Documente Academic
Documente Profesional
Documente Cultură
1
Sinteza experiment
Nu
Validare model
Da
Stop
Fig. 1.1
Procedură iterativa de identificare a sistemelor
Problema care se cere rezolvata este de a determina o functie de observatii (masuratori ale
intrarii si iesirii):
(1.1)
z
u y
PROCES
cunoștințe STRUCTURA DE
apriorii CALCUL
2
Dupa cunostintele disponibile apriori se poate face o distinctie intre diferitele tipuri de
estimatori.
Aceste cunostinte se pot exprima prin functia densitate de probabilitate:
, sau ,
care definesc o familie de curbe parametrizate dupa lungimea intervalului de observare T, sau
echivalent dupa numarul K de esantione de care se dispune. (Fig. 3)
Fig. 2.1
Funcțiile densitate de probabilitate parametrizate după lungimea intervalului de observare.
Estimator nemarcat
3
2. Caracteristicile estimatorilor
Functiile densitate de probabilitate sau , care reprezinta tipul cel
mai complet de cunoastere de care se poate dispune, este rareori disponibila si utilizarea ei
devine greoaie sau complicata pentru cazurile : .
Cazul unui estimator marcat, dar posibil si asimptotic nemarcat este prezentat in fig.
2.2.
Fig. 2.2
Estimator marcat, dar posibil asimptotic nemarcat
Din figurile prezentate (fig. 2.1 si fig 2.2) se observa ca pe masura ce perioada de
observare este mai mare (sau numarul de esantionare este mai mare) functia densitate de
probabilitate va avea un maxim mai accentuat.
Oservatie: Daca functia densitate de probabilitate este normala sau gaussiana, nu se pierde
nici o informatie prin restrangerea la valoarea medie sau covarianta, avandu-se in vedere ca
aceste functii sunt complet caracterizate prin mediile de ordin I sau II.
sau , (2.3)
iar N = numarul de esantioane.
4
Daca relatia (2.3) este satisfacuta doar pentru un numar mare de esantioane ( deci
pentru ), estimatorul se numeste asimptotic nemarcat sau nedeviat.
Primul caz din reprezentarea functiilor de densitate de probabilitate (Fig. 2.1)
corespunde unui estimator nemarcat.
Cel de al doilea caz (Fig. 2.2), corespunde unui caz de estimator marcat, dar posibil
asimptotic nemarcat.
(2.4)
Relatia (2.5) trebuie privita in sensul unei convergente stohastice. Exista in acest
sens cateva posibilitati de a defini (introduce) acesta convergenta.
1) Convergenta cu probabilitate 1
Se spune ca converge la valoarea reala cu probabilitate 1 si se noteaza cu :
c.p.1 (2.6)
daca si numai daca realizarile pentru care nu tinde catre au masura zero.
Cu alte cuvinte probabilitatea , unde desemneaza realizarea.
2) Convergenta in probabilitate
Se spune ca converge in probabilitate la si se noteaza cu:
p (2.7)
daca si numai daca pentru arbitrar de mic:
5
Convergenta in probabilitate si in sens medu patratic sunt concepte globale (se refera
la ansamblul realizarilor), spre deosebire de c.p.1 care se refera la realizare.
c.p.1 (2.9)
1)Estimatorul celor mai mici patrate (CMMP) pentru care singura presupunere care
se considera este ca dinamica procesului poate fi aproximata in mod suficient de bine prin
modelul ales.
Plecand de la estimatorul Bayes se pot deduce toti ceilalti estimatori ca niste cazuri
particulare, pe masura ce se considera cunostinte apriorice disponibile mai putine.
6
3. Metoda celor mai mici patrare – CMMP
(3.1)
unde
t= timpul discret normalizat,
z(t) = zgomot
Ipoteze de lucru:
se presupun cunoscute
In general, relatia este , fara restrangerea generalitatii abordarii, din considerente de
simplificare se va considera ca:
Media zgomotului este media din secventa de zgomot, considerata la diverse momente de
esantionare.
7
Matricea de covarianta este medie patratica de ordinal II
(3.3)
z
u yv y
Sistem Fig. 3.1
Deci:
E , cu ; (3.4)
Si respectiv:
cu (3.5)
(3.6)
Rz =
8
Forma matricei de covarianta (3.6) devine mai simpla daca se presupun valori
identice ale dispersiei la toate momentele de masura, ceea ce inseamna ca:
{Rz=σ2I} (3.7)
si care corespune Formei normale a CMMP.
