Identifications Discret S

First Prev Next Last Go Back Full Screen Close Quit
N.K.MSirdi
C
o
u
r
s
:
C
o
u
r
s
d
i
d
e
n
t
i
c
a
t
i
o
n
p
a
r
a
m
e
t
r
i
q
u
e
S
A
S
V
MOD
ELISATION ET IDENTIFICATION
pour Syst
`
emes Lin
eaires Invariants dans le Temps LIT

par N.K. MSirdi, chercheur au LSIS
http ://nkms.free.fr/
le 30 Avril 2004
Identication des paramètres de Modèles de Representation
A
v
e
c
u
n
b
o
n
m
o
d
è
l
e
t
o
u
t
t
o
u
r
n
e
b
i
e
n
I . M o d ` e l e R
I
.
M
o
d
` e
l
e
R
I
.
M
o
d
` e
l
e
R
I
.
M
o
d
` e
l
e
R
I
.
M
o
d
` e
l
e
R
I
.
M
o
d
` e
l
e
R
I
.
M
o
d
è
l
e
R
I
.
M
o
d
è
l
e
R
I
.
M
o
d
è
l
e
R
I
.
M
o
d
è
l
e
R
I
.
M
o
d
è
l
e
R
I
.
M
o
d
è
l
e
R
I. Modèle R
I
.
M
o
d
è
l
e
R
I
.
M
o
d
è
l
e
R
I
.
M
o
d
è
l
e
R
I
.
M
o
d
è
l
e
R
I
.
M
o
d
è
l
e
R
I
.
M
o
d
è
l
e
R
I
.
M
o
d
` e
l
e
R
I
.
M
o
d
` e
l
e
R
I
.
M
o
d
` e
l
e
R
I
.
M
o
d
` e
l
e
R
I
.
M
o
d
` e
l
e
R
Cette presentation realise une synthèse des exposes sur les methodes didentication
parametrique de N. K. MSirdi du LRV et de Mohammed MSaad du GREYC
1
N.K.MSirdi
C
o
u
r
s
:
C
o
u
r
s
d
i
d
e
n
t
i
c
a
t
i
o
n
p
a
r
a
m
e
t
r
i
q
u
e
S
A
S
V
IDENTIFICATION, ESTIMATION ET FILTRAGE ADAPTATIF
Plan du cours : Partie 1
Modèles, Predicteurs ajustables et Algorithmes dadaptation
Introduction et Preliminaires sur la modelisation
Les modèles pour lidentication de systèmes discrets
Les structures de Modèles ` a identier ou identiables
Une classe de predicteurs usuels pour lidentication des systèmes
Les dierentes Lois dAdaptation Parametrique
Les algorithmes dadaptation parametrique
Identication pour systèmes LIT continu et discrets
Methode dEstimation optimale
Le problème des perturbations et lidentication predictive
Prediction, ltrage et adaptation : le ltre de Kalman
Approche experimentale de modelisation de systèmes
Conclusion sur la recherche de modèles explicatifs
2
N.K.MSirdi
C
o
u
r
s
:
C
o
u
r
s
d
i
d
e
n
t
i
c
a
t
i
o
n
p
a
r
a
m
e
t
r
i
q
u
e
S
A
S
V
REPRESENTATION PARAM
ETRIQUE DE SIGNAUX ET SYST

`
EMES
3
N.K.MSirdi
C
o
u
r
s
:
C
o
u
r
s
d
i
d
e
n
t
i
c
a
t
i
o
n
p
a
r
a
m
e
t
r
i
q
u
e
S
A
S
V
Introduction
1
Dans la commande de systèmes lineaires, la modelisation est une etape très impor-
tante. Pour bien commander un système, il faut en connatre un bon modèle.
Exemple : pour la conduite dune voiture, meilleure est la connaissance de son
comportement dynamique ou de son modèle mieux on pourra la matriser à grande
vitesse et donc etre performant.
Le modèle dynamique est acquis par apprentissage ou par identication après
connaissance de la structure de ce modèle.
Etape pour le developpement dune application en automatique :
1 Modelisation,
2 Identication
3 Analyse du comportement
4 Synthèse dun estimateur, ou observateur ou correcteur, ...
5 Mise en oeuvre de lestimateur, mobservateur, la commande ...
6 Analyse et etude du système boucle
7 Verication des performances et eventuellement retour ` a letape
2, 3 ou 4.
Letape de modelisation devient cruciale lorsque les exigences sont sevères.
1. Rien nest plus pratique quune bonne theorie. K. Levin
4
N.K.MSirdi
C
o
u
r
s
:
C
o
u
r
s
d
i
d
e
n
t
i
c
a
t
i
o
n
p
a
r
a
m
e
t
r
i
q
u
e
S
A
S
V
ETRIQUE : Les signaux

5
N.K.MSirdi
C
o
u
r
s
:
C
o
u
r
s
d
i
d
e
n
t
i
c
a
t
i
o
n
p
a
r
a
m
e
t
r
i
q
u
e
S
A
S
V
ETRIQUE : Les signaux

6
N.K.MSirdi
C
o
u
r
s
:
C
o
u
r
s
d
i
d
e
n
t
i
c
a
t
i
o
n
p
a
r
a
m
e
t
r
i
q
u
e
S
A
S
V
ETRIQUE ARMAX
7
N.K.MSirdi
C
o
u
r
s
:
C
o
u
r
s
d
i
d
e
n
t
i
c
a
t
i
o
n
p
a
r
a
m
e
t
r
i
q
u
e
S
A
S
V
ETRIQUE : Modèle ARMAX

8
N.K.MSirdi
C
o
u
r
s
:
C
o
u
r
s
d
i
d
e
n
t
i
c
a
t
i
o
n
p
a
r
a
m
e
t
r
i
q
u
e
S
A
S
V
ETRIQUE DE PROCESSUS
9
N.K.MSirdi
C
o
u
r
s
:
C
o
u
r
s
d
i
d
e
n
t
i
c
a
t
i
o
n
p
a
r
a
m
e
t
r
i
q
u
e
S
A
S
V
ETRIQUE : P oles Zeros

10
N.K.MSirdi
C
o
u
r
s
:
C
o
u
r
s
d
i
d
e
n
t
i
c
a
t
i
o
n
p
a
r
a
m
e
t
r
i
q
u
e
S
A
S
V
FACTORISATION SPECTRALE
11
N.K.MSirdi
C
o
u
r
s
:
C
o
u
r
s
d
i
d
e
n
t
i
c
a
t
i
o
n
p
a
r
a
m
e
t
r
i
q
u
e
S
A
S
V
Introduction : Modelisation de Signaux et Systèmes
Les methodes classiques danalyse spectrale non parametrique, fournissent une
estimation de la densite spectrale ` a partir dune serie temporelle dobservation
(realisation) du signal. Pour cette estimation, le processus est suppose stationnaire
et seul un nombre ni dechantillons sont utilises, la resolution en frequence depend
par consequent de la longueur de la duree dobservation du signal. Lorsque les
caracteristiques du processus varient dans le temps, les resultats, fournis par ces
methodes, ne permettent pas de distinguer les variations. Ceci, nous amène ` a
postuler des modèles parametriques pour representer ces processus. Le nombre de
paramètres est en general ni et les series temporelles dobservation serviront pour
lestimation des coecients de ces modèles. La connaissance dun modèle estime
apte à representer le processus considere, permettra de realiser le traitement desire
ou letude des caracteristiques de ce dernier.
Ainsi, en utilisant la reponse impulsionnelle, un système G dont lentree est u
k
et la sortie x
k
peut etre represente par le modèle suivant :
x
k
= q
d
G(q
1
)u
k
avec
G(q
1
) = g
0
+ g
1
q
1
+ ... + g
m
q
m
+ ...
(1)
si q
1
est loperateur retard et d le retard ` a la reponse du système.
12
N.K.MSirdi
C
o
u
r
s
:
C
o
u
r
s
d
i
d
e
n
t
i
c
a
t
i
o
n
p
a
r
a
m
e
t
r
i
q
u
e
S
A
S
V
En general G(q
1
) est mise sous forme de fraction rationnelle de Polynomes
en q
1
. De meme un signal y
k
peut etre considere comme la sortie dun ltre
generateur excite par un bruit blanc e
k
:
y
k
= e
k
+ (h
1
q
1
+ ... + h
m
q
m
+ ...)e
k
= H(q
1
)e
k
(2)
Considerons maintenant le cas general dun système en environnement stochas-
tique. Soit u
k
le signal dentree de G, un ltre causal ou un système de retard d et
soit y
k
le signal recu après perturbation par lenvironnement. Ce processus peut
etre represente par le modèle suivant :
y
k
= q
d
.G(q
1
)u
k
+ H(q
1
)e
k
(3)
Lequation (4) represente un très grand choix de structures de modèles. Ce
choix est determine en xant les structures des fonctions de transfert H et G. La
structure la plus generale est la suivante :
A(q
1
)y
k
= q
d
B(q
1
)
F(q
1
)
u
k
+
C(q
1
)
D(q
1
)
e
k
13
N.K.MSirdi
C
o
u
r
s
:
C
o
u
r
s
d
i
d
e
n
t
i
c
a
t
i
o
n
p
a
r
a
m
e
t
r
i
q
u
e
S
A
S
V
Suivant le choix des polynomes A, B, C, D, et F plusieurs structures sont
obtenues.
Pour la modelisation dun signal ou dun système, nous devons donc choisir une
classe de modèles aptes à representer le processus. Ce choix peut etre guide par
les connaissances a priori. Par consequent, letape de validation de modèles après
leur identication est dune importance cruciale, dans les cas o` u lon ne dispose
pas de connaissance a priori permettant le choix de la structure du modèle apte
` a representer correctement le processus.
Quelques structures de modèles de processus ( transf / bruit)
1) y
k
= q
d
B(q
1
)u
k
+ e
k
RIF
2) A(q
1
)y
k
= q
d
B(q
1
)u
k
+ e
k
ARX
3) A(q
1
)y
k
= C(q
1
)e
k
ARMA
4) A(q
1
)y
k
= q
d
B(q
1
)u
k
+ C(q
1
)e
k
ARX MA ou AR MAX
5) A(q
1
)y
k
= q
d
B(q
1
)u
k
+
1
D(q
1
)
e
k
ARX AR
6) A(q
1
)y
k
= q
d
B(q
1
)u
k
+
C(q
1
)
D(q
1
)
e
k
ARX ARMA
7) y
k
= q
d
B(q
1
)
F(q
1
)
u
k
+ e
k
OE
8) y
k
= q
d
B(q
1
)
F(q
1
)
u
k
+
C(q
1
)
D(q
1
)
e
k
AR
14
N.K.MSirdi
C
o
u
r
s
:
C
o
u
r
s
d
i
d
e
n
t
i
c
a
t
i
o
n
p
a
r
a
m
e
t
r
i
q
u
e
S
A
S
V
REPRESENTATION DETAT
15
N.K.MSirdi
C
o
u
r
s
:
C
o
u
r
s
d
i
d
e
n
t
i
c
a
t
i
o
n
p
a
r
a
m
e
t
r
i
q
u
e
S
A
S
V
FORMES CANONIQUES DE REPRESENTATION
16
N.K.MSirdi
C
o
u
r
s
:
C
o
u
r
s
d
i
d
e
n
t
i
c
a
t
i
o
n
p
a
r
a
m
e
t
r
i
q
u
e
S
A
S
V
FORME CANONIQUE OBSERVABLE
17
N.K.MSirdi
C
o
u
r
s
:
C
o
u
r
s
d
i
d
e
n
t
i
c
a
t
i
o
n
p
a
r
a
m
e
t
r
i
q
u
e
S
A
S
V
OBSERVABILIT
E COMMANDABILIT
E
18
N.K.MSirdi
C
o
u
r
s
:
C
o
u
r
s
d
i
d
e
n
t
i
c
a
t
i
o
n
p
a
r
a
m
e
t
r
i
q
u
e
S
A
S
V
COMMANDABILIT
E
19
N.K.MSirdi
C
o
u
r
s
:
C
o
u
r
s
d
i
d
e
n
t
i
c
a
t
i
o
n
p
a
r
a
m
e
t
r
i
q
u
e
S
A
S
V
QUELQUES REFERENCES
L. LJUNG. Recursive Identication Theory for the Users Prentice Hall, New
Jersey : 1987
G.C. GOODWIN and K.S. SIN, Adaptive Filtering Prediction and Control,
Prentice Hall, New Jersey : 1984
L. JUNG and J. SODERSTROM, System Identication 1983, MIT Press, Cam-
brige
N.K. MSIRDI, I.D. LANDAU et M. MSAAD (1986) Techniques de Modelisa-
tion Recursive pour lanalyse spectrale parametrique adaptative. Traitement du
signal V 3, N 4-5 ; 1986, pp. 183-204.
N.K. MSIRDI,(1988). Modelisation Parametrique Adaptative et Application ` a
lanalyse spectrale. Thèse de doctorat detat ` a lINPG et lUSMG. Laboratoire
dAutomatique de Grenoble ; le 9 septembre 1988.
20
N.K.MSirdi
C
o
u
r
s
:
C
o
u
r
s
d
i
d
e
n
t
i
c
a
t
i
o
n
p
a
r
a
m
e
t
r
i
q
u
e
S
A
S
V
MOD
`
ELES pour LIDENTIFICATION DE SYST
`
EMES
Notion de Modèles et de predicteurs : Les Predicteurs usuels
La Prediction optimale : une approche uniee
Le comportement entree-sortie, pour des systèmes discrets, peut etre decrit par :
y(t) = y
p
(t) + v(t) avec y
p
(t) = G(q
1
)u(t) =
_

k=d+1
g(kT)q
k
_
u(t) et
v(t) = H(q
1
)(t) =
_
1 +
k=1
h(kT)q
k
_
(t)
G(q
1
)
H(q
1
)
`
_
- - -
?
?
(t)
u(t) y
p
(t)
v(t)
y(t)
G(z
1
), H(z
1
) et
1
H(z
1
)
sont des transferts asymptotiquement stables.
o` u g(kT) et h(kT) sont les elements des reponses impulsionnelles des modèles de
transfert du système et du bruit.
21
N.K.MSirdi
C
o
u
r
s
:
C
o
u
r
s
d
i
d
e
n
t
i
c
a
t
i
o
n
p
a
r
a
m
e
t
r
i
q
u
e
S
A
S
V
MOD
`
ELES pour lIDENTIFICATION
une parametrisation usuelle ; UNE STRUCTURE G
EN
ERALE DE MOD
`
ELES
y(t) = G(q
1
)u(t) + H(q
1
)(t) avec
G(q
1
) =
k=d+1
g(kT)q
k
= q
d1
B(q
1
)
A(q
1
)F(q
1
)
et H(q
1
) = 1 +
k=1
h(kT)q
k
=
C(q
1
)
A(q
1
)D(q
1
)
soit A(q
1
)y(t) =
B(q
1
)
F(q
1
)
u(t d 1) +
C(q
1
)
D(q
1
)
(t)
q
d1
B(q
1
)
A(q
1
)F(q
1
)
C(q
1
)
A(q
1
)D(q
1
)
`
_
- - -
?
?
(t)
u(t) y
p
(t)
v(t)
y(t)
Si lon denit les operateurs polyn omiaux A(q

1
), B(q
1
), C(q
1
), D(q
1
) et
F(q
1
) comme suit
22
N.K.MSirdi
C
o
u
r
s
:
C
o
u
r
s
d
i
d
e
n
t
i
c
a
t
i
o
n
p
a
r
a
m
e
t
r
i
q
u
e
S
A
S
V
une parametrisation usuelle ; UNE STRUCTURE G
EN
ERALE DE MOD
`
ELES
A(q
1
) = 1 + a
1
q
1
+ a
2
q
2
+ . . . + a
na
q
na
B(q
1
) = b
o
+ b
1
q
1
+ b
2
q
2
+ . . . + b
nb
q
nb
C(q
1
) = 1 + c
1
q
1
+ c
2
q
2
+ . . . + c
nc
q
nc
D(q
1
) = 1 + d
1
q
1
+ d
2
q
2
+ . . . + d
nd
q
nd
F(q
1
) = 1 + f
1
q
1
+ f
2
q
2
+ . . . + f
nf
q
nf
alors le modèle general peut etre deni à partir des paramètres
T
= [a
1
. . . a
na
b
o
. . . b
nb
c
1
. . . c
nc
d
1
. . . d
nd
f
1
. . . f
nf
]
POLYNOMES UTILISES MODELES
B FIR
AB ARX
AC ARMA
ABC ARMAX
ABD ARARX
ABCD ARARMAX
BF OE
BFCD BJ
23
N.K.MSirdi
C
o
u
r
s
:
C
o
u
r
s
d
i
d
e
n
t
i
c
a
t
i
o
n
p
a
r
a
m
e
t
r
i
q
u
e
S
A
S
V
LE MOD
`
ELE RIF ET SON PR
EDICTEUR OPTIMAL
Le predicteur optimal (au sens de lerreur quadratique minimale) à un pas de la
sortie du système est caracterisee par une erreur de prediction de moyenne nulle
et de variance minimale.
y(t) = B(q
1
)u(t d 1) + (t) c y(t + 1/t) = 0
et c
_
( y(t + 1/t))
2
_
est minimale
avec y(t + 1/t) = y(t + 1) y(t + 1/t)
Comme G(q
1
)u(t) est complètement deterministe,
on aura y(t + 1/t) = G(q
1
)u(t + 1) + v(t + 1/t)
q
d1
B(q
1
)
`
_
-
- -
u(t) y
p
(t) y(t)
?
(t)
Le predicteur optimal associe est donne par y(t/t 1) = B(q
1
)u(t d 1)
et peut se mettre sous la forme y(t/t 1) = (t d 1)
T
avec
T
= [b
o
. . . . . . b
nb
] et (t d 1)
T
= [u(t d 1) . . . u(t d 1 nb)]
On parle, dans ce cas, de predicteur serie
24
N.K.MSirdi
C
o
u
r
s
:
C
o
u
r
s
d
i
d
e
n
t
i
c
a
t
i
o
n
p
a
r
a
m
e
t
r
i
q
u
e
S
A
S
V
MOD
`
ELE DE PR
EDICTION RIF
Cas General :
v(t + 1/t) =
_
H(q
1
) 1
_
(t + 1) =
_
k=1
h(kT)q
k
_
(t + 1)
Donc le predicteur optimal est donne par :
y(t + 1/t) = G(q
1
)u(t + 1) +
_
H(q
1
) 1
_
(t + 1)
Il conduit bien à une erreur de prediction de moyenne nulle et de variance mi-
nimale, soit
y(t + 1/t) = y(t + 1) y(t + 1/t) = (t + 1)
et c y(t + 1/t) = 0 et c
_
y(t + 1/t)
2
_
= c
_
((t + 1))
2
)
_
Dans ce cas, cest un predicteur Serie - Parallèle
25
N.K.MSirdi
C
o
u
r
s
:
C
o
u
r
s
d
i
d
e
n
t
i
c
a
t
i
o
n
p
a
r
a
m
e
t
r
i
q
u
e
S
A
S
V
LA PR
EDICTION ARMAX
26
N.K.MSirdi
C
o
u
r
s
:
C
o
u
r
s
d
i
d
e
n
t
i
c
a
t
i
o
n
p
a
r
a
m
e
t
r
i
q
u
e
S
A
S
V
ETRIQUE et LA PR
EDICTION ARMAX
27
N.K.MSirdi
C
o
u
r
s
:
C
o
u
r
s
d
i
d
e
n
t
i
c
a
t
i
o
n
p
a
r
a
m
e
t
r
i
q
u
e
S
A
S
V
EQUATION DU PR
EDICTEUR OPTIMAL 1/3

Le predicteur optimal à un pas (au sens de lerreur quadratique minimale) peut
donc se recrire comme il suit
y(t/t 1) = G(q
1
)u(t) +
_
H(q
1
) 1
_
_
1
H(q
1
)
v(t)
_
y(t/t 1) = G(q
1
)u(t) +
_
1
1
H(q
1
)
_
_
y(t) G(q
1
)u(t)
_
y(t/t 1) =
1
H(q
1
)
_
G(q
1
)u(t)
_
+
_
1
1
H(q
1
)
_
y(t)
H(q
1
) y(t/t 1) = G(q
1
)u(t) +
_
H(q
1
) 1
_
y(t)
Le predicteur optimal associe à la structure generale des modèles didentica-
tion, soit
A(q
1
)y(t) =
B(q
1
)
F(q
1
)
u(t d 1) +
C(q
1
)
D(q
1
)
(t)
est donne par y(t/t 1) =
D(q
1
)B(q
1
)
C(q
1
)F(q
1
)
u(t d 1) +
_
1
D(q
1
)A(q
1
)
C(q
1
)
_
y(t) soit
C(q
1
)F(q
1
) y(t/t 1) = D(q
1
)B(q
1
)u(t d 1) +
+ F(q
1
)
_
C(q
1
) D(q
1
)A(q
1
)
_
y(t)
28
N.K.MSirdi
C
o
u
r
s
:
C
o
u
r
s
d
i
d
e
n
t
i
c
a
t
i
o
n
p
a
r
a
m
e
t
r
i
q
u
e
S
A
S
V
On parle, dans ce cas, de predicteur Serie - Parallèle
29
N.K.MSirdi
C
o
u
r
s
:
C
o
u
r
s
d
i
d
e
n
t
i
c
a
t
i
o
n
p
a
r
a
m
e
t
r
i
q
u
e
S
A
S
V
EQUATION DU PR

Introduisons les variables (t) et (t) denies par
(t) =
B(q
1
)
F(q
1
)
u(t d 1) (t) = A(q
1
)y(t) (t)
le predicteur optimal et lerreur de prediction peuvent alors se mettre sous les
formes
C(q
1
) y(t/t 1) =
_
C(q
1
) D(q
1
)A(q
1
)
_
y(t) + D(q
1
)(t)
y(t/t 1) = y(t) y(t/t 1) =
D(q
1
)
C(q
1
)
(t)
Le predicteur optimal C(q
1
) y(t/t1) =
_
C(q
1
) D(q
1
)A(q
1
)
_
y(t)+D(q
1
)(t)
peut secrire comme suit
y(t/t 1) =
_
C(q
1
) 1
_
y(t/t 1) + y(t) D(q
1
)
_
A(q
1
)y(t) (t)
_
+
_
A(q
1
)y(t) (t)
_
_
A(q
1
)y(t) (t)
_
ou y(t/t 1) =
_
C(q
1
) 1
_
y(t/t 1) +
_
1 D(q
1
)
_
(t) +
_
1 A(q
1
)
_
y(t) +
(t)
30
N.K.MSirdi
C
o
u
r
s
:
C
o
u
r
s
d
i
d
e
n
t
i
c
a
t
i
o
n
p
a
r
a
m
e
t
r
i
q
u
e
S
A
S
V
EQUATION DU PR

