Identification of nonlinear systems using volterra models based on Kautz functions and generalized orthonormal functions / Identificação de sistemas não-lineares usando modelos de Volterra baseados em funções ortonormais de Kautz e generalizadas

AUTOR(ES)
FONTE

IBICT - Instituto Brasileiro de Informação em Ciência e Tecnologia

DATA DE PUBLICAÇÃO

12/03/2009

RESUMO

Este trabalho enfoca a modelagem de sistemas não-lineares usando modelos de Volterra com funções de base ortonormal (Orthonormal Basis Functions - OBF). Os modelos de Volterra representam uma generalização do modelo de resposta ao impulso para a descrição de sistemas não-lineares e, em geral, exigem um elevado número de termos para representar os kernels de Volterra. Esta desvantagem pode ser superada representando-se os kernels usando um conjunto de funções ortonormais. O modelo resultante, conhecido como modelo OBF-Volterra, pode ser truncado em um n´umero menor de termos se as funções da base forem projetadas adequadamente. O problema central é como selecionar os polos livres que completamente parametrizam estas funções, particularmente as funções de Kautz e as funções ortonormais generalizadas (Generalized Orthonormal Basis Functions - GOBF). Uma das abordagens adotadas para resolver este problema envolve a minimização de um limitante superior para o erro resultante do truncamento da expansao do kernel. Cada kernel multidimensional é decomposto em um conjunto de bases de Kautz independentes, em que cada base é parametrizada por um par individual de pólos complexos conjugados com a intenção de representar a dinamica dominante do kernel ao longo de uma dimensão particular. Obtem-se uma solução analítica para um dos parâmetros de Kautz, válida para modelos de Volterra de qualquer ordem. Outra abordagem envolve a otimização numerica das bases de funções ortonormais usadas para a aproximação de sistemas dinamicos. Esta estrategia e baseada no cálculo de expressões analíticas para os gradientes da sa?da dos filtros ortonormais com relação aos pólos da base. Estes gradientes fornecem direções de busca exatas para otimizar os pólos de uma dada base ortonormal. As direções de busca, por sua vez, podem ser usadas como parte de um procedimento de otimização para obter o mínimo de uma função de custo que leva em consideração o erro de estimação da saída do sistema. As expressões relativas à base de Kautz e à base GOBF são obtidas. A metodologia proposta conta somente com dados entrada-sa´?da medidos do sistema a ser modelado, isto é, não se exige nenhuma informação prévia sobre os kernels de Volterra. Exemplos de simulação ilustram a aplicação desta abordagem para a modelagem de sistemas lineares e não-lineares, incluindo um sistema real de levitação magnética com comportamento oscilatorio. Por ultimo, estuda-se a representação de sistemas dinâmicos incertos baseada em modelos com incerteza estruturada. A incerteza de um conjunto de kernels de Volterra e mapeada em intervalos de pertinência que definem os coeficientes da expansão ortonormal. Condições adicionais são propostas para garantir que todos os kernels do processo sejam representados pelo modelo, o que permite estimar os limites das incertezas

ASSUNTO(S)

identificação de sistemas sistemas não-lineares volterra series de otimização metodos de gradiente conjugado system identification nonlinear systems volterra series orthonormal basis functions optimization

ACESSO AO ARTIGO

Documentos Relacionados