1/14

q Metode de identificare şi validare

f .cg MCMMP/MVI
f.cg MCMMP/MVI recursivă
recursivă cu
cu fereastră
fereastră dreptunghiulară
dreptunghiulară
• Dacă apare problema înlăturării complete a datelor învechite, mai utilă este fereastra dreptunghiulară,
care permite aplicarea unui factor de uitare totală asupra datelor situate în afara deschiderii sale.
⎧⎪1 , n ∈ N − M + 1, N
def def N N

 wM , N [ n] = ⎨ V ( θ ) = ∑ w M , N [ n ] ε [ n , θ] =
2
∑ ε 2 [ n , θ]
⎪⎩0 , n ∈1, N − M n =1 n = N − M +1

MCMMP
MCMMP
off -line
off-line
• Pentru a deduce −1
ˆθ = ⎛ ∑ ϕ[ n]ϕT [ n] ⎞ ⎛ ∑ ϕ[ n] y[ n] ⎞
k k
expresia corecţiei, se
adoptă aceeaşi strategie k ⎜ ⎟ ⎜ ⎟
ca în cazul MCMMP-R.
⎝ n = k − M +1 ⎠ ⎝ n = k − M +1 ⎠
∀k ≥ M
Pk Í Simetrică şi strict pozitiv definită.
• Relaţia recurentă a inverselor
matricilor Pk :
def k k −1
P −1
k = ∑
n = k − M +1
ϕ[ n ]ϕ [ n ] =
T
∑
n=k − M
ϕ[ n]ϕT [ n] − ϕ[ k − M ]ϕT [ k − M ] + ϕ[ k ]ϕT [ k ] =

Pk−−11
= Pk−−11 − ϕ[ k − M ]ϕT [ k − M ] + ϕ[ k ]ϕT [ k ] , ∀ k ≥ M + 1.
217
 2/14
q Metode de identificare şi validare
f.cg MCMMP/MVI recursivă cu fereastră dreptunghiulară

• Urmează deducerea expresiei corecţiei:

ˆθ = P ⎛ ⎞ ⎛ k −1 ⎞
k

k k ⎜ ∑
⎝ n = k − M +1
ϕ[ n ] y[ n ] ⎟
⎠
= Pk ⎜ ∑
⎝ n=k − M
ϕ [ n ] y [ n ] − ϕ[ k − M ] y[ k − M ] + ϕ [ k ] y[ k ] ⎟ =
⎠
Pk−−11θˆ k −1 Pk−−11 = Pk−1 + ϕ[ k − M ]ϕT [ k − M ] − ϕ[ k ]ϕT [ k ]
(
= Pk Pk−−11θˆ k −1 − ϕ[ k − M ] y[ k − M ] + ϕ[ k ] y[ k ] = )
= Pk ⎡⎣( Pk−1 + ϕ[ k − M ]ϕT [ k − M ] − ϕ[ k ]ϕT [ k ] ) θˆ k −1 − ϕ[ k − M ] y[ k − M ] + ϕ[ k ] y[ k ]] =

( ) ( )
= θˆ k −1 − Pk ϕ[ k − M ] y[ k − M ] − ϕT [ k − M ]θˆ k −1 + Pk ϕ[ k ] y[ k ] − ϕT [ k ]θˆ k −1 , ∀ k ≥ M + 1.