On aura alors
y(t/t 1) =
_
C(q
1
) 1
_
y(t/t 1) +
_
1 D(q
1
)
_
(t)
+
_
1 A(q
1
)
_
y(t) + (t)
F(q
1
)(t) + B(q
1
)u(t d 1)
soit y(t/t 1) =
_
1 A(q
1
)
_
y(t) + B(q
1
)u(t d 1)
+
_
1 F(q
1
)
_
(t) +
_
C(q
1
) 1
_
y(t/t 1)
+
_
1 D(q
1
)
_
(t)
UN MOD
`
ELE PARAM
ETR
E POUR LIDENTIFICATION
Le predicteur optimal peut se mettre sous la forme
y(t/t 1) =
_
1 A(q
1
)
_
y(t) + B(q
1
)u(t d 1)
+
_
1 F(q
1
)
_
(t) +
_
C(q
1
) 1
_
y(t/t 1)
+
_
1 D(q
1
)
_
(t)
que lon peut recrire comme suit y(t/t 1) = (t 1)
T
avec
T
= [a
i
b
i
f
i
c
i
d
i
]
(t 1)
T
= [y(t i) u(t d 1 i) (t i) y(t i) (t i)]
31
N.K.MSirdi
C
o
u
r
s
:
C
o
u
r
s
d
i
d
e
n
t
i
c
a
t
i
o
n
p
a
r
a
m
e
t
r
i
q
u
e
S
A
S
V
UN MOD
`
ELE PARAM
ETR
CAS DUN MOD
`
ELE ARX
A(q
1
)y(t) = B(q
1
)u(t d 1) + (t)
Le predicteur optimal associe est donne par
y(t/t 1) =
_
1 A(q
1
)
_
y(t) + B(q
1
)u(t d 1)
et peut se recrire sous la forme y(t/t 1) = (t 1)
T
avec
T
= [a
i
b
i
] (t 1)
T
= [y(t i) u(t d 1 i)]
q
d1
B(q
1
)
A(q
1
)
1
A(q
1
)
`
_
- - -
?
?
(t)
u(t) y
p
(t)
v(t)
y(t)
UN MOD
`
ELE PARAM
ETR
32
N.K.MSirdi
C
o
u
r
s
:
C
o
u
r
s
d
i
d
e
n
t
i
c
a
t
i
o
n
p
a
r
a
m
e
t
r
i
q
u
e
S
A
S
V
CAS DUN MOD
`
ELE ARMAX
A(q
1
)y(t) = B(q
1
)u(t d 1) + C(q
1
)(t)
y(t/t 1) =
B(q
1
)
C(q
1
)
u(t d 1) +
_
1
A(q
1
)
C(q
1
)
_
y(t)
soit
C(q
1
) y(t/t 1) = B(q
1
)u(t d 1) +
_
C(q
1
) A(q
1
)
_
y(t)
ou dune manière equivalente
y(t/t 1) = B(q
1
)u(t d 1) +
_
1 A(q
1
)
_
y(t) +
_
C(q
1
) 1
_
y(t/t 1)
On peut donc recrire le predicteur optimal associe à un modèle ARMAX
y(t/t 1) = B(q
1
)u(t d 1) +
_
1 A(q
1
)
_
y(t) +
_
C(q
1
) 1
_
y(t/t 1)
sous la forme y(t/t 1) = (t 1)
T
avec
T
= [a
i
b
i
c
i
]
(t 1)
T
= [y(t i) u(t d 1 i) y(t i)]
le predicteur optimal associe à un modèle ARMAX
nest pas lineaire par rapport aux paramètres du modèle
q
d1
B(q
1
)
A(q
1
)
C(q
1
)
A(q
1
)
`
_
- - -
?
?
(t)
u(t) y
p
(t)
v(t)
y(t)
33
N.K.MSirdi
C
o
u
r
s
:
C
o
u
r
s
d
i
d
e
n
t
i
c
a
t
i
o
n
p
a
r
a
m
e
t
r
i
q
u
e
S
A
S
V
LA PR
EDICTION ` a d PAS
34
N.K.MSirdi
C
o
u
r
s
:
C
o
u
r
s
d
i
d
e
n
t
i
c
a
t
i
o
n
p
a
r
a
m
e
t
r
i
q
u
e
S
A
S
V
PR
EDICTION - ESTIMATION à travers un REGULATEUR

35
N.K.MSirdi
C
o
u
r
s
:
C
o
u
r
s
d
i
d
e
n
t
i
c
a
t
i
o
n
p
a
r
a
m
e
t
r
i
q
u
e
S
A
S
V
UN MOD
`
ELE PARAM
ETR
CAS DUN MOD
`
ELE ARARX
A(q
1
)y(t) = B(q
1
)u(t d 1) +
1
D(q
1
)
(t)
y(t/t 1) = D(q
1
)B(q
1
)u(t d 1) + (1 D(q
1
A(q
1
))y(t)
Introduisons la variables w(t) denie par
w(t) = A(q
1
)y(t) B(q
1
)u(t d 1)
Le predicteur optimal peut alors se mettre sous la forme
y(t/t 1) =
_
1 A(q
1
)
_
y(t) + B(q
1
)u(t d 1) +
_
1 D(q
1
)
_
w(t)
On peut recrire le predicteur comme suit
y(t/t 1) = (t 1)
T
avec
T
= [a
i
b
i
d
i
]
(t 1)
T
= [y(t i) u(t d 1 i) w(t i)]
le predicteur optimal associe à un modèle ARARX
36
N.K.MSirdi
C
o
u
r
s
:
C
o
u
r
s
d
i
d
e
n
t
i
c
a
t
i
o
n
p
a
r
a
m
e
t
r
i
q
u
e
S
A
S
V
q
d1
B(q
1
)
A(q
1
)
1
A(q
1
)D(q
1
)
`
_
- - -
?
?
(t)
u(t) y
p
(t)
v(t)
y(t)
37
N.K.MSirdi
C
o
u
r
s
:
C
o
u
r
s
d
i
d
e
n
t
i
c
a
t
i
o
n
p
a
r
a
m
e
t
r
i
q
u
e
S
A
S
V
MOD
`
ELE PARAM
ETR
E POUR LIDENTIFICATION : CAS DUN MOD

`
ELE
ARARMAX
A(q
1
)y(t) = B(q
1
)u(t d 1) +
C(q
1
)
D(q
1
)
(t)
y(t/t 1) =
D(q
1
)B(q
1
)
C(q
1
)
u(t d 1) +
_
1
D(q
1
)A(q
1
)
C(q
1
)
_
y(t)
Introduisons la variable w(t) denie par w(t) = A(q
1
)y(t) B(q
1
)u(t d1)
Le predicteur optimal et lerreur de prediction peuvent alors se mettre sous les
formes
C(q
1
) y(t/t 1) = D(q
1
)B(q
1
)u(t d 1) +
_
C(q
1
) D(q
1
)A(q
1
)
_
y(t)
y(t/t 1) = y(t) y(t/t 1) =
D(q
1
)
C(q
1
)
w(t)
do` u y(t/t 1) =
_
C(q
1
) 1
_
y(t/t 1) + y(t) D(q
1
)w(t)
On aura alors y(t/t 1) =
_
C(q
1
) 1
_
y(t/t 1) +
_
1 D(q
1
)
_
w(t)
+ y(t) w(t) + A(q
1
)y(t) A(q
1
)y(t)
38
N.K.MSirdi
C
o
u
r
s
:
C
o
u
r
s
d
i
d
e
n
t
i
c
a
t
i
o
n
p
a
r
a
m
e
t
r
i
q
u
e
S
A
S
V
MOD
`
ELE PARAM
ETR
E : CAS DUN MOD

`
ELE ARARMAX
soit y(t/t1) =
_
C(q
1
) 1
_
y(t/t1)+
_
1 D(q
1
)
_
w(t)+
_
1 A(q
1
)
_
y(t)+
A(q
1
)y(t) w(t)
y(t/t 1) =
_
C(q
1
) 1
_
y(t/t 1) +
_
1 D(q
1
)
_
w(t) +
_
1 A(q
1
)
_
y(t) +
B(q
1
)u(t d 1)
y(t/t 1) =
_
1 A(q
1
)
_
y(t) + B(q
1
)u(t d 1) +
_
1 D(q
1
)
_
w(t) +
_
C(q
1
) 1
_
y(t/t 1)
que lon peut recrire comme suit
y(t/t 1) = (t 1)
T
avec
T
= [a
i
b
i
c
i
d
i
] (t 1)
T
=
[y(t i) u(t d 1 i) y(t i) w(t i)]
le predicteur optimal associe à un modèle ARARMAX
q
d1
B(q
1
)
A(q
1
)
C(q
1
)
A(q
1
)D(q
1
)
`
_
- - -
?
?
(t)
u(t) y
p
(t)
v(t)
y(t)
39
N.K.MSirdi
C
o
u
r
s
:
C
o
u
r
s
d
i
d
e
n
t
i
c
a
t
i
o
n
p
a
r
a
m
e
t
r
i
q
u
e
S
A
S
V
UN MOD
`
ELE PARAM
ETR
CAS DUN MOD
`
ELE dErreur de Sortie (OE : Output Error)
y(t) =
B(q
1
)
F(q
1
)
u(t d 1) + (t)
Le predicteur optimal est donne par
y(t/t 1) =
B(q
1
)
F(q
1
)
u(t d 1)
F(q
1
) y(t/t 1) = B(q
1
)u(t d 1)
y(t/t 1) = (t 1)
T
avec
T
= [f
i
b
i
] (t 1)
T
= [ y(t i/t i
1) u(t d 1 i)]
Avec ce predicteur on cherche à realiser une decorrelation de la prediction et la
perturbation
Dans ce cas, cest un predicteur Parallèle
q
d1
B(q
1
)
F(q
1
) `
_
- - -
u(t) y
p
(t) y(t)
(t)
?
40
N.K.MSirdi
C
o
u
r
s
:
C
o
u
r
s
d
i
d
e
n
t
i
c
a
t
i
o
n
p
a
r
a
m
e
t
r
i
q
u
e
S
A
S
V
UN MOD
`
ELE PARAM
ETR
E POUR LIDENTIFICATION : CAS DU

MOD
`
ELE de Box and Jenkins (BJ)
y(t) =
B(q
1
)
F(q
1
)
u(t d 1) +
C(q
1
)
D(q
1
)
(t)
y(t/t 1) =
D(q
1
)B(q
1
)
C(q
1
)F(q
1
)
u(t d 1) +
_
C(q
1
)D(q
1
)
C(q
1
)
_
y(t)
Introduisons la variable (t) et (t) denies par
(t) =
B(q
1
)
F(q
1
)
u(t d 1) et (t) = y(t) (t d 1)
Lerreur de prediction et le predicteur optimal peuvent alors se mettre sous les
formes
y(t/t 1) = y(t) y(t/t 1) =
D(q
1
)
C(q
1
)
(t)
C(q
1
) y(t/t 1) =
_
C(q
1
) D(q
1
)
_
y(t) + D(q
1
)(t)
41
N.K.MSirdi
C
o
u
r
s
:
C
o
u
r
s
d
i
d
e
n
t
i
c
a
t
i
o
n
p
a
r
a
m
e
t
r
i
q
u
e
S
A
S
V
CAS DU MOD
`
ELE de Box and Jenkins (BJ)
On aura donc : y(t/t1) =
_
C(q
1
) 1
_
y(t/t1)+
_
1 D(q
1
)
_
(t)+ y(t)(t)
y(t/t 1) =
_
C(q
1
) 1
_
y(t/t 1) +
_
1 D(q
1
)
_
(t) +(t) F(q
1
)(t) +
B(q
1
)u(t d 1)
y(t/t 1) =
_
1 F(q
1
)
_
(t) + B(q
1
)u(t d 1) +
_
C(q
1
) 1
_
y(t/t 1) +
_
1 D(q
1
)
_
(t)
que lon peut recrire comme suit
y(t/t 1) = (t 1)
T
avec
T
= [f
i
b
i
c
i
d
i
]
(t 1)
T
= [(t i) u(t d 1 i) y(t i) (t i)]
les predicteurs optimaux associes aux modèle OE et BJ
ne sont pas lineaire par rapport aux paramètres du modèle
q
d1
B(q
1
)
F(q
1
)
C(q
1
)
D(q
1
)
`
_
- - -
?
?
(t)
u(t) y
p
(t)
v(t)
y(t)
42
N.K.MSirdi
C
o
u
r
s
:
C
o
u
r
s
d
i
d
e
n
t
i
c
a
t
i
o
n
p
a
r
a
m
e
t
r
i
q
u
e
S
A
S
V
Toujours les meme objectifs
43
N.K.MSirdi
C
o
u
r
s
:
C
o
u
r
s
d
i
d
e
n
t
i
c
a
t
i
o
n
p
a
r
a
m
e
t
r
i
q
u
e
S
A
S
V
Applications : commande adaptative, Filtrage Adaptatif
44
N.K.MSirdi
C
o
u
r
s
:
C
o
u
r
s
d
i
d
e
n
t
i
c
a
t
i
o
n
p
a
r
a
m
e
t
r
i
q
u
e
S
A
S
V
Applications : Compression, Surveillance, Poursuite
45
N.K.MSirdi
C
o
u
r
s
:
C
o
u
r
s
d
i
d
e
n
t
i
c
a
t
i
o
n
p
a
r
a
m
e
t
r
i
q
u
e
S
A
S
V
Applications : Analyse Spectrale Adaptatives
46
N.K.MSirdi
C
o
u
r
s
:
C
o
u
r
s
d
i
d
e
n
t
i
c
a
t
i
o
n
p
a
r
a
m
e
t
r
i
q
u
e
S
A
S
V
Applications : Poursuite de frequences
47
N.K.MSirdi
C
o
u
r
s
:
C
o
u
r
s
d
i
d
e
n
t
i
c
a
t
i
o
n
p
a
r
a
m
e
t
r
i
q
u
e
S
A
S
V
REJET DE PERTURBATIONS
48
N.K.MSirdi
C
o
u
r
s
:
C
o
u
r
s
d
i
d
e
n
t
i
c
a
t
i
o
n
p
a
r
a
m
e
t
r
i
q
u
e
S
A
S
V
D
ECONVOLUTION ADAPTATIVE
49
N.K.MSirdi
C
o
u
r
s
:
C
o
u
r
s
d
i
d
e
n
t
i
c
a
t
i
o
n
p
a
r
a
m
e
t
r
i
q
u
e
S
A
S
V
Applications : Systèmes avec modes de resonance, Compensation de Vibrations
ADAPTATION PARAM
ETRIQUE : Les AAP

50
N.K.MSirdi
C
o
u
r
s
:
C
o
u
r
s
d
i
d
e
n
t
i
c
a
t
i
o
n
p
a
r
a
m
e
t
r
i
q
u
e
S
A
S
V
Plan du cours Partie 2
Preliminaires mathematiques utiles
But et Motivations
Formulation du problème dadaptation Parametrique
Estimateur au sens des moindres carres
Version recursive pour lestimation en temps reel
Capacite dadaptation parametrique
Eets des perturbations
Conclusion sur les AAP
2
2. Si ton go ut est subtil, apprends à go uter leau et à distinguer les sources. Lanza Del Vasto
51
N.K.MSirdi
C
o
u
r
s
:
C
o
u
r
s
d
i
d
e
n
t
i
c
a
t
i
o
n
p
a
r
a
m
e
t
r
i
q
u
e
S
A
S
V
1. Introduction
1.1. QUELQUES PR
ELIMINAIRES
1.1.1. Matrices denies positives
A > 0 X
T
AX > 0 X 1
n
0
A 0 X
T
AX 0 X 1
n
et
_
X
T
_
A + A
T
_
X = 2X
T
AX
X
T
_
A A
T
_
X = 0
A = A
T
A > 0 A est inversible
A > 0 les valeurs propres de A sont positives
1.1.2. Propriete usuelle dune base de 1
n
Soit une base B = V
1
, V
2
, . . . , V
n
de lespace vectoriel R
n
, alors on a
V
i
V
T
i
0 est une matrice de rang 1 et
i=n
i=1
V
i
V
T
i
> 0 est une matrice de rang n
52
N.K.MSirdi
C
o
u
r
s
:
C
o
u
r
s
d
i
d
e
n
t
i
c
a
t
i
o
n
p
a
r
a
m
e
t
r
i
q
u
e
S
A
S
V
1.2. Operations sur les matrices
1.2.1. Inverse dune matrice P
Pour une matrice carree (nxn) de rang plein, il existe une matrice et une
seule notee A
1
telle que :
A.A
1
= A
1
A = I
n
(la matrice identite de dimension n.
A
1
= Adj(A)/DetA o` u Adj(A) est la matrice des cofacteurs transposee.
(AB)
1
= B
1
A
1
Pour une matrice rectangulaire (mxn) ou une matrice singulière, on peut
denir une inverse generalisee (pseudo inverse) notee A
+
, de dimension (nxm).
A peut etre denie ` a laide des relations AA
+
A = A ou A
+
AA
+
= A
+
. La
pseudo inverse unique de A verie les proprietes :
(A
+
A)
T
= A
+
A
(A
+
A)
T
= AA
+
Exercice : Trouver x R
n
tel que |A x y|
N
2
= min|Ax y|
N
2
et x est de
norme N
2
minimale.
A
+
correspond à la solution x = A
+
y. Cette solution est unique et est xee par
le choix des deux normes.
Considerons A (mxn) comme la matrice dune transformation de R
n
vers R
n
,
53
N.K.MSirdi
C
o
u
r
s
:
C
o
u
r
s
d
i
d
e
n
t
i
c
a
t
i
o
n
p
a
r
a
m
e
t
r
i
q
u
e
S
A
S
V
etant donnees deux normes N
1
denie sur R
n
et N
2
denie sur R
m
.
Linverse generalisee A
+
, correspond ` a la solution du problème suivant :
| x|
N
2
|x|
N
2
x : Ax y = 0 (4)
1.2.2. Proprietes 1 : Matrice symetrique, antisymetrique, denie positive
M est symetrique si M
T
= M , ou m
ij
= m
ji
, i, j [1, n].
(A + A
T
) est symetrique quelque soit A car (A + A
T
) = (A + A
T
)
T
.
M est antisymetrique si M = M
T
, ou m
ij
= m
ji
et m = 0 i, j [1, n].
M = (A A
T
) est antisymetrique quelque soit Acar(A A
T
) = (A
T
A).
Toute matrice carree peut secrire sous forme de la somme dune matrice syme-
trique et dune matrice antisymetrique.
On peut ecrire : 2A = (A + A
T
) + (A A
T
).
Dautre part on a la propriete que x
T
Mx = x
T
M
T
x = 0x, pour une matrice
antisymetrique. Cette dernière constitue une condition necessaire et susante
pour que M soit antisymetrique.
54
N.K.MSirdi
C
o
u
r
s
:
C
o
u
r
s
d
i
d
e
n
t
i
c
a
t
i
o
n
p
a
r
a
m
e
t
r
i
q
u
e
S
A
S
V
P est dite denie positive (DP) si x
T
Mx>0x ,= 0, avec x un vecteur (nx1).
On notera cette matrice P > 0 et A > B signie (A B) > 0.
Une matrice carree P est dite semi denie positive si x
T
Mx 0x ,= 0.
Les valeurs propres dune matrice denie positive sont toutes positives.
Une matrice P > 0 est toujours inversible et P
1
> 0.
Langle entre le vecteur x et leur vecteur image Mx est inferieur ` a 90
o
.
P > 0 alors tous ses elements diagonaux sont positifs.
P > 0 alors P admet une racine carree telle que S
T
S=P.
P > 0 alors tous les determinants mineurs principaux de P sont positifs.
P > 0 := S
T
PS 0S de dimension (mxn).
P > 0 :=
min
(P).I < P <
max
(P).I ou bien
min
(P) |x|
2
< xPx <
max
(P) |x|
2
x.
55
N.K.MSirdi
C
o
u
r
s
:
C
o
u
r
s
d
i
d
e
n
t
i
c
a
t
i
o
n
p
a
r
a
m
e
t
r
i
q
u
e
S
A
S
V
P > 0 := P peut toujours se decomposer sous la forme P = U
T
U avec U
une matrice orthogonale formee par les vecteurs propres telle que U
T
U = I et
une matrice diagonale contenant les valeurs propres de P.
1.2.3. Lemme dinversion :
Soient A, B, C et D des matrices dont les dimensions sont telles que le produit
BCD et la somme A+BCD existent. Supposons que A et C sont regulières, alors
lidentite usuelle
[A + BCD]
1
= A
1
A
1
B
_
DA
1
B + C
1
1
DA
1
est toujours veriee.
L.I.M. Soient A, B, C des matrices de dimensions appropriees, si A=A
T
et
C=C
T
, A et C sont non singulières, alors on a legalite :
[A + BCB
T
]
1
= A
1
A
1
B[C
1
+ B
T
A
1
B]
1
B
T
A
1
(5)
Demonstration du LIM
Il sut de multiplier membre ` a membre par A + BCB
T
.
56
N.K.MSirdi
C
o
u
r
s
:
C
o
u
r
s
d
i
d
e
n
t
i
c
a
t
i
o
n
p
a
r
a
m
e
t
r
i
q
u
e
S
A
S
V
1.2.4. Inversion matricielle recursive
[Gain MCR] : Soit F
1
k
= F
1
k1
+
k
T
k
=
k
i=1
T
i
=
k1
i=1
T
i
+
k
T
k
alors, ` a laide de ce lemme montrer que F
k
= F
k1
F
k1
T
k
F
k1
(1+
T
k
F
k1
k
)
Ce lemme permet de calculer de manière recursive linverse de lestimation de
la matrice de covariance discrète F
k
.
Son equivalent pour le cas continu senonce comme il suit. Soit
d
dt
(F
1
) =
1
(
T
)
or comme
d
dt
(FF
1
) =
d
dt
(F).F
1
+ F.
d
dt
(F
1
) =
d
dt
(I
n
) = 0
on a
d
dt
(F) = F.
d
dt
(F
1
).F d
/
o` u :
d
dt
(F) =
1
F
T
.F
1.2.5. Quelques Exemples
Discretiser ce dernier resultat en approximant le derivee par la methode des
rectangle pour une periode dechantillonnage Te = 1s.
Comparer les deux resultats
d
dt
(F)
(F
k
F
k1
)
T
=
1
F
k1
T
k
F
k1
et F
k
=
F
k1
F
k1
T
k
F
k1
57
N.K.MSirdi
C
o
u
r
s
:
C
o
u
r
s
d
i
d
e
n
t
i
c
a
t
i
o
n
p
a
r
a
m
e
t
r
i
q
u
e
S
A
S
V
1.2.6. Application du LIM
Exemple : Si u et v sont des vecteurs colonne on a : [A + uv
T
]
1
= A
1
A
1
u[1 + v
T
A
1
u] v
T
A
1
Exemple : On peut montrer que : I+C(pIA)
1
B
1
= IC(pIA+BC)
1
B
_
A 0
C B
_
1
=
_
A
1
0
B
1
CA
1
B
1
_
(6)
_
A D
0 B
_
1
=
_
A
1
B
1
DA
1
0 B
1
_
(7)
_
A D
C B
_
1
=
_
B
1
+ E
1
F
1
ED
1
1
F
1
_
(8)
avec = B CA
1
D, E = A
1
D, F = CA
1
1.2.7. Polynome caracteristique, ploynome minimal, Theorème de Cayley Hamilton
Soit A une matrice nxn, le polyn ome caracteristique de A est : P() = det(I
A) = (
1
)(
2
)...(
n
)
Lequation caracteristique de A est : P() = 0. Les racines
i
du polyn ome
caracteristique de A, sont les valeurs propres
i
(A), i = 1...n de la matrice A.
58
N.K.MSirdi
C
o
u
r
s
:
C
o
u
r
s
d
i
d
e
n
t
i
c
a
t
i
o
n
p
a
r
a
m
e
t
r
i
q
u
e
S
A
S
V
Le Theorème de Cayley Hamilton assure que la matrice verie son equation
caracteristique P(A) = 0.
On appelle polynome minimal de A le polynome monic Q() de plus faible
degre en tel que Q(A) = 0.
Le polynome minimal de A divise son polynome caracteristique et toute valeur
propre de A est une racine du polynome minimal.
Exercice : Montrer, pour une matrice diagonale = diag(
i
) de dimension n,
que P() = 0, si P() est son polynome caracteristique. En deduire que pour
toute matrice de la forme A = TT
1
on a egalement P(A) = 0. Donner leur
polynome minimal, envisager le cas de valeurs propres mutiples avec une matrice
de la forme de Jordan.
1.3. Quelques Exercices
Exercice1 : Montrer pour une matrice diagonale = diag(
i
) de dimension n
que P() = 0, si P() est son polynome caracteristique. En deduire que pour
toute matrice de la forme A = T
T
T on a egalement P(A) = 0.
Exercice2 : Donner le polynome minimal de A = T
T
T, envisager le cas de
valeurs propres multiples.
Exercice : Montrer la dernière propriete SDP en utilisant les proprietes :
59
N.K.MSirdi
C
o
u
r
s
:
C
o
u
r
s
d
i
d
e
n
t
i
c
a
t
i
o
n
p
a
r
a
m
e
t
r
i
q
u
e
S
A
S
V
x
T
Px = x
T
U
T
Ux = z
T
z avec z = Ux
min
(P).I < <
max
(P).I et z
T
z = x
60
N.K.MSirdi
C
o
u
r
s
:
C
o
u
r
s
d
i
d
e
n
t
i
c
a
t
i
o
n
p
a
r
a
m
e
t
r
i
q
u
e
S
A
S
V
1.3.1. Quelques proprietes
Fonctions de Caratheodory : Soit TR non vide et XR
n
, considerons les
fonctions f(t,x) :TxXR
p
. La fonction f(t,x) est de caratheodory si et seulement
si :
i)t T, f(t, .) est continue,
ii)x X, f(., x) est mesurable au sens de Lebesgue,
iii)C TxX, C sous espace compact, il existe une fonction M
C
(t) integrable
au sens de Lebesgue telle que(t, x) C on ait : |f(t, x)| < M
C
(t)
La fonction f(t, x) est dite fortement de caratheodory si et seulement si elle ve-
rie les conditions ci dessus et de plus on peut remplacer M
C
(t) par une constante
M
C
.
Fonctions de classe K : Fonction de classe K : Une fonction f : R
+
R
+
est dite de classe K si et seulement si elle est continue et verie les proprietes :
i)r
1
, r
2
R, r
1
< r
2
:= f(r
1
) < f(r
2
)
ii)f(0) = 0, r > 0 := f(r) > 0
Fonction de classe KR : Une fonction f : R
+
R
+
est dite de classe KR si
et seulement si elle appartient ` a la classe K et de plus r lim f(r) = .
Lemme de Bellman Gronwall : Soit c0 et r(t) et k(t) deux fonctions conti-
nues ` a valeurs non negatives. Si nous avons : r(t) c +
_
t
0
k()r()d t[0,T].
61
N.K.MSirdi
C
o
u
r
s
:
C
o
u
r
s
d
i
d
e
n
t
i
c
a
t
i
o
n
p
a
r
a
m
e
t
r
i
q
u
e
S
A
S
V
Alors r(t) c.
_
exp
_
_
t
0
k()d
__
t[0,T].
Demonstration : posons s(t) = c +
_
t
0
k()r()d t [0, T]. alors r(t)
s(t) nous donne :
.
s(t) = k(t)r(t) k(t)s(t)t [0, T]
.
s(t) k(t)s(t) 0 t [0, T]
[
.
s(t) k(t)s(t)]exp
_
t
0
k()d 0 t [0, T]
d
dt
_
s(t)[exp
_
t
0
k()d]
_
0 t [0, T]
s(t)[exp
_
t
0
k()d] s(0) = c t [0, T]
r(t) s(t) c.exp
_
t
0
k()d t [0, T]
Notons que si c=0 alors on obtient r(t)=0 t[0,T], car r(t) est à valeurs non
negatives.
1.3.2. Theorème du point xe : Theorème de contraction globale
Soit (X, |.| ) un espace de Banach et soit T : XX un operateur pour lequel
il existe une constante < 1 xe
telle que : |T(x) T(y)| . |x y| x, yX, > 0 Alors
i ) x*X unique tel que T(x*) = x*
ii)xX, la sequence (x
n
) n=1,.., denie dans X par : x
n+1
=T(x
n
) et x
0
= x,
converge vers x.
62
N.K.MSirdi
C
o
u
r
s
:
C
o
u
r
s
d
i
d
e
n
t
i
c
a
t
i
o
n
p
a
r
a
m
e
t
r
i
q
u
e
S
A
S
V
De plus on a : |x x
n
|

