Identificación

Paramétrica
Grupo 2:

Daniela Álvarez

Carlos Lucio

Gustavo Pazmiño

Santiago Reinoso
Definición:
• Se denomina identificación de sistema a la obtención de información relevante a partir
de un conjunto de datos observados.
• Esta basada en los métodos de minimización de error de predicción

Diagrama de bloques de un sistema de identificación paramétrica

 Modelos Paramétricos
Modelo Autorregresivo
AR
Se utilizan para realizar
pronósticos sobre variables ex-
post en determinados
momentos del tiempo
normalmente ordenados
cronológicamente
Es decir, la variable
dependiente y la variable
explicativa son la misma con
la diferencia que la variable
dependiente estará en un
momento del tiempo posterior
al de la variable independiente
Modelo de Media
Móvil
MA
Es un enfoque común para
modelar series
de tiempo univariadas
Es esencialmente un filtro
de respuesta de impulso
finito aplicado al ruido blanco,
con alguna interpretación
adicional
Modelo Autorregresivo
Modelo Autorregresivo
de Media Móvil con
de Media Móvil
una entrada Exógena
ARMA
ARMAX
El modelo está formado por Es esencialmente un modelo
dos partes, una parte de regresión lineal que utiliza
autorregresiva (AR) y otra de un modelo de tipo ARMA para
media móvil (MA) los residuos.
Es un modelo autorregresivo
estacionario donde las Las series de tiempo de
variables independientes entrada y las variables
siguen tendencias estocásticas exógenas deben ser todas
y el término de error es estacionarias o cointegradas.
estacionario.
Modelos Paramétricos
Método del Gradiente
• Se usa para sistemas multivariables
• Muy usado en los campos de Machine Learning
• Se tienen elementos desconocidos, los cuales se pueden representar por una matriz A,
los valores de esta matriz aparecen en las ecuaciones dinámicas del sistema que se
requiere identificar.
Método del Gradiente
• Se busca obtener el modelo estimado más parecido al modelo real, para lo cual se
analiza las pendientes de la función de coste, buscando el punto más profundo de la
función..
• X y Z son los parámetros del modelo y Y representa el error del mismo.

Donde:
Es el gradiente o la dirección de la
pendiente
Ratio de Aprendizaje, define cuanto
afecta el gradiente a los parámetros en
cada iteración (Muy pequeño muchas
iteraciones, muy grande nunca llega al
punto)
Método de Mínimos Cuadrados
• Consiste en obtener un modelo discreto.
• Cuya estructura o forma esperada este compuesta de parámetros desconocidos.

Aplicaciones en las que se puede utilizar este tipo de estimación

• Cambiar estimado, conforme se van obteniendo más datos:
Detener el experimento cuando la información (varianza parámetros estimados, ajuste) sea suficiente.
Control adaptativo (para detectar una masa colgada, usar ganancias diferentes según esa masa).
Monitorización y detección de fallas (cuando determinado el coeficiente de fricción estimado supere un
limite, activar un aviso).
Mínimos Cuadrados Recursivos
Se tiene una función de costo de la forma

Donde:
• es la condición inicial de la matriz de covarianza
• es el vector de parámetros estimados
• representa el valor inicial del vector de parámetros estimados.
• La suma de los cuadrados de los errores
 Mínimos Cuadrados Recursivos
Derivando la ecuación con respecto a y utilizando el primer criterio de la derivada se obtiene.

Se puede despejar el vector de parámetros estimados

A esta ecuación se la conoce como el algoritmo de identificación por niños cuadrados estándar.

Para analizar el algoritmo supongamos que las condiciones iniciales son nulas por lo tanto>
 Mínimos Cuadrados Recursivos
Derivando la ecuación con respecto a y utilizando el primer criterio de la derivada se obtiene.

Se puede despejar el vector de parámetros estimados

A esta ecuación se la conoce como el algoritmo de identificación por niños cuadrados estándar.