Aşadar ˆ ˆ T
( ˆ T ˆ)
Aşadar θ k = θ k −1 − Pk ϕ [ k − M ] y[ k − M ] − ϕ [ k − M ]θ k −1 + Pk ϕ [ k ] y[ k ] − ϕ [ k ]θ k −1 ( )
∀k ≥ M +1
Corecţie
Corecţie Corecţie
Corecţie Δ f ,k
** Corec ţia este
Corecţia este formată
formată din
din 22 termeni
termeni.. Δb ,k aa priori aa posteriori
priori posteriori
• Pentru a putea determina corecţiile,
trebuie evaluate: backward forward
def
εb [ k − M ] = y[ k − M ] − ϕT [ k − M ]θˆ k −1 Î Eroarea de predicţie a priori * Folosind numai datele
(prognoză în trecut). * Folosind numai datele
def delimitate
delimitate de
de fereastra
fereastra
T ˆ
ε [ k ] = y[ k ] − ϕ [ k ]θ Î Eroarea de predic ţ ie a posteriori
f k −1 dreptunghiulară
dreptunghiulară..
(prognoză în viitor).
218
 3/14
q Metode de identificare şi validare
f.cg MCMMP/MVI recursivă cu fereastră dreptunghiulară

 k k −1 k
θ (
ˆ = θˆ − P ϕ [ k − M ] y[ k − M ] − ϕT [ k − M ]θˆ
k −1 + Pk ϕ [ k ] y[ k ] − ϕ T
)
[ k ]θˆ k −1 ( )
∀k ≥ M +1
• De asemenea, erorile de predicţie sunt ponderate de
două cîştiguri de senzitivitate:
def
θˆ k = θˆ k −1 − γ b ,k − M εb [ k − M ] + γ f ,k ε f [ k ]
γ b,k − M = Pk ϕ [ k − M ] Î Cîştig de senzitivitate Cum poate fi optimizată
∀k ≥ M +1
a priori.
def relaţia recursivă?
γ f ,k = Pk ϕ [ k ] Î Cîştig de senzitivitate
a posteriori. Prin
Prin aplicarea
aplicarea succesivă
succesivă,, dede două
două oriori,,
 −1
k
−1
P = P − ϕ[ k − M ]ϕ [ k − M ] + ϕ[ k ]ϕ [ k ] aa lemei
k −1
T T
lemei de
de inversare
inversare matricială
matricială..
∀k ≥ M +1
Pb−,1k − M (notaţie naturală) ** Acela
Acelaşi şi rezultat
rezultat se
se def
−1 −1
f , k = Pk −1 + ϕ[ k ]ϕ [ k ]
T
ob ţ ine plec înd de la: P
c Lema
Lema 4.8
4.8 obţine plecînd de la:

Pk −1ϕ[ k − M ]ϕT [ k − M ]Pk −1

Pb ,k − M = ( P − ϕ[ k − M ]ϕ [ k − M ] )
def −1
−1
k −1
T
= Pk −1 +
1 − ϕT [ k − M ]Pk −1ϕ[ k − M ]
∀k ≥ M +1
d Lema
Lema 4.8
4.8
Pb ,k − M ϕ[ k ]ϕT [ k ]Pb ,k − M
Pk = ( Pb−,1k − M + ϕ[ k ]ϕT [ k ] ) = Pb ,k − M −
−1

1 + ϕT [ k ]Pb ,k − M ϕ[ k ]
∀k ≥ M +1
219
 4/14
q Metode de identificare şi validare
f.cg MCMMP/MVI recursivă cu fereastră dreptunghiulară

Mai
Mai mult
mult se aduce la acelaşi numitor

def Pb ,k − M ϕ[ k ]ϕT [ k ]Pb ,k − M ϕ[ k ]

γ f ,k = Pk ϕ[ k ] = Pb ,k − M ϕ[ k ] − = Lema
Lema 4.8
4.8
1 + ϕT [ k ]Pb ,k − M ϕ[ k ]
Pb ,k − M ϕ[ k ]ϕT [ k ]Pb ,k − M
Pk = Pb ,k − M −
1 + ϕT [ k ]Pb ,k − M ϕ[ k ]
Pb ,k − M ϕ[ k ] + Pb ,k − M ϕ[ k ]ϕT [ k ]Pb ,k − M ϕ[ k ] − Pb ,k − M ϕ[ k ]ϕT [ k ]Pb ,k − M ϕ[ k ]
= =
1 + ϕT [ k ]Pb ,k − M ϕ[ k ]
Pb ,k − M ϕ[ k ] ** Pentru îştig, ar
= , ∀ k ≥ M + 1. Pentru cel
cel de -al doilea
de-al doilea ccîştig, ar trebui
trebui evaluată
evaluată::
1 + ϕ [ k ]Pb ,k − M ϕ[ k ]
T
def
Pf ,k = ( Pk−−11 + ϕ[ k ]ϕT [ k ])
−1

