1. Ce ntelegeti prin identificarea unui sistem?

Prin identificarea unui sistem se nelege un procedeu experimental i/sau urmat de un algoritm
n urma cruia/crora se obine modelul sistemului. Modelul este o reprezentare a aspectelor eseniale
ale unui sistem existent sau care urmeaz s devin realitate. Identificarea presupune o etap de
achiziie de date, utilizarea unui algoritm de calcul cu ajutorul cruia se obin parametrii modelului
sistemului; validarea acestui model.

2. Cum se pregtete un experiment pentru identificarea unui proces dat?

Sistemul trebuie izolat fa de mediu;
variabilele de intrare care influeneaz ieirea;
se pot aplica semnale de prob sau este necesar observarea n funcionarea normal a
procesului;
limitele admise ale semnalului de prob;
alegerea semnalului de prob adecvat pentru a obine informaii ct mai bogate despre proces;
procesul se identific n bucl nchis sau n bucl deschis;
timpul maxim de realizare a experimentului;
Selectarea unei clase de modele prin care se aproximeaz procesul;
ponderea zgomotului n semnalul de ieire al sistemului;
Stabilirea procedurii i metodei de procesare a datelor.

3. n ce const validarea modelului unui sistem obinut dup parcurgerea unui algoritm de
identificare?

Operaie care const n testarea funcionrii modelului comparativ cu cea a procesului, atunci
cnd se iniiaz o nou sesiune de stimulare a ambelor entiti cu aceeai intrare.

Eroarea dintre proces i model trebuie s aib caracteristicile unui zgomot alb normal distribuit
(Gaussian).
Zgomot alb - zgomot de band larg i aleator, caracterizat prin energie egal pe lime de band
constant.
Extrem de important
Validarea unui model de identificare trebuie s se efectueze pe un alt set de date dect cel utilizat
pentru determinarea modelului.
Validare reziduuri OK ? Validare model (pe un alt lot de date) OK ? Model Final
4. Cine garanteaz faptul c n urma procedurii de identificare s-au captat toate dinamicile
sistemului din datele utilizate ?
Reziduul modelului trebuie s aib caracteristicile unui zgomot alb normal distribuit. Acest lucru
implic faptul c
funcia de autocorelaie a reziduului trebuie s fie

funcia densitate spectral a reziduului trebuie s fie

5. Prin ce se caracterizeaz semnalul pseudoaleator binar?
Un semnal pseudo-aleator binar (SPAB) este un semnal determinist (cu valori +/- a i cu momente de
comutare cunoscute), dar cu caracteristici statistice apropiate de cele ale zgomotului alb, deci utilizabile
comod la identificarea sistemelor.
Pentru generarea unui SPAB, se utilizeaz un registru de deplasare cu reacie, implementat cu ajutorul
operatorului SAU-exclusiv.
Semnalul pseudoaleatoar binar are urmtoarele proprieti:
1. semnalul are dou nivele( +a respectiv -a) i poate trece de la un nivel la altul numai la anumite
momente de timp bine determinate;
2. este un semnal periodic de perioada T
p
=N T , N=2
n
-1, unde n reprezint numrul celulelor
registrului de deplasare;
3. n cadrul unei perioade exista (N+1)/2 situaii cnd semnalul ia valoarea -a i (N-1)/2 situaii
cnd semnalul ia valoarea +a;
4. efectund o permutare ciclic asupra unei succesiuni date, se obine un semnal care, comparat
cu cel original, prezint un numr de coincidene care difer cu o unitate de numrul de
necoincidene;
5. funcia de autocorelaie a semnalului este ilustrat n figur


6. Care sunt motivele pentru care zgomotul alb se aproximeaz cu un semnal aleator de
banda limitata, in cazul identificrii sistemelor?
Zgomotul alb nu se poate obine fizic, deoarece ar necesita un generator de energie infinit pentru a
furniza o putere constant n toat gama de frecven. De regul, un asemenea semnal nu este necesar
deoarece procesele ntlnite au band de frecven limitat.
) ( ) ( t o t =
uu
R
}

= = 1 ) ( ) ( t t e
et
d e R S
j
uu uu
Din acest motiv se utilizeaz semnale aleatoare de band limitat. Acestea au proprieti (funcia de
autocorelaie, funcia densitate spectral) similare cu cele ale zgomotului alb.




