Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Estimaciondeparametrosenmodelosarmaporelcriteriode 4830013 PDF
Estimaciondeparametrosenmodelosarmaporelcriteriode 4830013 PDF
lineal de salidas pasadas y(t-j) y de las entradas pasadas del contenido de frecuencias de la señal de entrada. Hay
u(t-j-d) , donde d es el retardo. muchas posibilidades de combinar condiciones
experimentales, clases de modelos y criterios. También
Tomando la función de transferencia en tiempo discreto hay muchas formas distintas de organizar los cálculos.
Por consiguiente, hay disponibilidad de un gran número
Y ( z) b 0 + b 1 z −1 + " + b k z − k de métodos de identificación.
G( z) = =
U ( z) 1+ a1 z − 1 +"+ a k z − k 2.3 Criterios
2.2 Métodos de Estimación de Parámetros El método de mínimos cuadrados se puede emplear para
identificar parámetros en sistemas dinámicos [29].
Resolver el problema de estimación de parámetros En el problema general de mínimos cuadrados se propone
requiere lo siguiente: que “la variable calculada” ŷ , en la terminología de
Gauss, viene dada por el modelo que se presenta en la
Datos de entrada-salida del proceso. siguiente ecuación:
Una clase de modelos.
Un criterio. yˆ = θ 1ϕ 1( x ) + θ 2ϕ 2( x ) + " + θnϕn ( x )
La estimación de parámetros se puede formular como un Donde ϕ1, ϕ2, ..., ϕn son funciones conocidas y θ1, θ2, ...,
problema de optimización, en el que el mejor modelo es θn son parámetros desconocidos. Mediante un
aquel que mejor se ajusta a los datos de acuerdo con un experimento se obtienen pares de observaciones {(xi,yi), i
criterio dado. = 1, 2, ..., N}. El problema es determinar los parámetros
de tal forma que las variables ŷi calculadas mediante el
El resultado de un problema de estimación depende,
naturalmente, de como se formule el problema. Por modelo identificado por la ecuación (3.5) y los valores
ejemplo, el modelo obtenido depende de la amplitud y
Scientia et Technica Año XII, No 31, Agosto de 2006. U.T.P 135
⎡ a1 ⎤ ⎡ −2, 9497 ⎤
⎢a ⎥ ⎢
⎢ 2 ⎥ ⎢ 2, 9043 ⎥⎥
⎢a ⎥ −0, 9594
θ = ⎢ 3⎥ = ⎢ ⎥ En las gráficas anteriores se observa que la convergencia
b0 ⎢ 2, 9274e − 5⎥
⎢ ⎥ ⎢ de parámetros se obtiene en aproximadamente 10
⎢ b1 ⎥ ⎢ 1,157e − 4 ⎥⎥ iteraciones, lo cual demuestra la predicción.
⎢ b ⎥ ⎣ 2, 8599e − 5⎦
⎣ 2⎦ Para observar el comportamiento del sistema real y el
estimado se tiene la siguiente gráfica:
Otra gráfica que muestra la efectividad del método es la [8]Ogata, Katsuhiko. “Discrete-Time Control System”.
de error. Prentice Hall 1987
6. CONCLUSIÓN
7. BIBLIOGRAFÍA