Escolar Documentos
Profissional Documentos
Cultura Documentos
Contedo da Aula
4.2
Mtodos dos Mnimos Quadrados .......................................................................................................... 2
Melhor preditor no sentido dos mnimos quadrados....................................................................................... 2
4.2 Mtodos recursivos ....................................................................................................................................... 4
Incluindo ponderao na funo custo: Fator de Esquecimento ..................................................................... 5
Mtodo de Pseudo Regresso Linear (PRL) ................................................................................................... 7
1. Introduo
Denomina-se modelo a descrio de um sistema o qual permite predizer seu comportamento quando submetido a
certas classes de entradas. Modelos podem ser divididos em internos e externos. Modelos internos descrevem a
estrutura completa de um sistema, podendo incluir partes no observveis e/ou no controlveis, enquanto que os
modelos externos descrevem somente o comportamento entrada/sada de um sistema. Os modelos podem ser obtidos
de duas formas: na primeira, pela anlise dos componentes do sistema utilizando leis fsicas, na segunda, pela
abordagem de uma "caixa preta" onde o contedo da caixa modelado a partir de dados experimentais. Na primeira,
as leis envolvidas so aquelas da mecnica Newtoniana, eletromagnetismo, termodinmica, etc. Os modelos obtidos
desta forma so geralmente internos, onde considera-se os estados de vrios componentes do sistema,
independentemente destes estados serem observveis. Um modelo externo pode ser freqentemente derivado a partir
de um modelo interno dado. Por outro lado, um modelo obtido pela abordagem de caixa preta necessariamente
externo desde que nenhuma outra informao exceto o comportamento entrada/sada disponvel.
Referncias utilizadas:
Lewis, F. L. (1992). Applied Optimal Control and Estimation, Prentice-Hall.
Davis, M. H. A. and Vinter, R. B. (1985). Stochastic modelling and control, Chapman and Hall, London.
Soderstrom, T and Stoica P. (1989). System Identification, Prentice Hall, UK.
Aguirre, L. A. (2004). Introduo Identificao de Sistemas: Tcnicas Lineares e No-Lineares Aplicadas a
Sistemas Reais, Editora UFMG, Belo Horizonte.
1
2. Modelos Estocsticos
Definio 1: Um sistema determinstico quando suas entradas junto com certas condies iniciais e o tempo t
especificam unicamente a sada. De outra maneira estocstico.
Explica-se a resposta no nica de um sistema supondo que este apresente uma entrada aleatria; rudo, alm das
possveis entradas de controle. Assim, denotando entrada, sada e rudo por u, y, w respectivamente, ilustrado abaixo
uma representao entrada/sada de um sistema.
y
Sistema
w
u
Sistem a
R u d o
b ra n c o
S istem a
Gr
w
y
u
S istem a
Gu
x(t ) :
(t ) := E{x(t )}
(t )
Densidade espectral:
O espectro de potncia ou a densidade de espectral denotada
Fourier da sua autocorrelao:
( w) = R ( )e jw d .
x[n] :
[n] = E{x[n]}
[ n]
= E{x[n]2 }
Se
Densidade espectral:
( w) =
R[m]e
jmw
m =
Matriz de covarincia:
Seja X = X 1
ij = E[( xi i )( x j j ) com i = E[ xi ] .
Assim,
M
M
M
M
qy k = y k+1
-1
q y k = y k -1
-i
q y k = y k -i
para k > 0
(1)
Uma equao a diferena estocstica onde a seqncia de sada {yk} relacionada seqncia de entrada {ek} dada
por
(2)
4
onde A0,,..., Ana so matrizes r x r e C0,,..., Cnc so matrizes r x m. Considera-se que A0 no singular e igual matriz
identidade, {ek} uma seqncia de rudo branco com varincia 2.
(3)
A equao a diferena acima pode ser expressa em termos do operador de deslocamento como
A(q-1) y k = B (q-1)ek
(4)
T (q 1 ) :=
C ( q 1 )
A(q 1 )
y k = T ( q 1 ) e k
(5)
y k = Ti ek i
(6)
i =0
Pode-se mostrar que a funo covarincia R (l) e funo densidade espectral (w) de yk so dadas por
T j +1WT jT
j
=0
R ( l) =
T jWT jT1
j =0
l0
(7)
l<0
( w) = [ A 1 (e jw )C (e jw )]W [ A 1 (e jw )C (e jw )]*
(8)
onde W = Cov(e).
