Академический Документы
Профессиональный Документы
Культура Документы
Н.Н. Карабутов
СТРУКТУРНАЯ
ИДЕНТИФИКАЦИЯ
СИСТЕМ
Анализ динамических структур
МГИУ 2008
УДК 517.05:005
ББК 22.161
К21
Рецензенты:
Ю.Г. Ионов, профессор кафедры проблемы управления МИРЭА,
доктор технических наук
Карабутов Н.Н.
К21 Структурная идентификация систем: Анализ динамических
структур. — М.: МГИУ, 2008. – 160 с.
ISBN 978-5-2760-1752-5
УДК 517.05:005
ББК 22.161
4
Предисловие
5
лизованные процедуры отсутствуют.
В данной книге разрабатывается подход к структурной иден-
тификации статических и динамических систем в условиях неоп-
ределенности, основанный на методологии информационного
синтеза системы "объект + среда". Для этого строится динамиче-
ская структура — наблюдаемый информационный портрет — и
по ней принимается решение как о классе моделей, так и приме-
нении соответствующих методов анализа информации и приня-
тия решений. Выбор структуры модели — задача многокритери-
ального принятия решения. Производной от наблюдаемого ин-
формационного портрета является коэффициент структурности,
получение и анализ которого обеспечивает принятие решения о
структурных свойствах системы. С помощью метода секущих на-
блюдаемого информационного портрета строится поле структур
статического объекта.
Некоторые из изложенных подходов легли в основу лекций,
которые автор читал студентам Московского государственного
института радиотехники, электроники и автоматики (техническо-
го университета). Ряд алгоритмов применялся при чтении дисци-
плин “Информационные технологии в экономике” и “Информа-
ционные технологии управления”в Московском государственном
индустриальном университете.
6
Введение
7
Третья глава посвящена структурной идентификации дина-
мических систем на основе анализа информационных портретов,
которые могут быть как наблюдаемыми, так и виртуальными, от-
ражающими состояние системы идентификация на данном этапе
информационного синтеза. Для принятия предварительного ре-
шения о структурных свойствах системы используется коэффи-
циент структурности.
Описан метод нахождения порядка модели, основанный на
минимизации ширины интервала изменения коэффициента
структурности. Предложен метод идентификации типа точки
равновесия динамический системы на основе анализа НИП. Он
не требует построения математической модели динамической
системы. Показано, что для реализации предлагаемого подхода
можно использовать класс статических моделей. Причем эти мо-
дели должны иметь динамическую спецификацию по входу и
служат для оценки вынужденного движения системы. Предложе-
ны способы выделения свободного движения системы и критерии
оценки типа точки состояния равновесия на его основе.
Приводится метод определения структуры модели, описы-
вающей нелинейную часть системы. Показана связь между ха-
рактеристическими числами Ляпунова и коэффициентом струк-
турности системы. Предложен адаптивный алгоритм оценки
спектра собственных чисел линейной части динамической систе-
мы на основе специальным образом сформированного информа-
ционного множества. В заключение изложен подход к определе-
нию параметрических ограничений в условиях неопределеннос-
ти.
В четвертой главе дается развитие идей, изложенных в треть-
ей главе, на статические системы. Предложен способ выбора ин-
формативных переменных на основе применения секущих на-
блюдаемого информационного портрета. В отличие от динамиче-
ских систем проблема нахождения коэффициента структурности
для статических систем является более сложной. Локальный ко-
эффициент структурности является текущей оценкой параметра
модели при соответствующем элементе вектора входа системы.
Введено понятие информационной мощности сигнала. Показано,
что применение многошаговой процедуры нахождения коэффи-
циента структурности приводит к расходованию информацион-
8
ной мощности объекта.
Предложен метод информационного синтеза структуры не-
линейных статических систем в условиях неопределенности на
основе анализа наблюдаемого информационного портрета. Ин-
формационный синтез позволяет выделить некоторое подмноже-
ство данных, которое содержит информацию о нелинейных свой-
ствах системы. Предложены критерии и алгоритмы принятия ре-
шений о структуре модели. Для случая нелинейностей, относя-
щихся к классу степенных функций, разработан метод выпрямле-
ния информационного портрета, который позволяет подобрать
показатель степени. Данный метод применим только к "управ-
ляемым" моделям, то есть моделям, которые содержат параметр,
который можно изменять таким образом, чтобы выполнялось за-
данное целевое условие.
Для статических систем, описываемых более общим классов
нелинейных функций, предложен подход, основанный на по-
строении поля структур на множестве секущих. Показано, что
нелинейной системе соответствует линейное поле структур. Для
принятия решения о структуре исследуемой модели введено сек-
торное условие. Заключительная часть главы содержит результа-
ты по оценке области параметрических ограничений в условиях
неопределенности. Показано, что для идентификации области па-
раметрических ограничений пригодны не все векторные нормы.
Изложен способ получения параметрических ограничений на ос-
нове анализа наблюдаемого информационного портрета. Работо-
способность практически всех изложенных процедур и методов
подтверждается результатами моделирования.
В заключение хотелось бы отметить, что в силу многообра-
зия существующих подходов и методов к проблеме идентифика-
ции в условиях неопределенности новые задачи могут возникать
во многом благодаря анализу информационного множества сис-
темы. Это направление еще не получило должного развития, но
учитывая прогресс в информационных и математических техно-
логиях, позволяющих автоматизировать процесс предварительно-
го анализа данных, может появиться возможность расширения
рамок оценивания структурных параметров и характеристик дан-
ных, а, следовательно, и самой изучаемой системы.
9
Глава 1. ПРОБЛЕМА ИДЕНТИФИКАЦИИ СИСТЕМ
10
ложить какие-либо процедуры регулярного синтеза структуры
модели [50]. Основные подходы к выбору структуры по-
прежнему основываются на интуиции исследователя и методе
перебора претендентов из заданного класса моделей. Объясняет-
ся такая ситуация сложностью и разнообразием объектов управ-
ления, плохой изученностью процессов, протекающих в объекте.
Для оценки параметров модели на основе данных, получен-
ных в процессе нормальной эксплуатации, использовались мето-
ды ретроспективной идентификации [6, 12, 13, 35, 51, 56, 59, 69],
а немного позже в связи с повышением требований к качеству
управления и развитием средств вычислительной техники и ав-
томатизации стали применяться настраиваемые модели [12, 56,
71, 77].
В условиях априорной неопределенности для управления
объектами широко применяются системы с непрямым адаптив-
ным управлением, так как позволяют обеспечить высокое качест-
во функционирования. Основным звеном таких систем является
блок идентификации. В зависимости от свойств объекта и требо-
ваний, предъявляемых к системе, могут применяться как методы
ретроспективной, стратегической идентификации (модель опре-
деляется вне контура управления), так и подходы, основанные на
текущей или оперативной идентификации [24, 50, 56, 59, 66]. Не-
смотря на обилие публикаций можно выделить лишь несколько
подходов к адаптивному параметрическому оцениванию. В ос-
новном это методы наименьших квадратов, стохастической ап-
проксимации и их модификации, а так же различные градиентные
алгоритмы. При решении практических задач теории управления
теоретические предпосылки, лежащие в основе указанных мето-
дов, как правило, не выполнялись и поэтому эффективность мно-
гих процедур идентификации была невысокой. Неучет реальных
свойств приводил, в частности, к потере свойств оптимальности,
замедлению или ухудшению скорости сходимости [66]. Поэтому
в теории идентификации остро встала проблема обеспечения гру-
бости применяемых алгоритмов и методов, непосредственно свя-
занная с учетом ограничений и условий функционирования сис-
темы «объект + среда». Это был следующий этап развития стати-
стического направления развития методов параметрического
оценивания.
11
Для решения проблемы робастности (грубости) адаптивных
алгоритмов было предложено ряд подходов [14, 53, 65, 66], кото-
рые в последующем составили основу нового научного направ-
ления — информационной теории идентификации. Указанное
направление базировалось на учете априорной информации о
среде в виде задания класса наименее благоприятных распреде-
лений помехи. Такой подход не позволяет полностью учесть ре-
альные условия функционирования объекта. Кроме того, в этом
случае возникают трудности, связанные с оценкой качества рабо-
ты алгоритмов идентификации по конечным выборкам. Получен-
ные алгоритмы являются нелинейными относительно ошибки
оценивания. Если же ограничения на помеху носят нестатистиче-
ский характер, или известна дополнительная информация о вхо-
де, выходе или параметрах объекта, то предлагаемая методология
является неработоспособной.
Существует целый класс объектов управления, для которых
априори задавать класс наименее благоприятных распределений
возмущений и помех не представляется возможным, а сама зада-
ча оценивания не вкладывается в схему стохастической аппрок-
симации. Это замечание справедливо и для ряда стохастических
задач управления [7]. В этом случае для возмущения или помехи
задают гарантированные оценки [39, 40, 61, 67, 81]
ξ (t ) ∈ Gξ , (1.1)
13
параметров. И, наконец, только благодаря параметрическому
представлению удалось решить задачу управления в условиях
неопределенности.
Параметрический подход неразрывно связан с методами по-
строения и реализации моделей, зависящих от параметров. Как
правило, математическая модель строится для описания каких-
либо процессов, протекающих в объекте, или изучения явлений
различной природы. В теории автоматического управления мате-
матические модели отражают причинно-следственные связи ме-
жду наблюдаемыми переменными в пространстве «вход-выход».
ξ(t )
Y (t )
U (t )
Объект ~
Y (t )
управления
Y1 (t )
16
где A, A1 — векторы параметров, U (t ) — вектор входа (управ-
ления), ξ (t ) — случайное возмущение.
Модель (1.6) является обобщением статической регрессион-
ной модели (1.5). Уравнение (1.6) при ξ (t ) = 0 и дискретном t
получило название модели скользящего среднего [10], а при
ξ (t ) ≠ 0 представляет собой модель скользящего среднего с ди-
намической спецификацией для стохастической части [49].
Как и в (1.4), так и (1.6) предполагается, что структура опера-
тора F (⋅) задана с точностью до вектора неизвестных параметров
A1 . Поэтому все выше сказанное в пункте 1.2.1.1 относительно
свойств F (⋅) справедливо и в этом случае.
Таким образом, безынерционные динамические модели (1.6)
характеризуются временным распределением (лагом) перемен-
ных U (t ), ξ (t ) .
Уравнение (1.5) используется в системах управления стати-
ческими объектами [51, 56].
17
представлению. Полагая t = nτ , где n = 0,1,K , τ — интервал съе-
ма данных, и вводя оператор z сдвига назад
zy( n ) = y ( n − 1) ,
получим
D y ( z ) y ( n ) = Du ( z )u( n ) + ξ ( n ) , (1.8)
где D y ( z ) = a0 z m + a1 z m−1 + K + a m , Du ( z ) = b0 z k + b1 z k −1 + K + b1 .
Если ξ (n ) случайная последовательность, то (1.8) представ-
ляет собой уравнение авторегрессии-скользящего среднего, а при
Du ( z ) = 1 — модель скользящего среднего. В общем случае урав-
нение авторегрессии-скользящего среднего с динамической спе-
цификацией для ξ (n ) имеет вид (1.3).
Уравнения (1.7) - (1.8) можно записать в матричной форме (в
форме Коши или в пространстве состояний). Такое представле-
ние в связи с применением в системах управления средств вы-
числительной техники в настоящее время является общеприня-
тым. Для линейного стационарного объекта уравнение в про-
странстве состояний имеет вид
X& = AX + BU + ξ ,
(1.9)
Y = CX + DU + ζ ,
где X ∈ R m — вектор состояния, A ∈ R m × m — матрица состоя-
ния, U ∈ R k — вектор входа, Y ∈ R n — вектор выхода, B ∈ R m × k ,
C ∈ R n × m , D ∈ R n × k , ζ ∈ R n — ненаблюдаемый вектор ошибок
измерения, ξ ∈ R m — вектор помех.
Матрицы A, B, C , D параметризованы с точностью до некото-
рых векторов AA , AB , AC , AD . Первое уравнение в (1.9) называ-
ют уравнением состояния, а второе — уравнением измерения
(наблюдения). В задачах идентификации матрица D обычно яв-
ляется нулевой.
Аналогичные модели состояния могут быть получены для
нестационарных, нелинейных и дискретных объектов. Если ξ (t )
является белым шумом, то первое уравнение в (1.9) можно рас-
сматривать как стохастическое дифференциальное уравнение в
форме Ито [64].
18
Реализация моделей в пространстве состояний связана с не-
обходимостью оценки ненаблюдаемых компонентов вектора
X (t ) на множестве I э . Часто это сказывается на процессе синтеза
и свойствах алгоритмов адаптации и управления. Для преодоле-
ния указанных трудностей применяются модели с обобщенным
входом (наблюдатели). В этом случае уравнение (1.9) приводится
к так называемой идентификационной форме [78], позволяющей
использовать информацию о входе и выходе объекта. Для объек-
та с одним входом u(t ) и выходом y (t ) модель с обобщенным
входом записывается в виде [27, 78, 79]
y& = AT [ P1T y u ]T ,
(1.10)
P&1 = [ Λ +& Λ ] P1 + [ M 1T y M 2T u ]T ,
где P = [ y P1T u ]T — вектор обобщенного входа, P1 (t ) = P1 ( y , u , t ) ,
Λ ∈ R ( m −1) ×( m −1) — диагональная устойчивая матрица, M i ∈ R m−1
( i = 1, 2 ) — вектор с постоянными параметрами, выбираемый так,
чтобы пара ( Λ , M i ) была наблюдаемой, +& — знак прямой суммы
матриц, A ∈ R 2 m — вектор параметров.
