v [ k ⋅ Te ] =b1 ⋅ u ( k − ( d + 1) ) ⋅ Te  +  + bnb ⋅ u ( k − ( d + nb ) ) ⋅ Te  −
(204)
− f1 ⋅ v ( k − 1) ⋅ Te  −  − f nf ⋅ v ( k − nf ) ⋅ Te 
Pe de altă parte, dacă înlocuim (204) în (201) obținem:
w [ k ⋅ Te ] = y [ k ⋅ Te ] − b1 ⋅ u ( k − ( d + 1) ) ⋅ Te  −  − bnb ⋅ u ( k − ( d + nb ) ) ⋅ Te  +
(205)
+f1 ⋅ v ( k − 1) ⋅ Te  +  + f nf ⋅ v ( k − nf ) ⋅ Te 
În aceste condiții, dacă înlocuim (205) în (203), obținem următoarea relație:
e [ k ⋅ Te ] = y [ k ⋅ Te ] − b1 ⋅ u ( k − ( d + 1) ) ⋅ Te  −  − bnb ⋅ u ( k − ( d + nb ) ) ⋅ Te  +
+ f1 ⋅ v ( k − 1) ⋅ Te  +  + f nf ⋅ v ( k − nf ) ⋅ Te 
(206)
+ d1 ⋅ w ( k − 1) ⋅ Te  +  + d nd ⋅ w ( k − nd ) ⋅ Te  −
− c1 ⋅ e ( k − 1) ⋅ Te  −  − cnc ⋅ e ( k − nc ) ⋅ Te 
Corelând relația (206) cu (199) putem scrie expresia ieșirii estimate astfel:
yˆ [ k ⋅ Te ] =b1 ⋅ u ( k − ( d + 1) ) ⋅ Te  +  + bnb ⋅ u ( k − ( d + nb ) ) ⋅ Te  +
+ c1 ⋅ e ( k − 1) ⋅ Te  +  + cnc ⋅ e ( k − nc ) ⋅ Te  −
(207)
− d1 ⋅ w ( k − 1) ⋅ Te  −  − d nd ⋅ w ( k − nd ) ⋅ Te  −
− f1 ⋅ v ( k − 1) ⋅ Te  −  − f nf ⋅ v ( k − nf ) ⋅ Te 
În aceste condiții, dacă notăm vectorul regresorilor, astfel
  u ( k − ( d + 1) ) ⋅ Te  
   
  
 
u ( k − ( d + nb ) ) ⋅ Te  
 
 e ( k − 1) ⋅ Te  
  
 
 e ( k − nc ) ⋅ Te  
ϕ13 [ k ⋅ Te ] =
  (208)
 − w ( k − 1) ⋅ Te  
  
 
 − w ( k − nd ) ⋅ Te  
 
 −v ( k − 1) ⋅ Te  
 
  
 −v ( k − nf ) ⋅ Te  
 
relația (199) poate fi scrisă în felul următor:
y [ k ⋅ Te ] = yˆ [ k ⋅ Te ] + e [ k ⋅ Te ] = ϕ13
T
[ k ⋅ Te ] ⋅θ13 + e [ k ⋅ Te ] (209)
Relația (209) definește modelul matematic BJ pus sub forma unei regresii liniare (prima
variantă).
Pe de altă parte, relația (196) se poate scrie astfel
Γ ( q ) ⋅ y [ k ⋅ Te ] = ∆ ( q ) ⋅ u ( k − d ) ⋅ Te  + Λ ( q ) ⋅ e [ k ⋅ Te ] (210)
unde:
nf + nd
=1 + α1 ⋅ q −1 +  + α nf + nd ⋅ q (
− nf + nd )
Γ ( q ) =F ( q ) ⋅ D ( q ) =1 + ∑ α k ⋅ q−k (211)
k =1
nd + nb
∆ (q) = D (q) ⋅ B (q) = ∑ β k ⋅ q − k = β1 ⋅ q −1 + β 2 ⋅ q −2 +  + β nd + nb ⋅ q −( nd + nb) (212)
k =1
nf + nc
=1 + σ1 ⋅ q −1 +  + σ nf + nc ⋅ q (
− nf + nc )
Λ ( q ) =F ( q ) ⋅ C ( q ) =1 + ∑ σ k ⋅ q−k (213)
k =1
k
=αk ∑ fk − j ⋅ d j =
; k 1, nf + nd (214)
j =0
k
=βk ∑ dk − j ⋅ b j =
; k 1, nd + nb (215)
j =0
k
=σk ∑ fk − j ⋅ c j =
; k 1, nf + nc (216)
j =0

f j = 0 , ∀ j = nf + 1, nf + nd și ∀ j = nf + 1, nf + nc ; f 0 = 1 (217)

d j = 0 , ∀ j = nd + 1, nf + nd și ∀ j = nd + 1, nd + nb ; d0 = 1 (218)

b j = 0 , ∀ j = nb + 1, nd + nb ; b0 = 0 (219)

c j = 0 , ∀ j = nc + 1, nf + nc ; c0 = 1 (220)
 Se observă că modelul matematic dat de relația (210) este de tip ARMAX, iar vectorul
coeficienților necunoscuți, este:
T
θ h = α1  α nf + nd β1  β nd + nb σ1  σ nf + nc  (221)
În aceste condiții, dacă notăm cu ϕ f vectorul regreserilor
 − y ( k − 1) ⋅ Te  
 
  
 
 − y ( k − ( nf + nd ) ) ⋅ Te  
 
 u ( k − ( d + 1) ) ⋅ Te  
 
ϕh [ k ⋅ Te ] =
   (222)

  (
u  k − d + nd + nb ⋅ T  
( ( )) e  )
 e ( k − 1) ⋅ Te  
 
  
 
 e ( k − ( nf + nc ) ) ⋅ Te  
relația (210) se poate scrie astfel
y [ k ⋅ Te ] = yˆ [ k ⋅ Te ] + e [ k ⋅ Te ] = ϕhT [ k ⋅ Te ] ⋅ θ h + e [ k ⋅ Te ] (223)
unde: yˆ [ k ⋅ Te ] este ieșirea estimată a sistemului pusă sub forma unei regresii liniare.
În aceste condiții, coeficienții vectorului θ13 se determină din cadrul sistemului de
ecuații format din relațiile (214), (215) și (216), presupunând că α k , β k și σ k sunt cunoscuți.
Astfel, relația (223) definește modelul matematic BJ pus sub forma unei regresii liniare
(a 2-a variantă).
M14. Modelul filtrului cu răspuns finit la impuls (FIR). Acest model este definit de
următoarea relație
y [ k ⋅ Te =
] B ( q ) ⋅ u ( k − d ) ⋅ Te  + e [ k ⋅ Te ] (224)
T
unde: na
= nc = nf= 0 , iar θ14 = [b1  bnb ] este vectorul parametrilor necunoscuți.
= nd
În aceste condiții, dacă notăm cu ϕ14 [ k ⋅ Te ] vectorul regresorilor
T
ϕ14 [ k ⋅ Te=] u ( k − ( d + 1) ) ⋅ Te   u ( k − ( d + nb ) ) ⋅ Te   (225)
relația (224) se poate scrie astfel:
y [ k ⋅ Te ] = yˆ [ k ⋅ Te ] + e [ k ⋅ Te ] = ϕ14
T
[ k ⋅ Te ] ⋅θ14 + e [ k ⋅ Te ] (226)
unde: yˆ [ k ⋅ Te ] este ieșirea estimată a sistemului pusă sub forma unei regresii liniare.
Expresia (226) se numește modelul matematic FIR pus sub forma unei regresii liniare.
M15. Modelul determinist (D). Acest model este definit de următoarea relație
A ( q ) ⋅ y [ k ⋅ Te =
] B ( q ) ⋅ u ( k − d ) ⋅ Te  (227)
 T
0 , iar θ15 = [ a1  ana b1  bnb ] este vectorul parametrilor
unde: nf = 0 , e [ k ⋅ Te ] =
necunoscuți.
Dacă notăm cu ϕ15 [ k ⋅ Te ] vectorul regresorilor
 − y ( k − 1) ⋅ Te  
 
  
 
 − y ( k − ( na + nd ) ) ⋅ Te  
ϕ15 [ k ⋅ Te ] =
  (228)
 u ( k − ( d + 1) ) ⋅ Te  
 
  
 u ( k − ( d + nb ) ) ⋅ T  
  e 

relația (227) se poate scrie astfel:

y [ k ⋅ Te=
] ϕ15T [ k ⋅ Te ] ⋅θ15 (229)
Relația de mai sus definește modelul matematic determinist pus sub forma unei regresii
liniare.
Observație: La fel ca în cazurile anterior prezentate, forma THETA definită de relația
(116) se poate pune sub forma unei regresii liniare.
În acest sens, expresia (116) se pune sub următoarea formă:
D (q) ⋅ A(q) D (q) B (q)
⋅ y [ k ⋅ Te=
] ⋅ ⋅ u ( k − d ) ⋅ Te  + e [ k ⋅ Te ] (230)
C q ( ) C q F q ( ) ( )
În aceste condiții, dacă notăm yˆ [ k ⋅ Te ] ieșirea estimată
D (q) B (q)  D (q) ⋅ A(q) 
yˆ [ k ⋅ T=
e] ⋅ ⋅ u ( k − d ) ⋅ Te  + 1 −  ⋅ y [ k ⋅ Te ] (231)
C (q) F (q)  C ( q ) 
relația (230) devine:
y [ k ⋅ Te ] = yˆ [ k ⋅ Te ] + e [ k ⋅ Te ] (232)
Pe de altă parte, relația (230) poate fi scrisă astfel:
D (q)
e [ k ⋅ Te=
] ⋅ w [ k ⋅ Te ] (233)
C (q)
unde:
w [ k ⋅ Te ]= A ( q ) ⋅ y [ k ⋅ Te ] − v [ k ⋅ Te ] (234)
B (q)
v [ k ⋅ Te=
] ⋅ u ( k − d ) ⋅ Te  (235)
F (q) 
Relațiile anterior prezentate se pot scrie și în următorul mod:
e [ k ⋅ Te ] = w [ k ⋅ Te ] + d1 ⋅ w ( k − 1) ⋅ Te  +  + d nd ⋅ w ( k − nd ) ⋅ Te  −
(236)
− c1 ⋅ e ( k − 1) ⋅ Te  −  − cnc ⋅ e ( k − nc ) ⋅ Te 

w [ k ⋅ Te ] = y [ k ⋅ Te ] + a1 ⋅ y ( k − 1) ⋅ Te  +  + ana ⋅ y ( k − na ) ⋅ Te  − v [ k ⋅ Te ] (237)

v [ k ⋅ Te ] =b1 ⋅ u ( k − ( d + 1) ) ⋅ Te  +  + bnb ⋅ u ( k − ( d + nb ) ) ⋅ Te  −
(238)
− f1 ⋅ v ( k − 1) ⋅ Te  −  − f nf ⋅ v ( k − nf ) ⋅ Te 
În aceste condiții, dacă înlocuim (238) în (237) obținem:
w [ k ⋅ Te ] = y [ k ⋅ Te ] + a1 ⋅ y ( k − 1) ⋅ Te  +  + ana ⋅ y ( k − na ) ⋅ Te  −
− b1 ⋅ u ( k − ( d + 1) ) ⋅ Te  −  − bnb ⋅ u ( k − ( d + nb ) ) ⋅ Te  + (239)
+f1 ⋅ v ( k − 1) ⋅ Te  +  + f nf ⋅ v ( k − nf ) ⋅ Te 
Pe de altă parte, dacă înlocuim (239) în (236), obținem următoarea expresie:
e [ k ⋅ Te ] = y [ k ⋅ Te ] + a1 ⋅ y ( k − 1) ⋅ Te  +  + ana ⋅ y ( k − na ) ⋅ Te  −
− b1 ⋅ u ( k − ( d + 1) ) ⋅ Te  −  − bnb ⋅ u ( k − ( d + nb ) ) ⋅ Te  −
− c1 ⋅ e ( k − 1) ⋅ Te  −  − cnc ⋅ e ( k − nc ) ⋅ Te  + (240)
+ d1 ⋅ w ( k − 1) ⋅ Te  +  + d nd ⋅ w ( k − nd ) ⋅ Te  +
+f1 ⋅ v ( k − 1) ⋅ Te  +  + f nf ⋅ v ( k − nf ) ⋅ Te 
Comparând relația (240) cu (232) putem scrie expresia ieșirii estimate astfel:
yˆ [ k ⋅ Te ] =
−a1 ⋅ y ( k − 1) ⋅ Te  −  − ana ⋅ y ( k − na ) ⋅ Te  +
+ b1 ⋅ u ( k − ( d + 1) ) ⋅ Te  +  + bnb ⋅ u ( k − ( d + nb ) ) ⋅ Te  +
+ c1 ⋅ e ( k − 1) ⋅ Te  +  + cnc ⋅ e ( k − nc ) ⋅ Te  − (241)
− d1 ⋅ w ( k − 1) ⋅ Te  −  − d nd ⋅ w ( k − nd ) ⋅ Te  −
− f1 ⋅ v ( k − 1) ⋅ Te  −  − f nf ⋅ v ( k − nf ) ⋅ Te 
În aceste condiții, dacă notăm cu ϕ vectorul regresorilor
  − y ( k − 1) ⋅ Te  
 
  
 − y ( k − na ) ⋅ T  
  e

 u ( k − ( d + 1) ) ⋅ T  
  e

  
 
u ( k − ( d + nb ) ) ⋅ Te  
 
 e ( k − 1) ⋅ Te  
ϕ [ k ⋅ Te ] =


 (242)
 
 e ( k − nc ) ⋅ Te  
   
 − w ( k − 1) ⋅ Te  
 
  
 − w ( k − nd ) ⋅ T  
  e

 −v ( k − 1) ⋅ Te  
 
  
 −v ( k − nf ) ⋅ T  
  e 

relația (232) se poate scrie astfel

y [ k ⋅ Te ] = yˆ [ k ⋅ Te ] + e [ k ⋅ Te ] = ϕ T [ k ⋅ Te ] ⋅ θ + e [ k ⋅ Te ] (243)
unde:
T
θ =  a1  ana b1  bnb c1  cnc d1  d nd f1  f nf  (244)
Relația (243) definește modelul matematic THETA pus sub forma unei regresii liniare
(prima variantă).
Pe de altă parte, relația (116) se poate scrie astfel
ϒ ( q ) ⋅ y [ k ⋅ Te ] = ∆ ( q ) ⋅ u ( k − d ) ⋅ Te  + Λ ( q ) ⋅ e [ k ⋅ Te ] (245)
unde:
nf + nd
=1 + α1 ⋅ q −1 +  + α nf + nd ⋅ q (
− nf + nd )
Γ ( q ) =F ( q ) ⋅ D ( q ) =1 + ∑ α k ⋅ q−k (246)
k =1
nf + nd + na
ϒ (q) = A(q) ⋅ Γ (q) = 1+ ∑ γ k ⋅ q − k = 1 + γ 1 ⋅ q −1 +  + γ nf + nd + na ⋅ q −( nf + nd + na ) (247)
k =1
k
=γk ∑ ak − j ⋅ α j ; k = 1, nf + nd + na (248)
j =0
j
=αj ∑ ; j 1, nf + nd
f j −n ⋅ d n = (249)
n =0
Din cadrul relațiilor de mai sus, se observă că:
α 0 = 1 și α j = 0 , ∀ j = nf + nd + 1, nf + nd + na (250)
 În cadrul relației (245), polinoamele ∆ ( q ) și Λ ( q ) sunt identice cu (212) și (213).
Pe de altă parte, se observă că modelul matematic definit de expresia (245) este de tip
ARMAX, iar vectorul coeficienților necunoscuți, este:
T
θ g = γ 1  γ nf + nd + na β1  β nd + nb σ1  σ nf + nc  (251)
Dacă notăm cu ϕ g vectorul regreserilor
 − y ( k − 1) ⋅ Te  
 
  
 
 − y ( k − ( nf + nd + na ) ) ⋅ Te  
 
 u ( k − ( d + 1) ) ⋅ Te  
 
ϕ g [ k ⋅ Te ] =   (252)

  (
 u  k − d + nd + nb ⋅ T  
( ( )
)) e  
 e ( k − 1) ⋅ Te  
 
  
 
 e ( k − ( nf + nc ) ) ⋅ Te  
 
relația (245) se poate scrie astfel
y [ k ⋅ Te ] = yˆ [ k ⋅ Te ] + e [ k ⋅ Te ] = ϕ Tg [ k ⋅ Te ] ⋅ θ g + e [ k ⋅ Te ] (253)
unde: yˆ [ k ⋅ Te ] este ieșirea estimată a sistemului pusă sub forma unei regresii liniare.
Coeficienții vectorului (244) se determină din cadrul sistemului de ecuații format din
relațiile (248), (215) și (216), presupunând că γ k , β k și σ k sunt cunoscuți.
Relația (253) definește modelul matematic THETA pus sub forma unei regresii liniare
(a 2-a variantă).
În cazul sistemelor MIMO, forma THETA discretă aferentă modelelor matematice
liniare stochastice, este prezentată mai jos
A ( q ) ⋅ y [ k ⋅=
Te ] F −1 ( q ) ⋅ B ( q ) ⋅ u ( k − d ) ⋅ Te  + D −1 ( q ) ⋅ C ( q ) ⋅ e [ k ⋅ Te ] (254)
unde A, B, C, D și F au următoarea formă
A ( q ) = I a + A1 ⋅ q −1 +  + Ana ⋅ q − na (255)

B ( q ) = B1 ⋅ q −1 +  + Bnb ⋅ q − nb (256)

C ( q ) = I a + C1 ⋅ q −1 +  + Cnc ⋅ q − nc (257)

D ( q ) = I a + D1 ⋅ q −1 +  + Dnd ⋅ q − nd (258)

F ( q ) = I a + F1 ⋅ q −1 +  + Fnf ⋅ q − nf (259)
în care: p - reprezintă numărul de linii a vectorului de intare (u) - de tip coloană, a - reprezintă
numărul de linii a vectorului coloană aferent zgomotului alb (e), vectorul variabilei de ieșire (y)
este egal cu vectorul variabilei aferente zgomotului, iar parametrii din componența relațiilor de
mai sus, sunt:
 • { Ai }i =1,na ∈ M a×a (  ) - matrici cu coeficienți reali de dimensiune a × a ;
• {Bi }i =1,nb ∈ M a× p (  ) - matrici cu coeficienți reali de dimensiune a × p ;
• {Ci }i =1,nc ∈ M a×a (  ) - matrici cu coeficienți reali de dimensiune a × a ;
• {Di }i =1,nd ∈ M a×a (  ) - matrici cu coeficienți reali de dimensiune a × a ;
• {Fi }i =1,nf ∈ M a×a (  ) - matrici cu coeficienți reali de dimensiune a × a .
Modelul matematic (254) admite cazuri particulare similare cu cele aferente modelului
matematic monovariabil (116).
Pentru exemplificare, în cele ce urmează vom prezenta modelul matematic ARMA și
ARMAX, aferent unui sistem MIMO.
Relația ce definește modelul matematic ARMA, este:
A ( q ) ⋅ y [ k ⋅ Te ]= C ( q ) ⋅ e [ k ⋅ Te ] (260)
unde: nb = nf= 0 , iar
= nd
θ = [ A1  Ana C1  Cnc ] (261)
este matricea parametrilor necunoscuți, ce are a - linii și a ⋅ na + a ⋅ nc - coloane.
Dacă notăm cu ϕ , vectorul regresorilor (acest vector este unul coloană ce are
a ⋅ na + a ⋅ nc - linii)
T
ϕ [ k ⋅ Te ] = − y ( k − 1) Te   − y ( k − na ) Te  e ( k − 1) Te   e ( k − nc ) Te   (262)
relația (260) se poate pune sub următoarea formă
y [ k ⋅ Te ] =yˆ [ k ⋅ Te ] + e [ k ⋅ Te ] =θ ⋅ ϕ [ k ⋅ Te ] + e [ k ⋅ Te ] (263)
unde: yˆ [ k ⋅ Te ] este ieșirea estimată a sistemului pusă sub forma unei regresii liniare, iar relația
(263) se numește modelul matematic ARMA pus sub forma unei regresii liniare.
Pe de altă parte, modelul ARMAX este definit de următoarea expresie
] B ( q ) ⋅ u ( k − d ) ⋅ Te  + C ( q ) ⋅ e [ k ⋅ Te ]
A ( q ) ⋅ y [ k ⋅ Te = (264)

= nf= 0 iar
unde: nd θ = [ A1  Ana B1  Bnb C1  Cnc ] este matricea
parametrilor necunoscuți, ce are a - linii și a ⋅ na + p ⋅ nb + a ⋅ nc - coloane.
Vectorul coloană a regresorilor ce are a ⋅ na + p ⋅ nb + a ⋅ nc - linii, este:
  − y ( k − 1) Te  
 