n
1
|x
1
x
0
| =

n
1
|T(x
0
) x
0
|
Ce theorème peut etre utilise pour montrer la stabilite dun système ou la
convergence dune solution.
1.3.3. Optimisation lineaire
f : X 1
n
f(X) = AX +B 1
n

X
(f(X)) = A
T
h : X 1
n
h(X) = (AX + B)
T
W (AX + B) 1
+

X
(h(X)) =
_

X
(AX + B)
_
W (AX + B)

X
(h(X)) = 2 A
T
W (AX + B)
X
(h(X)) = 2 A
T
W (AX + B) = 0 A
T
WA X = A
T
WB
A
T
WA > 0 = arg (min
X
h(X)) =
_
A
T
WA
_
1
A
T
WB
63
N.K.MSirdi
C
o
u
r
s
:
C
o
u
r
s
d
i
d
e
n
t
i
c
a
t
i
o
n
p
a
r
a
m
e
t
r
i
q
u
e
S
A
S
V

2
X
2
(h(X)) =

X
_
2 A
T
W (AX + B)
_
= 2 A
T
WA > 0
64
N.K.MSirdi
C
o
u
r
s
:
C
o
u
r
s
d
i
d
e
n
t
i
c
a
t
i
o
n
p
a
r
a
m
e
t
r
i
q
u
e
S
A
S
V
2. MOTIVATIONS : Les Algorithmes dAdaptation Parametrique (AAP)
2.1. Motivations
Proposer un algorithme dadaptation parametrique de structure generale pour
lidentication en temps reel des systèmes dynamiques dont le comportement
entre-sortie peut etre approche par un modèle lineaire.
Presenter les resultats de stabilite et de convergence associes pour mettre en
evidence les aspects pratiques de lidentication en temps reel.
Classe des systèmes ` a identier
3
Un problème didentication
Identication en temps reel
Critère didentication
Condition dexcitation persistante
Predicteurs adaptatifs
2.2. Applications usuelles :
- Filtrage adaptatif,
- Prediction adaptative, Prevision
3. un problème dingenieur bien formule est un problème presque resolu. M. MSaad
65
N.K.MSirdi
C
o
u
r
s
:
C
o
u
r
s
d
i
d
e
n
t
i
c
a
t
i
o
n
p
a
r
a
m
e
t
r
i
q
u
e
S
A
S
V
- commande auto-ajustable ou adaptative.
IDENTIFICATION
DES
SYST
`
EMES
SYST
`
EME
A
IDENTIFIER
- -
-
?
entree sortie
modèle
66
N.K.MSirdi
C
o
u
r
s
:
C
o
u
r
s
d
i
d
e
n
t
i
c
a
t
i
o
n
p
a
r
a
m
e
t
r
i
q
u
e
S
A
S
V
3. FORMULATION DU PROBL
`
EME
3.1. PROBL
`
EME DE LIDENTIFICATION PARAMETRIQUE
3.1.1. CLASSE DES SYST
`
EMES A IDENTIFIER
Mod` ele :
_
A(q
1
)y(t) = B(q
1
)u(t d 1) avec
A(q
1
) = 1 + a
1
q
1
+ . . . + a
na
q
na
B(q
1
) = b
o
+ b
1
q
1
+ . . . + b
nb
q
nb
Param etrisation lin eaire en
Mod` ele :
_
(t) = (t 1) avec (0) =
y(t) = (t 1)
T
avec =
_
a
i
b
i
_
et (t 1) =
_
y(t i)
u(t d 1 i)
_
3.1.2. METHODE DIDENTIFICATION PARAMETRIQUE
P1 On cherche le paramètres dun modèle
(t) qui realiseraient les deux pro-

prietes suivantes
reproduire le comportement entree-sortie du système : lim
t
_
y(t) (t 1)
T

(t)
_
=
0
P2. converger vers les vrais paramètres, soit lim
t

(t) =
Pour cela on aura besoin de denir un critère.
67
N.K.MSirdi
C
o
u
r
s
:
C
o
u
r
s
d
i
d
e
n
t
i
c
a
t
i
o
n
p
a
r
a
m
e
t
r
i
q
u
e
S
A
S
V
3.1.3. IDENTIFICATION EN TEMPS REEL et VARIATIONS LENTES
Lidentication en temps reel est realisee par des algorithmes dadaptation re-
cursifs dont la structure generale est
(t) = f
_
(t 1), (t), T(t)

_
(t) = h
_
(t 1),

(t 1), T(t)
_
o` u f(., ., .) et h(., ., .) sont des fonctions qui dependent de la methode didenti-
cation adoptee et T(t) designe lensemble des donnees dentree-sortie disponibles
` a linstant dechantillonnage t.
68
N.K.MSirdi
C
o
u
r
s
:
C
o
u
r
s
d
i
d
e
n
t
i
c
a
t
i
o
n
p
a
r
a
m
e
t
r
i
q
u
e
S
A
S
V
ESTIMATEUR DES PARAMETRES : Methode hors ligne (non re-
cursive)
Le système y(t) = (t 1)
T
La prediction de la sortie (si

est lestimation des parmètres sur un horizon
jusqua t) y(t) = (t 1)
T

lerreur de prediction donne lerreur dequation : y(t) = y(t) y(t) = (t

1)
T
_

_
= (t 1)
T

PR
EDICTEURS ADAPTATIFS
Predicteur adaptatif a priori (à chaque instant (t 1) son vecteur paramètre
estime (
(t 1))) : y
o
(t) = (t 1)
T

(t 1)
Erreur de prediction a priori est donnee par
o
(t) = y(t) y
o
(t) = (t
1)
T

(t 1)
Predicteur adaptatif a posteriori (` a linstant t on a le vecteur paramètre es-
time

(t)) y(t) = (t 1)
T

(t)
Erreur de prediction a posteriori est donnee par : (t) = y(t) y(t) = (t
1)
T

(t)
69
N.K.MSirdi
C
o
u
r
s
:
C
o
u
r
s
d
i
d
e
n
t
i
c
a
t
i
o
n
p
a
r
a
m
e
t
r
i
q
u
e
S
A
S
V
Les paramètres

(t) qui minimisent le critère quadratique J(
(t)) =
1
t
t
=1
_
y() ( 1)
T

(t)
_
2
sont donnes par la condition doptimalite
(t)
_
J(
(t))
_
= 0 = 2
1
t
t
=1
( 1)
_
y() ( 1)
T

(t)
_
= 0
_
1
t
t
=1
( 1)( 1)
T
_
(t) =
1
t
t
=1
y()( 1)
Et si la matrice
_
1
t
t
=1
( 1)( 1)
T
_
est inversible, on aura
(t) =
_
t
=1
( 1)( 1)
T
_
1
_
t
=1
y()( 1)
_
70
N.K.MSirdi
C
o
u
r
s
:
C
o
u
r
s
d
i
d
e
n
t
i
c
a
t
i
o
n
p
a
r
a
m
e
t
r
i
q
u
e
S
A
S
V
M
ETHODE DES MOINDRES CARRES SIMPLES MCS

Les donnees sont utilisee dun seul bloc. Pour la methode non recursive, le
poids associe aux mesure est le meme à tout instant. Le critère ` a optimiser pour
lestimation est ici celui des Moindres Carres (MC) non ponderes :
J(
(k)) =
1
k
k
i=1
_
y(i)

(k)
T
(i 1)
_
2
Les paramètres sont supposes constants et les donnees contenir assez dinforma-
71
N.K.MSirdi
C
o
u
r
s
:
C
o
u
r
s
d
i
d
e
n
t
i
c
a
t
i
o
n
p
a
r
a
m
e
t
r
i
q
u
e
S
A
S
V
tions sur tous les paramètres.
Cette methode peut etre mise sous forme recursive. On obtiendrait la methode
des Moindres Carres Recursifs (MCR)
72
N.K.MSirdi
C
o
u
r
s
:
C
o
u
r
s
d
i
d
e
n
t
i
c
a
t
i
o
n
p
a
r
a
m
e
t
r
i
q
u
e
S
A
S
V
ALGORITHME DADAPTATION PARAM
ETRIQUE AAP
On peut mettre lalgorithme destimation sous forme recursive. On realise un
système dynamique boucle qui doit verier les proprietes P1 et P2.
On obtient le predicteur adaptatif represente ci dessous.
73
N.K.MSirdi
C
o
u
r
s
:
C
o
u
r
s
d
i
d
e
n
t
i
c
a
t
i
o
n
p
a
r
a
m
e
t
r
i
q
u
e
S
A
S
V
74
N.K.MSirdi
C
o
u
r
s
:
C
o
u
r
s
d
i
d
e
n
t
i
c
a
t
i
o
n
p
a
r
a
m
e
t
r
i
q
u
e
S
A
S
V
M
ETHODE DES MOINDRES CARRES RECURSIFS MCR

On peut mettre lalgorithme destimation sous forme recursive en utilisant le
Lemme dInversion Matricielle (LIM)
75
N.K.MSirdi
C
o
u
r
s
:
C
o
u
r
s
d
i
d
e
n
t
i
c
a
t
i
o
n
p
a
r
a
m
e
t
r
i
q
u
e
S
A
S
V
76
N.K.MSirdi
C
o
u
r
s
:
C
o
u
r
s
d
i
d
e
n
t
i
c
a
t
i
o
n
p
a
r
a
m
e
t
r
i
q
u
e
S
A
S
V
M
ETHODE DES MOINDRES CARRES RECURSIFS MCR : Proprietes

Nous allons considerer maintenant la Methode des Moindres Carres Ponderes,
77
N.K.MSirdi
C
o
u
r
s
:
C
o
u
r
s
d
i
d
e
n
t
i
c
a
t
i
o
n
p
a
r
a
m
e
t
r
i
q
u
e
S
A
S
V
en ajoutant une ponderation sur les donnees dentree sortie. La ponderation doit
privilegier les donnees recentes pour ameliorer la capacite de suivi deventuelles
variations des paramètres.
78
N.K.MSirdi
C
o
u
r
s
:
C
o
u
r
s
d
i
d
e
n
t
i
c
a
t
i
o
n
p
a
r
a
m
e
t
r
i
q
u
e
S
A
S
V
ESTIMATEUR DES MOINDRES CARRES PONDERES
On notera le système sous forme de representation detat
_
(t) = (t 1)
y(t) = (t 1)
T
(t)
et (0) =
Les paramètres

(t) qui minimisent le critère quadratique J(
(t)) =
1
t
t
=1
(t, )
_
y() ( 1)
T

(t)
_
2
avec (t, ) = (t)(t 1, ) pour [1, t 1]. sont donnes par la condition
doptimalite
(t)
_
J(
(t))
_
= 0 = 2
1
t
t
=1
(t, )( 1)
_
y() ( 1)
T

(t)
_
= 0
_
1
t
t
=1
(t, )( 1)( 1)
T
_
(t) =
1
t
t
=1
(t, )y()( 1)
qui peut se mettre, si lhorizon destimation est t = T, sous la forme
T
=1
(t, )(
1)y() =
T
=1
(t, )( 1)( 1)
T
ceci fait apparatre clairement que les paramètres du système peuvent etre re-
trouves si la propriete suivante est satisfaite :
CONDITION DEXCITATION PERSISTANTE :

Etant donne un ho-
rizon T, pour tout instant t, il existe deux nombres reels strictement positifs et
79
N.K.MSirdi
C
o
u
r
s
:
C
o
u
r
s
d
i
d
e
n
t
i
c
a
t
i
o
n
p
a
r
a
m
e
t
r
i
q
u
e
S
A
S
V
nis
min
et
max
tels que
min
I
np

t+T
=t
()()
T

max
I
np
Et si la condition dexcitation persistante est veriee, on aura
(t) =
_
t
=1
(t, )( 1)( 1)
T
_
1
_
t
=1
(t, )y()( 1)
_
Cette propriete peut etre satisfaite par un choix judicieux de la sequence den-
tree u(t), par exemple on peut prendre une SBPA.
80
N.K.MSirdi
C
o
u
r
s
:
C
o
u
r
s
d
i
d
e
n
t
i
c
a
t
i
o
n
p
a
r
a
m
e
t
r
i
q
u
e
S
A
S
V
M
ETHODE DESTIMATION PARAM
ETRIQUE MCP RECURSIVE

Remarque : Une inversion matricielle ` a chaque instant dechantillonnage peut
induire un problème de robustesse numerique.
(t) =
_
T
=1
(t, )( 1)( 1)
T
_
1
T
=1
(t, )( 1)y()
Mise en oeuvre recursive : lestimateur des moindres carres ponderes peut se
recrire sous la forme
_
t
=1
(t, )( 1)( 1)
T
_
(t) =
_
t
=1
(t, )y()( 1)
_
ou dune manière equivalente F(t)
1

(t) =
t
=1
(t, )y()( 1)
F(t)
1
=
t
=1
(t, )( 1)( 1)
T
Cette forme permet de mettre en evidence que la mise ` a jour de F(t)
1
peut
81
N.K.MSirdi
C
o
u
r
s
:
C
o
u
r
s
d
i
d
e
n
t
i
c
a
t
i
o
n
p
a
r
a
m
e
t
r
i
q
u
e
S
A
S
V
etre obtenue dune manière recursive :
F(t)
1
=
t
=1
(t, )( 1)( 1)
T
=
t1
=1
(t, )( 1)( 1)
T
+ (t, t)(t 1)(t 1)
T
=
t1
=1
(t)(t 1, )( 1)( 1)
T
+ (t, t)(t 1)(t 1)
T
soit F(t)
1
= (t)F(t 1)
1
+ (t)(t 1)(t 1)
T
Remarque : Lestimateur des moindres carres verie
c( 1) v() = 0
1
t
t
t=1
( 1) v() = 0 avec v() = y() ( 1)
T

(t)
82
N.K.MSirdi
C
o
u
r
s
:
C
o
u
r
s
d
i
d
e
n
t
i
c
a
t
i
o
n
p
a
r
a
m
e
t
r
i
q
u
e
S
A
S
V
M
ETHODE RECURSIVE DESTIMATION PARAM
ETRIQUE
CRIT
`
ERE DIDENTIFICATION Pour les Moindres Carres Ponderes : La pro-
priete P1 peut etre realisee au sens des moindres carres par un estimateur
(t)
qui minimise le critère quadratique avec ponderation :
J(
(t)) =
1
t
t
=1
(t, )
_
y() ( 1)
T

(t)
_
2
avec (t, ) = (t)(t
1, ) pour [1, t 1]
83
N.K.MSirdi
C
o
u
r
s
:
C
o
u
r
s
d
i
d
e
n
t
i
c
a
t
i
o
n
p
a
r
a
m
e
t
r
i
q
u
e
S
A
S
V
84
N.K.MSirdi
C
o
u
r
s
:
C
o
u
r
s
d
i
d
e
n
t
i
c
a
t
i
o
n
p
a
r
a
m
e
t
r
i
q
u
e
S
A
S
V
Prols DOubli M.C. Ponderes
LA FONCTION DE POND
ERATION :
(t, ) = (t)(t 1, ) pour [1, t 1]
avec 0 < (t) 1 et 0 < (t, t) < 2
(t, ) =
_
t
j=+1
(j)
_
() avec () = (, )
avec 0 < (t) 1 et 0 < (t) < 2
ALGORITHME
DADAPTATION
PARAM
ETRIQUE
SYST
`
EME
- -
-
?
u(t) y(t)
(t)
85
N.K.MSirdi
C
o
u
r
s
:
C
o
u
r
s
d
i
d
e
n
t
i
c
a
t
i
o
n
p
a
r
a
m
e
t
r
i
q
u
e
S
A
S
V
86
N.K.MSirdi
C
o
u
r
s
:
C
o
u
r
s
d
i
d
e
n
t
i
c
a
t
i
o
n
p
a
r
a
m
e
t
r
i
q
u
e
S
A
S
V
M
ETHODE TEMPS REEL DESTIMATION PARAM
ETRIQUE : MCP
(t) = F(t)
_
t1
=1
(t, )y()( 1) + (t, t)y(t)(t 1)
_
=
= F(t)
_
(t)
t1
=1
(t 1, )y()( 1) + (t)y(t)(t 1)
_
(t) = F(t)
_
(t)F(t 1)
1
(t 1) + (t)y(t)(t 1)
_
= F(t)
_
_
F(t)
1
(t)(t 1)(t 1)
T
_
(t 1)
_
+ F(t) [(t)y(t)(t 1)]
(t) =

(t 1) + (t)F(t)(t 1)
_
y(t) (t 1)
T

(t 1)
_
On a
(t) =

(t 1) + (t)F(t)(t 1)
_
y(t) (t 1)
T

(t 1)
_
F(t)
1
= (t)F(t 1)
1
+ (t)(t 1)(t 1)
T
Inversion de la matrice F(t)
1
: pour eviter deectuer linversion matricielle,
on peut utiliser le lemme dinversion matricielle :
LIM : Soient A, B, C et D des matrices dont les dimensions sont telles que le
produit BCD et la somme A+BCD existent. Supposons que A et C sont regulières,
87
N.K.MSirdi
C
o
u
r
s
:
C
o
u
r
s
d
i
d
e
n
t
i
c
a
t
i
o
n
p
a
r
a
m
e
t
r
i
q
u
e
S
A
S
V
alors lidentite usuelle
[A + BCD]
1
= A
1
A
1
B
_
DA
1
B + C
1
1
DA
1
est toujours veriee.
Si on applique ce le LIM à lequation de mise à jour de F(t 1)
1
= (t)F(t
1)
1
+ (t)(t 1)(t 1)
T
avec A = (t)F(t 1)
1
B = (t 1) D =
(t 1)
T
et C = (t) on aura la forme recursive :
F(t) =
1
(t)
_
F(t 1)
F(t 1)(t 1)(t 1)
T
F(t 1)
(t)
(t)
+ (t 1)
T
F(t 1)(t 1)
_
qui permet entre autre de recrire (t)F(t)(t 1) comme suit
(t)F(t)(t 1) =
F(t 1)(t 1)
(t)
(t)
+ (t 1)
T
F(t 1)(t 1)
88
N.K.MSirdi
C
o
u
r
s
:
C
o
u
r
s
d
i
d
e
n
t
i
c
a
t
i
o
n
p
a
r
a
m
e
t
r
i
q
u
e
S
A
S
V
ALGORITHME TEMPS REEL DADAPTATION PARAM
ETRIQUE 1
o
(t) = y(t) (t 1)
T

