Escolar Documentos
Profissional Documentos
Cultura Documentos
E
IDENTIFICA
CAO
CAIXA-CINZA: UMA REVISAO
NOVOS RESULTADOS
Marcelo V. Corr
ea
Luis A. Aguirre
mcorrea@unilestemg.br
aguirre@cpdee.ufmg.br
ABSTRACT
This paper presents a review of recent developments
about gray-box identification. Different procedures are
grouped based on how they handle auxiliary information in the identification process. Properties of NARMAX (nonlinear autoregressive moving average model
with exogenous inputs) polynomial models applied in
gray-box identification are presented. This paper discusses how to use auxiliary information about the process static function in order to aid in the model structure
selection and parameter estimation. Such ideas are illustrated by means of two numerical examples, one simulated and one that uses real data. In both examples
black-box and gray-box models are obtained and compared in order to highlight the main features of gray-box
identification.
KEYWORDS: Non-linear identification, gray-box, NAR-
RESUMO
Este artigo apresenta uma breve revisao da literatura
enfocando recentes desenvolvimentos na area de identificacao caixa-cinza. Os diversos metodos sao agrupados
Artigo submetido em 15/08/02
1a. Revis
ao em 06/12/02; 2a. Revis
ao em 01/03/03
Aceito sob recomendac
ao do Ed. Assoc. Prof. Jos
e R. C. Piqueira
INTRODUC
AO
Em metodos de identificacao caixa-preta, nenhuma informacao sobre o sistema esta disponvel alem dos dados
ou, se disponvel, nao e usada no procedimento de obtencao do modelo. Neste caso, apenas dados de entrada
e sada do sistema sao usados durante a identificacao.
A escolha da representacao e da sua estrutura e feita de
forma emprica nos casos mais simples. Em casos mais
complexos, como por exemplo na identificacao de sistemas nao-lineares, esta escolha e crtica o que justifica o
uso de metodos mais sofisticados para selecao da estru-
109
Figura 1: Escala cinzenta definindo os diferentes nveis de informacao auxiliar na identificacao caixa-cinza
(Karplus, 1976). Por exemplo: procedimentos em que o
uso de informacao auxiliar se limita a` definicao de termos candidatos, no caso de modelos NARMAX, ou da
funcao de ativacao, no caso de redes neurais, se situariam na regiao 1; procedimentos em que se usa informacao auxiliar na estimacao de parametros se situam na
regiao 2; nos casos em que a estrutura e definida por leis
fsicas e parametros estimados com dados de entrada e
sada, regiao 3.
Vantagens
Facilidade
para analisar
e entender
o sistema
Facilidade
de manipular;
n
ao requer
conhecimento
a priori
Flexveis
e podem ajustar
v
arios tipos de
dados complexos
'
&
Dificuldades
Requer
conhecimento
detalhado
sobre o sistema
'
N
ao podem
reproduzir
fen
omenos
n
ao-lineares
&
'
Complexidade.
Dificuldade
para extrair
informa
ca
o
do modelo
&
Modelos
Baseados
na Fsica
Modelo
tico
matema
linear
Geral
Modelo
tico
Matema
o-Linear
Na
Geral
Defini
ca
o de:
1) rela
co
es entre caractersticas do modelo e a din
amica representada;
2) utiliza
ca
o de informa
ca
o a priori para
ajudar na determina
ca
o da estrutura e
estima
ca
o de par
ametros.
Modelos podem ser eficientemente usados para extrair informa
co
es sobre
o sistema a partir dos dados.
'
&
Serve como
motiva
ca
o
para novos
desenvolvimentos
Modelagem
Caixa-Branca
Estrutura
Par
ametros
Determinada
pelas leis
e fen
omenos
fsicos
Estimados a
partir de testes
e dados
est
aticos
Simples
e sem
rela
ca
o
com a fsica
Estimados pela
minimiza
ca
o de
fun
ca
o custo
baseada nos dados
Complexa e
sem rela
ca
o
clara com
a fsica
Estimados pela
minimiza
ca
o de
fun
ca
o custo
baseada nos dados
Uso de representa
co
e matem
aticas flexveis (complexas) para sistemas din
amicos.