Algoritmul
Algoritmul adaptiv
adaptiv al
al Celor
Celor Mai
Mai Mici
Mici Pătrate
Pătrate cu
cu fereastră
fereastră dreptunghiulară
dreptunghiulară
M ≥ 1 (deschiderea ferestrei dreptunghiulare)
 Date
Date de
de intrare
intrare DM = {ϕ[ n]}n∈1, M ∪ { y[ n]}n∈1, M (un set de date măsurate a priori pe durata ferestrei)
nθ (indicele structural al modelului de identificare)
−1 PM
⎛M ⎞ ⎛M ⎞
0 -line θ M = ⎜ ∑ ϕ[ n]ϕ [ n] ⎟ ⎜ ∑ ϕ[ n] y[ n] ⎟
MCMMP
MCMMP offoff-line ˆ T

Ini ţializare
Iniţializare ⎝ n =1 ⎠ ⎝ n =1 ⎠
k = M Î indicele iterativ iniţial
220
 5/14
q Metode de identificare şi validare
f.cg MCMMP/MVI recursivă cu fereastră dreptunghiulară

Algoritmul
Algoritmul adaptiv
adaptiv al
al Celor
Celor Mai
Mai Mici
Mici Pătrate
Pătrate cu
cu fereastră
fereastră dreptunghiulară
dreptunghiulară
(final)
(final)
Buclă
Buclă iterativă
iterativă
T Pentru k ≥ M + 1
T Pentru
εb [ k − M ] = y[ k − M ] − ϕT [ k − M ]θˆ k −1 (a priori)
c
c Se
Se evaluează
evaluează erorile
erorile de
de predic ţie curente
predicţie curente::
ε [ k ] = y[ k ] − ϕT [ k ]θˆ (a posteriori)
f k −1

d
d Se
Se evaluează
evaluează vectorul auxiliar:: ξ k = Pk −1ϕ[ k − M ]
vectorul auxiliar
T Exerciţiu MVI
Exerciţiu MVI-R†-R†
ξ ξ
matricea:: Pb ,k − M = Pk −1 +
k k
e
e Se
Se evaluează
evaluează matricea (deducerea relaţiilor
1 − ϕT [ k − M ]ξ k recursive, algoritmul
f
f Se
Se reactualizează
reactualizează vectorul auxiliar:: ξ k = Pb ,k − M ϕ[ k ]
vectorul auxiliar eficient, iniţializare)
ξk
g
g Se
Se evaluează îştigul de
evaluează ccîştigul de senzitivitate
senzitivitate aa posteriori: γ
posteriori: f ,k =
1 + ϕT [ k ]ξ k

estimare:: Pk = Pb ,k − M − γ f ,k ξ k
T
h
h Se
Se reactualizează
reactualizează matricea
matricea de
de auto -covarianţă aa erorii
auto-covarianţă erorii de
de estimare
i
i Se
Se evaluează îştigul de
evaluează ccîştigul de senzitivitate priori: γ b ,k − M = Pk ϕ[ k − M ]
senzitivitate aa priori:
j
j Se
Se reactualizează
reactualizează vectorul
vectorul parametrilor
parametrilor estima ţi: θˆ k = θˆ k −1 − γ b ,k − M ε b [k − M ] + γ f ,k ε f [k ]
estimaţi:
k
k Se
Se incrementează
incrementează indicele curent:: k ← k + 1
indicele curent
€ Date
Date de
de ie şire
ieşire {θˆ }
k
k∈N
Parametrii
Parametrii modelului
la
la fiecare
modelului reactualiza
fiecare pas
pas de
ţi
reactualizaţi
de adaptare
adaptare..
** Complexitatea
Complexitatea
algoritmului
algoritmului aa
crescut
crescut.. 221
 6/14
q Metode de identificare şi validare
f .ch Estimarea
f.ch Estimarea structurii
structurii modelelor
modelelor de
de identificare
identificare
Pentru fiecare structură de model din ce în ce mai ¾ Informaţie preliminară despre proces
¾ Scopul identificării procesului

