Anda di halaman 1dari 6

Plan

Estimation des paramtres dans Rfrences bibliographiques


Estimation des paramtres dans un modle
les systmes dynamiques linaires statique
Modles dynamiques
Estimation des paramtres dans un modle
dynamique
Relation E/S dans le cas dune quation
bruite
Mthode de la matrice instrumentale
Mthode des moindres carrs gnraliss
Commande Adaptative Commande Adaptative
Ksouri Mekki 1 Ksouri Mekki 2

Rfrences bibliographiques 1. Estimation des paramtres


de base dans un modle statique
1. K. J. Astrm; Lectures on the identification problem: The Le modle
least squares method . Report 6806 Sept 68 Lund Institute
of Technology.
2. D. W. Clarke Generalized least squares estimation of the
parameters of a dynamic model . Paper 3-17 Preprints IFAC
Y = H + e
Symposium on Identification Prague 1967.
3. R. Hastings-James, M. W. Sage recursive generalized least
squares procedure for in line identification of process avec Y : vecteur observations (N, 1)
parameters . Proc. IEE 116 pp.2057-2062, 1969
4. G. Banon Etude dalgorithme destimation des paramtres : vecteur paramtres (p, 1)
pour lidentification adaptative en temps rel des processus
linaires perturbs par un bruit corrl . Thse de Docteur e : vecteur alatoire permettant de prendre en
Ingnieur, Toulouse 1971. compte les erreurs dobservations
5. P. C. Young An instrumental variable method for real time observations (N, 1)
identification of a noisy process . Automatica 6 pp.271-287
1970. H: matrice de transformation connue (N,p)
Commande Adaptative Commande Adaptative
Ksouri Mekki 3 Ksouri Mekki 4

1
1. Estimation des paramtres 1. Estimation des paramtres dans un modle statique

dans un modle statique Calcul de


Les hypothses de calcul Mthode du maximum de vraisemblance:
On dfinit la densit de probabilit conditionnelle p(Y/) comme
e est un vecteur alatoire gaussien de tant la fonction de vraisemblance: cest une fonction de dont
le maximum indique la valeur la plus probable de lensemble
moyenne nulle et dont les lments ont dobservation Y que lon obtiendrait partir du paramtre
mme variance et ne sont pas corrls suppos connu.

entre eux : E[e]=0, E[eeT]=IN. Proprits statistiques de la variable Y/


peut tre soit un vecteur dterministe E[Y/] = H (Moyenne)
connu, soit un vecteur alatoire et dans ce E[(YH (Y-H)T /] = E[eeT /]= E[eeT]=IN
cas il est suppos indpendant de e.
1
Commande Adaptative
p Y / = K Commande Y H T 2 I
exp Adaptative
2
Y H
1

Ksouri Mekki 5
Ksouri Mekki 6

Mthode du maximum de vraisemblance Proprits de lestimateur des MC


(suite)

Max 1
2
T
Y H
pY / = K exp Y H 2 I
1


EMC est un estimateur sans biais si E[e]=0,
T 1 dterministe, H et e indpendants:
Log p Y / = 0 Y H Y H = 0

E = E H T H
1

H TY = + H T H 1
H T E e =

= H T H H T Y
1

La variance de lerreur de lestimation


est donne par :
Remarque : avec les hypothses prcdentes,
lestimateur du MV est confondu avec celui des MC.
E = E H H
T T 1

H T ee T H H T H
1
= 2
H T
H
1

Pb : valeur de
Commande Adaptative Commande Adaptative
Ksouri Mekki 7 Ksouri Mekki 8

2
Estimation Modles dynamiques
de la variance du bruit modles entre/sortie (suite)
Si nest pas connu, il faut lestimer.
Modle ARMAX ou CARMA
Pour cela il suffit dtudier la statistique du terme rsiduel
Y H = H + e H H T H
1
H H + e
T
A( q 1 ) y( k ) = q d B( q 1 )u( k ) + C( q 1 )e( k )

Y H = I H H T H H T e
1
AR X (eXogenous) MA
Autoregressive C (Control) Moving Average
Matrice symtrique, idempotente


E Y H Y H = Ee e E e H H H
T T T T 1
H Te e(k)