  
 − y ( k − na ) T  
  e 
 u ( k − ( d + 1) ) T  
  e 
ϕ [ k ⋅ Te ] =    (265)
 
u ( k − ( d + nb ) ) Te  
 
 e ( k − 1) Te  
 
  
 e ( k − nc ) Te  
   
În aceste condiții, relația (264) se poate scrie astfel
y [ k ⋅ Te ] =yˆ [ k ⋅ Te ] + e [ k ⋅ Te ] =θ ⋅ ϕ [ k ⋅ Te ] + e [ k ⋅ Te ] (266)
unde: yˆ [ k ⋅ Te ] este ieșirea estimată a sistemului pusă sub forma unei regresii liniare, iar relația
(266) definește modelul matematic ARMAX pus sub forma unei regresii liniare.
Pe de altă parte, în cazul modelelor matematice liniare, invariante în timp, de tip ISO,
descrise în timp discret, pentru care atât perturbațiile aferente sistemului, cât și perturbațiile
aferente ieșirii sunt considerate procese stochastice, relația (19) se poate scrie astfel:
𝑥𝑥�[(𝑘𝑘 + 1) ∙ 𝑇𝑇𝑒𝑒 ] = Φ ∙ 𝑥𝑥�[𝑘𝑘 ∙ 𝑇𝑇𝑒𝑒 ] + Γ ∙ 𝑢𝑢[𝑘𝑘 ∙ 𝑇𝑇𝑒𝑒 ] + 𝐾𝐾 ∙ 𝜀𝜀[𝑘𝑘 ∙ 𝑇𝑇𝑒𝑒 ]
� 𝜀𝜀[𝑘𝑘 ∙ 𝑇𝑇𝑒𝑒 ] = 𝑦𝑦[𝑘𝑘 ∙ 𝑇𝑇𝑒𝑒 ] − 𝑦𝑦�[𝑘𝑘 ∙ 𝑇𝑇𝑒𝑒 ] ; xˆ [ k0 ⋅ Te ] =
x0 (267)
𝑦𝑦�[𝑘𝑘 ∙ 𝑇𝑇𝑒𝑒 ] = 𝐶𝐶 ∙ 𝑥𝑥�[𝑘𝑘 ∙ 𝑇𝑇𝑒𝑒 ] + 𝐷𝐷 ∙ 𝑢𝑢[𝑘𝑘 ∙ 𝑇𝑇𝑒𝑒 ]
Relația (267) este o formă echivalentă a modelului (19) în virtutea teoremei de filtare
Kalman. În cadrul relației (267), x̂ reprezintă variabila de stare estimată, iar ε reprezintă
eroarea între ieșirea reală și estimată a sistemului/procesului modelat prin intermediul relației
(19). În aceste condiții, în urma aplicării transformatei Z în condiții inițiale nule xˆ [ k0 ⋅ Te ] = 0,
din (267) obținem:
 z ⋅ Xˆ [ z ] − z ⋅ xˆ [ k0 ⋅ Te ] =
Φ ⋅ Xˆ [ z ] + Γ ⋅ U [ z ] + K ⋅ ε [ z ]
 (268)
Y [ z ] = C ⋅ Xˆ [ z ] + D ⋅ U [ z ] + ε [ z ]
În cazul în care determinatul det [ z ⋅ I n − Φ ] este diferit de zero, relația (268) devine:
 Xˆ [ z ]= ( z ⋅ I n − Φ )−1 ⋅ Γ ⋅ U [ z ] + ( z ⋅ I n − Φ )−1 ⋅ K ⋅ ε [ z ]
 (269)
Y [ z ] = C ⋅ Xˆ [ z ] + D ⋅ U [ z ] + ε [ z ]
sau
Y [ z=
] C ⋅ ( z ⋅ I n − Φ ) ⋅ Γ + D  ⋅U [ z ] +  I a + C ⋅ ( z ⋅ I n − Φ ) ⋅ K  ⋅ ε [ z ]
−1 −1
(270)
Dacă utilizăm operatorul de întârziere q în (270), obținem
y [ k ⋅ Te =
] G ( q ) ⋅ u [ k ⋅ Te ] + H ( q ) ⋅ ε [ k ⋅ Te ] (271)
unde:
G ( q )= C ⋅ ( q ⋅ I n − Φ ) ⋅ Γ + D
−1
(272)
H ( q )= I a + C ⋅ ( q ⋅ I n − Φ ) ⋅ K
−1
(273)
În cadrul relațiilor anterior prezentate, numărul de linii a vectorului de ieșire (y), de tip
coloană, este notat cu a, iar numărul de linii a vectorului de stare, de tip coloană, este notat cu
n. În cazul modelelor MIMO, G ( q ) și H ( q ) anterior prezentate, sunt matrici de transfer, iar
în cazul modelelor SISO sunt funcții de transfer. Matricea de transfer G ( q ) are dimeniunea
a × p , iar matricea de transfer H ( q ) are dimensiunea a × a .
Pe de altă parte, în cazul în care determinatul det  A ( q )  este diferit de zero, iar timpul
mort exprimat în perioade de eșantionare este nul, relația (254) se poate scrie astfel
e ] A ( q ) ⋅ F ( q ) ⋅ B ( q ) ⋅ u [ k ⋅ Te ] + A ( q ) ⋅ D ( q ) ⋅ C ( q ) ⋅ e [ k ⋅ Te ]
y [ k ⋅ T= −1 −1 −1 −1
(274)
Comparând relațiile (274) și (271) se observă că atunci când e [ k ⋅ Te ] = ε [ k ⋅ Te ] putem
scrie următoarele expresii:
G ( q )= C ⋅ ( q ⋅ I n − Φ ) ⋅ Γ + D= A−1 ( q ) ⋅ F −1 ( q ) ⋅ B ( q )
−1
(275)

H ( q )= I a + C ⋅ ( q ⋅ I n − Φ ) ⋅ K= A−1 ( q ) ⋅ D −1 ( q ) ⋅ C ( q )
−1
(276)
Din cadrul relației (271) se observă că termenul G ( q ) ⋅ u [ k ⋅ Te ] modelează calea de
control, iar termenul H ( q ) ⋅ ε [ k ⋅ Te ] modelează calea de zgomot.
Observație: Modelele matematice (116), (254) și (267) sunt modele liniare.
Modelele matematice de tip THETA se pot generaliza pentru cazul sistemelor neliniare.
Astfel, un model matematic neliniar de tip THETA este definit de următoarea relație
] g (ϕ [ k ⋅ Te ] ,θ ) + e [ k ⋅ Te ]
y [ k ⋅ Te= (277)
unde g este o funcție vectorială neliniară g : D ⊆ φ → Y , unde: y ∈ Y ⊆  a (Y este spațiul
valorilor de ieşire), iar ϕ ∈ Φ ⊆ δ ( Φ este spațiul regresorilor), în care δ este numărul de
elemente a vectorului regresorilor.
În cadrul relației (277), θ este vectorul/matricea parametrilor necunoscuți, iar ϕ [ k ⋅ Te ]
este vectorul regresorilor.
Prin particularizarea vectorilor θ și ϕ [ k ⋅ Te ] , pentru cazul sistemelor SISO ( a = 1 și
p = 1 ; u ∈ U ⊆  p ), se pot obține următoarele modele matematice: NAR; NARI; NMA;
NARMA; NARIMA; NARX; NARIX; NARMAX; NARIMAX; NARARX; NARARMAX;
NOE; NBJ; NFIR.
Observație: Modelele matematice neliniare prezentate mai sus, se pot obține și în cazul
sistemelor MIMO, prin particularizarea matricei parametrilor θ și a vectorului regresorilor.
N1. Modelul autoregresiv neliniar (NAR). Este definit de relația (277), în care: θ = θ1 și
ϕ = ϕ1 . Acești vectori sunt prezentați în cadrul relațiilor (124) și (125).
N2. Modelul autoregresiv integrat neliniar (NARI). În acest caz, vectorul parametrilor
necunoscuți este θ = θ a (a se vedeea relația (134)), iar vectorul regresorilor este ϕ = ϕa (a
se vedea relația (133)).
N3. Modelul de medie alunecătoare neliniar (NMA). Este definit de vectorii: θ = θ3 (a se
vedea relația (136)) și ϕ = ϕ3 (a se vedea relația (137)).
N4. Modelul autoregresiv și de medie alunecătoare neliniar (NARMA). Acest model este
dat de relația (277), în care θ = θ 4 , iar vectorul regresorilor ϕ = ϕ4 , este definit de relația
(140).
N5. Modelul autoregresiv integrat și de medie alunecătoare neliniar (NARIMA). Acest
model este definit de următorii vectori: θ = θb (a se vedea relația (148)) și ϕ = ϕb (a se
vedea relația (147)).
N6. Modelul autoregresiv cu mărime de intrare exogenă neliniar (NARX). În acest caz,
vectorul parametrilor necunoscuți este θ = θ6 , iar vectorul regresorilor este ϕ = ϕ6 (a se
vedea relația (150)).
N7. Modelul autoregresiv integrat cu mărime de intrare exogenă neliniar (NARIX).
Vectorul parametrilor necunoscuți este θ = θc (a se vedeea relația (158)), iar vectorul
regresorilor este ϕ = ϕc (a se vedea relația (157)).
N8. Modelul autoregresiv de medie alunecătoare cu mărime de intrare exogenă neliniar
(NARMAX). În acest caz cei doi vectori sunt: ϕ = ϕ8 (a se vedea relația (160)), respectiv
θ = θ8 .
N9. Modelul autoregresiv integrat de medie alunecătoare cu mărime de intrare exogenă
neliniar (NARIMAX). În acest caz, vectorul parametrilor necunoscuți este θ = θ d (a se
vedeea relația (168)), iar vectorul regresorilor este ϕ = ϕd (a se vedea relația (167)).
N10. Modelul autoregresiv cu zgomot autoregresiv și cu mărime de intrare exogenă
neliniar (NARARX). Acest model este definit de următorii vectori: θ = θe (a se vedea
relația (180)) și ϕ = ϕe (a se vedea relația (181)).
N11. Modelul autoregresiv cu zgomot autoregresiv cu medie alunecătoare și mărime de
intrare exogenă neliniar (NARARMAX). Cei doi vectori ce definesc acest model, sunt:
θ = θ f (a se vedea relația (185)) și ϕ = ϕ f (a se vedea relația (186)).
N12. Modelul neliniar al erorii de ieșire (NOE). Este definit de vectorii: ϕ = ϕ12 (a se vedea
relația (191)) și θ = θ12 . În acest caz, se pot utiliza și vectorii: ϕ = ϕ g (a se vedea relația
(193)) și θ = θ g (a se vedea relația (194)).
N13. Modelul neliniar Box – Jenkins (NBJ). Acest model este definit de următorii doi
vectorii: θ = θ13 și ϕ = ϕ13 (a se vedea relația (208)). Modelul NOE se poate formula și în
jurul vectorilor: ϕ = ϕh (a se vedea relația (222)) și θ = θ h (a se vedea relația (221)).
N14. Modelul neliniar al filtrului cu răspuns finit la impuls (NFIR). Acest model este
definit de următorii vectori: θ = θ14 și ϕ = ϕ14 (a se vedea relația (225)).
În cazul unei abordări parametrice, funcția g din cadrul relației (277) este:
ng
g (ϕ [ k ⋅ Te ] , θ ) = ∑ α n ⋅g n (ϕ [ k ⋅ Te ]) (278)
n =1
 T
unde: g n poartă numele de funcții de bază, iar θ = α1  α ng  este vectorul/matricea
parametrilor necunoscuți.
În aceste condiții, avem:
ng
y [ k ⋅ Te =
] ∑ α n ⋅g n (ϕ [ k ⋅ Te ]) + e [ k ⋅ Te ] (279)
n =1
Observație: În cazul în care cel puțin una din funcțiile de bază este neliniară, modelul
matematic THETA definit de expresia (279), este neliniar.
În cadrul relației (278), funcțiile de bază pot avea diverse forme: nuclee Volterra
aferente seriei Volterra; forme polinomiale; funcții constante pe porțiuni; funcții de bază
radiale; serii Fourier; rețele neuronale; modele fuzzy; funcții de tip nucleu (kernel) aferente
estimatorului de densitate al nucleului (Kernel Density Estimation - KDE) etc.
În cele ce urmează, vom prezenta cele mai importante modele definite de relația (279).

Modele matematice Volterra. În cazul sistemelor SISO aceste modele sunt definite
astfel
N b b b  p 
y [ k ⋅ Te ] =h0 + ∑ ∑ ∑  ∑ p 1 2
 h τ(, τ , τ ⋅ ) ( )
p ∏ u  k − τ j ⋅ Te   + e [ k ⋅ Te ]
  (280)
p 1τ=1 a τ=
= 2 a p a
τ=  j =1 

( )
unde: h p τ1 ,τ 2 ,τ p se numește nucleu Volterra de ordinul p.
Dacă N, din cadrul relației (280), este finit vom spune că modelul matematic Volterra
este trunchiat.
În cazul în care N, a și b, din cadrul relației (280), sunt finite vom spune că avem un
model matematic Volterra trunchiat dublu finit.
Pe de altă parte, când a ≥ 0 vom spune că că modelul matematic Volterra este cauzal
(ieșirea y depinde doar de intrărea u actuală, cât și de intrările anerioare).
Observație: Dacă a = 1 ieșirea depinde doar de intrările anterioare.
Relația (280) pentru a = 1 și h0 = 0 (dacă se alege corespunzător nivelul de ieșire), se
poate scrie astfel:
b b b
y [ kT=
e] ∑ h1 (τ1 ) ⋅ u ( k − τ1 ) Te  + ∑ ∑ h2 (τ1 ,τ 2 ) ⋅ u ( k − τ1 ) Te  ⋅ u ( k − τ 2 ) Te  +
τ1 1
= τ1 1τ=2 1
=
(281)
b b  b N 
+  + ∑ ∑  ∑  hN (τ1 ,τ 2 ,τ N ) ⋅ ∏ u  k − τ j Te   + e [ kTe ]
  ( )
τ1 1τ=2 1 τ=
= N 1 j =1 
Pe de altă parte, relația (281) se poate scrie astfel
y [ k ⋅ Te ] = yˆ [ k ⋅ Te ] + e [ k ⋅ Te ] = ϕ T [ k ⋅ Te ] ⋅ θ + e [ k ⋅ Te ] (282)
unde: yˆ [ k ⋅ Te ] este ieșirea estimată a sistemului pusă sub forma unei regresii liniare.
În cadrul relației (282), vectorul parametrilor necunoscuți ( θ ) și vectorul regresorilor
( ϕ [ k ⋅ Te ] ), sunt:
  u ( k − 1) ⋅ Te  
 
 h1 (1)   u ( k − 2 ) ⋅ Te  
   
 h1 ( 2 )    
    u ( k − b ) ⋅ Te  
   
 h1 ( b )   u ( k − 1) ⋅ Te  ⋅ u ( k − 1) ⋅ Te  
 h (1,1)   
2  u ( k − 1) ⋅ Te  ⋅ u ( k − 2 ) ⋅ Te  
 
 h2 (1, 2 )    
   
  u ( k − 1) ⋅ Te  ⋅ u ( k − b ) ⋅ Te  
 
 h2 (1, b )   
 u ( k − 2 ) ⋅ Te  ⋅ u ( k − 1) ⋅ Te  
 h 2,1 
2( )   

 u ( k − 2 ) ⋅ Te  ⋅ u ( k − 2 ) ⋅ Te  
 h2 ( 2, 2 ) 
    
    
 h2 ( 2, b )   u ( k − 2 ) ⋅ Te  ⋅ u ( k − b ) ⋅ Te  
   
   
 
 h ( b,1)   u ( k − b ) ⋅ Te  ⋅ u ( k − 1) ⋅ Te  
 2
  
 h2 ( b, 2 )   u ( k − b ) ⋅ Te  ⋅ u ( k − 2 ) ⋅ Te  
   
   
 
 h2 ( b, b )   u ( k − b ) ⋅ Te  ⋅ u ( k − b ) ⋅ Te  
   
θ =  hN (1,1,1)  ; ϕ [ k ⋅ Te ] =
 u ( k − 1) ⋅ Te  ⋅ u ( k − 1) ⋅ Te  ⋅ ⋅ u ( k − 1) ⋅ Te   (283)
 hN (1,1, 2 )   
   u ( k − 1) ⋅ Te  ⋅ u ( k − 1) ⋅ Te  ⋅ ⋅ u ( k − 2 ) ⋅ Te  
    
  
 h (1,1, b ) 
 N   u ( k − 1) ⋅ Te  ⋅ u ( k − 1) ⋅ Te  ⋅ ⋅ u ( k − b ) ⋅ Te  
 hN ( 2,1,1)   
 h ( 2,1, 2 )   u ( k − 2 ) ⋅ Te  ⋅ u ( k − 1) ⋅ Te  ⋅ ⋅ u ( k − 1) ⋅ Te  
 N   
    u ( k − 2 ) ⋅ Te  ⋅ u ( k − 1) ⋅ Te  ⋅ ⋅ u ( k − 2 ) ⋅ Te  
    
 hN ( 2,1, b )   
    u ( k − 2 ) ⋅ Te  ⋅ u ( k − 1) ⋅ Te  ⋅ ⋅ u ( k − b ) ⋅ Te  
   

 hN ( b,1,1)   
 h ( b,1, 2 )   u ( k − b ) ⋅ Te  ⋅ u ( k − 1) ⋅ Te  ⋅ ⋅ u ( k − 1) ⋅ Te  
 N        
    u ( k − b ) ⋅ Te  ⋅ u ( k − 1) ⋅ Te  ⋅ ⋅ u ( k − 2 ) ⋅ Te  
 h ( b,1, b )   
  
 N 
    u ( k − b ) ⋅ T  ⋅ u ( k − 1) ⋅ T  ⋅ ⋅ u ( k − b ) ⋅ T  
 h b, b,1    e  e  e

 N( )   
 hN ( b, b, 2 )   
   u ( k − b ) ⋅ Te  ⋅ u ( k − b ) ⋅ Te  ⋅ ⋅ u ( k − 1) ⋅ Te  
   u ( k − b ) ⋅ T  ⋅ u ( k − b ) ⋅ T  ⋅  ⋅ u ( k − 2 ) ⋅ T  
 hN ( b, b, b )    e  e  e

    
 
u ( k − b ) ⋅ Te  ⋅ u ( k − b ) ⋅ Te  ⋅ ⋅ u ( k − b ) ⋅ Te  
 Din cele prezentate mai sus, se obsevă că modelul matematic Volterra este asemănător
cu modelul matematic FIR. Pe de altă parte, se observă că odată cu creșterea ordinului
neliniarităților (N), numărul de operații matematice crește.

Modele Kolmogorov-Gabor. Pentru sisteme SISO aceste modele matematice sunt

definite de următorul polinom (polinomul Kolmogorov-Gabor)
N N τ1
y [ k ⋅ Te ] =a0 + ∑  aτ1 ⋅ ατ1 [ k ⋅ Te ] + ∑
  ∑  aτ1τ 2 ⋅ ατ1 [ k ⋅ Te ] ⋅ ατ 2 [ k ⋅ Te ] +  +
 
τ1 1
= τ1 1τ=2 1
=
(284)
N τ1 τ p −1
+ ∑ ∑ ∑  a  ⋅ α [ k ⋅ T ] ⋅ α [ k ⋅ T ] ⋅ ⋅ α [ k ⋅ T ] +e [ k ⋅ T ]
τ1 1τ=2 1 τ=
 τ1τ 2 τ p τ1 e τ2 e τp e  e
= p 1

= na + nb , iar variabila α j poate să aibă următoarea formă:

unde N
 y j ( k − j ) ⋅ Te  dacă j ∈ [1 na ]
α j [ k ⋅ Te ] =
 (285)
u j ( k − j + na ) ⋅ Te  dacă j ∈ [ na + 1 nb ]
Din cele prezentate mai sus, se observă că prin particularizarea corespunzătoare a
variabilei α j , cât și a coeficienților polinomul Kolmogorov-Gabor, putem obține foarte ușor
modelele matematice neliniare de tip THETA (NAR; NARI; NMA; NARMA; NARIMA;
NARX; NARIX; NARMAX; NARIMAX; NARARX; NARARMAX; NOE; NBJ; NFIR).
Modelul matematic (284) mai poate fii scris și astfel
y [ k ⋅ Te ] = yˆ [ k ⋅ Te ] + e [ k ⋅ Te ] = ϕ T [ k ⋅ Te ] ⋅ θ + e [ k ⋅ Te ] (286)
unde: yˆ [ k ⋅ Te ] este ieșirea estimată a sistemului, pusă sub forma unei regresii liniare.
În cadrul expesiei (286), vectorul parametrilor necunoscuți ( θ ), cât și vectorul
regresorilor ( ϕ [ k ⋅ Te ] ), sunt definiți de următoarele relații:
 a0   1 
 a   α1 [ k ⋅ Te ] 
 1   
     
   
 aN   α N [ k ⋅ Te ] 
 a11   α1 [ k ⋅ Te ] ⋅ α1 [ k ⋅ Te ] 
   
θ =    ; ϕ [ k ⋅ Te ] =   (287)
 a   α N [ k ⋅ Te ] ⋅ α N [ k ⋅ Te ] 
 NN   
     

 a
11 1

 α1 [ k ⋅ Te ] ⋅ α1 [ k ⋅ Te ] ⋅ ⋅ α1 [ k ⋅ Te ] 
  
     
   
 aNNN  α N [ k ⋅ Te ] ⋅ α N [ k ⋅ Te ] ⋅ ⋅ α N [ k ⋅ Te ]
Numărul de parametrii necunoscuți (numărul de linii a vectorului θ , notat M) se poate
calcula pe baza următoarei relații:

M=
( p + N )! (288)
p!N !
 Din cele prezentate mai sus, se observă că numărul de operații matematice crește odată
cu creșterea lui p și N.