Desenvolvimento de algoritmos mais
sofisticados para:
1) determinar a estrutura;
2) estimar par
ametros.
Todas representa
co
es e algoritmos
s
ao manipulados como Caixas-Pretas.
Modelagem
Modelagem
Caixa-Cinza
Caixa-Preta
Figura 2: Representacao pictorica das dificuldades de cada classe de modelos e das motivacoes para o desenvolvimento de novos procedimentos (Aguirre, 2000b).
sao possveis se as series temporais usadas (dados dinamicos) contiverem toda a informacao a respeito do
sistema que se deseja modelar. Na maioria das situacoes a obtencao de tais dados e muito custosa e nem
sempre possvel. Por outro lado, em muitos casos, informacao auxiliar esta disponvel (Simutis et al., 1997) e
seu uso no processo de identificacao contribui significativamente para a melhora do modelo obtido (Murankami e
Seborg, 2000; Abony et al., 2001). A identificacao caixacinza, como sera visto, permite obter modelos mais globais mesmo com dados limitados a certa regiao de operacao (Funkquist, 1997).
Assim como as redes neurais e as RBFs (radial basis functions), a representacao NARMAX polinomial
111
lizando a representacao NARMAX polinomial sao apresentados. Para tal, este artigo e organizado como se
segue. Na secao 2 apresenta-se uma revisao bibliografica. Na secao 3 algumas propriedades da representacao NARMAX polinomial sao discutidas no contexto de
identificacao caixa-cinza. A seguir, na secao 4, descrevese como usar informacao auxiliar em modelos NARMAX
polinomiais. Na secao 5 modelos obtidos via identificacao caixa-cinza sao comparados com a identificacao
caixa-preta. Por u
ltimo, as principais conclusoes do estudo sao apresentadas.
ESTADO DA ARTE
Nesta secao apresenta-se como o problema de identificacao caixa-cinza tem sido tratado na literatura recente.
Para tal os procedimentos sao agrupados em: (i) procedimentos aplicados a modelos baseados em redes neurais; (ii) identificacao caixa-cinza fsica, que se baseia
na determinacao da estrutura dos modelos pelas leis fsicas do processo, ou seja, seguindo a convencao feita,
neste caso a informacao auxiliar e informacao a priori;
(iii) caixa-cinza semifsica, que utilizam conhecimento
auxiliar na definicao da estrutura dos modelos, porem,
sem necessariamente utilizar equacoes obtidas a partir
de leis fsicas; (iv) identificacao caixa-cinza, que apresenta trabalhos que nao podem ser agrupados nas categorias anteriores. Por u
ltimo sao apresentados procedimentos para uso de informacao auxiliar na selecao de
estrutura de modelos NARMAX polinomiais.
2.1
O uso de conhecimento auxiliar em redes neurais foi tratado em (Joerding e Meador, 1991; Thompson e Kramer, 1994; Cubillos et al., 1996; Amaral, 2001). Thompson e Kramer defendem a utilizacao de informacao auxiliar, principalmente em situacoes em que os dados sao
compostos por uma serie temporal de curta duracao e
seriamente contaminada por rudo. O tipo de conhecimento auxiliar utilizado e (i) monotonicidade e assintoticidade, (ii) o proposito de modelagem, (iii) restricoes
fortes baseadas em princpios fsicos e (iv) desempenho de modelos previamente obtidos.
Como forma de utilizar tais informacoes os autores citam: (i) a definicao da estrutura e (ii) a forma de estimacao de parametros. Tal procedimento reduz a dimensao
do espaco de parametros e a quantidade de dados necessarios para sua estimacao.
2.2
112
Tabela 1: Exemplo de uso de conhecimento auxiliar no modelo de uma mistura de gas (Thompson e Kramer, 1994)
Relacao
1.