Relatia (3.7) indica faptul ca masuratorile sunt efectuate cu aceeasi precizie pentru
toate momentele de timp considerate: ,
sau, intr-o formulare echivalenta:
masuratorile efectuate la monentele de timp sunt corupte de un zgomot avand
aceleasi proprietati statistice la toate momentele de esantionare t.
Aceasta ipoteza concorda cu cele mai multe situatii practice:
(3.8)
cu - vectorul parametrilor
= vectorul masuratorilor
- se alege de exemplu vectorul parametrilor de forma:
conform alegerii facute pentru vectorul parametrilor θT, vectorul masuratorilor va rezulta de
forma:
Pentru , relatia (3.8) reprezinta un sistem de ecuatii algebrice liniare care pot fi
rescrise intr-o forma compacta, vectorial matriceala:
(3.9)
in care:
9
Observatie:
Acest mod de a alege vectorul parametrilor nu este unic, o alta alegere posibila este de
exemplu:
Din relatiile scrise rezulta ca datele obtinute din masuratori si parametrii se presupun
ca sunt intr-o relatie liniara, astfel ca procedura de estimare va fi una liniara.
(3.11)
in care:
= eroarea ecuatiei sau reziduu.
iar
sunt definite anterior.
10
Metoda CMMP are drept scop determinarea “celei mai probabile” valori ale lui , cu alte
cuvinte , definita ca valoarea care minimizeaza suma patratelor reziduurilor.
Considerand relatia (3.12), criteriul sau functia de cost poate fi definita ca:
(3.13)
unde
= norma euclidiana
Elementele rij ale matricei de ponderare R-1 indica gradul de incredere care poate fi
acordat masuratorilor.
In functie de forma acestei matrici se disting 3 tipuri (variante) ale metodei CMMP:
(3.14)
Modelul sub forma ecuatiei de regresie liniara (3.1), in cazul MIMO devine:
(3.15)
unde:
(3.17)
in care
, dim = N x ny
11
In cazul in care vectorul parametrilor se alege de forma:
; dim = (N X V)
unde
Alegerea lui nu e unica.
(3.18)
in care:
- vectorul coloana al erorii sau al reziduului, dim = ny x 1
- matricea de covarianta de dimensiune (ny x ny)
(3.19)
Pentru calcule numerice este convenabil ca functia de cost sa se exprime sub forma patratului
normei. Considerand formele (3.16) si (3.17) se poate scrie:
Observatie: Trebuie subliniat faptul ca Modelul de regresie nu este unica posibilitate pentru
introducerea si aplicarea metodei CMMP.
Metoda CMMP poate fi dezvoltata pe baza aproape oricarui tip de model matematic
care poate descrie dinamica sistemului de identificat, (ex: functia pondere, ecuatiile de stare,
ecuatiile WIENER-HOPF, etc).
Exemplul 1:
Considerand o secventa de ponderare ( suma de convolutie care furnizeaza iesirea la
un moment de timp t)
12
Cu aceste notatii ecuatia de regresie. va fi rescrisa astfel:
,
cu:
Pentru: : se obtine sistemul de ecuatii:
,
unde:
,
Exemplul 2:
considerand: cunoscute
si introducand: ,
se poate considera vectorul masuratorilor:
In aceasta forma ecuatia de regresie poate fi scrisa imediat.
(4.1)
13
este eroarea ecuatiei (reziduu)
Forma (4.3) a estimatorului CMMP poate fi rescrisa intr-o forma mai convenabila
implemantarii, si anume:
(4.4)
rezulta:
14
(4.5)
(4.6)
(4.7)
(4.8)
Se poate demonstra ca o solutie mai avanajoasa din punct de vedere numeric pentru
calculul lui este urmatoarea:
unde:
15
Observatie:
Masuratorile intrarii si respectiv iesirii procesului vor fi centrate inainte de
prelucrarea lor in vederea estimarii parametrilor, in afara de cazul in care exista certitudinea
ca media perturbatiilor care au perturbat iesirea in timpul experimentelor a fost nula.