Modele matematice Laguerre și Kautz. Aceste modele matematice sunt dezvoltate în

jurul funcțiilor Laguerre și Kautz.
Polinomele Laguerre generalizate sunt solutiile următoarei ecuații diferențiale liniare de
ordinul doi
x ⋅ y′′ + (α + 1 − x ) ⋅ y′ + n ⋅ y =0 (289)
unde n este un număr întreg pozitiv, iar α este un număr real oarecare ce satisfice următoarea
inegalitate α > −1 .
Observație: În cazul în care n este număr întreg negativ, soluția ecuației diferențiale
(289) este nesingulară.
Soluția ecuației diferențiale (289), utilizând formula lui Rodrigues este:
e x ⋅ x −α d n − x n+α
L(n ) ( x ) =
α
n!
(
⋅ n e ⋅x
dx
) (290)

Forma închisă a soluției ecuației diferențiale (289), este

i
i n +α  x
n
L(n ) ( x ) =
α
∑( )  n−i 
−1 ⋅ ⋅ (291)
i =0   i!
n +α 
unde: 
( n + α )! este coeficientul binomial.
=
 n − i  ( n − i ) !(α + i ) !
În cele ce urmează se prezintă primele trei polinoame generalizate Laguerre:
L( ) x = 1
α
0 ( ) (292)

L1( ) ( x ) =− x + α + 1
α
(293)

L(2 ) ( x )=
α x2
− (α + 2 ) ⋅ x +
(α + 2 ) ⋅ (α + 1) (294)
2 2
Polinoamele Laguerre sunt orogonale pe [ 0 + ∞ ) , funcția pondere fiind definită astfel:

w : [ 0 + ∞ ) →  ; w (=
x ) e − x ⋅ xα (295)
Având în vedere cele menționate mai sus, polinoamele Laguerre satisfac următoarea
propietate
∞
(α ) (α )
∫ w ( x ) ⋅Ln ( x ) ⋅ Lm ( x ) dx =
δ nm ⋅ cnα (296)
0
Γ ( n + α + 1)
unde: cnα = ; iar δ nm este duncția delta-Kronecker, definită astfel
n!
1 dacă m = n
δ nm = (297)
0 dacă m ≠ n
În cadrul relației (296), Γ este funcția gamma, definită astfel:
+∞
Γ ( β=
) β −1 − x
∫ x ⋅ e dx (298)
0
 În cazul în care, β este un număr întreg pozitiv funcția mai sus definită, devine
Γ ( β ) =( β − 1) ! (299)
Observație: Dacă în cadrul relației (296) avem cnα = 1 , atunci polinoamele Laguerre
nu sunt doar ortogonale ci și ortonormale. Acestă propietate este satisfăcută atunci când α = 0.
În aceste condiții, o funcție de bază Laguerre ortonormată este definită de următoarea
relație
α x
n! −
Fn( ) ( x ) ⋅ x 2 ⋅ e 2 ⋅ L(n ) ( x )
α α
= (300)
Γ ( n + α + 1)
Pe de altă parte, în identificarea sistemelor variabila x din cadrul ecuației diferențiale
(289) se înlocuiește cu x = 2 ⋅ λ ⋅ t , unde t este timpul, iar λ este un parametru de scală a
timpului.
În aceste condiții, soluția ecuației diferențiale (289), utilizând formula lui Rodrigues
este:
2⋅λ ⋅t
⋅ t −α d n −2⋅λ ⋅t n+α
L(n ) ( t , λ ) =
α e
n!
⋅ n e
dt
⋅t ( ) (301)

Pe de altă parte, forma închisă a soluției ecuației diferențiale (289), în acest caz, este
i
n n +α  (2⋅λ ⋅t )
L(n ) ( t , λ ) =
α i
∑ ( −1) ⋅  n − i  ⋅ (302)
i =0   i!
n +α 
unde: 
( n + α )! este coeficientul binomial.
=
 n − i  ( n − i ) !(α + i ) !
În aceste condiții, propietatea (296) devine
∞
⋅ ( 2 ⋅ λ ⋅ t ) ⋅L(n ) ( t , λ ) ⋅ L(m ) ( t , λ ) dt= δ nm ⋅ cnα
−2⋅λ ⋅t α α α
∫e (303)
0
Γ ( n + α + 1)
unde: cnα = .
2 ⋅ λ ⋅ n!
Astfel, o funcție de bază Laguerre ortonormată este definită de următoarea relație:
2 ⋅ λ ⋅ n! α
Fn( ) ( t , λ ) ⋅ ( 2 ⋅ λ ⋅ t ) 2 ⋅ e −λ ⋅t ⋅ L(n ) ( t , λ )
α α
= (304)
Γ ( n + α + 1)
Pe baza relațiilor mai sus prezentate, (304) se poate scrie astfel:
α
−
λ ⋅t
2 ⋅ λ ⋅ n! α dn
( e−2⋅λ⋅t ⋅ t n+α )
e ⋅t 2
Fn( ) ( t , λ )
α
= ⋅(2⋅λ ) 2 ⋅ ⋅ (305)
Γ ( n + α + 1) n! dt n

sau
i
i  n +α  (2⋅λ ⋅t )
2 ⋅ λ ⋅ n! α n
Fn( ) ( t , λ )
α
= ⋅ ( 2 ⋅ λ ⋅ t ) 2 ⋅ e −λ ⋅t ⋅ ∑ ( −1) ⋅  ⋅ (306)
Γ ( n + α + 1) i =0  n−i  i!
În aceste condiții, transformata Laplace, în condiții inițiale nule, a funcției Laguerre
(304), este:
  α 
i Γ  i + + 1
( ) s, λ
α 2 ⋅ λ ⋅ n! ( −1)
n n +α  α
i+
⋅ 
2 
F
=n ( ) ⋅∑ ⋅  ⋅(2⋅λ ) 2 (307)
Γ ( n + α + 1) i =0 i !  n−i 
α
i + +1
(s + λ) 2

Când α = 0 , relația (307) devine

Fn ( s, λ ) = 2⋅λ ⋅
( s − λ )n (308)
( s + λ )n+1
not
unde: Fn( ) ( s, λ ) = Fn ( s, λ ) .
0

Pe de altă parte, un polinom discret Laguerre, în sens Gottlieb, este definit astfel
 k   n  k  k 
Ln [ k ⋅ T=
e] e
a⋅k ⋅Te
⋅ ∆ n   ⋅ e − a⋅k ⋅T=
e −k
 θ ⋅ ∆   ⋅ θ  ; k = 0,1, 2, (309)
 n    n  
unde: θ = e− a⋅Te ; 0 < θ < 1 ; Te timpul de eșantionare; a este un număr real pozitiv; ∆ n este
diferența progresivă de ordinul n , definită astfel:
∆ n { f [ k ⋅ Te ]} = { }
∆ n−1 f ( k + 1) ⋅ Te  − f [ k ⋅ Te ] ; ∆ 0 { f [ k ⋅ Te ]} = f [ k ⋅ Te ] (310)

k 
iar   este coeficientul bionomial
n
k  k!
 = ; n≥k ≥0 (311)
 n  n !⋅ ( k − n ) !
Forma explicită a relației (309), este
n  n   k  θ −1 i
 
Ln [ k ⋅ Te ] =θ n ⋅ ∑   ⋅   ⋅   (312)
i i
i =0      θ 
n n! k  k!
unde:   = ;  = .
 i  i !⋅ ( n − i ) !  i  i !⋅ ( k − i ) !
În cele ce urmează se prezintă primele trei polinoame Laguerre discrete:
L0 [ k ⋅ Te ] =
1 (313)
L1 [ k ⋅ Te ] = θ + k ⋅ (θ − 1) (314)

L2 [ k ⋅ Te ] =
1
2
2 1
( )
⋅ (θ − 1) ⋅ k 2 + ⋅ 3 ⋅ θ 2 − 2 ⋅ θ − 1 ⋅ k + θ 2
2
(315)

unde: θ = e− a⋅Te .
Polinoamele Laguerre discrete satisfac următoarea propietate de ortogonalitate
∞ 1
∑ θ k ⋅ Ln [ k ⋅ Te ] ⋅ Lm [ k ⋅ Te ] = δ nm ⋅ (316)
k =0 cn2
1−θ
unde: cn = ; iar δ nm este duncția delta-Kronecker, definită de relația (297).
θn
Astfel, o funcție de bază Laguerre discretă este definită de următoarea relație:
n
ϒ n [ k ⋅ Te ]= cn ⋅ ( −1) ⋅ θ k ⋅ Ln [ k ⋅ Te ] (317)
 Se poate arăta foarte ușor că transformata Z a coeficientului binomial, este
k   k!  z
B ( z )= Z ( b [ k ⋅ Te ])= Z    = Z  = (318)
 n  n !⋅ ( k − n ) !  ( z − 1)n+1
k 
unde: b [ k ⋅ Te ] =
 .
n
Pe de altă parte, transformata Z a funcției g [ k ⋅ Te ] = b [ k ⋅ Te ] ⋅ θ k , este:
∞ ∞ −k
z z
G (=z ) Z ( g [ k ⋅ Te=]) ∑ b [ k ⋅ Te ] ⋅θ ⋅ z = ∑ b [ k ⋅ Te ] ⋅  = B  
k −k
(319)
= k 0= k 0 θ  θ 
În aceste condiții, putem scrie următoarea relație
z
k  k  θ
) Z ( g [ k ⋅ Te ]=) Z    ⋅θ =
G ( z= n +1
(320)
  n    z 
 − 1
θ 
Se poate arată foarte ușor, că transformata Z a diferenței progresive de ordinal n a
∆ n ( g [ k ⋅ Te ]) , în condiții inițiale nule, este:
funcției g [ k ⋅ Te ] ; d [ k ⋅ Te ] =

( )
D ( z ) =Z ( d [ k ⋅ Te ]) =Z ∆ n ( g [ k ⋅ Te ]) =( z − 1) ⋅ G ( z )
n
(321)

( θ ) ⋅ d [k ⋅ Te ] , este
−k
Pe de altă parte, transformata Z a funcției h [ k ⋅ T=
e]
∞ ∞
H ( z ) = Z ( h [ k ⋅ Te ]) = ∑ ( θ ) d [ k ⋅ Te ] ⋅ z − k = ∑ d [ k ⋅ Te ] ( z ⋅ θ ) = D ( z ⋅ θ )
−k −k
(322)
= k 0= k 0
În aceste condiții, ținând cont de relațiile prezentate mai sus, transformata Z a funcției
Laguerre (317), este:
ϒ n ( z ) =Z ( ϒ n [ k ⋅ Te ]) =cn ⋅ ( −1) ⋅ Z
n
(θ k
)
⋅ Ln [ k ⋅ Te ] =

  k  
( θ) ( θ)
n −k n  −k 
= cn ⋅ ( −1) ⋅ Z  ⋅ ∆ n   ⋅θ k   = cn ⋅ ( −1) ⋅ Z  ⋅ d [ k ⋅ Te ]  = (323)
 
  n    
n
= cn ⋅ ( −1) ⋅ D z ⋅ θ( )
Ținând cont de (321) și (320), relația (323) devine:

( ) ( ) ( )
n n n
ϒ n ( z )= cn ⋅ ( −1) ⋅ D z ⋅ θ = cn ⋅ ( −1) ⋅ z ⋅ θ − 1 ⋅ G z ⋅ θ =

z⋅ θ
(324)
( )
n
n
= cn ⋅ ( −1) ⋅ z ⋅ θ − 1 ⋅ θ
n +1
 z⋅ θ 
 − 1
 θ 
1−θ
Cum cn = , relația (324) poate fi scrisă astfel
θn
 n
z  1− z ⋅ θ 
ϒ n ( z,θ ) = 1−θ ⋅ ⋅   (325)
z − θ  z − θ 
sau
n
z  1− z ⋅ξ 
ϒn ( z, ξ ) = 1 − ξ ⋅ 2
⋅  (326)
z −ξ  z −ξ 
ξ
unde:= θ
= e− a⋅Te poartă denumirea de polul funcției Laguerre discrete și are propietatea
că ξ < 1 .
O altă modalitate de definire a polinoamelor discrete Laguerre, este bazată pe
particularizarea polinoamelor Meixner. Polinomele Meixner sunt definite de relația următoare
1  Γ (b + k ) ⋅ n!  k  k 
=M n [ k ⋅ Te ] ⋅ ∆ n  ⋅   ⋅ θ  ; k = 0,1, 2, (327)
k +n Γ ( b + k )  Γ ( b ) ⋅ k !  n  
θ ⋅
Γ (b) ⋅ k !
unde: b > 0 ; 0 < θ < 1 .
Particularizând relația (327), pentru b = 1 , obținem polinoamele discrete Laguerre în
sens Abramowitz – Stegun
n!  k  
Ln [ k ⋅=
Te ] ⋅ ∆ n   ⋅ θ k  ; k = 0,1, 2, (328)
θ k +n  n  
unde: θ = e− a⋅Te ; a este un număr real pozitiv, iar ∆ n este diferența progresivă de ordinul n.
Forma explicită a relației (328), este
n  n   k  θ −1 i
 
Ln [ k ⋅ Te ] =n !⋅ ∑   ⋅   ⋅   (329)
i =0  i   i   θ 

n n! k  k!
unde:   = ;  = .
 i  i !⋅ ( n − i ) !  i  i !⋅ ( k − i ) !
Primele trei polinoame Laguerre discrete, sunt
L0 [ k ⋅ Te ] =
1 (330)
θ −1
L1 [ k ⋅ Te ] =1 + k ⋅ (331)
θ
1 1
L2 [ k ⋅ Te ] = ( k + 1) ⋅ ( k + 2 ) − 2 ⋅ k ⋅ ( k + 1) ⋅ + k ⋅ ( k − 1) ⋅ 2 (332)
θ θ
unde: θ = e− a⋅Te .
În acest caz, polinoamele Laguerre discrete în sens sens Abramowitz – Stegun, satisfac
următoarea propietate de ortogonalitate
∞
∑ θ k ⋅ Ln [ k ⋅ Te ] ⋅ Lm [ k ⋅ Te ] = δ nm ⋅ d n (333)
k =0
2
unde: dn = n
( n !)
poartă denumirea de constanta de normalizare; iar δ nm este funcția
θ ⋅ (1 − θ )
delta-Kronecker, definită de relația (297).
 Astfel, o funcție de bază Laguerre discretă în sens sens Abramowitz – Stegun, este
definită de următoarea relație:
1 n 1−θ n
ϒ n [ k ⋅ T=
e] ⋅ ( −1) ⋅ θ k ⋅ Ln [ k ⋅ T=
e] ⋅ ( −1) ⋅ θ k + n ⋅ Ln [ k ⋅ Te ] (334)
dn n!
Pe de altă parte, utilizând tranformata biliniară modificată (MBT), în sens Steiglitz
putem scrie următoarele relații de legătură între expresiile (308) și (326).
z  z −1   p−λ 
2⋅ p ⋅ ⋅ Fn  p ⋅ ,λ  = ( −1)n ⋅ ϒ n  z,  (335)
z +1  z +1   p+λ 
1  s+ p   1− ξ 
2⋅ p ⋅ ⋅ ϒn  − ,ξ  = ( −1)n ⋅ Fn  s, p ⋅  (336)
s+ p  s− p   1+ ξ 
unde: p ∈ R+ .
În cadrul relațiilor de mai sus s-au utilizat următoarele schimbări de variabile:
z −1 s+ p 1− ξ
s= p ⋅ ; z= − și λ= p ⋅ (337)
z +1 s− p 1+ ξ
Observație: Din relația (337) se observă că p = λ dacă și numai dacă ξ = 0 . În aceste
condiții avem:
z  z −1  1
2⋅λ ⋅ ⋅ Fn  λ ⋅ ( 1)n ⋅ ϒ n ( z, 0 ) =−
, λ  =− ( 1)n ⋅ n (338)
z +1  z +1  z
n
2⋅λ ⋅
1  s+λ 
⋅ ϒn  −
n n
, 0  =( −1) ⋅ Fn ( s, λ ) =( −1) ⋅ 2 ⋅ λ ⋅
(s − λ) (339)
s+λ  s−λ  ( s + λ )n+1
Cu toate că valoarea ξ = 0 nu este permisă pentru polinoame Laguerre, vom aproba
aceată valoare ca o extensie naturală pentru funcții Laguerre. În acest caz, se observă că funcțiile
Laguerre discrete devin întărzieri de ordinul n (a se vedea relația (338)). Polul funcției
Laguerre discrete devine zero ξ = 0 , atunci când coeficientul a tinde spre infinit a → ∞ .
Din cele prezentate mai sus, se observă că funcțiile ortogonale Laguerre sunt
ortonormale:
∞
∑ ϒ n [ k ⋅ Te ] ⋅ ϒ m [ k ⋅ Te ] =δ nm (340)
k =0
O propietate remarcabilă este aceea că o funcție oarecare h ( x ) ; x ∈ [ 0 + ∞ ) , se poate
dezvolta în serie Fourier-Laguerre pe baza următoarei relații
∞
∑ vn ⋅ L(n ) ( x )
α
( x)
h= (341)
n =0
unde:
n!
⋅ ∫0 h ( x ) ⋅ L(n ) ( x ) ⋅ e− x ⋅ xα dx
∞ α
=vn (342)
Γ ( n + α + 1)
Seria (341) converge în spațiul Hilbert asociat L2 [ 0 ∞ ) , dacă și numai dacă:
2 α + n 
∞
∑ vn ⋅  <∞ (343)
n =0  n 
 În mod identic, o funcție oarecare discretă h [ k ⋅ Te ] ; k = 0,1, 2, , se poate dezvolta în
serie Fourier-Laguerre pe baza următoarei relații
∞
h [ k ⋅ Te=
] ∑ wn ⋅ Ln [ k ⋅ Te ] (344)
n =0
unde:
1−θ ∞
wn = ⋅ ∑ θ k ⋅ h [ k ⋅ Te ] ⋅ Ln [ k ⋅ Te ] ; θ = e− a⋅Te - în sens Gottlieb (345)
θn k =0
respectiv,
θ n ⋅ (1 − θ ) ∞
wn
= ⋅ ∑ θ k ⋅ h [ k ⋅ Te ] ⋅ Ln [ k ⋅ Te ] ; θ = e− a⋅Te - în sens Abramowitz – Stegun (346)
( n !)2 k =0

Relațiile anterior prezentate pot fi rescrise pe baza funcțiilor Laguerre.

