1/2

UNIVERSITE DES SCIENCES ET TECHNOLOGIES DE LILLE

UFR d'I.E.E.A.

Année Universitaire 2004-2005

Master ASE 1ère année

EXAMEN UE MAS2EGE001: Modélisation, Identification des Processus

Durée 2 Heures 1ère session

DATE ENSEIGNANT
Mercredi 11 Mai 2005 de 14H à 16H Pierre BONNET
Documents et calculatrice autorisés

Exercice I:
On désire estimer la valeur des paramètres d’un système par analyse de sa réponse
impulsionnelle par la méthode des moindres carrés simples puis récursifs.
On suppose que la fonction de transfert du système est :
Y(p)
= 1
U(p) p + a
Le relevé de la réponse impulsionnelle a donné les mesures suivantes:
t 1 2 3 4 5
y(t) 0,70 0,43 0,32 0,19 0,15

1) Donner la forme théorique x(t) de la réponse impulsionnelle de ce système. Est-elle linéaire par
rapport au paramètre a ? Proposer une méthode de linéarisation.

2) Déterminer la valeur optimale de aˆ par la méthode des moindres carrés simples.

3) En déduire la valeur estimée yˆ (t) calculée aux points d'échantillonnage. Reporter sur un
même graphe les valeurs de y(t) et ŷ(t) . Calculer la valeur du critère quadratique J(aˆ) . Conclure
sur la qualité de l’estimation de y .

4) On reprend la détermination de â par la méthode des moindres carrés récursifs. Définir la

dimension des matrices P et K intervenant dans le processus itératif.
On fixe P0 =100 I et θ 0 = 0 (notations du cours).

Donner le détail de la première boucle d’itération. Quelle est la valeur de aˆ1 et de ŷ1 ,
comparer avec la valeur de la méthode directe.

Donner les valeurs suivantes de aˆ et ŷ . La convergence vers la valeur finale est-elle

rapide ? Tracer sur le graphe précédent ŷ(t) obtenu par la méthode récursive. Conclure sur son
intérêt dans le cas présent.
 2/2

Exercice II:
On désire déterminer les paramètres du modèle d'un signal sinusoïdal avec niveau continu.
Le modèle utilisé est de la forme:
x(t) = a cosω t + b sinω t + c
La pulsation ω est supposée être connue.
Les mesures y(t) sont faites aux instants d'échantillonnages iTe avec i∈[0, N −1] .

1) On définit X vecteur modèle X =[x(0), x(Te),...., x((N −1)Te)]T et Y vecteur des mesures .

Déterminer la matrice H telle que X = Hθ avec vecteur des paramètres θ = [a,b,c]T Préciser
les dimensions de cette matrice H .
2) Donner l'expression détaillée permettant d'obtenir la meilleure estimation des paramètres
θˆ à partir des mesures Y (ne pas développer les calculs ni faire l'inversion!).

3) Dans le cas où Te = 2π (les N échantillons représentent exactement une période du

N
signal), faire les calculs et donner l'expression finale de aˆ , bˆ et cˆ .

La présence d'un niveau continu a-t-elle modifié les résultats du calcul de â et bˆ par rapport
à celui du modèle sans niveau continu ? Comment cˆ est-il obtenu ?

∑ cos2(i 2Nπ )= N2
N −1
On rappelle que :
i =0

∑ sin 2(i 2Nπ )= N2

N −1

i =0

∑ cos(i 2Nπ )sin (i 2Nπ )= 0

N −1

i =0
 3/2
Corrigé de l’examen du 11 Mai 2005
Exercice 1 :
−at
1) réponse impulsionnelle théorique : x(t) = e .
Non-linéaire par rapport au paramètre a : x(t,λ1a1+λ2a2) ≠ λ1x(t,a1) + λ2 x(t,a2)

linéarisation par logarithme : x1(t) = ln[x(t)]= −at

2) Mise en place
t x1(t) = −at y(t) y1(t) = ln[y(t)]
1 -a 0.70 -0.357
2 -2a 0.43 -0.844
3 -3a 0.32 -1.139
4 -4a 0.19 -1.661
5 -5a 0.15 -1.897