V = f (P, T, n, X)
2.
3.
4.
Xi = 1
Entradas
nao-negativas
x0
Sadas
nao-negativas
y(x) 0,
para todo x
Atributos
Tipo:
igualdade
Forma:
desconhecida
Precedencia: grande
Variaveis:
entrada & sada
Tipo:
igualdade
Forma:
conhecida
Precedencia: grande
Variaveis:
entradas
Tipo:
desigualdade
Forma
conhecida
Precedencia: grande
Variaveis:
entradas
Tipo
desigualdade
Forma:
conhecida
Precedencia: grande
Variaveis:
entradas
Em (Bohlin e Graebe, 1995) o usuario especifica uma estrutura inicial para o modelo, e o software implementa
a estimacao de parametros e a validacao. As etapas do
procedimento de modelagem sao apresentadas via um
fluxograma reproduzido na Figura 3. O usuario interage
com o computador em uma dupla malha de refinamento
e refutacao de estruturas selecionadas, e deve parar a
modelagem quando a melhor alternativa de uma determinada estrutura servir aos seus propositos. A parte
realizada pelo computador se resume a estimar os parametros e validar o modelo. Esta se da tanto por procedimentos estatsticos quanto por simulacao dinamica.
A definicao da estrutura inicial, assim como das futuras
modificacoes, baseia-se no conhecimento de leis fsicas
que regem o processo. Uma detalhada discussao desse
procedimento com aplicacoes industriais pode ser vista
em (Sohlberg, 1998).
Modelos qualitativos foram propostos como uma estrutura unificada para modelagem caixa-cinza com diferentes nveis de precisao (Jorgensen e Hangos, 1995). Tais
modelos sao compostos de equacoes algebricas diferenciais qualitativas (QDAEs do ingles Qualitative Diferencial Algebraic Equations), no caso contnuo, e equacoes
algebricas de diferencas qualitativas (QDDAEs), para o
caso discreto. O espaco de intervalos das variaveis e parametros em um modelo QDAE e definido como um conjunto de intervalos de n
umeros/smbolos fixos atribudos
individualmente para cada variavel real. As dependencias parcialmente conhecidas sao descritas por pares de
funcoes denominadas funco
es envelope.
Estrutura
rede
neural
preprocessador
parametrico
preprocessador
parametrico
modelo
parametrico
na sada
Em (Sadegh et al., 1995) e apresentado um procedimento para projeto de sinal de excitacao que maximiza
o valor da informacao auxiliar disponvel. O problema
e tratado como um caso de otimizacao, sendo o objetivo determinar uma entrada otima para estimacao de
determinados parametros.
2.3
113
u(k)
H0 (z)
y(k)
N (.)
Figura 4: Modelo de blocos orientados com realimentacao, estrutura I (Pottmann e Pearson, 1998).
Figura 3: Fluxograma ilustrativo do procedimento interativo de refinamento de estrutura (Bohlin e Graebe, 1995).
2.4
Identificac
ao Caixa-Cinza
u(k)
H0 (z)
H2 (z)
y(k)
N (.)
H1 (z)
Figura 5: Modelo de Blocos Orientados com Realimentacao, estrutura IV (Pottmann e Pearson, 1998).
u(k)
H21 (z)
H0 (z)
H11 (z)
y(k)
N (.)
Figura 6: Modelo de Blocos Orientados com Realimentacao. Variacao da estrutura IV, obtida por manipulacoes
algebricas (Pottmann e Pearson, 1998).
2.4.1
Uso de Informac
ao auxiliar no estimador de
par
ametros
115
2.5
A base desse desenvolvimento sao os conceitos de agrupamento de termos e coeficiente de agrupamento apresentados em (Aguirre e Billings, 1995). A partir desses
conceitos, em (Aguirre e Mendes, 1996) sao deduzidas
relacoes entre agrupamento de termos e o n
umero e a
localizacao de pontos fixos. Com estas relacoes, a partir
de informacao auxiliar sobre o n
umero e localizacao dos
pontos fixos do sistema a ser modelado selecionam-se os
agrupamentos de termos candidatos ao modelo. A escolha dos termos do modelo precisa ser feita por algum
metodo disponvel, como por exemplo usando-se o criterio ERR (do ingles error reduction ratio) (Korenberg
et al., 1988; Billings et al., 1989).