În aceste condiții, relația (344) devine
∞
h [ k=
⋅ Te ] ∑ wn ⋅ ϒ n [ k ⋅ Te ] (347)
n =0
unde:
∞
wn
= ∑ h [ k ⋅ Te ] ⋅ ϒ n [ k ⋅ Te ] (348)
k =0
Pe de altă parte, relația (341) devine
∞
∑ vn ⋅ Fn( ) ( x )
α
( x)
h= (349)
n =0
unde:
∞ (α )
=vn ∫0 h ( x ) ⋅ Fn ( x ) dx (350)
Pe de altă parte, aplicând tranformata Z în cadrul relației (347), obținem:
∞
H
= [ z] ∑ wn ⋅ ϒ n ( z, ξ ) (351)
n =0
În mod identic, aplicând transformata Laplace în cadrul relației (349), pentru α = 0 ,
obținem:
∞
(s)
H= ∑ vn ⋅ Fn ( s, λ ) (352)
n =0
În cadrul identificării sistemelor, seriile (351) și (352), sunt trunchiate. În aceste condiții,
avem:
N
H
= [ z] ∑ wn ⋅ ϒ n ( z, ξ ) (353)
n =0
respectiv
N
(s)
H= ∑ vn ⋅ Fn ( s, λ ) (354)
n =0
 Pentru exemplificarea modului de utilizare a funcțiilor Laguerre în identificarea unui
sistem, vom prezenta modelul matematic a unui filtru cu răspuns finit la impuls (FIR),
reprezentat în domeniul Laguerre (FIRL). Astfel, un model FIRL este definit de următoarea
relație
y [ k ⋅ T=
e ] BL ( q ) ⋅ u 
( k − d ) ⋅ Te  + e [ k ⋅ Te ] (355)
unde:
N
(q)
BL= ∑ wn ⋅ ϒ n ( q, ξ ) (356)
n =0
n
q  1− q ⋅ξ 
ϒ n ( q, ξ ) = 1 − ξ ⋅ 2
⋅  (357)
q −ξ  q −ξ 
În cadrul procedurii de identificare, polul funcției Laguerre ( ξ ; ξ < 1 ) se selectează fie
pe baza cunoștințelor apriorii despre sistemul/procesul ce urmează a fi modelat matematic, sau
poate fi ajustat în timpul procedurii de identificare (model Laguerre adaptiv).
În foarte multe aplicații practice se impune dezvoltarea intrărilor și ieșirilor sistemului
dinamic, pe baza polinoamelor ortogonale. Din acest motiv, în cele ce urmează vom prezenta
modul de utilizare a funcțiilor Laguerre în descompunerea unui model matematic liniar
invariant în timp, strict propriu - determinist, definit de următoarele ecuații intrare-stare-ieșire.
 dx ( t )
 = A ⋅ x (t ) + B ⋅ u (t )
 dt ; x ( t0 ) = xc0 (358)
 y ( t )= C ⋅ x ( t )

În aceste condiții, pe baza celor prezentate anterior putem scrie următoarele relații
∞
∑ xn ⋅ Fn( ) ( t )
α
x (t )
= (359)
n =0
∞
∑ un ⋅ Fn( ) ( t )
α
u (t )
= (360)
n =0
∞
yn ⋅ Fn( ) ( t )
α
y (t )
= ∑ (361)
n =0
∞ (α ) ; un ∫0 u ( t ) ⋅ Fn( ) ( t ) dt
∞ α
; yn ∫0 y ( t ) ⋅ Fn( ) ( t ) dt , iar
∞ α
unde:
= xn ∫0 x ( t ) ⋅ Fn ( t ) dt= =
α t
n! −
Fn( ) ( t ) ⋅ t 2 ⋅ e 2 ⋅ L(n ) ( t ) este funcția Laguerre.
α α
=
Γ ( n + α + 1)
Pentru a descompune ecuațiile (358) pe baza funcțiilor Laguerre, vom utiliza următoarea
proprietate de derivare a polinoamelor Laguerre
dk
dt k ( L( ) (t )) =( −1) ⋅ L( ) (t ) ; pentru k ≤ n
n
α k α +k
n−k (362)

dk
dt k ( L( ) (t )) = 0 ; pentru k > n
n
α
(363)

Astfel, pentru k = 1 și n ≥ 1 avem:

 dt
(
d (α )
)
Ln ( t ) = − L(n−1 ) ( t )
α +1
(364)
n −1
unde: L(n−1 ) ( t ) = ∑ L(i ) ( t ) .
α +1 α
i =0
Ținând cont de relația (364), pentru n ≥ 1 putem scrie:
( α)
dFn ( t ) 1  α  (α )
α t
n! −
⋅ t ⋅ e ⋅ L(n−1 ) ( t )
α +1
= ⋅  − 1 ⋅ Fn ( t ) − 2 2 (365)
dt 2 t  Γ ( n + α + 1)
Relația (365) se poate scrie astfel:
( α)
dFn ( t ) n −1
1  α α
=− ⋅ 1 −  ⋅ Fn( ) ( t ) − ∑ Fi( ) ( t )
α
(366)
dt 2  t  i =0
Pentru α = 0 , expresia (366) devine:
dFn ( t ) 1 n −1
=− ⋅ Fn ( t ) − ∑ Fi ( t ) (367)
dt 2 i =0
Pentru n = 0 , funcția Laguerre devine
α t
(α ) 1 −
F0= (t ) ⋅t 2 ⋅e 2 (368)
Γ (α + 1)
astfel încât derivata în raport cu timpul a funcției Laguerre, anterior prezentate, este:
dF0( ) ( t )
α
1  α
=− ⋅ 1 −  ⋅ F0( ) ( t )
α
(369)
dt 2  t 
În aceste condiții, derivând în raport cu timpul relația (359), obținem:
dFn( ) ( t )
α
dx ( t ) ∞
= ∑ xn ⋅ (370)
dt n =0 dt
Expresia (368) se poate scrie astfel:
dx ( t ) 1  α α ∞ 1  α  α n −1 
− x0 ⋅ ⋅ 1 −  ⋅ F0( ) ( t ) − ∑ xn ⋅  ⋅ 1 −  ⋅ Fn( ) ( t ) + ∑ Fi( ) ( t ) 
α
= (371)
dt = 2  t  n 1= 2  t  i 0 
În aceste condiții, prima relație a sistemului (358) se poate scrie astfel
∞ ∞
A ⋅ ∑ xn ⋅ Fn( ) ( t ) + B ⋅ ∑ un ⋅ Fn( ) ( t )
α α
DX ( t ) = (372)
=n 0=n 0

 1  α α ∞ 1  α  α n −1 
−  x0 ⋅ ⋅ 1 −  ⋅ F0( ) ( t ) + ∑ xn ⋅  ⋅ 1 −  ⋅ Fn( ) ( t ) + ∑ Fi( ) ( t )  
α
unde: DX ( t ) =
= 2  t  n 1= 2  t  i 0 
Relația (372) se poate scrie și sub următoarea formă
∞
∑ ( A ⋅ xn + B ⋅ un ) ⋅ Fn( ) ( t )
α
DX (=
t) (373)
n =0
unde:
 ∞  n −1 
−  x0 ⋅ β ( t ) ⋅ F0( ) ( t ) + ∑ xn ⋅  β ( t ) ⋅ Fn( ) ( t ) + ∑ Fi( ) ( t )  
α α α
DX ( t ) = (374)
=n 1 =  i 0 
1  α
în care: β ( t ) = ⋅ 1 −  .
2  t 
 În urma dezvoltării relației (374) obținem
DX ( t ) = ( A ⋅ x0 + B ⋅ u0 ) F0( ) ( t ) + ( A ⋅ x1 + B ⋅ u1 ) F1( ) ( t ) + ( A ⋅ x2 + B ⋅ u2 ) F2( ) ( t ) + (375)
α α α

unde:
− ( x0 ⋅ β ( t ) + x1 + x2 + ) ⋅ F0( ) ( t ) − ( x1 ⋅ β ( t ) + x2 + x3 + ) ⋅ F1( ) ( t ) − 
α α
DX ( t ) = (376)
Prin inducție, putem scrie următoarele expresii
− ( xn ⋅ β ( t ) + xn+1 + xn+ 2 + ) = A ⋅ xn + B ⋅ un (377)
respectiv:
− ( xn+1 ⋅ β ( t ) + xn+ 2 + xn+3 + ) = A ⋅ xn+1 + B ⋅ un+1 (378)
Scăzând relațiile de mai sus, obținem:
− xn ⋅ β ( t ) − xn+1 + xn+1 ⋅ β ( t ) = A ⋅ xn + B ⋅ un − A ⋅ xn+1 − B ⋅ un+1 (379)
Relația (379) se poate scrie astfel:
− xn ⋅ β ( t ) − xn+1 ⋅ (1 − β ( t ) ) = A ⋅ xn + B ⋅ un − A ⋅ xn+1 − B ⋅ un+1 (380)
sau
 A − (1 − β ( t ) ) ⋅ I  ⋅ xn+1 =  A + β ( t ) ⋅ I  ⋅ xn + B ⋅ un − B ⋅ un+1 (381)
În cele ce urmează, vom realiza următoarea schimbare de variabilă
zn =  A − (1 − β ( t ) ) ⋅ I  ⋅ xn + B ⋅ un (382)

Dacă det  A − (1 − β ( t ) ) ⋅ I  ≠ 0 , pe baza relației (382) putem scrie următoarele expresii:

−1 −1
xn =  A − (1 − β ( t ) ) ⋅ I  ⋅ zn −  A − (1 − β ( t ) ) ⋅ I  ⋅ B ⋅ un (383)
−1 −1
xn+1 =  A − (1 − β ( t ) ) ⋅ I  ⋅ zn+1 −  A − (1 − β ( t ) ) ⋅ I  ⋅ B ⋅ un+1 (384)
În aceste condiții, dacă intoducem relațiile (383) și (384) în (381), obținem
−1 −1
zn+1 =  A + β ( t ) ⋅ I  ⋅  A − (1 − β ( t ) ) ⋅ I  zn −  A − (1 − β ( t ) ) ⋅ I  ⋅ B ⋅ un (385)
Din cadrul relației (385), se observă că zn+1 − zn =
xn .
În mod identic, din cadrul ecuației doi a sistemului (358), obținem:
∞ ∞
yn ⋅ Fn( ) ( t ) =
C ⋅ ∑ xn ⋅ Fn( ) ( t )
α α
∑ (386)
n 0=n 0
Din (386) putem scrie următoarea relație:
yn= C ⋅ xn (387)
Astfel, dacă introducem relația (383) în (387), obținem:
−1 −1
yn = C ⋅  A − (1 − β ( t ) ) ⋅ I  ⋅ zn − C ⋅  A − (1 − β ( t ) ) ⋅ I  ⋅ B ⋅ un (388)
În aceste condiții, relațiile (385) și (388) formează următorul sistem
 zn+1= A ( t ) ⋅ zn + B ( t ) ⋅ un

 (389)
 yn= C ( t ) ⋅ zn + D ( t ) ⋅ un

unde:
−1
A ( t ) =  A + β ( t ) ⋅ I  ⋅  A − (1 − β ( t ) ) ⋅ I  (390)
 −1
B (t ) =−  A − (1 − β ( t ) ) ⋅ I  ⋅B (391)
−1
C ( t ) = C ⋅  A − (1 − β ( t ) ) ⋅ I  (392)
−1
D ( t ) =−C ⋅  A − (1 − β ( t ) ) ⋅ I  ⋅B (393)
Pe de altă parte, condiția inițiala x ( t0 ) = x a sistemului (358), devine:
0
c
∞ ∞
∑ xn ⋅ Fn( ) ( t0 =) ∑ [ zn+1 − zn ] ⋅ Fn( ) ( t0 )
α α
xc0= (394)
=n 0=n 0
Expresia de mai sus se poate scrie astfel:
∞
− z0 ⋅ F0( ) ( t0 ) + ∑ zn+1 ⋅  Fn( ) ( t0 ) − Fn(+1) ( t0 ) 
α α α
xc0 = (395)

n =0 
Pe de altă parte, pentru α = 0 și t0 = 0 , expresia (395) devine:
∞
xc0 =− z0 ⋅ F0 ( 0 ) + ∑ zn+1 ⋅  Fn ( 0 ) − Fn+1 ( 0 )  (396)
n =0
Cum Fn ( 0 ) = Ln ( 0 ) și Ln ( 0 ) = 1 , avem:
Fn ( 0 ) − Fn+1 ( 0 ) =
0 (397)
Astfel, condiția inițială x ( 0 ) = x devine: 0
c

z0 = − xc0 (398)
1
Observație: Pentru α = 0 sistemul (389) devine invariant în timp ( β ( t ) = ).
2
Ținând cont de observația de mai sus, sistemul (389) devine
 zn+1 = A ⋅ zn + B ⋅ un
 ; z0 = − xc0 (399)
 yn = C ⋅ zn + D ⋅ un
unde:
−1
 1   1 
A = A+ ⋅I⋅A− ⋅I (400)
 2   2 
−1
 1 
B =−  A − ⋅ I  ⋅B (401)
 2 
−1
 1 
C = C ⋅A− ⋅I (402)
 2 
−1
 1 
D =−C ⋅  A − ⋅ I  ⋅ B (403)
 2 
Pe baza primei ecuații a sistemului (399), putem scrie următoarele relații:
• pentru n = 0
z1 = A ⋅ z0 + B ⋅ u0 (404)
• pentru n = 1
( ) 2
z2 = A ⋅ z1 + B ⋅ u1 = A ⋅ A ⋅ z0 + B ⋅ u0 + B ⋅ u1 = A ⋅ z0 + A ⋅ B ⋅ u0 + B ⋅ u1 (405)
• pentru n = 2
 ( 2
z3 = A ⋅ z2 + B ⋅ u2 = A ⋅ A ⋅ z0 + A ⋅ B ⋅ u0 + B ⋅ u1 + B ⋅ u2 = ) (406)
3 2
= A ⋅ z0 + A ⋅ B ⋅ u0 + A ⋅ B ⋅ u1 + B ⋅ u2
Astfel, prin inducție putem scrie putem scrie următoarea relație:
n n −1 n −1−i
z n = A ⋅ z0 + ∑ A ⋅ B ⋅ ui (407)
i =0
În aceste condiții, dacă introducem (407) în a doua relație a sistemului (399), obținem:
n n −1 n −1−i
y n = C ⋅ A ⋅ z0 + C ⋅ ∑ A ⋅ B ⋅ ui + D ⋅ un (408)
i =0
În cazul în care condiția inițială este x ( 0 ) = xc0 și xc0 = 0 , relația (408) devine:
n −1 n −1−i
yn = C ⋅ ∑ A ⋅ B ⋅ ui + D ⋅ un (409)
i =0
Relațiile (408) și (409) sunt extrem de utile atât în identificarea, cât și în proiectarea
sistemului de control a unui sistem.
O altă abordare a identificării unui sistem în spațiul stărilor pe baza polinoamelor
Laguerre, se poate face utilizând modelul Laguerre anterior prezentat și prima ecuație a
modelului matematic în timp discret - ISO, definită în (20). În aceste condiții, putem scrie
următorul model matematic
Φ ⋅ x [ k ⋅ Te ] + Γ ⋅ u [ k ⋅ Te ]
 x ( k + 1) ⋅ Te  =
 ; x [ k0 ⋅ Te ] =
x0 (410)
 y [ k ⋅ Te ] = CL ⋅ x [ k ⋅ Te ] + e [ k ⋅ Te ]
unde: CL este un vector linie ce conține coeficienții Laguerre (în cazul sistemelor SISO).
Observație: Modelul prezentat mai sus este scris presupunând că timpul mort este nul:
d = 0 . Pe baza modelului matematic dat de relația (410), putem scrie următoarea relație intrare-
ieșire:
−1
y [ k ⋅ Te=
] CL ⋅ ( q ⋅ I − Φ ) ⋅ Γ ⋅ u [ k ⋅ Te ] + e [ k ⋅ Te ] (411)
Comparând (411) cu (355), pentru d = 0 , putem scrie următoarea relație:
−1
BL ( q=
) CL ⋅ ( q ⋅ I − Φ ) ⋅ Γ (412)
Modele Kautz sunt o formă modificată a modelelor Laguerre. Fie {−σ i ; σ i > 0}i= 0,∞
numere reale strict pozitive. În aceste condiții, transformatatele Laplace aferente celor n + 1
funcții Kautz, se definesc astfel:
1
Φ0 ( s ) = 2 ⋅σ 0 ⋅ (413)
s +σ0
1 s −σ0
Φ1 ( s ) = 2 ⋅ σ1 ⋅ ⋅ (414)
s + σ 0 s + σ1
1 s − σ 0 s − σ1
Φ2 ( s ) = 2 ⋅σ 2 ⋅ ⋅ ⋅ (415)
s + σ 0 s + σ1 s + σ 2
În mod identic transformata Laplace a funcției Kautz de ordinul n, este:
1 s − σ 0 s − σ1 s − σ n−1 2 ⋅ σ n n−1 s − σ i
Φn ( s ) = 2 ⋅σ n ⋅ ⋅ ⋅ ⋅ ⋅ = ⋅∏ (416)
s + σ 0 s + σ1 s + σ 2 s +σn s + σ n i =0 s + σ i
Observație: Pentru σ i = λ , i = 0, n , funcțiile Kautz (416) sunt identice cu funcțiile
Laguerre (308).
 Atunci când polii {−σ i ; σ i > 0}i =0,n sunt reali, funcțiile Kautz anterior prezentate, se pot
descompune în funcții simple, astfel
k a
Φk ( s ) =∑ ki ; k = 0, n (417)
i =0 s + σ i
unde: aki ∈ R sunt coeficienți reali.
• Pentru k = 0 , avem
a00
Φ0 ( s ) = (418)
s +σ0
unde:
= 2 ⋅σ 0
a00 (419)
• Pentru k = 1 , avem
a10 a
Φ1 ( s )= + 11 (420)
s + σ 0 s + σ1
unde:
2 ⋅σ 0 σ +σ0
a10 = 2 ⋅ σ1 ⋅ ; a11 = 2 ⋅ σ1 ⋅ 1 (421)
σ 0 − σ1 σ1 − σ 0
• Pentru k = 2 , avem
a20 a a
Φ 2 ( s )= + 21 + 22 (422)
s + σ 0 s + σ1 s + σ 2
unde:
σ 0 + σ1
a20 =2 ⋅ σ 0 ⋅ 2 ⋅ σ 2 ⋅ (423)
(σ 0 − σ 1 ) ⋅ (σ 0 − σ 2 )
σ1 + σ 0
a21 =2 ⋅ σ1 ⋅ 2 ⋅ σ 2 ⋅ (424)
(σ 1 − σ 0 ) ⋅ ( σ 1 − σ 2 )
a22 = 2 ⋅ σ 2 ⋅
(σ 2 + σ 0 ) ⋅ ( σ 2 + σ 1 ) (425)
(σ 2 − σ 0 ) ⋅ ( σ 2 − σ 1 )
• Pentru k = 3 , avem
a30 a a a
Φ 3 ( s )= + 31 + 32 + 33 (426)
s + σ 0 s + σ1 s + σ 2 s + σ 3
unde:
a30 =2 ⋅ σ 0 ⋅ 2 ⋅ σ 3 ⋅
(σ 0 + σ 1 ) ⋅ (σ 0 + σ 2 ) (427)
(σ 0 − σ 1 ) ⋅ (σ 0 − σ 2 ) ⋅ (σ 0 − σ 3 )
a31 =2 ⋅ σ1 ⋅ 2 ⋅ σ 3 ⋅
(σ 1 + σ 0 ) ⋅ ( σ 1 + σ 2 ) (428)
(σ 1 − σ 0 ) ⋅ ( σ 1 − σ 2 ) ⋅ (σ 1 − σ 3 )
a32 =2 ⋅ σ 2 ⋅ 2 ⋅ σ 3 ⋅
(σ 2 + σ 0 ) ⋅ ( σ 2 + σ 1 ) (429)
(σ 2 − σ 0 ) ⋅ ( σ 2 − σ 1 ) ⋅ (σ 2 − σ 3 )
(σ + σ 0 ) ⋅ (σ 3 + σ 1 ) ⋅ (σ 3 + σ 2 )
a33 = 2 ⋅ σ 3 ⋅ 3 (430)
( σ 3 − σ 0 ) ⋅ (σ 3 − σ 1 ) ⋅ (σ 3 − σ 2 )
Din cele prezentate mai sus, prin inducție putem scrie următoarea relație
  2 ⋅σ k dacă k = 0

 k −1

aki =  ∏ (σ i + σ m ) (431)
m =0
 2 ⋅σ k ⋅ k dacă k > 1


∏ Ω (σ i − σ m )
m =0
unde Ω este:
σ i − σ m dacă i ≠ m
Ω (σ i − σ m ) =  (432)
1 dacă i = m
În aceste condiții, aplicând tranformata Laplace inversă în cadrul relației (417), obținem
funcțiile Kautz în domeniul timpului:
k
Φk (t ) = ∑ aki ⋅ e−σ i ⋅t ; k = 0, n (433)
i =0
Atunci cand polii sunt numere complexe, funcția Kautz de ordinul n se definește astfel:
τ n + τ n* n−1 s − τ i*
Φ n (=
s) ⋅∏ (434)
s + τ n i =0 s + τ i
unde: τ i = σ i + j ⋅ ωi ; τ i* = σ i − j ⋅ ωi ; i = 0, n ; j= −1 ; τ n + τ n* =2 ⋅ σ n .
În cazul în care toți polii sunt perechi de numere complex conjugate, cu partea reală
strict negativă
si = −τ i ; si* = −τ i* (435)
funcțiile Kautz de ordinul n de prima și a doua speță sunt definte astfel:
( s − τ i ) ⋅ ( s − τ i* )
n −1
1
(
Φ (n ) ( s ) = 2 ⋅ τ n + τ n* ⋅ ) s
⋅∏
( s + τ n ) ⋅ ( s + τ n* ) i =0 ( s + τ i ) ⋅ ( s + τ i* )
(436)

τn ( s − τ i ) ⋅ ( s − τ i* )
n −1
2
(
Φ (n ) ( s ) = 2 ⋅ τ n + τ n* ⋅ ) ⋅∏
( s + τ n ) ⋅ ( s + τ n* ) i =0 ( s + τ i ) ⋅ ( s + τ i* )
(437)

unde τ n = τ n ⋅τ n* = σ n2 + ωn2 este modulul numarului complex τ n .

