IIdentificación dentificación de temas de SIS SIStemas Identificación mediante Análisis Correlación y Análisis Espectra
Views 146 Downloads 3 File size 66KB
IIdentificación dentificación de temas de SIS SIStemas
Identificación mediante Análisis Correlación y Análisis Espectral
An álisis de ón Análisis de Correlaci Correlación u(n)
∞
h(n)
y (n ) = ∑ h(k )u (n − k ) k =0
↓ Correlación cruzada Entrada-Salida
∞
R yu (A ) = ∑ h (n ) Ru (A − n )
{h (n )}nN=−01 ISIS
Autocorrelación de la entrada
n=0
↓ Ecuaciones Lineales en
convolución
Modelo FIR
N −1
R yu (A ) = ∑ h (n ) Ru (A − n ) A = 0,1, " , N − 1 n=0
J. C. Gómez
2
Resolviendo el sistema de ecuaciones se obtiene un número finito de términos de la respuesta al impulso del sistema, que resultan en un modelo FIR: Finite Impulse Response (respuesta al impulso finita), de la forma: N −1
H (q ) = ∑ h(n )q − n
Modelo FIR
n =0
ISIS
J. C. Gómez
3
Si la entrada es ruido es blanco con varianza λ, entonces
⎧λ si τ = 0 Ru (τ )⎨ ⎩ 0 c.o.c. y resulta
R yu (n) = h(n)λ por lo que una estima de h(n) puede calcularse como:
1 hˆ(n ) = λN
ISIS
N
∑ y(k + n)u (k ) k =1
J. C. Gómez
4
cra cra IR = cra(Z) Z:
Datos de entrada-salida como un objeto iddata o como una matriz Z = [y u].
IR:
Respuesta al impulso estimada (IR(1) corresponde a h(0))
[IR,R,CL] = cra(Z,M,NA,PLOT) M:
Número de términos de la respuesta al impulso (Def. 20)
NA: Orden del filtro blanqueador.(Def. 10). Para NA=0, no se realiza prefiltrado. Se computan entonces las funciones covarianzas de los datos originales. PLOT: PLOT=0 no genera plots. PLOT=1 (Def.) genera un plot de IR junto con intervalos de confianza al 99 % . PLOT=2 genera un plot de todas las R. ISIS
J. C. Gómez
5
An álisis Espectral Análisis Espectral u(n)
Φ u (ω )
∞
h(n)
y (n ) = ∑ h(k )u (n − k ) k =0
Φ y (ω ) = H (ω ) Φ u (ω ) 2
Φ yu (ω ) = H (ω ) Φ u (ω )
↓ ˆ (ω )Φ ˆ −1 (ω ) Hˆ (ω ) = Φ yu u
ˆ u (ω ) , Φ ˆ yu (ω ) Φ
Estimas de los espectros de ↑ entrada y entrada-salida Estima de la Respuesta en Frecuencia ISIS
J. C. Gómez
6
Las estimas de los espectros de entrada y entrada-salida a partir de un número finito de datos (observaciones) entrada-salida {u (n ), y(n )}nN=1 pueden obtenerse como
ˆ (ω ) = 1 U (ω )U * (ω ) Φ u N N N ˆ yu (ω ) = 1 YN (ω )U N* (ω ) Φ N
donde
N
N
U N (k ) = ∑ u (n )e
U N (ω ) = ∑ u (n )e − jωn
−j
2πkn N
n =1
n =1
N
YN (ω ) = ∑ y (n )e − jωn
ωk =
n =1
N
YN (k ) = ∑ y (n )e
2πk N
2πkn N
n =1
k = 1,2, " , N ISIS
−j
DFTs con N-puntos
J. C. Gómez
7
Una estima de la Respuesta en Frecuencia puede obtenerse como
Y (k ) Hˆ (ω k ) = N U N (k )
ωk =
2πk N
k = 1,2, " , N
Empirical Transfer Function Estimate (ETFE)
ISIS
J. C. Gómez
8
spa spa G = spa(DATA, M, w) DATA: Datos de entrada-salida como un objeto iddata. G:
Respuesta en frecuencia e incertidumbre como un objeto idfrd. G contiene también el espectro del ruido aditivo v en el modelo y = G u + v.
M:
longitud de la ventana de Hamming usada para el cómputo (opcional).
w:
vector fila con las frecuencias en que se desea calcular el espectro (opcional) (por defecto, 128 frecuencias equi-espaciadas entre 0 y π).
ISIS
J. C. Gómez
9