Dentro da escala cinza apresentada na Figura 1,
esse procedimento pode ser classificado como um cinzaescuro, porque o grau de utilizacao da informacao auxiliar e restrito. A partir da selecao dos agrupamentos candidatos o procedimento e puramente caixa-preta,
tendo sido aplicado com sucesso na identificacao de diversos sistemas autonomos caoticos, entre esses destacase a identificacao a partir de dados reais em um oscilador
nao-linear (Aguirre et al., 1997).
Esse procedimento foi estendido para identificacao de
sistemas nao-autonomos em (Aguirre et al., 2002). O
objetivo e possibilitar selecionar a estrutura da representacao a partir de informacao de ganho em estado es-
CADAS A
CAO
CAIXACINZA
Uso de Informac
ao Auxiliar na Selec
ao de Estrutura de Modelos NARMAX Polinomiais
O procedimento apresentado nesta secao difere dos anteriores, pois a incorporacao da informacao auxiliar se baseia fundamentalmente em um estudo aprofundado das
caractersticas da representacao. A partir desse estudo
determina-se como deve ocorrer o uso da informacao auxiliar.
116
(1)
3.1
O procedimento adotado para obter a funcao autovalores de modelos NARX polinomiais e: (i) representar o
modelo na forma de equacao de estados, linearizando-o
em torno dos pontos fixos atraves da matriz jacobiana,
(ii) a partir dessa matriz montar a equacao caracterstica, determinando seus autovalores em funcao do ponto
de operacao e, (iii) mapear os autovalores do modelo
discreto, plano z, no plano s. Para isso serao usados
novos conceitos de agrupamento de termos, denominados agrupamentos-d e coeficientes-d. Estes conceitos sao
apresentados a seguir.
Defini
c
ao 3.1 (Correa, 2001) Termos na forma y(k
d)p u(k j)m para m = 0, , `, p = 0, , ` com m +
p ` e j = 1, , nu sao chamados agrupamentos-d
e sao representados por ydp um . A soma de todos os
coeficientes de um agrupamento de termos de ordem d
4d (
x 4d i ) = 4 d 0 +
y = y1 y2 y3 . . .
y2 = y1 y2 y12 y22 . . .
..
. P
ny
y = i=1
yi
..
.
4d i x
4d i ,
(7)
i=1
(2)
y(k ny )
y(k ny + 1)
y(k ny + 1)
y(k ny + 2)
..
..
=
D
+ BU(k), (3)
f
.
.
y(k 2)
y(k 1)
y(k 1)
y(k)
sendo
0
0
..
.
1
0
..
.
0
0
.
..
0
0
..
.
Df =
,
0
0 0 1
4d 4d1 42 41
y(k)
4d =
,
y(k d) y,u
(4)
4d (
y, u
) = yd +
p=2
` `m
X
X
m=1 p=1
3.2
y = 0 + y y + u u
+
pydp yp1
pydp um yp1 u
m , (6)
(8)
sendo as razes da equacao (8) os autovalores do modelo NARX polinomial no ponto de operacao (
u, y).
(5)
d 41 d1 . . . 4d1 4d = 0,
`1 `m
X
X
yp um yp u
m
m=1 p=1
`
X
p=2
yp yp +
`
X
um u
m , (9)
m=2
sendo que os termos foram separados em: termo constante, 0 ; termos lineares em y, y y; termos lineares
P`1 P`m
em u, u u
; termos cruzados m=1 p=1 yp um yp u
m ;
P`
termos nao-lineares em y,
i ; e termos
i=1 y i y
P`
nao-lineares em u, i=1 ui u
i .
