Baixe o app para aproveitar ainda mais
Esta é uma pré-visualização de arquivo. Entre para ver o arquivo original
Engenharia da Computação Tópicos Especiais II Identificação de sistemas por equações a diferenças – Mínimos Quadrados (MQ) Prof. Jan Erik, Msc. – Natal, 2015.2 Introdução Métodos para estimação de parâmetros de modelos lineares discretos são apresentados. Ênfase é dada ao estimador dos mínimos quadrados (MQ) uma vez que é a base para o desenvolvimento de outros métodos de identificação. A qualidade da estimação é dependente da natureza do ruído, da estrutura do modelo, do tipo de aplicação e da “riqueza” da informação contida nas medidas. Ambas as implementações off-line e on-line do estimador são apresentadas e os aspectos computacionais são avaliados. Considerar a Priori que a ordem do modelo é conhecida. As amostras das medidas de entrada e saída estão disponíveis a cada período de amostragem no universo da experimentação. Formalismo histórico dos mínimos quadrados Karl Friedrich Gauss formulou o Principio dos Mínimos Quadrados ao final do século 18 para rever a trajetória de planetas e cometas a partir de observações realizadas. Gauss estabeleceu que os parâmetros desconhecidos de um modelo matemático deveriam ser selecionados de modo que: “O valor mais provável das grandezas desconhecidas é a que minimiza a soma dos quadrados da diferença entre os valores atualmente observados e os valores calculados multiplicados por números que medem o grau de precisão. Quanto mais precisa a medida maior a sua ponderação.” x yp yr Min Σ Estimador dos mínimos quadrados não-recursivo Vimos que: nan nb m zazaza zbzbzbb zU zY zG ... 1 ... )( )( )( 2 2 1 1 2 2 1 10 )()(...)2()1()(...)2()1()( 2121 kenbkubkubkubnakyakyakyaky nbna Cuja representação por equações a diferenças discreta (K) será: )()(...)2()1()(...)2()1()( 2121 kenbkubkubkubnakyakyakyaky nbna )( ... )( ... 1 221102211 zUzbzbzbbzYzazaza nbmnan na e nb determinam a ordem do modelo. 𝑎𝑖 e 𝑏𝑗 são os parâmetros a ser determinado e serão usados as medidas de entradas (u[k]´s) e saídas (y[k]´s). O termo e(k) pode representar o erro de modelagem, o erro de medição ou o ruído na saída do processo. Estimador dos mínimos quadrados não-recursivo Pode-se separar os parâmetros (𝑎𝑖 e 𝑏𝑗 ) do sistemas do seus regressores (amostras). Supondo que foram feitas N medidas de entrada e saída: )N(u),....,1(u),0(u )N(y),....,1(y),0(y nb na b b b a a a 1 0 2 1 )N(y )2(y )1(y Y )()1()()1( )2()1()2()1( )1()0()1()0( nbNuNunaNyNy nbuunayy nbuunayy X )N(e )2(e )1(e e )()()()( tettxty T Tem-se: Modelo de regressão Linear Modelo ARX eXY Representação Matricial Estimador dos mínimos quadrados não-recursivo Por exemplo: )()1()1()( kekbukayky )N(e )2(e )1(e b a )1N(u)1N(y )1(u)1(y )0(u)0(y )N(y )2(y )1(y eXY Vetor de medidas / Matriz de observação Ruído, erro de medição,...Vetor de saídas Vetor de parâmetros Estimador dos mínimos quadrados não-recursivo Se X for não-singular, é possível determinar o vetor de parâmetros (𝜽 ) invertendo tal matriz, ou seja,: 𝜽 = 𝑿−𝟏𝒚 Como a matriz X não é quadrada, ela não pode ser invertida. Entretanto, pré- multiplicando a equação 𝒚 = 𝑿𝜽 por 𝑿𝑻 em ambos os lados tem-se: 𝑿𝑻𝒚 = 𝑿𝑻𝑿𝜽 Agora como 𝑿𝑻𝑿 pode ser invertido, podemos isolar a matriz de parâmetros: 𝜽 = [𝑿𝑻𝑿]−𝟏𝑿𝑻𝒚 Estimador dos mínimos quadrados não-recursivo Problema a ser resolvido: Dados Y e X, obter θ Solução: utilizar método dos mínimos quadrados. Escolher θ que minimize a função erro J: N 1k T2 ee)k(eJ XYXYJ T Mínimo quando: 0 J ˆ 0XXYXXYYY TTTTTT 0ˆXX2YX2 TT 𝜽 = [𝑿𝑻𝑿]−𝟏𝑿𝑻𝒚 Estimador dos mínimos quadrados Estimador dos mínimos quadrados não-recursivo )1()1(8.0)( kukyky Suponha y(0)=0 e que foi aplicada a seguinte entrada: u(0)=1 e u(1)=-1 Logo: y(1)= -0.8y(0)+u(0)= 1 y(2)= -0.8y(1)+u(1)= -1.8 8.1 1 Y 11 10 X 21 11 11 10 11 10 XXT 11 12 XX 1T 0.1 8.0 8.1 1 11 10 11 12 b aˆ Dado o sistema: Estimador dos mínimos quadrados não-recursivo Observações sobre MQ: A solução existe se (XTX)-1, a chamada pseudo-inversa, for não-singular; A sequência escolhida de entradas {u(k)} deve garantir a existência da não-singularidade; Se não houver a presença de incertezas (ruídos) podemos achar em N=na+nb passos; A matriz X cresce a medida que N cresce; O estimador é não-polarizado (os parâmetros estimados convergem para os parâmetros verdadeiros quando o número de iterações aumenta) se a perturbação é um ruído branco (média nula e variância 1) e y(t), u(t) são estatisticamente independentes de e(t). Estimador dos mínimos quadrados não-recursivo N=30; n=2; %na=nb=2 y=zeros(1,N); u = idinput(N,'prbs',[0,0.1])'; %Entrada randomica a1=-0.7889; a2=0.01832; b0=0.4443; b1=0.1292; X=[]; Y=[]; for k=n+1:N y(k)= -a1*y(k-1)-a2*y(k-2)+b0*u(k-1)+b1*u(k-2); %equação a diferenças. X=[X; -y(k-1) -y(k-2) u(k-1) u(k-2)]; %montar a matriz de regressores. Modelo ARX Y=[Y;y(k)]; %Montar o vetor de saída end Theta = (X'*X)^-1*X'*Y plot(y);grid;
Compartilhar