Уравнению (1.10) соответствует одно из представлений объ-
екта в пространстве состояний, получившее название неявной
идентификационной формы. В общем виде уравнение (1.10) мо-
жет содержать вектор обратной связи, зависящий от P(t ) . В этом
случае можно получить каноническое (явное) идентификацион-
ное представление в пространстве состояний [78]. В дискретном
случае (1.10) соответствует разностное уравнение с обобщенным
входом. В общем случае дискретные модели с обобщенным вхо-
дом можно привести к (1.5).
Рассмотренные уравнения являются основой настраиваемых
моделей, применяемых в системах идентификации и управления.
Настраиваемая модель должна в каждый момент времени t выра-
батывать прогноз выходной величины объекта на основе текуще-
го множества экспериментальных данных. Поэтому настраивае-
мую (адаптивную) модель часто называют прогнозирующей.
Близость параметров модели к параметрам объекта служит при-
знаком правильной (адекватной) работы модели.
19
1.2.3. Окрестностные системы
α
∑ Ω[ a ,α ] X [α ] = ∑ Ξ[ a , β ]U [ β ] ,
∈O X [ a ] β ∈OU [ a ]
α
∑ Ω[ a ,α ] X [α ] + ∑ Ξ[ a , β ]U [ β ] = 0 ,
∈O X [ a ] β ∈OU [ a ]
20
1.3. Критерии идентификации
24
1 ⎛1 ⎞ k
N
1 1
AIC ( k ) = + ln 2π + ln⎜
2 2 2 ⎜⎝ N ∑
n =1
en2 ( Aˆ ) ⎟ + ,
⎟ N
⎠
где en ∈ R — ошибка прогнозирования выхода системы, n —
номер измерения, N — длина выборки экспериментальных дан-
ных.
2. Критерий Байеса-Шварца (BSC) [9]
ln N 1
BSC = k + ln e 2 ( Aˆ ) .
2 2
Он применяется при больших выборках экспериментальных дан-
ных.
3. Критерий энтропии модели [72]
BSC = k + ln e 2 ( Aˆ ) .
4. Критерий остаточной суммы квадратов ошибок модели
(RSS) [77]. Он имеет вид
N N
RSS = ∑
n =1
en2 = ∑( y
n =1
n − yˆ n )2 ,
25
описанных выше подходов и критериев могут применяться мето-
ды, основанные на анализе автокорреляционной функции [6, 56],
информационной матрицы [73], на статистических методах и
процедурах параметрического оценивания [49, 77]. Это так назы-
ваемые неявные методы определения порядка. В [19] предложен
явный метод нахождения порядка динамической системы на ос-
нове решения некоторого неравенства, полученного на основе
соотношения для ранга матрицы состояния системы.
Из приведенного краткого обзора методов структурной иден-
тификации следует, что наиболее полно эта проблема разработа-
на для класса регрессионных моделей. В основном все процедуры
и методы выбора структуры базируются на проверке статистиче-
ских гипотез и применении различных статистических критериев.
Каких-либо более менее формальных процедур до настоящего
времени так предложено и не было. С чем это связано, было от-
мечено в начале этого параграфа. Пожалуй, разработка более ме-
нее формализованных методов и процедур все-таки требует при-
влечения априорной информации. В случае принятия решений в
условиях неопределенности необходимую дополнительную ин-
формации о структурных свойствах системы можно получить
только на основе анализа имеющегося множества эксперимен-
тальных данных.
Следует заметить, что были также предприняты попытки вве-
сти критерии для оценки степени нелинейности объекта, процес-
сы в котором описываются регрессионными уравнениями. Для
формирования критерия предлагается использоваться аналоги F -
статистики. Такой подход, в частности применял Б. Закс. Правда
применение статистических критериев требует предварительной
группировки данных, а, следовательно, и задания структуры мо-
дели.
26
Глава 2. НАБЛЮДАЕМЫЕ ИНФОРМАЦИОННЫЕ
ПОРТРЕТЫ
Рассмотрим систему
X& = F ( X ,U , A, t ),
(2.1)
Y = FY ( X ,U , A1, t ),
где U ∈ ΩU ⊂ U ⊆ R m — вход, Y ∈ Y ⊂ R n — выход системы,
X ∈ X ⊆ Rq — вектор состояния, Y ⊆ X ⊆ Rn , A ∈ R q× p ,
27
A1 ∈ R n×q — матрица параметров, F : R q × R m × J → R q — глад-
кая непрерывно дифференцируемая по X и A вектор-функция,
t ∈ J , FY : R q × R m × J → R n — функция, задающая способ фор-
мирования выхода системы.
К множеству I э будем относить не сами векторы U (t ) и Y (t ) ,
~ ~
а их наблюдаемые (измеряемые) аналоги U (t ) , Y (t ) , которые по-
лучаются в результате применения операторов fU , f Y :
fU : U × J → R m , fY : Y × J → R n , (2.2)
28
В системах идентификации обычно используется множество
I э . В силу применения операторов (2.2) получим множество на-
блюдения (измерений)
~ ~ ~ ~ ~
I э = I(U ,Y ) = {U ∈ R m ,Y ∈ R n | U (t ) = fU (U , t ) ,
~ , (2.4)
Y (t ) = fY (Y , t ) ∀(t ∈ J ) }
В дальнейшем в отличие от [41] (2.4) будем называть наблюдае-
мым информационным множеством системы (2.1) [31, 32]. Сле-
дует заметить, что множества I э и
I(U ,Y ) = {U ∈ R m ,Y ∈ R n U (t ) , Y (t ) ∀(t ∈ J ) }
имеют одинаковую мощность и определены в одном и том же
пространстве U × Y , но в силу наличия множеств неопределенно-
сти NU , N Y , которые преобразуют множество I(U ,Y ) в I э , имеют
разную структуру [27]
~ ~
I э = I(U ,Y ) = I(U ,Y ) × N U × N Y . (2.5)
Соотношение (2.5) показывает, что, несмотря на то, что мно-
~ ~
жества I (U ,Y ) и I (U ,Y ) имеют одну и туже область определения
J , их области значений не совпадают:
rng( I э ) ≠ rng( I(U ,Y )) .
Представим множество (2.4) в виде
~ ~ ~ ~
I э = I(U ,Y ) = I(U ) U I(Y ) ∀t ∈ J .
29
Определение 2.1 [27, 30]. Рассмотрим наблюдаемое инфор-
~ ~
мационное множество I(U ,Y ) (2.4) системы (2.1), определенное в
пространстве U × Y . Тогда наблюдаемым информационным
портретом системы (2.1) назовем бинарное отношение
~ ~
Γo = Γo ( I э ) ⊂ I(U ) × I( Y ) . (2.7)
Из (2.7) следует, что Γ ⊆ Γo и dom( ΓP ) = rng( Γ ) , то есть ме-
жду ними существует структурное соответствие. Наблюдаемый
информационный портрет в отличие от фазового выходного
портрета позволяет выявить новые свойства системы (2.1), кото-
рые дополняют динамическое множество Ξ и позволяют опреде-
лить ряд новых характеристик, полезных в процессе решения за-
дачи структурной идентификации.
Рассмотрим систему
⎡ x&1 ⎤ ⎡ a1 (t ) 1 ⎤ ⎡ x1 ⎤ ⎡b1 ⎤
⎢ x& ⎥ = ⎢a (t ) − α ⎥ ⎢ x ⎥ + ⎢b ⎥ u, (2.8)
⎣ 2⎦ ⎣ 2 ⎦⎣ 2⎦ ⎣ 2⎦
y = x1 ,
где
u(t ) = 2,5 + 0,25 sin(2πωu t) , a1 (t ) = −1,97 + 0,2 sin(2πω1 t) ,
b2 = 1,2 , b1 = 1,5 , a 2 (t ) = −0,9 + 0,18 sin(2πω2 t) .
Портреты ΓP и Γo системы (2.8) показаны на рис. 2.1. Как и
следовало ожидать, множества ΓP и Γo имеют различные струк-
туры, что объясняется, прежде всего, внутренними свойствами
системы (2.8). Поэтому на фазовой плоскости (рис. 2.1а) траекто-
рия имеет более сложный вид. Видно, что процессы в системе
носят колебательный характер.
Для стационарной линейной системы (2.8) ( ω1 = 0, ω2 = 0 )
множества ΓP и Γo структурно изоморфны (рис. 2.2).
30
1,2
x2
1,0
0,8
0,6
0,4
x1
0,2
1,8 2,0 2,2 2,4 2,6 2,8
а)
2,8
u
2,7
2,6
2,5
2,4
2,3
x1
2,2
1,8 2,0 2,2 2,4 2,6 2,8
б)
31
1,0
x2
0,9
0,8
0,7
x1
0,6
2,0 2,2 2,4 2,6
а)
2,8
u
2,6
t
2,4
x1
2,2
2,0 2,2 2,4 2,6
б)
32
с
1,8 2,0 2,2 2,4 x1 2,6
1,1 1,2
с
x2
нс
x2 1,0
нестационарная 0,9
система
0,9
ωi → 0
0,8
стационарная 0,6
система
0,7
0,6 0,3
1,8 2,0 2,2 2,4 2,6 нс
x1
а)
2,525
2,500
2,475
x1
1,8 2,0 2,2 2,4
б)
2,5
Γo
2,4
y
2,3
2,2
2,1
2,0 1,0
0,8
2,3
2,4 0,6 x2
2,5
2,6 0,4
u 2,7
1,4
x2 1,2
1,0
0,8
0,6
0,4
0,2
0,0
-0,2
1,8 2,0 2,2 2,4 2,6 2,8
x1
а)
2,8
u
2,7
2,6
2,5
2,4
2,3
2,2
1,8 2,0 2,2 2,4 2,6 2,8
x1 б)
2,7
x1
2,4
2,1
0 2,8
50
100 2,4 u
t
150
F( X )
Γ : D ' → S 1 , Γ( X ) = , X ∈ R2 ,
|| F ( X ) ||
где D0 — области с особыми точками поля, || ⋅ || — евклидова нор-
ма. Это отображение является гладким. Тогда справедливо сле-
дующее [1]
Определение 2.2. Индексом ориентированной замкнутой
кривой Γ : D' → S 1 называется интеграл
f1 f 2 df1 − f1df 2
dϕ = d arctg = ( fi ( X ) ∈ F ( X ) )
f2 f12 + f 22
по кривой Γ, деленный на 2π ,
1
ind ( Γ ) =
2π
∫ dϕ .
Γ
38
Определение 2.4. Особая точка векторного поля называется
простой, если оператор линейной части поля в этой точке не вы-
рожден.
К простым точкам на плоскости относят узлы, седла, фокусы,
центры. Индексы простых особых точек равны ± 1 .
Если кривая Γ состоит из нескольких кривых γ 1 , γ 2 , …, то
ind Γ = ind ∑γ
i
i .
∫
y (t ) = C T e A( t −t0 ) X (t0 ) + C T e A( t −τ ) Bu(τ )dτ .
t0
(2.11)
~
Представим вектор X в виде X = [ y X T ]T . Тогда для
~
X ∈ R q −1 получим
t
~ ~ ~
∫
A ( t −t0 ) A ( t −τ )
X (t ) = e X (t0 ) + e Bu(τ )dτ , (2.12)
t0
~
где e A ( t −t0 ) — матрица размерности ( q − 1) × q .
Так как уравнение (2.12) является линейным относительно
~
u(t ) , то u(t ) можно выразить через X (t ) . Поэтому u можно ис-
пользовать в качестве новой (виртуальной) фазовой переменной.
~
В силу того, что dim u < dim X , переход от пространства R q к
пространству R 2 (в рассматриваемом случае) в общем случае
может привести к потере некоторых фазовых свойств системы.
Так как отношение Ψ : R q → R 2 переводит одно фазовое про-
странство в другое, то в полученном виртуальном фазовом (вы-
ходном) пространстве также можно применять понятие индекса.
Рассмотрим линейную динамическую систему S ( A,B,C )
(2.10). Так как y ∈ R и u ∈ R , то можно ограничиться рассмотре-
нием наблюдаемого информационного портрета на евклидовой
плоскости Ε. Пусть P — множество кусочно-непрерывных функ-
ций.
Утверждение 2.1. Если кривая Γo наблюдаемого информаци-
онного портрета является замкнутой и ее индекс отличен от
нуля, то она содержит хотя бы одну особую точку системы
(2.10).
Доказательство утверждения 2.1 немедленно следует из ото-
бражения Ψ : R q → R 2 , понятия индекса и теоремы 2.2.
Теорема 2.3. Если u ∉ P и является постоянным, а матрица
A ∈ R q ×q гурвицевой, то система S структурно и параметриче-
ски неидентифицируема на множестве I э .
40
Доказательство теоремы 2.3. Предположим, что Γo содер-
жит особые точки системы S . Так как u = const , то все особые
точки расположены на прямой (в случае R 2 ) или плоскости, ко-
торая проецируется на евклидовую плоскость Ε в виде прямой в
случае q > 2 . Γo является незамкнутой кривой (прямой линией)
и, следовательно, в процессе преобразования она стягивается в
точку, индекс которой равен нулю.
Теорема 2.3 содержит доказательство того факта, что для по-
лучения параметров (а, значит, и структуры) системы на задан-
ном классе моделей необходимо, чтобы вход u ∈ P , то есть обла-
дал свойством частотного богатства. Если же u ∉ P , то структура
системы является «скрытой» для наблюдателя (стянута в пря-
мую) (см. рис. 2.3).
Теорема 2.4. Если кривая Γo на плоскости Ε является замк-
нутой и ее индекс отличен от нуля, то для порядка системы S
справедливо неравенство q ≥ ind Γo .