bogată (m∈{1,2,…,M): Organizarea

experimentului
econometric
Alegerea clasei
de modele de
identificare

¾se determină parametrii modelului ales, θm; Achiziţia şi

prelucrarea
primară a datelor
M (θ)
Alegerea
modelului de
identificare

¾se evaluează precizia modelului (V (θm) sau P(θm)).

Alegerea
U metodei de M (θ)
identificare
Y

Pentru fiecare structură de model din ce în ce mai

bogată (m∈{1,2,…,M):
¾ se determină parametrii modelului ales, θm;
¾ se evaluează precizia modelului (V (θm) sau P(θm)).

Alegerea modelului
adecvat datelor
achiziţionate

indicele structural al Alegerea modelului M (θo)

modelului (parametric) adecvat datelor

NU Validarea
modelului
DA

m = nθ achiziţionate
Model valid

M (θo)

 Experiment de
** Acesta
Acesta constituie
constituie nucleul
nucleul experimentului
experimentului de
de identificare
identificare.. identificare

Teste ((criterii)
criterii) • Modele de identificare de acelaşi tip, dar de diferite structuri sunt mai întîi
determinate şi apoi comparate între ele, în vederea alegerii celui adecvat.
de adecvanţă
adecvanţă
** Supra -parametrizarea
Supra-parametrizarea
Criteriul aplatizării Criteriul de Criteriul gradului este
este totu şi preferabilă
totuşi preferabilă
erorii pătratice penalizare FPE de potrivire sub -parametrizării.
sub-parametrizării.

Criteriul descreşterii Criteriile lui Criteriul reprezentării

relative normalizate Akaike-Rissanen poli-zerouri

Nici
Nici unul
unul dintre
dintre aceste
aceste criterii
criterii nu
nu este
este ““perfect”.
perfect”. Unele
Unele criterii
criterii tind
tind să
să
sub -parametrizeze modelele
sub-parametrizeze modelele,, iar
iar altele
altele —— să
să le
le supra -parametrizeze.
supra-parametrizeze. 222
 7/14
q Metode de identificare şi validare
f.ch Estimarea structurii modelelor de identificare
Criteriul
Criteriul aplatizării
aplatizării erorii
erorii pătratice
pătratice
def N
AN
VN (θ ) = ∑ ( y [ n] − φ [ n] θ )
T 2 ** Datorită
Datorită Principiului
Principiului parsimoniei
parsimoniei,,
modelul
modelul adecvat
adecvat nunu are
are îîn
n mod
mod necesar
necesar
n =1
structura
structura cea
cea mai
mai complexă şa cum
complexă,, aaşa cum
y ≡ y − y φ ≡ φ − φ sugerează şşii criteriul
sugerează criteriul de
de adecvan ţă.
adecvanţă.
(date staţionarizate) 0 nθ erori numerice şi de supra-acordare
mo M

( )
def a modelului
A N [ nθ] = VN θˆ N = N λˆ 2N [ nθ]
indicele structural optimal indicele structural maximal
• Practic, indicele structural optim este selectat în funcţie de dispersia zgomotului alb,
invers proporţională cu precizia modelului.
• Deîndată ce nu se mai obţine o scădere semnificativă a acestei dispersii, adică o creştere semnificativă
a preciziei modelului, este inutilă mărirea complexităţii acestuia.
Criteriul
Criteriul descreşterii
descreşterii relative
relative normalizate
normalizate
λˆ 2N [ nθ] − λˆ 2N [ nθ + 1]
def
Testul de
F N [ nθ] = F N [ nθ] ≤ 4 / N (
( Testul
Testul FF din
din
λˆ 2 [ nθ + 1]
N
adecvanţă Statistică
Statistică..