(t 1)
(t) =

(t 1) +
F(t 1)(t 1)
(t)
(t)
+ (t 1)
T
F(t 1)(t 1)
o
(t)
F(t) =
1
(t)
_
F(t 1)
F(t 1)(t 1)(t 1)
T
F(t 1)
(t)
(t)
+ (t 1)
T
F(t 1)(t 1)
_
R0 Le processus didentication est ane au fur et ` a mesure que de nouvelles
informations sont acquises.
(t) = y(t) (t 1)
T

(t 1) (t 1)
T

(t 1)
=
o
(t) (t 1)
T
_
(t)

(t 1)
_
=
o
(t)
(t 1)
T
F(t 1)(t 1)
(t)
(t)
+ (t 1)
T
F(t 1)(t 1)
o
(t)
On aura donc :
89
N.K.MSirdi
C
o
u
r
s
:
C
o
u
r
s
d
i
d
e
n
t
i
c
a
t
i
o
n
p
a
r
a
m
e
t
r
i
q
u
e
S
A
S
V (t) =
(t)
(t)
(t)
(t)
+ (t 1)
T
F(t 1)(t 1)
o
(t)
[ (t) [ [
o
(t) [ pour tout t
R1. Lalgorithme dadaptation parametrique peut etre considere comme un
predicteur adaptatif à un pas dont lobjectif consiste à annuler asymptotique-
ment lerreur de prediction : lim
t
o
(t) = 0
ou comme un estimateur de paramètres puisque la sequence des mesures
(t) satisfait la condition dexcitation persistant : lim
t

(t) =
Dans les deux cas, le gain dadaptation (t) permet daner le processus de
prediction ou destimation et dannuler asymptotiquement lerreur de predic-
tion a posteriori, independamment de la nature des signaux dentree-sortie :
lim
t
(t) = 0
90
N.K.MSirdi
C
o
u
r
s
:
C
o
u
r
s
d
i
d
e
n
t
i
c
a
t
i
o
n
p
a
r
a
m
e
t
r
i
q
u
e
S
A
S
V
ALGORITHME TEMPS REEL DADAPTATION
PARAM
ETRIQUE 2
R2 On peut recrire lestimateur des moindres carres sous la forme suivante qui
montre que linitialisation de lAAP peut se faire comme suit :

(0) = 0 et F(0)
1
=
0.
(t) = F(t)
_
t1
=1
(t )F(0)
1
(0) +
t
=1
(t, )y()( 1)
_
F(t)
1
=
t1
=1
(t )F(0)
1
+
t
=1
(t, )( 1)(t 1)
T
Pour realiser la seconde condition, il sut de choisir F(0) = f
o
I
np
o` u f
o
est grand
par rapport ` a la norme du vecteur de mesure, e.g. : f
o
= max
t
|(t 1)| 10
np
On notera que linitialisation de lalgorithme dadaptation parametrique peut etre
91
N.K.MSirdi
C
o
u
r
s
:
C
o
u
r
s
d
i
d
e
n
t
i
c
a
t
i
o
n
p
a
r
a
m
e
t
r
i
q
u
e
S
A
S
V
faite à partir dune identication prealable sur un horizon T
o
comme suit
(t
o
) = F(t
o
)
_
t
o
=1
(t
o
, )y()( 1)
_
F(t
o
) =
_
t
o
=1
(t
o
, )( 1)(t 1)
T
_
1
R3. Le critère que lon minimise avec la version recursive des moindres carres
est donne par
J
vr
(
(t)) = J(
(t)) +
_
t1
=1
(t )
_
(0)
T
(F(0))
1
(0)
qui motive la seconde procedure dinitialisation donnee.
R4. Lalgorithme dadaptation parametrique peut se recrire sous la forme
(t) =

(t 1) + (t 1)
o
(t)
(t 1) =
F(t 1)(t 1)
(t)
(t)
+ (t 1)
T
F(t 1)(t 1)
Cette forme permet de mettre en evidence les proprietes suivantes
P1. (
o
(t) 0) = (
(t)

(t 1) 0)
P2. ((t) 0) = (
(t)

(t 1) 0)
92
N.K.MSirdi
C
o
u
r
s
:
C
o
u
r
s
d
i
d
e
n
t
i
c
a
t
i
o
n
p
a
r
a
m
e
t
r
i
q
u
e
S
A
S
V
R5. Lerreur parametrique est donnee par lequation
_
I
np
+
(t)
(t)
F(t 1)(t 1)(t 1)
T
q
1
_
(t) = 0
Elle est asymptotiquement nulle si la condition dexcitation persistante est
veriee, soit
min
I
np

t+T
=t
()()
T

max
I
np
__
I
np
+ F(t 1)(t 1)
T
_
I
np
q
1
1
-
(t)
-
(0)(t)
93
N.K.MSirdi
C
o
u
r
s
:
C
o
u
r
s
d
i
d
e
n
t
i
c
a
t
i
o
n
p
a
r
a
m
e
t
r
i
q
u
e
S
A
S
V
Poursuite de Paramètres Variant dans le temps
94
N.K.MSirdi
C
o
u
r
s
:
C
o
u
r
s
d
i
d
e
n
t
i
c
a
t
i
o
n
p
a
r
a
m
e
t
r
i
q
u
e
S
A
S
V
Convergence et Consistence de lAlgorithme des MCR Ponderes
Propriete 1. La fonction de co ut des moindres carres ponderes peut se mettre
sous la forme quadratique :
J(
(t)) =

(t)
T
_
1
t
t
=1
(t, )( 1)( 1)
T
_
(t)
Ceci permet de denir une fonction de Lyapunov, equivalente ` a une distance
entre lerreur parmetrique

(t) =
(t) et lorigine. Ce qui prouve la conver-

gence si lexcitation est persistente.
V (
(t)) =

(t)
T
_
t
=1
(t, )( 1)( 1)
T
_
(t)
Propriete 2. Lestimateur des moindres carres est consistant, soit

(t) = (t) =
pour tout t T o` u T est un horizon de temps donne. Le système peut en ef-
fet se mettre sous la forme suivante qui fait apparatre clairement la propriete
de consistance

(T) = ,
1
T
T
=1
(t, )( 1)y() =
1
T
T
=1
(t, )( 1)( 1)
T
95
N.K.MSirdi
C
o
u
r
s
:
C
o
u
r
s
d
i
d
e
n
t
i
c
a
t
i
o
n
p
a
r
a
m
e
t
r
i
q
u
e
S
A
S
V
=
_
T
=1
(t, )( 1)( 1)
T
_
1
T
=1
(t, )( 1)y()
96
N.K.MSirdi
C
o
u
r
s
:
C
o
u
r
s
d
i
d
e
n
t
i
c
a
t
i
o
n
p
a
r
a
m
e
t
r
i
q
u
e
S
A
S
V
PROPRIETES : ALGORITHME DES MOINDRES CARRES R
ECURSIFS
97
N.K.MSirdi
C
o
u
r
s
:
C
o
u
r
s
d
i
d
e
n
t
i
c
a
t
i
o
n
p
a
r
a
m
e
t
r
i
q
u
e
S
A
S
V
Algorithme de Base MCR
Exercice : Programmer lalgorithme ci dessous et le tester avec un signal sinu-
soidal bruite. Essaayer dierentes puissances de bruit et dierent facteurs doubli.
98
N.K.MSirdi
C
o
u
r
s
:
C
o
u
r
s
d
i
d
e
n
t
i
c
a
t
i
o
n
p
a
r
a
m
e
t
r
i
q
u
e
S
A
S
V
99
N.K.MSirdi
C
o
u
r
s
:
C
o
u
r
s
d
i
d
e
n
t
i
c
a
t
i
o
n
p
a
r
a
m
e
t
r
i
q
u
e
S
A
S
V
CAPACIT
E DADAPTATION /1
Lobjectif didentication considere consiste ` a minimiser le critère quadratique
J(
(t)) =
1
t
t
=1
(t, )
_
y() ( 1)
T

(t)
_
2
+

(0)
T
(F(0))
1
(0)
avec (t, ) =
_
t
j=+1
(j)
_
()
Lintroduction de la fonction de ponderation est particulièrement motivee par des
considerations de robustesse vis ` a vis de variations eventuelles des paramètres du
système ` a identier, en loccurrence les variations lentes en moyenne.
En eet, si la fonction de ponderation nest pas consideree, on retrouve la me-
thode des moindres carres simples qui consiste à minimiser le critère quadratique
J(
(t)) =
1
t
t
=1
_
y() ( 1)
T

(t)
_
2
+

(0)
T
(F(0))
1
(0)
Dans
J(
(t)) =
1
t
t
=1
_
y() ( 1)
T

(t)
_
2
+

(0)
T
(F(0))
1
(0)
100
N.K.MSirdi
C
o
u
r
s
:
C
o
u
r
s
d
i
d
e
n
t
i
c
a
t
i
o
n
p
a
r
a
m
e
t
r
i
q
u
e
S
A
S
V
toutes les donnees dentree-sortie sont prises en consideration de la meme ma-
nière. Lalgorithme dadaptation parametrique associe est
(t) =

(t 1) + (t 1)
o
(t)
(t) =
F(t)(t)
1 + (t)
T
F(t)(t)
F(t) = F(t 1)
F(t 1)(t 1)(t 1)
T
F(t 1)
1 + (t 1)
T
F(t 1)(t 1)
101
N.K.MSirdi
C
o
u
r
s
:
C
o
u
r
s
d
i
d
e
n
t
i
c
a
t
i
o
n
p
a
r
a
m
e
t
r
i
q
u
e
S
A
S
V
CAPACIT
E DADAPTATION /2
On montre que lestimateur des moindres carres simples admet les proprietes
usuelles suivantes.
P1. La sequence
(t) est bornee.

P2. Le gain dadaptation (t) est asymptotiquement nul.
P3. Lerreur de prediction a posteriori (t) est asymptotiquement nulle.
P4. Les variations des paramètres estimes
(t)

(t 1) sont asymptoti-
quement nulles.
P5. Il existe un vecteur V (t) tel que =

(t) + F(t)V (t) pour tout t
La methode des moindres carres simples ne peut pas etre utilisee pour les sys-
tèmes dont les paramètres varient dans le temps car le gain dadaptation sous-
jacent est asymptotiquement nul. Cette propriete peut etre apprehendee ` a partir
de lequation aux dierences
F(t)
1
= F(t 1)
1
+ (t 1)(t 1)
T
102
N.K.MSirdi
C
o
u
r
s
:
C
o
u
r
s
d
i
d
e
n
t
i
c
a
t
i
o
n
p
a
r
a
m
e
t
r
i
q
u
e
S
A
S
V
qui montre clairement que F(t) est asymptotiquement nulle si (t)(t)
T
nest
pas nulle en moyenne. En eet on a
(t) verie la condition dexcitation persistante
(t)(t)
T
nest pas nulle en moyenne
lim
t
_
F(t)
1
_
= lim
t
F(t) = 0
103
N.K.MSirdi
C
o
u
r
s
:
C
o
u
r
s
d
i
d
e
n
t
i
c
a
t
i
o
n
p
a
r
a
m
e
t
r
i
q
u
e
S
A
S
V
GAIN DADAPTATION
(t 1) =
F(t 1)(t 1)
1 + (t 1)
T
F(t 1)(t 1)
Lintroduction de la fonction de ponderation permet de modier lequation aux
dierences du gain dadaptation comme suit
F(t)
1
= (t)F(t 1)
1
+ (t)(t 1)(t 1)
T
On assure ainsi la bornitude de F(t)
1
pour eviter que le gain dadapta-
tion (t) devienne asymptotiquement nulle pourvu que (t) et (t) soient
bornees, lentement variables dans le temps et telles que
0 < (t) 1 et 0 (t) < 2
Par ailleurs, on montre que la convergence de lalgorithme dadaptation para-
metrique est exponentielle si et seulement si 0 < (t) < 1
La convergence de la methode des moindres carres simples ne peut etre alors ex-
ponentielle. Pour pallier ce problème, on peut utiliser une fonction de ponderation
denie par
(t) = (t 1) + (1 ) et (t) = 1
(, (0)) [0.5, 0.98] [0.5, 0.98]
104
N.K.MSirdi
C
o
u
r
s
:
C
o
u
r
s
d
i
d
e
n
t
i
c
a
t
i
o
n
p
a
r
a
m
e
t
r
i
q
u
e
S
A
S
V
Notons que le facteur doubli (t) converge exponentiellement vers un, ce qui
conduit ` a un algorithme des moindres carres simples. Ce type de facteur doubli
permet toutefois de remedier au problème des mauvaises conditions initiales.
105
N.K.MSirdi
C
o
u
r
s
:
C
o
u
r
s
d
i
d
e
n
t
i
c
a
t
i
o
n
p
a
r
a
m
e
t
r
i
q
u
e
S
A
S
V
GAIN DADAPTATION POND
ER
E /2
Les algorithmes dadaptation parametrique qui sont generalement utilisees cor-
respondent à des fonctions de ponderation particulières. On distingue
La methode des moindres carres avec facteur doubli xe que lon peut obtenir
comme suit
(t) = et (t) = 1 avec 0 < < 1
Cette appellation est particulièrement justiee par le fait que les donnees les
plus recentes ont beaucoup plus dimportance que les anciennes donnees dans
le processus destimation. On notera que la sequence F(t) peut devenir ex-
ponentiellement croissante dans le cas o` u la condition dexcitation persistante
nest pas satisfaite ; soit (t)(t)
T
est nulle en moyenne.
La methode des moindres carres avec trace constante peut sobtenir avec la
fonction de ponderation
(t) = (t) tel que trace (F(t)) = trace (F(t 1))
(t) = 1
(t 1)
T
F(t 1)F(t 1)(t 1)
(1 + (t 1)
T
F(t 1)(t 1))trace (F(t 1))
Ce type dalgorithme permet dassurer que la matrice de gain dadaptation
soit bornee superieurement independamment de la nature des informations
106
N.K.MSirdi
C
o
u
r
s
:
C
o
u
r
s
d
i
d
e
n
t
i
c
a
t
i
o
n
p
a
r
a
m
e
t
r
i
q
u
e
S
A
S
V
traitees. En eet, le facteur doubli (t) devient identiquement egal à un
dans le cas o` u la condition dexcitation persistante nest pas satisfaite.
La methode du gradient normalise peut etre obtenue à partir de lalgorithme
dadaptation parametrique
(t) =

(t 1) +
F(t 1)(t 1)
1 + (t 1)
T
F(t 1)(t 1)
o
(t)
o
(t) = y(t) (t 1)
T

(t 1)
F(t) =
1
(t)
_
F(t 1)
F(t 1)(t 1)(t 1)
T
F(t 1)
(t)
(t)
+ (t 1)
T
F(t 1)(t 1)
_
avec une fonction doubli donnee par (t) = 1 et (t) = 0
107
N.K.MSirdi
C
o
u
r
s
:
C
o
u
r
s
d
i
d
e
n
t
i
c
a
t
i
o
n
p
a
r
a
m
e
t
r
i
q
u
e
S
A
S
V
GAIN DADAPTATION POND
ER
E /3
La methode du gradient normalise minimise le critère quadratique suivant
J(
(t)) =
_
y(t)

(t)
T
(t 1)
_
2
+
_
(t)

(t 1)
_
T
F(0)
1
_
(t)

(t 1)
_
o` u F(0) = F est une matrice symetrique denie positive. Lalgorithme dadap-
tation parametrique correspondant est donne par
(t) =

(t 1) +
F(t 1)
1 + (t 1)
T
F(t 1)
o
(t)
o
(t) = y(t) (t 1)
T
(t 1)
Elle est particulièrement utilisee par la communaute du traitement du signal. Il
faut remarquer quelle converge relativement lentement par rapport aux methodes
des moindres carres mais elle est relativement robuste par rapport aux eventuelles
variations des paramètres. Une bonne initialisation de cette methode peut etre
faite à partir de la methode des moindres carres avec un facteur doubli variable
qui tend exponentiellement vers un, soit
(t) = (t 1) + (1 ) et (t) = 1 avec (, (0)) [0.5, 0.98] [0.5, 0.98]
REMARQUE
Le gain dadaptation de la methode des moindres carres simples peut etre re-
108
N.K.MSirdi
C
o
u
r
s
:
C
o
u
r
s
d
i
d
e
n
t
i
c
a
t
i
o
n
p
a
r
a
m
e
t
r
i
q
u
e
S
A
S
V
initialisee dune manière appropriee pour eviter quil devienne nul, à des instants
t
i
designe linstant de reinitialisation et F(t
i
) est la matrice de reinitialisation
associee. e.g.
F(t) =
_
F(t
i
) si t = t
i
F(t 1)
F(t1)(t1)(t1)
T
F(t1)
1+(t1)
T
F(t1)(t1)
ailleurs
Cette approche requiert de bonnes connaissances a priori pour elaborer une
procedure de supervision adequate de lalgorithme dadaptation parametrique. La
culture disponible sur la detection des ruptures des modèles peut etre utilisee a
bon escient.
109
N.K.MSirdi
C
o
u
r
s
:
C
o
u
r
s
d
i
d
e
n
t
i
c
a
t
i
o
n
p
a
r
a
m
e
t
r
i
q
u
e
S
A
S
V
EFFETS DES PERTURBATIONS
Considerons les système decrits par y(t) = (t 1)
T
+ v(t) alors on aura
1
T
T
=1
(T, )( 1)y() =
1
T
T
=1
(T, )( 1)( 1)
T
+
1
T
T
=1
(T, )( 1)v()
soit

(T) = + (T)
(T) =
_
T
=1
(T, )( 1)( 1)
T
_
1
T
=1
(T, )( 1)v()
Le passage ` a la limite donne
lim
T
(T) = +
_
c
_
()()
T
__
1
c ( 1)v()
avec
c X() = lim
T
1
T
T
=1
(T, )X()
EFFETS DES PERTURBATIONS /2
110
N.K.MSirdi
C
o
u
r
s
:
C
o
u
r
s
d
i
d
e
n
t
i
c
a
t
i
o
n
p
a
r
a
m
e
t
r
i
q
u
e
S
A
S
V
On notera que la consistance de lestimateur des moindres carres est preservee
si
_
c
_
()()
T
__
1
= 0
ou c ( 1)v() = 0
La condition :
_
c
_
()()
T
__
1
= 0 requiert un gain dadaptation parame-
trique asymptotiquement nul comme celui des moindres carres simples.
La condition : c ( 1)v() = 0 necessite que les perturbations v(t)
soient independantes des donnees dentree-sortie (t) et de moyenne nulle.
Une telle condition peut etre realisee par un traitement adequat des donnees.
111
N.K.MSirdi
C
o
u
r
s
:
C
o
u
r
s
d
i
d
e
n
t
i
c
a
t
i
o
n
p
a
r
a
m
e
t
r
i
q
u
e
S
A
S
V
TRAITEMENT DES DONN
EES
Le traitement des donnees est generalement eectue par un ltrage des signaux
dentree-sortie. En eet, on peut recrire le système ` a identier comme suit
(t) = (t 1) avec (0) =
y
f
(t) =
f
(t 1)
T
(t) + v
f
(t)
avec F
d
(q
1
)x
f
(t) = F
n
(q
1
)x(t)
Le ltre F(z
1
) =
F
n
(z
1
)
F
d
(z
1
)
devrait realiser
la condition : c
f
( 1)v
f
() = 0
ALGORITHME
DADAPTATION
PARAMETRIQUE
SYSTEME
- -
-
?
u(t) y(t)
(t)
TRAITEMENT
DES
DONNEES
-
REMARQUE
Le traitement des donnees ne peut pas resoudre le problème de consistence de
lestimateur dans le cas general.
Dautres methodes didentication sont requises pour ce faire. On distingue
Les methodes de variables instrumentales
Les methodes derreur de sortie
112
N.K.MSirdi
C
o
u
r
s
:
C
o
u
r
s
d
i
d
e
n
t
i
c
a
t
i
o
n
p
a
r
a
m
e
t
r
i
q
u
e
S
A
S
V
Les methodes des moindres carres etendus
113
N.K.MSirdi
C
o
u
r
s
:
C
o
u
r
s
d
i
d
e
n
t
i
c
a
t
i
o
n
p
a
r
a
m
e
t
r
i
q
u
e
S
A
S
V
Exemple dapplication /1
114
N.K.MSirdi
C
o
u
r
s
:
C
o
u
r
s
d
i
d
e
n
t
i
c
a
t
i
o
n
p
a
r
a
m
e
t
r
i
q
u
e
S
A
S
V
Exemple dapplication /2
115
N.K.MSirdi
C
o
u
r
s
:
C
o
u
r
s
d
i
d
e
n
t
i
c
a
t
i
o
n
p
a
r
a
m
e
t
r
i
q
u
e
S
A
S
V
Rejet de Perturbations
116
N.K.MSirdi
C
o
u
r
s
:
C
o
u
r
s
d
i
d
e
n
t
i
c
a
t
i
o
n
p
a
r
a
m
e
t
r
i
q
u
e
S
A
S
V
QUALIT
ES DUN ESTIMATEURS
117
N.K.MSirdi
C
o
u
r
s
:
C
o
u
r
s
d
i
d
e
n
t
i
c
a
t
i
o
n
p
a
r
a
m
e
t
r
i
q
u
e
S
A
S
V
CONCLUSION
Un algorithme dadaptation parametrique general ` a partir des moindres carres
ponderes
Filtrage adaptatif.
Prediction adaptative.
Analyse spectrale adaptative.
Commande adaptative.
Capacite de poursuite des paramètres variants dans le temps.
La stabilite et la convergence ont ete etudiees par
Lapproche de Lyapunov
Lapproche de Popov : Tout ce qui marche est passif.
De nombreuses applications industrielles.
4. Exemples et Exercices
Exercice 1 Considerons un système dynamique echantillonne (discret) deni par
lequation de reccurence qui suit :
118
N.K.MSirdi
C
o
u
r
s
:
C
o
u
r
s
d
i
d
e
n
t
i
c
a
t
i
o
n
p
a
r
a
m
e
t
r
i
q
u
e
S
A
S
V
y
n
+a
1
y
n1
+a
1
y
n2
+....+a
N1
y
nN+1
+a
N
y
nN
= b
0
e
n1
+b
1
e
n1
+b
2
e
n1
+...+b
M
e
nM
qui peut secrire sous forme condensee :
y
n
=
N
i=1
a
i
y
ni
+
M
i=0
b
i
e
ni
1- Montrer que lequation precedente peut se mettre sous forme matricielle en
considerant le vecteur de paramètres : P = [a
1
a
2
a
3
....a
N
b
0
b
1
....b
M
]
T
2- Si on prend en compte K mesures de y
i
et en creant un vecteur Y =
[y
n
y
n+1
....y
n+K
]
T
montrer que les K mesures font apparatre une equation de
la forme :
Y = RP
3- Quelle condition faut-il respecter pour obtenir une solution
4- On cherche une estimation de P nptee