Modelos MA, AR, ARMA e ARMAX
Considere novamente a equao a diferena:
A(q-1) y k = C (q-1)ek onde yk a resposta do sistema; {ek} uma seqncia de rudo branco, k um inteiro no negativo que
denota o instante de amostragem, k=0,1,2,...,
Um caso especial ocorre quando a1,...,ana tomam o valor zero. O modelo fica, ento, reduzido forma
(9)
Modelos da forma acima so chamados modelos de mdia mvel (MA: Moving Average), desde que a varivel de
sada expressa como uma mdia ponderada de valores presentes e passados do rudo branco.
A situao quando c0,...,cnc tomam o valor zero outro importante caso especial. Neste caso tem-se
(10)
onde { e~k } o processo {c0ek}. Modelos deste tipo so chamados autoregressivos (AR: AutoRegressive), desde que
a equao para o valor atual do processo {yk} compreende uma combinao linear dos valores passados do mesmo
processo.
O modelo que contm termos de mdia mvel e autoregressivos, denominado modelo autoregressivo de mdia
mvel (ARMA: AutoRegressive Moving Average).
Uma generalizao natural do modelo ARMA para incluir entradas determinsticas ao sistema obtida
acrescentando-se uma mdia mvel dessas entradas. Isto leva ao modelo denominado autoregressivo com mdia
mvel e entrada auxiliar (ARMAX: AutoRegressive Moving Average with auXiliary input):
y k + a1 y k -1 + ... + a na y k -na = b0 u k - d + b1u k -d -1 + ... + bnb u k -d - nb +ek + c1ek -1 + ... + c nc ek -nc onde d o
tempo de atraso. Os parmetros do modelo, ai, bi e ci podem ser desconhecidos. Introduzindo agora o operador de
deslocamento de atraso q-1, obtemos o modelo ARMAX:
(11)
A(q -1) y k = B(q -1)u k-d + C (q -1)e k
Embora o modelo seja invariante no tempo, em controle adaptativo assume-se que os coeficientes do modelo sejam
variantes no tempo e estimados em tempo real. Cinco parmetros do modelo da equao (2.13) devem ser
especificados a priori: as ordens na, nb e nc do modelo, o tempo de atraso d e o perodo de amostragem k. Os
modelos lineares em tempo discreto so preferidos para o controle adaptativo porque levam a algoritmos fceis de
implementar em um microprocessador.
2.2 Estacionaridade dos modelos estocsticos
Modelos AR, MA, ARMA, ARMAX
Estacionariedade: Um processo estocstico estacionrio se este se desenvolve aleatoriamente no tempo de
modo que a origem no importante.
i) E[ x(n)] = m(n) = m
ii) Var ( x) = V (n) = V
iii) Cov( x) = C xx (n, n + k ) depende s de k.
Teorema: Todo processo estritamente estacionrio estacionrio no sentido amplo, mas a recproca nem
sempre verdadeira.
Observao: Se o processo for gaussiano, estacionariedade (no sentido amplo) implica estacionariedade estrita.
xk = s k + y k
onde
yk = ek + b1ek 1 + b2 ek 2 + K
Tem-se que
y k = ek + b1ek 1 + b2 ek 2 + K
= ek + b1q 1ek + b2 q 2 ek + K
Assim,
E[ek ] = 0 .
Teorema : O processo
Analisa-se
B(q ) B(q ) j =1 b j q
B(q ) = j =1 b j q j
srie
< se q
uma
vez
que
b0 = 1 .
Assim,
< 1.
A seqncia b1 , b2 , K formada pelos coeficientes, pode teoricamente ser finita ou infinita. Se a seqncia
infinita e convergente, ou seja,
j =1 B(q ) < .
Propriedades estatsticas do processo
{ yk }
yt = 1 + j =0 b j q j ek
Mdia
= E[ y k ] = 0
Mdia
= E[ yk ] =
Varincia = V ( y k ) = E y k E y k
Covarincia ( y k ) : cov y k y k + j = e
j =0
bk bk + j
Para sries finitas tm-se os modelos finitos conhecidos como modelos Box- Jenkins (Box and Jenkins; Times
series analysis: forecasting and control. Prentice Hall), que visto adiante.
