Banca Examinadora
Profa. Flavia Maria Guerra de Sousa Aranha _______________________________
Oliveira, UnB/ENE (Orientadora)
Prof. Joo Yoshiyuki Ishihara, UnB/ENE
_______________________________
______________________________
2 de 76
Dedicatria
Dedico esse meu trabalho s minhas duas meninas, primeiro para minha
esposa Sabrina e depois para minha filha Gabriela, que so presentes que Deus me
deu para alegrar todos os meus dias.
Marcelo Castro Bittencourt
3 de 76
Agradecimentos
4 de 76
NDICE ANALTICO
1.
2.
Introduo ..........................................................................................................10
1.1.
1.2.
Motivao....................................................................................................11
1.3.
Objetivos. ....................................................................................................12
1.4.
1.5.
Estrutura......................................................................................................13
dinmicos. .................................................................................................................15
3.
2.1.
Funo de transferncia..............................................................................15
2.2.
Dominncia modal.......................................................................................16
2.3.
2.4.
2.5.
2.6.
2.7.
Anlise transitria........................................................................................21
3.1.1.
Reposta ao degrau...............................................................................22
3.1.2.
Resposta ao impulso............................................................................30
3.1.3.
3.2.
Anlise de correlao..................................................................................32
3.2.1.
3.3.
Anlise de freqncia..................................................................................40
3.3.1.
3.4.
4.
Anlise espectral.........................................................................................41
3.4.1.
3.4.2.
4.1.1.
4.1.2.
Modelo ARMAX....................................................................................52
5 de 76
5.
4.1.3.
4.1.4.
4.1.5.
4.2.
Erro de predio..........................................................................................55
4.3.
4.4.
4.4.1.
4.4.2.
Construindo modelos..........................................................................................58
5.1.
5.2.
5.2.1.
5.2.2.
5.3.
Validao do modelo...................................................................................70
6.
Concluso. .........................................................................................................74
7.
Bibliografia..........................................................................................................76
6 de 76
INDICE DE EXEMPLOS
Exemplo 3-1 Circuito RC. ..........................................................................................23
Exemplo 3-2 Sistema de 2 ordem. ...........................................................................28
Exemplo 3-3 Anlise de correlao usando o MATLAB ............................................35
Exemplo 3-4 Anlise espectral usando o MATLAB. ..................................................44
Exemplo 4-1 Nmero de plos e zeros de modelos discretos...................................50
Exemplo 5-1 teste de cancelamento de plos e zeros [3]. ........................................62
Exemplo 5-2 Escolha da ordem e atraso do modelo .................................................65
Exemplo 5-3 testando os resduos [3] .......................................................................71
7 de 76
Universidade de Braslia
Faculdade de tecnologia
Departamento de Engenharia Eltrica
Engenharia Eltrica
PROJETO DE GRADUAO 2
obteno
Engenheiro,
em
do
julho
Universidade de Braslia.
grau
de
2007
na
RESUMO
A identificao de sistemas uma ferramenta para se obter modelos de
sistemas a partir de dados de entrada e sada. Ela se torna muito til em casos que
o sistema muito complexo e fica muito difcil de se determinar um modelo a partir
leis fsicas conhecidas.
O modelo obtido no necessariamente um modelo analtico, como por
exemplo, nos mtodos no paramtricos, onde o resultado normalmente obtido em
forma de grficos que do uma boa noo do comportamento dinmico do sistema.
J nos mtodos paramtricos, o resultado obtido um vetor de parmetros de
estruturas de modelos previamente definidas. Geralmente, vrios modelos so
estimados e uma comparao entre eles deve ser feita para se escolher qual deles
ser usado.