P qui minimise lexpression : |Y RP|
2
,
determiner la solution au sens des moindres carres qui lui correspond.
Solution 1 1- Formons le vecteur r
n
= [y
n1
y
n2
....y
nN+1
y
nN
, e
n1
...e
nM
]
- R est formee de K lignes du type r
n
; K N + M
|Y RP|
2
= (Y RP)
T
(Y RP) = Y
T
Y Y
T
RP P
T
R
T
Y +P
T
R
T
RP
119
N.K.MSirdi
C
o
u
r
s
:
C
o
u
r
s
d
i
d
e
n
t
i
c
a
t
i
o
n
p
a
r
a
m
e
t
r
i
q
u
e
S
A
S
V
Derivons cette expression par rapport à P :
|Y RP|
2
P
= 0 R
T
Y Y
T
R +
2R
T
RP = 2R
T
Y + 2R
T
RP = 0
La valeur de

P qui annule cette derivee est la valeur recherchee soit : R
T
R

P =
R
T
Y soit encore

P = [R
T
R]
1
R
T
Y
Exercice 2 Calcul de la moyenne et la variance de la solution matricielle aux
Moindres Carres.
Rappelons que la solution de la minimisation de lequation |Y RP|
2
au sens
des MC est

P = [R
T
R]
1
R
T
Y .
Quand on eectue une mesure de la sortie du système, on peut considerer que
celle-ci est entachee dune erreur due au bruit, lequation secrit alors : Y = RP+e
.
1- Calculer la moyenne de lerreur destimation :

P = P

P
2- A quelles conditions cette moyenne sera nulle
3- Calculer la variance de cette erreur destimation, la variance du bruit secri-
vant
2
I
Solution 2 1- La moyenne de lerreur destimation secrit : E[

P] = E[P

P] =
E
_
P [R
T
R] 1[R
T
Y ]
avec Y = RP + , il vient : E[

P] = E
_
P [R
T
R]
1
[R
T
[RP + ]
soit :
P E[R
T
R]
1
R
T
RP + [R
T
R]
1
[R
T
] qui secrit E[R
T
R]
1
[R
T
]
120
N.K.MSirdi
C
o
u
r
s
:
C
o
u
r
s
d
i
d
e
n
t
i
c
a
t
i
o
n
p
a
r
a
m
e
t
r
i
q
u
e
S
A
S
V
2- Conditions : a. R est decorrele de lerreur alors [R
T
R]
1
R
T
E []
b. Si la moyenne de lerreur est nulle alors lerreur destimation est nulle.
Solution 3 3- Variance :

P = P

P =

P = E[R
T
R]
1
[R
T
], la variance
secrit E[

P

P
T
] = E[[R
T
R]
1
R
T
T
R[R
T
R]
1
] = [R
T
R]
1
R
T
E[
T
]R[R
T
R]
1
si
la variance du bruit secrit
2
I alors E[

P

P
T
] =
2
[R
T
R]
1
R
T
R[R
T
R]
1
=
2[R
T
R]
1
Exercice 3 Mise en evidence du biais des MC dans lidentication des paramètres
dun système dynamique.
On fait lhypothèse que la sortie du système dynamique est entachee dun bruit
additif blanc de moyenne nulle et de covariance temporelle
2
k
. On ecrit lentree
du système u
k
, la sortie du système v
k
, le bruit d
k
et la sortie mesuree y
k
. Le
système est du premier ordre est secrit v
k+1
= av
k
+ bu
k+1
.
1- Donner lexpression de y
k
en fonction de la sortie du système et du bruit
2- Eliminer de la relation precedente, la grandeur v
k
3- Dans lexpression precedente, comment sexprime lerreur
4- Calculer la covariance temporelle de lerreur apparaissant dans 2 sous lhy-
pothèse que le bruit en sortie est blanc.
5- Conclure sur la qualite des MC dans lidentication des paramètres du sys-
tème
121
N.K.MSirdi
C
o
u
r
s
:
C
o
u
r
s
d
i
d
e
n
t
i
c
a
t
i
o
n
p
a
r
a
m
e
t
r
i
q
u
e
S
A
S
V
Solution 4 1- le bruit etant additif : y
k
= v
k
+ d
k
2-y
k
= [av
k1
+ bu
k
] + d
k
= [a(y
k1
d
k1
) + bu
k
] + d
k
soit yk = ay
k1
+
bu
k
+ [ad
k1
+ d
k
]
3- Lerreur est devenue e
k
= [ad
k1
+ d
k
]
4- La covariance temporelle secrit E[e
k
e
k+m
] = E[(ad
k1
+ d
k
)(ad
k+m1
+
d
k+m
)] en developpant lexpression il vient : a
2
E[d
k1
d
k+m1
] + aE[d
k1
d
k+m
] +
aE[d
k
d
k+m1
]+E[d
k
d
k+m
] soit encore a
2
E[d
k1
d
k+m1
]+aE[d
k1
d
k+m
]+aE[d
k
d
k+m1
]+
E[d
k
d
k+m
]
En introduisant la covariance temporelle du bruit il vient : a
2
m
+ as2!m
1 + a
2
m+1
+
2
m
On en deduit quil existe 3 raies : lune à 0, la seconde à k = 1 et la 3
à
k = 1. On conclut que lerreur intervenant dans lequation de mesure, nest pas
blanc.
122
N.K.MSirdi
C
o
u
r
s
:
C
o
u
r
s
d
i
d
e
n
t
i
c
a
t
i
o
n
p
a
r
a
m
e
t
r
i
q
u
e
S
A
S
V
QUALIT
ES DUN ESTIMATEUR /1
123
N.K.MSirdi
C
o
u
r
s
:
C
o
u
r
s
d
i
d
e
n
t
i
c
a
t
i
o
n
p
a
r
a
m
e
t
r
i
q
u
e
S
A
S
V
QUALIT
ES DUN ESTIMATEUR /2
124
N.K.MSirdi
C
o
u
r
s
:
C
o
u
r
s
d
i
d
e
n
t
i
c
a
t
i
o
n
p
a
r
a
m
e
t
r
i
q
u
e
S
A
S
V
ETAPES DE MOD
ELISATION PARAMETRIQUE
125
N.K.MSirdi
C
o
u
r
s
:
C
o
u
r
s
d
i
d
e
n
t
i
c
a
t
i
o
n
p
a
r
a
m
e
t
r
i
q
u
e
S
A
S
V
CHANGEMENT DESTIMATEUR
126
N.K.MSirdi
C
o
u
r
s
:
C
o
u
r
s
d
i
d
e
n
t
i
c
a
t
i
o
n
p
a
r
a
m
e
t
r
i
q
u
e
S
A
S
V
RECHERCHE DUN ESTIMATEUR SANS BIAIS
127
N.K.MSirdi
C
o
u
r
s
:
C
o
u
r
s
d
i
d
e
n
t
i
c
a
t
i
o
n
p
a
r
a
m
e
t
r
i
q
u
e
S
A
S
V
M
ETHODE DE LERREUR DE SORTIE MES

128
N.K.MSirdi
C
o
u
r
s
:
C
o
u
r
s
d
i
d
e
n
t
i
c
a
t
i
o
n
p
a
r
a
m
e
t
r
i
q
u
e
S
A
S
V
M
ETHODE DE LA VARIABLE INSTRUMENTALE MVI

129
N.K.MSirdi
C
o
u
r
s
:
C
o
u
r
s
d
i
d
e
n
t
i
c
a
t
i
o
n
p
a
r
a
m
e
t
r
i
q
u
e
S
A
S
V
M
ETHODE DE LA VARIABLE INSTRUMENTALE MVI

130
N.K.MSirdi
C
o
u
r
s
:
C
o
u
r
s
d
i
d
e
n
t
i
c
a
t
i
o
n
p
a
r
a
m
e
t
r
i
q
u
e
S
A
S
V
M
ETHODE DE LERREUR D
EQUATION MEE
131
N.K.MSirdi
C
o
u
r
s
:
C
o
u
r
s
d
i
d
e
n
t
i
c
a
t
i
o
n
p
a
r
a
m
e
t
r
i
q
u
e
S
A
S
V
CRIT
`
ERES DE CHOIX DE LORDRE
132
N.K.MSirdi
C
o
u
r
s
:
C
o
u
r
s
d
i
d
e
n
t
i
c
a
t
i
o
n
p
a
r
a
m
e
t
r
i
q
u
e
S
A
S
V
M
ETHODE DE VALIDATION DE MODEL
ES
133
N.K.MSirdi
C
o
u
r
s
:
C
o
u
r
s
d
i
d
e
n
t
i
c
a
t
i
o
n
p
a
r
a
m
e
t
r
i
q
u
e
S
A
S
V
Depuis 1990, le meme but ? ! !
134
N.K.MSirdi
C
o
u
r
s
:
C
o
u
r
s
d
i
d
e
n
t
i
c
a
t
i
o
n
p
a
r
a
m
e
t
r
i
q
u
e
S
A
S
V
COMMANDE DE ROBOTS RIGIDES RAPIDES
135
N.K.MSirdi
C
o
u
r
s
:
C
o
u
r
s
d
i
d
e
n
t
i
c
a
t
i
o
n
p
a
r
a
m
e
t
r
i
q
u
e
S
A
S
V
MOD
ELISATION PARAM
ETRIQUE
136
N.K.MSirdi
C
o
u
r
s
:
C
o
u
r
s
d
i
d
e
n
t
i
c
a
t
i
o
n
p
a
r
a
m
e
t
r
i
q
u
e
S
A
S
V
MOD
ELISATION PARAM
ETRIQUE
137
N.K.MSirdi
C
o
u
r
s
:
C
o
u
r
s
d
i
d
e
n
t
i
c
a
t
i
o
n
p
a
r
a
m
e
t
r
i
q
u
e
S
A
S
V
IDENTIFICATION DES PARAM
`
ETRES DUN ROBOT
138
N.K.MSirdi
C
o
u
r
s
:
C
o
u
r
s
d
i
d
e
n
t
i
c
a
t
i
o
n
p
a
r
a
m
e
t
r
i
q
u
e
S
A
S
V
IDENTIFICATION EN BOUCLE FERM
EE
139
N.K.MSirdi
C
o
u
r
s
:
C
o
u
r
s
d
i
d
e
n
t
i
c
a
t
i
o
n
p
a
r
a
m
e
t
r
i
q
u
e
S
A
S
V
PROBL
`
EME DE LA DISCR
ETISATION
140
N.K.MSirdi
C
o
u
r
s
:
C
o
u
r
s
d
i
d
e
n
t
i
c
a
t
i
o
n
p
a
r
a
m
e
t
r
i
q
u
e
S
A
S
V
DISCR
ETISATION : Operateur Delta

141
N.K.MSirdi
C
o
u
r
s
:
C
o
u
r
s
d
i
d
e
n
t
i
c
a
t
i
o
n
p
a
r
a
m
e
t
r
i
q
u
e
S
A
S
V
MOD
ELISATION PARAM
ETRIQUE CONTINUE
142
N.K.MSirdi
C
o
u
r
s
:
C
o
u
r
s
d
i
d
e
n
t
i
c
a
t
i
o
n
p
a
r
a
m
e
t
r
i
q
u
e
S
A
S
V
MOD
`
ELE CONTINUE et ESTIMATION PARAM
ETRIQUE
143
N.K.MSirdi
C
o
u
r
s
:
C
o
u
r
s
d
i
d
e
n
t
i
c
a
t
i
o
n
p
a
r
a
m
e
t
r
i
q
u
e
S
A
S
V
MOD
`
ETRIQUE RECURSIVE
144
N.K.MSirdi
C
o
u
r
s
:
C
o
u
r
s
d
i
d
e
n
t
i
c
a
t
i
o
n
p
a
r
a
m
e
t
r
i
q
u
e
S
A
S
V
MOD
`
ETRIQUE RECURSIVE
145
N.K.MSirdi
C
o
u
r
s
:
C
o
u
r
s
d
i
d
e
n
t
i
c
a
t
i
o
n
p
a
r
a
m
e
t
r
i
q
u
e
S
A
S
V
MOD
`
ETRIQUE RECURSIVE
146
N.K.MSirdi
C
o
u
r
s
:
C
o
u
r
s
d
i
d
e
n
t
i
c
a
t
i
o
n
p
a
r
a
m
e
t
r
i
q
u
e
S
A
S
V
PROPRI
ET
ES DE CONVERGENCE
147
N.K.MSirdi
C
o
u
r
s
:
C
o
u
r
s
d
i
d
e
n
t
i
c
a
t
i
o
n
p
a
r
a
m
e
t
r
i
q
u
e
S
A
S
V
DYNAMIQUES NEGLIG
EES
148
N.K.MSirdi
C
o
u
r
s
:
C
o
u
r
s
d
i
d
e
n
t
i
c
a
t
i
o
n
p
a
r
a
m
e
t
r
i
q
u
e
S
A
S
V
CONDITION DEXCITATION
149
N.K.MSirdi
C
o
u
r
s
:
C
o
u
r
s
d
i
d
e
n
t
i
c
a
t
i
o
n
p
a
r
a
m
e
t
r
i
q
u
e
S
A
S
V
Manipulateur ` a 2 DDL
150
N.K.MSirdi
C
o
u
r
s
:
C
o
u
r
s
d
i
d
e
n
t
i
c
a
t
i
o
n
p
a
r
a
m
e
t
r
i
q
u
e
S
A
S
V
COMMANDE ADAPTATIVE
151
N.K.MSirdi
C
o
u
r
s
:
C
o
u
r
s
d
i
d
e
n
t
i
c
a
t
i
o
n
p
a
r
a
m
e
t
r
i
q
u
e
S
A
S
V
PROPRI
ET
ES DES ROBOTS RIGIDES

152
N.K.MSirdi
C
o
u
r
s
:
C
o
u
r
s
d
i
d
e
n
t
i
c
a
t
i
o
n
p
a
r
a
m
e
t
r
i
q
u
e
S
A
S
V
COMMANDE DYNAMIQUE INVERSE ADAPTATIVE
153
N.K.MSirdi
C
o
u
r
s
:
C
o
u
r
s
d
i
d
e
n
t
i
c
a
t
i
o
n
p
a
r
a
m
e
t
r
i
q
u
e
S
A
S
V
COMMANDE DYNAMIQUE INVERSE ADAPTATIVE
154
N.K.MSirdi
C
o
u
r
s
:
C
o
u
r
s
d
i
d
e
n
t
i
c
a
t
i
o
n
p
a
r
a
m
e
t
r
i
q
u
e
S
A
S
V
PROPRIETES
155
N.K.MSirdi
C
o
u
r
s
:
C
o
u
r
s
d
i
d
e
n
t
i
c
a
t
i
o
n
p
a
r
a
m
e
t
r
i
q
u
e
S
A
S
V
CONVERGENCE
156
N.K.MSirdi
C
o
u
r
s
:
C
o
u
r
s
d
i
d
e
n
t
i
c
a
t
i
o
n
p
a
r
a
m
e
t
r
i
q
u
e
S
A
S
V
IDENTIFICATION DES SYST
`
EMES
Les Methodes destimation et leurs proprietes
Biais de lestimateur des moindres carres
Modèles didentication
Prediction optimale : une approche uniee
Predicteurs usuels
Methode derreur de sortie
Variables instrumentales
Methode des moindres carres etendus
Filtrage et identication des systèmes
Conclusion
Exemple
157
N.K.MSirdi
C
o
u
r
s
:
C
o
u
r
s
d
i
d
e
n
t
i
c
a
t
i
o
n
p
a
r
a
m
e
t
r
i
q
u
e
S
A
S
V
ESTIMATEUR DES MOINDRES CARRES /1
Considerons le système : A(q
1
)y(t) = B(q
1
)u(t d 1) + v(t)
que lon peut recrire sous la forme regressive : y(t) = (t 1)
T
+ v(t)
et supposons que lentree u(t) est choisie de manière ` a satisfaire la condition
dexcitation persistante :
CEP. La matrice
1
t
t
t=1
(t 1)(t 1)
T
est regulière
Lestimateur des moindres carres minimise le critère quadratique
J(
(t)) =
1
t
t
=1
(y() ( 1)
T

(t))
2
Il est donc donne par
(t) = arg min
(t)
J(
(t)) =
_
1
t
t
=1
( 1)( 1)
T
1
1
t
t
=1
( 1)y()
158
N.K.MSirdi
C
o
u
r
s
:
C
o
u
r
s
d
i
d
e
n
t
i
c
a
t
i
o
n
p
a
r
a
m
e
t
r
i
q
u
e
S
A
S
V
Par ailleurs, le système y() = ( 1)
T
+ v()
peut se recrire ( 1)y() = ( 1)( 1)
T
+ ( 1)v()
soit
1
t
t
=1
( 1)y() =
1
t
t
=1
( 1)( 1)
T
+
1
t
t
=1
( 1)v()
Lestimateur des moindres carres verie la propriete
_
1
t
t
=1
( 1)( 1)
T
_
1
1
t
t
=1
( 1)y()
=
+
_
1
t
t
=1
( 1)( 1)
T
_
1
1
t
t
=1
( 1)v()
soit

(t) = +
_
1
t
t
=1
( 1)( 1)
T
1
1
t
t
=1
( 1)v()
ou par passage ` a la limite lim
t

(t) = +
_
c( 1)( 1)
T
1
c(
1)v()
159
N.K.MSirdi
C
o
u
r
s
:
C
o
u
r
s
d
i
d
e
n
t
i
c
a
t
i
o
n
p
a
r
a
m
e
t
r
i
q
u
e
S
A
S
V
lim
t
(t) = +
_
c( 1)( 1)
T
1
c( 1)v()
o` u E designe lesperance mathematique dans un contexte stochastique ou tout
simplement
cx() = lim
t
1
t
t
t=1
x()
conformement ` a la loi des grands nombres, soit
c( 1)( 1)
T
= lim
t
1
t
t
t=1
( 1)( 1)
T
et
c( 1)v() = lim
t
1
t
t
=1
( 1)v()
160
N.K.MSirdi
C
o
u
r
s
:
C
o
u
r
s
d
i
d
e
n
t
i
c
a
t
i
o
n
p
a
r
a
m
e
t
r
i
q
u
e
S
A
S
V
PROPRI
ET
ES
P1. Si v(t) est une sequence de variables aleatoires independantes de moyenne
nulle et de variances nies, alors lestimateur des moindres carres nest pas
biaise. En eet, on a c( 1)v(t) = c( 1)cv() = 0
P2. Lestimateur des moindres carres verie
1
t
t
t=1
(1) v() = 0 avec v() =
y() ( 1)
T

(t) soit c( 1) v() = 0
P3. Si lon adopte un modèle FIR, alors on a y(t) = (t 1)
T
+ v(t)
avec (t 1)
T
= [u(t d 1) . . . . . . u(t d 1 nb)]
et
T
= [b
o
. . . . . . . . . . . . . . . . . . . . . b
nb
]
reponse impulsionnelle du système

Si u(t) et v(t) sont independantes et Ev(t) = 0, alors lestimateur des
moindres carres correspondant nest pas biaise. En eet, on a
c(t 1)v(t) = c(t 1)cv(t) = 0
161
N.K.MSirdi
C
o
u
r
s
:
C
o
u
r
s
d
i
d
e
n
t
i
c
a
t
i
o
n
p
a
r
a
m
e
t
r
i
q
u
e
S
A
S
V
ESTIMATION CONSISTANTE
On dispose dun ensemble de methodes didentication qui permettent de four-
nir des estimateurs consistants, soit
Prob
_
lim
t
(t) =
_
= 1
On distingue
Des methodes basees sur la decorrelation asymptotique entre lerreur de pre-
diction et le vecteur dobservation : les methodes derreur de sortie ou celles
des variables instrumentales.
Des methodes basees sur le blanchissement asymptotique de lerreur de pre-
diction : la methode des moindres carres etendus.
162
N.K.MSirdi
C
o
u
r
s
:
C
o
u
r
s
d
i
d
e
n
t
i
c
a
t
i
o
n
p
a
r
a
m
e
t
r
i
q
u
e
S
A
S
V
IDENTIFICATION DES SYST
`
EMES
G(q
1
)
H(q
1
)
_
- - -
?
?
(t)
u(t) y
p
(t)
v(t)
y(t)
163
N.K.MSirdi
C
o
u
r
s
:
C
o
u
r
s
d
i
d
e
n
t
i
c
a
t
i
o
n
p
a
r
a
m
e
t
r
i
q
u
e
S
A
S
V
MOD
`
ELES DIDENTIFICATION
La theorie de lidentication des systèmes est dediee aux systèmes dont le com-
portement dentree-sortie est decrit par
y(t) = y
p
(t) + v(t)
avec
y
p
(t) = G(q
1
)u(t) =
_