• Spre deosebire de cazul criteriului precedent, aici alegerea indicelui ** Adaptiv

Adaptiv,, îîn
n func ţie de
funcţie de
structural optim se poate efectua într-o manieră automată, nesubiectivă. dimensiunea
dimensiunea
orizontului
orizontului dede măsură
măsură..
/ În general, folosind aceste două criterii, precizia de determinare a
indicelui structural este modestă (modelul este uşor sub-parametrizat). 223
 8/14
q Metode de identificare şi validare
f.ch Estimarea structurii modelelor de identificare
Cum poate fi mărită precizia de determinare a indicelui structural?

Prin
Prin diminuarea
diminuarea dimensiunii
dimensiunii palierului
palierului,, operaţie
operaţie cunoscută
cunoscută sub
sub numele
numele de
de penalizare
penalizare..
Criteriul
Criteriul de
de penalizare
penalizare —— FPE
FPE Final Prediction Error
(eroare finală de predicţie)
def
N + nθ
FPE N [ nθ] = λˆ 2N [ nθ] factor de penalizare
N − nθ
FPEN Criteriile
Criteriile lui
lui Akaike-Rissanen
Akaike-Rissanen
2 nθ
( )
def
Akaike
Akaike AIC [ n θ] = ln ˆ
λ 2
[ n θ] +
N N
N
Hirotugu Akaike ** Penalizare
Penalizare compusă
compusă..
0 nθ (1967)
mo
AICN

palierului.
dimensiunii palierului.
* Diminuare sensibilă a
indicele structural optimal
• Indicele structural optimal rezultă prin rezolvarea
unei probleme de minimizare.
nθopt = mo = argmin FPEN [ nθ] 0 nθ
mo
nθ∈N∗

** Palierul
Palierul are
are dimensiune
dimensiune mai mai mică
mică,, dar
dar diminuarea
diminuarea indicele structural optimal
sa
sa este
este îîncă
ncă posibilă
posibilă,, îîn
n vederea
vederea cre şterii vitezei
creşterii vitezei de
de nθopt = mo = argmin AICN [ nθ]
convergen
convergenţă ţă aa algoritmului
algoritmului de
de optimizare
optimizare.. nθ∈N∗ 224
 9/14
q Metode de identificare şi validare
f.ch Estimarea structurii modelelor de identificare
Criteriile
Criteriile lui
lui Akaike-Rissanen (final)
Akaike-Rissanen (final)
2 nθ
( )
def
Akaike
Akaike GAICN [ nθ] = ln λˆ 2N [ nθ] + αN factor de corecţie α N > 1
generalizat
generalizat N
α N ∈ [2,4] Í independent de dimensiunea orizontului de măsură
tendinţă de
supra-parametrizare.
supra-parametrizare.
* Criterii cu tendinţă

α N = ln N
Í adaptate la dimensiunea orizontului de măsură
α N = ln(ln N )
Generalizare
Generalizare care
care conduce
conduce la
la un
un
α N = ln N Í Rissanen model
model de
de complexitate
complexitate minimală
minimală
(conform
(conform Principiului
Principiului parsimoniei ).
parsimoniei).
nθopt = mo = argmin GAICN [ nθ] Jorma Rissanen (1978)
nθ∈N∗