Relațiile anterior prezentate se mai pot scrie astfel:

Φ (n ) ( s ) =
1
2 ⋅ 2 ⋅σ n ⋅
s
⋅∏
n −1 ( s − σ i )2 + ωi2 (438)
2 2
( s + σ n ) + ωn2 i =0 ( s + σ i ) + ωi
2

Φ (n ) ( s ) =
2
2 ⋅ 2 ⋅σ n ⋅
σ n2 + ωn2 ( s − σ i )2 + ωi2
n −1
⋅∏ (439)
( s + σ n )2 + ωn2 i =0 ( s + σ i )2 + ωi2
Pe baza relațiilor de mai sus, funcțiile Kautz până la ordinul n se definesc astfel:
 Φ (k ) ( s ) + Φ (k ) ( s )
1 2
Φ 2 k ( s ) =
 2 n −1
 ; k = 0,1, 2, , (440)
 Φ (k ) ( s ) − Φ (k ) ( s )
1 2 2
Φ 2 k +1 ( s ) =
 2
Ținând cont de (438) și (439), relațiile (440) capătă următoarea formă:
  s + σ k2 + ωk2 k −1 ( s − σ i ) + ωi2
2
Φ 2 k ( s ) = 2 ⋅ σ k ⋅ ⋅∏

 ( s + σ k )2 + ωk2 i =0 ( s + σ i )2 + ωi2 n −1
 ; k = 0,1, 2, , (441)
2 2
 2
s − σ k + ωk 2 k −1 ( s − σ i ) + ωi 2
Φ 2 k +1 ( s ) = 2 ⋅ σ k ⋅ ⋅∏

 ( s + σ k ) + ωk2 i =0 ( s + σ i )2 + ωi2
2

n −1
Observație: Pentru σ k = λ ; ωk = 0 ; k = 0,1, 2, , ; funcțiile Kautz (441) sunt
2
identice cu funcțiile Laguerre (308).
Φ 2 k ( s ) = F2 k ( s, λ )
 (442)
Φ 2 k +1 ( s ) = F2 k +1 ( s, λ )
La fel ca în cazul precedent, funcțiile Kautz anterior prezentate, se pot descompune în
funcții simple, astfel
v  * 
aki aki
= Φk ( s ) ∑  +  , pentru k= 2 ⋅ v și k = 2 ⋅ v + 1 (443)
 s + σ i + j ⋅ ωi s + σ i − j ⋅ ωi 
i =0 
n −1
unde v = 0,1, 2, , , iar aki ∈ C sunt numere complexe.
2
• Pentru v = 0 obținem funcțiile Kautz de ordinul zero și unu ( k = 0 și k = 1 )

=


Φ 0 ( s ) =
(
2 ⋅ σ 0 ⋅ s + σ 02 + ω02 ) ( )
2 ⋅ σ 0 ⋅ s + σ 02 + ω02
=
 ( s + σ 0 )2 + ω02 ( s + σ 0 + j ⋅ ω0 ) ⋅ ( s + σ 0 − j ⋅ ω0 )
 *
 a00 a00
= +

 s + σ 0 + j ⋅ ω0 s + σ 0 − j ⋅ ω0
 (444)

 ( 2
2 ⋅ σ 0 ⋅ s − σ 0 + ω0 2
) ( 2
)
2 ⋅ σ 0 ⋅ s − σ 0 + ω0 2

 1( )
= Φ s = =
( 2
s + σ 0 ) + ω02 ( s + σ 0 + j ⋅ ω0 ) ⋅ ( s + σ 0 − j ⋅ ω0 )

 a10 *
a10
 = +

 s + σ 0 + j ⋅ ω0 s + σ 0 − j ⋅ ω0
unde:
1  σ 02 + ω02 − σ 0 
a00 = ( s + σ 0 + j ⋅ ω0 ) ⋅ Φ 0 ( s )  s =−(σ + j⋅ω ) = ⋅ 2 ⋅ σ 0 ⋅ 1 + j ⋅
    (445)
0 0 2  ω0 
 
1  σ 02 + ω02 − σ 0 
a00 = ( s + σ 0 − j ⋅ ω0 ) ⋅ Φ 0 ( s )  s =−σ 0 + j⋅ω0 = ⋅ 2 ⋅ σ 0 ⋅ 1 − j ⋅
*   (446)
2  ω0 
 
1  σ 02 + ω02 + σ 0 
a10 =( s + σ 0 + j ⋅ ω0 ) ⋅ Φ1 ( s )  s =−(σ + j⋅ω ) = ⋅ 2 ⋅ σ 0 ⋅ 1 − j ⋅   (447)
0 0 2  ω0 
 
1  σ 02 + ω02 + σ 0 
a10 =( s + σ 0 − j ⋅ ω0 ) ⋅ Φ1 ( s )  s =−σ 0 + j⋅ω0 = ⋅ 2 ⋅ σ 0 ⋅ 1 + j ⋅
*   (448)
2  ω0 
 
 • Pe de altă parte, pentru v = 1 obținem funcțiile Kautz de ordinul doi și trei ( k = 2 și
k = 3)
 s + σ12 + ω12 ( s − σ 0 ) + ω02
2 1  a2i a2*i 
Φ 2 ( s ) = 2 ⋅ σ 1 ⋅ ⋅ = ∑  + 
2 2 s σ j ω s σ j ω

 ( s + σ 1 ) + ω1
2
( s + σ 0 ) + ω0
2
i = 0 
 + i + ⋅ i + i − ⋅ i 
 (449)
2
 s − σ12 + ω12 ( s − σ 0 ) + ω02 1  a3i a3*i 
Φ
 3 ( s ) = 2 ⋅ σ 1 ⋅ ⋅ = ∑  + 

 ( s + σ1 )2 + ω12 ( s + σ 0 )2 + ω02 i =0  s + σ i + j ⋅ ωi s + σ i − j ⋅ ωi 
Funcțiile Kautz de ordinul doi și trei se pot scrie și astfel:
 s + σ12 + ω12 ( 2
s − σ 0 ) + ω02
Φ 2 ( s ) = 2 ⋅ σ 1 ⋅ ⋅

 ( s + σ1 + j ⋅ ω1 ) ⋅ ( s + σ1 − j ⋅ ω1 ) ( s + σ 0 + j ⋅ ω0 ) ⋅ ( s + σ 0 − j ⋅ ω0 )
 (450)
 s − σ12 + ω12 ( s − σ 0 )2 + ω02
 3( )
Φ s = 2 ⋅ σ 1 ⋅ ⋅

 ( s + σ1 + j ⋅ ω1 ) ⋅ ( s + σ1 − j ⋅ ω1 ) ( s + σ 0 + j ⋅ ω0 ) ⋅ ( s + σ 0 − j ⋅ ω0 )
unde:
= ( s + σ 0 + j ⋅ ω0 ) ⋅ Φ 2 ( s ) 
a20 s =−(σ 0 + j⋅ω0 ) (451)

= ( s + σ 0 − j ⋅ ω0 ) ⋅ Φ 2 ( s ) 
*
a20 s =−σ 0 + j⋅ω0 (452)

= ( s + σ1 + j ⋅ ω1 ) ⋅ Φ 2 ( s ) 
a21 s =−(σ1 + j⋅ω1 ) (453)

= ( s + σ1 − j ⋅ ω1 ) ⋅ Φ 2 ( s ) 
*
a21 s =−σ1 + j⋅ω1 (454)

= ( s + σ 0 + j ⋅ ω0 ) ⋅ Φ 3 ( s ) 
a30 s =−(σ 0 + j⋅ω0 ) (455)

= ( s + σ 0 − j ⋅ ω0 ) ⋅ Φ 3 ( s ) 
*
a30 s =−σ 0 + j⋅ω0 (456)

= ( s + σ1 + j ⋅ ω1 ) ⋅ Φ 3 ( s ) 
a31 s =−(σ1 + j⋅ω1 ) (457)
*
a31
= ( s + σ1 − j ⋅ ω1 ) ⋅ Φ 3 ( s )  s =−σ1 + j⋅ω1 (458)
Astfel, prin inducție putem scrie expresiile coeficiențiilor aki ∈ C :
a=
ki ( s + σ i + j ⋅ ωi ) ⋅ Φ k ( s )  s =−(σ i + j⋅ωi ) (459)
*
a=
ki ( s + σ i − j ⋅ ωi ) ⋅ Φ k ( s )  s =−σ i + j⋅ωi (460)

În aceste condiții, aplicând tranformata Laplace inversă în cadrul relației (443), obținem
funcțiile Kautz în domeniul timpului

( )
v
2 ⋅ Re a ⋅ e ( i
− σ + j⋅ωi )⋅t
Φ t =
k () ∑ ki ; pentru k= 2 ⋅ v și k = 2 ⋅ v + 1 (461)
i =0
n −1
unde: v = 0,1, 2, , .
2
O propietate remarcabilă este aceea că o funcție oarecare h ( t ) ; t ∈ [ 0 + ∞ ) , se poate
dezvolta în serie Kautz pe baza următoarei relații
∞
h (t )
= ∑ gk ⋅ Φ k (t ) (462)
k =0
 unde:
∞
=gk ∫0 h ( t ) ⋅ Φ k ( t ) dt (463)
Observație: Când toți polii funcțiilor Kautz sunt reali, ținând cont de (433) relația (463)
devine:
k
gk
= ∑ aki ⋅ Fc (σ i ) (464)
i =0
∞
Fc ( x )
unde: = ∫0 h ( t ) ⋅ e dt
− x⋅t

Pe de altă parte, atunci când toți polii sunt numere complex conjugate, ținând cont de
(461), relația (463) devine
v
g k = 2 ⋅ ∑ Re ( aki ⋅ Fc (σ i + j ⋅ ωi ) ) ; pentru k= 2 ⋅ v și k = 2 ⋅ v + 1 (465)
i =0
unde: v = 0,1, 2, .
În cadrul identificării sistemelor, relația (462) este trunchiată la a N-a funcție Kautz.
N
h (t )
= ∑ gk ⋅ Φ k (t ) (466)
k =0
Utilizând transformata Laplace relația (466) devine:
N
(s)
H= ∑ gk ⋅ Φ k ( s ) (467)
k =0

Dacă notăm cu {δ i ; δ i < 1} polii funcțiilor Kautz discrete și preupunem că toții

i= 0,∞
polii sunt numere reale strict negative, atunci transformata Z a funcției Kautz de ordinul n se
definește astfel:
z n −1 1 − z ⋅ δ
K n ( z ) = 1 − δ n2 ⋅ ⋅∏ i
(468)
z − δ n i =0 z − δ i
Obervație: Dacă toți polii sunt egali δ i = ξ , i = 0, n , funcția Kautz (468) este identică
cu funcția Laguerre discrtetă (326).
Pe de altă parte, când toți polii sunt numere complexe conjugate cu propietatea că
{δi ; δ i < 1} , atunci transformata Z a funcției Kautz de ordinul n se definește astfel
i= 0,∞
z n −1 1 − z ⋅ δ *
K n ( z ) = 1 − δ n ⋅ δ n* ⋅ ⋅∏ i
(469)
z − δ n i =0 z − δ i
unde: δ i = α i + j ⋅ βi ; δ i* = α i − j ⋅ βi ; i = 0, n ; j= −1 ; δ n ⋅ δ n* = α n2 + β n2 .

Utilizând tranformata biliniară modificată (MBT) putem scrie următoarele relații de

legătură între expresiile (469) și (434)
z  z −1   n 1 + δ n n−1 1 + δ i 
2⋅ p ⋅ ⋅ Φn  p ⋅ =  ( −1) ⋅ ⋅∏  ⋅ Kn ( z ) (470)
z +1  z + 1   1 + δ n* i =0 1 + δ i* 
1− δn
unde: τ n= p ⋅ ; p ∈ R+ .
1+ δn
Pe de altă parte, putem scrie următoarea relație de legătură inversă:
  τ τ 
 1 + n n−1 1 + i 
2⋅ p  p+s  n p p
⋅ Kn  = ( −1) ⋅ ⋅∏ ⋅ Φn (s) (471)
p+s  p −s  τ n i =0 τ i* 
*
 1+ 1+ 
 p p 
În cazul în care toți polii funcțiilor Kautz sunt numere complex conjugate, funcțiile
Kautz se pot scrie ca funcții reale (funcțiile Kautz de prima și a doua speță). Transformata Z a
acestora este:
(1 + δ n ) ⋅ (1 + δ n* ) ⋅ (1 − δ n ⋅ δ n* ) z ⋅ ( z − 1) n −1(1 − z ⋅ δ i ) ⋅ (1 − z ⋅ δ i* )
K n( ) ( z )
1
= ⋅ ⋅∏ (472)
2 ( z − δ n ) ⋅ ( z − δ n* ) i =0 ( z − δ i ) ⋅ ( z − δ i* )
(1 − δ n ) ⋅ (1 − δ n* ) ⋅ (1 − δ n ⋅ δ n* ) z ⋅ ( z + 1) (1 − z ⋅ δ i ) ⋅ (1 − z ⋅ δ i* )
n −1
K n( ) ( z )
2
= ⋅ ⋅∏ (473)
2 ( z − δ n ) ⋅ ( z − δ n* ) i =0 ( z − δ i ) ⋅ ( z − δ i* )
Astfel, pe baza relațiilor de mai sus, funcțiile Kautz dicrete până la ordinul n se definesc
astfel:
 K ( ) ( z ) + K m( ) ( z )
1 2
 K 2m ( z ) = m
 2 n −1
 ; m = 0,1, 2, , (474)
 K m( ) ( z ) − K m( ) ( z )
2 1 2
 2 m+1 ( )
K z =
 2
*
Observație: Dacă toți polii sunt egali și reali δ=
i δ=
i ξ , ξ < 1 ; i = 0, n , funcțiile
Kautz (474) devin egale cu funcțiile Laguerre discrete (326) :
2m
z (1 − z ⋅ ξ )
K 2 m ( z ) =1 − ξ ⋅ 2
⋅ ϒ 2m ( z, ξ )
= (475)
z − ξ ( z − ξ )2 m
2 m +1
z (1 − z ⋅ ξ )
K 2 m+1 ( z ) =1 − ξ ⋅ 2
⋅ ϒ 2m+1 ( z , ξ )
= (476)
z − ξ ( z − ξ )2m+1
n −1
unde: m = 0,1, 2, , .
2
În aceste condiții, utilizând tranformata biliniară modificată (MBT) putem scrie
următoarele relații de legătură între (436) și (472), respectiv (437) și (473):
z 1  z −1 
Φ (n )  p ⋅ K n( ) ( z )
1
2⋅ p ⋅ = (477)
z +1  z +1 
z 2  z −1 
Φ (n )  p ⋅ K n( ) ( z )
2
2⋅ p ⋅ = (478)
z +1  z +1
Pe de altă parte, relațiile de legătură inverse sunt
2 ⋅ p (1)  p + s 
Φ (n ) ( s )
1
⋅ Kn  = (479)
p+s  p − s 
2 ⋅ p ( 2)  p + s 
Φ (n ) ( s )
2
⋅ Kn  = (480)
p+s  p−s
 1− δn
unde: τ n= p ⋅ ; p ∈ R+ .
1+ δn
O propietate remarcabilă este aceea că o funcție oarecare discretă h [ k ⋅ Te ] ;
k = 0,1, 2, , se poate dezvolta în serie Kautz, pe baza următoarei relații
∞
h [ k ⋅ Te=
] ∑ wn ⋅ K n [ k ⋅ Te ] (481)
n =0
unde
∞
w
=n ∑ h [ k ⋅ Te ] ⋅ K n [ k ⋅ Te ] (482)
k =0
Relațiile (481) și (482) sunt valabile atunci când toți polii funcțiilor Kautz discrete sunt
numere reale strict negative.
Pe de altă parte, atunci când toți polii sunt numere complex conjugate, o funcție oarecare
discretă h [ k ⋅ Te ] ; k = 0,1, 2, , se poate dezvolta în serie Kautz pe baza relației următoare
∞
h [ k ⋅=
Te ] ∑ {w2n ⋅ K 2n [ k ⋅ Te ] + w2n+1 ⋅ K 2n+1 [ k ⋅ Te ]} (483)
n =0
unde:
 ∞
 w=
2n ∑ h [ k ⋅ Te ] ⋅ K 2n [ k ⋅ Te ]
 k =0
 (484)
∞
w = h [ k ⋅ Te ] ⋅ K 2 n+1 [ k ⋅ Te ]
 2 n+1 k∑ =0
De regulă relațiile (481) și (483) sunt trunchiate la a N-a funcție Kautz. Astfel, obținem:
• Cazul 1 (când toți polii sunt numere reale):
N
h [ k ⋅ Te=
] ∑ wn ⋅ K n [ k ⋅ Te ] (485)
n =0
• Cazul 2 (când toți polii sunt numere complex conjugate):
M
∑ {w2n ⋅ K 2n [ k ⋅ Te ] + w2n+1 ⋅ K 2n+1 [ k ⋅ Te ]}
N −1
h [ k ⋅=
Te ] ; M = (486)
2
n =0
Pe de altă parte, utilizând transformata Z, relațiile (485) și (486), devin:
N
H
= ( z) ∑ wn ⋅ K n ( z ) (487)
n =0
M
∑ {w2n ⋅ K 2n ( z ) + w2n+1 ⋅ K 2n+1 ( z )} ; M =
N −1
H ( z )= (488)
2
n =0
Pentru exemplificarea modului de utilizare a funcțiilor Kautz în identificarea unui
sistem, vom prezenta modelul matematic a unui filtru cu răspuns finit la impuls (FIR),
reprezentat în domeniul Kautz (FIRK). Astfel, un model FIRK este definit de următoarea
relație
y [ k ⋅ T=
e ] BK ( q ) ⋅ u 
( k − d ) ⋅ Te  + e [ k ⋅ Te ] (489)
unde:
 N
(q)
BK= ∑ wn ⋅ K n ( q ) (490)
n =0

q n −1 1 − q ⋅ δ
K n ( q ) = 1 − δ n2 ⋅ ⋅∏ i
(491)
q − δ n i =0 q − δ i
Modelul FIRK dat de relația (489) se bazează pe funcții Kautz ce au toți polii numere
reale.
Pe de altă parte, în cazul identificării unui sistem în spațiul stărilor utilizând funcții
Kautz, se utilizează următorul model matematic
 x ( k + 1) ⋅ Te  = Φ ⋅ x [ k ⋅ Te ] + Γ ⋅ u [ k ⋅ Te ]
 ; x [ k0 ⋅ Te ] =
x0 (492)
 y [ k ⋅ Te ] = C K ⋅ x [ k ⋅ Te ] + e [ k ⋅ Te ]
unde: CK este un vector linie ce conține coeficienții Kautz (în cazul sistemelor SISO).
Observație: Pe baza modelului matematic dat de relația (492), putem scrie următoarea
relație intrare-ieșire:
−1
y [ k ⋅ T=
e ] C K ⋅ ( q ⋅ I − Φ ) ⋅ Γ ⋅ u [ k ⋅ Te ] + e [ k ⋅ Te ] (493)
Comparând (493) cu (489), pentru d = 0 , putem scrie următoarea relație:
−1
BK ( q=
) CK ⋅ ( q ⋅ I − Φ ) ⋅ Γ (494)
O altă obervație este aceea că funcțiile Kautz se pot utiliza în descompunerea modelelor
matematice liniare invariante în timp, definite de relațiile din (358).

Modele matematice Kautz-Laguerre (modele mixte). Pentru exemplificarea modului

de utilizare a funcțiilor Kautz și Laguerre în identificarea unui sistem, vom prezenta modelul
matematic a unui filtru cu răspuns finit la impuls (FIR), reprezentat în domeniul Kautz-Laguerre
(FIRKL). Astfel, un model FIRKL este definit de următoarea relație
y [ k ⋅=
Te ] ( BK ( q ) + BL ( q ) ) ⋅ u ( k − d ) ⋅ Te  + e [ k ⋅ Te ] (495)
unde:
Na
(q)
BK= ∑ wn ⋅ K n ( q ) (496)
n =0

q n −1 1 − q ⋅ δ
K n ( q ) = 1 − δ n2 ⋅ ⋅∏ i
(497)
q − δ n i =0 q − δ i
Nb
(q)
BL= ∑ wn ⋅ ϒ n ( q, ξ ) (498)
n =0
n
z  1− q ⋅ξ 
ϒ n ( q, ξ ) = 1 − ξ 2 ⋅ ⋅  (499)
q −ξ  q −ξ 
N N a + Nb
= (500)
În cazul identificării unui sistem în spațiul stărilor utilizând funcții Kautz-Laguerre, se
utilizează următorul model matematic
Φ ⋅ x [ k ⋅ Te ] + Γ ⋅ u [ k ⋅ Te ]
 x ( k + 1) ⋅ Te  =
 ; x [ k0 ⋅ Te ] =
x0 (501)
 y [ k ⋅ Te ] = CKL ⋅ x [ k ⋅ Te ] + e [ k ⋅ Te ]
unde: CKL este un vector linie ce conține coeficienții Kautz și Laguerre (în cazul sistemelor
SISO).
Observație: Pe baza modelului matematic dat de relația (501), putem scrie următoarea
relație intrare-ieșire:
−1
e ] C KL ⋅ ( q ⋅ I − Φ ) ⋅ Γ ⋅ u [ k ⋅ Te ] + e [ k ⋅ Te ]
y [ k ⋅ T= (502)
Comparând (502) cu (495), pentru d = 0 , putem scrie următoarea relație:
−1
BK ( q ) + BL (=
q ) CKL ⋅ ( q ⋅ I − Φ ) ⋅ Γ (503)
Pe baza celor prezentate mai sus, se pot realiza modele matematice mixte: liniare-
neliniare. Un astfel de exemplu este cuplarea modelului matematic linear FIR, cu modelul
matematic neliniar FIRKL, definit mai sus. Astfel, modelul matematic rezultat este definit de
următoarea ecuație
y [ k ⋅=
Te ] ( BK ( q ) + BL ( q ) + B ( q ) ) ⋅ u ( k − d ) ⋅ Te  + e [ k ⋅ Te ] (504)
unde: BK ( q ) și BL ( q ) sunt definite de relațiile (496) și (498), iar B ( q ) este polinomul aferent

modelului matematic FIR, de tip linear B ( q ) = b1 ⋅ q −1 +  + bnb ⋅ q − nb .