k=d+1
g(kT)q
k
_
u(t)
et
v(t) = H(q
1
)(t) =
_
1 +
k=1
h(kT)q
k
_
(t)
G(z
1
), H(z
1
) et
1
H(z
1
)
sont des fonctions de transfert asymptotiquement stables
164
N.K.MSirdi
C
o
u
r
s
:
C
o
u
r
s
d
i
d
e
n
t
i
c
a
t
i
o
n
p
a
r
a
m
e
t
r
i
q
u
e
S
A
S
V
PR
EDICTEUR OPTIMAL
Le predicteur optimal à un pas est donne par
y(t/t 1) = G(q
1
)u(t) +
_
H(q
1
) 1
_
_
1
H(q
1
)
v(t)
_
y(t/t 1) = G(q
1
)u(t) +
_
1
1
H(q
1
)
_
_
y(t) G(q
1
)u(t)
_
y(t/t 1) =
1
H(q
1
)
_
G(q
1
)u(t)
_
+
_
1
1
H(q
1
)
_
y(t)
H(q
1
) y(t/t 1) = G(q
1
)u(t) +
_
H(q
1
) 1
_
y(t)
Lerreur de prediction correspondante est
y(t/t 1) = y(t) y(t/t 1) = (t)
Ce predicteur est optimal dans la mesure o` u lerreur de prediction correspondante est bien de
moyenne nulle et de variance minimale
165
N.K.MSirdi
C
o
u
r
s
:
C
o
u
r
s
d
i
d
e
n
t
i
c
a
t
i
o
n
p
a
r
a
m
e
t
r
i
q
u
e
S
A
S
V
PARAM
ETRISATION ADOPTEE
q
d1
B
(q
1
)
A
(q
1
)F
(q
1
)
C
(q
1
)
A
(q
1
)D
(q
1
)
_
- - -
?
?
(t)
u(t) y
p
(t)
v(t)
y(t)
166
N.K.MSirdi
C
o
u
r
s
:
C
o
u
r
s
d
i
d
e
n
t
i
c
a
t
i
o
n
p
a
r
a
m
e
t
r
i
q
u
e
S
A
S
V
PARAM
ETRISATION ADOPTEE
y(t) = G
(q
1
)u(t) + H
(q
1
)(t)
avec
G
(q
1
) =
q
d1
B
(q
1
)
A
(q
1
)F
(q
1
)
et H
(q
1
) =
C
(q
1
)
A
(q
1
)D
(q
1
)
T
= [a
1
. . . a
na
b
o
. . . b
nb
c
1
. . . c
nc
d
1
. . . d
nd
f
1
. . . f
nf
]
(q
1
) = 1 + a
1
q
1
+ a
2
q
2
+ . . . + a
na
q
na
B
(q
1
) = b
o
+ b
1
q
1
+ b
2
q
2
+ . . . + b
nb
q
nb
C
(q
1
) = 1 + c
1
q
1
+ c
2
q
2
+ . . . + c
nc
q
nc
D
(q
1
) = 1 + d
1
q
1
+ d
2
q
2
+ . . . + d
nd
q
nd
F
(q
1
) = 1 + f
1
q
1
+ f
2
q
2
+ . . . + f
nf
q
nf
167
N.K.MSirdi
C
o
u
r
s
:
C
o
u
r
s
d
i
d
e
n
t
i
c
a
t
i
o
n
p
a
r
a
m
e
t
r
i
q
u
e
S
A
S
V
PR
EDICTEUR OPTIMAL /1
Le predicteur optimal associe ` a la structure generale est :
A
(q
1
)y(t) =
B
(q
1
)
F
(q
1
)
u(t d 1) +
C
(q
1
)
D
(q
1
)
(t)
est donne par
y(t/t 1) =
D
(q
1
)B
(q
1
)
C
(q
1
)F
(q
1
)
u(t d 1) +
_
1
D
(q
1
)A
(q
1
)
C
(q
1
)
_
y(t) soit
C
(q
1
) y(t/) = D
(q
1
)
B
(q
1
)
F
(q
1
)
u(t d 1) +
_
C
(q
1
) D
(q
1
)A
(q
1
)
_
y(t)
Introduisons les variables (t/) et (t/) denies par
(t/) =
B
(q
1
)
F
(q
1
)
u(t d 1) et (t/) = A
(q
1
)y(t) (t/)
le predicteur optimal et lerreur de prediction peuvent alors se mettre sous les
formes
C
(q
1
) y(t/) =
_
C
(q
1
) D
(q
1
)A
(q
1
)
_
y(t) + D
(q
1
)(t/)
y(t/) = y(t) y(t/) =
D
(q
1
)
C
(q
1
)
(t/)
168
N.K.MSirdi
C
o
u
r
s
:
C
o
u
r
s
d
i
d
e
n
t
i
c
a
t
i
o
n
p
a
r
a
m
e
t
r
i
q
u
e
S
A
S
V
PR
EDICTEUR OPTIMAL /2
Le predicteur optimal C
(q
1
) y(t/) =
_
C
(q
1
) D
(q
1
)A
(q
1
)
_
y(t)+D
(q
1
)(t/)
peut secrire comme suit
y(t/) =
_
C
(q
1
) 1
_
y(t/) + y(t) D
(q
1
)
_
A
(q
1
)y(t) (t/)
_
+
_
A
(q
1
)y(t) (t/)
_
_
A
(q
1
)y(t) (t/)
_
ou y(t/) =
_
C
(q
1
) 1
_
y(t/) +
_
1 D
(q
1
)
_
(t/) +
_
1 A
(q
1
)
_
y(t) +
(t/)
y(t/) =
_
C
(q
1
) 1
_
y(t/)+
_
1 D
(q
1
)
_
(t/)+
_
1 A
(q
1
)
_
y(t)+(t/)
y(t/) =
_
C
(q
1
) 1
_
y(t/) +
_
1 D
(q
1
)
_
(t/)
+
_
1 A
(q
1
)
_
y(t) + (t/)
F(q
1
)(t/) + B
(q
1
)u(t d 1)
169
N.K.MSirdi
C
o
u
r
s
:
C
o
u
r
s
d
i
d
e
n
t
i
c
a
t
i
o
n
p
a
r
a
m
e
t
r
i
q
u
e
S
A
S
V
UN MOD
`
ELE DIDENTIFICATION
y(t/) =
_
1 A
(q
1
)
_
y(t) + B
(q
1
)u(t d 1)
+
_
1 F
(q
1
)
_
(t/) +
_
C
(q
1
) 1
_
y(t/)
+
_
1 D
(q
1
)
_
(t/)
que lon peut recrire comme suit y(t/) = (t 1/)
T
avec
T
= [a
i
b
i
f
i
c
i
d
i
](t 1/)
T
= [y(t i) u(t d 1
i) (t i/) y(t i/) (t i/)]
STRUCTURE GENERALE DE MODELES
POLYNOMES UTILISES MODELES
B FIR
AB ARX
AC ARMA
ABC ARMAX
ABD ARARX
ABCD ARARMAX
BF OE
BFCD BJ
170
N.K.MSirdi
C
o
u
r
s
:
C
o
u
r
s
d
i
d
e
n
t
i
c
a
t
i
o
n
p
a
r
a
m
e
t
r
i
q
u
e
S
A
S
V
PR
EDICTEURS AJUSTABLES
Predicteur ajustable ` a priori y
o
(t/t 1) = (t 1)
T

(t 1)
Erreur de prediction a priori
o
(t) = y(t) y
o
(t/t 1)
Predicteur ajustable a posteriori y(t/t 1) = (t 1)
T

(t)
Erreur de prediction a posteriori (t) = y(t) y(t/t 1)
(t) =
_
_
a
i
(t)
b
i
(t)
f
i
(t)
c
i
(t)
d
i
(t)
_
_
et (t 1) =
_
_
y(t i)
u(t d 1 i)
(t i)
(t i)
(t i)
_
_
(t) = (t/
(t)) =
nf
i=1
f
i
(t) (t i) +
nb
i=o
b
i
(t)u(t d 1 i)
(t) = (t/
(t)) = y(t) +
na
i=1
a
i
(t)y(t i) (t)
171
N.K.MSirdi
C
o
u
r
s
:
C
o
u
r
s
d
i
d
e
n
t
i
c
a
t
i
o
n
p
a
r
a
m
e
t
r
i
q
u
e
S
A
S
V
PROBL
`
EME DIDENTIFICATION
On cherche une sequence de paramètres
(t)
t1
+ qui realiserait les deux pro-
prietes :
P1. Reproduire asymptotiquement le comportement entree-sortie : c (t) =
0 et c
_
((t) (t))
2
_
= 0
P2. Convergence quasi certaine : Proba
_
lim
t

(t) =
_
= 1
La propriete P1 peut etre realisee au sens des moindres carres par un estimateur
(t) qui minimise le critère quadratique J(
(t)) =
1
t
t
=o
_
y
f
(t) y
f
(t/
(t))
_
2
avec T(q
1
)y
f
(t) = y(t) et T(q
1
) y
f
(t/
(t)) = y(t/
(t))
Quant à la propriete P2, elle requiert au moins une condition dexcitation persis-
tante, soit
Etant donne un horizon T, pour tout instant t, il existe deux nombres reels stric-
tement positifs et nis
min
et
max
tels que
min
I
np

t+T
=t
f
(/)
f
(/)
T

max
I
np
172
N.K.MSirdi
C
o
u
r
s
:
C
o
u
r
s
d
i
d
e
n
t
i
c
a
t
i
o
n
p
a
r
a
m
e
t
r
i
q
u
e
S
A
S
V
ESTIMATION DES PARAM
`
ETRES
Le comportement dentree-sortie du système est decrit par y(t) = y(t/) +
(t) avec y(t/) = (t 1/)
T
Lestimation des paramètres est faite à partir du comportement dentree-sortie

du système
y(t) = y(t/
(t)) + (t) avec y(t/
(t)) = (t 1)
T

(t)
(t 1) est considere comme une mesure de (t 1)
ALGORITHME DESTIMATION
(t) =

(t 1) +
F(t 1)
f
(t 1)
1 +
f
(t 1)
T
F(t 1)
f
(t 1)
o
(t)
o
(t) =
of
(t) +
_
T(q
1
) 1
_
f
(t)
F(t) = F(t 1)
F(t 1)
f
(t 1)
f
(t 1)
T
F(t 1)
1 +
f
(t 1)
T
F(t 1)
f
(t 1)
T(q
1
)
f
(t)=(t)
of
(t) = y
f
(t)
f
(t 1)
T

(t 1)
f
(t) = y
f
(t)
f
(t 1)
T

(t)
173
N.K.MSirdi
C
o
u
r
s
:
C
o
u
r
s
d
i
d
e
n
t
i
c
a
t
i
o
n
p
a
r
a
m
e
t
r
i
q
u
e
S
A
S
V
M
ETHODE DERREUR DE SORTIE /1

Elle a ete developpee ` a avec les systèmes adaptatifs avec modèle de reference,
ont ete introduits par Ioan Dore Landau.
La passivite est une approche structuree pour lanalyse de la stabilite des sys-
tèmes proposee par Vladimir Popov de cette grande Ecole dAutomatique Rou-
maine.
La methode derreur de sortie a ete developpee pour les systèmes dont le com-
portement entree-sortie est decrit par
F
(q
1
)y(t) = B
(q
1
)u(t d 1) + F
(q
1
)(t)
et que lon peut representer comme suit
q
d1
B(q
1
)
F(q
1
) `
_
- - -
u(t) y
p
(t) y(t)
(t)
?
174
N.K.MSirdi
C
o
u
r
s
:
C
o
u
r
s
d
i
d
e
n
t
i
c
a
t
i
o
n
p
a
r
a
m
e
t
r
i
q
u
e
S
A
S
V
M
ETHODE DERREUR DE SORTIE /2

Le predicteur optimal est donne par F
(q
1
) y(t/) = B
(q
1
)u(t d 1)
ou dune manière equivalente y(t/) = (t 1/)
T
avec = [f
i
b
i
]
T
(t 1/) = [ y(t i/) u(t d 1 i)]
T
On peut ainsi denir les predicteurs ajustables et les erreurs de prediction as-
sociees, en loccurrence
Le predicteur ajustable à priori y
o
(t/t 1) = (t 1)
T

(t 1)
Le predicteur ajustable à posteriori y(t/t 1) = (t 1)
T

(t)
Lerreur de prediction ` a priori
o
(t) = y(t) y
o
(t/t 1)
Lerreur de prediction ` a posteriori (t) = y(t) y(t/t 1)
o` u le vecteur dobservation (t 1) est deni comme suit
(t 1)
T
= [ y(t i/t i 1) u(t d 1 i)]
175
N.K.MSirdi
C
o
u
r
s
:
C
o
u
r
s
d
i
d
e
n
t
i
c
a
t
i
o
n
p
a
r
a
m
e
t
r
i
q
u
e
S
A
S
V
Algorithme dAdaptation Parametrique : AAP
Lestimation des paramètres par la methode derreur de sortie est :
(t) =

(t 1) +
F(t 1)(t 1)
1 + (t 1)
T
F(t 1)(t 1)

o
(t)
o
(t) =
o
(t) +
_
T(q
1
) 1
_
(t)
F(t) = F(t 1)
F(t 1)(t 1)(t 1)
T
F(t 1)
1 + (t 1)
T
F(t 1)(t 1)
RESULTAT FONDAMENTAL DES MES
On montre que si F
(z
1
) = 0 [ z [< 1 et E(t/)(t/)
T
existe et est denie positive
et
T(z
1
)
F
(z
1
)

1
2
est strictement positive reelle
alors
E((t 1)
T
(t) = 0
et Proba
_
lim
t
(t) =
_
= 1
176
N.K.MSirdi
C
o
u
r
s
:
C
o
u
r
s
d
i
d
e
n
t
i
c
a
t
i
o
n
p
a
r
a
m
e
t
r
i
q
u
e
S
A
S
V
REMARQUES
Le système est asymptotiquement stable
(t/) verie la condition dexcitation persistante
Re
_
T(e
jT
)
F
(e
jT
)

1
2
_
0 [0,
N
]
T(z
1
) = 0 [z[ < 1
(t) =
1
1 + (t 1)
T
F(t 1)(t 1)
o
(t)
177
N.K.MSirdi
C
o
u
r
s
:
C
o
u
r
s
d
i
d
e
n
t
i
c
a
t
i
o
n
p
a
r
a
m
e
t
r
i
q
u
e
S
A
S
V
UN FILTRAGE ADEQUAT
Notons que
T(z
1
) = F
(z
1
)
T(z
1
)
F
(z
1
)

1
2
On peut donc assurer la condition de positivite requise en prenant pour T(q
1
)
une bonne estimee de F
(q
1
). Pour ce faire, on peut eectuer une identication
iterative ` a partir de la methode derreur de sortie avec un ltrage des donnees
realise comme suit
T
k
(q
1
) =

F
k1
(q
1
) avec T
o
(q
1
) =

A
mc
(q
1
)
o` u F
k
(q
1
) et

F
k1
(q
1
) designent respectivement le ltre des donnees à literation
k et lestimee du polyn ome F(q
1
) à literation k 1. Le système est initialise
avec une methode des moindres carres etendu sans ltrage de donnees.
178
N.K.MSirdi
C
o
u
r
s
:
C
o
u
r
s
d
i
d
e
n
t
i
c
a
t
i
o
n
p
a
r
a
m
e
t
r
i
q
u
e
S
A
S
V
VARIABLES INSTRUMENTALES
Considerons le système y(t) = (t 1)
T
+ v(t)
Lestimateur des moindres carres verie
1
t
t
=1
( 1)
_
y() ( 1)
T

(t)
_
=
0
ou dune manière equivalente E( 1) v() = 0 avec v() = y() y(/
(t))
Lestimateur est consistant si E()()
T
est regulière et E( 1)v() = 0
La première condition est connue sous lappellation dexcitation persistante et
peut etre realisee par un choix adequat de la sequence dentree, en loccurrence
une brave sequence binaire pseudo-aleatoire.
La seconde condition est beaucoup plus une exception quune règle dans la
pratique. Elle necessite generalement un ltrage adequat. Le concept de variable
instrumentale est base sur le fait quun estimateur satisfaisant
1
t
t
=1
( 1)
_
y() ( 1)
T

(t)
_
= 0
ou en passant ` a la limite E( 1) v() = 0 avec v() = y() y(/
(t))
serait consistant si les conditions suivantes sont vraies E()()
T
est regu-
lière et ( 1)v() = 0
179
N.K.MSirdi
C
o
u
r
s
:
C
o
u
r
s
d
i
d
e
n
t
i
c
a
t
i
o
n
p
a
r
a
m
e
t
r
i
q
u
e
S
A
S
V
La condition dexcitation persistante
La condition dexcitation persistante E()()
T
regulière, necessite que
() et () soient susamment correlees, alors que la condition de consis-
tance de lestimation requiert que ( 1) et v() soient independantes.
E( 1)v() = 0
EXEMPLES USUELS DE VIs
On distingue deux methodes usuelles pour generer des variables instrumentales
La variable instrumentale ` a observations retardees obtenue comme suit
(t 1)
T
= [y(t i r) u(t d 1 i)]
o` u r > max(na, nb + d + 1) designe le retard dobservation.
La variable instrumentale avec modèle auxiliaire
(t 1)
T
= [ y(t i/t i 1) u(t d 1 i)]
o` u y(t) denote la sortie du modèle auxiliaire.
y(t) = (t 1)
T

(t)
180
N.K.MSirdi
C
o
u
r
s
:
C
o
u
r
s
d
i
d
e
n
t
i
c
a
t
i
o
n
p
a
r
a
m
e
t
r
i
q
u
e
S
A
S
V
Algorithme dadaptation parametrique
Une version recursive de la methode de la variable instrumentale est donnee par
(t) =

(t 1) +
F(t 1)(t 1)
1 + (t 1)
T
F(t 1)(t 1)
o
(t)
o
(t) = y(t) (t 1)
T

(t 1)
F(t) = F(t 1)
F(t 1)(t 1)(t 1)
T
F(t 1)
1 + (t 1)
T
F(t 1)(t 1)
RESULTAT FONDAMENTAL DES VIs
On montre que si E(t)(t)
T
est regulière et E(t 1)v(t) = 0 alors
E(t 1)(t) = 0 avec (t) = y(t) (t 1)
T

(t)
et
Proba
_
lim
t
(t) =
_
= 1
181
N.K.MSirdi
C
o
u
r
s
:
C
o
u
r
s
d
i
d
e
n
t
i
c
a
t
i
o
n
p
a
r
a
m
e
t
r
i
q
u
e
S
A
S
V
MOINDRES CARRES ETENDUS /1
Cette methode a ete developpee pour les systèmes ARMAX
q
d1
B(q
1
)
A(q
1
)
C(q
1
)
A(q
1
)
`
_
- - -
?
?
(t)
u(t) y
p
(t)
v(t)
y(t)
On a
A
(q
1
)y(t) = B
(q
1
)u(t d 1) + C
(q
1
)(t)
182
N.K.MSirdi
C
o
u
r
s
:
C
o
u
r
s
d
i
d
e
n
t
i
c
a
t
i
o
n
p
a
r
a
m
e
t
r
i
q
u
e
S
A
S
V
y(t/) =
B
(q
1
)
C
(q
1
)
u(t d 1) +
_
1
A
(q
1
)
C
(q
1
)
_
y(t) soit
C
(q
1
) y(t/) = B(q
1
)u(t d 1) +
_
C
(q
1
) A
(q
1
)
_
y(t)
y(t/) = B
(q
1
)u(t d 1) +
_
1 A
(q
1
)
_
y(t)
+
_
C
(q
1
) 1
_
y(t/)
183
N.K.MSirdi
C
o
u
r
s
:
C
o
u
r
s
d
i
d
e
n
t
i
c
a
t
i
o
n
p
a
r
a
m
e
t
r
i
q
u
e
S
A
S
V
MOINDRES CARRES ETENDUS /3 Le predicteur optimal
y(t/) = B
(q
1
)u(t d 1) +
_
1 A
(q
1
)
_
y(t)
+
_
C
(q
1
) 1
_
y(t/)
peut alors se mettre sous la forme
y(t/) = (t 1/)
T
avec
T
= [a
i
b
i
c
i
]
(t 1/)
T
= [y(t i) u(t d 1 i) y(t i/)]
qui permet de denir les predicteurs ajustables et les erreurs de prediction asso-
ciees.
184
N.K.MSirdi
C
o
u
r
s
:
C
o
u
r
s
d
i
d
e
n
t
i
c
a
t
i
o
n
p
a
r
a
m
e
t
r
i
q
u
e
S
A
S
V
Le predicteur ajustable à priori
y
o
(t/t 1) = (t 1)
T

(t 1)
Le predicteur ajustable à posteriori
y(t/t 1) = (t 1)
T

(t)
Lerreur de prediction ` a priori
o
(t) = y(t) y
o
(t/t 1)
Lerreur de prediction ` a posteriori
(t) = y(t) y(t/t 1)
o` u le vecteur dobservation (t 1) est deni comme suit
(t 1)
T
= [y(t i) u(t d 1 i) (t i)]
185
N.K.MSirdi
C
o
u
r
s
:
C
o
u
r
s
d
i
d
e
n
t
i
c
a
t
i
o
n
p
a
r
a
m
e
t
r
i
q
u
e
S
A
S
V
Algorithme dadaptation parametrique
Lestimation aux moindres carres etendus est realisee comme suit
(t) =

(t 1) +
F(t 1)(t 1)
1 + (t 1)
T
F(t 1)(t 1)
o
(t)
o
(t) = y(t) (t 1)
T

(t 1)
F(t) = F(t 1)
F(t 1)(t 1)(t 1)
T
F(t 1)
1 + (t 1)
T
F(t 1)(t 1)
RESULTAT FONDAMENTAL DES MCE
On montre que si A
(z
1
) = 0 [z[ < 1
E(t/)(t/)
T
1
C
(z
1
)

1
2
alors E((t 1)
T

(t))
2
= 0
E((t) (t))
2
= 0 et Proba
_
lim
t

(t) =
_
= 1
186
N.K.MSirdi
C
o
u
r
s
:
C
o
u
r
s
d
i
d
e
n
t
i
c
a
t
i
o
n
p
a
r
a
m
e
t
r
i
q
u
e
S
A
S
V
REMARQUES
Le système est asymptotiquement stable
(t/) verie la condition dexcitation persistante
Re
_
1
C
(e
jT
)

1
2
_
0 [0,
N
]
C
(z
1
) = 0 [z[ < 1
Le gain dadaptation parametrique est decroissant
(t) =
1
1 + (t 1)
T
F(t 1)(t 1)
o
(t)
187
N.K.MSirdi
C
o
u
r
s
:
C
o
u
r
s
d
i
d
e
n
t
i
c
a
t
i
o
n
p
a
r
a
m
e
t
r
i
q
u
e
S
A
S
V
REMARQUES
On peut proceder à un ltrage approprie pour relacher la condition de positivite
requise, soit
1
C
(z
1
)

1
2
Lalgorithme dadaptation parametrique correspondant est donne par
(t) =

(t 1) +
F(t 1)
f
(t 1)
1 +
f
(t 1)
T
F(t 1)
f
(t 1)
o
(t)
o
(t) =
of
(t) + (T(q
1
) 1)
f
(t)
F(t) = F(t 1)
F(t 1)
f
(t 1)
f
(t 1)
T
F(t 1)
1 +
f
(t 1)
T
F(t 1)
f
(t 1)
avec
T(q
1
)
f
(t) = (t)
of
(t) = y
f
(t)
f
(t 1)
T

(t 1) et
f
(t) = y
f
(t)
f
(t 1)
T

(t)
188
N.K.MSirdi
C
o
u
r
s
:
C
o
u
r
s
d
i
d
e
n
t
i
c
a
t
i
o
n
p
a
r
a
m
e
t
r
i
q
u
e
S
A
S
V
REMARQUES
On montre que si
A
(z
1
) = 0 [z[ < 1
et
E
f
(t/)
f
(t/)
T
et
T(z
1
)
C
(z
1
)

1
2
alors
E((t 1)
T

(t))
2
= 0
et
E((t) (t))
2
= 0
et
Proba
_
lim
t
(t) =
_
= 1
189
N.K.MSirdi
C
o
u
r
s
:
C
o
u
r
s
d
i
d
e
n
t
i
c
a
t
i
o
n
p
a
r
a
m
e
t
r
i
q
u
e
S
A
S
V
UN FILTRAGE AD
EQUAT
Notons que
T(z
1
) = C
(z
1
)
T(z
1
)
C
(z
1
)

1
2
est strictement propre reelle
On peut donc rel acher la condition de positivite requise en prenant pour T(q
1
)
une bonne estimee de C
(q
1
). Pour ce faire, on peut eectuer une identication
iterative ` a partir de la methode des moindres carres etendus avec un ltrage des
donnees realise comme suit
T
k
(q
1
) =

C
k1
(q
1
) avec T
o
(q
1
) = 1
o` u T
k
(q
1
) et

C
k1
(q
1
) designent respectivement le ltre des donnees ` a literation
k et lestimee du polyn ome C
(q
1
) à literation k 1. Le système est initialise
aux moindres carres etendu sans ltrage de donnees puisque T
o
(q
1
) = 1.
190
N.K.MSirdi
C
o
u
r
s
:
C
o
u
r
s
d
i
d
e
n
t
i
c
a
t
i
o
n
p
a
r
a
m
e
t
r
i
q
u
e
S
A
S
V
CONCLUSION
Lestimation aux moindres carres est generalement biaisee
La methode derreur de sortie : une passivite engagee
Les variables instrumentales : un concept relativement simple
Les moindres carres etendus avec un ltrage adequat
Exemple
191
N.K.MSirdi
C
o
u
r
s
:
C
o
u
r
s
d
i
d
e
n
t
i
c
a
t
i
o
n
p
a
r
a
m
e
t
r
i
q
u
e
S
A
S
V
ESTIMATION OPTIMALE
PR
EDICTEUR ET FILTRE DE KALMAN