O presente estudo tem como objetivo auxiliar a implementao de um
curso prtico sobre identificao de sistemas na graduao de Engenharia Eltrica
da UnB e para isso so apresentados os mtodos da anlise transitria, anlise de
correlao, anlise de freqncia e anlise espectral, que so classificados como
mtodos de identificao no paramtricos, e implementados exemplos que
demonstram suas caractersticas como, por exemplo, a sensibilidade ao rudo. So
apresentadas tambm as estruturas de modelos paramtricos mais citadas na
literatura e alguns mtodos de estimao de seus parmetros. Por ultimo, so
discutidas questes prticas encontradas no processo de identificao de sistemas
como, por exemplo, a escolha do sinal de entrada, a escolha da ordem do modelo e
a validao do modelo estimado.
8 de 76
ABSTRACT
System identification can be defined as the application of a set of
techniques with the objective to build models of a dynamic system based on
measured data. It is very useful in cases in which the system function is difficult to
describe by known physical laws.
The model obtained is not necessarily a mathematical model. In some
methods, like the nonparametric ones, the result is a graph that cannot be used for
simulation directly, but gives an insight into the behavior of the system. Other
methods such as parametric identification are techniques to estimate parameters in
given model structures. Basically, it is matter of finding (by numerical search) the
numerical values of the parameters that give the best agreement between the
models (simulated or predicted) output and the measured one. This study presents
nonparametric methods like transient analysis, correlation analysis, frequency
analysis and spectral analysis. Those methods are considered in some examples to
show their characteristics. Many commom parametric model structures are also
presented as well as techniques to estimate their parameters. Finally, some practical
aspects are considered such as the choice of input signal, choice of the model
structure and model validation.
Key-words: parametric methods; nonparametric methods; transitory analysis;
correlation analysis; frequency analysis; spectral analysis; models ARX, ARMAX,
OE, BJ and state- space; and residual analysis.
9 de 76
1. Introduo
1.1.
G( s)
s 2
s2 1 1
10 de 76
s 2
s
1 1
y (t ) 1,625 y (t 1) 0,7962 y (t 2)
8
s
s 4
(1-1)
1.2.
Motivao
to complexo que fica muito difcil determinar suas caractersticas atravs de leis
fsicas conhecidas.
Assim, em muitos casos torna-se necessrio usar dados experimentais
para construir o modelo do sistema. Esses dados so variveis do sistema como
entrada, sada e possveis perturbaes. Com esses dados pode-se entender como
o sistema funciona, como as entradas alteram as sadas ou ento determinar alguns
parmetros desconhecidos de um modelo [2].
1.3.
Objetivos.
O objetivo desse trabalho realizar um estudo de mtodos no-
1.4.
MATLAB.
O toolbox de identificao de sistemas do MATLAB desenvolvido por
Ljung tem uma interface grfica (GUI) que cobre a maioria das funes do toolbox. O
GUI pode ser inicializado com o comando ident na linha de comando do MATLAB e
apresenta o aspecto mostrado na figura 1-2.
importado pelo popup-menu
12 de 76
1.5.
Estrutura.
Esse trabalho est divido nos seguintes captulos:
1.
2.
3.
4.
5.
14 de 76
2.1.
Funo de transferncia
N ( s)
D( s)
H ( s)
b0
b1 s ... bq s q
a0
a1 s ... a n s
(2-1)
H ( s )(s
pi ) | s
pi .
(2-2)
J1
s p1
H ( s)
J2
s p2
...
Jn
.
s pn
(2-3)
2.2.
Dominncia modal
Num sistema de ordem elevada bem provvel que alguns modos sejam
2.3.
ento o modo
J2
( 2 s 1)
H ( s)
k
s 1
(2-4)
a constante de tempo. A
h( t )
L 1{H ( s )}
, t
0.
(2-5)
16 de 76
2.4.
1.
H ( s)
s2
wn 2
2 wn s wn 2
(2-6)
do sistema.
Dependendo do valor do coeficiente de amortecimento, a resposta
temporal do sistema pode ser classificada como subamortecido ( 0< <1),
criticamente amortecido ( =1) ou sobreamortecido ( >1).
