Baixe o app para aproveitar ainda mais
Prévia do material em texto
Tarefa assíncrona 1) Estudar os slides 2 a 6 2) Fazer para entregar os exercícios propostos nos slides 7 e 8, com relatório com os gráfico obtidos e anexar os programas desenvolvidos no Octave. Parâmetros variantes no tempo Vamos considerar agora dois casos em que os parâmetros 𝜃𝑖 0 são variantes no tempo: caso 1: os parâmetros mudam abruptamente mas infrequentemente; A matriz P no algoritmo dos mínimos quadrados é então periodicamente inicializada para αI, onde α é um número grande. Isto implica que o ganho K(t) no estimador torna-se grande e a estimativa pode ser atualizada com um passo maior. Uma versão mais sofisticada é executar n estimadores em paralelo, os quais são inicializados sequencialmente. A estimativa é então escolhida usando alguma decisão lógica. caso 2: os parâmetros mudam lentamente, mas de forma contínua. O caso de parâmetros que variam lentamente pode ser tratado com modelos matemáticos relativamente simples. Um método pragmático é substituir o critério dos mínimos quadrados por 𝑉 መ𝜃, 𝑡 = 1 2 σ𝑖=1 𝑡 𝜆𝑡−𝑖 𝑦 𝑖 − 𝜑𝑇(𝑖) መ𝜃 2 onde λ é um parâmetro tal que 0< λ ≤1. O parâmetro λ é chamado de fator de esquecimento ou fator de descontinuidade. Esta função V implica que um peso variante no tempo para os dados é introduzido. Aos dados mais recentes é dado um peso “um”, mas os dados que são n-vezes “velhos” têm peso 𝜆𝑛. Teorema - Mínimos quadrados recursivos com fator de esquecimento Assumindo que a matriz Φ(t) tem posto completo para 𝑡 ≥ 𝑡0. O parâmetro መ𝜃 que minimiza a função 𝑉 መ𝜃, 𝑡 = 1 2 σ𝑖=1 𝑡 𝜆𝑡−𝑖 𝑦 𝑖 − 𝜑𝑇(𝑖) መ𝜃 2 é dado recursivamente por መ𝜃 𝑡 = መ𝜃 𝑡 − 1 + 𝐾 𝑡 𝑦 𝑡 − φ𝑇 𝑡 መ𝜃 𝑡 − 1 𝐾 𝑡 = 𝑃 𝑡 φ 𝑡 = 𝑃 𝑡 − 1 φ 𝑡 𝜆 + φ𝑇(𝑡)𝑃 𝑡 − 1 φ 𝑡 −1 𝑃(𝑡) = 𝐼 − 𝐾 𝑡 φ𝑇 𝑡 𝑃(𝑡 − 1)/𝜆 Estimação de parâmetros em sistemas dinâmicos a) Resposta finita ao impulso Por exemplo, um filtro FIR ou de resposta ao impulso finita, é um tipo de filtro digital caracterizado por uma resposta ao impulso que se torna nula após um tempo finito. O modelo pode ser descrito pela equação: 𝑦 𝑡 = 𝑏1𝑢 𝑡 − 1 + 𝑏2𝑢 𝑡 − 2 +⋯+𝑏𝑛 𝑢 𝑡 − 𝑛 𝑦 𝑡 = φ𝑇(𝑡 − 1)𝜃 onde 𝜃 = 𝑏1 ⋮ 𝑏𝑛 e φ(t − 1) = 𝑢 𝑡 − 1 ⋮ 𝑢 𝑡 − 𝑛 . Note que a formulação dos mínimos quadrados pode ser aplicada ao modelo apresentado. https://pt.wikipedia.org/wiki/Resposta_ao_impulso https://pt.wikipedia.org/wiki/Filtro_digital b) Modelos de função de transferência O método dos mínimos quadrados pode ser usado para identificar parâmetros em sistemas dinâmicos. Seja o sistema descrito pelo modelo 𝐴 𝑧 𝑦 𝑡 = 𝐵 𝑧 𝑢(𝑡) onde 𝐴 𝑧 = 𝑧𝑛 + 𝑎1𝑧 𝑛−1 +⋯+ 𝑎𝑛 e 𝐵 𝑧 = 𝑏1𝑧 𝑚−1 + 𝑏2𝑧 𝑚−2 +⋯+ 𝑏𝑚. Esta equação pode ser escrita como a equação a diferenças: 𝑦 𝑡 + 𝑎1𝑦 𝑡 − 1 +⋯+ 𝑎𝑛𝑦 𝑡 − 𝑛 = 𝑏1𝑢 𝑡 + 𝑚 − 𝑛 − 1 +⋯+ 𝑏𝑚𝑢 𝑡 − 𝑛 Isolando-se y(t), tem-se: 𝑦 𝑡 = −𝑎1𝑦 𝑡 − 1 −⋯− 𝑎𝑛𝑦 𝑡 − 𝑛 + 𝑏1𝑢 𝑡 + 𝑚 − 𝑛 − 1 +⋯+ 𝑏𝑚𝑢 𝑡 − 𝑛 Defindo-se o vetor de parâmetros e o vetor regressor como 𝜃 = 𝑎1 ⋮ 𝑎𝑛 𝑏1 ⋮ 𝑏𝑚 e φ(t − 1) = −𝑦 𝑡 − 1 ⋮ −𝑦(𝑡 − 𝑛) 𝑢 𝑡 + 𝑚 − 𝑛 − 1 ⋮ 𝑢 𝑡 − 𝑛 tem-se 𝑦 𝑡 = φ𝑇(𝑡 − 1)𝜃. Note que o sinal de saída aparece atrasado no vetor de regressão. O modelo é portanto chamado um modelo autoregressivo. O caminho no qual os elementos são ordenados no vetor 𝜃 é arbitrário desde que φ(t − 1) seja ordenado de acordo com 𝜃. Exercícios: • 1) Utilizar esses dados para testar o algoritmo com fator de esquecimento. Variar o valor de lambda e observar os resultados • t=(0:0.01:2)’; • u1=sin(t); u2=cos(2*t); u3=3*sin(5*t); • a=2+.1*exp(t); • lamb=0.95; • Y=3*u1+a.*u2+6*u3; • P=10000*eye(3,3); • theta=[0;1;3]; (estimativa inicial para theta) 2) Dado o arquivo com u, t e y para um sistema FIR dado por: y[k]=b1*u[i-1]+b2*u[k-2]+b3*u[k-3] - Fazer o programa no Octave para estimar b1, b2 e b3; - Plotar as curvas dos parâmetros estimados em função do tempo. 3) Dado o arquivo com u, t e y para um sistema dado pela função de transferência abaixo: 𝑌(𝑧)/𝑈(𝑧)=(𝑏1𝑧+𝑏2)/(𝑧 2+𝑎1𝑧+𝑎2) - Fazer o programa no Octave para estimar b1, b2, a1 e a2; - Plotar as curvas dos parâmetros estimados em função do tempo.
Compartilhar