On pose : H = [−1 −2 −3 −4 −5]T Y1 = [−0.36 −0.84 −1.14 −1.66 −1.90] θ =a

(
θˆ = H t H )
−1
H T Y1 valeur obtenue par calcul : aˆ = 0.393
3) valeurs de yˆ (t) aux points d'échantillonnage :
t y(t) yˆ (t)
1 0.70 0.68
2 0.43 0.46
3 0.32 0.31
4 0.19 0.21
5 0.15 0.14

Valeur du critère : attention, le critère est calculé sur les valeurs ayant servi à établir la méthode des
5
moindres carrés J = ∑(y1(t) − yˆ1(t)) = (Y1 − Yˆ1)T (Y1 − Yˆ1)
2
J(aˆ) = 0.019 . La valeur est différente de
1
celle obtenue sur les valeurs de y(t) et yˆ (t) J = 0.0018 - valeur non valide dans le cadre de
l'approche utilisée.

4) Approche récursive: h = [−t ]T de dimension 1x1 ainsi que Pn = H nT H n ( )−1

est de dimension 1x1.
Le problème est purement scalaire. On choisit θˆ0 = 0 et P0 = 100

θˆn +1 = θˆn + K n+1(y1 n +1 + tn +1θˆn)

2
K n +1 = − Pn tn +1 /(1+ tn +1 Pn) Pn +1 = (1 + K n +1tn +1) Pn

Le calcul est fait sur un tableau Excel.

 4/2

Les résultats sont :

t hn yn y1n=log(yn) Kn Pn thetan y1est ynest

0 * * * 0 100 0 0 *
1 -1 0,7 -0,357 -0,99 0,99 0,356 -0,35 0,70
2 -2 0,43 -0,844 -0,40 0,20 0,408 -0,82 0,44
3 -3 0,32 -1,139 -0,21 0,07 0,390 -1,17 0,31
4 -4 0,19 -1,661 -0,13 0,03 0,403 -1,61 0,20
5 -5 0,15 -1,897 -0,09 0,02 0,392 -1,96 0,14

On remarque que le premier calcul de θˆ conduit à une estimation de y1 qui est très proche
de la valeur mesurée. Les itérations suivantes corrigent la valeur de θˆ qui converge vers une valeur
quasi identique à celle du calcul direct. Le tracé graphique de l'estimation est très voisin du
précédent.
Exercice 2 :
1)
t x(t) = acosωt + bsinωt + c La matrice H est donc
0 acos(0) + bsin(0) + c
 cos(0) sin(0) 1
Te acos(ωTe) + bsin(ωTe) + c  cos( ω T ) sin(ωTe) 1
H= e
2Te acos(2ωTe) + bsin(2ωTe) + c  ... ... ...
cos((N −1)ωTe sin((N −1)ωTe 1 
.... ....
(N −1)Te acos((N −1)ωTe) + bsin((N −1)ωTe) + c X = Hθ avec

θ =[a b c]T

2) Il suffit de déterminer θˆ par : θˆ = (H T H) H T Y

−1

 ∑ cos 2(ω iTe) ∑cos2 (ωiTe )sin(ωiTe ) ∑cos(ωiTe ) ∑ yi cos(ωiTe)


. H H = ∑sin(ω iTe )cos(ω iTe )∑sin (ω iTe )
T
∑sin(ωiTe )  H Y =  ∑ yi sin(ωiTe) 
T
  

 ∑cos(ωiTe ) ∑sin(ωiTe ) N 

 ∑ yi 
La résolution formelle est très lourde dans le cas général (à faire sur Mapple, Mathematica
ou numériquement sur Matlab)
3) Dans les conditions définies, les sommations se simplifient, ce qui donne:
N /2 0 0 
H T H =  0 N /2 0 
 0 0 N 

sumcosval  2sumcosval 
En posant H T Y =  sumsin val  , on obtient : θˆ = 1  2sumsin val 
 sumval  N  sumval 
 
L'introduction d'un niveau continu dans le modèle ne change pas la détermination de â et b̂
(conséquence de l'orthogonalité de la base des fonctions choisies, démontrée dans le cadre de
l'étude de la décomposition de Fourier). L'estimation du décalage du modèle cˆ est simplement
obtenu en calculant la moyenne des mesures.