As caractersticas de um sistema de segunda ordem normalmente so
definidas em termos das caractersticas de sua resposta ao degrau. Essas
caractersticas so: tempo de subida tr (normalmente o tempo em que resposta
passa de 10% a 90%), tempo de estabilizao t s (tempo em que a resposta
permanece dentro de uma certa porcentagem de seu valor final, normalmente de
5% ou 2%), tempo de pico t p (tempo em que resposta atinge o sobre-sinal mximo)
e o sobre-sinal mximo.
17 de 76
2.5.
Fa ( s )
ds
.F ( s ) ,
ds
[1].
(2-7)
). Porm e
ds
ds
Rn( s )
Qn(
Qn(
d s)
d s)
(2-8)
sendo:
Qn(s )
n
j 0
2.6.
(n j )!
(
j!(n j )!
d s)
n j
(2-9)
Resposta em freqncia
Estudar a reposta em freqncia de um sistema verificar como tal
18 de 76
tan
Im[ H ( j )]
Re[ H ( j )]
interesse.
2.7.
x
y
Ax Bu
.
Cx Du
(2-10)
n)
p)
p)
n)
H ( s)
C (sI
A) 1 B .
(2-11)
20 de 76
3. Mtodos no paramtricos.
Os mtodos no paramtricos so caracterizados por seus resultados
serem curvas ou tabelas que no so necessariamente parametrizados por um vetor
de parmetros [4]. Por exemplo, o resultado da anlise espectral o diagrama de
Bode do sistema.
Geralmente eles so fceis de serem aplicados, mas no geram modelos
muito precisos. Para modelos mais precisos costuma-se usar os mtodos
paramtricos de identificao. Mesmo assim, mtodos no paramtricos podem ser
usados para se obter um primeiro modelo bsico do sistema, o qual dar
importantes informaes para aplicao dos mtodos paramtricos [4].
3.1.
Anlise transitria.
Segundo Ljung [2] a anlise transitria serve como uma fase de
G( s)
K
e
1 sT
(3-1)
atraso.
A resposta ao degrau desse sistema dada pela figura 3-1:
22 de 76
G( s)
1
.
1 sRC
(3-2)
23 de 76
e 1 F, respectivamente, e
aplicando na entrada um sinal degrau unitrio, sua sada ser como representado na
figura 3-3 :
24 de 76
figura 3-5 Linha slida: verdadeira resposta ao degrau. Trasejada: reposta ao degrau com rudo.
Na figura 3-5 pode-se observar que mesmo com um pequeno rudo j fica
difcil estimar os parmetros com uma boa preciso.
2 ordem
25 de 76
G( s)
Kw0 2
s2
2 w0 s
w0 2
(3-3)
dy
dt
2 w0
dy
dt
w0 y
Kw0 u .
(3-4)
y (t )
K [1
1
1
w0t
sen( w0 1
t arccos )] , t
0 ,
(3-5)
26 de 76
tk
w0 1
1,2,3...
(3-6)
K [1 ( 1) k M k ] ,
y (t k )
(3-7)
exp[
] .
(3-8)
e w0 podem ser
y (t1 )
1.
K
(3-9)
obtido a partir
ln M
[ (ln M )]1 / 2
(3-10)
2
w0 1
(3-11)
Ento w0 ser:
w0
2
T 1
2
[ (ln M )]1 / 2 .
T
(3-12)
H ( s)
8
.
s 0,4 s 4
(3-13)
igual 0,1.
28 de 76
figura 3-8 Linha slida: resposta ao degrau verdadeira. Tracejada: reposta ao degrau com rudo.
29 de 76
Pode-se ver que mesmo com um pequeno rudo fica difcil de obter os
parmetros do sistema com uma boa preciso.
G( s)
Y (s )
.
U ( s)
(3-14)
Y (s)
.
1
(3-15)
y (t )
x (t ) * h (t ) .