Introduction
Motivations
Rappels
Formulation du problème
Predicteur de Kalman
Filtre de Kalman
Comportement asymptotique
Proprietes remarquables
Adaptation parametrique
Conclusion
192
N.K.MSirdi
C
o
u
r
s
:
C
o
u
r
s
d
i
d
e
n
t
i
c
a
t
i
o
n
p
a
r
a
m
e
t
r
i
q
u
e
S
A
S
V
MOTIVATIONS
Une pierre angulaire de la theorie des signaux et systèmes
prediction, ltrage et adaptation parametrique
Des outils puissants
analyse, synthèse et mise en uvre
Des methodologies speciques
automatique et traitement du signal
De nombreuses applications industrielles reussies
s urete de fonctionnement
emplacement de capteurs
controle non destructif
193
N.K.MSirdi
C
o
u
r
s
:
C
o
u
r
s
d
i
d
e
n
t
i
c
a
t
i
o
n
p
a
r
a
m
e
t
r
i
q
u
e
S
A
S
V
RAPPEL
Representation detat et stabilite
Observabilite et detectabilite
Observabilite
Observation asymptotique
Detectabilite
Valeur moyenne dune forme quadratique
Technique du complement dun carre parfait
194
N.K.MSirdi
C
o
u
r
s
:
C
o
u
r
s
d
i
d
e
n
t
i
c
a
t
i
o
n
p
a
r
a
m
e
t
r
i
q
u
e
S
A
S
V
REPRESENTATION D
ETAT et STABILIT
E
oLJT
_
x(t + 1) = Fx(t) + Gu(t) avec x(0) = x
o
y(t) = Hx(t)
Y (z) = H(z)GU(z) avec (z) = (zI

n
F)
1
oLJT est asymptotiquement stable si et seulement si
det (zI
n
F) = 0 = [ z [< 1 1(A) T
s
195
N.K.MSirdi
C
o
u
r
s
:
C
o
u
r
s
d
i
d
e
n
t
i
c
a
t
i
o
n
p
a
r
a
m
e
t
r
i
q
u
e
S
A
S
V
OBSERVABILITE et DETECTABILITE
Deux questions sont fondamentales pour la reconstruction de letat dun système
Q1. Peut-on determiner letat dun système à partir de la connaissance de son
comportement dentree-sortie sur un intervalle de temps ni ?
= Le concept dobservabilite des systèmes
Q2. Peut-on concevoir un système dynamique qui permet de reconstruire asymp-
totiquement letat dun système à partir de son comportement dentree-sortie ?
= Le concept de detectabilite des systèmes
196
N.K.MSirdi
C
o
u
r
s
:
C
o
u
r
s
d
i
d
e
n
t
i
c
a
t
i
o
n
p
a
r
a
m
e
t
r
i
q
u
e
S
A
S
V
OBSERVABILITE
Un système est observable si pour tout instant initial t
o
et pour tout instant
nal t
f
> t
o
, il est possible de determiner letat initial x(t
o
) du système ` a partir
de la connaissance de son comportement dentree-sortie sur lintervalle [t
o
, t
f
], soit
u(t)
t[t
o
,t
f
]
et y(t)
t[t
o
,t
f
]
x(t
o
)
Les proprietes dobservabilite dun système sont donnees par le resultat suivant
197
N.K.MSirdi
C
o
u
r
s
:
C
o
u
r
s
d
i
d
e
n
t
i
c
a
t
i
o
n
p
a
r
a
m
e
t
r
i
q
u
e
S
A
S
V
OBSERVABILITE
Considerons une realisation (F, G, H), les propositions suivantes sont equiva-
lentes
PR1 La paire (H, F) est observable.
PR2 La matrice dobservabilite
O(H, F) =
_
_
H
HF
.
.
.
HF
n1
_
_
est de rang plein.
PR3 Le grammien dobservabilite deni par
(
o
(k) =
n1
i=o
(F
T
)
i
H
T
HF
i
est une matrice denie strictement positive.
198
N.K.MSirdi
C
o
u
r
s
:
C
o
u
r
s
d
i
d
e
n
t
i
c
a
t
i
o
n
p
a
r
a
m
e
t
r
i
q
u
e
S
A
S
V
OBSERVATION ASYMPTOTIQUE
oLJT
_
x(t + 1) = Fx(t) + Gu(t) avec x(0) = x
o
y(t) = Hx(t)
OBo/
_
x(t + 1) = F x(t) + Gu(t) + M (y(t) y(t))
y(t) = H x(t)
199
N.K.MSirdi
C
o
u
r
s
:
C
o
u
r
s
d
i
d
e
n
t
i
c
a
t
i
o
n
p
a
r
a
m
e
t
r
i
q
u
e
S
A
S
V
OBSERVATION DE L
ETAT
G
`
_
z
1
F
H
- - -
6
x(t)
M
`
_
?
6
?
-
SY SY EME
- -
u(t) y(t)
y(t)
200
N.K.MSirdi
C
o
u
r
s
:
C
o
u
r
s
d
i
d
e
n
t
i
c
a
t
i
o
n
p
a
r
a
m
e
t
r
i
q
u
e
S
A
S
V
OBSERVATION MODALE
x(t) = x(t) x(t)
et
y(t) = y(t) y(t)
cOBo
_
x(t + 1) = (F MH) x(t)
y(t) = H x(t)
201
N.K.MSirdi
C
o
u
r
s
:
C
o
u
r
s
d
i
d
e
n
t
i
c
a
t
i
o
n
p
a
r
a
m
e
t
r
i
q
u
e
S
A
S
V
OBSERVATION MODALE
(H , F) est observable
M 1
np
/ det (zI
n
F + MH) =
n
i=1
(z p
oi
)
p
o1
, . . . , p
on
T
sp
sont les p oles desires de lobservateur
T
sp
est une partie du disque unite
caracterisee par un amortissement minimal
et deux constantes de temps minimale et maximale
202
N.K.MSirdi
C
o
u
r
s
:
C
o
u
r
s
d
i
d
e
n
t
i
c
a
t
i
o
n
p
a
r
a
m
e
t
r
i
q
u
e
S
A
S
V
DETECTABILITE
Pour toute realisation detat (F, G, H) dordre ni n telle que rang(O(H, F)) =
r < n, on peut toujours eectuer un changement de base
z(t) = Tz(t) avec T =
_
T
o
T
o
qui permet de recrire le système sous la forme

oLJT
_
z(t + 1) =

Fz(t) +

Gu(t) avec z(t
o
) = T
1
x(t
o
)
y(t) =

Hz(t)
avec
F =
_
F
o
0
F
o o
F
o
_
,

G =
_
G
o
G
o
_
et

H =
_
H
o
0
telle que la paire (H

o
, F
o
) est observable.
203
N.K.MSirdi
C
o
u
r
s
:
C
o
u
r
s
d
i
d
e
n
t
i
c
a
t
i
o
n
p
a
r
a
m
e
t
r
i
q
u
e
S
A
S
V
DETECTABILITE
Denition
La paire (H, F) est detectable si et seulement si tous ses modes non observables
sont asymptotiquement stables, soit
det (zI
r
F
o
) = 0 = [ z [ < 1
Resultat
La paire (H, F) est detectable si et seulement si la synthèse dun observateur est
possible, soit M 1
np
/ det (zI
n
F + MH) = 0 = [ z [ < 1
204
N.K.MSirdi
C
o
u
r
s
:
C
o
u
r
s
d
i
d
e
n
t
i
c
a
t
i
o
n
p
a
r
a
m
e
t
r
i
q
u
e
S
A
S
V
VALEUR MOYENNE DUNE FORME QUADRATIQUE
Soit x une variable gaussienne aleatoire de moyenne m
x
et de covariance C
xx
et
P une matrice symetrique denie positive. On a
c
_
x
T
Px
_
= trace (PC
xx
) +c
_
m
T
x
Pm
x
_
205
N.K.MSirdi
C
o
u
r
s
:
C
o
u
r
s
d
i
d
e
n
t
i
c
a
t
i
o
n
p
a
r
a
m
e
t
r
i
q
u
e
S
A
S
V
TECHNIQUE DU COMPLEMENT DU CARRE PARFAIT
La fonction quadratique denie par
J(x, u) =
_
x
T
u
T

_
W
x
W
xu
W
T
xu
W
u
_ _
x
u
_
peut se recrire sous la forme
J(x, u) = x
T
_
W
x
K
T
W
u
K
_
x + (u + Kx)
T
W
u
(u + Kx)
avec
W
u
K = W
T
xu
Il est clair que cette fonction est minimisee pour u = Kx et que le minimum
correspondant est donne par
J(x, u) = x
T
_
W
x
K
T
W
u
K
_
x 0
206
N.K.MSirdi
C
o
u
r
s
:
C
o
u
r
s
d
i
d
e
n
t
i
c
a
t
i
o
n
p
a
r
a
m
e
t
r
i
q
u
e
S
A
S
V
FORMULATION DU PROBLEME
oLJT
_
x(t + 1) = Fx(t) + Gu(t) + w(t)
y(t) = Hx(t) + v(t)
H
z
1 _
+
?
w(t)
G
F
6
- -
- _
+
?
v(t)
- -
y(t)
-
x(t) u(t)
207
N.K.MSirdi
C
o
u
r
s
:
C
o
u
r
s
d
i
d
e
n
t
i
c
a
t
i
o
n
p
a
r
a
m
e
t
r
i
q
u
e
S
A
S
V
FORMULATION DU PROBLEME
(F, G, H) est une realisation detat du système que lon peut obtenir en resol-
vant le problème de realisation sous-jacent
Y (z) = H(z)G U(z) + H(z) W(z) + V (z) avec (z) = (zI
n
F)
1
w(t) 1
n
et v(t) 1
p
sont respectivement des bruits blancs tels que
c
__
w(t)
v(t)
_
_
w(t )
T
v(t )
T

_
=
_
Q
o
W
o
W
T
o
R
o
_
()
et x(t
o
) est une variable aleatoire independante des perturbations detat telle que
c x(t
o
) = x
o
et c
_
(x(t
o
) x
o
) (x(t
o
) x
o
)
T
_
=
o
208
N.K.MSirdi
C
o
u
r
s
:
C
o
u
r
s
d
i
d
e
n
t
i
c
a
t
i
o
n
p
a
r
a
m
e
t
r
i
q
u
e
S
A
S
V
LE PROBLEME DESTIMATION OPTIMALE
oLJT
_
x(t + 1) = Fx(t) + Gu(t) + w(t)
y(t) = Hx(t) + v(t)
coT /
_
x(t + 1) = F x(t) + Gu(t) + M (y(t) y(t))
y(t) = H x(t)
? M 1
np
/ c x(t) = 0 et (t) = c x(t) x(t)
T
est minimale
x(t) = x(t) x(t)
209
N.K.MSirdi
C
o
u
r
s
:
C
o
u
r
s
d
i
d
e
n
t
i
c
a
t
i
o
n
p
a
r
a
m
e
t
r
i
q
u
e
S
A
S
V
ESTIMATION
SYSTEME
ESTIMATEUR
- -
-
?
u(t)
y(t)
x(t)
? ?
v(t) w(t)
210
N.K.MSirdi
C
o
u
r
s
:
C
o
u
r
s
d
i
d
e
n
t
i
c
a
t
i
o
n
p
a
r
a
m
e
t
r
i
q
u
e
S
A
S
V
COMPORTEMENT DUN ESTIMATEUR
oLJT
_
x(t + 1) = Fx(t) + Gu(t) + w(t)
y(t) = Hx(t) + v(t)
et
coT /
_
x(t + 1) = F x(t) + Gu(t) + M (y(t) y(t))
y(t) = H x(t)
x(t + 1) = (F MH) x(t) + w(t) Mv(t)

211
N.K.MSirdi
C
o
u
r
s
:
C
o
u
r
s
d
i
d
e
n
t
i
c
a
t
i
o
n
p
a
r
a
m
e
t
r
i
q
u
e
S
A
S
V
COMPORTEMENT DUN ESTIMATEUR
La consistance de lestimateur est une consequence directe de sa structure
puisque lerreur destimation peut se mettre sous la forme
c x(t + 1) = (F MH) c x(t)
qui fait apparatre clairement quelle est nulle en moyenne si et seulement si les-
timateur est asymptotiquement stable, soit
c x(t) est asymptotiquement nulle 1 (F MH) T
s
212
N.K.MSirdi
C
o
u
r
s
:
C
o
u
r
s
d
i
d
e
n
t
i
c
a
t
i
o
n
p
a
r
a
m
e
t
r
i
q
u
e
S
A
S
V
PREDICTEUR DE KALMAN
oLJT
_
x(t + 1) = Fx(t) + Gu(t) + w(t)
y(t) = Hx(t) + v(t)
T/
_
x(t + 1/t) = F x(t/t 1) + Gu(t) + M
p
(t) (y(t) y(t/t 1))
y(t/t 1) = H x(t/t 1)
? M
p
(t) / (t/t 1) = c
_
x(t/t 1) x(t/t 1)
T
_
est minimale
213
N.K.MSirdi
C
o
u
r
s
:
C
o
u
r
s
d
i
d
e
n
t
i
c
a
t
i
o
n
p
a
r
a
m
e
t
r
i
q
u
e
S
A
S
V
RESULTAT FONDAMENTAL I
T/
_
_
_
x(t + 1/t) = F x(t/t 1) + Gu(t) + M
p
(t) (y(t) y(t/t 1))
y(t/t 1) = H x(t/t 1)
M
p
(t) =
_
F(t/t 1)H
T
+ W
o
_ _
R
o
+ H(t/t 1)H
T
_
1
(t + 1/t) = F(t/t 1)F
T
+ Q
o

_
F(t/t 1)H
T
+ W
o
_
...
...
_
R
o
+ H(t/t 1)H
T
_
1
_
H(t/t 1)F
T
+ W
T
o
_
214
N.K.MSirdi
C
o
u
r
s
:
C
o
u
r
s
d
i
d
e
n
t
i
c
a
t
i
o
n
p
a
r
a
m
e
t
r
i
q
u
e
S
A
S
V
Preuve
Ler-
reur de prediction est donnee par
x(t + 1/t) = (F M
p
(t)H) x(t/t 1) + w(t) M
p
(t)v(t)
=
_
I
n
M
p
(t)
_
__
F
H
_
x(t/t 1) +
_
w(t)
v(t)
__
x(t) = x
o
= c x(t/t 1) = 0
et
(T/ est asymptotiquement stable) = c x(t/t 1) = 0
La matrice de variance de lerreur de prediction peut se recrire
(t + 1/t) = c
_
x(t + 1/t) x(t + 1/t)
T
_
=
_
I
n
M
p
(t)
_
J(t/t 1)
_
I
n
M
p
(t)
_
T
215
N.K.MSirdi
C
o
u
r
s
:
C
o
u
r
s
d
i
d
e
n
t
i
c
a
t
i
o
n
p
a
r
a
m
e
t
r
i
q
u
e
S
A
S
V
avec
J(t/t 1) =
_
F
H
_
(t/t 1)
_
F
H
_
T
+
_
Q
o
W
o
W
T
o
R
o
_
=
_
F(t/t 1)F
T
+ Q
o
F(t/t 1)H
T
+ W
o
H(t/t 1)F
T
+ W
T
o
H(t/t 1)H
T
+ R
o
_
Il apparat clairement que (t+1/t) est denie positive pourvu que (t/t1) soit
denie positive et que lequation ci-dessous est semblable ` a la fonction quadratique
qui apparat dans le lemme du complement du carre parfait.
216
N.K.MSirdi
C
o
u
r
s
:
C
o
u
r
s
d
i
d
e
n
t
i
c
a
t
i
o
n
p
a
r
a
m
e
t
r
i
q
u
e
S
A
S
V
REMARQUES /1
R1. Si w(t) et v(t) sont des sequences gaussiennes, alors le predicteur de
Kalman fournit une estimee ` a variance minimale de letat qui nest autre que
la moyenne conditionnelle de letat à partir des donnees dentree-sortie pas-
sees, soit
x(t/t 1) = c x(t)/T(t 1)
Par ailleurs, si lon pose
(t) = y(t) H x(t/t 1)
on aura
c (t)/T(t 1) = 0
et
y(t) = H x(t/t 1) + (t) = c y(t)/T(t 1) + (t)
217
N.K.MSirdi
C
o
u
r
s
:
C
o
u
r
s
d
i
d
e
n
t
i
c
a
t
i
o
n
p
a
r
a
m
e
t
r
i
q
u
e
S
A
S
V
REMARQUES /2
y(t) = H x(t/t 1) + (t)
(t) est dite sequence dinnovation
/J
_
_
_
x(t + 1/t) = F x(t/t 1) + Gu(t) + M
p
(t)(t)
y(t) = H x(t/t 1) + (t)
modèle dinnovation
218
N.K.MSirdi
C
o
u
r
s
:
C
o
u
r
s
d
i
d
e
n
t
i
c
a
t
i
o
n
p
a
r
a
m
e
t
r
i
q
u
e
S
A
S
V
REMARQUES /3
Par ailleurs, on peut exprimer la sequence dinnovation en fonction du com-
portement dentree-sortie du système
TB
_
_
_
x(t + 1/t) = (F M
p
(t)H) x(t/t 1) + Gu(t) + M
p
(t)y(t)
(t) = y(t) H x(t/t 1)
ltre blanchisseur
219
N.K.MSirdi
C
o
u
r
s
:
C
o
u
r
s
d
i
d
e
n
t
i
c
a
t
i
o
n
p
a
r
a
m
e
t
r
i
q
u
e
S
A
S
V
REMARQUES /4
R2. Si w(t) et v(t) ne sont pas des sequences gaussiennes, le predicteur
de Kalman realise une estimation lineaire à variance minimale de letat du
système caracterisee par
c x(t)/T(t 1) = 0
c x(t/t 1)y(t i)/T(t 1) = 0 pour tout i [1, t]
et
c
_
x(t) x
T
(t)/T(t 1)
_

f
o` u
f
designe la variance de lerreur destimation obtenu par un estimateur
de lensemble des estimateurs lineaires de letat du système.
220
N.K.MSirdi
C
o
u
r
s
:
C
o
u
r
s
d
i
d
e
n
t
i
c
a
t
i
o
n
p
a
r
a
m
e
t
r
i
q
u
e
S
A
S
V
REMARQUES /5
R6. Le problème destimation optimale peut etre etudie sans perte de genera-
lite en supposant que les sequences w(t) et v(t) sont independantes, soit
W
o
= 0. En eet, lequation detat du système peut toujours se recrire comme
suit
x(t + 1) = Fx(t) + Gu(t) + w(t) W
o
R
1
o
(y(t) y(t))
= Fx(t) + Gu(t) + w(t)
W
o
R
1
o
(Hx(t) + v(t) y(t))
=
_
F W
o
R
1
o
H
_
x(t) + Gu(t)
+ W
o
R
1
o
y(t) +
_
w(t) W
o
R
1
o
v(t)
_
221
N.K.MSirdi
C
o
u
r
s
:
C
o
u
r
s
d
i
d
e
n
t
i
c
a
t
i
o
n
p
a
r
a
m
e
t
r
i
q
u
e
S
A
S
V
REMARQUES /6
Le système peut alors se mettre sous la forme
oLJT
_
_
_
x(t + 1) = F
s
x(t) + G
u
u(t) + G
y
y(t) + w
s
(t)
y(t) = Hx(t) + v(t)
avec
F
s
= F W
o
R
1
o
H, G
u
= G, G
y
= W
o
R
1
o
w
s
(t) = w(t) W
o
R
1
o
v(t)
c
__
w
s
(t)
v(t)
_
_
w
T
s
(t ) v
T
(t )
_
=
_
Q
so
0
0 R
o
_
()
Q
so
= Q
o
W
o
R
1
o
W
o
222
N.K.MSirdi
C
o
u
r
s
:
C
o
u
r
s
d
i
d
e
n
t
i
c
a
t
i
o
n
p
a
r
a
m
e
t
r
i
q
u
e
S
A
S
V
FILTRE DE KALMAN
oLJT
_
_
_
x(t + 1) = Fx(t) + Gu(t) + w(t)
y(t) = Hx(t) + v(t)
T/
_
_
_
x(t/t) = x(t/t 1) + M
f
(t) (y(t) H x(t/t 1))
y(t/t) = H x(t/t)
? M
f
(t) / (t/t) = c
_
x(t/t) x(t/t)
T
_
est minimale
223
N.K.MSirdi
C
o
u
r
s
:
C
o
u
r
s
d
i
d
e
n
t
i
c
a
t
i
o
n
p
a
r
a
m
e
t
r
i
q
u
e
S
A
S
V
RESULTAT FONDAMENTAL II
La
relation de passage du ltre au predicteur donnee par lequation
1TTT
_
_
_
x(t + 1/t) = F x(t/t) + Gu(t) + w(t/t)
w(t/t) = M
w
(t) (y(t) H x(t/t 1))
permet de trouver aisement la relation entre les gains du predicteur et du ltre
M
p
(t) = FM
f
(t) + M
w
(t)
avec
M
f
(t) = (t/t 1)H
T
_
R
o
+ H(t/t 1)H
T
_
1
M
w
(t) = W
o
_
R
o
+ H(t/t 1)H
T
_
1
224
N.K.MSirdi
C
o
u
r
s
:
C
o
u
r
s
d
i
d
e
n
t
i
c
a
t
i
o
n
p
a
r
a
m
e
t
r
i
q
u
e
S
A
S
V
COMPORTEMENT ASYMPTOTIQUE
Pre-
dicteur de Kalman
T/
_
_
_
x(t + 1/t) = F x(t/t 1) + Gu(t) + M
p
(t) (y(t) y(t/t 1))
y(t/t 1) = H x(t/t 1)
M
p
(t) = F(t/t 1)H
T
_
R
o
+ H(t/t 1)H
T
_
1
(t + 1/t) = F(t/t 1)F
T
+ Q
o
F(t/t 1)H
T
..
...
_
R
o
+ H(t/t 1)H
T
_
1
H(t/t 1)F
T
225
N.K.MSirdi
C
o
u
r
s
:
C
o
u
r
s
d
i
d
e
n
t
i
c
a
t
i
o
n
p
a
r
a
m
e
t
r
i
q
u
e
S
A
S
V
Filtre de Kalman
T/
_
_
x(t + 1/t + 1) = (I
n
M
f
(t + 1)H) F x(t/t)
+ (I
n
M
f
(t + 1)H) Gu(t)
+ M
f
(t + 1)y(t + 1)
y(t/t) = H x(t/t)
M
f
(t) = (t/t 1)H
T
_
R
o
+ H(t/t 1)H
T
_
1
(t + 1/t + 1) = F(t/t)F
T
+ Q
o
_
F(t/t)F
T
+ Q
o
_
H
T
..
..
_
R
o
+ H
_
F(t/t)F
T
+ Q
o
_
H
T
1
..
.. H
_
F(t/t)F
T
+ Q
o
_
226
N.K.MSirdi
C
o
u
r
s
:
C
o
u
r
s
d
i
d
e
n
t
i
c
a
t
i
o
n
p
a
r
a
m
e
t
r
i
q
u
e
S
A
S
V
RESULTAT FONDAMENTAL III
Sup-
posons que (H, F) est detectable et (F,
Q
o
) stabilisable. Alors le comportement
asymptotique du predicteur et du ltre de Kalman est donne par les equations
x(t + 1/t) = F x(t/t 1) + Gu(t) + M
p
(y(t) H x(t/t 1))
x(t + 1/t + 1) = (I
n
M
f
H) F x(t/t) + (I
n
M
f
H) Gu(t) + M
f
y(t + 1)
avec
M
p
= FH
T
_
R
o
+ HH
T
1
= FM
f
= FF
T
+ Q
o
FH
T
_
R
o
+ HH
T
1
HF
T
Ces estimateurs sont asymptotiquement stables et ont la meme dynamique, soit
1 (F M
p
H) = 1 ((I
n
M
f
H) F) T
s
227
N.K.MSirdi
C
o
u
r
s
:
C
o
u
r
s
d
i
d
e
n
t
i
c
a
t
i
o
n
p
a
r
a
m
e
t
r
i
q
u
e
S
A
S
V
Preuve du RESULTAT FONDAMENTAL III /1
une consequence directe du resultat fondamental suivant
Supposons que (H, F) est detectable et (F,
Q
o
) stabilisable, alors lequation
algebrique de Riccati
= FF
T
FH
T
_
R
o
+ HH
T
_
1
HF
T
+ Q
o
admet une solution symetrique et denie non-negative unique qui verie la
propriete de stabilite suivante
1 (F MH) T
s
avec M = FH
T
_
R
o
+ HH
T
_
1
Si en plus la paire (F,
Q
o
) est commandable, alors la solution est denie
positive.
228
N.K.MSirdi
C
o
u
r
s
:
C
o
u
r
s
d
i
d
e
n
t
i
c
a
t
i
o
n
p
a
r
a
m
e
t
r
i
q
u
e
S
A
S
V
En eet, supposons que la sequence matricielle (t/t 1) converge vers une
matrice , alors est une solution de lequation algebrique de Riccati
= FF
T
FH
T
_
R
o
+ HH
T
_
1
HF
T
+ Q
o
La sequence de gain de prediction (respectivement de ltrage) converge alors vers
le gain de prediction M
p
(respectivement le gain de ltrage M
f
), soit
M
p
= FH
T
_
R
o
+ HH
T
_
1
= FM
f
lim
t
M
p
(t) = M
p
et lim
t
M
f
(t) = M
f
La solution est stabilisante puisque (H, F) est detectable et (F,
Q
o
) stabili-
sable comme lindique le resultat ci-dessus.
229
N.K.MSirdi
C
o
u
r
s
:
C
o
u
r
s
d
i
d
e
n
t
i
c
a
t
i
o
n
p
a
r
a
m
e
t
r
i
q
u
e
S
A
S
V
Les erreurs de prediction et de ltrage sont respectivement donnees par
c x(t + 1/t) = (F M
p
H) c x(t/t 1)
et
c x(t + 1/t + 1) = (I
n
M
f
H) F c x(t/t)
Le polyn ome caracteristique du ltre peut se recrire comme suit
P
f
(z) = det (zI
n
(I
n
M
f
H) F) = det (zI
n
F (I
n
M
f
H))
= det (zI
n
F + FM
f
H) = det (zI
n
F + M
p
H) = P
p
(z)
On aura donc
1 (F M
p
H) = 1 ((I
n
M
f
H) F)
ce qui prouve que le predicteur et le ltre ont la meme dynamique
230
N.K.MSirdi
C
o
u
r
s
:
C
o
u
r
s
d
i
d
e
n
t
i
c
a
t
i
o
n
p
a
r
a
m
e
t
r
i
q
u
e
S
A
S
V
Predicteur de Kalman
_
H(z) M
p
G
+
- -
?
_ - -
6
+
-
y(t/t 1) y(t)
?
u(t)
1
231
N.K.MSirdi
C
o
u
r
s
:
C
o
u
r
s
d
i
d
e
n
t
i
c
a
t
i
o
n
p
a
r
a
m
e
t
r
i
q
u
e
S
A
S
V
Filtre de Kalman
(z)
H F
M
f
- - - - - -
6
G
?
1
+ + y(t)
u(t)
-
y(t/t 1)
+
-
?
x(t/t)
?
232
N.K.MSirdi
C
o
u
r
s
:
C
o
u
r
s
d
i
d
e
n
t
i
c
a
t
i
o
n
p
a
r
a
m
e
t
r
i
q
u
e
S
A
S
V
PROPRIETES REMARQUABLES
Les
matrices de transfert obtenues en ouvrant les boucle en sortie sont donnees par
(
oo
(z) = H(z)M
p
= H(z)FM
f
avec (z) = (zI
n
F)
1
H(z)M
p
_ - -
1