8. Realizai o clasificare a modelelor de identificare.
Analitice - au un caracter mai mult teoretic si se obtin,de regula,prin aplicarea legilor fizico-chimice
care caracterizeaza functionarea unui proces.
-dovedesc o mare aplicabilitate practica ,sunt destul de generale,si precise,dar,de multe
ori ridica pragul de complexitate dincolo de o limita admisibila
Experimentale se obtin din seturi de date furnizate de catre proces si sunt,in general,usor de
implementat
-sufera de lipsa de generalitate,fiind specifice anumitor tipuri de procese sau chiar
puncte de functionare ale aceluiasi proces.
-precizia lor este modesta


Liniare procesele local liniarizabile in jurul anumitor puncte de functionare sunt cele mai raspandite
-modelele matematice liniare,eventual cu parametri variabili in timp reprezinta adesea procesele
sau local liniarizabile


Neliniare-majoritatea proceslor din natura sunt neliniare,dar cu diferite grade de neliniaritate
-procesele profund neliniare sunt dificil de identificat,ele neceistand modele matematice relativ
complexe,avand tot caracter neliniar


Parametrice mai precise M=
Neparametrice mai putin precise
-ofera mai mult descrieri calitative ale procesului de interes,dar pot fi utilizate pentru a
stabili anumite caracteristici ale experimentului de identificare parametrica desfasurat ulterior


Invariante in timp SISO
-SIMO

Variabile in timp - MIMO
-MISO


In timp continuu procesele care trebuie identificare au de regula o evolutie in timp continuu
- Sunt mai degraba modele analitice decat experimentale
- Pentru procesele de complexitate redusa,este posibila determinarea parametrilor
functiilor de transfer sau chiar a parametrilor de stare
In timp discret - de regula ,sunt modele experimentale
-usor de implementat si determinat

Cu parametri concentrati cu un numar finit de parametri
Cu parametri distribuiti cu un numar infinit de parametri

In domeniul timpului
In domeniul frecventei


9. Este posibil ca intr-o aplicaie de conducere sa se lucreze cu un model redus al sistemului
sau un model diferit de modelul sistemului? Justificai rspunsul.
Da, este posibil, atunci cnd sistemul opereaz (n timpul funcionrii), iar manifestarea acestuia n
aceste condiii este echivalent cu un sistem redus.

11. Explicai care este diferena dintre validarea reziduurilor i validarea modelului.
- Validare reziduuri - se folosete acelai lot de date, realiznd testarea proprietilor y
m
i y
s

- Validare model - se folosete un lot diferit de date
VR: (t) = y
s
(t) y
m
(t) unde trebuie sa aib propritile zgomotului alb (R i S)
VM: (t) = y
s

(t) y
m

(t) unde ys(t) ys(t)

12. Care sunt aspectele negative ntlnite n cazul metodelor de identificare ce utilizeaz analiza
indiciala?
- sistemul trebuie decuplat din mediul n care este utilizat pentru a obine realizrile dorite.
- Pot aprea situaii cnd semnalul de intrare poate duce sistemul n zona de neliniaritate cu
consecine nefavorabile n ceea ce privete acurateea modelului obinut.
Parametrii sistemului se determin utiliznd doar informaii punctuale. Din acest motiv rezult erori de
modelare
13. Ce tip de conversie se realizeaz prin metoda descompunerii funciei pondere printr-o sum
de triunghiuri, dar prin metoda suprafeelor?
Triunghiuri conversie neparametric neparametric. Se pleac de la o reprezentare
neparametric n domeniul timp (rspunsul la impuls al sistemului) i se ajunge tot la o reprezentare
neparametric dar n domeniul frecvenelor (hodograful sistemului
14. Ce tip de conversie se realizeaz prin metoda descompunerii funciei pondere printr-o sum
de triunghiuri, dar prin metoda suprafeelor?
Metoda suprafeelor conversie neparametric parametric. Se pleac de la o reprezentare
neparametric n domeniul timp (rspunsul la semnal treapt al sistemului) i se ajunge la o
reprezentare parametric (funcie de transfer).

15.Care sunt avantajele utilizrii funciei de corelaie polar pariala n cadrul identificrii cu
semnale de prob periodice?



- perturbaiile influeneaz ntr-o msur mai mic rezultatul identificrii,
- precizia metodei este uniform n toat banda de frecven a procesului analizat,
- metoda se poate utiliza att pentru procese liniare ct i pentru procese neliniare, caz n care se
determin funcia de descriere
16. Cum ar trebui s procedai n cazul metodei suprafeelor pentru a obine parametrii
(k
A
,a
1
,a
2
,...) cu o precizie ridicat?
Se aplic sistemului un semnal de tip treapt. Din rspunsul sistemului n regim staionar
trebuie reinut doar o mic poriune. Apoi se face o medie acestor valori pentru a obine
coeficientul k
A

17. Cum justificai faptul c eroarea de calcul a coeficientului a
1
determin erori de calcul
majore n calculul coeficientului a
2
n cazul metodei suprafeelor? Funcia de transfer a
sistemului se consider de forma


n calculul coeficientului a
2
se utilizeaz valoarea estimat a lui a
1
. Deci, obligatoriu erorile
de calcul (estimare) n cazul coeficientului a
1
se vor propaga n calculul coef. a
2
. Pentru a obine o
precizie mai bun se poate nlocui a
1
cu valoarea lui adevrat, dac ea se cunoate.