(3-16)
30 de 76
Sistema
Linear
figura 3-9 resposta ao impulso de um sistema linear (figura retirada de The Scientist and Engineer's
Guide to Digital Signal Processing [7].)
Sistema
Linear
figura 3-10 convoluo vista do lado da entrada (figura retirada de The Scientist and Engineer's Guide
to Digital Signal Processing [7]).
3.2.
Anlise de correlao.
Com a anlise de correlao pode-se determinar a resposta ao impulso
y (t )
k 0
g k u (t
k ) v (t ) ,
(3-17)
onde v(t ) o rudo. Se a entrada for um sinal realizado por um processo estocstico
com mdia zero e funo de covarincia Ru ( ) [2]:
Ru ( )
),
Eu(t )u (t
(3-18)
R yu ( )
Ey(t )u (t
Ev(t )u (t
)
k 0
)
k 0
g k Ru (
g k Eu (t
k )u (t
)
(3-19)
k)
Ru ( )
0,
(3-20)
e ento:
R yu ( )
g .
(3-21)
N
R yu
( )
1
N
y (t )u (t
),
(3-22)
t 1
g N
1 N
R yu ( ) .
(3-23)
y F (t )
L ( q ) y (t )
u F (t )
L(q )u (t )
(3-24)
y F (t )
k 1
g k u F (t
k ) v F (t ) .
(3-25)
Se L(q) for um filtro que torne o sinal u F o mais branco possvel, pode-se
estimar a reposta ao impulso a partir da equao (3-23 [2].
Resumindo, a anlise de correlao pode ser feita pelo seguinte algoritmo
[2]:
1.
Colete os dados y (k ), u (k ) , k
2.
y (k )
3.
y (k )
y (t )
x (k )
t 1
x( k )
1
N
x (t ) .
(3-26)
t 1
Filtre os sinais:
y F (t )
4.
1
N
1,..., N .
L ( q ) y (t )
Estime as funes:
u F (t )
L(q)u (t )
(3-27)
34 de 76
1
N
R yN u ( )
F F
5.
N
t 1
1
N
y F (t )u F (t
)
(3-28)
N
t 1
u F2 (t )
R yN u ( )
F F
(3-29)
G( s)
s 2
.
s s 1
(3-30)
35 de 76
36 de 76
37 de 76
38 de 76
3.3.
Anlise de freqncia
Um sistema linear pode ser determinado por sua resposta ao impulso ou
u (t )
u 0 cos wt ,
(3-31)
y (t )
y 0 cos( wt
).
(3-32)
y0
u0
e seu ngulo
.
40 de 76
o mesmo processo para diferentes valores de w pode-se obter uma boa estimativa
da funo G ( jw) . Esse mtodo chamado de anlise de freqncia [2].
3.4.
Anlise espectral.
Para se construir um modelo a partir da observao de sinais, essencial
1
| U N ( w) | 2 ,
N
N ( w)
(3-33)
onde:
U N ( w)
N
k 1
u (kT )e
jwkT
(3-34)
41 de 76
Com esse mtodo a estimao do espectro pode ser escrita como [2]:
(w)
N
w (k ) R uN (k )e
jwk
(3-35)
R uN (k )
1
N
u (t
k )u (t ) .
(3-36)
t 1
42 de 76
w2 ( k )
w3 (k )
1
0
w1 (k )
1
k
1
(1 cos( )
2
0
(3-37)
k
k
em freqncia
(w)
N
de
aproximadamente
radianos/tempo de amostragem.
A varincia de N (w)
u ( w))
Um valor
43 de 76
N
4. Estime os espectros yN , uN e yu
de acordo com equao (3-35.
N ( w)
yu
N (w)
u
(3-38)
44 de 76
45 de 76
46 de 76
obtido
entre 20 e 30,
47 de 76
4. Mtodos paramtricos.
Os mtodos paramtricos so mtodos usados para estimar os
parmetros ou vetor de parmetros
y (t ) ay (t 1)
bu (t 1) e(t ) .
