Upload
mohamed-oubbati
View
294
Download
0
Embed Size (px)
Citation preview
Dr. Oubbati, Kybernetik (Neuroinformatik, Uni-Ulm) Systemidentifikation SoSe12
KybernetikSystemidentifikation
12. 06. 2012
Mohamed OubbatiInstitut für Neuroinformatik
Tel.: (+49) 731 / 50 [email protected]
Dr. Oubbati, Kybernetik (Neuroinformatik, Uni-Ulm) Systemidentifikation SoSe12
?
Was ist Systemidentifikation?
Der Begriff Systemidentifikation beschreibt Methoden und Algorithmen, die aus gemessenen Ein-/Ausgangsdaten vom System, ein empirischesModell des Systems erzeugen.
Input/output u(n) /y(n) data Systemidentifikation empirisches Modell
)(ky)(ku
Dr. Oubbati, Kybernetik (Neuroinformatik, Uni-Ulm) Systemidentifikation SoSe12
Etappen der Systemidentifikation
Dr. Oubbati, Kybernetik (Neuroinformatik, Uni-Ulm) Systemidentifikation SoSe12
Etappen der Systemidentifikation
1. Ein-/Ausgangsdaten vom System messen.
2. Modellstruktur auswählen (AR, ARMA, …).
3. Parameter des Modells anpassen.
4. Das gefundene Modell validieren (prüfen).
Etappen der Systemidentifikation
Dr. Oubbati, Kybernetik (Neuroinformatik, Uni-Ulm) Systemidentifikation SoSe12
1. Ein-/Ausgangsdaten vom System messen
agent
environment
action
feedback
Systemaction feedback
Etappen der Systemidentifikation
Ein-/Ausgangsdaten
Dr. Oubbati, Kybernetik (Neuroinformatik, Uni-Ulm) Systemidentifikation SoSe12
1. Ein-/Ausgangsdaten vom System messen
Systemfeedback
Etappen der Systemidentifikation
Anregungssignal
Anregungssignale, mit denen das System (agent-environment) angeregt wird, spielen eine große Rolle bei dem Identifikationsverfahren. Es ist dabei wichtig ein möglichst breites Frequenzspektrum abzudecken.
Dr. Oubbati, Kybernetik (Neuroinformatik, Uni-Ulm) Systemidentifikation SoSe12
Anregungssignale zur Systemidentifikation
Dies kann mithilfe verschiedener Eingangssignale produziert:
• Impuls: eher für die theoretische Analyse hilfreich.
• Sinus-Sweep: Sinusschwingung mit ständig ansteigender Frequenz.
• Rauschen: können als regelmäßige Sprünge verschiedener Amplitude erstellt werden.
• PRBS (Pseudo Random Binary Signal): können als eine Folge von Rechteckimpulsen unterschiedlicher Länge erstellt werden.
1. Ein-/Ausgangsdaten vom System messen
Etappen der Systemidentifikation
Dr. Oubbati, Kybernetik (Neuroinformatik, Uni-Ulm) Systemidentifikation SoSe12
2. Eine Modellstruktur auswählenEtappen der Systemidentifikation
agent
environment
action
feedback
Systemaction feedback
Modelestimated feedback
Dr. Oubbati, Kybernetik (Neuroinformatik, Uni-Ulm) Systemidentifikation SoSe12
Modelu y
• AR-ModellBei AR-Modellen benutzt man eine spezielle Regressionsgleichung die Autoregressionsgleichung (kurz: AR).
• MA-ModellDas MA-Modell “Moving-Average” (kurz: MA) beschreibt die Abhängigkeitsbeziehungen der Inputs wie folgt:
2. Eine Modellstruktur auswählenEtappen der Systemidentifikation
)()2()1()( 21 nkyakyakyaky n −++−+−= K
)()1()()( 1 mkubkubkuky m −+−+= K
Dr. Oubbati, Kybernetik (Neuroinformatik, Uni-Ulm) Systemidentifikation SoSe12
Modelu y
• ARMA-ModellAR-Modelle und MA-Modelle verknüpft ergeben eine sehr nützliche Klasse von Zeitreihenmodellen, die ARMA-Modelle:
2. Eine Modellstruktur auswählenEtappen der Systemidentifikation
)()1()()()2()1()(
1
21
mkubkubkunkyakyakyaky
m
n
−+−++−++−+−=
K
K
Dr. Oubbati, Kybernetik (Neuroinformatik, Uni-Ulm) Systemidentifikation SoSe12
2. Eine Modellstruktur auswählenEtappen der Systemidentifikation
• Series-Parallel model: needs actual input and past output of thesystem as input to the model.
