Documentos de Académico
Documentos de Profesional
Documentos de Cultura
on de Sistemas
M
etodos param
etricos
(Predicci
on Optima
y Error de Predicci
on)
Dr. Efran Alcorta Garca
23 de Abril 2015
Identificaci
on de Sistemas
Contenido
P. 1
Contenido
Predicci
on
Predictor optimo
Ejemplo
Filtro de Kalman
Concepto
Referencias
Identificaci
on mediante el Metodo de Error de Predicci
on
Concepto
Uso de matlab
Validaci
on
Concepto
Identificacion de Sistemas
Contenido
P. 2
Contenido
Predicci
on
Predictor optimo
Ejemplo
Filtro de Kalman
Concepto
Referencias
Identificaci
on mediante el Metodo de Error de Predicci
on
Concepto
Uso de matlab
Validacion
Concepto
Identificacion de Sistemas
Predictor optimo
P. 3
Predicci
on
optima para estructura de modelo lineal
Definici
on
Sea y(t|t 1, ) un predictor de la salida y(t) dados los datos
hasta el instante t 1 y el vector de par
ametros . Se dice que
el predictor es
optimo, en el sentido de la media cuadr
atica,
si minimiza la varianza del error de predicci
on.
Identificacion de Sistemas
Predictor optimo
P. 4
M() :
vector de salida
u(t) m
vector de entrada
e(t) n
ruido blanco
D p
D=
vector de parametros
1
Identificacion de Sistemas
Predictor optimo
P. 5
Identificacion de Sistemas
Predictor optimo
P. 6
Predictor
optimo
Se supone que u(t) y e(s) no estan correlacionados para n < s
( lazo abierto). A partir de la estructura de modelo lineal
y(t) = G(q 1 , )u(t) + H(q 1, )e(t)
se puede obtener una expresion para el ruido:
e(t) = H
(q
1
, ) y(t) G(q , )u(t)
, )u(t) + H(q
, ) I e(t) + e(t)
Identificacion de Sistemas
Predictor optimo
P. 7
Predictor
optimo
Al remplazar el ruido en la u
ltima expresion por la ecuaci
on
obtenida anteriormente para e(t) resulta:
y(t) = G(q
, )u(t) + H(q
+e(t)
y(t) = H
(q
, )G(q
, ) I H
, )u(t) + I H
(q
(q
1
, ) y(t) G(q , )u(t)
, ) y(t) + e(t)
donde:
z(t) = H
(q
, )G(q
, )u(t) + I H
(q
, ) y(t)
Identificacion de Sistemas
Predictor optimo
P. 8
Predictor
optimo
La z(t) y la e(t) no estan correlacionadas, ya que la hipotesis
1
D implica
que
H(0,
)
=
I
=
H
(0, ). por lo que el
termino I H 1(q 1 , ) y(t) depende solo de valores pasados
de la salida, por lo que no esta correlaciondo con e(t).
Sea y (t) un predictor arbitrario de y(t) basado en los datos hasta
el instante t 1. La matriz de covarianza del error de predicci
on
resulta:
n
o
T
E (t)T (t)
= E [y(t) y (t)] [y(t) y (t)]
n
o
T
= E [z(t) + e(t) y (t)] [z(t) + e(t) y (t)]
n
o
T
= E [z(t) y (t)] [z(t) y (t)] +
Identificacion de Sistemas
Predictor optimo
P. 9
Predictor
optimo
Se puede apreciar que si y (t) = z(t) el predictor resulta
optimo en
el sentido de la media cuadratica ya que la covarianza del error de
predicci
on resulta mnima. Ademas el error de predicci
on resulta
(t, ) = e(t)
El predictor
optimo de un paso en avance resulta entonces:
y
(t|t 1, ) = H
(q
, )G(q
(t, ) = H
(q
, )u(t) + I H
El error de predicci
on resulta:
1
, ) y(t) G(q
, )u(t)
(q
, ) y(t)
Identificacion de Sistemas
Contenido
P. 10
Contenido
Predicci
on
Predictor optimo
Ejemplo
Filtro de Kalman
Concepto
Referencias
Identificaci
on mediante el Metodo de Error de Predicci
on
Concepto
Uso de matlab
Validacion
Concepto
Identificacion de Sistemas
Contenido
P. 11
Ejemplo
Consierar el siguiente modelo ARMAX:
y(t) + ay(t 1) = bu(t 1) + e(t) + ce(t 1)
donde e(t) es ruido blanco con media cero y varianza 2. Este
modelo puede ser expresado mediante una reacomodaci
on de
terminos y algunas manipulaciones como:
bq 1
1 + cq 1
y(t) =
u(t) +
e(t)
1
1
1 + aq
1 + aq
definiendo ahora:
G(q
bq 1
;
, ) =
1
1 + aq
H(q
1 + cq 1
, ) =
1 + aq 1
Identificacion de Sistemas
Contenido
P. 12
Ejemplo
Antes de obtener la expresion del predictor optimo se deben de
imponer ciertas condiciones sobre G(q 1 , ) y H(q 1, ):
G(q 1 , ) debe de ser asint
oticamente estable, lo cual significa que
|a| < 1 |a| < 1.