(4-1)
(4-2)
4.1.
B(q )
u (t nk )
F (q )
A(q ) y (t )
Nessa estrutura q
C (q )
e(t ) .
D( q )
(4-3)
q 1u (t )
u (t T )
q 2 u (t )
u (t 2T )
(4-4)
[5]:
A(q ) 1 a1q
B(q )
b1
1
1
b2 q
na
... a na q
... bnb q
nb 1
C (q) 1 c1q
... cnc q
D ( q ) 1 d1 q
... d nd q
nd
F (q ) 1
...
nf
f1 q
f nf q
nc
(4-5)
49 de 76
y (t ) 1,5 y (t T ) 0,7 y (t
2T )
0,9u (t
2T ) 0,5u (t 3T ) e(t ) .
(4-6)
!" #$
% &
'* )
'*
'
'
,
1.
'*
% -. /
/2 / 3. &
'
'(
'* +
. %0
%. .
50 de 76
C ( q)
D ( q)
A(q ) y (t )
B(q )u (t
nk ) e(t ) .
(4-7)
O modelo ARX costuma ser o modelo mais simples de ser estimado, mas
tem a desvantagem do polinmio A(q ) representar tanto a dinmica do sistema
quanto as propriedades do rudo. Assim, torna-se fcil de estimar incorretamente a
dinmica do sistema e talvez sejam necessrias ordens mais altas dos polinmios
51 de 76
A(q ) e B(q ) . Se a relao sinal-rudo for boa, essa desvantagem no tem muita
importncia [2].
A(q ) y (t )
B ( q )u (t
nk ) C (q )e(t ) .
(4-8)
y (t )
B(q )
u (t
F ( q)
nk ) e(t ) .
(4-9)
52 de 76
y (t )
B(q )
u (t
F (q )
nk )
C (q )
e(t ) .
D( q )
(4-10)
53 de 76
(4-11)
0 significa que
G (q )
C (qI nx
A) 1 B
H (q )
C (qI nx
A) 1 K
I ny
(4-12)
54 de 76
4.2.
Erro de predio
Um mtodo de estimao de parmetros comum e geral o mtodo de
G (q )u (t ) H (q )e(t ) ,
y (t )
(4-13)
a predio pode ser deduzida da seguinte forma [2]: Dividindo (4-13) por H (q, ) :
( q, ) y ( t )
(4-14)
ou
y (t )
1 H
( q , ) y (t ) H
(4-15)
y (t | )
1 H
( q , ) y (t ) H
(q, )G (q, )u (t ) .
(4-16)
' (t , ) [2]:
' (t , )
y (t )
y (t | ) .
(4-17)
55 de 76
1
N
VN ( )
' 2 (t , ) .
(4-18)
t 1
V N ( ) [2]:
arg min V N ( ) .
4.3.
do sinal de rudo
(4-19)
N
t 1
' 2 (t , N ) .
(4-20)
procura numrica pelo mnimo. O mtodo mais comum para isso o mtodo de
Newton-Raphson. Esse mtodo pode ser resolvido como [2]:
d
VN ( )
d
A escolha de
0.
(4-21)
feita por:
56 de 76
(i
1)
(i )
(i )
V N)) ( (i ) )
(4-22)
V N) ( (i ) ) ,
4.4.
1)
) * V N ( (i ) ) [2].
Propriedades do modelo.
4.4.1. Qualidade do modelo.
O que significa dizer que um modelo bom? Isso deveria significar que o
modelo est muito prximo da verdadeira descrio. Na prtica, nem sempre se tem
uma verdadeira descrio disponvel, e a qualidade do modelo deve ser julgada em
diferentes aspectos [2].
1. A qualidade do modelo relacionada com seu uso. Por exemplo, o
modelo pode ser excelente para controle porm inadequado para
simulao.