În cazul modelului matematic definit de relația (504) avem: N = N a + Nb + nb .

Modele matematice Wiener. Aceste modele matematice sunt definite în spațiul intrare-
stare-ieșire (ISO), de următoarele ecuații
 x ( k + 1) ⋅ Te  =Φ ⋅ x [ k ⋅ Te ] + Γ ⋅ u [ k ⋅ Te ]

 s [ k ⋅ Te ] =Ca ⋅ x [ k ⋅ Te ] + Da ⋅ u [ k ⋅ Te ] ; x [ k0 ⋅ Te ] =
x0 (505)

] f ( s [ k ⋅ Te ]) + w [ k ⋅ Te ]
 y [ k ⋅ Te=
unde: u - este variabila de intrare, x - este variabila de stare, y - este variabila de ieșire, s este
variabila de ieșire intermediară, w - este variabila perturbatoare aferentă ieșirii, iar Φ , Γ , Ca ,
Da sunt matrici cu coeficienți reali și constanți, având următoarele dimensiuni:
Φ ∈ M n×n (  ) ; Γ ∈ M n× p (  ) ; Ca ∈ M q×n (  ) ; Da ∈ M q× p (  ) (506)
Variabilele modelului matematic dat de relația (505) sunt vectori ce au următoarea
formă:
u [ k ⋅ T = T
e]
u1 [ k ⋅ Te ] u2 [ k ⋅ Te ]  u p [ k ⋅ Te ]

x k ⋅T =
 [ e]  x1 [ k ⋅ Te ] x2 [ k ⋅ Te ]  xn [ k ⋅ Te ]
T

 T (507)
 s [ k ⋅ Te ]=  s1 [ k ⋅ Te ] s2 [ k ⋅ Te ]  sq [ k ⋅ Te ]

 y [ k ⋅ Te =]  y1 [ k ⋅ Te ] y2 [ k ⋅ Te ]  ym [ k ⋅ Te ]
T


 w [ k ⋅ Te= ]  w1 [ k ⋅ Te ] w2 [ k ⋅ Te ]  wm [ k ⋅ Te ]
T


Din relațiile (505) se observă că modelul matematic Wiener este compus din două
submodele matematice: un model matematic dinamic liniar ISO (definit de primele două relații
ale sistemului (505)) și un model matematic static, stochastic discret, de tip intrare – ieșire
(definit de ultima relației a sistemului (505)).
 În figura 5.5 se prezintă schema bloc a modelului matematic Wiener, punând în evidență
cele două submodele anterior menționate.

Fig.5.5. Schema bloc a modelului matematic Wiener

Funcția f din cadrul modelului matematic prezentat mai sus, este o funcție neliniară
definită astfel: f :  q →  m .
Modelul matematic dat de relația (505) definește un model Wiener, de tip stochastic-
MIMO.
Pe de altă parte, forma THETA a modelului matematic MIMO-Wiener, cu timp mort
exprimat în perioade de eșantionare, este
( )
k ⋅ Te ] f A−1 ( q ) ⋅ F −1 ( q ) ⋅ B ( q ) ⋅ u ( k − d ) ⋅ Te  + A−1 ( q ) ⋅ D −1 ( q ) ⋅ C ( q ) ⋅ e [ k ⋅ Te ] (508)
y [=
unde: A, B, C, D și F au forma data în cadrul relațiilor (255) – (259).
Modelul matematic (508) în cazul sistemelor SISO devine:
 B (q)  C (q)
=y [ k ⋅ Te ] f  ⋅ u ( k − d ) ⋅ Te   + ⋅ e [ k ⋅ Te ] (509)
 A ( q ) ⋅ F ( q )  A ( q ) ⋅ D ( q )
unde: A, B, C, D și F au forma data în cadrul relațiilor (117) – (121).
Modelele matematice (508) și (509) admit cazuri particulare similare cu cele ale
modelelor definite de relațiile (254), respectiv (116).

Modele matematice Hammerstein. Modelul matematic MIMO-stochastic, de tip

Hammerstein, este definit în spațiul intrare-stare-ieșire (ISO), de următoarele ecuații
 x ( k + 1) ⋅ Te  = Φ ⋅ x [ k ⋅ Te ] + Γ ⋅ g [ k ⋅ Te ]

 y [ k ⋅ Te ] = Ca ⋅ x [ k ⋅ Te ] + Da ⋅ g [ k ⋅ Te ] + w [ k ⋅ Te ] ; x [ k0 ⋅ Te ] =
x0 (510)

] f ( u [ k ⋅ Te ])
 g [ k ⋅ Te=
unde: u - este variabila de intrare, x - este variabila de stare, y - este variabila de ieșire, g este
variabila de intrare intermediară, w - este variabila perturbatoare aferentă ieșirii, iar Φ , Γ , Ca
, Da sunt matrici cu coeficienți reali și constanți, având dimensiunile date în (506).
Variabilele ce intervin în modelul matematic definit de relația (510) sunt vectori ce au
următoarea formă:
 g [k ⋅T = T
e]
 g1 [ k ⋅ Te ] g 2 [ k ⋅ Te ]  g p [ k ⋅ Te ]

x k ⋅T =
 [ e]  x1 [ k ⋅ Te ] x2 [ k ⋅ Te ]  xn [ k ⋅ Te ]
T

 (511)
u [ k ⋅ Te =] u1 [ k ⋅ Te ] u2 [ k ⋅ Te ]  um [ k ⋅ Te ]
T

 T
 y [ k ⋅ Te =
]  y1 [ k ⋅ Te ] y2 [ k ⋅ Te ]  yq [ k ⋅ Te ]
 T
 w [ k ⋅ Te=]  w1 [ k ⋅ Te ] w2 [ k ⋅ Te ]  wq [ k ⋅ Te ]

 Din (510) se observă că modelul matematic Hammerstein este compus din două
submodele matematice: un model matematic stochastic liniar de tip dinamic (definit de primele
două relații ale sistemului (510)) și un model matematic discret de tip intrare – ieșire (definit de
ultima relației a sistemului (510)).
Funcția f din (510) este o funcție neliniară definită astfel: f :  m →  p .
În figura 5.6 se prezintă schema bloc a modelului matematic Hammerstein, punând în
evidență cele două submodele anterior menționate.

Fig.5.6. Schema bloc a modelului matematic Hammerstein

Forma THETA a modelului matematic MIMO de tip Hammerstein, cu timp mort

exprimat în perioade de eșantionare, este
y [k ⋅T
= −1 −1
( )
( k − d ) ⋅ Te  + A ( q ) ⋅ D ( q ) ⋅ C ( q ) ⋅ e [ k ⋅ Te ] (512)
e ] A (q) ⋅ F (q) ⋅ B (q) ⋅ f u 
−1 −1

unde: A, B, C, D și F au forma data în cadrul relațiilor (255) – (259).

Prin particularizarea modelului matematic anterior prezentat, obținem forma THETA
de tip Hammerstein, în cazul sistemelor SISO
B (q) C (q)
y [ k ⋅ Te ]
=
( )
A q ⋅F q( )
( )
⋅ f u ( k − d ) ⋅ Te  +
( )
A q ⋅D q
⋅ e [ k ⋅ Te ]
( )
(513)

unde: A, B, C, D și F au forma data în cadrul relațiilor (117) – (121).

Observație: La fel ca în cazul modelelor THETA, de tip Wiener, modelele matematice
(512) și (513) admit cazuri particulare similare cu cele ale modelelor (254), respectiv (116).

Modele matematice Hammerstein - Wiener. Aceste modele matematice sunt definite

în spațiul intrare-stare-ieșire (ISO), de următoarele ecuații
 x ( k + 1) ⋅ Te  = Φ ⋅ x [ k ⋅ Te ] + Γ ⋅ g [ k ⋅ Te ]

 s [ k ⋅ Te ] = Ca ⋅ x [ k ⋅ Te ] + Da ⋅ g [ k ⋅ Te ]
 ; x [ k0 ⋅ Te ] =
x0 (514)
 y [ k ⋅ T=
e ] f 2 ( s [ k ⋅ Te ] ) + w [ k ⋅ Te ]

 g [ k ⋅ T=
e] f1 ( u [ k ⋅ Te ])
unde: u - este variabila de intrare, x - este variabila de stare, y - este variabila de ieșire, g este
variabila de intrare intermediară, s este variabila de ieșire intermediară, w - este variabila
perturbatoare aferentă ieșirii, iar Φ , Γ , Ca , Da sunt matrici cu coeficienți reali și constanți,
având dimensiunile date în (506).
Din (514) se observă că modelul matematic Hammerstein - Wiener este compus din trei
submodele matematice: un model matematic ISO - liniar (definit de primele două relații ale
sistemului (514)), un model matematic stochastic discret de tip intrare – ieșire (definit de a 3-a
relație a sistemului (514)) și de un model matematic discret de tip intrare – ieșire (definit de
ultima relație a sistemului (514)).
 În figura următoare se prezintă schema bloc a modelului matematic Hammerstein -
Wiener, punând în evidență cele trei submodele anterior menționate.

Fig.5.7. Schema bloc a modelului matematic Hammerstein - Wiener

Funcțiile f1 și f 2 din (514) sunt aplicații neliniare, definite astfel:

f1 :  v →  p ; f 2 :  q →  m (515)
Variabilele ce intervin în modelul matematic definit de relația (514) sunt vectori ce au
următoarea formă:
 g [k ⋅T = T
e]
 g1 [ k ⋅ Te ] g 2 [ k ⋅ Te ]  g p [ k ⋅ Te ]


 x [ k ⋅ Te =]  x1 [ k ⋅ Te ] x2 [ k ⋅ Te ]  xn [ k ⋅ Te ]
T


u [ k ⋅ Te = ] u1 [ k ⋅ Te ] u2 [ k ⋅ Te ]  uv [ k ⋅ Te ]
T
(516)
 T
 s [ k ⋅ Te ]=  s1 [ k ⋅ Te ] s2 [ k ⋅ Te ]  sq [ k ⋅ Te ]

 y [k ⋅T =
e]  y1 [ k ⋅ Te ] y2 [ k ⋅ Te ]  ym [ k ⋅ Te ]
T


 w [ k ⋅ Te= ]  w1 [ k ⋅ Te ] w2 [ k ⋅ Te ]  wm [ k ⋅ Te ]

Modelul matematic Hammerstein – Wiener sub formă THETA, cu timp mort exprimat
în perioade de eșantionare, este
y [ kT=
e] ( ( ))
f 2 A−1 ( q ) ⋅ F −1 ( q ) ⋅ B ( q ) f1 u ( k − d ) Te  + A−1 ( q ) ⋅ D −1 ( q ) ⋅ C ( q ) e [ kTe ] (517)
unde: A, B, C, D și F au forma data în cadrul relațiilor (255) – (259).
Prin particularizarea modelului matematic prezentat mai sus, obținem forma THETA a
modelului Hammerstein – Wiener, în cazul sistemelor SISO
 B (q)  C (q)
=y [ k ⋅ Te ] f 2  (
⋅ f1 u ( k − d ) ⋅ Te   + ) ⋅ e [ k ⋅ Te ] (518)
 A(q) ⋅ F (q)  A(q) ⋅ D (q)
unde: A, B, C, D și F au forma data în cadrul relațiilor (117) – (121).
Observație: Modelele matematice (517) și (518) admit cazuri particulare similare cu a
modelelor (254) și (116).
Un alt model matematic obținut în urma cuplării modelelor Hammerstein și Wiener ete
denumit modelul Wiener – Hammerstein și este definit de următoarele relații
 x1 ( k + 1) ⋅ Te  = Φ1 ⋅ x1 [ k ⋅ Te ] + Γ1 ⋅ u [ k ⋅ Te ]

 y1 [ k ⋅ Te ] = Ca ⋅ x1 [ k ⋅ Te ] + Da ⋅ u [ k ⋅ Te ]
  x [k ⋅T ] = x10
 x2 ( k + 1) ⋅ Te  = Φ 2 ⋅ x2 [ k ⋅ Te ] + Γ 2 ⋅ g [ k ⋅ Te ] ;  1 0 e (519)
 
 x [ k ⋅ T ] = x
 y [ k ⋅ Te ] = Cb ⋅ x2 [ k ⋅ Te ] + Db ⋅ g [ k ⋅ Te ] + w [ k ⋅ Te ]
2 0 e 20


 g [ k ⋅ T=e] f ( y1 [ k ⋅ Te ])
unde: u - este variabila de intrare aferentă primului model matematic de tip dinamic, x1 și x2 -
sunt variabile de stare, y1 și y - sunt variabile de ieșire, g este variabila de intrare intermediară
aferentă modelului matematic dinamic, numărul doi, de tip ISO, w - este variabila perturbatoare
aferentă ieșirii y , iar Φ1 , Φ 2 , Γ1 , Γ 2 , Ca , Cb , Da , Db sunt matrici cu coeficienți reali și
constanți, având dimensiunile date mai jos.
Φ1 ∈ M n ×n (  ) ; Γ1 ∈ M n × p (  ) ; Ca ∈ M q ×n (  ) ; Da ∈ M q × p (  )
1 1 1 1 1 1 1 1
(520)
Φ 2 ∈ M n2 ×n2 (  ) ; Γ 2 ∈ M n2 × p2 (  ) ; Cb ∈ M q2 ×n2 (  ) ; Db ∈ M q2 × p2 (  ) (521)
Din (519) se observă că acest model matematic, de tip Wiener – Hammerstein, este
format din trei submodele matematice: un model matematic ISO – liniar (definit de primele
două relații ale sistemului (519)); un model matematic ISO – liniar – stochatic (definit de a 3-a
și a 4-a relație a sistemului (519)), și de un model matematic discret de tip intrare – ieșire (definit
de ultima relație a sistemului (519)).
În figura 5.8 se prezintă schema bloc a modelului matematic Wiener – Hammerstein
definit de (519), punând în evidență cele trei submodele anterior menționate.

Fig.5.8. Schema bloc a modelului matematic Wiener – Hammerstein.

Funcția f din (519), este o aplicație neliniară, definită astfel:

f :  →  p2
q1
(522)
Variabilele ce intervin în modelului matematic (519) sunt vectori ce au următoarea
formă:
u [ k ⋅ T = T
e]
u1 [ k ⋅ Te ] u2 [ k ⋅ Te ]  u p1 [ k ⋅ Te ]

 T
 g [ k ⋅ Te=]  g1 [ k ⋅ Te ] g 2 [ k ⋅ Te ]  g p2 [ k ⋅ Te ]
 T
 x1 [ k ⋅ Te=]  x11 [ k ⋅ Te ] x12 [ k ⋅ Te ]  x1n1 [ k ⋅ Te ]
 (523)
 T
 x2 [ k ⋅ Te=]  x21 [ k ⋅ Te ] x22 [ k ⋅ Te ]  x2 n2 [ k ⋅ Te ]
 T
 y1 [ k ⋅ Te=]  y11 [ k ⋅ Te ] y12 [ k ⋅ Te ]  y1q1 [ k ⋅ Te ]

 y [k ⋅T = T
e]
 y1 [ k ⋅ Te ] y2 [ k ⋅ Te ]  yq2 [ k ⋅ Te ]

 T
 w [ k ⋅ Te=]  w1 [ k ⋅ Te ] w2 [ k ⋅ Te ]  wq2 [ k ⋅ Te ]

Modelul matematic Wiener – Hammerstein, pus sub formă THETA, cu timp mort
exprimat în perioade de eșantionare, este
( )
y [ k ⋅ Te ] = A2−1 ( q ) ⋅ F2−1 ( q ) ⋅ B2 ( q ) ⋅ f A1−1 ( q ) ⋅ F1−1 ( q ) ⋅ B1 ( q ) ⋅ u ( k − d ) ⋅ Te  +
(524)
+ (q)
A2−1 ( q ) ⋅ C2 ( q ) ⋅ e [ k ⋅ Te ]
⋅ D2−1
unde: { Ai }i =1,2 , { Bi }i =1,2 , {Ci }i =1,2 , { Di }i =1,2 și { Fi }i =1,2 au aceași forma ca în cadrul relațiilor
(255) – (259).
Pe de altă parte, particularizând modelul matematic prezentat mai sus, obținem forma
THETA a modelului Hammerstein – Wiener ~ structura 2, în cazul sistemelor SISO
 B2 ( q )  B1 ( q )  C2 ( q )
y [ k ⋅ Te ]
= ⋅ f  ⋅ u ( k − d ) ⋅ Te   + ⋅ e [ k ⋅ Te ] (525)
A2 ( q ) ⋅ F2 ( q )  A1 ( q ) ⋅ F1 ( q ) ⋅  A2 ( q ) ⋅ D2 ( q )
unde: { Ai }i =1,2 , { Bi }i =1,2 , {Ci }i =1,2 , { Di }i =1,2 și { Fi }i =1,2 au aceași forma ca în cadrul relațiilor
(117) – (121).
Observație: Modelele matematice (524) și (525) admit cazuri particulare similare cu a
modelelor (254) și (116).
Prin conectarea în serie a n modele matematice, la fel ca în Fig.5.7 sau Fig.5.8, se obțin
modele matematice Hammerstein – Wiener, repectiv Wiener – Hammerstein, generalizate.

Modelul matematic Uryson. Acest model matematic se bazează pe mai multe modele
matematice Hammerstein cuplate în paralel (toate modelele Hammerstein au aceași intrare, iar
ieșirile sunt însumate).
Schema bloc a modelului matematic Uryson este prezentată în figura 5.9.

