Sesion 6 MCurso

Identificaci
on de Sistemas
Sesi
on 5: M
etodos param
etricos,
Regresi
on lneal y Mnimos Cuadr
ados
Dr. Efran Alcorta Garca
26 de Febrero 2015
Identificaci
on de Sistemas
Sesion 6: Metodos parametricos, Regresi
on lneal y Mnimos Cuadrados
26 de Febrero 2015
Contenido
P. 1
Contenido
Ejemplos de Regresi
on Lineal
Estimado de mnimos cuadrados
Analisis
Interpretacion
El mejor estimado sin sesgo
Ejemplos de mnimos cuadrados
Ejemplos.
SIGUIENTE SESION:
Identificacion de Sistemas
Sesion 6: Metodos parametricos, Regresion lneal y Mnimos Cuadrados
26 de Febrero 2015
Contenido
P. 2
Contenido
Ejemplos de Regresi
on Lineal
Analisis
Interpretacion
Ejemplos.
SIGUIENTE SESION:
26 de Febrero 2015
Contenido
P. 3
Obtenci
on de Modelo de regresi
on lineal
Ejercicio:
Considerar un sistema lineal en espacio de estado representado
por:

1.5
0.75
1
3.50

3 2 x(t)
y(t) =
x(t)
x(t) +
3
1
u(t)
Obtener la representaci
on en forma de regresor.
26 de Febrero 2015
Contenido
P. 4
Obtenci
on lineal
Soluci
on:
Lo primero que se requiere es obtener la representaci
on del sistema
en forma canonica de observador. Para esto se requiere primero
definir la transformaci
on:
C

CA
Q=
..
CAn1
T = (W Q)1
a1 a2
a2
. a3
W
=
.
1 ...
an1 1
1
0
...
donde |sI A| = sn + an1sn1 + + a1s + a0.
26 de Febrero 2015
Contenido
P. 5
Obtenci
on lineal
para nuestro sistema resulta que: |sI A| = s2 + 5s + 6.
Q=
3
2
2.5 9.25
; W =
5 1
1 0
; T =
222.75
223.75
0.75
22.75
12.5
22.75
Aplicando la transformaci
on al sistema:
Aobs = T 1AT =
Cobs = CT =
0 6
1 5
0 1
; Bobs = T 1B =
38.25
11
xobs(t) = T 1x(t).
26 de Febrero 2015
Contenido
P. 6
Obtenci
on lineal
El sistema en forma canonica observador resulta:

0 6
xobs(t) +
1 5

0 1 xobs(t)
y(t) =
x obs(t) =
38.25
11
u(t)
Considerando para los polos del regresor los valores {4, 5},
de tal forma que (s + 4)(s + 5) = s2 + 9s + 20, con lo que se
selecciona L1 = 20 y L2 = 9 y el sistema anterior se puede
re-escribir:

0 20
xobs(t) +
1 9

0 1 xobs(t)
y(t) =
x obs(t) =
38.25
11
u(t) +
20 6
95
y(t)
26 de Febrero 2015
Contenido
P. 7
Obtenci
on lineal
de donde:
1(t) =
2(t) =
1(t) =
2(t) =
0 20
1 9
0 20
1 9
0 20
1 9
0 20
1 9
1(t) +
2(t) +
1(t) +
2(t) +
1
0
0
1
1
0
0
1
u(t)
u(t)
y(t)
y(t)
38.25

11
0 1
1(t) 2(t) 1(t) 2(t)
y(t) =
14
|
{z
}
(t)
4
26 de Febrero 2015
Contenido
P. 8
Obtenci
on lineal
Utilizando la transformacion que relaciona 1 con 2 y al mismo
tiempo 1 con 2, la forma de regresor resulta en:

0 20
0
2(t) =
2(t) +
u(t)
1 9
1

0
0 20
y(t)
2(t) +
2(t) =
1
1 9
38.25

11
0 1
T12(t) 2(t) T12(t) 2(t)
y(t) =
14
|
{z
}
(t)
4
con T1 cumpliendo (sI F )1
1
0
= T1(sI F )1
0
1
26 de Febrero 2015
Contenido
P. 9
Obtenci
on lineal