Доказательство теоремы 2.4 непосредственно следует из ут-
верждения 2.1 и того факта, что особые точки системы опреде-
ляются корнями матрицы A системы (2.10).
u'
-0,4 -0,2 0,0 0,2 0,4
1,6 60
y ks(u',y')
40
ks(u',y') t
1,2 0 20
S(N0 )
0
0
N0
0,8 -20
y
N0 -40
γy
0,4 -60
1,0 1,5 2,0
u
42
ренцирование для определения наличия особой точки. Так, на
рис. 2.8 приведен пример определения особой точки для НИП,
показанного на рис. 16. На рис. 2.8 использованы следующие
обозначения: u ′ = du / dt , k s' = k s (u ′, y' ) = y ′ / u ′ — коэффициент
структурности системы (2.8) на множестве {u ′, y' } . Так как k s' за-
висит от y ′ и u ′ , то его обращение в нуль может свидетельство-
вать о наличии особой точки в системе.
Из рис. 2.8 видно, что точка N 00 (0; 0) на плоскости (u ′, k s' ) яв-
ляется центром (узлом) некоторого подмножества S ( N 00 ) , в кото-
ром происходит изменение направления движения в системе. На
плоскости (u, y ) N 00 (0; 0) соответствует точка N 0 (1,5; 0,768) , ко-
ординаты которой равны медиане переменных u, y . Так как ото-
бражение h : M f → M o в общем случае не является гомеомор-
физмом, то в отображении Γo не удается сохранить все свойства,
присущие фазовому многообразию M f . Это связано с тем, что
для наблюдаемого многообразия M o справедливо условие:
deg M f ≤ deg M o . Поэтому перенос классификации особых точек
системы из фазового пространства на наблюдаемое пространство
является некорректным.
43
Глава 3. СТРУКТУРНАЯ ИДЕНТИФИКАЦИЯ ДИНАМИ-
ЧЕСКИХ СИСТЕМ
44
3.1. Коэффициент структурности динамической
системы
0,8
t
0 25 50 75 100 125 150
2,8
y, u 2,6
ks 2,4 u
2,2 y
2,0
1,8
1,2
1,1
1,0
ks
0,9
0,8 t
50 60 70 80 90 100
48
Так как dim u < dim P , то вычисление k s на основе (3.4) мо-
жет привести к неполноте учета структурных (динамических)
свойств системы. Учитывая это, предлагается следующий алго-
ритм определения m [30].
1. Для ∀t ∈ J на основе (3.4) вычислить величину коэффици-
ента структурности k s и по нему найти ширину D ks согласно
(3.6). Обозначить i = 0 , d i =| D ks | , m = 1 , pi (t ) = u(t ) .
2. Положить i = i + 1 и сгенерировать вспомогательные пере-
менные pui и p yi путем решения системы с нулевыми начальны-
ми условиями
⎧⎪ p& ui (t ) = −α i pui (t ) + u(t ),
⎨ (3.8)
⎪⎩ p& yi (t ) = −α i p yi (t ) + y (t ),
где α i > 0 .
3. Сформировать сигнал
pi (t ) = pi −1 (t ) + pui (t ) + p yi (t ) (3.9)
1,0
ks
0,8
d1=0,183 1 2
ks ks
0,6
0,4
0,2
2*
d2=0,05 ks d2=0,026
0,0
0 5 10 15 20 25 30
t
52
модели для оценивания X q (t ) во многом зависит от частотного
спектра выхода Y (t ) . Кроме этого, модель должна компенсиро-
вать динамическое запаздывание, присущее системе (3.11).
Изложим метод решения задачи на примере системы (3.11)
второго порядка с одним входом и выходом. Обозначим y = Y ;
u = U , D y (ω ) , Du (ω ) — частотные спектры сигналов u, y . Пусть
|| y (t ) || < ∞ , || u(t ) || < ∞ . Предположим, что D y (ω ) = Du (ω ) , то есть
система (3.11) является линейной и стационарной. Действитель-
ные части корней характеристического уравнения системы (3.11)
λi в силу сделанных предположений будут отрицательными:
Re λi ≤ 0 i = 1, 2 .
Предположим, что I э можно представить в виде
I э = I эq ( J q ) U I эg ( J g ) , (3.15)
∫
Fg = e A( t −τ ) Bdτ .
t0
(3.17)
55
f ( v0 , z0 ) = 0,
∂ ∂ (3.18)
f ( v, z ) = 0, f ( v, z ) = 0.
∂v ∂z
Эти условия не является необходимым. Оно позволяет определять
только состояние равновесия для простейших динамических сис-
тем. К ним, в частности, можно отнести узел.
Для систем второго порядка кривая на фазовой плоскости
(отображение Γg ) описывается в параметрической форме, то есть
Xˆ g = Ψ (t ) . Тогда условие существования особой точки
M 0 ( yˆ g0 , yˆ& g0 ) записывается следующим образом
Ψ (t 0 ) = 0, Ψ ′(t 0 ) = 0 , (3.19)
где yˆ g0 = yˆ g (t∗ ) , yˆ& g0 = yˆ& g (t∗ ) , t∗ > t0 — момент времени, для кото-
рого выполняется (3.18).
1. Критерий определения устойчивого узла (КУ). Если век-
тор Xˆ g (t ) является гладкой функцией для почти всех ∀t ∈ J g , а
его производная Xˆ g′ (t ) непрерывно убывает и для некоторого
t∗ ∈ J g
Xˆ g′ (t∗ ) = 0 , Xˆ g (t∗ ) = 0 , (3.20)
то система (3.11) с m = 2 имеет устойчивый узел.
Первое условие (3.20) несколько ослабляет (3.19), так как
операция численного дифференцирования очень чувствительна к
ошибкам. Второе условие (3.20) непосредственно следует из оп-
ределения особой точки.
Примечание. Так как задача решается на множестве I X̂ , то
g
в качестве точки M 0 можно взять начало координат на фазовой
плоскости.
2. Критерий определения устойчивого фокуса (КФ). Если
вектор Xˆ g (t ) является гладкой функцией для почти всех t ∈ J g , а
его производная Xˆ g′ (t ) непрерывно убывает и при достаточно
больших (t∗ > t0 ) ∈ J g
56
Xˆ g′ (t∗ ) → 0 , Xˆ g (t∗ ) ∈ OM 0 , (3.21)
где OM 0 — окрестность точки M 0 , то система (3.11) имеет со-
стояние равновесия устойчивый фокус.
В данном случае условия (3.20) не выполняется. В силу пред-
положения об убывании вектор Xˆ g′ (t ) может достичь точки O
только при достаточно больших значениях, то есть при t → ∞ .
Если при этом выполняется включение Xˆ g (t∗ ) ∈ OM 0 , то получа-
ем все признаки наличия особой точки, которая в отличие от
(3.20) является устойчивым фокусом.
3. Критерий определения центра (КЦ). Если векторы
Xˆ g (t ) , Xˆ g′ (t ) являются гладкими функциями для почти всех
t ∈ Jg и
|| Xˆ g (t ) || ≥ α g , || Xˆ g′ (t ) || ≥ β g ∀t ∈ J g , (3.22)
где α g > 0 , β g > 0 , || ⋅ || — норма вектора, то система (3.11) имеет
состояние равновесия центр.
57
1
1 y′ 1,0 y′g эталон
б) yˆ ′g
0,5 0,8 0
yg
-1 0 1 2 3
0
0 1 2 3 y 0,6
-1
-0,5 0,4
фазовый
-1
портрет 0,2 -2 а)
0,0
-0,6 -0,4 -0,2 0,0 0,2 0,4 0,6 0,8 ŷ g
-0,2 Γg
-0,4 t↑
-0,6 оценка свободного
-0,8
движение
в)
2
2 f1, f2
f2 1 f1
0 t
1 0 4 8 12 16 20
-1 f2
-2
0 f1
-3,0 -1,5 0,0 1,5 3,0 4,5
ΓgF
-1
-2
58
На рис. 3.5 показана F-характеристика системы (3.17), кото-
рая также подтверждает сделанный вывод о типе особой точки.
y' 5
г) y′g 3
фазовый
портрет
2,5 yˆ g′ 3
1,5
y
-3 -2 -1 00 1 2 3 0
2 -1 0 1 2 3
-2,5
эталон -1,5 yg
-5 а)
1 Γg -3
ŷ g
0
-1,5 -1,0 -0,5 0,0 0,5 1,0 1,5
30
3
-1 f2 б)
y НИП 15
2
f1
1 -2
0
-30 -15 0 15 30
0
в) ΓgF
u -3 -15
-1
2 4 6 8
-30
3 фазовый
0,50
yˆ g′ y′g реакция на
y'1,5 портрет 2 начальные условия
0 а)-1 0 yg
0 1 2 0 1 2 3
-1,5 y 0,25
-2
г) эталон
-3
-4
0,00
ŷ g
-0,2 -0,1 0,0 0,1 0,2
2
y в)
1,5 НИП
10
f2
-0,25 5
1
0
0,5
Γg -4 -2 0 2
ΓgF -5
f1
-10
0 -0,50
2,5 5 7,5 б) -15
u
8
2
d
yˆ g′ КФ
dt 4
1 КЦ d
M0 yˆ g
0 dt
0
-4 -3 -2 -1 0 1 2
-4
-1
-8
-2 КУ
-12
-3
-16
-4
-0,8 -0,6 -0,4 -0,2 0,0 0,2 0,4
ln | yˆ& g |
χ [ y&ˆ g ] = lim .
t →t t
61
На основе чисел χ [ yˆ g ] , χ [ yˆ& g ] делается заключение о типе
точки равновесия системы. Для повышения точности вычисления
показателей можно воспользоваться методами идентификации.
62
1) оценка размерности спектр σ ( λ ) ;
2) определение интервала изменения собственных чисел мат-
рицы A ;
3) оценка λi ∈ σ (λ ) .
rϑ2j , yˆ g ≥ δ i , (3.26)
63
где δ i > 0 — заданная величина, то сделанное распределение для
λˆi ,0 принимается. В противном случае значение λˆi ,0 корректиру-
ется. Для этого можно воспользоваться алгоритмом, описанным в
[23, 27].
В результате получаем начальную оценку для спектра σ 0 ( λ )
частот матрицы A .
Для оценки общего эффекта от получено спектра σ 0 (λ ) по-
ступим следующим образом. Разобьем временной интервал
[t0 , t ] = J g на n подинтервалов tn = nτ с шагом τ . На каждом ша-
λˆ1,0 t n λˆ2 ,0 t n λˆm ,0 t n T
ге сформируем вектор Fn0 = [ e e Ke ] , Fn0 ∈ R m . За-
метим, что вектор Fn0 зависит от начального распределения
σ 0 (λ ) . Обозначим вектор собственных чисел матрицы A через
Λ 0 . Введем модель
ηn = H 0T Fn0 = H 0T Fn0 ( Λˆ 0 )
и найдем вектор параметров модели H 0 ∈ R m из условия
H 0 = arg min Q( ηn , yˆ g ,n ) , (3.27)
H 0 , tn∈J g
⎡ Hˆ n ⎤ ⎡ Hˆ n−1 ⎤ ⎡I m 0 ⎤ ⎡ Fn ⎤
⎢ ⎥=⎢ ⎥ − Γen ⎢ , (3.29)
⎣⎢Λˆ n ⎦⎥ ⎣⎢Λˆ n−1 ⎦⎥ ⎣0 t n D( Hˆ n−1 )⎥⎦ ⎢⎣ Fn ⎥⎦
65
⎡ ΔH n ⎤ ⎡ I m 0 ⎤ ⎡ΔH n −1 ⎤
⎢ΔΛ ⎥ ⎢ 0 A ⎥ ⎢ΔΛ ⎥ −
=
⎣ n⎦ ⎣ Λ,n ⎦ ⎣ n −1 ⎦
, (3.31)
⎡Im 0 ⎤ ⎡ Fn ⎤
( ΓH +& ΓΛ )en ⎢ ⎥⎢ ⎥
⎣ 0 t n D( Hˆ n −1 )⎦ ⎣ Fn ⎦
где ΓH ∈ R m × m , ΓΛ ∈ R m×m — диагональные матрицы, +& — знак
прямой суммы матриц, AΛ ,n = I m − ΓΛ en D( Hˆ n−1 )t n , AΛ ,n ∈ R m×m .
Свойства алгоритма (3.29), (3.31) следуют из следующего ут-
верждения.
Теорема 3.3. Алгоритм (3.31) сходится, если: а)
|| AΛ ,n || ≤ d Λ ≤ 1 ∀n > 0 ; б) существует такое cΛ ≥ 0 , что
en ΔΛTn−1 AΛT ,n D ( Fn ( Λ ))ΓΛ Hˆ n−1 ≥ cΛ en2 ; в) cΛ ≥ 0,5γ~Λ2 || Fn ( Λ ) ||2 d H2 t n
∀n > 0 , где 0 < d < ∞ , γ~ — максимальное собственное число
H Λ
2
матриц ΓΛ ; г) en ε n ≥ 1 ≥ cε ≥ 0 ; д) матрица ΓH выбирает-
cε en ,
ся так, чтобы
γ~H2 max || Fn ||2 ≤ 2γ H (1 − cε ) , (3.32)
n
66
нова VnΛ = ΔΛTn ΔLn , получаем
VnΛ = ΔΛTn −1 AΛ , n ΔΛ n −1 − 2en tn ΔΛTn −1 AΛ , n D( Hˆ n −1 )ΓΛ Fn +
(3.35)
+ en2 FnT ( Λ )ΓΛ2 D 2 ( Hˆ n −1 ) Fn tn2 .
