Вы находитесь на странице: 1из 7

Facultad de Ciencias Exactas, Ingeniería y Agrimensura

Universidad Nacional de Rosario

Identificación de Sistemas
Título: Análisis Espectral Fecha: Abril de 2002
Autor: Dr. Juan Carlos Gómez

Introducción
Los sistemas lineales y estacionarios quedan completamente caracterizados por su función
transferencia, ya que la respuesta del sistema a una entrada arbitraria puede calcularse si se conoce
la entrada, las condiciones iniciales y la función transferencia del sistema.

U(s) Y(s) U(z) Y(z)


H(s) H(z)

Como es bien sabido, la función transferencia es el cociente entre la transformada (de Laplace o Z)
de la salida y la correspondiente transformada de la entrada, asumiendo condiciones iniciales nulas.
En el área de identificación de sistemas existen diversos métodos que permiten estimar la función
transferencia a partir de datos de entrada-salida del sistema. Uno de estos métodos es el denominado
análisis espectral, que consiste en la determinación de una estima de la función transferencia a partir
de estimas de los espectros de la entrada y la salida, de allí el nombre de análisis espectral. Este
método es generalmente clasificado como un método de estimación no-paramétrico por no utilizar
en forma explícita un vector de parámetros de dimensión finita en la búsqueda de la mejor estima
del modelo, si bien en su implementación práctica se determina un número finito de parámetros
para describir la función transferencia del mismo.

Revisión de conceptos
Consideremos a la señal en tiempo discreta (DT – Discrete Time) de energía finita x (n ) , su DTFT
se define como:

X (ω ) = ∑ x(n )e − jωn
(1)
n = −∞

la que físicamente representa la descomposición de x (n ) en sus componentes frecuenciales. Una


característica muy importante que posee X (ω ) es su periodicidad. Como el rango de frecuencias
para una señal en DT es en el intervalo (− π , π ) , esto se refleja en X (ω ) haciendo que sea
periódica, con período 2π .
Conociendo la DTFT de la señal, ésta puede recuperarse mediante la Transformada Inversa de
Fourier en Tiempo Discreto (IDTFT – Inverse Discrete Time Fourier Transform) que se define
como:
1 π
x (n ) = ∫ X (ω )e jωn dω (2)
2π −π

La definición de la DTFT en (1) implica que deben conocerse infinitos valores de la señal en DT
x (n ) , lo que obviamente hace imposible que (1) pueda utilizarse para el cálculo. Para poder realizar

ISIS – Análisis Espectral 1


un procesamiento digital de la señal es necesario tomar un número finito de valores, definiéndose la
Transformada Discreta de Fourier (DFT – Discrete Fourier Transform) de una secuencia {x (n )} de
N muestras equiespaciadas entre si como:
N −1
X (k ) = ∑ x (n )e − j 2πkn N , k = 0, 1, 2, ..., N − 1 (3)
n=0

la que resulta una herramienta computacionalmente implementable. Se define la Transformada


Inversa Discreta de Fourier (IDFT – Inverse Discrete Fourier Transform) como:
N −1
1
x (n ) = ∑ X (k )e j 2πkn N
, n = 0, 1, 2, ..., N − 1 (4)
N n =0

Formulación del problema


Sea un sistema lineal y estacionario (SLE) caracterizado por su respuesta al impulso {h (n )}n =0 como

el representado en la Figura 1.

u(n) ∈ ℜp
u(n) y(n)
{h(n)}∞n=0 y(n) ∈ ℜm
h(n) ∈ ℜmxp

Figura 1: Sistema Lineal y Estacionario

Nos interesa determinar como se modifica el espectro (densidad espectral de energia) Φ u (ω ) de la


entrada u (n ) al pasar a través del SLE.
Asumiendo que u (n ) es un proceso estocástico estacionario, su espectro está definido como la
DTFT de su matriz de covarianza Ru (l ) (momento centrado de segundo orden), es decir:

Φ u (ω ) = ∑ R (n )e
u
− jωn
(5)
n = −∞

donde:
{
Ru (l ) = E [u (n + l ) − m u ][u (n ) − m u ]
T
} (6)

con m u el valor medio o momento de primer orden de la entrada u (n ) dado por:

m u = E{u (n )} (7)

La respuesta del sistema a la entrada u (n ) viene dada por:



y (n ) = ∑ h (k )u (n − k ) (8)
k =0

donde asumimos que el sistema es causal por lo que h (n ) = 0 ∨ n < 0 .


Asumiremos también que el sistema es BIBO estable lo que implica que h (n ) → 0 cuando
n →∞.