Criteriul
Criteriul gradului
gradului de
de potrivire
potrivire (al
(al concordanţei) cu
concordanţei) cu procesul
procesul eroare de predicţie cu un pas
⎛ N 2 ⎞ nθopt = argmax E N [ nθ]
⎜ ∑ ε[ n , ˆ ]
θ N
⎟ nθ∈N∗

de E [ nθ] = 100 ⎜ 1 − ⎟
def
Grad
Grad de n =1
[%] (teoretic)
potrivire
potrivire
N ⎜ N 2 ⎟ (
( În procente.
Î n procente .
⎜ 1 N
∑ y[ n] − ∑ y[ n] ⎟
(fitness) ⎜ N n =1 ⎟ Indicele
Indicele structural
structural optim
optim sese
⎝ n =1 ⎠ alege
alege la
la intrarea
intrarea îîn
n palier
palier..
• Interpretare: procentaj al procesului care a fost explicat de către model sau (practic)
valoarea cuantificată a gradului de validare a modelului.
• Valoarea SNR produce un palier inferior valorii ideale de 100%. 225
 10/14
q Metode de identificare şi validare
f.ch Estimarea structurii modelelor de identificare
Criteriul
Criteriul reprezentării
reprezentării poli-zerouri
poli-zerouri
• În cazul modelelor de identificare de tip raţional, polii şi zerorurile funcţiilor de sistem (transfer)
aferente sunt reprezentate grafic, în planul complex, rezultînd o hartă poli-zerouri.
• În jurul fiecărui pol/zerou se trasează cîte un
cerc de rază proporţională cu deviaţia standard
corespunzătoare, care delimitează zona de încredere
aferentă.
• Zonele de încredere cu suprafeţe mici sunt asociate
polilor/zerourilor cu precizie mare.
• Orice pol “apropiat” de un zerou este considerat * Polii şi zerourile cu locaþii
coincident cu acesta şi perechea se simplifică. apropiate se simplifică.
• Criteriu avînd un caracter mai mult subiectiv,
deşi poate fi automatizat (dacă se defineşte o zerou
zerou pol
pol
regulă practică de coincidenţă numerică a 2
puncte din planul complex).

Deviaţiile standard ale polilor/zerourilor?

Se
Se calculează
calculează folosind
folosind rădăcinile
rădăcinile
pătrate
pătrate ale
ale valorilor
valorilor de
de pe
pe diagonala
diagonala
matricii
matricii de
de auto -covarianţă aa erorii
auto-covarianţă erorii de
de ** Poate testată şşii stabilitatea
Poate fifi testată stabilitatea modelului
modelului..
estimare
estimare şişi conceptul
conceptul dede matrice
matrice
companion
companion asociată
asociată unui
unui polinom
polinom..
226
 11/14
q Metode de identificare şi validare
f .ci Validarea
f.ci Validarea modelelor
modelelor de
de identificare
identificare
** Numai
Numai modelele
modelele de
de identificare adecvate şşii valide
identificare adecvate valide pot
pot fifi ¾ Informaţie preliminară despre proces
¾ Scopul identificării procesului

returnate
returnate după
după desfă şurarea experimentului
desfăşurarea experimentului de de identificare
identificare.. Organizarea Alegerea clasei
experimentului de modele de
econometric identificare

Achiziţia şi Alegerea

Validarea unui model de identificare? Validarea

prelucrarea
primară a datelor
M (θ)

Alegerea
modelului de
identificare

U metodei de M (θ)

modelului
identificare
Y

Opera ţie care

Operaţie care constă
constă îîn
n testarea
testarea func ţionării
funcţionării Pentru fiecare structură de model din ce în ce mai
bogată (m∈{1,2,…,M):
¾ se determină parametrii modelului ales, θm;
¾ se evaluează precizia modelului (V (θm) sau P(θm)).

modelului
modelului comparativ
comparativ cu cu cea
cea aa procesului
procesului,, Alegerea modelului
adecvat datelor

atunci
atunci ccînd
înd se
se ini ţiază oo nouă
iniţiază nouă sesiune
sesiune dede
achiziţionate