Пусть || AΛ ,n || ≤ d Λ ≤ 1 . Тогда
ΔΛTn−1 AΛ ,n ΔΛ n−1 ≤ d ΛVnΛ−1 .
Вектор Fn (Λ ) в силу устойчивости системы (3.11) является
исчезающим при n → ∞ . Как следует из первой части доказа-
тельства теоремы 3.3, алгоритм оценки вектора H является схо-
дящимся в силу выполнения (3.32) и, следовательно, || Hˆ n −1 ||≤ d H ,
( d H < ∞ ) . Тогда можно указать такое cΛ ≥ 0 , что выполняется
условие б) теоремы 3.3. (3.35) можно привести в виду
V Λ ≤ d V Λ − 2c e2t + e2γ~ 2 || F ( Λ ) ||2 d 2 t 2 .
n Λ n −1 Λ n n n Λ n H n
-0,6
k s ( t , yˆ g )
-0,9
-1,2
-1,5
-1,8
-2,1 t
0 1 2 3 4 5 6 7
opt
-1,2 -1,20 0,0
0,75 0,90 1,05 1,20 hˆ2,n
n
0,6 100
η̂ n eff n ,% eff n ,%
yˆ g ,n
0,4 98
yˆ g ,n
η̂ n
0,2 96
0,0 94 yˆ g ,n
0,0 0,2 0,4 0,6
69
3.4.1. Постановка задачи
70
где u ∈ R , y ∈ R — вход и выход системы, A ∈ R q × q , B ∈ R q ,
I ∈ R q , C ∈ R q — постоянные матрицы соответствующих раз-
мерностей, ϕ ( y ) — некоторая скалярная нелинейная функция.
Относительно структуры функции χ = ϕ ( y ) могут делаться
различные предположения. Все они определяются уровнем неоп-
ределенности априорной информации. В частности, в условиях
полной априорной определенности могут применяться методы,
основанные на тех или иных разновидностях линеаризации [38,
55, 17]. При исследовании абсолютной устойчивости нелинейных
систем относительно нелинейности делается следующее предпо-
ложение [63]
χ ∈ Fϕ = {ϕ (ξ )ξ ≥ ξ 2 , ξ ≠ 0, ϕ (0) = 0} ,
где ξ ∈ R — вход нелинейного элемента. Обычно предполагают,
что ζ является линейной комбинацией переменных состояния,
то есть вектора X . Часто для аппроксимации функции χ исполь-
зуется так называемое секторное условие, то есть определяется
сектор, ограниченный двумя прямыми, между которыми может
лежать искомая нелинейная функция
χ ∈ Fϕ = {γ 1ξ 2 ≤ ϕ (ξ )ξ ≤ γ 2ξ 2 , ξ ≠ 0,
, (3.39)
ϕ (0) = 0, γ 1 ≥ 0,γ 2 < ∞}
Из (3.38) и (3.39) следует, что чаще всего в системах управ-
ления применяются статические нелинейности. Отсюда можно
сделать вывод, что для оценки функции ϕ следует применять мо-
дели, описываемые статическими (алгебраическими) уравнения-
ми. Для идентификации данного класса моделей необходимо по-
лучить соответствующее подмножество информационного мно-
жества I э или его преобразованный аналог.
Предположим, что множество I э для (3.38) имеет вид
I э = {u ( t ), y ( t ) t ∈ J = [ t0 , tk ]} , (3.40)
то есть переменные u, y измеряются без помех. В случае наличия
неопределенности в процессе измерения множества I э . Необхо-
димо выполнить процедуру предварительной обработки его эле-
ментов [27].
71
Ставится задача: необходимо на основе обработки множества
(3.40) оценить функцию ϕ ( y ) , принадлежащую классу Fϕ (3.39).
Для решения задачи предлагается использовать процедуру
информационного синтеза, основанную на реализации следую-
щих шагов.
1. Выделение линейной составляющей в (3.38).
2. Формирование вспомогательного множества данных I N ,
содержащего информацию о нелинейной составляющей в (3.38).
3. Разработка алгоритма идентификации функции ϕ на мно-
жестве I N .
Так как информация о функции ϕ ( y ) содержится в ненаблю-
даемых переменных системы (3.38), то необходимо получить
оценку этих компонент вектора X . В частности, применим к вы-
ходу y (t ) операцию дифференцирования и обозначим получен-
ную переменную через x1 . Учет x1 приводит к расширению ин-
формационного множества I э : I enl = {I э , x1} .
Для реализации первого шага предлагаемой процедуры необ-
ходимо выделить подмножество данных I g ⊂ I enl , соответствую-
щее частному решению системы (3.38) (установившемуся со-
стоянию). Это множество формируется путем исключения дан-
ных Itr , содержащих информацию о переходном процессе в сис-
теме, то есть I g = Ient \ Itr . Для выделения линейной составляю-
щей из x1 применим математическую модель
xˆ1l (t ) = H T [1 u(t ) y (t )]T , (3.41)
где H ∈ R 3 — вектор параметров модели.
Вектор H ищется так, чтобы минимизировать квадратичный
критерий Q( e) = 0,5e2
min Q( e) e = xˆ1 − x1 → H opt .
H
75
3.4.5. Примеры
1,0 2,50
y'
u
0,5
Γο 1,25
0,0 y
-1,25 0,00 1,25 2,50
0,00
-0,5 y N′
yl′
-1,0 -1,25
-1,5 -2,50
0,06 eN
S
0,00
-0,6 -0,3 0,0 0,3 0,6 0,9 y
-0,06
Iϕ2
-0,12 Iϕ1 а)
0,50
μe
0,25
Iϕ3
0,00 y
2
-0,5 0,0 Iϕ 0,5 1,0
Iϕ1
Iϕ4 -0,25
б)
-0,50
0,08
eN
êN 0,04
0,00
-0,6 -0,4 -0,2 0,0 0,2 0,4 0,6 0,8 1,0 y
-0,04
-0,08 eˆ No (ϕˆ 2 )
eN
-0,12 eˆNo (ϕˆ1 ) б)
eN -0,08
-0,16
eˆN ,1 , eˆN ,2
-0,09 eN
eˆN ,1
-0,10
eˆN ,2
-0,11 а)
-0,12
-0,11 -0,10 -0,09 -0,08 y
0,3 eN
eN eˆN ,1
0,2
eˆN ,1
0,1
Iϕ2
0,0 y
-1,0 -0,5 0,0 0,5 1,0
Iϕ1
-0,1
-0,2
-0,3
4
k s ( eN , y )
-0,2 -0,1 0,0 0,1 0,2
0 y
-4 ks
0 y
-1 0 1
-8
-8
-12
-0,150
x1
x̂1 xˆ1 (ϕˆ1 )
x1
xˆ1 (ϕˆ 2 )
-0,175
-0,200
-0,225 x1
-0,20 -0,16 -0,12
∫
y (t ) = ϕ (t , t0 ) y (t0 ) + ϕ (t , s )( AT ( s ) P( s ) − f ( s ))ds,
t0
(3.48)
84
{ ϑt (i ) := ϑ (t ), ρt (i ) := ρ (t ) }∈ It , если ϑ (t ) ≥ ε ,
∀t ≥ t∗ , (3.53)
{ϑb ( j ) := ϑ (t ), ρb ( j ) := ρ (t ) }∈ Ib, если ϑ (t ) < ε ,
где i = 1, mt , j = 1, mb ; mt , mb — соответственно мощность мно-
жеств I t , I b ; t∗ — момент начала классификации функций ϑ (t ) ,
ρ (t ) ; := — знак присвоения.
Из процедуры (3.53) следует, что mt + mb <# I s , где # I s —
мощность множества I s , что и отражает (3.53).
Предположим, что τ является достаточно малым и ϕ (⋅) = κ ,
κ = const . Тогда верхнее решение (T-решение) неравенства (3.50)
с учетом (3.51) и (3.53) запишем в виде
ϑt , n +1 = κ tϑt , n + bt (α t ρ t , n + β t ), (3.54)
( n +1)τ
где
n
∫τϕ (nτ , s)ds = b . Аналогично получаем нижнее решение:
t
85
Предлагаемая ниже процедура определения функции ε (t ) ос-
нована на многократном сглаживании сигналов [22, 27]. Сначала
находится предварительная оценка ε 1 (t ) порога ε (t ) путем про-
пускания сигнала ϑ (t ) через сглаживающий фильтр
ε 1 (t ) = Fε (t ,ϑ ) ,
где Fε — оператор сглаживания.
Для принятия решения о применении ε 1 (t ) в качестве поро-
говой функции в алгоритме (3.53) необходимо ввести некоторый
критерий. Для этого сформируем функцию ξ (t ) = ϑ (t ) − ε 1 (t ) , ко-
торую пропустим через сглаживающий фильтр с оператором Fς .
В результате получим сигнал ζ (t ) = Fς (t ,ξ ) , который представля-
ет собой ошибку работы фильтра Fε (t,ϑ ) (в статистической тео-
рии в качестве критерия применяют вероятность ложных тревог).
Далее определяем величину χ = max | ζ (t ) | и проверяем условие
t
(критерий):
χ ≤ δε , (3.56)
где δ ε ≥ 0 — некоторое число.
Если условие (3.56) выполняется, то полагаем ε (t ) = ε 1 (t ) , в
противном случае производим коррекцию функции ε 1 (t ) . Введем
переменную
⎧0, χ ≤ δ ε ,
ω=⎨
⎩1, χ > δ ε .
Тогда для ε (t ) получим
ε (t ) = ε 1 (t ) + ωζ (t ).
Заметим, что при неудачном выборе фильтра Fε (t,ϑ ) или
Fς (t ,ξ ) описанная процедура может повторяться до тех пор, пока
не будет выполняться (3.56).
Замечание. Описанная процедура определения порога может
применяться для оценки математического ожидания нестацио-
нарных стохастических процессов.
86
Рис. 3.18. Схема системы идентификации параметрических
ограничений
87
где δα t , n = αˆ t , n − α t . Обозначим Cˆ t , n = [ κˆt , n αˆ t , n βˆt , n ]T . Тогда для
настройки вектора параметров модели (3.57) применим алгоритм
Cˆ t , n +1 = Cˆ t , n − Γt et , n +1 Dt , n , (3.59)
где Dt , n = [ϑˆt , n ρ t , n 1]T , Γt ∈ R 3 — диагональная матрица с
γ ii > 0 .
Оценивать параметры B-системы будем с помощью модели
ϑˆb,n+1 = κˆb,nϑˆb,n + bb (αˆ b,n ρ b,n + βˆb,n ) . (3.60)
Алгоритм адаптации вектора Cˆ b, n имеет вид
Cˆ b, n +1 = Cˆ b, n − Γb eb, n +1Db, n , (3.61)
где Cˆ b, n , Db, n и Γb имеют тот же смысл, что и соответствующие
векторы в (3.59).
Правило останова адаптивных алгоритмов имеет вид
| eq , n +1 | ≤ ε q ,
где q = t , b , ε q ≥ 0 .
88
Fn ∈ P3 ( Fn ,ψ 0 ,ψ 1 ) = { Fn ∈ R 3 |
,
ψ0 < 3 3 det( Ln ) ≤ Sp ( Ln ) ≤ 3λ3 ( Ln ) < ψ 1 ∀n ∈ 0 }
где Ln = Fn FnT ; det( Ln ) , λ3 ( Ln ) — соответственно определитель и
максимальное собственное число матрицы Ln ; Sp( Ln ) — след
матрицы Ln .
Пусть Vn = en2 , VnΔ =|| δC n ||2 , Γn = γ n I 3 , γ n > 0 , I 3 ∈ R 3 — еди-
ничная матрица,
γ opt = arg min(VnΔ+1 − VnΔ ) .
n γn
2n υ n − κˆ 2 n Δ
Vn +1 ≤ κˆ V0 + μψ 1 V0 , (3.65)
υ − κˆ 2
где υ = 1 − ψ 0 /ψ 1 , μ = 1 + 2κˆ 2 / θ , θ = 1 − κˆ 2 .
Для системы (3.62), (3.63) вектор Fn ∉ P3 ( Fn ,ψ 0 ,ψ 1 ) , поэтому
условия теоремы не выполняются. Представим вектор Fn в виде:
Fn = [ F1T, n b]T .
Сделаем следующие допущения относительно системы
(3.62), (3.63).
89
(γ 1opt ,γ 2opt ) = arg min(VnΔ+1 − VnΔ ) . (3.66)
γ 1 ,γ 2
90
a1 (t ) = −2 + 0.5 sin 0,9t; a2 (t ) = 1 + 0.2 sin t . Вход и неопределен-
ность имеют вид:
r (t ) = 2.5 + 0.7 sin(3πt + 0.7) + 0.5 sin(0.5πt − 2.3) ,
t t
∫ ∫
f (t ) = A& T (τ ) MP(τ )dτ = a& 2 (τ ) p y (τ )dτ .
t0 t0
4,5 ε 1,const
ε1
4,0
3,5
3,0
2 4 6 8 10 12 14
t, с
91
Fς ; применение сглаживающих фильтров с конечной импульсной
характеристикой (КИХ): ε 1, reg — выход фильтра с регрессионной
структурой, ε 1, const — выход фильтра, параметры которого выби-
рались на основе обработки вариационного ряда процесса ϑ (t ) .
