Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Identificacion de Minimos Cuadrados
Identificacion de Minimos Cuadrados
regresor
Vector de parmetros
Error de prediccin
Se buscar la pseudosolucin ( *) del sistema ptima en el sentido de los mnimos cuadrados, es decir minimizando:
es decir:
De ah:
Tiene que existir la inversa de M(N)TM(N) ! se cumple si la seal de entrada usada cumple las condiciones de excitacin persistente (en la prctica usar PRBSS). Este mtodo es el llamado de fuera de lnea:
Usualmente se necesitan muchas medidas para minimizar el efecto de ruidos y perturbaciones. Problemas de clculo (inversin de una matriz muy grande). No es apropiado para sistemas cuya dinmica vara a lo largo del experimento.
Formulacin recursiva
Menos carga de clculo. Usa las medidas segn se van recogiendo. Apropiado para sistemas cuya dinmica va variando. La idea de partida es que:
donde:
Ganancia de adaptacin
Definida positiva
El vector ptimo * se puede calcular en cada instante a partir del calculado en el instante anterior ! formulacin recursiva.
u(k)
y(k)
Formulacin recursiva
e(k)
(k) y
(k +1) y
K(k)
(k)
P(k)
Interpretacin estadstica
Supngase que el sistema se comporta como un modelo ARMAX:
Los valores actual y pasados de v(k) afectan a la salida O como un modelo ARX-LS:
Slo el valor actual de v(k) afecta a la salida Suponiendo que * es el valor verdadero del vector de parmetros, el identificado se puede tratar como una variable aleatoria con sesgo:
Interpretacin estadstica
Se comprueba que:
Si el proceso es ARMAX V(k) (en la fila correspondiente a k) tiene los valores de v(k), v(k-1),,v(k-n) y M(k) tiene los valores de u e y para k1,,k-n, pero no contiene u(k) e y(k). Los y(k-1),y(k-n) dependen de v(k-1), valores presentes en V(k), por lo que hay dependencia entre M(k) y V(k) sesgo distinto de cero. Si el proceso es ARX-LS, V(k) slo est formado por v(k) y no contiene a v(k-1), por lo que no hay dependencia entre los M(k) y V(k) sesgo igual a cero. El proceso de identificacin converge al valor verdadero de los parmetros si el proceso responde como un ARX-LS.
Interpretacin estadstica
Tambin se puede demostrar que:
Varianza grande incertidumbre grande en la exactitud de la estimacin. Varianza pequea la estimacin est cerca del valor verdadero ( *). Inicialmente P(0) debe ser grande, por ejemplo P(0) = pI con p=100,1000, A medida que el nmero de observaciones aumenta:
decrece.
La solucin es:
Un prximo a 1 recuerda muchas medidas por lo que es ms insensible al ruido pero se adapta ms lentamente! Un menor recuerda menos por lo que se adapta rpidamente pero es ms sensible al ruido!
Consideraciones prcticas
Cuando no se usa factor de olvido (=1), y m presenta la misma magnitud la ganancia de adaptacin puede hacerse 0. Usando factor de olvido, si el punto de trabajo no vara P(k) puede crecer demasiado. Solucin a estos problemas: factor de olvido variable:
Si traza de P supera un lmite: = 1. Si traza de P por debajo de un mnimo: disminuir o sumar una matriz definida positiva. Usar: Factor pequeo al principio y tendiente a f.
Problemas numricos pueden ocasionar que P sea definida negativa. Solucin: Factorizar P(k) como:
La solucin sera incluir en el regresor los valores de v(k) y en el vector de parmetros los de C(z-1).
como los v(k) no son medibles, se les aproxima por el error de estimacin en cada instante:
donde:
Menor velocidad de convergencia en los parmetros ci debido a que la seal de ruido no es la ms preponderante.
con
el regresor ha de modificarse:
El retardo debe ser estimado previamente Problemas: retardo variable o no mltiplo del tiempo de muestreo. Posibilidad de aplicar a sistemas no lineales pero que sean lineales en los parmetros. Por ejemplo el modelo
se identificara usando:
Nodos gaussianos: %i& centro del nodo i& ancho del nodo
'ara usar "in! %uadrados&