Entao, a partir da equacao (9), a razao estatica Ks pode
117
y
s (
K
u, y) = =
u
0 /
u + u +
`
X
um u
m1
m=2
1 y
`1 `m
X
X
m
yp um yp1 u
m=1 p=1
3.3
`
X
(10)
yp yp1
p=2
Func
ao Est
atica
Como funcao estatica de um modelo entender-se-a a funcao que descreve a relacao entre a sada em estado estacionario y e a respectiva entrada, tambem em estado
estacionario, u
. Essa funcao pode ser entendida tambem como a funcao de pontos fixos para um sistema
nao-autonomo.
Uma vez obtida a expressao para ganho estatico de um
modelo, equacao (10), a expressao para funcao estatica
pode ser determinada por
s (
y = K
y, u
) u
,
(11)
`
X
um u
m
m=2
y =
1 y
`1 `m
X
X
yp um yp1 u
m
m=1 p=1
`
X
.
yp yp1
p=2
(12)
AUXILIAR EM
USO DE INFORMA
CAO
MODELOS NARX POLINOMIAIS
4.1
Selec
ao de Estrutura
(13)
Suponha que o n
umero de estados estacionarios da sada
de um sistema seja conhecido. Sendo n este n
umero,
i=`2
X
i=0
y 2 ui u
i
y2 +
i=`1
X
i=0
i=`
X
yui u
i
ui u
i = 0,
i=0
118
4.2
Estimac
ao de Par
ametros
Na estimacao de paramentros de modelos NARMAX polinomiais, dados estaticos de entrada e sada sao de fundamental importancia. A utilizacao desta informacao se
baseia na equacao (12).
O metodo utilizado consiste em, a partir da estrutura
selecionada, escrever a funcao que relaciona y = f (
u)
conforme equacao (12). Neste caso y = f (
u) sera expressa como um polinomio em u
na forma
y = a0 + a1 u
+ a2 u
2 + . . . + a` u
` ,
(14)
RESULTADOS NUMERICOS
5.1
Sistema Simulado
dy
+ y(t) u(t) = 0,
dt
(15)
(16)
119
5
4.5
4
3.5
3
2.5
2
1.5
1
0.5
(a)
0
500
600
700
800
900
1000
1100
1200
1300
1400
1500
600
700
800
900
1000
1100
1200
1300
1400
1500
600
700
800
900
1000
1100
1200
1300
1400
1500
5
4.5
4
3.5
3
2.5
2
1.5
1
0.5
(b)
0
500
5
4.5
4
3.5
3
2.5
2
1.5
1
0.5
(c)
0
500
Figura 7: Parte dos dados de identificacao simulados a partir da equacao (15). Eixo-x sao as amostras e eixo-y
amplitude, (-) Sada y(k) e (...) entrada u(k). (a) Dados dad ctv1, (b) dados dad ctv2 e (c) dados dad ctv3.
5.2
sendo que y1 = 1 , u = 2 , y1 u = 3 e u2 = 5 .
Verifica-se que ha apenas um termo de cada agrupamento de termos, entao cada coeficiente de agrupamento corresponde a apenas um parametro do modelo.
Observa-se tambem que o modelo possui apenas um estado estacionario, y, para cada entrada constante, u
.
A partir da estrutura selecionada, e possvel escrever a
120
(a)
(b)
Massa de Dados dad ctv1
4.5
1.05
3.5
1
3
2.5
0.95
2
1.5
0.5
1.5
2.5
3.5
4.5
0.9
0.5
1.5
2.5
3.5
4.5
1.5
2.5
3.5
4.5
1.5
2.5
3.5
4.5
1.05
3.5
1
3
2.5
0.95
2
1.5
0.5
1.5
2.5
3.5
4.5
0.9
0.5
1.05
3.5
1
3
2.5
0.95
2
1.5
0.5
1.5
2.5
3.5
4.5
0.9
0.5
Figura 8: Funcoes de constantes de tempo e ganhos dos modelos NARX polinomiais obtidos a partir da simulacao
da eq. (15). Coluna (a) Curvas de constante de tempo, eixo-x e u
e eixo-y e em segundos. Coluna (b) curvas
de ganho, eixo-x e u
e eixo-y e k(
u). () Sistema simulado () modelos AE e ( ) modelos EMQ.