= N 2 E trace eT H H T H
1

H T e = N - p 2
nA nB
y( k ) = ai y( k i ) + bi u( k i d ) + ci e( k i )
nC
C
1 i =1 i =0 i =0 A
2 =
Np
T
Y H Y H u(k)
B +
y(k)
q d +
Commande Adaptative Commande Adaptative A
Ksouri Mekki 9 Ksouri Mekki 10

Modles dynamiques Application de la mthode des MC lestimation


modles entre/sortie des paramtres dun modle dynamique
nA nB
Modle ARIMAX ou CARIMA y(k + 1) = ai y (k + 1 i ) + bi u (k + 1 d i ) + e(k + 1)
i=1 i =0

e( k )
A( q 1 ) y( k ) = q d B( q 1 )u( k ) + C( q 1 )
a1

AR X ou C 1 q 1 y( k + 1 )

y( k + 2 )

a
n
ek +1

On pose : YN = ; = A ; eN =
Autoregressive b0
MA
Yn

y( k + N )



e
k+N Hn eN
bn
B
a1

nA nB nC y ( k + 1) y (k ) y ( k n A + 1) u (k + 1 d ) u (k + 1 d n B ) e k +1
anA
= +
y( k ) = ai y( k i ) + bi u( k i d ) + ci e( k i )
y (k + N ) y ( k + N 1) y (k + N n ) u ( k + 1 d + N + 1) u ( k + 1 d + N + 1 n ) b 0 e
A B
k +N
i =1 i =0 i =0
Commande Adaptative Commande Adaptative b nB
Ksouri Mekki 11 Ksouri Mekki 12

3
Relation entre-sortie dans le cas dune
Relation entre-sortie dans le cas dune quation dynamique bruite
quation dynamique bruite (suite)

On considre le modle dtat Considrons, pour se fixer les ides, que le systme est
dordre 3, on a alors daprs le Thorme de Cayley-
suivant dans lequel ek est un
x = Fxk + ek
bruit blanc et pour simplifier on k +1 Hamilton : f3 = 3 f2 2 f 1I e k+3
na pas reprsent la yk = Hxk do :
commande uk
yk +3 = 3 yk + 2 2 yk +1 1 yk + 3 HF + 2 H + HF 2 ek +
On crit les sorties successives : 3 H + HF ek +1 + Hek +2
yk +1 = Hxk +1 = HFxk + Hek
yk +3 = 3 yk + 2 2 yk +1 1 yk + e k +3
yk + 2 = Hxk + 2 = HF 2 xk + HFek + Hek +1
e est un bruit corrl, la mthode des MC ne convient
yk +3 = Hxk +3 = HF 3 xk + HF 2 ek + HFek +1 + Hek + 2 plus dans ce cas car le vecteur estim serait biais.

Commande Adaptative Commande Adaptative


Ksouri Mekki 13 Ksouri Mekki 14

Relation entre-sortie dans le cas dune Que peut-on faire?


quation dobservation bruite
Comme nous lavons montr prcdemment, si la bruit
On considre le modle dtat est color la mthode des moindres carrs et biaise. Il
suivant dans lequel ek est un sagit de prsenter maintenant quelques mthodes qui
bruit blanc et pour simplifier xk +1 = Fxk permettent de contourner ce problme.
on na pas reprsent la
commande uk yk = Hxk + ek Rappelons dabord que les modles du type AR, ARMA,
ARMAX, ARIMAX font tous intervenir un polynme C(q-1)
On crit les sorties successives et tire (dans ek+3 devant le terme de bruit, ce qui lui donne une coloration
lhypothse de lordre 3 pour simplifier): et par suite la perte des proprits importantes pour
llimination du bais.
yk + 3 = 3 yk + 2 2 yk +1 1 yk + 3ek + 2 + 2 ek +1 + 1ek + ek +3
Nous allons dans la suite prsenter deux mthodes:
Mme conclusion que prcdemment, la mthode des 1. La mthode de la variable instrumentale
MC ne convient pour estimer les paramtres du 2. La mthode des moindres carrs gnraliss
systme car elle estCommande
biaise Adaptative
dans ces 2 cas.
Ksouri Mekki 15
Commande Adaptative
Ksouri Mekki 16