6
233
N.K.MSirdi
C
o
u
r
s
:
C
o
u
r
s
d
i
d
e
n
t
i
c
a
t
i
o
n
p
a
r
a
m
e
t
r
i
q
u
e
S
A
S
V
PROPRIETES
Les
fonctions de sensibilite et de sensibilite complementaire qui y sont associees sont
alors respectivement donnees par
o
o
(z) = (I
p
+(
oo
(z))
1
et T
o
(z) = (
oo
(z) (I
p
+(
oo
(z))
1
Y (z) = o
o
(z)V
y
(z) T
o
(z)N
y
(z)
H(z)M
p
_ _ - - -
1
6
?
-
x(t) y(t) v
y
(t)
y
(t)

234
N.K.MSirdi
C
o
u
r
s
:
C
o
u
r
s
d
i
d
e
n
t
i
c
a
t
i
o
n
p
a
r
a
m
e
t
r
i
q
u
e
S
A
S
V
RESULTAT FONDAMENTAL IV
Po-
sons
/
oo
(z) = H (zI
n
F)
1
_
Q
o
T
A(z) = det (zI
n
F) et P
o
(z) = det (zI
n
F + M
p
H)
=

min
(R
o
)
max
(R
o
+ HH
T
)
1
Alors les estimateurs de Kalman possèdent les proprietes suivantes
P1. Legalite de dierence de retour
(I
p
+(
oo
(z))
_
R
o
+ HH
T
_ _
I
p
+(
oo
(z
1
)
_
T
=
R
o
+/
oo
(z)/
oo
(z
1
)
T
est toujours veriee pour tout z (.
235
N.K.MSirdi
C
o
u
r
s
:
C
o
u
r
s
d
i
d
e
n
t
i
c
a
t
i
o
n
p
a
r
a
m
e
t
r
i
q
u
e
S
A
S
V
RESULTAT FONDAMENTAL IV
P2. Les poles des estimateurs peuvent etre determines à partir de lequation de
factorisation spectrale suivante
P
o
(z
1
)P
o
(z)
A(z
1
)A(z)
=
det
_
R
o
+/
oo
(z)/
oo
(z
1
)
T
_
det (R
o
+ HH
T
)
P3. La fonction de sensibilite des estimateurs verie linegalite de dierence de
retour
max
(o
o
(z))
1
pour tout z (
01
P4. La matrice de transfert en boucle ouverte est inversement asymptotique-
ment stable, soit
det ((
oo
(z)) = 0 = z T
s
236
N.K.MSirdi
C
o
u
r
s
:
C
o
u
r
s
d
i
d
e
n
t
i
c
a
t
i
o
n
p
a
r
a
m
e
t
r
i
q
u
e
S
A
S
V
Preuve /1
Preuve de P1. Notons dabord que
FF
T
=
(zI
n
F)
_
z
1
I
n
F
T
_
+ F
_
z
1
I
n
F
T
_
+ (zI
n
F) F
T
Et compte tenu de lequation algebrique de Riccati
= FF
T
+ Q
o
FH
T
_
R
o
+ HH
T
1
HF
T
on a
FF
T
= FH
T
_
R
o
+ HH
T
1
HF
T
+ Q
o
et donc
Q
o
= (zI
n
F)
_
z
1
I
n
F
T
_
+ F
_
z
1
I
n
F
T
_
+(zI
n
F) F
T
+ FH
T
_
R
o
+ HH
T
1
HF
T
237
N.K.MSirdi
C
o
u
r
s
:
C
o
u
r
s
d
i
d
e
n
t
i
c
a
t
i
o
n
p
a
r
a
m
e
t
r
i
q
u
e
S
A
S
V
Preuve /2
En premultipliant par H (zI
n
F)
1
et en postmultipliant par
_
z
1
I
n
F
_
T
H
T
on obtient
H (zI
n
F)
1
Q
o
_
z
1
I
n
F
_
T
H
T
=
HH
T
+ H (zI
n
F)
1
FH
T
+ HF
T
_
z
1
I
n
F
_
T
H
T
+ H (zI
n
F)
1
FH
T
_
R
o
+ HH
T
1
HF
T
_
z
1
I
n
F
_
T
H
T
Et si lon utilise le fait que M
p
_
R
o
+ HH
T
= FH
T
, on obtient
H (zI
n
F)
1
Q
o
_
z
1
I
n
F
_
T
H
T
=
HH
T
+ H (zI
n
F)
1
M
p
_
R
o
+ HH
T
+
_
R
o
+ HH
T
M
T
p
_
z
1
I
n
F
_
T
H
T
+ H(zI
n
F)
1
M
p
[R
o
+ HH
T
](M
p
)
T
(z
1
I
n
F
T
)
1
H
T
238
N.K.MSirdi
C
o
u
r
s
:
C
o
u
r
s
d
i
d
e
n
t
i
c
a
t
i
o
n
p
a
r
a
m
e
t
r
i
q
u
e
S
A
S
V
Preuve /3
soit
R
o
+ H (zI
n
F)
1
Q
o
_
z
1
I
n
F
_
T
H
T
=
_
I
p
+ H (zI
n
F)
1
M
p
_
_
R
o
+ HH
T
_
I
p
+ H (zI
n
F)
1
M
p
_
T
Preuve de P2. On a
det (I
p
+(
oo
(z)) = det
_
I
p
+ H (zI
n
F)
1
M
p
_
= det
_
I
n
+ (zI
n
F)
1
M
p
H
_
= det
_
(zI
n
F)
1
_
det (zI
n
F + M
p
H)
=
P
o
(z)
A(z)
En utilisant legalite de dierence de retour, on obtient
det (I
p
+(
oo
(z)) det
_
R
o
+ HH
T
_
det
_
I
p
+(
oo
(z
1
)
_
=
det
_
R
o
+/
oo
(z)/
oo
(z
1
)
T
_
239
N.K.MSirdi
C
o
u
r
s
:
C
o
u
r
s
d
i
d
e
n
t
i
c
a
t
i
o
n
p
a
r
a
m
e
t
r
i
q
u
e
S
A
S
V
Preuve /4
On peut ainsi determiner les p oles des estimateurs optimaux sans connatre la
solution de lequation algebrique de Riccati.
Preuve de P3. Comme legalite de dierence est veriee pour tout z (, on
a
_
I
p
+(
oo
(e
jT
e
)
_ _
R
o
+ HH
T
_ _
I
p
+(
oo
(e
jT
e
)
_
T
=
R
o
+/
oo
(e
jT
e
)/
oo
(e
jT
e
)
T
Et puisque R
o
est une matrice denie positive et que /
oo
(e
jT
e
)/
oo
(e
jT
e
)
T
est
un spectre et donc une forme hermitienne, on obtient linegalite de dierence de
retour sur le cercle unite
_
I
p
+(
oo
(e
jT
e
)
_ _
R
o
+ HH
T
_ _
I
p
+(
oo
(e
jT
e
)
_
T
R
o
240
N.K.MSirdi
C
o
u
r
s
:
C
o
u
r
s
d
i
d
e
n
t
i
c
a
t
i
o
n
p
a
r
a
m
e
t
r
i
q
u
e
S
A
S
V
Preuve /5
Par ailleurs, comme lARE admet une solution symetrique denie non negative
et que
max
_
R
o
+ HH
T
_

max
_
R
o
+ HH
T
_
, on aura
max
_
R
o
+ HH
T
_
min
_
I
p
+(
oo
(e
jT
e
)
_

min
(R
o
)
T
Et compte tenu de la denition de la fonction de sensibilite o
o
(z) = (I
p
+(
oo
(z))
1
,
on obtient
max
(o
o
(z))

max
_
R
o
+ HH
T
_
min
(R
o
)
1 pour tout z (
01
La preuve de P4 est essentiellement basee sur des resultats fondamentaux de lana-
lyse complexe.
241
N.K.MSirdi
C
o
u
r
s
:
C
o
u
r
s
d
i
d
e
n
t
i
c
a
t
i
o
n
p
a
r
a
m
e
t
r
i
q
u
e
S
A
S
V
REMARQUE R1
R1. La propriete P2 permet de deduire le comportement asymptotique des
p oles des estimateurs lorsque les matrices de variance des perturbations detat
et de sortie sont susamment petites, soit
P
o
(z)P
o
(z
1
) B
oo
(z)B
oo
(z
1
) lorsque R
o
0
et
P
o
(z)P
o
(z
1
) A(z)A(z
1
) lorsque Q
o
0
avec
det (/
oo
(z)) = det
_
H (zI
n
F)
1
_
Q
o
T
_
=
B
oo
(z)
A(z)
Q
o
= GG
T
= /
oo
(z) = H (zI
n
F)
1
G = ((z)
242
N.K.MSirdi
C
o
u
r
s
:
C
o
u
r
s
d
i
d
e
n
t
i
c
a
t
i
o
n
p
a
r
a
m
e
t
r
i
q
u
e
S
A
S
V
REMARQUE R2
R2. La propriete P4 confère aux estimateurs de Kalman une robustesse re-
marquable : les erreurs de modelisation et les perturbations que lon peut
ramener dune manière ou dune autre en sortie sont relativement attenuees
en basse frequences. Dans le cas des systèmes monovariables consideres, une
telle propriete devient
[ 1 +(
oo
(e
jT
e
) [ pour tout
_
T
e
, +

T
e
_
Le lieu de Nyquist du gain en boucle ouverte se trouve ainsi à lexterieur
dun cercle de centre le point critique (1, 0j) et de rayon . Les marges de
module, de gain et de phase qui en resultent sont respectivement donnees par
M = , G
_
1
1 +
,
1
1
_
et 2 arcsin
_
2
_
243
N.K.MSirdi
C
o
u
r
s
:
C
o
u
r
s
d
i
d
e
n
t
i
c
a
t
i
o
n
p
a
r
a
m
e
t
r
i
q
u
e
S
A
S
V
REMARQUE R3
R3. En supposant que les conditions initiales sont nulles, on peut recrire le
predicteur et le ltre comme suit
Y
p
(z) = F
pu
(z)U(z) + F
pu
(z)Y (z) avec
F
pu
(z) =
HAdj (zI
n
F + M
p
H) G
P
o
(z)
F
py
(z) =
HAdj (zI
n
F + M
p
H) M
p
P
o
(z)
et
Y
f
(z) = F
fu
(z)U(z) + F
fu
(z)Y (z)
avec
F
fu
(z) =
HAdj (zI
n
F M
f
HF) (I
n
M
f
H) G
P
o
(z)
F
fy
(z) =
z HAdj (zI
n
F M
f
HF) M
f
P
o
(z)
244
N.K.MSirdi
C
o
u
r
s
:
C
o
u
r
s
d
i
d
e
n
t
i
c
a
t
i
o
n
p
a
r
a
m
e
t
r
i
q
u
e
S
A
S
V
REMARQUE R4
R4. Lerreur de prediction de la sortie est donnee par
y(t/t 1) = H x(t/t 1) + v(t)
avec
x(t + 1/t) = (F M
p
H) x(t/t 1) + w(t) M
p
v(t)
En supposant que les conditions initiales sont nulles et en utilisant le lemmme
dinversion, on aura
Y (z) = o
o
(z)V (z) + H (zI
n
F + M
p
H)
1
W(z)
Conformement ` a la propriete de robustesse du predicteur, les eets les plus
nefastes des perturbations detat et des bruits de mesure sur la prediction de
la sortie correspondent à une amplication dun facteur
245
N.K.MSirdi
C
o
u
r
s
:
C
o
u
r
s
d
i
d
e
n
t
i
c
a
t
i
o
n
p
a
r
a
m
e
t
r
i
q
u
e
S
A
S
V
REMARQUE R5
La
synthèse du predicteur et du ltre de Kalman aurait pu etre eectuee directement
pour les systèmes variants dans le temps, soit
oL1T
_
x(t + 1) = F(t)x(t) + G(t)u(t) + w(t)
y(t) = H(t)x(t) + v(t)
pourvu que
(H(t), F(t)) est uniformement detectable
(F(t),
Q
o
) est uniformement stabilisable
246
N.K.MSirdi
C
o
u
r
s
:
C
o
u
r
s
d
i
d
e
n
t
i
c
a
t
i
o
n
p
a
r
a
m
e
t
r
i
q
u
e
S
A
S
V
REMARQUE R6
Le système oL1T est uniformement observables sil existe un instant t
f
et des
constantes positives
o
,
1
,
o
et
1
tels que le gramien dobservabilite du système
deni par
(
o
(t
o
, t
f
) =
t
f
t=t
o
+1
(t, t
o
+ 1)
T
H(t)
T
H(t)(t, t
o
+ 1)
avec
(t, t
o
) =
_
F(t 1)F(t 2) . . . F(t
o
) pour t > t
o
I
n
pour t = t
o
verie les propriete suivantes
(
o
(t
f
t, t
1
) > 0 t
f
o
I
n
((
o
(t
f
t, t
1
))
1

1
I
n
t
f
o
I
n
(t
f
, t
f
t) ((
o
(t
f
t, t
f
))
1
(t
f
, t
f
t)
T

o
I
n
t
f
247
N.K.MSirdi
C
o
u
r
s
:
C
o
u
r
s
d
i
d
e
n
t
i
c
a
t
i
o
n
p
a
r
a
m
e
t
r
i
q
u
e
S
A
S
V
ADAPTATION PARAMETRIQUE
Consi-
derons le système
A(q
1
)y(t) = B(q
1
)u(t d 1) + v(t)
_
(t + 1) = (t) avec
o
=
y(t) = (t 1)
T
+ v(t) + v(t)
Si u(t) est choisie de manière ` a satisfaire la condition dexcitation persistante
La matrice
1
t
t
t=1
(t 1)(t 1)
T
est regulière
alors le système est uniformement observable.
248
N.K.MSirdi
C
o
u
r
s
:
C
o
u
r
s
d
i
d
e
n
t
i
c
a
t
i
o
n
p
a
r
a
m
e
t
r
i
q
u
e
S
A
S
V
ADAPTATION PARAMETRIQUE /1
Le predicteur de Kalman correspondant est obtenu en prenant
F(t) = I
n
, G(t) = 0, H(t) = (t 1)
T
, R
o
=
o
et Q
o
= 0
soit les equations
(t) =

(t 1) +
F(t 1)(t 1)
o
+ (t 1)
T
F(t 1)(t 1)
o
(t)
o
(t) = y(t) (t 1)
T

(t 1)
F(t) = F(t 1)
F(t 1)(t 1)(t 1)
T
F(t 1)
o
+ (t 1)
T
F(t 1)(t 1)
qui ne sont autre que les equations de lalgorithme dadaptation parametrique aux
moindres carres
249
N.K.MSirdi
C
o
u
r
s
:
C
o
u
r
s
d
i
d
e
n
t
i
c
a
t
i
o
n
p
a
r
a
m
e
t
r
i
q
u
e
S
A
S
V
ADAPTATION PARAMETRIQUE /1
On notera que le predicteur de Kalman permet deectuer une adaptation pa-
rametrique dans le cas des systèmes lineaires variant dans le temps que lon peut
representer comme suit
oLT1T
_
(t + 1) = F(t)(t) + G(t)
+ w(t)
y(t) = H(t)(t) + v(t)
(t + 1) =

(t) + G(t)
+ H(t)
T
(t)(t)
(t) =
_
R
o
+ H(t)(t)H(t)
T
1
_
y(t) H(t)
(t)
_
(t + 1) = F(t)(t)F(t)
T
F(t)(t)H(t)
T
_
R
o
+ H(t)(t)H(t)
T
1
H(t)(t)F(t)
T
+ Q
o
250
N.K.MSirdi
C
o
u
r
s
:
C
o
u
r
s
d
i
d
e
n
t
i
c
a
t
i
o
n
p
a
r
a
m
e
t
r
i
q
u
e
S
A
S
V
CONCLUSION
Le problème destimation optimale
_
x(t + 1) = F(t)x(t) + G(t)u(t) + w(t)
y(t) = H(t)x(t) + v(t)
a ete etudie ` a la lumière de la culture Kalmanienne
Predicteur et Filtre de Kalman
Versions stationnaires des estimateurs de Kalman
Proprietes des estimateurs de Kalman
Remarques pertinentes
Estimation et adaptation parametrique aux moindres carres
251
N.K.MSirdi
C
o
u
r
s
:
C
o
u
r
s
d
i
d
e
n
t
i
c
a
t
i
o
n
p
a
r
a
m
e
t
r
i
q
u
e
S
A
S
V
CONCLUSION
Une methode didentication pour chaque predicteur sous la benediction du
principe dequivalence certaine
Des resultats fondamentaux pour certaines methodes
4
4. Si ton go ut est subtil, apprends à go uter leau et à distinguer les sources. Lanza Del Vasto
252

Identifications Discret S

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Identifications Discret S

Diunggah oleh

Hak Cipta:

Format Tersedia

First Prev Next Last Go Back Full Screen Close Quit

eaires Invariants dans le Temps LIT

ETRIQUE DE SIGNAUX ET SYST

ETRIQUE : Les signaux

ETRIQUE : Les signaux

ETRIQUE : Mod`ele ARMAX

ETRIQUE : P oles Zeros

Si lon denit les operateurs polyn omiaux A(q

EDICTEUR OPTIMAL 1/3

EDICTEUR OPTIMAL 2/3

EDICTEUR OPTIMAL 3/3

EDICTION - ESTIMATION `a travers un REGULATEUR

E POUR LIDENTIFICATION : CAS DUN MOD

E : CAS DUN MOD

E POUR LIDENTIFICATION : CAS DU

ETRIQUE : Les AAP

(t) qui realiseraient les deux pro-

(t 1), (t), T(t)

La prediction de la sortie (si

lerreur de prediction donne lerreur dequation : y(t) = y(t) y(t) = (t

ETHODE DES MOINDRES CARRES SIMPLES MCS

ETHODE DES MOINDRES CARRES RECURSIFS MCR

ETHODE DES MOINDRES CARRES RECURSIFS MCR : Proprietes

ETHODE DESTIMATION PARAM

ETRIQUE MCP RECURSIVE

ETHODE RECURSIVE DESTIMATION PARAM

ETHODE TEMPS REEL DESTIMATION PARAM

(t) et lorigine. Ce qui prouve la conver-

(t) est bornee.

ETHODE DE LERREUR DE SORTIE MES

ETHODE DE LA VARIABLE INSTRUMENTALE MVI

ETHODE DE LA VARIABLE INSTRUMENTALE MVI

ETHODE DE VALIDATION DE MODEL

ETISATION : Operateur Delta

ES DES ROBOTS RIGIDES

(t) = arg min

reponse impulsionnelle du syst`eme

(t) qui minimise le crit`ere quadratique J(

Lestimation des param`etres est faite `a partir du comportement dentree-sortie

(t)) + (t) avec y(t/

ETHODE DERREUR DE SORTIE /1

ETHODE DERREUR DE SORTIE /2

EDICTEUR ET FILTRE DE KALMAN

Y (z) = H(z)GU(z) avec (z) = (zI

qui permet de recrire le syst`eme sous la forme

telle que la paire (H

x(t + 1) = (F MH) x(t) + w(t) Mv(t)

Anda mungkin juga menyukai