2 u
+ 5 u
2
,
(1 1 ) 3 u
(18)
y
=
,
u
(1 1 ) 3 u
(19)
121
Tabela 2: Parametros estimados do modelo NARMAX polinomial via EMQ e EA a partir das massas de dados
dad ctv1, dad ctv2 e dad ctv3.
EMQ
Algoritmo Elipsoide
dad ctv1 dad ctv2 dad ctv3 dad ctv1 dad ctv2 dad ctv3
0,9244
0,9243
0,9191
0,9235
0,9237
0,9180
1
2
0,0758
0,0761
0,0832
0,0765
0,0763
0,0820
0,0101
0,0100
0,0099
0,0107
0,0106
0,0116
3
5
-0,0103
-0,0103
-0,0111
-0,0107
-0,0106
-0,0116
r1
0,0002
0,0004
0,0023
0,0000
0,0000
0,0000
r2
-0,0002
-0,0003
-0,0012
0,0000
0,0000
0,0000
Sendo r1 = 2 (1 1 ) e r2 = 5 + 3
igualdade, as seguintes restricoes foram impostas para
estimacao de parametros
< a2 (1 a1 ) <
<
a 5 + a3
< ,
(20)
Ts
,
ln(1 + 3 u
)
(21)
5.3
O conversor Buck usado neste trabalho esta apresentado na Figura 9. O sistema e os dados de identificacao utilizados sao os mesmo considerados em (Aguirre
et al., 2000). Durante todo o teste a tensao DC da
fonte, Vd , e mantida constante em 24V. O MOSFET
IRF840 e chaveado pela atuacao na sua porta G. O ciclo de trabalho, definido pela proporcao do tempo ligado
e o perodo total, D = Ton /T , e variado usando a Modulacao por Largura de Pulso (PWM, do ingles Pulse
16
da modelagem e obter um modelo que se ajusta a` caracterstica estatica do sistema fora da regiao dos dados de
identificacao. O desempenho deste sera comparado ao
modelo apresentado em (Aguirre et al., 2000).
15
14
13
12
11
10
80
90
100
110
120
130
140
150
160
170
u
,
=
3
3
(22)
Os termos candidatos foram selecionados a partir de informacao auxiliar, que neste caso e tambem informacao
a priori, pois a relacao (22) e valida em geral para conversores deste tipo. Detalhes da escolha dos termos candidatos, a partir de informacao auxiliar podem ser vistos em (Aguirre et al., 2000). A estrutura foi selecionada
atraves do algoritmo ERR. Em (Aguirre et al., 2000) podem ser vistos varios modelos para esse sistema. O que
melhor reproduziu a caracterstica estatica conhecida do
sistema foi o modelo obtido atraves do uso de informacao
auxiliar na escolha de termos candidatos, cuja estrutura
esta apresentada a seguir:
y(k) = c1,0 (1)y(k 1) + c1,0 (2)y(k 2) + c0 +
c0,3 (1)u(k 1)3 + c1,0 (3)y(k 3)+
c0,3 1, 1, 3u(k 1)2 u(k 3) + c0,2 (3)u(k 3)3 +
c0,2 (1, 3)u(k1)u(k3)+c0,3 (1, 3, 3)u(k1)u(k3)2 .
(23)
Como pode ser observado pela equacao (23), na estrutura do modelo nao aparecem os agrupamentos de termos yp com p > 1, o que significa que o modelo possui,
para cada entrada u
, apenas um estado estacionario na
sada. A partir da estrutura apresentada, a relacao estatica y = f (
u) pode ser expressa por
y = 3 u
3 + 2 u
2 + 0 .