Ademas, H(q 1 , ) y H 1(q 1, ) deben ser asint
oticamente
etables, lo cual implica que |a| < 1 y |c| < 1
El predictor optimo resulta:
y(t|t 1, ) =
1 + aq
bq 1
1
u(t)
y(t) +
1
1
1 + cq
1 + cq
y(t|t 1, ) = c
y (t 1|t 2, ) + (c a)y(t 1) + bu(t 1)
Identificacion de Sistemas
Filtro de Kalman
P. 13
Discusi
on
La estructura del predictor optimo encontrada puede ser aplicado
a cualquier sistema lineal. La aplicaci
on directa requiere que las
condiciones sean satisfechas
Identificacion de Sistemas
Contenido
P. 14
Contenido
Predicci
on
Predictor optimo
Ejemplo
Filtro de Kalman
Concepto
Referencias
Identificaci
on mediante el Metodo de Error de Predicci
on
Concepto
Uso de matlab
Validacion
Concepto
Identificacion de Sistemas
Filtro de Kalman
P. 15
Filtro de Kalman
KALMAN, R. E., A new approach to linear filtering and
prediction problems, Transactions of the ASME, Journal of
basic Engineering, pp. 35-45, march, 1960.
El filtro de Kalman es un conjunto de ecuaciones matematicas
que proporcionan un calculo eficiente (recursivo) para la solucion
del metodo de mnimos cuadrados.
El filtro es muy poderoso en varios aspectos: puede estimar estados
pasados, presentes y futuros, esto a pesar de que la naturaleza
precisa del sistema modelado sea desconocida.
Identificacion de Sistemas
Filtro de Kalman
P. 16
Filtro de Kalman
P. 17
Soluci
on al problema de filtrado (predicci
on)
x
(k|k 1) = [F (k) K(k)H T (k)]
x(k|k 1) + K(k)z(k)
x
(0| 1) = x
0
K(k) = F (k)(k|k 1)H(k)[H T (k)(k|k 1)H(k) + R(k)]1
(k + 1|k) = F (k)[(k|k 1) (k|k 1)H(k)(H T (k)(k|k 1)H(k)
+R(k))1H T (k)(k|k 1)]F T (k) + G(k)Q(k)G(k)T
(0| 1) = P0
x
(k|k) = x
(k|k 1) + (k|k 1)H(k)(H T (k)(k|k 1)H(k)
+R(k))1(zk H T (k)
x(k|k 1)
(k|k) = (k|k 1) (k|k 1)Hk (H T (k)(k|k 1)H(k)
+R(k))1H T (k)(k|k 1)
Identificacion de Sistemas
Filtro de Kalman
P. 18
Derivaci
on de la soluci
on
Se requiere hacer algunas suposiciones tecnicas sobre las
caractersticas del ruido
Se obtiene la ecuacion del error.
Se calcula la ecuacion de la covarianza del error.
Se determinan las ecuaciones que debe de tener el filtro para
mnimizar la covarianza del error.
Se determinan las condiciones iniciales.
Ver, por ejemplo, el captulo 2 y 3 del libro
Brian D. O. Anderson and John Moore, Optimal Filtering,
Prentice Hall, 1999 (acceso libre en la pag. WEB del prof. Moore)
Identificacion de Sistemas
Filtro de Kalman
P. 19
Identificacion de Sistemas
Filtro de Kalman
P. 20
Identificacion de Sistemas
Contenido
P. 21
Contenido
Predicci
on
Predictor optimo
Ejemplo
Filtro de Kalman
Concepto
Referencias
Identificaci
on mediante el Metodo de Error de Predicci
on
Concepto
Uso de matlab
Validacion
Concepto
Identificacion de Sistemas
Contenido
P. 22
Lecturas recomendadas
Identificacion de Sistemas
Contenido
P. 23
Contenido
Predicci
on
Predictor optimo
Ejemplo
Filtro de Kalman
Concepto
Referencias
Identificaci
on mediante el Metodo de Error de Predicci
on
Concepto
Uso de matlab
Validacion
Concepto
Identificacion de Sistemas
Concepto
P. 24
Introducci
on
Concepto
P. 25
Introducci
on
Identificacion de Sistemas
metros
Ajuste de Para
P. 26
Ajuste de par
ametros
Una vez que la estructura as como el orden del modelo han
sido seleccionadas, el siguiente paso consiste en determinar
los parametros (coeficientes del modelo) que mejor ajustan la
respuesta obtenida para los datos de entrada disponibles. Hay dos
filosofas de ajuste deparametros conocidas:
M
etodo de error de predicci
on
M
etodo de variable instrumental (VI)
El primero sera discutido a continuacion.