System
Model
u y
delays in the past
ydelays
y
)()()2()1()(ˆ 21 kunkyakyakyaky n +−++−+−= K
Dr. Oubbati, Kybernetik (Neuroinformatik, Uni-Ulm) Systemidentifikation SoSe12
2. Eine Modellstruktur auswählenEtappen der Systemidentifikation
• Parallel-Parallel model: needs actual input and its own pastoutputs as the inputs.
)()(ˆ)2(ˆ)1(ˆ)(ˆ 21 kunkyakyakyaky n +−++−+−= K
System
Model
u y
ydelays in the past
delaysy
Dr. Oubbati, Kybernetik (Neuroinformatik, Uni-Ulm) Systemidentifikation SoSe12
System
Model
u y
y
3. Parameter des Modells anpassenEtappen der Systemidentifikation
Ist eine Modellstruktur gefunden, so muss noch eine Parameteranpassung vorgenommen werden. Dies wird erreicht, sodass die Differenz zwischen dem realen Systemund dem ausgewählten Modell so klein wie möglich sein soll.
Dr. Oubbati, Kybernetik (Neuroinformatik, Uni-Ulm) Systemidentifikation SoSe12
3. Parameter des Modells anpassenEtappen der Systemidentifikation
Systemy
y
+
-
ParameteranpassungMethode
Model
u
ia ib,( )
Methoden zur Parameteranpassung- Least Squares (LS)
- Recursive Least Squares (RLS)
- Prediction Error Method (PEM)
- Recursive Prediction Error Method (RPE)
- Artificial Neural Networks
- …
yy ≈ˆ
ia ib,sodass
?
Dr. Oubbati, Kybernetik (Neuroinformatik, Uni-Ulm) Systemidentifikation SoSe12
Methode der kleinsten Quadrate (Least Squares Method)
3. Parameter des Modells anpassen
Dr. Oubbati, Kybernetik (Neuroinformatik, Uni-Ulm) Systemidentifikation SoSe12
Die Modellstruktur des Systems wird als ARMA-Modell in Serie-ParallelForm ausgewählt.
Methode der kleinsten Quadrate
System
Model
u y
delays in the past
ydelays
y
)()1()()()2()1()(ˆ
1
21
mkubkubkunkyakyakyaky
m
n
−+−++−++−+−=
K
K
delaysin the past ia ib,( )
3. Parameter des Modells anpassen
Dr. Oubbati, Kybernetik (Neuroinformatik, Uni-Ulm) Systemidentifikation SoSe12
Unbekannt!( )nT aaaa ,,, 21 K=
( )mT bbbb ,,, 21 K= ⎟⎟
⎠
⎞⎜⎜⎝
⎛=
ba
θ
( ))(,),2(),1( mkukukuU T −−−= K
( ))(,),2(),1( nkykykyY T −−−= K
• Messdaten
• Parameter
Nk ,,2,1 K=
Methode der kleinsten Quadrate 3. Parameter des Modells anpassen
⎟⎟⎠
⎞⎜⎜⎝
⎛=
UY
k )(ϕ
θϕ )()(ˆ kky T=
• Die Vorhersage des Modells im Zeitpunkt k
Nk ,,2,1 K=
Dr. Oubbati, Kybernetik (Neuroinformatik, Uni-Ulm) Systemidentifikation SoSe12
θϕθξ )()()(ˆ)(),( kkykykyk T−=−=
• Die Differenz zwischen den gemessenen Ausgangswerten und den Ausgangswerten des Modells ist
)(ky)(ˆ ky
• Die Aufgabe der systemidentifikation ist es, der Vektor (eine Approximation von ) zu finden, sodass
θ
Methode der kleinsten Quadrate 3. Parameter des Modells anpassen
θ
0ˆ)()(ˆ)ˆ,( ≈−= θϕθξ kkyk T
Dr. Oubbati, Kybernetik (Neuroinformatik, Uni-Ulm) Systemidentifikation SoSe12
Das Least-Square Algorithm versucht eine Approximation zu finden, durch die Minimierung der Funktion
θ)(θNV
Methode der kleinsten Quadrate 3. Parameter des Modells anpassen
⎥⎦
⎤⎢⎣
⎡⎥⎦
⎤⎢⎣
⎡= ∑∑
=
−
=
N
k
N
k
T kykkk1
1
1)()()()(ˆ ϕϕϕθ
( )∑=
=N
kN kV
1
2 ,21)( θξθ
)(minargˆ θθθ NV=
Dr. Oubbati, Kybernetik (Neuroinformatik, Uni-Ulm) Systemidentifikation SoSe12
4. Das gefundene Modell validieren (prüfen).Etappen der Systemidentifikation
System
Model
u y
y
+
-
)(ˆ)()( kykyk −=ξ
∑=
=N
KN k
Nm
1)(1 ξ
( )2
1)(1 ∑
=
−=N
kNN mk
NVar ξ
∑=
=N
KN k
NMSE
1
2 )(1 ξ
Following statistics are often used for model validation
• mean error:
• variance:
• mean square error: