Critère d'identification
: minimisation de l'erreur de prédiction
Biais : lorsque les signaux sont bruités, on ne peut obtenir les valeurs exactes des
paramètres, mais on peut s'en approcher. L'estimation de , vecteur des
paramètres à identifier, est non biaisée si .
Consistance : L'estimation de est consistante si
Méthode des moindres carrés :
Estimation par moindres carrés
La méthode des moindres carrés (MC) permet de
résoudre le problème de l'estimation de paramètres
intervenant linéairement dans les observations.
Considérons l'équation : sur un
horizon N
,
Si l'on
pose
:
,
est obtenu par minimisation
de
est donc obtenu pour
Soit :
soit
(1)
:
Formulation matricielle
On pose
et
et (1) se traduit par : ,
soit :
Formulation récursive
L'expression nous oblige à tout recalculer lors de
l'acquisition d'un nouveau point. D'où l'intérêt d'une
formulation récursive.
soit et ( )
Remarques : - apparaît comme un gain de
correction.
- l'initialisation se fait avec quelconque et grand.
- un lemme d'inversion de matrice permet d'écrire :
Moindres carrés pondérés
On peut introduire une pondération dans le critère,
traduisant une importance différente accordée aux
mesures ou des paramètres non constants sur l'horizon
d'observation :
avec est une
matrice diagonale.
Dans ce cas, on a :
Propriétés de l'estimateur moindres carrés
En présence de bruit, on a :
,
où w(n) est un bruit blanc :
avec
si est déterministe,
alors
l'estimateur est sans biais.
Connaissance a priori
Si l'on dispose d'une connaissance a priori de ,
associée à (matrice de covariance), on peut étoffer le
critère de la façon suivante :
Dans ce cas, on
a :
Identification par moindres carrés :
Réponse impulsionnelle
Considérons un système linéaire décrit par sa réponse
impulsionnelle .
la sortie mesurée est liée à l'entrée par
l'équation :
Les valeurs de la réponse impulsionnelle peuvent être
estimées par MC en minimisant le critère :
et
Remarque : étant
déterministe, l'identification
MC de la réponse
impulsionnelle est sans biais.
Cette solution, non
paramétrique, est néanmoins
peu commode.
Modèle fonction de transfert
Le système est supposé décrit par un modèle du
type :
soit
:
Si : ,
alors
La solution MC vaut alors :
avec e
t
Biais : n'étant pas déterministe (les mesures sont
bruitées), .
Plus précisément, si le résidu est quelconque,
l'estimateur MC sera biaisé,
si le résidu est blanc, l'estimateur MC sera non
biaisé.
Moindres carrés généralisés
Un moyen d'obtenir une estimation MC non biaisée
consiste donc à blanchir le résidu.
C'est ce qui est réalisé dans la méthode des moindres
carrés généralisés.
On utilise une modélisation type
ARARX :
F est appelé . Il est initialisé à
et est calculé de façon itérative par moindres carrés.
Le préfiltrage de u et y par F avant la résolution MC
permet d'éliminer le biais en blanchissant le résidu.
En effet, ,
soit
Que l'on peut écrire où e
est un bruit blanc.
La convergence de cette méthode est assurée si le
rapport signal à bruit est suffisamment fort.
Méthode de Steiglitz - Mc Bride
On reprend ici un modèle de type erreur de
sortie :
où e est un bruit blanc.
Dans ce cas, on a
Pour éliminer le biais, il faut blanchir le résidu.
On prend donc comme filtre de
blanchiment :
Mais A fait partie des paramètres à identifier.
La méthode de Steiglitz-Mc Bride cherche à déterminer
ce filtre de manière itérative.
Procédure :
Initialisation :
On pose
généralement
. La
première
itération est donc
non filtrée : elle
correspond à une
estimation MC
simple (donc
biaisée).
A l'issue de cette
itération, on
dispose de .
kième itération :
On dispose
de . On
filtre donc u et y
par .
On minimise le
critère avec
et .
A l'issue de cette
itération, on
dispose de .
Et ainsi de suite.
La procédure
converge si le
rapport signal à
bruit est
suffisamment
élevé.
Dans ce
cas,
et
le résidu devient
blanc.
Le biais
disparaît.