Identificacion de Sistemas
metros
Ajuste de Para
P. 27
M
etodo de error de predicci
on
Fundamentos:
Se requiere un predictor de la salida y(t|t 1, ).
Definir una funcion de error de (predicci
on) estimacion dada
por = y(t) y(t|t 1, ).
Definir una funcion de costo V ().
Utilizar algun metodo para el calculo de parametros de tal
forma que se mnimize el valor de V (). La forma en la que se
define V () esta ligada al metodo para estimar los parametros.
Identificacion de Sistemas
metros
Ajuste de Para
P. 28
M
etodo de error de predicci
on
Concepto
ruido
+
u(t)
Proceso
y(t)
+
error
Predictor
Minimizacion
de error
Identificacion de Sistemas
metros
Ajuste de Para
P. 29
M
etodo de error de predicci
on
Mnimos cuadrados
Considerar la funcion del error de predicci
on (
o de estimacion)
dada por : (t, ) = y(t) y(t|t 1, )
Si se define una funcion de costo cuadratica, de la forma
N
1 X1
siguiente: VN () =
(n, )T (n, )
N n=1 2
El calculo de los parametros se realiza mediante la aplicaci
on
de m
cuadrados,
tal
y como previamente
se establecio:
hnimos
i
h
i
1 P
PN
N
T
=
(t) (t)
(t)y(t)
t=1
t=1
Identificacion de Sistemas
metros
Ajuste de Para
P. 30
M
etodo de error de predicci
on
M
axima verosimilitud
Considerar la funcion del error de predicci
on (
o de estimacion)
dada por : (t, ) = y(t) y(t|t 1, )
Define la funcion de costo de verosimilitud
de la forma siguiente:#
"
N
1
1X T
1
L() =
exp
(n,
)
()(n, )
N
N ny
2
(2) 2 [det()] 2
n=1
La funcion de verosimilitud corresponde a la funcion de densidad
de probabilidad de las observaciones condicionadas al vector de
parametros .
El vector de parametros se encuentra maximizando la funcion
L().
Identificacion de Sistemas
Contenido
P. 31
Contenido
Predicci
on
Predictor optimo
Ejemplo
Filtro de Kalman
Concepto
Referencias
Identificaci
on mediante el Metodo de Error de Predicci
on
Concepto
Uso de matlab
Validacion
Concepto
Identificacion de Sistemas
n
Proceso de Identificacio
P. 32
Utilizaci
on de MatLab en el proceso de identificaci
on
Adqusici
on y tratamiento de los datos.
Selecci
on del modelo
Ajuste de parametros
Validacion
Replantemiento del problema
Identificacion de Sistemas
n
Proceso de Identificacio
P. 33
Proceso de Identificaci
on
Tratamiento y adquisici
on de datos
Antes de utilizar los datos obtenidos debe de revisarse si se requiere
algun tipo de tratamiento previo:
Filtrado de ruidos
Eliminacion de componentes de variaci
on lenta
Eliminacion de puntos incoherentes.
Identificacion de Sistemas
n
Proceso de Identificacio
P. 34
Proceso de Identificaci
on
Tratamiento y adquisici
on de datos
Comandos del Toolbox de Identificaci
on de Matlab disponibles
para tratamiento de se
nales.