ISIS – Análisis Espectral 2


Bajo estas condiciones, la señal y (n ) resulta estacionaria. Nos interesa entonces calcular su valor
medio m y , su matriz de covarianza R y (l ) y su densidad espectral de energía Φ y (ω ) ; a la vez que
su matriz de covarianza cruzada R yu (l ) y el espectro cruzado Φ yu (ω ) .
La ecuación (8) puede escribirse como:

y (n ) = ∑ h (k )q − k u (n )
k =0 (9)
= H (q −1
)u(n )
donde se ha definido el operador (matriz) transferencia:

H (q −1 ) = ∑ h (k )q − k (10)
k =0

De (8) es fácil ver que:


m y = E{y (n )}
∞ 
= E ∑ h (k )u (n − k )
k =0 

= ∑ h (k )E{u (n − k )}
k =0

Insertando (7), tenemos:



m y = ∑ h (k )m u
k =0 (11)
= H (1)m u
En (11), H (1) puede interpretarse como la ganancia estática del SLE (probarlo !!!).
Analizaremos ahora de qué forma están relacionadas las desviaciones de entrada y salida respecto a
sus valores medios.
Definiendo las desviaciones como:
~
y (n ) = y (n ) − m y

u~(n ) = u (n ) − m u
y considerando las expresiones (7) – (11), resulta:
∞ ∞
~
y (n ) = ∑ h (k )u (n − k ) − ∑ h (k )m u
k =0 k =0

= ∑ h (k )[u(n − k ) − m u ]
k =0

= ∑ h (k )u~(n − k ) (12)
k =0

= ∑ h (k )q − k u~ (n )
k =0

= H (q −1 )u~ (n )

ISIS – Análisis Espectral 3


Vemos que {u~(n ), ~y (n )} están relacionadas en la misma forma que {u (n ), y (n )}, por lo que sin
pérdida de generalidad podemos asumir que m u = 0 y reemplazar {u~(n ), ~ y (n )} por {u (n ), y (n )}en
las expresiones de las respectivas matrices de covarianza.
La matriz de covarianza de y (n ) resulta:

R y (n ) = E {y (n + l )y T (l )}
  ∞  ∞  
T

= E  ∑ h (k )u (n + l − k ) ∑ h(s )u (l − s ) 
  k = 0   s =0  
∞ ∞ 
= E ∑∑ h (k )u (n + l − k )u T (l − s )h T (s ) (13)
 k =0 s =0 
∞ ∞
= ∑∑ h (k )E {u (n + l − k )u T (l − s )}h T (s )
k =0 s =0
∞ ∞
= ∑∑ h (k )Ru (n + s − k )h T (s )
k =0 s =0

que no provee mucha información. Sin embargo, pasando al dominio transformado de Fourier se
obtiene una expresión útil para la densidad espectral de energía Φ y (ω ) de {y (n )} . Se tiene
entonces:

Φ y (ω ) = ∑ R (n )e y
− jωn

n = −∞
∞ ∞ ∞
= ∑∑∑ h(k )R (n + s − k )h (s )e
n = −∞k = 0 s = 0
u
T − jωn

Considerando el cambio de variable n + s − k = m ⇒ n = m − s + k , resulta


∞ ∞ ∞
Φ y (ω ) = ∑ ∑∑ h(k )R (m )h (s )e u
T − jω (m − s + k )

m = −∞ k = 0 s = 0
∞ ∞ ∞
= ∑ h (k )e − jωk ∑ R u (m )e − jωm ∑ h T (s )e jωs
k = 0!#
$ ! !" ! m$ = −∞
!!#!!" $ s = 0!#
! !" !
H (ω ) Φ u (ω ) H * (ω )

Φ y (ω ) = H (ω )Φ u (ω )H * (ω ) (14)

donde (•) indica el transpuesto conjugado.


*

Para el caso SISO (Single Input – Single Output) resulta:

Φ y (ω ) = H (ω ) Φ u (ω )
2
(15)

La matriz de covarianza cruzada R yu (l ) entre la salida y la entrada resulta:

ISIS – Análisis Espectral 4


R yu (l ) = E {y (n + l )u T (n )}
∞ 
= E ∑ h (k )u (n + l − k )u T (n )
k =0 
∞ (16)
= ∑ h (k )E {u (n + l − k )u T (n )}
k =0

∑ h(k )R (l − k )
k =0
u

El espectro cruzado resulta entonces



Φ yu (ω ) = ∑ R (l )e yu
− jωl

l = −∞
∞ ∞
= ∑∑ h(k )R (l − k )e
l = −∞ k =0
u
− jωl

Considerando el cambio de variable l − k = m ⇒ l = m + k , resulta


∞ ∞
Φ yu (ω ) = ∑ ∑ h(k )R (m )e u
− jω (m + k )

m = −∞ k =0
∞ ∞
= ∑ h (k )e − jωk ∑ Ru (m )e − jωm
k =0 = −∞
$ !#!" m$ !!#!! "
H (ω ) Φ u (ω )

Es decir
Φ yu (ω ) = H (ω )Φ u (ω ) (17)

La expresión (17) se puede usar para estimar la respuesta en frecuencia H (ω ) del sistema a partir
del espectro de la entrada y el espectro cruzado salida – entrada. Para esto es necesario poder
estimar estos espectros a partir de los datos de entrada salida. La estima Ĥ (ω ) resultaría entonces:

Hˆ (ω ) = Φ
ˆ (ω )Φ
yu
ˆ −1 (ω )
u (18)

donde Φ̂ yu (ω ) y Φ̂ u (ω ) son las estimas de Φ yu (ω ) y Φ u (ω ) respectivamente.