Fig.5.9. Schema bloc a modelului matematic Uryson

Modelul matematic Uryson este definit de următoarele ecuații


 x ( k + 1) ⋅ T  = Φ ⋅ x [ k ⋅ T ] + Γ ⋅ g [ k ⋅ T ]
 1 e 1 1 e 1 1 e
 y1 [ k ⋅ Te ] = Ca ⋅ x1 [ k ⋅ Te ] + Da ⋅ g1 [ k ⋅ Te ] + w1 [ k ⋅ Te ]
 1 1

 x2 ( k + 1) ⋅ Te  = Φ 2 ⋅ x2 [ k ⋅ Te ] + Γ 2 ⋅ g 2 [ k ⋅ Te ]
  
 y2 [ k ⋅ Te ] = Ca2 ⋅ x2 [ k ⋅ Te ] + Da2 ⋅ g 2 [ k ⋅ Te ] + w2 [ k ⋅ Te ]

 ; xi [ k0 ⋅ Te ]= xi 0 ; i= 1, n (526)

 xn ( k + 1) ⋅ Te  = Φ n ⋅ xn [ k ⋅ Te ] + Γ n ⋅ g n [ k ⋅ Te ]
 y [k ⋅T ] = C ⋅ x [k ⋅T ] + D ⋅ g [k ⋅T ] + w [k ⋅T ]
 n e an n e an n e n e
 n
 y [ k ⋅ T=e ] ∑ yi [ k ⋅ Te ]
 i =1

 gi [ k ⋅ T=
e] fi ( u [ k ⋅ Te ])
unde: u - este variabila de intrare, { xi }i =1,n - sunt variabile de stare, { yi }i =1,n - sunt variabile de
ieșire intermediare, y - este variabila de ieșire, { gi }i =1,n - sunt variabile de intrare intermediare,
 {wi }i =1,n - sunt variabile perturbatoare aferente ieșirilor intermediare, iar {Φi }i =1,n , {Γi }i =1,n ,
{Ca }i=1,n , {Da }i=1,n sunt matrici cu coeficienți reali și constanți, având dimensiunile date mai
i i

jos.
Φ i ∈ M ni ×ni (  ) ; Γi ∈ M ni × pi (  ) ; Cai ∈ M qi ×ni (  ) ; Dai ∈ M qi × pi (  ) ; i = 1, n (527)
Funcțiile { fi }i =1,n din (526), sunt aplicații neliniare definite astfel:
fi :  n →  pi ; i = 1, n (528)

Obervație: Pentru ca operația următoare

n
y [ k ⋅ T=
e] ∑ yi [ k ⋅ Te ] (529)
i =1
să aibă sens, trebuie ca toți indicii dimensionali qi să fie egali: qi = q .
Variabilele ce definesc modelul matematic (526) sunt vectori ce au următoarea formă:
u [ k ⋅ T =
e] u1 [ k ⋅ Te ] u2 [ k ⋅ Te ]  un [ k ⋅ Te ]
T


 T

 gi [ k ⋅ Te= ]  g1i [ k ⋅ Te ] g 2i [ k ⋅ Te ]  g pi [ k ⋅ Te ]

 T

 xi [ k ⋅ Te=]
  x1i [ k ⋅ Te ] x2i [ k ⋅ Te ]  xni [ k ⋅ Te ] ; i = 1, n (530)
 T
 yi [ k ⋅ Te=]  y1i [ k ⋅ Te ] y2i [ k ⋅ Te ]  yqi [ k ⋅ Te ]

T
 y [k ⋅T =
e]
 y1 [ k ⋅ Te ] y2 [ k ⋅ Te ]  yq [ k ⋅ Te ]

 w k ⋅ T= T

 i[ e]
  w1i [ k ⋅ Te ] w2i [ k ⋅ Te ]  wqi [ k ⋅ Te ]
Forma THETA a modelului matematic MIMO de tip Uryson, cu timp mort exprimat în
perioade de eșantionare, este
n
y [=
k ⋅ Te ] ∑ Ai−1 ( q ) ⋅ Fi−1 ( q ) ⋅ Bi ( q ) ⋅ fi ( u ( k − d ) ⋅ Te  ) +
i =1
(531)
n 
+  ∑ Ai−1 ( q ) ⋅ Di−1 ( q ) ⋅ Ci ( q )  ⋅ e [ k ⋅ Te ]
i =1 
unde: { Ai }i =1,n , { Bi }i =1,n , {Ci }i =1,n , { Di }i =1,n și { Fi }i =1,n au forma data în cadrul relațiilor (255)
– (259).
Prin particularizarea modelului matematic (531) pentru cazul sistemelor SISO, obținem
forma THETA de tip Uryson, următoare
n Bi ( q ) n Ci ( q ) 
y [ k ⋅ Te ]
= ∑
Ai ( q ) ⋅ Fi ( q )
⋅ f i (
u 
 ( k − d ) ⋅ T 
e + ∑) A ( q ) ⋅ D ( q )
 ⋅ e [ k ⋅ Te ] (532)
i 1=  i 1 i i 
unde: { Ai }i =1,n , { Bi }i =1,n , {Ci }i =1,n , { Di }i =1,n și { Fi }i =1,n au forma data în cadrul relațiilor (117)
– (121).
Observație: La fel ca în cazul modelelor THETA anterior prezentate, modelele
matematice (531) și (532) admit cazuri particulare similare cu cele ale modelelor (254),
respectiv (116).
 Modelul Wiener – paralel. Acest model se bazează pe mai multe modele matematice
Wiener cuplate în paralel, la fel ca în figura următoare.

Fig.5.10. Schema bloc a modelului matematic Wiener – paralel

Modelul matematic Wiener – paralel este definit de următoarele ecuații

 x1 ( k + 1) ⋅ Te  = Φ1 ⋅ x1 [ k ⋅ Te ] + Γ1 ⋅ u [ k ⋅ Te ]

s1 [ k ⋅ Te ] = Ca1 ⋅ x1 [ k ⋅ Te ] + Da1 ⋅ u [ k ⋅ Te ]

 x2 ( k + 1) ⋅ Te  = Φ 2 ⋅ x2 [ k ⋅ Te ] + Γ 2 ⋅ u [ k ⋅ Te ]

s 2 [ k ⋅ Te ] = Ca2 ⋅ x2 [ k ⋅ Te ] + Da2 ⋅ u [ k ⋅ Te ]
 ; xi [ k0 ⋅ Te ]= xi 0 ; i= 1, n (533)

x  k +1 ⋅T  = Φ ⋅ x k ⋅T + Γ ⋅ u k ⋅T
 n ( ) e n n [ e] n [ e]
s [ k ⋅ T ] = C ⋅ x [ k ⋅ T ] + D ⋅ u [ k ⋅ T ]
 n e an n e an e
 y [ k ⋅ T=
 e] f ( s1 [ k ⋅ Te ] ,s 2 [ k ⋅ Te ] , ,s n [ k ⋅ Te ]) + w [ k ⋅ Te ]
unde: u - este variabila de intrare, { xi }i =1,n - sunt variabile de stare, {si }i =1,n - sunt variabile de
ieșire intermediare, y - este variabila de ieșire, w - este variabila perturbatoare aferentă ieșirii,
iar {Φ i }i =1,n , {Γi }i =1,n , Cai { }i=1,n , {Da }i=1,n
i
sunt matrici cu coeficienți reali și constanți,

având dimensiunile date mai jos.

Φ i ∈ M n ×n (  ) ; Γi ∈ M n × p (  ) ; Ca ∈ M q ×n (  ) ; Da ∈ M q × p (  ) ; i = 1, n
i i i i i i i i
(534)
Funcția f din (533) este o aplicație neliniară definită astfel:
f :  ×  q2 × ×  qn →  m
q1
(535)
Variabilele ce definesc modelul matematic (533) au următoarea formă:
u [ k ⋅ T = T
e]
u1 [ k ⋅ Te ] u2 [ k ⋅ Te ]  u p [ k ⋅ Te ]

 T

si [ k ⋅ Te=] s1i [ k ⋅ Te ] s 2i [ k ⋅ Te ]  s qi [ k ⋅ Te ]


 T ; i = 1, n (536)
 xi [ k ⋅ Te=]  x1i [ k ⋅ Te ] x2i [ k ⋅ Te ]  xni [ k ⋅ Te ]

 y [ k ⋅ Te =
]  y1 [ k ⋅ Te ] y2 [ k ⋅ Te ]  ym [ k ⋅ Te ]
T


 w [ k ⋅ Te=]  w1 [ k ⋅ Te ] w2 [ k ⋅ Te ]  wm [ k ⋅ Te ]
T



Forma THETA a modelului matematic Wiener – paralel, de tip MIMO, cu timp mort
exprimat în perioade de eșantionare, este
=y [ k ⋅ Te ] f ( S1 ( k , q ) , ,Sn ( k , q ) ) + A−1 ( q ) ⋅ D −1 ( q ) ⋅ C ( q ) ⋅ e [ k ⋅ Te ] (537)
unde:
Si ( k ,=
q ) Ai−1 ( q ) ⋅ Fi−1 ( q ) ⋅ Bi ( q ) ⋅ u ( k − d ) ⋅ Te  ; i = 1, n , (538)
iar { Ai }i =1,n , { Bi }i =1,n , {Ci }i =1,n , { Di }i =1,n , { Fi }i =1,n , precum și A, D și C au forma data în
cadrul relațiilor (255) – (259).
Particularizând modelul matematic (537) pentru cazul sistemelor SISO, obținem
C (q)
= y [ k ⋅ Te ] f ( S1 ( k , q ) , ,Sn ( k , q ) ) + ⋅ e [ k ⋅ Te ] (539)
A(q) ⋅ D (q)
unde:
Bi ( q )
Si ( k , q )
= ⋅ u ( k − d ) ⋅ Te  ; i = 1, n , (540)
Ai ( q ) ⋅ Fi ( q ) 
iar { Ai }i =1,n , { Bi }i =1,n , {Ci }i =1,n , { Di }i =1,n , { Fi }i =1,n , precum și A, D și C au au forma data în
cadrul relațiilor (117) – (121).
Observație: Modelele matematice (537) și (539) admit cazuri particulare similare cu
cele ale modelelor (254), respectiv (116).
Atunci când fiecare model matematic dinamic (toate cele n modele matematice de tip
ISO), din componența modelului Wiener – paralel, este reprezentat pe baza funcțiilor de bază
ortonormate (Kautz, Laguerre etc), modelul rezultat se numește model matematic Wiener-
Schetzen.

Modelul matematic Wiener – Hammerstein-paralel. Acest model se bazează pe mai

multe modele matematice Wiener – Hammerstein, cuplate în paralel, la fel ca în figura 5.11.

Fig.5.11. Schema bloc a modelului matematic Wiener – Hammerstein – paralel.

Modelul Wiener – Hammerstein – paralel, este definit de următoarele relații

  xia ( k + 1) ⋅ Te  = Φ ia ⋅ xia [ k ⋅ Te ] + Γia ⋅ u [ k ⋅ Te ]
  
 yia [ k ⋅ Te ] = Ca ⋅ xia [ k ⋅ Te ] + Da ⋅ u [ k ⋅ Te ]
 i i

 xb ( k + 1) ⋅ T  = Φ b ⋅ xb [ k ⋅ T ] + Γb ⋅ g [ k ⋅ T ]
 i  e i i e i i e
 xa [k ⋅T ] = xia0
 yib [ k ⋅ Te ] = Cb ⋅ xib [ k ⋅ Te ] + Db ⋅ gi [ k ⋅ Te ] + wi [ k ⋅ Te ] ;  ib 0 e ; i = 1, n (541)
 i i
 x [ k
 i 0 e ⋅ T ] x
= b
i0
 g [ k ⋅=
 i
T e ] f i (yi
a
[ k ⋅ Te ] )
 n
 y [ k ⋅ T=e ] ∑ yib [ k ⋅ Te ]
 i =1
unde u - este variabila de intrare, xia și xib - sunt variabile de stare, yia și yib - sunt variabile
de ieșire intermediare, y – este variabila de ieșire, gi - sunt variabile de intrare intermediare
aferente modelelor matematice dinamice, de tip ISO - stochastice, wi - sunt variabile

perturbatoare aferente ieșirilor yib , iar Φ ia { }i=1,n , {Φbi }i=1,n , {Γia }i=1,n , {Γbi }i=1,n , {C }
ai
i =1,n
,

{Cb }i=1,n , {Da }i=1,n

i i
și {Db }i=1,n
i
sunt matrici cu coeficienți reali și constanți, având

dimensiunile date în cadrul relațiilor următoare:

Φ ia ∈ M na ×na (  ) ; Γia ∈ M na × p (  ) ; Ca ∈ M qa ×na (  ) ; Da ∈ M qa × p (  ) ; i = 1, n
i i i i i i i i
(542)
Φ bi ∈ M nbi ×nbi (  ) ; Γbi ∈ M nbi × pbi (  ) ; Cbi ∈ M q×nai (  ) ; Dbi ∈ M q× pbi (  ) ; i = 1, n (543)
Funcțiile { fi }i =1,n din (541), sunt aplicații neliniare definite astfel:
fi :  qai →  pbi ; i = 1, n (544)
Pe de altă parte, variabilele ce definesc modelul matematic (541) au următoarea formă
u [ k ⋅ T = T
e]
u1 [ k ⋅ Te ] u2 [ k ⋅ Te ]  u p [ k ⋅ Te ]

 T

 gi [ k ⋅ Te= ]  g1i [ k ⋅ Te ] g 2i [ k ⋅ Te ]  g pbi [ k ⋅ Te ]

 a T
 yi [ k ⋅ Te= ]  y1ai [ k ⋅ Te ] y 2ai [ k ⋅ Te ]  y qa [ k ⋅ Te ]
a
i
 T
 ybi [ k ⋅ Te=]  y1bi [ k ⋅ Te ] yb2i [ k ⋅ Te ]  ybqbi [ k ⋅ Te ] ; i = 1, n (545)

 T
 xia [ k ⋅ Te=]  x1ai [ k ⋅ Te ] x2ai [ k ⋅ Te ]  a
xna [ k ⋅ Te ]
 i

 xb [ k ⋅ T = T
e]
 x1bi [ k ⋅ Te ] x2bi [ k ⋅ Te ]  b
xnb [ k ⋅ Te ]
 i i

 T
 y [ k ⋅ Te =
]  y1 [ k ⋅ Te ] y2 [ k ⋅ Te ]  yq [ k ⋅ Te ]
 T

 w [ k ⋅ Te= ]
  w1 [ k ⋅ Te ] w2 [ k ⋅ Te ]  wq [ k ⋅ Te ]
unde toți indicii dimensionali qbi au următoarea proprietate: qbi = q ; i = 1, n .
Modelul matematic Wiener – Hammerstein - paralel, pus sub formă THETA, cu timp
mort exprimat în perioade de eșantionare, este
 n
y [ k ⋅ Te =
] ∑ Ab−i 1 ( q ) ⋅ Fb−i 1 ( q ) ⋅ Bbi ( q ) ⋅ fi ( Aa−i1 ( q ) ⋅ Fa−i 1 ( q ) ⋅ Bai ( q ) ⋅ u ( k − d ) ⋅ Te  ) +
i =1
(546)
n 
+  ∑ Ab−i 1 ( q ) ⋅ Db−i 1 ( q ) ⋅ Cbi ( q )  ⋅ e [ k ⋅ Te ]
i =1 
unde: Aai { }i=1,n , {Ba }i=1,n , {Fa }i=1,n , precum și { Ab }i=1,n , {Bb }i=1,n , {Cb }i=1,n , {Db }i=1,n ,
i i i i i i

{Fb }i=1,n au aceași forma ca în cadrul relațiilor (255) – (259).

i

Particularizând modelul matematic (546) pentru cazul sistemelor SISO, obținem

n Bbi ( q )  Bai ( q ) 
y [ k ⋅ Te ] ∑
= ⋅ fi  ⋅ u ( k − d ) ⋅ Te   +
i =1 Abi ( q ) ⋅ Fbi ( q )
 Aa ( q ) ⋅ Fa ( q ) 
 i i 
(547)
n Cbi ( q ) 
+ ∑  ⋅ e [ k ⋅ Te ]
i =1 Abi ( q ) ⋅ Dbi ( q ) 
unde: Aai { }i=1,n , {Ba }i=1,n , {Fa }i=1,n , precum și { Ab }i=1,n , {Bb }i=1,n , {Cb }i=1,n , {Db }i=1,n ,
i i i i i i

{Fb }i=1,n au aceași forma ca în cadrul relațiilor (117) – (121).

i

Observații: Modelele matematice (546) și (547) admit cazuri particulare similare cu

cele ale modelelor (254), respectiv (116).
În mod identic, se poate realiza modelul matematic Hammerstein – Wiener –
paralel. În acest caz, sunt conectate în paralel n modele Hammerstein – Wiener (a se vedea
figura 5.7), ce au aceași intrare, iar ieșirile sunt însumate.

Modele neliniare în buclă închisă. Aceste modele matematice sunt bazate pe

conexiunea de tip antiparalel a subsistemelor, în care modelul matematic de tip neliniar, este
plasat fie pe calea directă, fie pe calea de reacție (feedback).
Pe baza modelelor matematice anterior prezentate, se pot concepe diverse structuri în
buclă închisă. O parte dintre aceste structuri sunt prezentate în figurile următoare.

Fig.5.12. Modele matematice neliniare - simple, bazate pe conexiunea antiparalel

a). Subsistemul neliniar este pe calea de reacție
b). Subsistemul neliniar este pe calea directă
 Fig.5.13. Modele matematice neliniare Wiener - antiparalel
a). Subsistemul neliniar Wiener este pe calea de reacție
b). Subsistemul neliniar Wiener este pe calea directă

Fig.5.14. Modele matematice neliniare Hammerstein - antiparalel

a). Subsistemul neliniar Hammerstein este pe calea de reacție
b). Subsistemul neliniar Hammerstein este pe calea directă
 Fig.5.15. Modele matematice neliniare Wiener – Hammerstein – antiparalel
a). Subsistemul Wiener – Hammerstein neliniar este pe calea de reacție
b). Subsistemul Wiener – Hammerstein neliniar este pe calea directă

Fig.5.16. Modele matematice neliniare Hammerstein – Wiener – antiparalel

a). Subsistemul Hammerstein – Wiener neliniar este pe calea de reacție
b). Subsistemul Hammerstein – Wiener neliniar este pe calea directă

Observații: În mod identic, se pot realiza structuri de tip antiparalel în care modelul
matematic neliniar fie de pe calea de reacție, fie de pe calea directă, este de tip Wiener – paralel,
Uryson, Wiener – Hammerstein – paralel sau Hammerstein – Wiener – paralel.
Toate modelele matematice anterior prezentate pot fi scrise atât pentru sisteme MIMO,
cât și pentru sisteme SISO.
Toate modelele matematice de mai sus admit cazuri particulare similare cu cele ale
modelelor (254), respectiv (116).
Pe baza celor prezentate mai sus, se observă că se pot obține modele matematice
neliniare mixte, de tip antiparalel, în care atât pe calea de reacție, cât și pe calea directă avem
modele matematice neliniare (Wiener, Hammerstein, Wiener – Hammerstein, Hammerstein –
Wiener, Wiener – paralel, Uryson, Wiener – Hammerstein – paralel, Hammerstein – Wiener –
paralel etc).

Modele matematice neliniare în reprezentare liniară – fracționară (LFR). Aceste

modele matematice sunt utilizate în modelarea sistemelor cu incertitudini parametrice.
Modelele matematice sunt compuse dintr-un model matematic ISO invariant în timp
(timp continuu/timp discret) și un operator matricial ( ∆ ), liniar/neliniar, aflat în buclă
(feedback) cu modelul matematic ISO, ce conține parametrii incerți.
Ecuațiile de stare a unui model matematic liniar în reprezentare liniară – fracționară
– superioară, sunt:
  dx ( t ) 
   x (t ) 
  dt     A B1 B2 
  z ( t ) = α ⋅  w ( t ) 

 y t  ; α =  C1 D11 D12  ; x ( t0 ) = x0
 (548)
 ( ) 
 u ( t ) 
C2 D21 D22 
 

w (t ) = ∆ ⋅ z (t )

unde: x : t0 , t f  ⊆  + → X ; X ⊆  n este funcția vectorială de stare, u : t0 , t f  ⊆  + → U ;
U ⊆  a este funcția vectorială de intrare, y : t0 , t f  ⊆  + → Y ; Y ⊆  q este funcția vectorială
de ieșire, iar z : t0 , t f  ⊆  + → Z ; Z ⊆  m și w : t0 , t f  ⊆  + → W ; W ⊆  r sunt funcțiile
vectoriale auxiliare.
În cadrul relațiilor (548), ∆ ∈ M r×m (  ) este matricea incertitudinilor parametetrice.
Utilizând transformata Laplace în condiții inițiale nule, din (548) obținem
 Z ( s ) W ( s )   M11 ( s ) M12 ( s ) 
 =  M (s) ⋅   ; M (s) =   (549)
Y ( s )  U ( s )   M 21 ( s ) M 22 ( s ) 
unde:
−1
M11 ( s ) = C1 ⋅ ( s ⋅ I n − A ) ⋅ B1 + D11 (550)
−1
M12 ( s ) = C1 ⋅ ( s ⋅ I n − A ) ⋅ B2 + D12 (551)
−1
M 21 ( s ) = C2 ⋅ ( s ⋅ I n − A ) ⋅ B1 + D21 (552)
−1
M 22 ( s ) = C2 ⋅ ( s ⋅ I n − A ) ⋅ B2 + D22 (553)
{
În cadrul relațiilor de mai sus M ij ( s ) }i, j =1,2 sunt matrici de transfer: M11 ∈ M m×r ( C ) ;
M12 ∈ M m×a ( C ) ; M 21 ∈ M q×r ( C ) ; M 22 ∈ M q×a ( C ) , iar I n este matricea unitate de ordinul n.
Pe baza celor prezentate mai sus, putem introduce următoarea noțiune teoretică.
Tansferul între comanda u și ieșirea y se numește transformata liniară – fracționară
superioară (upper LFT).
Ținând cont de
W (s) = ∆ ⋅ Z (s) (554)
din (554), putem explicita următoarea relație
Y=( s ) u ( M , ∆ ) ⋅U ( s ) (555)
 −1
M , ∆ ) M 22 ( s ) + M 21 ( s ) ⋅ ∆ ⋅ ( I m − M11 ( s ) ⋅ ∆ ) ⋅ M12 ( s ) poartă denumirea de
unde: u (=
transformata liniară – fracționară superioară (upper LFT); u ∈ M q×a ( C ) , iar I m este
matricea unitate de ordinul m.
Un sitem cu incertitudini în timp continuu, se poate reprezenta sub formă liniară –
fracțională superioară, la fel ca în figura de mai jos.