M (θo)

stimulare
stimulare aa ambelor
ambelor entită ţi cu
entităţi cu aceea şi intrare
aceeaşi intrare.. NU Validarea
modelului
DA

Model valid

M (θo)

P ((θ
θ**) y [n]
** Metodele
Metodele ((testele)
testele) de
de validare
validare
depind
depind de
de metodele
metodele de de
u [n] ε [n,θo] identificare
identificare utilizate
utilizate..
+
-
Metodele
Metodele abordate
abordate în
în acest
acest curs
curs
yM [n,θo]
M ((θ
θoo)
Testul de albire pentru
def
ε[ n, θo ] = y[ n] − yM [ n, θo ] modelele determinate
cu ajutorul MCMMP
eroarea dintre proces şi model
Extrem Testul de albire pentru
Extrem de
de important
important
modelele determinate
Validarea
Validarea unui
unui model
model de de identificare
identificare trebuie
trebuie să
să se
se efectueze
efectueze pe
pe un
un cu ajutorul MVI
alt
alt set
set de
de date
date dec ît cel
cel utilizat
utilizat pentru
pentru determinarea
determinarea modelului
modelului..
227
decît
 12/14
q Metode de identificare şi validare
f.ci Validarea modelelor de identificare

Teste de albire?

Tehnică
Tehnică prin
prin care
care se
se poate
poate detecta
detecta dacă
dacă un
un semnal
semnal (care,
(care, îîn
n cazul
cazul validării
validării,, depinde
depinde dede
eroarea
eroarea dintre
dintre model
model şşii proces) are
proces) are caracteristicile
caracteristicile unui
unui zgomot
zgomot albalb normal
normal distribuit
distribuit..

Testul
Testul de
de albire
albire pentru
pentru modelele
modelele identificate
identificate
p
cu
cu ajutorul
ajutorul MCMMP
MCMMP
Se
Se aplică
aplică direct
direct erorii
erorii dintre model şşii proces
dintre model proces,,
folosind
folosind setul
setul de
de date
date de
de validare
validare..
0 –ε -3σ –ε –ε +3σ ε [n,θ]
N N
Testul
Testulideal
idealde
dealbire
albire def
σ0 parametru precizat
{ }
lim E ε[ n, θˆ N ] ε[ n − k , θˆ N ] = 0
N →∞
σN =
N
ulterior
∀k ∈ N *

/ Imposibil de verificat practic. ** Deschidere

Deschidere adaptată
adaptată la
la dimensiunea
dimensiunea
/ Nu face referire la proprietăþile statistice ale modelului. orizontului
orizontului de
de măsură
măsură..

Etapele
Etapele testului
testului practic
practic de
de albire
albire
N
1 def
c Se calculează secvenţa de auto-covarianţă a erorii de predicþie: rε [ k ] = ∑
N − k n = k +1
ε[ n, θˆ N ] ε[ n − k , θˆ N ]
def
r [k ] ⎡N ⎤
d Se calculează secvenţa de auto-corelaţie a erorii de predicþie: ρε [ k ] = ε ∀k ∈ 0, ⎢ ⎥
rε [0] ⎢4⎥
** Limitată
Limitată la
la un
un sfert
sfert din
din dimensiunea
dimensiunea orizontului
orizontului de
de măsură
măsură.. 228
 13/14
q Metode de identificare şi validare
f.ci Validarea modelelor de identificare

Testul
Testul de
de albire
albire pentru
pentru modelele
modelele identificate
identificate cu
cu ajutorul
ajutorul MCMMP
MCMMP (final)
(final)
Etapele
Etapele testului
testului practic
practic de
de albire
albire ((continuare)
continuare)
e Se evalulează numărul de valori ale lui ρε în fiecare din intervalele de încredere de mai jos:
Intervale şi nivele de încredere tipice pentru validarea modelelor.

