Facultad de Ciencias Exactas, Ingeniería y Agrimensura Universidad Nacional de Rosario Identificación de Sistemas Problemas de Promoción Junio de 2001 Problemas de Promoción Problema 1 En la figura 1 se representa un sistema de control feedforward donde a la planta con transferencia u es la variable manipulada (entrada P(z ) ), d es una perturbación medible, y υ es una perturbación no C F (z ) es la transferencia (estable) del controlador feedforward que actúa sobre la perturbación medible. Asuma que u d , d , y υ son procesos estacionarios, con media cero, que no están correlacionados, con densidad espectral de potencia Φ u d , Φ d , y Φ υ , respectivamente. Obtenga las medible. expresiones de los espectros transferencias Φ u , Φ y , y Φ yu en términos de los espectros de u d , d , y υ , y de las C F (z ) , P(z ) , y Pd (z ) . d Pd (z ) C F (z ) ud υ _ y P(z ) u Figura 1: Sistema de Control Feedforward Problema 2 Considere el sistema representado en la figura 2, donde u es la variable manipulada, d es una perturbación medible, y υ es una perturbación no medible. a. Use análisis de correlación para escribir un sistema lineal (cuadrado) de ecuaciones, en forma matricial, que permita estimar los parámetros de sendos modelos FIR para P (z ) y Pd (z ) . Puede b. asumirse que los procesos u , d , y υ son estacionarios, y que la perturbación no medible υ no está correlacionada con d , y u . No puede asumirse sin embargo que d y u no están correlacionados entre si. Cómo se simplifica el análisis, si d , y u son ruido blanco, independientes uno del otro ? d Pd (z ) u υ P(z ) y Figura 2: Sistema en lazo abierto ISIS – Problemas de Promoción - 2001 2 Problema 3 Sea e(n) ruído blanco con media cero y varianza e(n) con un filtro de primer orden y( n ) = a. Determine los espectros Φ e σ 2 . Considere el siguiente proceso obtenido filtrando 1 e( n ) 1 + aq −1 ; a <1 (ω ) y Φ y (ω ) . b. Calcule las covarianzas E ( y( n ) y( n − l )) ; l = 0 ,1,L de y(n). Problema 4 Sean θˆ j , j = 1,2 , dos estimas del mismo parámetro escalar θ . Asuma que 1 bias (θˆ j ) = E (θˆ j ) − θ = N 0 ( ( )) var(θˆ j ) = E θˆ j − E θˆ j 2 j =1 j=2 si si 1 = N si 3 si N donde N denota el número de datos. Indique cuál de las estimas sentido del Error Cuadratico Medio (MSE). Justifique su respuesta. j =1 j=2 θˆ1 , θˆ2 es la mejor estima en el NB: El Error Cuadrático medio está definido como ( 2 MSE = E (θˆ j − θ ) ) Problema 5 Para la mayoría de los estimadores consistentes de parámetros de un proceso estacionario, la varianza del error de estimación tiende a cero como 1 N cuando N → ∞ (siendo N el número de datos). Para procesos no estacionarios es de esperar encontrar una tasa de convergencia más rápida. Para ver esto compute una expresión para la varianza de la estima de mínimos cuadrados del parámetro α , en la estructura de modelo y (n ) = αn + e(n ), donde n = 1,2,3, L , N e(n ) es ruído blanco con media cero y varianza σ 2 . Comente el resultado obtenido. Problema 6 Considere el siguiente modelo regresivo lineal Y = Φθ + e donde la salida Y , la matriz de regresión Φ , y la perturbación e , pueden particionarse como ISIS – Problemas de Promoción - 2001 3 y Y = 1 y2 , Φ Φ = 1 Φ 2 e e = 1 e 2 , y1 , Φ 1 , y Φ 2 están disponibles, pero y 2 no lo está (es decir son datos de donde se asume que los datos medición que se perdieron: "missing data" ). Se asume además que Determine la estima de mínimos cuadrados de θ e { }= I . E{e1 } = 0 , y E e1e1 T y 2 definida como: { } T θˆ, yˆ 2 = argmin (Y − Φ θ ) (Y − Φθ ) θ ,y 2 Problema 7 Suponga que un predictor de un paso en avance (one step ahead predictor) del sistema y (n ) = G (q )u (n ) + H (q )e(n ) (1) está dado por yˆ (n n − 1) = L1 (q )u (n − 1) + L2 (q ) y (n − 1) Calcule la descripción (1) de donde el predictor fue derivado. Problema 8 Una forma de predecir una señal smoothing), que viene dado por y (n ) es con el denominado "alisador exponencial" (exponential yˆ (n + 1 | n ) = donde a. b. α es un parámetro con 0 < α < 1 . 1−α y (n ) 1 − αq −1 Asumiendo que y (n ) = K , para todo n , muestre que en régimen estacionario el valor predicho será exactamente igual al valor K . Para qué modelo ARMA es este predictor un predictor óptimo ? Problema 9 Considere el proceso dado por y (n ) = e(n ) + 2e(n − 1) que es un modelo MA de primer orden, donde e (n ) es ruido blanco con media cero y varianza unitaria. Deduzca la expresión del predictor de un paso óptimo en media cuadrática y obtenga la varianza del error de predicción. Referencias [1] Ljung, L. (1999). System Identification – Theory for the User, 2nd Edition, Prentice Hall, Englewood Cliffs, N.J. [2] Söderström, T. and P. Stoica (1989). System Identification, Prentice Hall, Englewood Cliffs, N.J. ISIS – Problemas de Promoción - 2001 4