2. A qualidade do modelo relacionada com habilidade de reproduzir o
comportamento do sistema. Isso significa que a simulao do
modelo ou sua predio da sada bem prxima da sada
produzida pelo sistema.
3. A qualidade do modelo relacionada com a estabilidade do modelo.
Isso significa que para diferentes dados medidos sobre diversas
condies o modelo consegue reproduzir bem o sistema.
5. Construindo modelos.
Nos
captulos
anteriores,
foram
mostrados
tcnicas
mtodos
5.1.
Projeto do experimento.
Para realizar o processo de identificao necessrio projetar as
58 de 76
59 de 76
5.2.
60 de 76
(5-1)
min (
d,
1 d N 1 N 2
) ' (t , ) .
1 d N N t 1
(5-2)
multiplicada por uma funo que diminui com o aumento do nmero de parmetros
[2].
y (t ) 1,5 y (t T ) 0,7 y (t
2T )
0,1u (t
2T ) 0,1u (t 3T ) .
(5-3)
62 de 76
5
.
(
3
4
%
6 /7
% .
.
8
6 % . .9: %
.8
2/ ./%/ 5
6 / .%.
< ./%/ 5
6 (=%
%
(3
6
( .9: %
. >?
(
4 6 2 @0
% %.%
( .%
/;
obtido.
. A 4
4
63 de 76
. A 4
4
4
+ . A 4 ++
4
4
+
Com esse procedimento foram obtidos os diagramas de plos e zeros
mostrados nas figura 5-4 e figura 5-5.
Analisando o diagrama de plos e zeros do modelo de 3 ordem, pode-se
ver que h o cancelamento de um par de plos e zeros indicando que essa uma
ordem mais alta do que a necessria para modelar o sistema, como era esperado.
64 de 76
65 de 76
66 de 76
6.
conforme os valores na,nb e nk como por exemplo arx441. Para fazer a comparao
dos modelos estimados usando o mtodo de erro de predio marca-se o item
model output e a comparao mostrada na figura 5-9.
67 de 76
6 . Ento os
demais modelos foram delatados e os plos e zeros do modelo arx446 foi plotado
marcando o item Zeros and poles e resultado mostrado na figura 5-10.
68 de 76
figura 5-11 diagrama de zeros e plos do modelo arx446 obtido pelo comando zpplot
2 e nb
2.
69 de 76
figura 5-12 comparao entre os modelos estimados pelo mtodo de erro na predio
5.3.
Validao do modelo.
Validar um modelo verificar se ele pode ser aceito dada a sua inteno
' (t ) ' (t , N )
y (t )
y (t | N ) .
(5-4)
R'u ( )
' (t
)u (t ) .
(5-5)
t 1
Pr
1
N
R' (k ) Ru (k ) ,
(5-6)
valor de
Examinando R'u ( ) , alguns pontos devem ser considerados [2]
Se h correlao para valores negativos de
influncia de ' (t ) em valores de u (s ) para s
, ou seja, h
0)
0,
% 4
y (t ) 0,8984 y (t 1)
0.1111u (t
2) e(t ) .
(5-7)
igual a 3, a correlao
cruzada R'u ( ) ultrapassa de forma significante a faixa limite, o que, Segundo Ljung
[2], representa que o termo u (t 3) est faltando nesse modelo. Ento aumentando
a ordem do modelo, mas agora usando GUI do toolbox de identificao, pode-se
obter a anlise residual marcando o item Model resids. O resultado obtido
mostrado na figura 5-14.
72 de 76
figura 5-14 anlise residual do modelo estimado de 2 ordem, obtida usando GUI.
y (t ) 1,505 y (t 1) 0,7024 y (t
2)
0,1015u (t
2) 0,1061u (t 3) e(t ) .