(24)
(25)
123
c1,0 (1)
c1,0 (2)
c0
c0,3 (3)
c1,0 (3)
c0,3 (1, 1, 3)
c0,3 (3)
c0,2 (1, 3)
c0,3 (1, 3, 3)
EMQ
1,2013
-0,2608
6,2479
-2,6783
-0,2080
8,8699
3,6636
-0,6162
-9,7707
23,3488
-2,3029
0,2037
AE
0,7315
-0,0047
13,7292
-0,8280
-0,2495
3,6774
2,0210
-1,7617
-4,6409
26,2659
-3,3704
0,4391
A melhor aproximacao da caracterstica estatica significou um pior desempenho da predicao livre do modelo
com dados dinamicos de identificacao. De fato, um modelo obtido por identificacao caixa-preta ajusta os dados
de validacao muito bem, mas com uma pobre caracterstica estatica e uma faixa de validade estreita (Aguirre
et al., 2000). Pode-se dizer que, para o caso em questao,
o preco pago pela melhor aproximacao da curva estatica global foi um pior desempenho no comportamento
dinamico local.
O resultado da predicao livre dos modelos com parametros estimados por EMQ e AE, usando dados de validacao, podem ser vistos na Figura 10. O modelo cujos
parametros foram estimados pelo EMQ fornece o menor erro quadratico na predicao livre usando dados de
validacao.
25
20
15
10
5
1
1.5
2.5
3.5
informacao auxiliar para estimar os parametros possibilitou se obter um modelo que melhor reproduz a caracterstica estatica global do conversor Buck, sem uma
piora significativa no desempenho dinamico do modelo.
COMENTARIOS
FINAIS
AGRADECIMENTOS
Os autores agradecem ao CNPq, a` FAPEMIG e ao
Unileste-MG pelo suporte financeiro a` pesquisa.
REFERENCIAS
Abony, J., Babu
ska, R. e Szeifert, F. (2001). Fuzzy
modeling with multivariate membership functions:
Gray-box identification and control design, IEEE
Transactions on Systems, Man, and Cybernetics Part B 31(5): 755767.
Aguirre, L. A. (2000a). Introduca
o a
` Identificaca
o de
Sistemas: Tecnicas Lineares e N
ao-Lineares Aplicadas a Sistemas Reais, 2a. edicao UFMG, Belo
Horizonte, MG.
Aguirre, L. A. (2000b). A nonlinear dynamical approach
to system identification, IEEE Circuits & Systems
Society Newsletter 11(2): 1023,47.
Aguirre, L. A. e Billings, S. A. (1995). Improved structure selection for nonlinear models based on term
clustering, Int. J. Control 62: 569587.
125
Jorgensen, S. B. e Hangos, K. M. (1995). Grey box modelling for control: Qualitative models as a unifying
framework, Int. J. of Adaptative Control and Signal
Processing 9(6): 547562.
Karn
y, M., Halouskova, A. e Nedoma, P. (1995). Recursive approximation by ARX model: A tool for
grey box modelling, Int. J. of Adaptative Control
and Signal Processing 9(6): 525546.
Sohlberg, B. (1998). Supervision and Control for Industrial Processes - Using Grey Box Models, Predictive
Control and Fault Detection Methods, SpringerVerlag.
Karplus, W. (1976). The spectrum of Mathematical Modelling and System Simulation. Simulation of Systems, North-Holland Publishing Company.
Kim, S., Kim, D. e Chang, K. (1994). Using two successive subgradients in the ellipsoid method for nonlinear programming, Journal of Optimization Theory and Applications 82(3): 543554.
Wiener, N. (1958). Nonlinear problems in random theory, in J. Wiley e Sons (eds), The Technology Press,
M.I.T. New York, NY.
Leontaritis, I. e Billings, S. (1985). Input-output parametric models for non-linear systems part II:
deterministic non-linear systems, Int. J. Control
41(2): 329344.
126