18. Ce proprietate trebuie s aib reprezentarea parametric sau neparametric a unui proces supus
identificrii ?
Capabilitate de captare a tuturor dinamicilor sistemului.

20. Cum procedai, n cazul identificrii sistemelor cu semnale de prob deterministe sinusoidale
pentru a nu obine rezultate eronate, n ceea ce privete procesarea datelor cu ajutorul funciei de
corelaie polar parial ?
Se aplic un semnal sinusoidal care se menine pn ce amplitudinea i faza semnalului de ieire
se stabilizeaz.
}
+ =
T
i e x x
dt t x t x
T
R
i e
0
) ( ) (
1
) ( t t
2
2 1
1
1
) (
s a s a
s G
+ +
=
( ) ( ) ( ) { }
( ) ( )
.
1 1

1
1

1
1

1 1
2
2
1 1
2
2
3
2
2
1 1
2
1
2
2
(

+ + +

=
=
(
(

+ +

+
= =
a s a s a s
a s
s
k
s a s a s
k
s a s
k
s
t h t h L
s
s S
A
A A

21. Care este rolul lui i al lui n cadrul urmtoarei funcii criteriu ?




Criteriul este utilizat n cadrul metodei de conversie neparametric - parametric n domeniul frecvenelor
transform criteriul ntr-unul ptratic

este utilizat pentru a pondera cu aceeai valoare criteriul n toat banda de frecvene

22. n ce condiii se poate obine direct funcia pondere utiliznd analiza de corelaie?
Cnd se aplic la intrarea sistemului:
- semnal aleatoriu
- semnal pseudo aleator binar
- zgomot alb

23. Cum se definete un estimator nedeviat ?

Definiia 1 . se numete estimator nedeviat (fr pierderi) a lui u , dac


24. Cum se definete un estimator consistent ?

Definiia 3 . se numete estimator consistent a lui a lui u , dac
converge n probabilitate ctre u sau c>0


30. Care este cea mai sever cerin pentru aplicarea estimatorului de risc minim i cum se rezolv
aceast cerin ?

Trebuie cunoscut funcia densitate de probabilitate a parametrilor p(u). Se determin utiliznd alt
estimator care nu utilizeaz aceast ipotez i apoi n urma analizei proprietilor statistice a lui se
determin p(u).

32. n ce situaii se utilizeaz metodele de relaxare pentru minimizarea unei funcii criteriu?

Aceste metode au la baz principiul ajustrii ciclice, a parametrilor funciei criteriu. Vectorul
parametrilor u se partiioneaz, de exemplu, n 2 vectori , iar minimizarea funciei criteriu se
face mai nti n raport cu x i apoi cu y. Se recurge la acest procedeu n situaia cnd minimizarea
) (
k i
j B e
) (

1 k i
j B e

=

=
p
n
k
i
k i
k i
i
j B
j B
p V
0
2
1
) (
) (

) (
) ( e c
e
e
) (
k i
j B e
) (

1 k i
j B e

(.,.) u
u u u = =

=
m
i
i i
Y U
m
M
1
) , (

1
] [
(.,.) u
u

1 ) ||

(||
lim
= <

c u u p
N
u

| |
T
y x = u
funciei criteriu numai n raport cu x sau y implic un volum de calcul mai mic sau n cazul cnd funcia
criteriu este ptratic n raport cu x sau y, dar nu este ptratic n raport cu u.

33. Explicai de ce metoda de conversie neparametric-parametric n domeniul timp care utilizeaz
algoritmul Gauss-Newton este sensibil la variaiile punctului iniial.

Funcia criteriu are mai multe minime locale, iar trecerea peste ele se face greu cnd factorul de ajustare
este mic. Dificultile pot fi depite dac punctul iniial este determinat utiliznd o procedur de tip
Monte Carlo.

34. Prin ce se caracterizeaz algoritmul de optimizare Gauss Newton?

- evit calculul derivatelor de ordinul 2
- matricea P(u
k
) este o matrice cel puin semi-pozitiv definit, deci este garantat convergena
algoritmului
- n jurul punctului de minim, P(u
k
) este o bun aproximare pentru matricea Hessian

35. Care este semnificaia mrimilor e(t) i ?

e(t) zgomot (de msur sau de proces)
reziduul modelului (diferena y
s
- y
m
)

36. Care este una din condiiile ca estimaia CMMP n dou etape s fie asimptotic orict de
apropiat de parametrii reali ai sistemului?