Daca s-ar cunoaste (impune) din start anumiti parametrii din matricile: , de
exemplu, s-ar face zero in conformitate cu anumite informatii apriorice, estimatorul CMMP
care ar rezulta nu ar mai fi atat de simplu si de eficient de implementat numeric.
4.1 APLICATIE:
CAZ B:
Rezolvare
16
-sau in forma vectorial matriciala:
Y S Z
2) Cazul A.
Secventa de zgomot este nula {z(t)=0}.
Trebuie determinata matricea masuratorilor S, care pentru secventa de intrare {u(t)}
corespunzatoare cazului A devine:
(secventa de zgomot )
( pentru )
In acest caz:
unde:
17
respectiv:
Trebuie calculat
deci:
( - vectorul parametrilor)
Verificare:
deci:
Cazul B:
18
respectiv:
,( )
si:
rezulta:
Comentariu:
In cazul A, secventa de intrare este bine proiectata (aleasa), conduce la o buna
estimare a lui elementele diagonale ale lui fiind nule.
In cazul B, desi s-a obtinut o estimare corecta in lipsa zgomotului, matricea este
slab conditionata, ceea ce poate conduce la inacuratete, care poate deveni importanta in
estimarea parametrilor in prezenta perturbatiilor.
3) -adaugand o secventa de zgomot z(t) la y(t) pentru cele 2 cazuri, se determina estimatul
Caz B:
19
Cu aceste notatii estimatorul CMMP OFF-LINE poate fi rescris ca fiind:
(4.12)
- s-a introdus dependenta de t
Observatie: Desi sistemul a fost considerat invariant, deci cu coeficientii constanti, estimatul
vectorului parametrilor este dependent de numarul de masuratori disponibile t (dependenta de
t trebuie astfel considerata).
Matricile: P(t) si J(t) sunt pozitiv definite si simetrice fata de diagonal principala.
(4.14)
relatia de calcul a acesteia devine:
(4.14)
Exemplu:
Sa se calculeze eroarea estimatorului pentru cazurile A si B din cadrul aplicatiei 4.1. Pentru
cazul A:
Considerand zgomotul de medie nula, deci (zgomot alb de medie nula) si varianta
(dispersia) σ2 se pot evidentia urmatoarele Proprietati:
20
2) Matricea de covarianta a estimatorului este data de:
rezulta:
Estimatorul CMMP a fost obtinut in ipoteza unei secvente Z(t) de forma zgomotului
alb, adica Z(t) si Z(l) sunt necorelate pentru .
In situatiile mai generale, daca aceasta ipoteza nu este satifacuta, minimizarea
Functiei de cost conduce la Estimatorul CMMPP dat de ecuatia:
(4.16)
Se noteaza:
(4.17)
(4.18)
care este un estimator liniar, nemarcat si de matrice de covarianta minima.
(4.19)
21
5. METODE ON-LINE DE ESTIMARE
Algoritmi recursivi
Algoritmii de estimare recursivi sunt de cea mai mare importanta in ceea ce priveste
problemele de conducere a proceselor, in special in cadrul structurilor de reglare adaptiva.
-Se presupune ca pe baza a t date disponibile se obtin vectorii parametrilor estimati
si intre tinp s-a mai obtinut o masuratoare (t+1).
-Pentru a obtine trebuie prelucrat intreg sirul celor (t+1) masuratori si toata
informatia si efortul de calcul legate de se pierd.
z
w u y
PC
Bloc Identificare
(Estimare Parametri)
Regulator
Fig. 5.1
22
Noile masuratori: u(t+1), y(t+1), pentru determinarea estimatorului , la
momentul (t+1)
cu:
Se noteaza:
In contrast cu Algoritmul Off-Line, ambele variante de algoritmi:cel recursiv, cel in timp real
se vor referi atunci cand nu e necesara definirea exacta a lor, ca algoritmi de tip On-Line.