Para analizar el algoritmo supongamos que las condiciones iniciales son nulas por lo tanto>
 Mínimos Cuadrados Recursivos
Deduccion del metodo recursivo

La ecuación

Y utilizando las ecuaciones se puede escribir como

 Mínimos Cuadrados Recursivos
Lema de inversion de matrices:

Considerando , , y aplicando temenos

De forma similar se puede utilizar la derivada de la funcion costo

Señales para Identificación
Para el diseño de las entradas deben considerarse algunos hechos

• las propiedades asintóticas de las estimas (desvió y varianza) dependen del

espectro de la entrada y no de la forma de onda de la misma.

• Usualmente hay restricciones en la amplitud que puede tomar la entrada

𝑢𝑚𝑖𝑛 ≤ 𝑢 ( 𝑛 ) ≤ 𝑢 𝑚𝑎𝑥

• Las entradas periódicas pueden tener ciertas ventajas

Factor Cresta
La matriz de covarianza de la estima es inversamente proporcional al espectro de
densidad de energía de la señal de entrada, por lo que para tener una covarianza
pequeña se debería tener una entrada con una densidad de energía lo más alta posible

Una buena forma de onda sería entonces una

que tenga un factor de cresta bajo.
Claramente, la cota inferior te cota inferior
teórica es 1 rica es 1, que se logra para
señales binarias simétricas

𝑢 ( 𝑛 )=±𝑢 𝑚𝑎𝑥
Ruido Blanco Gaussiano Filtrado (de
Banda Limitada) BLWN
Eligiendo apropiadamente el filtro (lineal) puede lograrse una señal con espectro arbitrario (que no
tenga bandas de paso demasiado estrechas). Como la señal aleatoria Gaussiana es en teoría no
acotada, debe saturarse a una cierta amplitud. Eligiendo esa amplitud de saturación igual a 3 desvios
estándar, resulta un factor de cresta igual a 3, y sólo un 1 % en promedio de las muestras es afectado,
lo que resulta en una distorsión baja del espectro.
 Señales Pseudo Aleatorias Binarias (PRBS)
𝑢 ( 𝑛 )=𝑟𝑒𝑚 (𝑎 1 𝑢 ( 𝑛 −1 ) +…+ 𝑎𝑘 𝑢 ( 𝑛− 𝑘 ) , 2)
Son señales que asumen sólo dos valores. Una señal
PRBS es una señal periódica, determinística que
tiene propiedades similares al ruido blanco. Puede
generarse a partir de la ecuación en diferencias
Suma de senoides (Multi-sines)
Estas señales tienen la ventaja de que se puede localizar la energía del espectro muy precisamente en
las frecuencias deseadas

El problema que presentan es el factor de cresta, que resulta de un valor hasta (si todos los son iguales).
Una manera de controlar el factor de cresta es elegir las fases de manera que los cosenos estén lo más
fuera de fase posible
Una solución a esto es la denominada fase de Schroeder, que distribuye la fase según
Señales Chirp
Es una senoide con una frecuencia que cambia en forma continua en una cierta banda de
frecuencias en un intervalo de tiempo

𝑢 ( 𝑡 )= 𝐴 cos 𝜔 1 𝑡 + ( ( 𝜔2 −𝜔 1 ) 𝑡 2
2𝑇 )
La frecuencia instantánea de la señal se obtiene derivando respecto al tiempo al argumento del
coseno, y resulta
Ejemplo
x = chirp(T,F0,T1,F1)

• T: vector con los instantes de tiempo en que se muestrea la señal chirp

• F0:frecuencia instantánea en Hz en el tiempo 0
• F1:frecuencia instantánea en Hz en el tiempo T1
 x = chirp(t,F0,T1,F1);

x = chirp(t,F0,T1,F1,'quadratic');

x = chirp(t,F0,T1,F1,'quadratic',[],'convex');