Condiia este ca estimaia zgomotului s fie ct mai bun sau altfel spus
s aib o valoare suficient de mic.

37. Ce se determin in cazul algoritmului de variabila intrumental si de ce se numete de variabil
instrumental?
Se determin doar partea determinist a sistemului utiliznd un vector z(t) fr semnificaie fizic,
vector care este considerat doar un instrument de lucru. De aici deriv i denumirea de variabil
instrumental

38. Dispunnd de realizrile obinute de la un sistem cu o singur intrare i o singur ieire {u(i),y(i)},
cum decidei dac modelul sistemului conine i parte stohastic?
Se face o comparaie ntre ECMMP i metoda variabilei instrumentale

ECMMP (A
1
, B
1
)

MVI (A
2
, B
2
)
) (t c
) (t c
( ) ( ) ( ) | |
2
t e t e M
) ( ) ( ) ( ) ( ) (
1 1
t e t u q B t y q A + =

) (
) (
) (
) ( ) ( ) ( ) (
1
1
1 1
t e
q D
q C
t u q B t y q A

+ =
Se reamintete faptul c MVI furnizeaz doar partea determinist (A
1
, B
1
).
Dac A
1
A
2
i B
1
B
2
atunci C/D = 1, sistemul nu are parte stohastic.
Dac A
1
A
2
i B
1
B
2
atunci C/D 1, sistemul are parte stohastic.

40. Care dintre urmtoarele metode: - cele mai mici ptrate, cele mai mici ptrate generalizat este o
metoda iterativ ? Justificai rspunsul.

Ambele metode sunt iterative, deoarece se determin succesiv o estimaie din ce n ce mai
bun. Metoda se termin cnd este ndeplinit condiia de stop.

41. Metoda celor mai mici ptrate - algoritmul on line, este o metod iterativ, recursiv sau iterativ
i recursiv? Justificai rspunsul.

MCMMP este iterativ i recursiv; iterativ deoarece se determin succesiv o estimaie din ce n ce mai
bun; recursiv deoarece pentru obinerea estimaiei parametrilor se utilizeaz o relaie forma



43. n ce const identificarea parametric on-line i n ce cazuri se utilizeaz ?

n cadrul metodelor recursive de estimare a parametrilor modelului, datele sunt preluate de la proces i
procesate pe msur ce devin disponibile.
Aceste metode sunt preferate n urmtoarele cazuri:
la implementarea structurilor de control adaptiv;
cnd procesul sau/i zgomotul sunt caracterizate de parametrii lent variabili n timp;
cnd se dorete continuarea experimentului de identificare pn la obinerea unei precizii de
aproximare, impus a priori;
Cei mai utilizai algoritmi recursivi sunt variante ale estimatorilor CMMP, verosimilitii maxime i
variabilei instrumentale.
Algoritmii on-line nu sunt ntotdeauna algoritmi n timp real, deoarece timpul de estimare a
parametrilor, n unele situaii, este mai mare dect perioada de eantionare a datelor.

44. Care este rolul parametrului n cadrul formulei de calcul a funciei criteriu utilizat n cazul
metodelor de identificare on-line?
- factor de uitare (ponderare).
Sunt ponderate informaiile false din trecut
Pentru <1 valorile se pondereaz cu att mai mult cu ct l este mai
ndeprtat de t.




( ) ( ) ( ) ( ) t t K t t c u u + = 1

( ) ( ) ( ) ( )
( )

=
t
l
l
T l t
l l y V
1
2

c
u u
( ) ( ) ( ) ( ) t l l y
T
u
45. Ce nelegei prin identificarea off-line?

Sunt preluate date de la proces, se aplic o metod de identificare pentru a fi obinut o estimaie a
parametrilor procesului. Toat aceast procedur este realizat separat (decuplat) de proces.

47. Cum se face validarea parametrilor obinui n cazul identificrii cu ajutorul metodei celor mai mici
ptrate?

Structura modelului se mai poate determina analiznd proprietile reziduului aleator, care reprezint
diferena dintre ieirea sistemului i ieirea modelului c(t)=y
s
(t)-y
m
(t). Dac precizia
parametrilor obinui este bun, atunci proprietile reziduului aleator trebuie s fie sensibil apropiate
de proprietile zgomotului alb. Funcia de autocorelaie dat de relaia urmtoare
unde c(n+j)=c(j),


trebuie s ia valori apropiate de cele ale impulsului Dirac.

=
+ =
n
p
i p p
n
i R
1
) ( ) (
1
) ( c c cc