2,0
ξ 1 ,ζ1
ξ 1
1,5
ξ 2 ,ζ2
1,0
ζ1
0,5
0,0
ζ2
-0,5
-1,0 ξ2
-1,5
-2,0
2 4 6 8 10 12 14
t, с
6,00
α^ t
5,75
α^ b
интервал
5,50 изменения α^
t
5,25
интервал α t
изменения α^
b ^
3,75
α t
α b
3,50
α^
b
3,25
0,00 1,25 2,50 3,75 5,00 6,25 7,50 8,75
t, с
интервал
0,001 изменения β t
0,000
0 1 2 3 4 5 6 7 8
t, с
κ^ t 0,9
κ^b κ^ t
0,8
κ^
b
0,7
0,6
0,5
0,0 1,5 3,0 4,5 6,0 7,5
t, с
Рис. 3.23. Настройка параметров κˆ t , κˆ b
6 ^
15 ϑ b
et , %
eb , % 5
ϑ b
0
et
-15 4
eb
^
-30 ϑ b
3
ϑ b
-45 2
-60
1
-75
0
0 1 2 3 4 5 6 7 8
t, с
Рис. 3.24. Изменение ошибки идентификации T- и B-систем и
выходов B-системы и B-модели
94
3.6. Заключение
95
Глава 4. СТРУКТУРНАЯ ИДЕНТИФИКАЦИЯ
СТАТИЧЕСКИХ СИСТЕМ
96
свойством, что всякая траектория проходит через F и все точки F
при подходящем выборе времени t возвращаются периодически
в F через одинаковый для всех точек промежуток времени.
Дадим более строгое определение секущей поверхности.
На n -мерном компактном связном и ориентируемом много-
образии M класса Cs с локальными координатами x1 ,K, xn рас-
смотрим систему n дифференциальных уравнений
dxi
= X i ( x1 ,K, xn ), i = 1, n , (4.1)
dt
где правые части трактуются как компоненты некоторого контра-
вариантного векторного поля класса Cr . Будем предполагать, что
3 ≤ r ≤ s − 1 . При указанных ограничениях через каждую точку
многообразия M проходит одна траектория системы (4.1) и все
траектории этой системы продолжаемы на всем протяжении вре-
мени − ∞ < t < ∞ , что следует из компактности многообразия M .
Рассмотрим линейную дифференциальную форму
n
ω= ∑ P dx ,
i =1
i i (4.2)
∫
τ = ϕ ( f ( p, ξ ))dξ ,
t0
98
где y ∈ R — выход системы, U ∈ R m — вход, f ∈ F f — функция
из заданного класса F f .
О системе имеется данные, содержащиеся в информацион-
ном множестве I э :
I э = { y ∈ R, W ∈ R k | y(t ), W (t ) t ∈ J } , (4.4)
99
где A ∈ R m +1 .
wi
γ wi
ϕ γy
γ wi
0 y
360
_ _
γw , y
_i γw γw
wi 270 3
3
_
w3
180
γw
_ 2
90
w2 _
γw γw _
_
1
w1 γw
_ 1 2
y
y
0 _ y
5 10 15 y 20 25 30
101
входов системы, имеющих заданное значение математического
ожидания. Второе направление позволяет осуществить выбор
информативных переменных.
n
1
σ wi ( y ) =
n ∑ [w (t ) − w ( y )]
j =1
i j i j
2
, (4.11)
102
где μ = tgϕ — тангенс угол между прямыми γ y и γ wi [16]
(рис. 4.1).
Тогда степень взаимосвязи между переменными y и wi мож-
но оценить с помощью следующего показателя (коэффициент
взаимосвязи)
π y , wi = sgn( μ )υγ w , (4.13)
i
103
n т
1
ry2, wi ≤
n 2σ 2yσ w2 i
∑
j =1
[ y (t j ) − M { y}] 2
∑
j =1
[ w(t j ) − M {w}]2 =
(4.15)
т
1
= ∑ [w(t ) − M {w}] .
nσ w2 i j =1
j
2
104
( μ = 0,91) . Коэффициент взаимосвязи π y , w3 = 0,77 и совпадает со
значением, приведенным в табл. 4.1.
Таблица 4.1
Значение коэффициентов ry , wi и π y , wi
wi ry , wi π y , wi
w1 –0.79 –0.79
w2 0.9 0.9
w3 0.77 0.77
3 33
w3 y
γ w3
2 22
γ w3
1 11
γy
0 0
5 10 15 20 25 30 35 y
105
4.3. Нахождение коэффициента структурности
статических объектов
6
yn
4
y(u3)
y(u2)
2
y(u1)
-2 ui,n
-1,50 -0,75 0,00 0,75 1,50 2,25
106
6
yn
γ ( y , u1 )
γ ( y , u1 )
4
2 yn
0 а)
-2
-1 0 1 2 3 u1,n
1,5
y1
1,0
γ ( y1 , u 3 )
0,5
y1
0,0
-0,5
-1,0 γ ( y1 , u 3 ) б)
-1,5
-2,0
-2 -1 0 1 2 u3,n
0,6
y2,n
γ ( y2 ,u2 )
0,4 γ ( y2 ,u2 )
0,2
0,0 y2
-0,2 в)
-0,4
0,8 1,2 1,6 2,0 2,4 u2,n
107
будем исходить из анализа наблюдаемого информационного
портрета. Предлагаемый метод, основанный на получении ло-
кальных k s (ui ) = k s (ui , n ∈ U n ) , рассмотрим на примере объекта
(4.16) с An = [ 2 0,4 0,8]T . В качестве U n используется вектор не-
зависимых случайных величин с конечным математическим ожи-
данием и дисперсией. Множество I э имеет вид (4.17).
Пример НИП показан на рис. 4.4. Соответствующие коэффи-
циенты взаимосвязи (взаимной корреляции) равны: π y ,u1 = 0,95 ,
π y ,u 2 = 0,2 , π y ,u3 = 0,6 .
Метод оценки коэффициента структурности состоит в сле-
дующем. Построим сужение (проекцию) Γo на плоскости (u1 , y ) .
Проведем секущую γ ( y , u1 ) = f (u1 ) , где отношение f (u1 ) задано
на классе линейных по u1 функций. Тогда для γ ( y , u1 ) получим
(рис. 4.5а)
γ ( y , u1 ) = 2.19u1 + 0.74 . (4.18)
Выполним трансформацию НИП Γo
Γo1 ⊆ U \ u1 × ( y − γ ( y , u1 )) .
108
Описанную процедуру можно продолжить, если dim U > 3 .
Теперь следует оценить адекватность полученных значений
k s . В качестве критерия адекватности можно использовать коэф-
фициенты взаимосвязи. Можно также эту степень отразить на
информационном уровне, построив наблюдаемый информацион-
ный портрет на соответствующем множестве. Так, коэффициенты
взаимосвязи между y и γ 1,3 = γ ( y , u1 ) + γ ( y , u3 ) равна 0.99. При
указанных k s (u1 ) , k s (u3 ) кривая γ 1,3 совпадает с yn (см. γ y на
рис. 4.6). Что касается переменной u2 , то коэффициент структур-
ности k s (u2 ) также можно считать постоянным, но коэффициент
взаимосвязи π y ,u2 является низким и эту переменную можно ис-
ключить из (4.16).
Покажем, что k s (u2 ) является постоянным, то есть система
(4.16) линейна по u2 . Для этого найдем секущую для отображе-
ния (4.20). Рассмотрим систему, показанную на рис. 4.7.
6,0
yn
γ 4,5
γ ( y , u1 )
3,0
1,5 γ ( y , u1 ) + γ ( y1 , u3 )
0,0
γy
-1,5 yn
-2 0 2 4 6 8
109
Для исключения смещения добавим к y2 величину 0.54. Най-
дем коэффициент структурности k s (u2 ) как отношение выходы
объекта к его входу.
Результаты представим в виде информационного портрета с
отображением Γks ( u2 ) ⊆ u2 × k s (u2 ) на плоскости (u2 , k s (u2 ))
(рис. 4.8). Построим секущую γ ks ( u2 ) = γ ( k s (u2 ), u2 )
γ ks ( u2 ) = a 2s ,0 + a 2s ,1 u2 . (4.21)
0,8
ks(u2)
0,6
ks(u2)
γ k s ( u2 ) = 0,39 − 0,005u 2
0,4
0,2
1 2 3 u2,n
110
Изложенный подход можно распространить на случай иден-
тификации коэффициента структурности по другим входам.
Итак, справедлива следующая
Теорема 4.4. Пусть после i -й трансформации (4.20) наблю-
даемого информационного портрета Γo системы (4.16) получена
секущая γ ( yi , ui ) = ai ,0 + ai ,1ui , где ui ∈ U , yi ∈ R — переменная,
вычисляемая согласно выражению
yi = yi −1 − γ ( yi −1 , ui −1 ) , i = 1, m − 1 , y0 = y .
Тогда система (4.16) будет линейной по входу ui , если ширина
интервала D( γ ks ( ui ) ) изменения секущей γ ks ( ui ) не превышает не-
которой заданной величины ε ui ≥ 0 .
Итак, предложен подход к оценке коэффициента структурно-
сти для статических объектов, основанный на определении секу-
щих НИП. В первом приближении в качестве локальных k s (ui )
для объекта (4.16) можно использовать соответствующие пара-
метры в уравнениях секущих наблюдаемого информационного
портрета Γo .
111
В соответствии с физическими концепциями трансформация
наблюдаемого информационного портрета Γo к Γo1 и Γo2 должна
приводить к потере энергии и, следовательно, ухудшению про-
цесса идентификации. Соответствующие значения для рассмат-
риваемых переменных представлены в табл. 4.1.
Таблица 4.1
Значения средней энергией для объекта (4.16)
yn y1, n y 2, n
Ξ yi 9.898 0.967 0.02
Из таблицы видно, что после оценивания коэффициента
структурности k s (u1 ) энергия переменной y1, n по отношению к
yn уменьшилась на 90%, а для y2, n она составляет всего 0.2%. Но
так как y2, n является функцией от y1, n , то это отношение между
рассматриваемыми переменными равно 2.1%. И, как показывают
результаты моделирования, имеющейся информационной мощ-
ности достаточно для выполнения процедуры идентификации.
Итак, можно сделать вывод о том, что многоступенчатый
процесс идентификации, к которому относится определение ко-
эффициента структурности для объекта (4.16), приводит к расхо-
дованию информационной мощности объекта, и, следовательно,
существует предел значения Ξ yi -мощности, ниже которого при-
менение процедур идентификации является неэффективным. В
отличие от шенноновской или фишеровской информации, кото-
рую очень трудно вычислять в условиях априорной неопределен-
ности, Ξ yi -мощность достаточно легко вычисляется и может
служить интегрированной мерой информационных возможностей
множества I э системы идентификации. Следует заметить, что
здесь речь не идет о возможностях параметрического оценивания
на информационном множестве I э , так как для этого использу-
ются другие показатели [27].
112
4.4. Оценка нелинейных параметров модели на
основе анализа НИП
113
линейности не выполняется, то переходим к шагу 2. В противном
случае работа процедуры заканчивается.
2. Формируем вспомогательный сигнал s ∈ R в виде линей-
ной комбинации элементов вектора U n
sn = I T U n ,
114
6. Подбираем параметры α и λα < ∞ в (4.24) или α , β и λαβ
в (4.25) таким образом, чтобы минимизировать невязку между
статистическими моментами переменной es и ее оценкой ês
переменная u1 u2 u3
D( γ ks ( ui ) )
0,03 0,15 0,05
Для оценки степени нелинейности объекта (4.27) сначала
формируем сигнал sn , а затем реализуем шаг 3. Для a s в (4.23)
получаем оценку aˆ s = 0,33 . Соответствующий виртуальный НИП
и секущая γ ys = yˆ s (t ) показан на рис. 4.9. Для es определяем ма-
тематическое ожидание и среднее квадратическое отклонение:
115
es = 0.01 , σ s = 0.27 .
После реализации шага 5 можно сделать вывод о том, что
наибольший reui достигается для u2 . Он равен reu2 = −0.63 . На
шаге 6 решаем задачу идентификации сигнала es с помощью мо-
дели (4.24) на информационном множестве {es ,n , U n ∀n ∈ J N } .
Результаты идентификации показаны на рис. 4.10. Из рис. 4.10
следует, что минимальное значение критериев (4.26) достигается
при aˆ s = 0.33 . При этом eˆs = 0.02 , σˆ s = 0.28 . Значения статисти-
ческих моментов для ошибки es обозначены кругами.
2,4
y
2,0 y
ŷ s
1,6
1,2
ŷ s
0,8
0,4 s
3 4 5 6
1,0
es , eˆs σ̂ s
σ s , σˆ s
0,5
σs
0,0
es
-0,5
ês
α̂
-1,0
0,0 0,2 0,33 0,4 0,6 0,8
es , eˆs 0,6
reui
σ s , σˆ s 0,5
reui
0,4 σs
0,3 решение
0,2 σ̂ s
ês
0,1
es
0,0
-0,1
u1u3 u2u3 u1u2 u1u3(oбъект)
117
Стрелками на рис. 4.11 показаны результаты принятия решения
по выбору структуры объекта (4.28). На рис. 4.12 приведен ин-
формационный портрет, показывающий изменение коэффициен-
та структурности k s ( y , s, n ) = y n / sn . Из рисунка видно, что сис-
тема (4.28) при данном подходе к идентификации не является ли-
нейной.
0,5
ks(y, s)
γ y (ks )
0,4
ks(y, s)
0,3
0,2
γ y (ks )
0,1
0,0 y
0,0 0,5 1,0 1,5 2,0 2,5
f e ∈ F = { f ∈ R | f : R × J N → R, f ( x ) = x d , d ≠ 0, d < ∞} .
118
en
k s ( e, ui , α , n ) = ,
uiα, n
где α < ∞ .
Построим информационный портрет Γe на плоскости
( k s ( e, ui ), en ) . К Γe добавим секущую γ ks ( ui ,e ) = a e,0 + a e,1k s ( e, ui ) .
