Modelos de Volterra : identificação não paramétrica e robusta utilizando funções ortonormais de Kautz e generalizadas / Volterra models : nonparametric and robust identification using Kautz and generalized orthonormal functions

AUTOR(ES)
FONTE

IBICT - Instituto Brasileiro de Informação em Ciência e Tecnologia

DATA DE PUBLICAÇÃO

30/06/2011

RESUMO

Enfoca-se a modelagem de sistemas não-lineares usando modelos de Volterra com bases de funções ortonormais (Orthonormal Basis Functions - OBF) distintas para cada direção do kernel. Os modelos de Volterra constituem uma classe de modelos polinomiais não-recursivos, modelos sem realimentação da saída. Tais modelos são parametrizados por funções multidimensionais, chamadas kernels de Volterra, e representam uma generalização do bem conhecido modelo de resposta ao impulso (FIR) para a descrição de sistemas não-lineares. Como os modelos de Volterra não possuem realimentação do sinal de saída, um número elevado de parâmetros é necessário para representar os kernels de Volterra, especialmente quando o comportamento não-linear do sistema depende fortemente do sinal de saída. No entanto, é possível contornar esta desvantagem por descrever cada kernel por meio de uma expansão em bases de funções ortonormais (OBF). Resultando num modelo que, em geral, possui um número menor de termos para representar o sistema. O modelo resultante, conhecido como modelo OBF-Volterra, pode ser truncado em um número menor de termos se as funções da base forem projetadas adequadamente. O problema reside na questão de como selecionar os polos livres que completamente parametrizam estas funções de forma a reduzir o número de termos a serem utilizados em cada base. Uma abordagem já utilizada envolve a otimização numérica das bases de funções ortonormais usadas para a aproximação de sistemas dinâmicos. Esta estratégia é baseada no cálculo de expressões analíticas para os gradientes da saída dos filtros ortonormais com relação aos polos da base. Estes gradientes fornecem direções de busca exatas para otimizar 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. Esta abordagem considerou apenas os modelos lineares e não-lineares cujas direções dos kernels foram todas parametrizadas por um mesmo conjunto de polos. Neste trabalho, estes resultados foram estendidos de forma a permitir o uso de uma base independente para cada direção dos kernels. Isto permite reduzir ainda mais o erro de truncamento quando as dinâmicas dominantes do kernel ao longo das múltiplas direções são diferentes entre si. As expressões dos gradientes relativas à base de Kautz e à base GOBF são obtidas recursivamente o que permite uma redução no tempo de processamento. Esta metodologia utiliza somente dados de entrada-saída medidos do sistema a ser modelado, isto é, não exige nenhuma informação prévia sobre os kernels de Volterra. Exemplos de simulação ilustram a aplicação dessas abordagens para a modelagem de sistemas não-lineares. Por último, apresentam-se resultados referentes à identificação robusta de modelos não-lineares sob a hipótese de erro desconhecido mas limitado, cujo objetivo é definir os limites superior e inferior dos parâmetros de modelos (intervalos de pertinência paramétrica). É analisado o caso em que se tem informação somente sobre a incerteza na saída do sistema, fornecendo-se o cálculo dos limitantes das incertezas para modelos OBF-Volterra. Estuda-se também os processos que possuem incerteza estruturada, i.e., os parâmetros do modelo, ou os kernels de Volterra, são definidos por meio de intervalos de pertinência e a ordem do modelo é conhecida. Apresenta-se uma solução exata para este problema, eliminando restrições impostas por metodologias anteriores

ASSUNTO(S)

volterra volterra series series de otimização matemática identificação de sistemas systems identification sistemas não lineares nonlinar systems

ACESSO AO ARTIGO

Documentos Relacionados