AR (na): autoregressivo de ordem na
y k = a1 y k 1 + a2 y k 2 + K + ana y k na + ek
= a1 y kt q1 + a2 y k q2 + K + ana y k qna + ek
7
Assim,
com
estacionrio se e somente se
A(q ) y k = C (q )u k d + ek ,
em que
uk d uma entrada auxiliar com k perodo de amostragem e d o tempo de atraso, pode ser verificada de
yk = b1ek 1 + b2 ek 2 + K + bnb ek nb + ek
= b1ek q1 + b2 ek q2 + K + bnb ek qnb + ek
Assim tem-se
r = 1 / b1 .
r < 1 tem-se que 1 / b1 1 . Assim, b1 1 . Para q 1 , tem-se que B (q ) finito para todo b1 1 . Se
A(q ) yk = C (q )ek
Estacionariedade do modelo ARMA(na, nb)
O modelo ARMA (na, nb) estacionrio se a parte AR(na) estacionria.
Observao: A estacionariedade do modelo ARMAX (na,nc) dado por
x k +1 = Ax k + Bu k + Ce k
y k = Hx k + Ge k
(12)
(13)
HPk H T + GG T , j = 0
Cov { y k y k j } =
j
T
j 1
T
HA Pk j H + HA CG , j = 1, 2,..., k
(14)
onde
Em adio, se
(15)
3. Representao de Inovaes
Seja {yk} gerado pelo modelo ARMAX
yk + a1 yk 1 + ... + ana y k -na = b1u k -1 + b2u k -d -1 + ... + bnb u k -d -nb +ek + c1ek -1 + ... + cnc ek -nc
(16)
A expectncia condicional de y(k) dada em termos de y0, yk-1, ... dada por
y k k 1 = a1 y k -1 ... ana y k -na + b1 u k -d + b2u k -d 1 + ... + bnb u k -d -nb +c1ek -1 + ... + cnc ek -nc
(17)
Segue que
e k = yk y k k 1 : processo de inovaes associado a {yk}.
Se G for inversvel, o sistema espao de estado
x k +1 = Ax k + Bu k + Ce k
y k = Hx k + Ge k
(18)
4. Modelos Preditivos
Os modelos preditivos so adequados formulao de procedimentos de estimao paramtrica e anlise de
convergncia.
yk = f k ( ; y k 1 , u k 1 ) + ek
(20)
9
onde
Denotando E{ y k } = y k ( ) :
y k ( ) = f k ( ; y k 1 , u k 1 )
onde
k ( ) = y k y k ( )
(21)
N = Arg min f ( k ( )) .
D
(22)
k =1
A(q 1 ) y k = B (q 1 )u k d + ek ,k = 1,..., N
com condies iniciais
Seja
(23)
Podemos escrever y = X + e
y0
y
1
onde X =
M
y N 1
L . y na +1 u 0
L y na + 2 u1
L
M
M
L
y N na u N 1
L .u nb+1
L u nb
, y = [ y1 ,..., y N ]T ; e = [e1 ,..., e N ]T
L
M
L u N nb
1
( y X ) T Q ( y X )
2
(24)
1 T
y QX ( X T QX ) 1 X T Qy , considerando X T QX definida positiva,
2
e, agrupando os termos em
pode-se escrever
1
1
f ( ) = ( ( X T QX ) 1 X T Qy)T X T QX ( ( X T QX ) 1 X T Qy) + [( y T Qy) y T QX ( X T QX ) 1 X T Qy)
2
2
(25)
Assim, usando o fato de que para X T QX , o gradiente
[grad f ]T := f
1
= 2 X T QX ( ( X T QX ) 1 X T Qy) , ou seja,
2
f
= ( X T QX X T Qy ) T
(26)
implicando
= ( X T QX ) 1 X T Qy .
(27)
Proposio:
Seja Q = Q T uma matriz no negativa definida. Suponha um estimador de * existe. um estimador dos
mnimos quadrados se e s se
X T QX = X T Qy
(28)
Verificao
Suficincia. Para qualquer e tem-se
1
1
f ( ) f () = y T QX ( ) + T X T QX T X T QX
2
2
1 T T
X QX obtm-se
Somando e subtraindo
2
1
1
1
1
f ( ) f () = y T QX ( ) + T X T QX T X T QX + T X T QX T X T QX
2
2
2
2
3
1
= ( ) T [ X T Qy + X T QX] + ( ) T X T QX ( )
2
T
A ltima passagem foi possvel uma vez que y QX ( ) um escalar. Suponha satisfaz
A(q 1 ) y k = B (q 1 )u k d + ek , k = 0,1,...