Воспользуемся методом выпрямления отображения Γe , т. е. бу-
дем подбирать параметр α в k s ( e, ui , n ) таким образом, чтобы ко-
эффициент детерминации rγ2 для секущей γ k s ( ui , e ) был не меньше
δ r > 0 , где δ r задается на основе анализа Γe и γ k s ( ui , e ) . В качест-
ве второго критерия выбора α будем использовать условие
max uiα,n ≤ 1 + δ α ,
n
119
Подберем параметр α так, чтобы коэффициент детермина-
ции rγ2 был не меньше некоторой заданной величины δ r > 0 . Вы-
бор α будем осуществлять из условия
( rγ2 ≥ δ r ) & ( max | ui , n |α ≤ 1 + δ α ) ,
n
где δ α > 0 .
Учитывая структуру отображения Γe и выбор параметра α ,
получаем требуемое утверждение.
Результаты применения утверждения 4.1 для идентификации
объекта (4.27) показаны на рис. 4.13, 4.14. Из рис. 4.13 видно, что
параметр α в (4.27) можно выбрать равным 0.3, что согласуется с
результатами, приведенными на рис. 4.10, так как в этом случае
получаем максимальное значение коэффициент взаимной корре-
ляции re2eˆ = −0.621 . Это же подтверждает и значение rγ2 . Кроме
критериев re2ê и rγ2 для принятия решения, как указывалось выше,
используется значение математического ожидания ên для прогно-
за ên .
-0,610
0,97 0,10
-0,615
re2ê
0,96 0,05
-0,620 eˆs , n
0,6
es, n
0,4
0,2
0,0
-0,2
γ ks ( ui ,0.3, e )
-0,4
-0,6 γ ks ( ui , e )
-0,8 k s,e
-0,75 -0,50 -0,25 0,00 0,25 0,50 0,75
1
Данная задача по оценке структуры модели была предложена автору д.т.н.
А.Я. Стомахиным.
2
Уравнение предложено А.Г. Пономаренко.
121
где p{N } — парциальное давление атомарного азота, ψ [ N ] ,ψ [ C ] —
некоторые известные функции, зависящие от концентрации эле-
ментов трехкомпонентной системы и других технологических
параметров, k, v — неотрицательные константы. Необходимо
оценить параметр v .
Для выбора параметра v применялся метод выпрямления. Ре-
зультаты представлены на рис. 4.15. Коэффициент структурности
определялся следующим образом
x[ N ]
k s (v) = .
p{ N }ψ [ N ]ψ [vC ]
0,0020 4
x[ N ] e,%
e
0,0015 2
0,0010 0
x[ N ]
0,0005 -2
0,0000 -4 k s (v )
0,2 0,4 0,6 0,8 1,0
123
y n ∈ Y ⊂ R , U n ∈ U ⊂ R — выход и вход объекта, A ∈ Ω A ⊂ R k
— вектор параметров, принадлежащий ограниченной, но априори
неизвестной области Ω A , α lj — некоторые числа, n ∈ J N — дис-
кретное время.
Для (4.22) известно множество экспериментальных данных
I э = I э ( y ,U ) = { y n , U n n ∈ J N = [0, N ]}
и соответствующее ему отображение Γo : U × y ∀n ∈ J N . Опреде-
лено сужение наблюдаемого информационного портрета
Γoui ⊂ Γo u ∈U ∀i = 1, k и для каждого Γoui построена секущая
i
γ ( y , ui ) = a 0,i + a 1,i ui ,n ,
где ( a 0,i , a 1,i ) ∈ R — некоторые вещественные числа.
Определены также секущие γ ( y , ul u j ) для ul u j ∈ F . Введем
множество секущих
Γ(U , y ) = {γ ( y , ui ),γ ( y , ul u j ), i = 1, k , (l , j ) ≥ 1} ,
заданное на I э .
Определение 4.2. Полем структур S S системы (4.22) будем
называть совокупность отображений γ ( y , ui ) ⊂ ui × y ∀i = 1, k ,
γ ( y , ul u j ) ⊂ ul u j × y ∃(l , j ) ≥ 1 на евклидовой плоскости Ε
S S = {γ ( y , ui ) ∀i = 1, k , γ ( y , ul u j ), l ≠ j , (l , j ) ≥ 1} .
124
Так как рассматриваются секущие с различными областями
определения, то область определения поля S S на плоскости Ε
будет равна U dom(ui ) , а область значений S S будет совпадать с
i
областью значений отображения Γo
rng( S S ) = rng( Γo ) = rng( y ) .
uu
Построим отображения Γoui , Γo l j на плоскости Ε . Добавим к
ним элементы множества Γ(U , y ) . В дальнейшем ограничимся
только анализом свойств γ ( y , ui ) , γ ( y , ul u j ) .
Утверждение 4.2. Система (4.22) с нелинейностью
f (U , n ) ∈F имеет линейное поле структур S S .
Утверждение 4.2 немедленно следует из вида класса F и
структуры секущих γ ( y , ui ) , γ ( y , ul u j ) .
Рассмотрим сектор Sij , ограниченный секущими γ ( y , ui ) ,
γ ( y , u j ) . Эти секущие имеют угловые коэффициенты a 1,i , a 1, j .
Считаем, что a 1,i < a 1, j . Если окажется, что в этом секторе почти
наверное лежит секущая γ ( y , ul , u j ) , т. е. ее угловой коэффициент
принадлежит интервалу ( a 1,i , a 1, j ) , то составляющую ui u j ∈ F
можно включить в структуру модели для системы (4.22). Анало-
гичным образом осуществляется анализ всех кандидатов, априо-
ри входящих в f (U , n ) в (4.22).
С каждым элементом γ q ∈ Γ(U , y ) , q = 1, # Γ(U , y ) , где
# Γ(U , y ) — мощность множества Γ(U , y ) , будем ассоциировать
локальную структуры статической системы. Обозначим через
rϑ2q y коэффициент детерминации между ϑq и y,
ϑq = (uq| q =1,k , ul u j| q > k ) .
Определение 4.3. Будем говорить, что переменная ul u j коге-
рентна с y или имеет связь с y , если секущая γ ( y , ul , u j ) ∈ Sij
почти наверное. В этом случае Sij будем называть областью ко-
герентности переменной ul u j .
125
Для оценки тесноты связи введем коэффициент когерентно-
сти
ru2i y
Qij = .
ru2j y
Заметим, что Qij ≤ 1 и, в принципе, должен быть близким к
ru2i u j y . Если данное условие не выполняется, то это говорит о не-
когерентности рассматриваемой составляющей ui u j .
Пример поля структур S S для объекта, рассмотренного в
примере 2 из §4.4, показан на рис. 4.16.
y n 2,5
yn
γ ( y , ui ) γ 13
2,0 S13
γ3
γ1
γ2
S1 2
1,5 γ 12
γ 23
1,0
S 23
u i ,n
0,5
0 1 2 3 4 5 u l , n u j ,n
126
WS ( S12 ) = 306 o , WS ( S13 ) = 25.7 o , WS ( S 23 ) = −280.6 o .
Зная ширину секторов и угловые коэффициенты a1,ij , нахо-
дим уровень неопределенности V (ui u j ) , связанный с оценкой не-
линейных составляющих:
V (u1u2 ) = 120% , V (u1u3 ) = 22% , V (u2 u3 ) = 82% .
Такие же значения получаются при использовании угловых ко-
эффициентов.
Из рис. 4.16 видно, что наибольший вклад в нелинейность
u1u3 вносит переменная u1 . Это же подтверждает и анализ отно-
шения информационных мощностей Ξ y / Ξ u1 и Ξ y / Ξ u1u3 . На ри-
сунке не приведены локальные структуры для случая
f (U , n ) = uid,ni , так как они не являются когерентными с y .
Из проведенного анализа видно, что введение составляющих
u1u2 , u2 u3 в модель приводит к ухудшению ее свойств, что под-
тверждает сделанные ранее выводы.
Изложенный подход является справедливым также для клас-
са нелинейностей
⎧ d
uld, nl u j , nj ∈ R | f : R × J N → R, ⎫
⎪⎪ ⎪⎪
f (U , n ) ∈ Fd = ⎨ m p
⎬,
⎪ f (U n ) =
⎪⎩ l
∑∑ j
dl d j
α lj ul , n u j , n , l ≠ j, 1 ≤ ( m, p ) < k ⎪
⎪⎭
127
структуре статической системы в условиях неопределенности и
тем самым существенно сузить класс исследуемых моделей.
Поле структур может строиться и на множестве I e , т.е. мно-
жестве, получаемом после исключения линейной составляющей,
соттветсвующей вимртуальной переменной s = I TU .
Предлагаемый подход требует проведения дальнейшего ин-
формационного анализа и обобщения полученных результатов. В
частности, пока еще остается открытым вопрос покрытия поля
структур секущимы, соответстующими сечениям наблюдаемого
информационногой портрета на множестве нелиненйных входов
системы.
128
Рассмотрим объект
y n = AnT U n , (4.30)
γ y (ui ) = ai ui + bi , i = 1, k (4.33)
со следующими областями определения и значений:
129
dom (γ y (ui )) ∈ J ui , rng(γ y (ui )) ∈ J y ,
где J ui ∈ R , J y ∈ R — интервалы изменения переменных ui , y ;
ai , bi — некоторые числа.
Полагаем φˆ = a и получаем приближенную оценку облас-
t , i ,0 i
ти Ω A,t
ˆ t ,0 } ,
Ω 0A,t = { An ∈ R k | An ≤ Φ
130
Â* , который является МНК-оценкой, аппроксимирующей yn в
среднем на множестве IU = {U n n ∈ J N } . Отсюда следует утвер-
ждение леммы.
Величина ε 0 показывает насколько переменная yˆ t ,0, n “недо-
тягивает” до области доминирования над yn . Если ε t ,0 ≤ 0 , то
yˆ t ,0 f y п. н.
На основе ε 0 формируем множество поправок вектора Φ ˆ t ,0 .
Для этого находим величины
~ ε t ,0
φt ε,i , n = ∀n ∈ J N , (4.35)
ui , n
для которых определяем математические ожидания
ε ε
φt , i = M {φt ,i , n } . Далее формируем вектор поправок
131
является допустимой, если выполняется условие доминирования
yˆ t ,1, n f y n для почти ∀n ∈ J n и
ryˆt ,1 y ∈ Ω r = {ryˆt ,1 y ∈ R | | ryˆt ,1 y − ryˆt ,0 y | ≤ Δ r , 0 < Δ r < ∞} . (4.39)
132
ти параметрического оценивания Ω A, t и обеспечивает при этом
максимальное значение показателю Pf yˆt .
Утверждение 4.4. Выход модели (4.31) с вектором
Φˆ t , m ∈ R k , соответствующим оптимальной мажоритарной
оценке области Ω A, t (Φ ˆ t , m ) , имеет максимальную информацион-
ную мощность.
Доказательство утверждения 4.4. Рассмотрим допустимые
выходы модели (4.31), т. е. выходы, удовлетворяющие условиям
утверждения 4.1, а их показатель доминирования удовлетворяет
(4.41). Следовательно, оптимальной мажоритарной оценкой об-
ласти параметрических ограничений Ω A, t следует считать ту,
для которой
max P( yˆ t ,k ,n ≥ y n ) = Pf yˆt ( k* ) ∀n ∈ J N , (4.42)
k∈N m
где δAt , m = An − Φ̂ t , m .
Рассмотрим функцию Ляпунова
VmΦ = || δAt , m, n ||2 =|| An − Φ
ˆ t , m ||2 .
∂ΔVmΦ, n
= 0, (4.46)
∂Γt
134
где Γt ∈ R k — вектор с положительными элементами, Γt = D ( Γt ) ,
D — оператор преобразования вектора Γt в диагональную мат-
рицу.
Приведем правую часть (4.44) к виду
ΔVmΦ,n = −2 ΓtT D (δAt ,m,n )ΔΦ t ,m + ΓtT D 2 ( ΔΦ t ,m ) Γt . (4.47)
Подставляя (4.47) в (4.46) и выполняя операцию дифферен-
цирования, для матрицы Γt получим
135
ˆ b,m ∈ R k , настраиваемым с помощью ал-
с вектором параметров Φ
горитма
ˆ b , m +1 = Φ
Φ ˆ b, m − Γb ΔΦ
ˆ b, m .
0,945
rˆyˆt , y ˆ t ,0
Φ φˆt ,1,0 φˆt ,3,0
0,940
φˆt ,2,0 ˆ*
Φ t ,1
0,935
ˆ t ,1
Φ
0,930
A
0,925 φˆt ,1
0,25
-0,9
0,30
-0,8
0,35
-0,7
0,40
-0,6
0,45
-0,5
0,50
-0,4
φˆt ,2
0,6 0,7 0,8 0,9 1,0 1,1 φˆt ,3
136
1,2 1,5
Pf1 yˆt
Pf0yˆt , Pf1 yˆ t Pf1*yˆt
1,0
0,8
Pf1*yˆt
0,5
0,4
Pf0yˆ t 0,0
0,0
-0,5 yn
1,6 1,8 2,0 2,2 2,4 2,6 2,8 3,0 3,2 3,4
2,8 yn
2,4 yˆ t ,0,n
2,0
1,6
1,2 yn
1,6 2,0 2,4 2,8 3,2 3,6
137
4.6.2. Адаптивный алгоритм определения
параметров области Ω A
γ n ≤ || U n ||−1 ,
а относительное число ошибок алгоритма на интервале J N рав-
но Pf yˆ = 1 − Pf yˆ .