0 20
s
20
donde F =
, y (sI F ) =
;
1 9
1
s
+
9

1
s + 9 20
(sI F )1 = 2
; y la ecuacion para
1
s
s + 9s + 20
T1 satisface:
s+9
20

T111 T112 s2 + 9s + 20
s2 + 9s + 20
= T
;
s
1
121 T122
s2 + 9s + 20
s2 + 9s + 20
de donde resulta:
s + 9 = T111 (20) + T112 s
1 = T121 (20) + T122 s
26 de Febrero 2015
Contenido
P. 10
Obtenci
on lineal
de donde resulta que:
20T111
T112
20T121
T122
= 9 T111 =
9
20
= 1
= 1 T121 =
1
20
= 0
de donde:
9
20
T1 =
1
20
1 0.45 1
= 0.05 0
0
26 de Febrero 2015
Contenido
P. 11
Obtenci
on lineal
c ):
Implementaci
on (MatLab
Requerimientos:
Un archivo (opcional) con los
datos generales del sistema y
parametros requeridos.
Archivo de datos:
mreg_datos.m
% Datos del problema de ejemplo
% Sistema de la presentacin
% 26 de febrero 2015
Un archivo (obligatorio) con

extension m y con el nombre
de la funcion (ecuaci
on
diferencial) a resolver.
%
A
B
C
Sistema Original
= [-1.5 0.75;-1 -3.5];
= [3; -1];
= [-3 2];
Secuencia
de
comandos
requeridos para resolver la
ecuacion diferencial.
%
Q
W
T
Obtencion deforma canonica

= [C; C*A];
= [5 1;1 0];
= inv(W*Q);
26 de Febrero 2015
Contenido
P. 12
Obtenci
on lineal
% Polos del filtro
L1 = -20;
L2 = -9;
% Transformacion T1
T1 = [-0.45 1;-0.05 0];
% Condicion inicial
x0 = [1;-1];
xobs0 = [0;0];
% Tiempo de simulacion
t0 = 0;
tf = 15;
% Matrices del filtro
AF = [0 -20;1 -9];
BF = [0;1];
CF = [0 1];
Usar Simulink
26 de Febrero 2015
Contenido
P. 13
Obtenci
on lineal
Observaciones:
El modelo de regresion lineal obtenido presenta los parametros
matematicos asociados al sistema. Es importante destacar que
el n
umero de parametros asociados al modelo original es mayor
al que finalmente se tiene en el modelo de regresi
on.
En general la relacion entre parametros fsicos y parametros
matematicos es nolineal y pudiera representar un problema
difcil de resolver.
La obtenci
on para la forma de regresor en sistemas discretos en
espacio de estado es semejante a la del tiempo continuo. El
u
nico cambio requerido es en la selecci
on de los polos del filtro.
26 de Febrero 2015
Contenido
P. 14
Contenido
on Lineal
Ejemplos de Regresi
Analisis
Interpretacion
Ejemplos.
SIGUIENTE SESION:
26 de Febrero 2015
Contenido
P. 15
Problema de regresi
on lineal: Mnimos Cuadr
ados
Encontrar un estimado de a partir de las mediciones y(1),
(1), ... , y(N ), (N ):
Soluci
on:
y(1) = T (1)
y(2) = T (2)
..
y(N ) = T (N )
entonces
Y =
con Y N , N n.
26 de Febrero 2015
Contenido
P. 16
Regresi
on lineal
Si se selecciona N = n y resulta no singular, entonces se
puede obtener una solucion exacta al problema de estimar
mediante la inversa de .
Debido a ruido, perturbaciones, falta de modelado, etc. los
datos utilizados deben de ser mas que los estrictamente
necesarios N > n.
Con esto el problema queda sobre
parametrizado y la solucion no es u
nica. Para encontrar una
solucion se procede a definir la ecuacion del error (llamada
tambien residuo):
= y(t) (t)
con
(1)
= ..
(N )
26 de Febrero 2015
Contenido
P. 17