dtrend Eliminacion de niveles de continua en un grupo de datos
idfilt Filtrado de datos mediante filtros Butterworth
idinput Generacion de se
nales de entrada para identificacion
idresamp Cambio del periodo de muestreo (diezmado o
interpolacion de datos)
Identificacion de Sistemas
n
Proceso de Identificacio
P. 35
Proceso de Identificaci
on
Selecci
on del modelo
B(q 1)
C(q 1 )
u(t) +
e(t)
F (q 1)
D(q 1)
Identificacion de Sistemas
n
Proceso de Identificacio
P. 36
Proceso de Identificaci
on
Selecci
on del modelo
Los casos particulares corresponden a los modelos que ya se han
presentado:
ARX A(q 1)y(t) = B(q 1)u(t) + e(t)
ARMAX A(q 1)y(t) = B(q 1)u(t) + C(q 1 )e(t)
B(q 1)
u(t) + e(t)
OE, Output error y(t) =
F (q 1)
C(q 1)
B(q 1)
u(t) +
e(t)
BJ, Box Jenkins y(t) =
1
1
F (q )
D(q )
Identificacion de Sistemas
n
Proceso de Identificacio
P. 37
Proceso de Identificaci
on
Ajuste de parametros
Para el ajuste de parametros se tiene el siguiente formato general:
th=function([y,u],ths)
donde y y u son las mediciones entrada-salida, ths es un vector
que contiene informacion sobre la estructura escogida y th es el
modelo estimado en formato regresor.
ths = [na nb nc nd nf nk]
Identificacion de Sistemas
n
Proceso de Identificacio
P. 38
Proceso de Identificaci
on
Ajuste de parametros mediante error de predicci
on
ar Estimaci
on de un modelo AR usando LS
armax Estimaci
on de un modelo ARMAX usando LS
arx Estimaci
on de un modelo ARX usando LS
bj Estimaci
on de un modelo Box-Jenkins usando LS
oe Estimaci
on de un modelo Output-Error usando LS
pem Estimacion de un modelo lineal generico usando LS
Identificacion de Sistemas
n
Proceso de Identificacio
P. 39
Proceso de Identificaci
on
Validaci
on (seleccion de estructura optima)
arxstruc Calculo de fuciones de perdida de un conjunto de
estructuras ARX
ivstruc Calculo de fuciones de perdida de un conjunto de
estructuras OE
selstruc Selecci
on de estructura con menor funcion de perdidas
struc Generacion de un conjunto de estructuras.
Identificacion de Sistemas
n
Proceso de Identificacio
P. 40
Proceso de Identificaci
on
Validacion
compare Comparacion de la salida real con la simulada
idsim Simulaci
on de un modelo
pe Calculo de errores de predicci
on de un modelo
predict Predicci
on de salidas futuras de un modelo
resid Calculo de residuos de un modelo.
Identificacion de Sistemas
Contenido
P. 41
Contenido
Predicci
on
Predictor optimo
Ejemplo
Filtro de Kalman
Concepto
Referencias
Identificaci
on mediante el Metodo de Error de Predicci
on
Concepto
Uso de matlab
Validacion
Concepto
Identificacion de Sistemas
n
Validacio
P. 42
Validaci
on
La validacion es la manera que tenemos de verificar que los
resultados encontrados son satisfactorios. Basicamente podemos
hablar de la calidad del modelo encontrado en los siguientes
sentidos:
La respuesta del modelo se ajusta suficientemente bien a los
datos entrada-salida.
Comprobacion de parametros fsicos.
Comprobar la respuesta en frecuencia del modelo obtenido con
la que se puede calcular utilizando analisis espectral.
Analisis de residuos.
Identificacion de Sistemas
n
Validacio
P. 43
Validaci
on
Analisis de Residuos
Se denomina residuo a la cantidad obtenida de la diferencia entre
la salida medida y la estimada:
= y(t) ye(t, )
Idealmente los residuos deben de ser independientes de la entrada
u(t). Si no es as significa que hay componentes de u(t) que no
pueden ser descritas por el modelo (orden o estructura incorrectos).
La revision puede realizarse mediante un analisis de correlaci
on
entre el residuo y la entrada u(t):
Ru =
N
1 X
(t + )u(t)
N t=1
Identificacion de Sistemas
n
Validacio
P. 44
Validaci
on
Analisis de Residuos
El modelo sera mas exacto en cuanto los terminos de la correlaci
on
mas se acerquen a cero. Los siguientes aspectos deben de
observarse:
Si existe correlaci
on para valores negativos de , esto indica
que hay retroalimentacion de la salida hacia la entrada y no
que el modelo sea deficiente.
Si la correlaci
on se calculo utilizando los mismos datos utilizados
para obtener , la correlaci
on debe de ser cero.
Si Ru es considerablemente distinto de cero para un valor de
0, entonces el termino u(t 0) deberia ser incluido en el
modelo.
Identificacion de Sistemas
n
Siguiente Sesio
P. 45
Siguiente sesi
on
Ejemplo de aplicacion
Identificacion de Sistemas