Ingeniera de Control

Identificacin mediante el mtodo de los mnimos cuadrados

Daniel Rodrguez Ramrez Teodoro Alamo Cantarero

Contextualizacin del tema

Conocimientos relevantes aprendidos previamente:
Tipos de modelos. Concepto de identificacin. Fases del proceso de identificacin. Propiedades deseables de las seales de entrada. Identificacin en bucle abierto y bucle cerrado. Formulacin original y recursiva del mtodo de los mnimos cuadrados. Propiedades estadsticas del estimador de mnimos cuadrados. Mnimos cuadrados ponderados y extendidos. Estimacin de los valores de continua. Problemas producidos por la mala estimacin del orden del proceso. Aplicacin del mtodo de los mnimos cuadrados a sistemas con retardo o no lineales.

Conocimientos que se adquieren en este tema:

Esquema del tema

12.1. El mtodo de los mnimos cuadrados. 12.2. Algoritmo recursivo para identificacin en lnea. 12.3. Interpretacin estadstica. 12.4. Mnimos cuadrados ponderados. 12.5. Mnimos cuadrados extendidos. 12.6. stimacin de los valores de continua. 12.!. Importancia del orden del modelo. 12.". Identificacin de sistemas con retardo o no lineales.

El mtodo de los mnimos cuadrados

Identifica modelos lineales en los parmetros, como: equivale a:

regresor

Vector de parmetros

Error de prediccin

El mtodo de los mnimos cuadrados

Partiendo de N pares (y(k),m(k)) con N 2n se plantea:

Sist. de ecuaciones sobredeterminado incompatible

Se buscar la pseudosolucin ( *) del sistema ptima en el sentido de los mnimos cuadrados, es decir minimizando:

El mtodo de los mnimos cuadrados

El ndice J se puede reescribir como:

El mnimo ser el valor de que hace la derivada cero:

es decir:

De ah:

Estimador de mnimos cuadrados

El mtodo de los mnimos cuadrados

Dado que:

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.

Esquema del tema

12.1. l m#todo de los mnimos cuadrados. 12.2. Algoritmo recursivo para identificacin en lnea. 12.3. Interpretacin estadstica. 12.4. Mnimos cuadrados ponderados. 12.5. Mnimos cuadrados extendidos. 12.6. stimacin de los valores de continua. 12.!. Importancia del orden del modelo. 12.". Identificacin de sistemas con retardo o no lineales.

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)

Esquema del tema

12.1. l m#todo de los mnimos cuadrados. 12.2. Algoritmo recursivo para identificacin en lnea. 12.3. Interpretacin estadstica. 12.4. Mnimos cuadrados ponderados. 12.5. Mnimos cuadrados extendidos. 12.6. stimacin de los valores de continua. 12.!. Importancia del orden del modelo. 12.". Identificacin de sistemas con retardo o no lineales.

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:

crece por lo que

decrece.

Segn transcurre el tiempo la incertidumbre disminuye mejor estimacin.

Esquema del tema

12.1. l m#todo de los mnimos cuadrados. 12.2. Algoritmo recursivo para identificacin en lnea. 12.3. Interpretacin estadstica. 12.4. Mnimos cuadrados ponderados. 12.5. Mnimos cuadrados extendidos. 12.6. stimacin de los valores de continua. 12.!. Importancia del orden del modelo. 12.". Identificacin de sistemas con retardo o no lineales.

Mnimos cuadrados ponderados

Permite dar ms peso a unas observaciones que a otras (usualmente ls ms recientes) en el clculo de los parmetros mejor para procesos que varan su dinmica. Se minimiza:

La solucin es:

Mnimos cuadrados ponderados

Usualmente se aplica un esquema de olvido exponencial:

Los pesos disminuyen cuanto ms antiguas son las medidas:

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!

En el caso de aplicarse una formulacin recursiva se modificara el algoritmo:

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:

donde D(k) es diagonal y U(k) es triangular superior con Uii(k)=1.

Esquema del tema

12.1. l m#todo de los mnimos cuadrados. 12.2. Algoritmo recursivo para identificacin en lnea. 12.3. Interpretacin estadstica. 12.4. Mnimos cuadrados ponderados. 12.5. Mnimos cuadrados e tendidos. 12.6. stimacin de los valores de continua. 12.!. Importancia del orden del modelo. 12.". Identificacin de sistemas con retardo o no lineales.

Mnimos cuadrados extendidos

Soluciona el problema del sesgo cuando el proceso es ARMAX:

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.

Esquema del tema

12.1. l m#todo de los mnimos cuadrados. 12.2. Algoritmo recursivo para identificacin en lnea. 12.3. Interpretacin estadstica. 12.4. Mnimos cuadrados ponderados. 12.5. Mnimos cuadrados extendidos. 12.!. Estimacin de los valores de continua. 12.!. Importancia del orden del modelo. 12.". Identificacin de sistemas con retardo o no lineales.

Estimacin de los valores de continua

Utilizacin de incrementos:

Se obtiene un modelo incremental. Clculo de la media:

Estimacin de los valores de continua

Estimacin de una constante. La idea es que el modelo que se quiere identificar es:

que se puede poner como:

con

El vector de parmetros y el regresor quedaran:

Esquema del tema

12.1. l m#todo de los mnimos cuadrados. 12.2. Algoritmo recursivo para identificacin en lnea. 12.3. Interpretacin estadstica. 12.4. Mnimos cuadrados ponderados. 12.5. Mnimos cuadrados extendidos. 12.6. stimacin de los valores de continua. 12.". Importancia del orden del modelo. 12.". Identificacin de sistemas con retardo o no lineales.

Importancia del orden del modelo

Si el orden del modelo se estima por defecto se produce la infraparametrizacin. Dependiendo de la seal de entrada se obtendrn diferentes aproximaciones al modelo real.

Mismo sistema identificado con dos senoides diferentes

Importancia del orden del modelo

Si el orden se estima por exceso se produce la sobreparametrizacin. Se produce una deriva en los valores de los parmetros. Aparecen dependencias lineales entre los parmetros. Se aproxima el ruido.

Evolucin de los parmetros del modelo en un caso de sobreparametrizacin.

Esquema del tema

12.1. l m#todo de los mnimos cuadrados. 12.2. Algoritmo recursivo para identificacin en lnea. 12.3. Interpretacin estadstica. 12.4. Mnimos cuadrados ponderados. 12.5. Mnimos cuadrados extendidos. 12.6. stimacin de los valores de continua. 12.!. Importancia del orden del modelo. 12.#. Identificacin de sistemas con retardo o no lineales.

Identificacin de procesos con retardos y modelos no lineales

Para un proceso con retardo modelado como:

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:

Identificacin de procesos con retardos y modelos no lineales

Una posibilidad interesante: modelos de redes de neuronas de funciones base radiales:
"odelo lineal en los parmetros pi #pesos$

Nodos gaussianos: %i& centro del nodo i& ancho del nodo
'ara usar "in! %uadrados&

Identificacin de procesos con retardos y modelos no lineales

(os centros cubren re)ularmente el espacio de entrada

%ada nodo aproxima localmente