El estimado de mnimos cuadrados de es definido como el vector
que minimiza la funcion de costo
N
1X 2
1
1
V () =
(t) = 2 = ||||2
2 t=1
2
2
donde || || es la norma Euclidiana. La funcion del error es lineal
con respecto a .
Lema
Considerar la funcion de costo V (). suponer que la matriz T
es definida positiva. entonces V () tiene un punto mnimo dado
por: = (T)1 TY y el mnimo de V () resulta

1 T
T
T
1 T
min = V () = Y Y Y ( ) Y
2
26 de Febrero 2015
Contenido
P. 18
Comentarios
La matriz T es por construccion no negativa semidefinida.
Si T es singular, lo anterior no se puede aplicar.
dV ()
0=
= Y T + T (T )
d
lo cual puede escribirse como
(T ) = T Y
La solucion de minimos cuadrados tambien se conoce en
algebra lineal como pseudo inversa.
La solucion tambien puede escribise como
"N
#1 " N
#
X
X
=
(t)T (t)
(t)y(t)
t=1
t=1
26 de Febrero 2015
Contenido
P. 19
Interpretaci
on
Si se denotan las columnas de por los vectores 1, ..., n,
donde cada vector pertenece a n. El problema es encontrar una
combinaci
on lineal de las columndas de de tal forma que Y sea
aproximado tan bien como sea posible. La mejor aproximacion
esta dada por la proyecci
on ortogonal de Y en el espacio vectorial
definido por las columnas de :
26 de Febrero 2015
Contenido
P. 20
Ejemplo de aplicaci
on de Mnimos Cuadr
ados
Considerar que nuestro sistema esta dado por
y(t) = b
Lo cual significa que estimaremos el valor de una constante a
partir de un conjunto de mediciones ruidosas. Con

1
(t) = 1; = b; = ..
1
nuestro estimado resulta
1
= [y(1) + + y(N )]
N
Es decir, el estimado de mnimos cuadrados es simplemente la
media aritmetica de las mediciones.
26 de Febrero 2015
Contenido
P. 21
An
alisis del estimado de mnimos cuadrados
Suponiendo que los datos satisfacen
y(t) = T (t)0 + e(t)
donde 0 es el vector de parametros reales. Suponer que e(t) es
una variable estocastica de media 0 y varianza 2 . Esta ecuacion
puede re-escribirse como:
Y = 0 + e
Para encontrar la solucion considerar el siguiente procedimiento:
T Y = T 0 + T e
26 de Febrero 2015
Contenido
P. 22
An
Para despejar 0 se pre-multiplica por la inversa del producto T
(bajo el supuesto de que este producto es regular):
1
1 T
T
e(t)
y(t) = 0 +

T
y resulta:
1 T
y(t)
0
T
26 de Febrero 2015
Contenido
P. 23
An
Lema
Considerar el estimado = (T )1T Y y suponer que los datos
corresponden a la ecuacion de arriba, entonces:
1. es un estimado sin sesgo de 0
=
2. La matriz de covarianza de esta dada por cov()
2(T )1
3. Un estimado sin sesgo de 2 esta dado por
2V ()
s =
N n
2
26 de Febrero 2015
Contenido
P. 24
Prueba
(1) El estimado esta dado por
= (T )1T {0 + e} = 0 + (T )1 T e
y entonces
E = 0 + (T )1T Ee = 0
(2)
E( 0)( 0)T
= E[(T )1T Ee][(T )1T Ee]T

= (T )1 T EeeT (T )1
= (T )1 T 2I(T )1
= 2(T )1
26 de Febrero 2015
Contenido
P. 25
Contenido
on Lineal
Ejemplos de Regresi
Analisis
Interpretacion
Ejemplos.
SIGUIENTE SESION:
26 de Febrero 2015
Contenido
P. 26
El mejor estimado no sesgado

Si se relaxa la supocion de que la perturbaci
on e(t) no sea ruido
blanco (solo el hecho de que e(t) y e(s) no esten correlacionados
para t 6= s) se preserva el hecho de que no se tenga sesgo, pero se
modifica la expresion para la matriz de covarianza:
= (T )1T R(T )1
cov()
Considerar ahora una forma general de representar un estimado
lineal
= Z T Y
donde el estiamdo de mnimos cuadrados es un caso particular
cuando = (T )1
26 de Febrero 2015
Contenido
P. 27
El mejor estimado no sesgado