(5-8)
73 de 76
6. Concluso.
Neste trabalho, foi desenvolvido um estudo sobre tcnicas paramtricas e
no-paramtricas de identificao de sistemas dinmicos lineares a partir de dados
de entrada e sada. Este trabalho prope-se como um esforo inicial para a
implementao de um curso prtico sobre este assunto no curso de graduao de
Engenharia Eltrica da Universidade de Braslia. Assim, foi dada uma nfase nas
vantagens de cada mtodo e nas ferramentas computacionais para sua execuo.
A identificao de sistemas dinmicos uma poderosa ferramenta para
se modelar ou estudar o comportamento dinmico de um sistema. Neste sentido, a
incluso de uma disciplina sobre esse assunto na graduao da UnB daria aos
alunos uma viso mais ampla e prtica acerca do modelamento de sistemas
dinmicos, a partir do qual diversas anlises, previses e concluses a respeito do
sistema em estudo podem ser efetuadas.
O trabalho aborda inicialmente a utilizao de mtodos no paramtricos
(anlise transitria, anlise de correlao, anlise de freqncia e anlise espectral)
para a obteno de curvas que refletem caractersticas do comportamento dinmico
do sistema em estudo. So apresentados exemplos que ilustram a aplicao de
cada mtodo tratado e vantagens e desvantagens da utilizao de cada tcnica. A
seguir, parte-se para a utilizao de mtodos paramtricos para a descrio de
sistemas dinmicos a partir dos dados de entrada e sada, primeiro apresentando as
principais estruturas de modelos paramtricos (ARX, ARMAX, OE, BJ e estado de
espaos) e depois tcnicas de estimao de seus parmetros. Por ultimo so
tratadas questes prticas, como a escolha da entrada, escolha da ordem do
modelo, comparao entre os modelos obtidos e a validao do modelo estimado.
Importante notar que no h uma maneira exata de se realizar o processo
de identificao de sistemas. H escolhas como o sinal de entrada, o valor do
tamanho
modelo estimado, que s podem ser feitas tendo certa prtica das tcnicas de
identificao. Por isso, como proposta para trabalhos futuros, sugere-se utilizar a
74 de 76
75 de 76
7. Bibliografia
1 - AGUIRRE, LUIS ANTONIO, Introduo a identificao de sistemas, Editora
UFMG, 2004.
2 LJUNG, L., GLAD, T. Modeling of dynamic systems, 1 ed., Prentice Hall
Internetional, United Kingdom, 1994.
3 MOSCINSKI , J., OGONOWSKI , Z.,Advanced control with Matlab &
Simulink, 1 ed., Ellis Horwood, United Kingdom, 1995.
4 SDERSTRM , T., STOICA , P.,System Identification, 1 ed., Prentice Hall
Internetional, United Kingdom, 1989
5 LJUNG, L.,System Identificaton Toolbox Users Guide, Disponvel em:
http://www.mathworks.com
6 WIKIPEDIA. Resposta ao impulso [online] Disponvel na Internet via WWW.
URL: http://pt.wikipedia.org/wiki/Resposta_ao_impulso. Arquivo capturado em 02 de
julho de 2007.
7 SMITH, S.. The Scientist and Engineer's Guide to Digital Signal Processing
[online] Disponvel na Internet via WWW. URL: http://www.dspguide.com. Arquivo
capturado em 20 de dezembro de 2006.
8 - FURTADO, Edgar Campos, MENDES, Eduardo M. A. M., NEPOMUCENO,
Erivelton G. e SILVA, Valceres V. R. "Identificao de sistemas dinmicos nolineares contnuos utilizando modelos NARMAX: estudo de caso de um forno a
arco eltrico" XIV Congresso Brasileiro de Automtica, Natal, RN, 2 a 5 de
Setembro de 2002, pg. 2150 - 2155.
9 - RODRIGUES, G. G., "Identificao de Sistemas Dinmicos No Lineares
Utilizando Modelos NARMAX Polinomiais - Aplicao a Sistemas Reais"
Dissertao de Mestrado do PPGEE, Universidade Federal de Minas Gerais, Belo
Horizonte, Brasil, junho de 1996.
76 de 76