4
Hypothses de travail Mthode de la matrice
1 1 1
A( q ) y( k ) = B( q )u( k ) + C( q )e( k ) instrumentale
nA nB nC
On travaillera dans la suite sur un modle ARMAX, avec les y( k ) = ai y( k i ) + bi u( k i d ) + ci e( k i )
hypothses : i =1 i =0 i=0

e(k) sont de v. a. gaussiennes indpendantes de Si on effectue N mesures, on a


w(k)
moyennes nulle E[e]=0 et de matrice de covariance lquation : Y = H +w
N
unit E[eeT]=I, le coefficient permet de reprsenter
le cas dune variance non unitaire. avec w le vecteur de composantes wi(k)

Le systme est suppos stable ( A stable). Soit f une matrice de mme dimension que H, appele
matrice instrumentale, T Y = T H + T w N
Les 3 polynme A, B et C nont pas de zro commun.
= F T H F T YN F T H FT w
1 1
on obtient :
Le systme est suppos observable et commandable.
Si F H
T 1
existe
Commande Adaptative Commande Adaptative
Ksouri Mekki 17 Ksouri Mekki 18

Mthode de la Matrice Instrumentale Mthode de la Matrice Instrumentale


(suite) Exemple
xk +1 = axk + bu k
= F T H F T YN F T H FT w
1 1
Pb. Estimer a et b
yk = xk + ek
On montre que si:
FTw/N tend en probabilit vers 0 yk = ayk 1 + buk 1 + ek aek 1
FTH/N tend en probabilit vers une matrice yk 1 uk 1
non singulire
H = yk uk
Alors lestimateur suivant converge en probabilit
vers .
yk 2 u k 1


N = F T H 1
F YNT On choisit : F = yk 1

uk

Commande Adaptative Commande Adaptative
Ksouri Mekki 19 Ksouri Mekki 20

5
Mthode des moindres carrs Mthode des moindres carrs gnraliss
gnraliss Algorithme
A( q 1 ) y( k ) = B( q 1 )u( k ) + C( q 1 )e( k ) 1. Prendre un filtre a Fi ( q 1 ) = 1 + f i1q 1 + + f in q n
1 1
A ( q 1 ) y ( k ) = B ( q 1 ) u ( k ) + e( k ) priori
C ( q 1 ) C ( q 1 ) uiF ( k ) = Fi ( q 1 )u( k )
2. Calculer les valeurs
yF(k) uF(k) filtres uF et yF yiF ( k ) = Fi ( q 1 ) y( k )
1 1
A( q ) y F ( k ) = B( q )u F ( k ) + e( k ) 3. Estimer les paramtres
e(k) par MMC i

4. Calculer les rsiduels w ( k ) = A ( q 1 ) y( k ) B ( q 1 )u( k )


On peut maintenant 1 w
i i i

utiliser la MMC condition A


destimer 1/C. Cest
5. Estimer les coefficients
uF(k) B
yF(k) y(k) du filtre par MMC Fi ( q 1 )wi ( k ) = e( k )
justement ce que permet
u(k) 1 +
+ C
lalgorithme de la MC C A 6. Reprendre ltape 2
Commande Adaptative Commande Adaptative
Ksouri Mekki 21 Ksouri Mekki 22

Cas des paramtres variables (suite)


Cas des paramtres variables Pk1 = 1( k )Pk11 + 2 ( k )hk hkT
1 Pk 1hk hkT Pk 1
Le gain dadaptation (et par suite la norme de la Pk = Pk 1
1( k ) 1( k ) T
matrice P) dcrot en fonction du nombre ditrations. + hk Pk 1hk
2 ( k )
Ceci a pour consquence une ignorance progressive
des nouvelles observations. Si la dynamique du procd est lente:, on prend
Il en rsulte que les approches prconises ne 1(k) = 1 (entre 0.95 et 0.99) et 2(k) = 1.
conviennent pas dans le cas de paramtres non
stationnaires. Si on veut ignorer les premires observations et
On prsentera dans la suite deux solutions: la acclrer la convergence, on prend
mthode du facteur doubli et la mthode de la trace 1(k) = 0 1(k-1) + (1- 0) et 2(k) = 1, avec
constante. 1(0) et 0 tous deux compris entre 0.95 et
Les 2 mthodes reposent sur lcriture suivante : 0.99.
Si le procd est non stationnaire, on choisit 1
Pk1 = 1( k )Pk11 + 2 ( k )hk hkT et 2 de faon maintenir la trace de la matrice
Commande Adaptative
Ksouri Mekki 23
P constante. Commande Adaptative
Ksouri Mekki 24