System Identification – Lab 4

Linear Regression for Function Approximaton

Descrição da tarefa
Nesta tarefa, realizaremos a aproximação de funções com regressão linear e
aproximações polinomiais, consulte Regressão Linear no material do curso
Parte 3 - Fundamentos Matemáticos.
Um conjunto de dados de pares de entrada-saída é fornecido, onde as saídas
são geradas por uma função desconhecida g. A função tem uma variável de
entrada e uma variável de saída, e as medições de saída são afetadas pelo
ruído. Você desenvolverá um aproximador dessa função, usando um modelo
linear com termos polinomiais (funções de base). Os parâmetros do modelo
serão encontrados usando o conjunto de dados de identificação. Um segundo
conjunto de dados é fornecido para validar o modelo desenvolvido. Os dois
conjuntos de dados são fornecidos em um arquivo de dados MATLAB,
contendo uma estrutura para cada conjunto. O conjunto de dados de
treinamento é denominado id e o conjunto de dados de validação val. Cada
uma dessas estruturas contém um vetor X de amostras de entrada e as
amostras de saída correspondentes no vetor Y.
Requisitos:
• Plote os dados de identificação para ter uma ideia do formato da função.
• Crie um aproximador polinomial de grau n - 1, onde n é o número de
parâmetros / funções de base. Aqui, n deve ser ajustável. Observe que há um
parâmetro extra para o termo constante, e é por isso que o grau é apenas n - 1.
Por exemplo, quando n = 4, o polinômio tem grau 3 e o aproximador é:

• Para qualquer valor de n, crie um sistema de equações lineares para

regressão linear, usando os dados de identificação. Use a representação
matricial explicada na aula. Resolva este sistema usando a divisão à esquerda
da matriz, operador \ no Matlab (ou alternativamente com linsolve). Relate o
MSE nos dados de identificação.
• Valide o modelo nos diferentes conjuntos de dados de validação: calcule as
saídas aproximadas e, a partir delas, o MSE nos dados de validação. Mostre
um gráfico da função aproximada no conjunto de dados de validação,
comparando com as saídas reais.
• Ajuste n para um bom desempenho (tentando valores até, digamos, 20). O
desempenho deve ser avaliado pelo MSE nos diferentes conjuntos de dados de
validação para evitar sobreajuste. Produza um gráfico do MSE versus n e
encontre o ponto onde o MSE é mínimo.
Seus gráficos serão semelhantes aos exemplificados na próxima figura (exceto
que seus dados e a qualidade do ajuste podem ser diferentes, é claro).