⎡ 2.17 2.17 ⎤ ⎡ 1.96 1.96 ⎤ ⎡ 1.808 1.808 ⎤

[ − ρ ,+ ρ ] ⎢ − N ,+ N ⎥ ⎢− ,+ ⎢− ,+
⎥ ⎥ ⎧ 2.17 1.96 1.808 ⎫
⎣ ⎦ ⎣ N N⎦ ⎣ N N ⎦ σ0 ∈ ⎨ , , ⎬
N (ρ ) 97% 95% 93% ⎩ 3 3 3 ⎭

f Se compară histograma valorilor lui ρε în fiecare din intervalele de încredere cu

nivelele prescrise de încredere.

Nivel 0: nici unul din cele 3 Teste de albire nu este pozitiv (model şi/sau
Testul de metodă de identificare invalide).
validare Nivel 1: doar unul din cele 3 Teste de albire este pozitiv (model şi/sau metodă
N (ρ ε ) ≥ N ( ρ ) de identificare la limita de validitate).
Nivel 2: două din cele 3 Teste de albire sunt pozitive (model şi/sau metodă de
identificare valide, dar cu validitate limitată; pentru anumite tipuri de
intrări, modelul s-ar putea să nu funcţioneze corect).
Nivel 3: toate cele 3 Teste de albire sunt pozitive (model şi/sau metodă de
identificare valide, cu validitate extinsă la majoritatea covîrşitoare a
tipurilor de intrări).

229
 14/14
q Metode de identificare şi validare
f.ci Validarea modelelor de identificare
Testul
Testul de
de albire
albire pentru
pentru modelele
modelele identificate
identificate cu
cu ajutorul
ajutorul MVI
MVI
Eroarea
Eroarea dintre model şşii proces
dintre model proces nu
nu trebuie
trebuie să
să fie
fie corelată
corelată cu
cu datele
datele de
de ie şire sta
ieşire ţionarizate.
staţionarizate.

Testul
Testul ideal
ideal de
de albire
albire

{ } { }
def
lim E ε[ n, θˆ N ] y N [ n − k ] = 0 y N [ n] = ϕT [ n]θˆ N − E ϕT [ n]θˆ N
N →∞
∀k ∈ N *
ieşirea simulată centrată pe medie
/ Imposibil de verificat practic.
/ Nu face referire la proprietăþile statistice ale modelului.
Etapele
Etapele testului
testului practic
practic de
de albire
albire
N
1 def
c Se calculează secvenţa de covarianţă încrucişată : rε, y N [ k ] = ∑
N − k n = k +1
ε[ n, θˆ N ] y N [ n − k ]

def rε , y N [ k ] ⎡N ⎤
d Se calculează secvenţa de corelaţie încrucişată: ρε , y [ k ] = ∀k ∈ 0, ⎢ ⎥
N
rε [0] ry N [0] ⎢4⎥

e Se evalulează numărul de valori ale lui ρε în fiecare din intervalele de încredere definite de
acelaşi tabel ca în testul de albire pentru modelele determinate cu ajutorul MVMMP.

f Se compară histograma valorilor lui ρε în fiecare din intervalele de încredere cu

nivelele prescrise de încredere (din acelaşi tabel).
Rezultatul
Rezultatul testului
testului este
este acela şi ca
acelaşi ca îîn
n cazul
cazul
modelelor
modelelor identificate
identificate cucu ajutorul
ajutorul MCMMP
MCMMP.. 230
Prezentare
Prezentare alcãtuitã
alcãtuitã de
de
Dan
Dan Ştefănoiu
Ştefănoiu

dan.stefanoiu@acse.pub.ro
dan.stefanoiu@acse.pub.ro

http://ro.linkedin.com/pub/dan -stefanoiu/30/bb/617
http://ro.linkedin.com/pub/dan-stefanoiu/30/bb/617