Considerando que {u (n )}, {y (n )} son señales de duración finita N y causales, la (matriz) de
covarianza cruzada puede estimarse a partir de los datos como:
N − máz ( l , 0 )
1
Rˆ yu (l ) = ∑ y (n + l )u (n ) T
(19)
N n =1− mín ( l , 0 )

para N lo suficientemente grande. Aquí estamos asumiendo implícitamente la propiedad de


ergodicidad (reemplazamos la media muestral por la media temporal).
Luego, una estima de Φ yu (ω ) puede calcularse como:
N
ˆ (ω ) =
Φ ∑ Rˆ (l )e − jωl
yu yu
l =− N
N N − máz ( l , 0 )
(20)
1
=
N
∑ ∑ y (n + l )u (n )e
l = − N n =1− mín ( l , 0 )
T − jωl

Haciendo el cambio de variable s = n + l , resulta:


ISIS – Análisis Espectral 5
N N
ˆ (ω ) = 1
Φ ∑∑ y (s )u (n )e T − jω (s − n )
yu
N s =1 n =1

1 N N
= ∑ y (s )e − jωs
∑ u T (n )e jωn (21)
N s =1 n =1

1
= Y N (ω )U N* (ω )
N
donde hemos definido:
N
YN (ω ) = ∑ y (s )e − jωs (22)
s =1

N
U N (ω ) = ∑ u (n )e − jωn (23)
n =1

Es claro que la aproximación (21) presenta un problema desde el punto de vista de la


implementación, ya que “ ω ” es una variable continua y por lo tanto hay infinitos valores de “ ω ”
en el intervalo fundamental [− π , π ].
Esto obviamente se soluciona calculando (21) en un número N de frecuencias equiespaciadas en el
intervalo [− π , π ], es decir en:
2πk
ωk = , k = 1,2,..., N
N
Las ecuaciones (22) y (23) calculadas en las frecuencias ω k = 2πk N constituyen las
Transformadas Discretas de Fourier (Discrete Fourier Transform - DFT) con N-puntos de las
señales {y (n )} y {u (n )} respectivamente.
N 2πks
−j
Y N (ω k ) = Y N (k ) = ∑ y (s )e N
(24)
s =1

N 2πkn
−j
U N (ω k ) = U N (k ) = ∑ u (n )e N
(25)
n =1

Estas DFT pueden implementarse eficientemente con los algoritmos de Transformada Rápida de
Fourier (Fast Fourier Transform – FFT).
Resumiendo, una estima de Φ yu (ω ) puede computarse para las frecuencias ω k = 2πk N , como:

ˆ (ω ) = 1 Y (k )U * (k )
Φ (26)
yu k N N
N
En forma análoga puede probarse que una estima de Φ u (ω ) puede calcularse como:

ˆ (ω ) = 1 U (ω )U * (ω )
Φ (27)
u N N
N
donde para la implementación se calcula en las frecuencias ω k = 2πk N , es decir

ˆ (ω ) = 1 U (k )U * (k )
Φ (28)
u k N N
N

ISIS – Análisis Espectral 6


Finalmente, considerando (21) y (27), la estima de la respuesta en frecuencia del sistema en (18)
resulta:

[
Hˆ (ω ) = YN (ω )U N* (ω )U N (ω )U N* (ω )]−1
(29)
que para el caso escalar (SISO) resulta:
Y (ω )
Hˆ (ω ) = N (30)
U N (ω )
que se implementa como:
Y (k )
Hˆ (ω k ) = N (31)
U N (k )
donde ω k = 2πk N y k = 1,2,..., N .
La estima (30) se denomina “Estima de la Función Transferencia Empírica” (Empirical Transfer
Function Estimate - ETFE).

Periodograma
Al valor U N (ω )U N* (ω ) = U N (ω ) se lo denomina periodograma de la señal {u (n )} y representa la
2

contribución a la potencia de la señal de la componente de frecuencia “ ω ”.


Se verifica
2
N
 2πk  N

∑  = ∑ u(k )
2
UN  (32)
k =1  N  k =1

que constituye una de las formas de la Identidad de Parseval.

Extensión
Los resultados de esta sección, derivados para procesos estacionarios, se extienden, con las
apropiadas interpretaciones, para señales cuasi-estacionarias, es decir procesos estocásticos con
componentes determinísticas. Recordar que en este caso la media y la covarianza estaban definidas
como:
N
1
mu = lím
N →∞ N
∑ E{u(n )} (33)
n =1

∑ E {[u(n + l ) − m ][u(n ) − m ] }
N
1
Ru (l ) = lím
T
u u (34)
N →∞ N
n =1

Referencias
[1] Ljung, L. System Identification: Theory for the User, second edition, Prentice Hall, N.J., 1999.
[2] Söderström, T. and Stoica, P.. System Identification , Prentice Hall, N.J., 1989.

ISIS – Análisis Espectral 7

Вам также может понравиться