Для статического объекта (4.30) с вектором A , рассмотрен-
ным в примере 3, результаты работы алгоритма (4.50) показаны
на рис. 4.20. За начальную оценку Φ̂ 0 вектора Φ в (4.31) прини-
малось значение Φ 0 , полученное в примере 3. Для рассматривае-
138
мого случая Pf yˆ = 0.77 , а pf полагалась равной 0,6. Оценки ко-
эффициентов взаимной корреляции ryyˆ 0 = 0.94 и ryyˆ = 0.939 по-
зволили сделать вывод о том, что полученное значение вектора Φ
является допустимой, так как ryyˆ ∈ Ω r .
Возможны также некоторые модификации (4.50). В частно-
сти, можно потребовать выполнения условия δ -доминирования
yˆ f y ⇔ ( yˆ − y ) ≥ δy [33].
δy
1,0
ϕ^
i 0,8 ϕ^3
0,6
0,4
ϕ^1
0,2
-0,4
-0,5
-0,6
-0,7 ϕ^2
-0,8
0 5 10 15 20 t
Ω A = { An ∈ R k | α b ≤ || An || ≤ α t , 0 ≤ (α b ,α t ) < ∞ } , (4.52)
139
Для системы (4.51) получено информационное множество
I э = I э ( y n ,U n , J N ) .
Необходимо на основе анализа множества I э на заданном
классе структур системы (4.51) оценить параметры α b ,α t области
Ω A (4.52).
Рассматриваемая задача существенно отличается от поста-
новки, изложенной в предыдущем параграфе. Задание области
Ω A в виде (4.51) не позволяет применить предложенные ранее
подходы. Это объясняется прежде всего нелинейностью рассмат-
риваемой задачи как по параметрам, так и информационным пе-
ременным. Основным здесь является выбор подходящей вектор-
ной нормы, которая во многом зависит от свойств вектора U n и
его взаимосвязи с выходом yn . В зависимости от применяемой
нормы будут получаться различные оценки для области Ω A .
Приведем зависимости, связывающие между собой искомые па-
раметры [27].
В результате анализа I э ( J N ) можно получить множество I s
обобщенных характеристик экспериментальных данных
I s ( I э ) = { max || U n ||, min || U n ||, max | yn |,
n n n
. (4.53)
min | yn | ∀n ∈ J N }
n
| y n | = | AnT U n | ≤ || An || || U n || ∀n ≥ 0 .
Тогда для ∀n ≥ 0 получаем
max | y n | ≤ || An || max || U n || .
n n
140
max | y n | ≥ min | AnT U n | ≥ || An || min || U n || .
n n n
Отсюда
max | y n |
n
|| An || ≤ . (4.55)
min || U n ||
n
Объединяя оценки (4.54) и (4.5), для нормы вектора An мож-
но записать
αˆ b ≤ || An || ≤ αˆ t , (4.56)
где
max | y n | max | y n |
αˆ b = n
, αˆ t = n
.
max || U n || min || U n ||
n n
Следует заметить, что оценка сверху для нормы вектора An
является завышенной. Это объясняется как применяемым подхо-
дом, так и действием на выходе возмущения ξ n . Поэтому ее сле-
дует уточнять в процессе идентификации. Если An и U n измеря-
ются с ошибками, то в (4.56) обходимо использовать их сглажен-
ные значения.
Воспользуемся в качестве нормы следующей функцией [42]
ρ ( X ) = max | xi | , xi ∈ X , X ∈ Rk . (4.57)
i
141
ния требуемого уровня доминирования в (4.41), как уже отмеча-
лось, потребуется коррекция полученных оценок в (4.56). Для
этого можно воспользоваться подходом, предложенным в § 4.6.1.
Следующий этап состоит в нахождении соответствия между α̂ μ и
соответствующим элементом вектора An . Для этого можно вос-
пользоваться установлением взаимосвязи между ρ (U n ) и | ui , n |
на всем интервале принятия решения J N .
Пример. Рассмотрим пример из §4.6.1 и найдем оценку об-
ласти Ω A для вектора параметров в случае действия возмущения
ξ n , | ξn | ≤ 0.3 .
Для вектора An на основе (4.56) и (4.57) получены оценки
αˆ t = 1.35 , αˆ b = 1.07 . Анализ показывает, что это оценки элемента
a3, n ∈ An . Они являются завышенными, так как ρ ( An ) = 1. При-
нимаем эти оценки за начальные, т. е. полагаем αˆ t ,0 = 1.35 ,
αˆ b,0 = 1.07 . Воспользуемся средними значениями ρ ( y n ) , ρ (U n )
на интервале J N . В этом случае оценки равны: αˆ t ,m = 1.01 ,
αˆ b,m = 0.86 . Применим к ρ ( y n ) процедуру скользящего среднего.
Тогда получим массив ρ s ( y n ) . Подставляя параметры ρ s ( y n ) в
(4.56), находим αˆ t , s = 1.14 , αˆ b, s = 0.9 . Результаты оценивания от-
ражает рис. 4.21.
4,2
ρ ( yn )
ρ ( yˆ n ) 3,6 1
2
3,0
7 3
4
2,4
5
1,8 6
ρ ( yn )
1,2
1,5 2,0 2,5 3,0 3,5
142
3,5
ρ s ( yn ) ρ̂t, s
ρ ( y n ) 3,0 ρ s ( yn )
ρ ( yn )
2,5
ρ̂ b, s
2,0
1,5
ρ s ( yn )
2,0 2,2 2,4 2,6 2,8
143
Результаты моделирования подтверждают сделанный выше
вывод о том, что оценки на основе (4.54)-(4.56) являются завы-
шенными.
Изложим два подхода к коррекции оценок (4.56). Первый
подход основан на анализе изменения коэффициента структурно-
сти [27]. Он будет изложен в следующем параграфе.
Для уточнения оценок можно применить адаптивный подход.
В этом случае в качестве критериев принятия решений будем
применять показатели (4.59), (4.60) и условие δ -доминирования
0 ≤ ρˆ t , n − ρ ( y n ) ≤ δ ρ , 0 ≤ ρ ( y n ) − ρˆ b, n ≤ δ ρ , (4.61)
где ρ̂ t ,n — выход модели (4.58), δ ρ ≥ 0 .
Для уменьшения чувствительности алгоритма к действию
возмущений условие (4.61) будем рассматривать относительно
усредненных значений переменных. В качестве начальных оце-
нок α̂ μ в (4.58) возьмем значения, полученные на основе (4.56).
Адаптивную модель запишем в виде
ρˆ μ , n = αˆ μ , n −1ρ (U n ) , μ = t, b . (4.62)
ϕ -алгоритм настройки параметра αˆ μ , n имеет вид
ρˆ μ , n = F ( ρˆ μ , n ) , (4.63)
⎧ 1, μ = t ,
s( μ ) = ⎨
⎩− 1, μ = b.
144
Процедуру (4.64) можно представить в следующем виде
αˆ = αˆ − γ~ ( ρˆ − ρ ( y ))ρ (U ),
μ ,n μ , n −1 μ μ ,n n n
где c ≥ 1 , ϑ 2 = max ρ (U n ) .
n
Доказательство теоремы 4.7. Запишем алгоритм (4.65) от-
носительно невязки
Δα μ ,n = Δα μ ,n−1 − γ~μ ( ρˆ μ ,n − ρ ( y n ))ρ (U n ) , (4.66)
где Δα μ ,n = αˆ μ ,n − α μ .
Введем функцию Ляпунова Vμ ,n = Δα μ2 ,n . Для первой разно-
сти ΔVμ ,n = Vμ ,n − Vμ ,n−1 получаем
145
Учитывая (4.67), ρˆ μ , n − ρ ( y n ) и Δα μ ,n−1 ρ (U n ) преобразуем к
виду
ρˆ μ ,n − ρ ( y n ) ≥ cδ y ,
Δα μ ,n−1 ρ (U n ) = ρˆ μ ,n − ρ ( y n ) + υ ≥ cδ y + υ ,
eμ2 ,n c 2δ y2
ΔV μ ,n ≤ − 2
≤ −d , d = 2
.
ϑ ϑ
Так как рассматривается решение задачи на конечном интер-
вале J N , то для числа ошибок m алгоритма (4.65) получаем
Δα μ2 ,0
m≤ 2
ϑ2.
c δ y2
Аналогичным образом определяются оценки для случая
μ = b .
146
1,4
α̂ t,n
α̂ b,n
1,2
α̂ t,n
1,0
α̂ b,n
0,8
0 10 20 30 40 50 60
n
ρ̂ b,n
2,5
ρ̂ b,n
2,0
1,5 ρ ( yn )
1,5 2,0 2,5 3,0 3,5
147
Итак, для получения оценок области параметрических огра-
ничений Ω A использовалась норма (4.57). Очень часто для фор-
мирования ограничений применяют также нормы с функциями
[42]
n n
γ (X ) = ∑| x | ,
i =1
i h( X ) = ∑x
i =1
2
i (4.69)
148
αˆ bv = υ vαˆ bρ , αˆ tv = υ vαˆ tρ .
Применение полученных оценок для объекта, рассмотренно-
го в примере, дает:
а) при использовании нормы h( X ) αˆ bh = 1.17 , αˆ th = 1.38 .
Норма h( An ) для вектора параметров объекта равна 1.32;
б) при использовании нормы γ ( X ) αˆ bγ = 1.96 , αˆ th = 2.29 .
γ ( An ) = 2.1 .
Итак, выбор нормы для оценки области параметрических ог-
раничений требует предварительного анализа информационного
множества системы. Наиболее правдоподобные оценки дает при-
менение нормы ρ ( X ) . Использование норм γ ( X ) , h( X ) приво-
дит к получению пессимистических оценок. В случае применения
функций γ ( X ) , h( X ) предварительно необходимо находить
оценки (αˆ bρ , αˆ tρ ) ∈ Ω ρA , а затем, следуя изложенному выше, опре-
делять оценки для областей Ω γA или Ω hA .
149
множества I э и затем определяются обобщенные характеристики
I s ( I э ) (4.53) (рис. 4.25).
150
1,2
ρ ( An )
α t, k s κn
κ1
α b, k s α t, k s
κn 1,0 κβ
ρ ( An ) γκ
α b, k s
0,8 αb κ2
π 1P π P2 π P,n
0,6
2,2 2,4 2,6 2,8 3,0 3,2
4.7. Заключение
151
Введено понятие информационной мощности сигнала ( Ξ y -
мощности). Показано, что применение многошаговой процедуры
нахождения коэффициента структурности приводит к расходова-
нию информационной мощности объекта. Существует предел
значения Ξ y k -мощности ( k — номер итерации), ниже которого
применение процедур идентификации является неэффективным.
Предложен метод информационного синтеза структуры не-
линейных статических систем в условиях неопределенности на
основе анализа наблюдаемого информационного портрета. Ин-
формационный синтез позволяет выделить некоторое подмноже-
ство данных, которое содержит информацию о нелинейных свой-
ствах системы. Предложены критерии и алгоритмы принятия ре-
шений о структуре модели. Для случая нелинейностей, относя-
щихся к классу степенных функций, разработан метод
выпрямления информационного портрета, который позволяет по-
добрать показатель степень. Данный метод применим только к
"управляемым" моделям, то есть моделям, которые содержат па-
раметр, который можно изменять таким образом, чтобы выпол-
нялось заданное целевое условие.
Для оценки структуры модели статической системы, нели-
нейная часть которой содержит произведения элементов вектора
входа системы, предложен метод, основанный на построении по-
ля структур на множестве секущих. Показано, что нелинейной
системе соответствует линейное поле структур. Для принятия
решения о структуре исследуемой модели введено секторное ус-
ловие, алгоритм построения которого изложен в работе. Сектор-
ное условие широко применяется для анализа свойств нелиней-
ных динамических систем. В задачах идентификации, насколько
известно автору, данное условие не применялось. Впервые такая
процедура была предложена в третьей главе данной книги. Было
показано, как секторное условие можно применить для оценки
структуры нелинейных динамических систем, не прибегая к за-
даче параметрической идентификации.
В данной главе секторное условие возникло благодаря введе-
нию поля структур и позволяет выделить ограничения (сектор),
которому должна удовлетворять секущая наблюдаемого инфор-
мационного портрета при соответствующем его сужении.
Заключительная часть главы посвящена проблеме оценки об-
152
ласти параметрических ограничений модели в условиях неопре-
деленности. Рассмотрены преимущества и недостатки векторных
норм, применяемых для описания области ограничений. Изложе-
ны алгоритмы оценки параметров области ограничений. Большое
место в предлагаемых алгоритмах занимают процедуры анализа
данных и принятия решений. Работоспособность практически
всех изложенных процедур и методов подтверждается результа-
тами моделирования.
В заключение хотелось бы сказать, что в силу многообразия
существующих подходов и методов к проблеме идентификации в
условиях неопределенности новые задачи могут возникать во
многом благодаря анализу информационного множества систе-
мы. Это направление еще не получило должного развития, но
учитывая прогресс в информационных и математических техно-
логиях, позволяющих автоматизировать процесс предварительно-
го анализа данных, может появиться возможность расширения
рамок оценивания структурных параметров и характеристик дан-
ных, а, следовательно, и самой изучаемой системы.
153
Библиографический список
1. Арнольд В. И. Обыкновенные дифференциальные уравне-
ния. — М.: Наука. 1971. — 240 с.
2. Барбашин Е.А. Метод сечений в теории динамических сис-
тем. — Минск: Наука и техника, 1979. — 120 с.
3. Баутин Н.Н., Леонтович Е.А. Методы и приемы качествен-
ного исследования динамических систем на плоскости. — М.:
Наука, 1990. — 486 с.