,
unde: (5.1)
cu: (5.2)
23
Din definitia Matricii de covarianta se poate scrie, tinand cont de relatia (5.2):
Atunci:
(5.3)
Sau
Unde:
24
(5.4)
Notand cu:
(5.5)
(5.6)
(5.4) devine:
(5.7)
Unde:
In consecinta:
CMMP-R (5.8)
25
Implementarea algorutmului CMMP-On-Line
Pasul 1:
Pasul 2:
-Se sacrifica cateva elemente din memorie pentru a se memora o cantitate care este folosita in
mai multe relatii:
(5.9-1)
Pasul 3:
(5.9-2)
Pasul 4:
(5.9-3)
Pasul 5:
(5.9-4)
Pasul 6:
(5.9-5)
Pasul 7:
(5.9-6)
26
Observatie: matricea de covarianta a estimatiei initiale . Daca nu se dispune de
nici o informatie apriorica despre aceasta valoare initiala, atunci o alegere naturala a
estimatiei initiale este (5.10)
-Pentru a exprima incertitudinea mare a initializarii anterioare, P(0) trebuie sa aiba elemente
diagonale mari.
-Se poate demonstra ca relatiile (5.10) si (5.11) initializeaza corect algortmul CMMP-R.
Algoritmii On-Line de tipul celor mentionati sunt utili atunci cand parametrii de estimare
sunt constanti in timp.
In unele aplicatii practice insa, parametrii sistemului supus identificarii variaza in timp.
Algoritmii de estimare On-Line, in care toate esantioanele sunt
egal ponderate, nu se pot adapta la aceste variatii.
Pentru procese lent variante este necesar sa se urmareasca variatia parametrilor pe
masura evolutiei lor in timp.
In acest tip de situatii este util sa se ataseze factori de ponderare de valoare minima
celor mai vechi valori observate (valori cu indicele cel mai mic), in scopul ca cele mai
recente dintre valori sa influenteze cel mai semnificativ rezultatele estimarii parametrilor,
adica esantioanele mai vechi sa fie deponderate in favoarea celor de data mai recenta,
ajungandu-se astfel la un algoritm in timp real.
27
(5.11)
unde:
(5.12)
Iar functia de cost (criterial erorii patratice):
(5.13)
-Pentru procese in care parametrii sunt lent variabili in mod continuu, se recumanda o
alegere:
v (5.15)
(5.16)
Care este un criteriu ponderat al sumei reziduurilor patratice.
-Se poate demonstra ca in mod aproximativ, criteriul (5.16) utilizeaza efectiv: masuratori,
celelalte masuratori anterioare sunt puternic deponderate, aproape ignorate.
28
Valoarea lui depinde de viteza de variatie a parametrilor sistemului.
Pentru , se observa ca algoritmul (5.14) este chiar algoritmul CMMP-R On-Line in care
toate esantioanele sunt egal ponderate.
Pentru , cele mai recente esantioane capata o pondere cat mai mare in
defavoarea celor mai vechi, a caror pondere scade rapid.
Este cazul variatiei mai rapide a parametrilor, memoria estimatorului (5.14)
trebuie sa fie mai redusa pentru a putea urmarii variatia acestor parametrii.
Se impune evident un compromis intre viteza mare de adaptabilitate intre noile cerinte pe de
o parte si pierderea de precizie datorata trunchierii, pe de alta parte.
In mediul uzual se alege in plaja de valori: .
Daca procesul investigat este invariant in timp (parametrii sunt constant, nu variaza in timp),
atunci va fi de asteptat ca .
Chiar daca in aceste cazuri ar fi avantajos sa se varieze ca de exemplu dupa urmatoarea
schema:
a) pentru primele cateva zeci de esantioane
pentru t
Aceasta deoarece reziduurile ε(t) pentru t={1,2,…} corespund unor estimatii imprecise ale
parametrilor datorate unor estimari imprecise ale lui .
Aceste reziduuri ar trebui deponderate in Criteriul CMMP.
Acest deziderat se poate realiza cu a), apoi se alege pentru a se asigura convergenta.
Daca: , convergenta nu este asigurata (estimatiile nu converg); indiferent cate
masuratori se realizeaza, ele vor continua sa fluctueze avand in vedere ca in acest caz se vor
prelucra masuratori.
29
APLICATIE:
Fie modelul static multivariabil de forma:
u1(t) v(t)
a1
u2(t) y(t)
a2 ∑
un(t)
an
Vectorul parametrilor:
Vectorul masuratorilor (observatiilor):
Se pune problema determinarii dimensiunilor MODELULUI.
Aceasta consista de fapt in testarea daca parametrul este sau nu egal cu zero.
(Adica )
30