Lema(BLUE)
Considerar el estimado = Z T Y y suponer que los datos satisfacen
Y = 0 +e y EeeT = R donde R es una matriz definida positiva.
Sea
Z = R1 (T R1)1
entonces este estimado de 0 es no sesgado y la matriz
de covarianza correspondiente es mnima en el sentido de la
desigualdad
COVZ = (T R1)1 COVZ ()
26 de Febrero 2015
Contenido
P. 28
Ejemplo
Considerar que nuestro sistema esta dado por
Ee2(t) = 2t
y(t) = b + e(t)
Con
1
(t) = .. ;
1
R=
nuestro estimado BLUE resulta
= PN
1
j=1 2
j
21
0
22
...
2N
0
N
X
1
y(i)
2
i=1 i
Es decir, el estimado BLUE es una media aritmetica ponderada de

las mediciones.
26 de Febrero 2015
Contenido
P. 29
Contenido
on Lineal
Ejemplos de Regresi
Analisis
Interpretacion
Ejemplos.
SIGUIENTE SESION:
26 de Febrero 2015
Contenido
P. 30
Ejemplos de mnimos cuadr

ados
Considerar el Ejercicio del inicio:
Considerar un sistema lineal en espacio de estado representado
por:

1.5
0.75
1
3.50

3 2 x(t)
y(t) =
x(t)
x(t) +
3
1
u(t)
Determinar los parametros matematicos asociados al sistema.

Dar una entrada adecuada para identificar los parametros.
Obtener el algoritmo para calculo de los parametros
matematicos.
26 de Febrero 2015
Contenido
P. 31

ados
Forma de regresor asociada:

0 20
2 (t) =
2(t) +
1 9

0 20
2 (t) =
2(t) +
1 9
0
1
0
1
u(t)
y(t)
1

2
0 1
T12(t) 2(t) T12(t) 2(t)
y(t) =
|
{z
} 3
h
i
(t)= 1 (t) 2(t) 3(t) 4(t)
4
T1 =
0.45 1
0.05 0
nominal
38.25
11
14
4
26 de Febrero 2015
Contenido
P. 32

ados
Con la entrada adecuada: 4 parametros requieren al menos 4
componentes de frecuencia
u(t) = sin(0.1t) + sin(3t) + sin(7t) + sin(13t)
Se requiere:
Construir la se
nal de entrada anterior en un intervalo de tiempo
[t0, t1]. Guardar los valores correspondientes a los puntos
{t1, t2, , tN }, con n suficientemente grande.
Datos:
u(t1 )
y(t1 )
u(t2 )
y(t2 )
;
U
=
Y =
..
..
.
.
u(tN )
y(tN )
1 (t1 )
2)
; = 1 (t
..
.
1 (tN )
2 (t1 )
2 (t2 )
..
.
2 (tN )
3 (t1 )
3 (t2 )
..
.
3 (tN )
4 (t1 )
4 (t2 )
..
.
4 (tN )
26 de Febrero 2015
Contenido
P. 33

ados
De donde resulta:
T Y
= T
1 T
T
Y
=
26 de Febrero 2015
Contenido
P. 34
Pr
oxima sesi
on
Mas Ejemplos
26 de Febrero 2015

Sesion 6 MCurso

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Sesion 6 MCurso

Enviado por

Direitos autorais:

Formatos disponíveis

Identificaci

donde |sI A| = sn + an1sn1 + + a1s + a0.

Un archivo (obligatorio) con

Obtencion deforma canonica

Estimado de mnimos cuadrados

= E[(T )1T Ee][(T )1T Ee]T

El mejor estimado no sesgado

El mejor estimado no sesgado

COVZ = (T R1)1 COVZ ()

nuestro estimado BLUE resulta

Es decir, el estimado BLUE es una media aritmetica ponderada de

Ejemplos de mnimos cuadr

Determinar los parametros matematicos asociados al sistema.

Ejemplos de mnimos cuadr

Ejemplos de mnimos cuadr

Ejemplos de mnimos cuadr

Você também pode gostar