Fig.5.17. Sistem liniar cu incertitudini în timp continuu – LFR (forma superioară)

a) forma α − ∆ ; b) forma M − ∆

Pe de altă parte, ecuațiile de stare a unui model matematic liniar în reprezentare liniară
– fracționară – inferioară, sunt:
  dx ( t ) 
   x (t ) 
  dt     A B1 B2 
  z ( t ) = α ⋅  w ( t ) 

 y t  ; α =  C1 D11 D12  ; x ( t0 ) = x0
 (556)
 ( ) 

 u ( t ) 
 C2 D21 D22 
 

u ( t ) = Ω ⋅ y ( t )

unde: x : t0 , t f  ⊆  + → X ; X ⊆  n este funcția vectorială de stare, u : t0 , t f  ⊆  + → U ;
U ⊆  a este funcția vectorială de intrare, y : t0 , t f  ⊆  + → Y ; Y ⊆  q este funcția vectorială
de ieșire, z : t0 , t f  ⊆  + → Z ; Z ⊆  m și w : t0 , t f  ⊆  + → W ; W ⊆  r sunt funcții
vectoriale auxiliare, iar Ω ∈ M a×q (  ) este matricea incertitudinilor parametetrice.
Observație: Utilizând transformata Laplace în condiții inițiale nule în cadrul primelor
trei ecuații din (556), obținem relațiile (549) – (553).
În aceste condiții, tansferul între comanda w și ieșirea z se numește transformata liniară
– fracționară inferioară (lower LFT).
Ținând cont că
U ( s ) = Ω ⋅Y ( s ) (557)
din (549), putem explicita următoarea relație
Z=( s ) w ( M , ∆ ) ⋅W ( s ) (558)

( )
−1
unde: w (=
M , ∆ ) M11 ( s ) + M12 ( s ) ⋅ Ω ⋅ I q − M 22 ( s ) ⋅ Ω ⋅ M 21 ( s ) poartă denumirea de
transformata liniară – fracționară inferioară (lower LFT); w ∈ M m×r ( C ) , iar I q este
matricea unitate de ordinul q.
Un sitem cu incertitudini în timp continuu, se poate reprezenta sub formă liniară –
fracțională inferioară, la fel ca în figura 5.18.
 Fig.5.18. Sistem liniar cu incertitudini în timp continuu – LFR (forma inferioară)
a) forma α − Ω ; b) forma M − Ω

Observație: Transformata liniară – fracționară superioară (upper LFT), este o

generalizare a matricei de transfer a unui sitem ISO liniar, invariant în timp.
Dacă n= m= r , iar matricile ∆ și M ij ( s ){ }i, j =1,2
sunt
1
∆= ⋅ In (559)
s
M11 ( s ) A=
= ; M12 ( s ) B=
; M 21 ( s ) C=
; M 22 ( s ) D (560)
atunci
−1
1  1  −1
u ( M , ∆ ) = D + C ⋅ ⋅ I n ⋅  I n − A ⋅ ⋅ I n  ⋅ B = D + C ⋅ ( s ⋅ I n − A ) ⋅ B (561)
s  s 
unde: u ∈ M q×a ( C ) .
Cele menționate mai sus se obțin prin particularizarea elementelor matricei α din (548),
în două moduri:
 A B1 B2 
α =  0 A B  (562)
 0 C D 
sau
 A 0 0
α =  C1 A B  (563)
C2 C D 
Observație: Ecuațiile de stare a unui model matematic în timp discret, de tip liniar, în
reprezentare liniară – fracționară – superioară, sunt
  x ( k + 1) ⋅ Te    x [ k ⋅ Te ] 
     Φ Γ1 Γ2 
  z [ k ⋅ Te ]  = β ⋅  w [ k ⋅ Te ]
 y k ⋅ T  ; β = ϒ1 Ω11 Ω12  ; x [ k0 ⋅ Te ] =

x0 (564)
  [ e ] 

 u [ k ⋅ Te ] 
  ϒ 2 Ω 21 Ω 22 

 [
w k ⋅ T e] =∆ d ⋅ z [ e]
k ⋅ T
unde: x :  k0 , k f  ⊆  → X ; X ⊆  n este funcția vectorială de stare, u :  k0 , k f  ⊆  → U ;
U ⊆  a este funcția vectorială de intrare, y :  k0 , k f  ⊆  → Y ; Y ⊆  q este funcția vectorială
de ieșire, z :  k0 , k f  ⊆  → Z ; Z ⊆  m și w :  k0 , k f  ⊆  → W ; W ⊆  r sunt funcțiile
vectoriale auxiliare, iar ∆ d ∈ M r×m (  ) este matricea incertitudinilor parametetrice.
 Utilizând transformata Z în cadrul relațiilor (564) obținem
 Z ( z ) W ( z )   M11 ( z ) M12 ( z ) 
 =  M ( z)⋅   ; M ( z) =   (565)
Y ( z )  U ( z )   M 21 ( z ) M 22 ( z ) 
unde:
−1
M11 ( z ) = ϒ1 ⋅ ( z ⋅ I n − Φ ) ⋅ Γ1 + Ω11 (566)
−1
M12 ( z ) = ϒ1 ⋅ ( z ⋅ I n − Φ ) ⋅ Γ 2 + Ω12 (567)
−1
M 21 ( z ) = ϒ 2 ⋅ ( z ⋅ I n − Φ ) ⋅ Γ1 + Ω 21 (568)
−1
M 22 ( z ) = ϒ 2 ⋅ ( z ⋅ I n − Φ ) ⋅ Γ 2 + Ω 22 (569)
În aceste condiții, transformata liniară – fracționară superioară (upper LFT), aferentă
modelului matematic discret (564), este:
−1
M , ∆ ) M 22 ( z ) + M 21 ( z ) ⋅ ∆ d ⋅ ( I m − M11 ( z ) ⋅ ∆ d ) ⋅ M12 ( z )
u (= (570)
Un sitem cu incertitudini în timp discret, se poate reprezenta sub formă liniară –
fracțională superioară, la fel ca în figura următoare.

Fig.5.19. Sistem liniar cu incertitudini în timp discret – LFR (forma superioară)

a) forma β − ∆ d ; b) forma M − ∆ d

Pe de altă parte, ecuațiile de stare a unui model matematic în timp discret, de tip liniar,
în reprezentare liniară – fracționară – inferioară, sunt
  x ( k + 1) ⋅ Te    x [ k ⋅ Te ] 
     Φ Γ1 Γ2 
  z [ k ⋅ Te ]  = β ⋅  w [ k ⋅ Te ]
 y k ⋅ T  ; β = ϒ1 Ω11 Ω12  ; x [ k0 ⋅ Te ] =

x0 (571)
  [ e ]   u [ k ⋅ Te ] 
 
 ϒ 2 Ω 21 Ω 22 

u [ k ⋅ Te ] =Ω d ⋅ y [ k ⋅ Te ]
unde: x :  k0 , k f  ⊆  → X ; X ⊆  n este funcția vectorială de stare, u :  k0 , k f  ⊆  → U ;
U ⊆  a este funcția vectorială de intrare, y :  k0 , k f  ⊆  → Y ; Y ⊆  q este funcția vectorială
de ieșire, z :  k0 , k f  ⊆  → Z ; Z ⊆  m și w :  k0 , k f  ⊆  → W ; W ⊆  r sunt funcții
vectoriale auxiliare, iar Ω d ∈ M a×q (  ) este matricea incertitudinilor parametetrice.
În acest caz, transformata liniară – fracționară inferioară (lower LFT), aferentă
modelului matematic discret (571), este:
( )
−1
M , ∆ ) M11 ( z ) + M12 ( z ) ⋅ Ω d ⋅ I q − M 22 ( z ) ⋅ Ω d
w (= ⋅ M 21 ( z ) (572)
Pe de altă parte, un sitem cu incertitudini în timp discret, se poate reprezenta sub formă
liniară – fracțională inferioară, la fel ca în figura 5.20.
 Fig.5.20. Sistem liniar cu incertitudini în timp discret – LFR (forma inferioară)
a) forma β − Ω d ; b) forma M − Ω d

Observație: În cadrul modelelor matematice anterior prezentate, matricele

incertitudinilor parametetrice {∆, Ω, ∆ d , Ω d } sunt cu coeficienți contanți în timp.
În cazul în care inceritudinile parametrice sunt dependente de timp (timp continuu/timp
discret), modelele anterioare se numesc modele matematice cu incertitudini variante în timp.
În acest caz, se definește o nouă funcție vectorială (funcția de planificare)
• pentru timp continuu
p : t0 , t f  ⊆  + → P ; P ⊆  v (573)
• pentru timp discret
pd :  k0 , k f  ⊆  → P ; P ⊆  v (574)
unde: P poartă denumirea de spațiu de planificare.
În acest caz, sitemele cu incertitudini variante în timp continuu, se pot reprezenta la fel
ca în figurile de mai jos.

Fig.5.21. Sistem liniar cu incertitudini variante în timp continuu (forma superioară)

a) forma α − ∆ ; b) forma M − ∆

Fig.5.22. Sistem liniar cu incertitudini variante în timp continuu (forma inferioară)

a) forma α − Ω ; b) forma M − Ω

Ecuațiile de stare a unui model matematic liniar cu incertitudini variante în timp

continuu, în reprezentare liniară – fracționară – superioară, sunt:
  dx ( t ) 
   x (t ) 
  dt     A B1 B2 
  z ( t ) = α ⋅  w ( t ) 

 y (t )  ; α =  C1 D11 D12  ; x ( t0 ) = x0
 (575)
 u ( t ) 
  C2 D21 D22 
  

w (t ) =
 ∆ ( p (t )) ⋅ z (t )
Modelul matematic anterior prezentat se mai poate pune și sub următoarea formă
 dx ( t )
 = Aa ( p ( t ) ) ⋅ x ( t ) + Ba ( p ( t ) ) ⋅ u ( t )
 dt ; x ( t0 ) = x0 (576)
 ( t ) Ca ( p ( t ) ) ⋅ x ( t ) + Da ( p ( t ) ) ⋅ u ( t )
 y=
unde:
( ) ⋅ C1
−1
Aa ( p ( t ) )= A + B1 ⋅ ∆ ( p ( t ) ) ⋅ I m − D11 ⋅ ∆ ( p ( t ) ) (577)

) B2 + B1 ⋅ ∆ ( p ( t ) ) ⋅ ( I m − D11 ⋅ ∆ ( p ( t ) ) ) ⋅ D12
−1
Ba ( p ( t )= (578)

) C2 + D21 ⋅ ∆ ( p ( t ) ) ⋅ ( I m − D11 ⋅ ∆ ( p ( t ) ) ) ⋅ C1
−1
Ca ( p ( t )= (579)

) ) D22 + D21 ⋅ ∆ ( p ( t ) ) ⋅ ( I m − D11 ⋅ ∆ ( p ( t ) ) ) ⋅ D12

−1
Da ( p ( t= (580)
Se observă că relația (576) definește model matematic continuu de tip intrare-stare-ieșire
(ISO) - determinist, aferent unui sistem liniar variant în timp.
Pe de altă parte, ecuațiile de stare a unui model matematic liniar cu incertitudini
variante în timp continuu, în reprezentare liniară – fracționară – inferioară, sunt:
  dx ( t ) 
   x (t ) 
  dt     A B1 B2 
  z ( t ) = α ⋅  w ( t ) 

 y (t )  ; α =  C1 D11 D12  ; x ( t0 ) = x0
 (581)
 u ( t ) 
  C2 D21 D22 
  

u ( t ) =
 Ω ( p (t )) ⋅ y (t )
Sitemele cu incertitudini variante în timp discret, se pot reprezenta la fel ca în figurile
5.23 și 5.24.

Fig.5.23. Sistem liniar cu incertitudini variante în timp discret (forma superioară)

a) forma β − ∆ d ; b) forma M − ∆ d
 Fig.5.24. Sistem liniar cu incertitudini variante în timp discret (forma inferioară)
a) forma β − Ω d ; b) forma M − Ω d

Ecuațiile de stare ce definesc modelul matematic liniar cu incertitudini variante în

timp discret, în reprezentare liniară – fracționară – superioară, sunt:
  x ( k + 1) ⋅ Te    x [ k ⋅ Te ] 
      Φ Γ1 Γ2 
  z [ k ⋅ Te ]  =
 β ⋅  w [ k ⋅ Te ]
 y [ k ⋅ T ]  ; β = ϒ1 Ω11 Ω12  ; x [ k0 ⋅ Te ] =

x0 (582)
  e   u [ k ⋅ Te ] 
 
 ϒ 2 Ω 21 Ω 22 

 w [ k ⋅ Te ] =
 ∆ d ( pd [ k ⋅ Te ]) ⋅ z [ k ⋅ Te ]

Pe de altă parte, ecuațiile de stare ce definesc modelul matematic liniar cu incertitudini

variante în timp discret, în reprezentare liniară – fracționară – inferioară, sunt:
  x ( k + 1) ⋅ Te    x [ k ⋅ Te ] 
     Φ Γ1 Γ2 
  z [ k ⋅ Te ]  =
 β ⋅  w [ k ⋅ Te ]
 y [ k ⋅ T ]  ; β = ϒ1 Ω11 Ω12  ; x [ k0 ⋅ Te ] =

x0 (583)
  e   u [ k ⋅ Te ] 
 
 ϒ 2 Ω 21 Ω 22 

u [ k ⋅ Te ] =
 Ω d ( pd [ k ⋅ Te ]) ⋅ y [ k ⋅ Te ]
În aceste condiții, un model matematic în timp discret, de tip neliniar, în reprezentare
liniară – fracționară – superioară, este definit astfel
  x ( k + 1) ⋅ Te    x [ k ⋅ Te ] 
      Φ Γ1 Γ2 
  z [ k ⋅ Te ]  =
 β ⋅  w [ k ⋅ Te ]
 y [ k ⋅ T ]  ; β = ϒ1 Ω11 Ω12  ; x [ k0 ⋅ Te ] =

x0 (584)
 e 


 u [ k ⋅ Te ] 
  ϒ 2 Ω 21 Ω 22 

 [
 w k ⋅ Te]
= f1( [z k ⋅ Te ])

unde: x :  k0 , k f  ⊆  → X ; X ⊆  n este funcția vectorială de stare, u :  k0 , k f  ⊆  → U ;

U ⊆  a este funcția vectorială de intrare, y :  k0 , k f  ⊆  → Y ; Y ⊆  q este funcția vectorială
de ieșire, z :  k0 , k f  ⊆  → Z ; Z ⊆  m și w :  k0 , k f  ⊆  → W ; W ⊆  r sunt funcțiile

vectoriale auxiliare, iar f1 : Z ⊆  m → W ⊆  r este o funcție vectorială neliniară.

Pe de altă parte, ecuațiile de stare ce definesc modelul matematic în timp discret, de tip
neliniar, în reprezentare liniară – fracționară – inferioară, sunt:
   x ( k + 1) ⋅ Te    x [ k ⋅ Te ] 
      Φ Γ1 Γ2 
  z [ k ⋅ Te ]  =
 β ⋅  w [ k ⋅ Te ]
 y [ k ⋅ T ]  ; β = ϒ1 Ω11 Ω12  ; x [ k0 ⋅ Te ] =

x0 (585)
  e   [
 u k ⋅ Te ]

 ϒ 2 Ω 21 Ω 22 

u [ k ⋅ T=
 e] f 2 ( y [ k ⋅ Te ])

unde: x :  k0 , k f  ⊆  → X ; X ⊆  n este funcția vectorială de stare, u :  k0 , k f  ⊆  → U ;

U ⊆  a este funcția vectorială de intrare, y :  k0 , k f  ⊆  → Y ; Y ⊆  q este funcția vectorială
de ieșire, z :  k0 , k f  ⊆  → Z ; Z ⊆  m și w :  k0 , k f  ⊆  → W ; W ⊆  r sunt funcțiile

vectoriale auxiliare, iar f 2 : Y ⊆  q → U ⊆  a este o funcție vectorială neliniară.

Observație: În cadrul modelului (584), dacă eliminăm funcția vectorială auxiliară z,
obținem:
 x ( k + 1) ⋅ Te  = Φ ⋅ x [ k ⋅ Te ] + Γ1 ⋅ w [ k ⋅ Te ] + Γ 2 ⋅ u [ k ⋅ Te ]


 y [ k ⋅ Te ] = ϒ 2 ⋅ x [ k ⋅ Te ] + Ω 21 ⋅ w [ k ⋅ Te ] + Ω 22 ⋅ u [ k ⋅ Te ] ; x [ k0 ⋅ Te ] =
x0 (586)

 w [ k ⋅ Te=
 ] f1 ( ϒ1 ⋅ x [ k ⋅ Te ] + Ω11 ⋅ w [ k ⋅ Te ] + Ω12 ⋅ u [ k ⋅ Te ])
În cele ce urmează, dacă presupunem că Ω11 = 0n×r relația de mai sus devine

 x ( k + 1) ⋅ Te  =
 Φ ⋅ x [ k ⋅ Te ] + Γ1 ⋅ f1 ( ϒ1 ⋅ x [ k ⋅ Te ] + Ω12 ⋅ u [ k ⋅ Te ]) + Γ 2 ⋅ u [ k ⋅ Te ]
 (587)
 y [ k ⋅ Te ] =
 ϒ 2 ⋅ x [ k ⋅ Te ] + Ω 21 ⋅ f1 ( ϒ1 ⋅ x [ k ⋅ Te ] + Ω12 ⋅ u [ k ⋅ Te ]) + Ω 22 ⋅ u [ k ⋅ Te ]
unde: x [ k0 ⋅ Te ] = x0
Pe de altă parte, dacă funcția vectorială neliniară f1 : Z ⊆  m → W ⊆  r nu conține
puncte singulare, aceasta se poate factoriza astfel (factorizarea nu este unică)
f1 ( z [ k ⋅ Te ]=
) f1 ( z [ k ⋅ Te ]) + ξ (588)
unde: ξ ∈ M r×1 (  ) , f1 ( z [ k ⋅ Te=
]) f 1 ( z [ k ⋅ Te ]) ⋅ z [ k ⋅ Te ] , iar f 1 ∈ M r ×m (  ) poartă
denumirea de hartă de planificare.
În cazul sitemelor SISO sau atunci când indicii dimenionali m și a sunt egali ( m = a ),
relația (587) se poate scrie astfel
 x ( k + 1) ⋅ Te  =
 Φ ⋅ x [ k ⋅ Te ] + Γ1 ⋅ f1 ( ϒ1 ⋅ x [ k ⋅ Te ] + Ω12 ⋅ u [ k ⋅ Te ]) + Γ 2 ⋅ u [ k ⋅ Te ]
 (589)
 y
 [ k ⋅ T ] = ϒ ⋅ x [ k ⋅ T ] + Ω ⋅  ( ϒ ⋅ x [ k ⋅ T ] + Ω ⋅ u [ k ⋅ T ]) + Ω ⋅ u [ k ⋅ T ]
f
 e 2 e 21 1 1 e 12 e 22 e

unde: x [ k0 ⋅ Te ] = x0 .
În (589) s-au utilizat următoarele notații
U ( z) =
 U ( z ) + M12
−1
( z ) ⋅ M11 ( z ) ⋅ ξ (590)
Y ( z ) =
Y ( z ) −  M 21 ( z ) − M 22 ( z ) ⋅ M12
−1
( z ) ⋅ M11 ( z )  ⋅ ξ (591)

{
unde: M ij ( z ) }i, j =1,2 sunt date de relațiile (566)-(569), în care Ω11 =0n×r .
În aceste condiții, (589) se poate pune sub forma unui model matematic discret de tip
ISO – determinist, aferent unui sistem liniar variant în timp
 x ( k + 1) ⋅ Te = Ap [ k ⋅ Te ] ⋅ x [ k ⋅ Te ] + B p [ k ⋅ Te ] ⋅ u [ k ⋅ Te ]

 ; x [ k0 ⋅ Te ] =
x0 (592)

 y
 [ k ⋅ Te ]
= C p [ k ⋅ Te ] ⋅ x [ k ⋅ Te ] + D p [ k ⋅ Te ] ⋅ u
 [ k ⋅ Te ]
unde:
Ap [ k ⋅ Te ] = Φ + Γ1 ⋅ f1 ( ϒ1 ⋅ x [ k ⋅ Te ] + Ω12 ⋅ u [ k ⋅ Te ]) ⋅ ϒ1 (593)
B p [ k ⋅ Te ] = Γ 2 + Γ1 ⋅ f1 ( ϒ1 ⋅ x [ k ⋅ Te ] + Ω12 ⋅ u [ k ⋅ Te ]) ⋅ Ω12 (594)
C p [ k ⋅ Te ] = ϒ 2 + Ω 21 ⋅ f1 ( ϒ1 ⋅ x [ k ⋅ Te ] + Ω12 ⋅ u [ k ⋅ Te ]) ⋅ ϒ1 (595)
D p [ k ⋅ Te ] = Ω 22 + Ω 21 ⋅ f1 ( ϒ1 ⋅ x [ k ⋅ Te ] + Ω12 ⋅ u [ k ⋅ Te ]) ⋅ Ω12 (596)

Modelele matematice (584) se pot reprezenta sub formă liniară – fracțională superioară,
la fel ca în figura 5.25.

Fig.5.25. Sistem neliniar în timp discret cu incertitudini (forma superioară)

Observație: Când matricile de transfer M11 ( z ) = 0 și M 22 ( z ) = 0 modelul matematic

(584) devine un model matematic Wiener – Hammerstein. Cu alte cuvinte, clasa de modele
matematice Wiener – Hammerstein sunt o particularizare a clasei de modele neliniare în timp
discret cu incertitudini (forma superioară).