LUCRAREA 4

IDENTIFICAREA SISTEMELOR
UTILIZÂND METODE DE REGRESIE

1. Consideraţii generale

Analiza de regresie se ocupă în principal cu descrierea tipului de dependenţă

dintre variabilele unui sistem.
Metodele de regresie permit obţinerea modelului matematic al procesului
sub forma unei ecuaţii de regresie(model de regresie), pe baza variaţiilor aleatoare
ale mărimilor de intrare şi de ieşire, culese în decursul funcţionării normale a
procesului.
Considerând sistemul reprezentat în Figura 1, erorile în determinarea
mărimii de ieşire sunt produse în principal de influenţa celor p perturbaţii.

z1 z2 zp

u1
u2 y
SISTEM
ur

Figura 1. Schema bloc a unui sistem real

Metoda regresiei are ca scop, în primul rând, determinarea pe baza unui

număr limitat de măsurători, a dependenţei funcţionale y = f(u1,...ur) fără restricţii
asupra lui f, şi în al doilea rând, stabilirea modului cum se manifestă această
dependenţă sub acţiunea perturbaţiilor z1,...,zp, care prezintă variaţii aleatoare ce
nu sunt legate de dependenţa funcţională studiată, ele nefiind incluse în lista de
variabile.
Problema constă în alegerea unei clase de funcţii în care să se integreze
dependenţa funcţională(de exemplu clasa funcţionalelor liniare sau clasa funcţiilor

de o formă polinomială dată) precum şi determinarea coeficienţilor ce intervin în

expresiile acestor funcţii – prin minimizarea unei funcţii criteriu.
 Avându-se în vedere că în general numărul de ecuaţii de care se dispune(de
măsuători ale lui y) este mai mare decât numprul de necunoscute(coeficienţii
modelului de regresie care trebuie determinaţi) metoda celor mai mici pătrate este
cea mai utilizată(criteriul fiind cel al erorii pătratice).
Ca ipoteze de lucru se consideră că parametri procesului sunt constanţi,
măsurătprile sunt de egală precizie şi nu există erori sistematice în cadrul
determinării lui y.

2. Exemplu de aplicare a metodei regresiei

Se studiază legătura corelaţională între două mărimi u şi y ale căror valori

măsurate sunt date în următorul tabel:

y 10 20 25 30 40 50 55 60 65 70 76

u 10 14 18 22 26 30 34 38 42 46 50

Pentru a alege cea mai bună formă a liniei teoretice de regresie se

construieşte câmpul de corelaţie pentru fiecare pereche u,y corespunzătoare celor
11 măsurători.
Din modul de amplasare a punctelor în câmpul de corelaţie(u,y) se observă
că dependenţa între u şi y poate fi aproximată cel mai bine cu o relaţie liniară:

ŷ = a + b ⋅ u (1)
Modelul 12.1 este un model de regresie liniară, iar a şi b sunt coeficienţii
regresiei.
Problema care se cere rezolvată este ca din mulţimea de drepte să se aleagă
cea care corespunde cel mai bine repartiţiei punctelor din câmpul de corelaţie.

Punctele experimentale se vor abate de la dreapta de aproximare cu o eroare

calculabilă cu relaţia:

ε i = yi − yˆi (2)

Metoda utilizată pentru calculul regresiei este metoda celor mai mici
pătrate(CMMP), conform căreia se vor studia pătratele acestor abateri(erori), iar
coeficienţii a şi b ai liniei teoretice de regresie vor fi determinaţi din condiţia ca
suma acestor abateri pătratice să fie minimă:
 n n

∑ ( y − yˆ ) = ∑ ( y − a − b ⋅ u )
i =1
i i
2

i =1
i i
2
= f min ( a, b) (3)
unde n-numărul de puncte din câmpul de corelaţie.
Pentru a determina acest minim se impune ca derivatele parţiale în raport cu
coeficienţii a şi b să fie nule, obţinându-se un sistem de două ecuaţii de forma:

⎧ ∂f (a, b) n

⎪ ∂a = 0 ⇒ − 2∑ ( yi − a − b ⋅ ui ) = 0
⎪ i =1
⎨ (4)
⎪ ∂f (a, b) = 0
n
⇒ − 2∑ xi ( yi − a − b ⋅ ui ) = 0
⎪⎩ ∂b i =1

Rezultă ecuaţiile normale:

⎧ n n

⎪∑ yi = an + b∑ ui
⎪ i =1 i =1
⎨ n n n
⎪ u , y = a u + b u2 (5)
⎪⎩∑
i =1
i i ∑i =1
i ∑
i =1
i

Din sistemul (5) se pot determina uşor coeficienţii regresiei a şi respectiv b,

folosind una dintre metodele consacrate(metoda substituţiei, metoda Kramer etc.).
Experienţa identificatorului are un rol important în alegerea modelului
regresiei ai cărei coeficineţi urmează să fie determinaţi.
Uzual, ecuaţia regresiei se alege sub forma unui polinom de un anumit grad
fixat(gradul I, II, III etc.), determinarea coeficienţilor făcându-se ca şi în cazul
regresiei liniare.
În continuare se prezintă programul pentru calculul regresiei de ordinul I,
aferent câmpului de corelaţie prezentat în figura 2.

u=10:4:50;
y=[10 20 25 30 40 50 55 60 65 70 75];
plot(u,y),grid,title(’Sistemul de identificat’)

% se calculeaza sumele care apar in sistemul de ecuatii

sy=0;
su=0;
suy=0;
su2=0;
N=length(u);
For i=1:N
sy=sy+y(i);
 su=su+u(i);
suy=suy+u(i)*y(i);
su2=su2+u(i)*u(i);
end

%se calculeaza coeficientii regresiei

a=(su*suy-su2*sy)/(su*su-su2*N);
b=(suy*N-su*sy)/(su2*N-su*su);

%se calculeaza rezultatul regresiei

ym=a+b*u;
figure
plot(u,ym),grid,title(’Regresia de ordinul I’)
hold on
plot(u,y,’:’)

Figura 2. Câmpul de corelaţie

În figura 3 se prezintă, cu linie continuă, regresia de ordinul I, obţinută

pentru sistemul considerat, iar cu linie întreruptă s-a reprezentat amplasamentul
punctelor câmpului de corelaţie.
 Figura 3. Regresia de ordinul I

3 Probleme de studiat

1. Să se scrie un program Matlab pentru determinarea parametrilor liniei de

regresie având ecuaţia:

ŷ = a ⋅ u 2 + b ⋅ u + c
cunoscându-se setul de valori intrate/ieşire:

y 10 20 25 30 40 50 55 60 65 70 76

u 10 14 18 22 26 30 34 38 42 46 50

Se va trasa graficul dat de regresia obişnuita.

2. Să se scrie un program Matlab pentru determinarea parametrilor liniei de
regresie având ecuaţia:

ŷ = a ⋅ u 2 + b ⋅ u 2 + c ⋅ u + d

considerând setul de valori intrare/ieşire de la punctele anterior.

Se va trasa graficul dat de regresia obţinută.

3. Să se calculeze eroarea medie pătratică a liniilor de regresie de ordinul 1,2 şi 3,

pentru valorile numerice considerate anterior(vezi exemplul şi respectiv
exerciţiile 1 şi 2). Să se reprezinte grafic aceasta, în raport cu ordinul regresiei.