IdentificaciónParamétrica Grupo2
IdentificaciónParamétrica Grupo2
IdentificaciónParamétrica Grupo2
Paramétrica
Grupo 2:
Daniela Álvarez
Carlos Lucio
Gustavo Pazmiño
Santiago Reinoso
Definición:
• Se denomina identificación de sistema a la obtención de información relevante a partir
de un conjunto de datos observados.
• Esta basada en los métodos de minimización de error de predicción
Es decir, la variable
Es un modelo autorregresivo
dependiente y la variable Es esencialmente un filtro
estacionario donde las Las series de tiempo de
explicativa son la misma con de respuesta de impulso
variables independientes entrada y las variables
la diferencia que la variable finito aplicado al ruido blanco,
siguen tendencias estocásticas exógenas deben ser todas
dependiente estará en un con alguna interpretación
y el término de error es estacionarias o cointegradas.
momento del tiempo posterior adicional
estacionario.
al de la variable independiente
Modelos Paramétricos
Método del Gradiente
• Se usa para sistemas multivariables
• Muy usado en los campos de Machine Learning
• Se tienen elementos desconocidos, los cuales se pueden representar por una matriz A,
los valores de esta matriz aparecen en las ecuaciones dinámicas del sistema que se
requiere identificar.
Método del Gradiente
• Se busca obtener el modelo estimado más parecido al modelo real, para lo cual se
analiza las pendientes de la función de coste, buscando el punto más profundo de la
función..
• X y Z son los parámetros del modelo y Y representa el error del mismo.
Donde:
Es el gradiente o la dirección de la
pendiente
Ratio de Aprendizaje, define cuanto
afecta el gradiente a los parámetros en
cada iteración (Muy pequeño muchas
iteraciones, muy grande nunca llega al
punto)
Método de Mínimos Cuadrados
• Consiste en obtener un modelo discreto.
• Cuya estructura o forma esperada este compuesta de parámetros desconocidos.
Donde:
• es la condición inicial de la matriz de covarianza
• es el vector de parámetros estimados
• representa el valor inicial del vector de parámetros estimados.
• La suma de los cuadrados de los errores
Mínimos Cuadrados Recursivos
Derivando la ecuación con respecto a y utilizando el primer criterio de la derivada se obtiene.
A esta ecuación se la conoce como el algoritmo de identificación por niños cuadrados estándar.
Para analizar el algoritmo supongamos que las condiciones iniciales son nulas por lo tanto>
Mínimos Cuadrados Recursivos
Derivando la ecuación con respecto a y utilizando el primer criterio de la derivada se obtiene.
A esta ecuación se la conoce como el algoritmo de identificación por niños cuadrados estándar.
Para analizar el algoritmo supongamos que las condiciones iniciales son nulas por lo tanto>
Mínimos Cuadrados Recursivos
Deduccion del metodo recursivo
La ecuación
𝑢 ( 𝑛 )=±𝑢 𝑚𝑎𝑥
Ruido Blanco Gaussiano Filtrado (de
Banda Limitada) BLWN
Eligiendo apropiadamente el filtro (lineal) puede lograrse una señal con espectro arbitrario (que no
tenga bandas de paso demasiado estrechas). Como la señal aleatoria Gaussiana es en teoría no
acotada, debe saturarse a una cierta amplitud. Eligiendo esa amplitud de saturación igual a 3 desvios
estándar, resulta un factor de cresta igual a 3, y sólo un 1 % en promedio de las muestras es afectado,
lo que resulta en una distorsión baja del espectro.
Señales Pseudo Aleatorias Binarias (PRBS)
𝑢 ( 𝑛 )=𝑟𝑒𝑚 (𝑎 1 𝑢 ( 𝑛 −1 ) +…+ 𝑎𝑘 𝑢 ( 𝑛− 𝑘 ) , 2)
Son señales que asumen sólo dos valores. Una señal
PRBS es una señal periódica, determinística que
tiene propiedades similares al ruido blanco. Puede
generarse a partir de la ecuación en diferencias
Suma de senoides (Multi-sines)
Estas señales tienen la ventaja de que se puede localizar la energía del espectro muy precisamente en
las frecuencias deseadas
El problema que presentan es el factor de cresta, que resulta de un valor hasta (si todos los son iguales).
Una manera de controlar el factor de cresta es elegir las fases de manera que los cosenos estén lo más
fuera de fase posible
Una solución a esto es la denominada fase de Schroeder, que distribuye la fase según
Señales Chirp
Es una senoide con una frecuencia que cambia en forma continua en una cierta banda de
frecuencias en un intervalo de tiempo
𝑢 ( 𝑡 )= 𝐴 cos 𝜔 1 𝑡 + ( ( 𝜔2 −𝜔 1 ) 𝑡 2
2𝑇 )
La frecuencia instantánea de la señal se obtiene derivando respecto al tiempo al argumento del
coseno, y resulta
Ejemplo
x = chirp(T,F0,T1,F1)
x = chirp(t,F0,T1,F1,'quadratic');
x = chirp(t,F0,T1,F1,'quadratic',[],'convex');