4. Биркгоф Д. Динамические системы. — Ижевск: Издатель-
ский дом «Удмуртский университет», 1999. — 408 с.
5. Блюмин С.Л., Шмырин А.М. Окрестностные системы. —
Липецк: ЛЭГИ, 2005. — 132 с.
6. Бокс Д., Дженкинс Г. Анализ временных рядов, прогноз и
управление. Вып. 1. — М.: Мир, 1974. — 406 с.
7. Бунич А. Л. Вырожденные задачи синтеза системы управле-
ния линейным дискретным объектом // Автоматика и телемехани-
ка. 2005. № 11. — С. 35–45.
8. Вентцель Е.С. Теория вероятности. — М.: Наука, 1964. —
596 с.
9. Вучков И., Бояджиева Л., Солаков Е. Прикладной регресси-
онный анализ / Пенр. с болг. — М.: Финансы и статистика, 1987.
— 239с.
10. Горский В. Г., Адлер Ю. П., Талалай А. М. Планирование
промышленных экспериментов. — М.: Металлургия, 1978. —
112 с.
11. Григорян В.А., Белянчиков Л.Н., Стомахин А.Я. Теорети-
ческие основы электросталеплавильных процессов. Издание 2-е,
переработанное и дополненное. — М.: Металлургия. 1987. – 272 с.
12. Гропп Д. Методы идентификации систем. — М.: Мир,
1975. — 302 с.
13. Дейч А. М. Методы идентификации динамических объек-
тов. — М.: Энергия, 1979. — 240 с.
14. Ершов А. А. Стабильные методы оценивания параметров
(обзор) // Автоматика и телемеханика. 1978. № 8. — С. 66-100.
15. Ивахненко А.Г., Мюллер И.А. Самоорганизация прогнози-
рующих моделей. — Киев: Техника, 1984. — 350 с.
16. Ильин В.А., Позняк Э.Г. Аналитическая геометрия. — М.:
154
Наука, 1971. — 271 с.
17. Казаков И. Е., Доступов Б. Г. Статистическая динамика не-
линейных автоматических систем. — М.: Физматгиз, 1962. —
278 с.
18. Карабутов Н.Н. Идентификация типа особой точки дина-
мической системы по данным “вход-выход” // Труды 2-й между-
народной конференции “Математическое моделирование соци-
альной и экономической динамики” (MMSED-2007). 20-22 июня
2007 года. Москва, Россия. — М.: РУДН, 2007. — С. 103-106.
19. Карабутов Н.Н. Определение порядка линейной динами-
ческой системы // Автоматика и телемеханика. 1991. № 4. — С.
180-183.
20. Карабутов Н.Н. Структурная идентификация статических
объектов // Фундаментальные физико-математические проблемы и
моделирование технико-технологических систем. Сб. науч. тру-
дов. Выпуск 10. — М.: Изд-во «Янус-К», 2007. — С. 168-175.
21. Карабутов Н. Н. Идентификация неопределенных систем.
I. Адаптивные пропорционально-интегральные алгоритмы с неоп-
ределенностью // Автоматика и телемеханика. 1997. № 9. —
C. 168–182.
22. Карабутов Н. Н. Идентификация неопределенных систем.
II. Получение параметрических ограничений // Автоматика и те-
лемеханика. 1999. № 8. — С. 85–95.
23. Карабутов Н. Н. Построение адаптивных наблюдателей
динамических объектов при наличии ограничений // Автоматика и
телемеханика. 1995. № 3. — С. 77–85.
24. Карабутов Н. Н., Пятецкий В. Е. Параметрическая иден-
тификация металлургических процессов: учет информационных
аспектов. — М.: Металлургия, 1992. — 144 с.
25. Карабутов Н. Н., Салыга В. И. Адаптивная идентифика-
ция объектов управления с анализом экспериментальных данных
// Адаптивные и экспертные системы в управлении. 5-й Ленин-
градский симпозиум по теории адаптивных систем. — Ленинград,
1991. — С. 100–102.
26. Карабутов Н. Н., Сполысов М. А. Разработке алгоритма
определения параметрических ограничений в условиях неопреде-
ленности // Труды межд. научно-технич. семинара «Современные
технологии в задачах управления и обработки информации».
155
Алушта. 1996. — М.: МАИ, 1996. — C. 124-125.
27. Карабутов Н.Н. Адаптивная идентификация систем: ин-
формационный синтез. — М.: УРРС, 2006. — 384 с.
28. Карабутов Н.Н. Идентификация типа особой точки дина-
мической системы по данным “вход-выход” // Труды 2-й между-
народной конференции “Математическое моделирование соци-
альной и экономической динамики” (MMSED-2007). 20-22 июня
2007 года. Москва, Россия. — М.: РУДН, 2007. — С. 103-106.
29. Карабутов Н.Н. Информационный синтез системы иден-
тификации объектов управления // Приборы и системы. Управле-
ния, контроль, диагностика. № 8, 2007. — С. 20–24.
30. Карабутов Н.Н. Наблюдаемые информационные портреты
и задача структурной идентификации //Труды VI Международной
Конференции «Идентификация систем и задачи управления»
SICPRO ’07. Москва 29 января-1 февраля 2007. — М.: Институт
проблем управления им. В.А. Трапезникова РАН. 2007. — С. 89-
115.
31. Карабутов Н.Н. Наблюдаемые информационные портреты
и их применение в задачах идентификации // Приборы и системы.
Управления, контроль, диагностика. 2006. № 2. С. 3-6. № 4. —
С. 34-36.
32. Карабутов Н.Н. Наблюдаемые информационные портре-
ты. Оценка структуры динамической системы с помощью индек-
сов // Приборы и системы. Управления, контроль, диагностика.
2006. № 7. — С. 30-34.
33. Карабутов Н.Н. Структурная идентификация статических
объектов // Фундаментальные физико-математические проблемы и
моделирование технико-технологических систем. Сб. науч. тру-
дов. Выпуск 10. — М.: Изд-во «Янус-К», 2007. — С. 168-175.
34. Карабутов Н.Н., Шмырин А.М. Окрестностные системы
идентификация и оценка состояния. — Липецк: ЛЭГИ, 2005. —
132 с.
35. Кашьяп Р. Л., Рао А. Р. Построение динамических стохас-
тических моделей по экспериментальным данным. — М.: Наука,
1983. — 389 с.
36. Красовский А. А. Оптимальные алгоритмы в задачах иден-
тификации с адаптивной моделью // Автоматика и телемеханика.
1975. № 12. — С. 75-82.
156
37. Красовский А. А., Буков В. Н., Шендрик В. С. Универсаль-
ные алгоритмы оптимального управления непрерывными процес-
сами. — М.: Наука, 1977. — 272 с.
38. Крылов Н. М., Боголюбов Н. Н. Введение в нелинейную
механику. — Киев: Изд-во АН УССР, 1937. — 345 с.
39. Кунцевич В. М., Лычак М. М. Синтез оптимальных и адап-
тивных систем управления. — Киев: Наукова думка, 1985. —
248 с.
40. Куржанский А. Б. Задача идентификации — теория гаран-
тированных оценок (обзор) // Автоматика и телемеханика. 1991.
№ 4. — С. 9–26.
41. Куржанский А. Б. Управление и наблюдение в условиях
неопределенности. — М.: Наука, 1977. — 392 с.
42. Ланкастер П. Теория матриц. — М.: Наука, 1973. — 280 с.
43. Левин Б. Р. Теоретические основы статистической радио-
техники. Кн. 3. — М.: Советское радио, 1976. — 257 с.
44. Лефшец С. Геометрическая теория дифференциальных
уравнений. — М.: ИЛ, 1961. — 388 с.
45. Лукашин Ю. П. Адаптивные методы краткосрочного про-
гнозирования. — М.: Статистика, 1974. — 254 с.
46. Льюнг Л. Идентификация систем. Теория для пользовате-
ля. — М.: Наука, 1991. — 432 с.
47. Ляпунов А.М. Общая задача об устойчивости движения. —
М.: Государственное изд-во технико-теоретической литературы,
1950. — 471 с.
48. Мартынюк А. А., Гутовски Р. Интегральные неравенства и
устойчивость движения. — Киев: Наукова думка, 1979. —272 с.
49. Пасаран М., Слейтер Л. Динамическая регрессия: Теория
и алгоритма. — М.: Финансы и статистика, 1984. — 310 с.
50. Перельман И.И. Методология выбора структуры модели
при идентификации объектов управления // Автоматика и телеме-
ханика. 1983. № 11. — С. 5-29.
51. Перельман И. И. Оперативная идентификация объектов
управления. — М.: Энергоиздат, 1982. — 272 с.
52. Погорелов А.В. Дифференциальная геометрия. — М.: Нау-
ка, 1974. — 176 с.
53. Поляк Б. Т., Цыпкин Я. З. Адаптивные алгоритмы оценива-
ния (сходимость, оптимальность, стабильность) // Автоматика и
157
телемеханика. 1979. № 3. — С. 71–84.
54. Прангишвили И. В., Лотоцкий В. А., Гинсберг К. С., Смо-
лянинов В. В. Идентификация систем и задачи управления: на пути
к современным системным технологиям // Проблемы управления.
2004. № 4. — С. 2-16.
55. Пугачев В. С. Основы автоматического управления. — М.:
Наука, 1968. — 387 с.
56. Райбман Н.С., Чадеев В.М. Построение моделей процессов
производства. — М.: Энергия, 1975. — 376 с.
57. Рашевский П.К. Курс дифференциальной геометрии. —
М.: Государс. издательство научно-технической литературы, 1950.
— 428 с.
58. Салыга В. И., Карабутов Н. Н. Идентификация и управле-
ние процессами в черной металлургии. — М.: Металлургия, 1986.
— 192 с.
59. Сейдж Э. П., Мелса Дж. Л. Идентификации систем управ-
ления. — М.: Наука, 1974. — 284 с.
60. Труды VI Международной конференции «Идентификация
систем и задачи управления» SICPRO’07. Москва, 29 января - 1
февраля 2007 г. — М.: Институт проблем управления им. В.А.
Трапезникова РАН, 2006. — 1768 с.
61. Фомин В. Н., Фрадков А. Л., Якубович В. А. Адаптивное
управление динамическими объектами. — М.: Наука, 1981. —
448 с.
62. Фурасов В. Д. Задачи гарантированной идентификации.
Дискретные системы. — М.: БИНОМ. Лаборатория знаний, 2005.
— 150 с.
63. Фурасов В. Д. Устойчивость движения, оценки и стабили-
зация. — М.: Наука, 1977. – 248 с.
64. Хасьминский Р. З. Устойчивость систем дифференциаль-
ных уравнений при случайных возмущениях параметров. — М.:
Наука, 1969. — 368 с.
65. Хубер П. Робастность в статистике. — М.: Мир, 1984. —
304 с.
66. Цыпкин Я. З. Основы информационной теории идентифи-
кации. — М.: Наука, 1995. — 336 с.
67. Черноусько Ф. Л. Оценивание фазового состояния дина-
мических систем. Метод эллипсоидов. — М.: Наука, 1988. —
158
320 с.
68. Шарый С. П. Оптимальное внешнее оценивание множеств
решений интервальных систем уравнений. Ч. 1 // Вычислительные
технологии. 2002. Т. 7. № 6. — С. 90-113.
69. Эйкхофф П. Основы идентификации систем управление.
— М.: Мир, 1975. — 648 с.
70. Якубович В. А. Метод рекуррентных целевых неравенств в
теории адаптивных систем // Вопросы кибернетики: Адаптивные
системы. — М.: Научн. совет по кибернетике АН СССР, 1976. —
С. 32–64.
71. Astrom J. K. J., Eykhoff P. System Identification — A survey //
Automatica. 1971. Vol. 7. № 2. — P. 123-162.
72. Crutchfield J.P., McNamara B.S. Equations of motion from a
data series // Complex Systems, 1987. V. 1. — P. 417-452.
73. Desrochers A., Mohseni S. On determining the structure of
non-linear systems // Int. J. Control. 1984. V. 40. N 5. — P. 923-938.
74. Kreisselmeier G. A robust indirect adaptive control approach //
Int. J. Control. 1986. Vol. 43. № 1. — P. 161–175.
75. Kreisselmeier G., Anderson B. Robust // IEEE Trans. Autom.
Control. 1987. Vol. AC-31. № 2. — P. 127-133.
76. Kreisselmeier G., Narendra K. Stable model reference adaptive
control in the presence of bounder disturbances // IEEE Trans. Autom.
Control. 1982. Vol. AC-27. № 6. — P. 1169–1175.
77. Ljung L. System Identification — Theory for the User. Prentice
Hall, Upper Saddle River, N. J. 2nd edition, 1999. — 499 p.
78. Narendra K. S., Kudva B. Stable adaptive schemes for system:
identification and control // IEEE Trans. on Syst., Man and Cybern.
1974. Vol. SMC-4. № 6. — P. 542-560.
79. Nuyan S., Carrol R. L. Minimal order arbitrarily fast adaptive
observer and identifies // IEEE Trans. Automat. Control. 1979. Vol.
AC-24. № 2. P. 496-499.
80. Poincare H. Les methodes nonvelles de mecanique celeste. —
Ganthier-Villars, 1899, T. 3. — 175 p.
81. Schweppe F. C. Uncertain dynamic system. New Jersey: Pren-
tic-Hall Inc., Englewood Cliff, 1973. — 210 p.
82. Tsakalis K., Ionnou P. A new indirect adaptive schemes for
time-varying plants // IEEE Trans. Autom. Control. 1990. Vol. AC-35.
№ 6. — P. 697-705.
159