Академический Документы
Профессиональный Документы
Культура Документы
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.
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 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
el representado en la Figura 1.
u(n) ∈ ℜp
u(n) y(n)
{h(n)}∞n=0 y(n) ∈ ℜm
h(n) ∈ ℜmxp
donde:
{
Ru (l ) = E [u (n + l ) − m u ][u (n ) − m u ]
T
} (6)
m u = E{u (n )} (7)
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 )
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
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)
Φ y (ω ) = H (ω ) Φ u (ω )
2
(15)
∑ h(k )R (l − k )
k =0
u
l = −∞
∞ ∞
= ∑∑ h(k )R (l − k )e
l = −∞ k =0
u
− jωl
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)
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
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
[
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
∑ = ∑ u(k )
2
UN (32)
k =1 N k =1
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.