Condies iniciais: y k = 0, u k = 0, k< 0,
(29)
B = [b1.. ...bm ] , d = 1
f N ( ) =
1 N 2
k ( )
N k =1
(30)
N = ( X NT X N ) 1 X NT YN
(31)
T
X N = col IT ... NT , Y N = [ y1 L y N ]
k = [ y k 1 y k 2 L y k n u k 1 u k 2 K u k m ]T
Em N + 1 conhece-se y N +1 , uN e daqui N +1 e tem-se
N +1 = ( X NT +1 X N +1 ) 1 X NT +1YN +1
(32)
inverso
matriz
de
( A + bc T ) 1 = A 1 (1 + c T A 1b ) 1 A 1bc T A 1
definindo
A = X NT +1 X N +1 ,
b = c = N +1 tem-se
PN +1 = ( X N +1 X NT =1 ) 1 = ( X NT X N + N +1 NT +1 ) 1 = [ I (1 + TN +1 PN N +1 ) 1 PN N +1 TN +1 ]PN .
E pode-se deduzir que
N +1 = ( X NT +1 X N +1 ) 1 X NT +1YN +1
= PN +1 X NT +1YN +1 = PN +1 ( X NT y N + N +1 y N +1 )
= [ I (1 + NT +1 PN N +1 ) 1 PN N +1 NT +1 ]PN ( X NT YN + N +1 y N +1 )
= PN X NT YN + (1 + NT +1 PN N +1 ) 1 [ PN N +1 y N +1 PN N +1 NT +1 PN X N YN ]
= PN X NT YN + (1 + NT +1 PN N +1 ) 1 PN N +1 [ y N +1 NT +1 PN X N YN ]
e ento
N +1 = N + (1 + NT +1 PN N +1 ) 1 PN N +1 [ y N +1 NT +1N ]
ou
N +1 = N + K N +1 N +1 (N )
onde
PN +1 = [ I (1 + NT +1 PN N +1 ) 1 PN N +1 NT +1 ]PN
1 N N k 2
k ( )
N k =1
(33)
O algoritmo torna-se
N +1 = N + K N +1 N +1 (N )
(34)
N +1 (N ) = y N +1 NT +1N
(35)
K N +1 = ( + NT +1 PN N +1 ) 1 PN N +1
(36)
PN +1 = I ( + NT +1 PN N +1 ) 1 PN N +1 NT +1
] P
(37)
y
Planta
k ()
Preditor
Minimizao
f N ( ) =
1 N N k T
k ( )Q k ( )
2 k +1
(38)
N +1 = N + K N +1 R ( )
(39)
K N +1 = PN N Q Q 1 + NT PN N
PN +1 = PN PN N Q 1 + NT PN N
(40)
NT PN /
(41)
k ( ) =
A( q 1 ) y k B( q 1 )u k
C ( q 1 )
y kF =
1
C ( q 1 )
y k ; u kF =
1
C ( q 1 )
u k ; kF ( ) =
1
C ( q 1 )
k ( )
y kF = y k c1 ( k ) y kF1 K cnc y kF na
(43)
u kF = u k c1 ( k )u F ( k 1) K
de k , k e
kF
, ento utiliza-se a
k 1
k dado por k
k = yk kT k
(42)
Calcular k +1 ( ) = yk +1 kT+1k
c.
e.
= + K ( )
Calcular
f.
g.
d.
3.
k +1
( F ) Tk +1 Pk /
k +1 k +1
k = ( y k 1 K u k 1 K ek 1 K)
C(q ) 2
C ( z ) = 1 + c1 q 1 + c 2 q 2 + L + c nc q nc . Esta condio pode ser expressa da seguinte forma:
1
1
Re
> 0 para todo w. Consultar Soderstrom, T and Stoica P. (1989). System Identification,
jw
C (e ) 2
Prentice Hall, UK.
Referncias Bibliogrficas
1) Box and Jenkins; Times series analysis: forecasting and control. Prentice Hall, 2 edio.
2) Papoulis, Athanasios. Probability, Randon variables and stochastic processes. McGraw-Hill international, 2
edio.
3) Hemerly, Elder M.; Controle por computador de Sistemas Dinmicos. Editora Edgard Blucher LTDA, 2
edio.
4) Pereira, B. de B.; Pais, M. B. Z. e Sales, Paulo R. H.; Anlise espectral de sries temporais: Uma introduo
para Engenharia, Economia e Estatstica.
5) Soderstrom, T and Stoica P. (1989). System Identification, Prentice Hall, UK.