УДК 519.

711
В.Ф. Губарев, В.Д Романенко, Ю.Л. Милявский
МЕТОДЫ НАХОЖДЕНИЯ РЕГУЛЯРИЗИРОВАННОГО РЕШЕНИЯ ПРИ
ИДЕНТИФИКАЦИИ ЛИНЕЙНЫХ МНОГОМЕРНЫХ МНОГОСВЯЗНЫХ
ДИСКРЕТНЫХ СИСТЕМ

ВВЕДЕНИЕ
Статья посвящена проблеме идентификации линейных многосвязных дискретных
систем большой размерности, в том числе таких, которые могут быть представлены в
виде разложений, асимптотически приближающихся к точному описанию с
увеличением их размерности. Наиболее подходящим модельным классом для них
является описание в пространстве состояний, когда кроме входных и выходных
переменных заданных размерностей используются внутренние переменные,
характеризующие текущее состояние системы. Размерность внутренних переменных
определяет структуру и сложность системы в классе моделей, который для линейного
случая записывается в виде векторно-матричных уравнений. Для систем большой
сложности ее размерность, как правило, неизвестна. Даже если она известна, то нет
гарантий, что по исходным экспериментальным данным удастся корректно построить
модель именно этой размерности. Поэтому в статье рассматривается структурно-
параметрическая идентификация с определением размерности модели и
соответствующих ей основных матриц A , B , C , D . При этом находится
приближенное решение задачи идентификации, согласованное по точности с
погрешностью исходных данных.
Основанием именно такого подхода к проблеме идентификации систем большой
размерности послужили результаты исследований качества идентифицируемых
моделей, определяемого ошибками оценивания [1, 2]. Установлено, что с увеличением
размерности модели уменьшается отклонение измеряемого выхода от
соответствующего выходного сигнала модели при одинаковом входе. Одновременно
увеличение размерности искомой модели приводит к увеличению чувствительности
решения к погрешностям данных. При некоторой размерности наступает равенство
погрешностей, обусловленных указанными факторами. Именно ее целесообразно
считать оптимальной, поскольку дальнейшее увеличение размерности приведет к
большим ошибкам вычисляемых параметров модели. В силу разных причин
практически невозможно в реальных условиях определить эту эффективную с точки

1
зрения качества модели размерность. Поэтому в данной работе предлагается иной
способ нахождения размерности приближенной модели, в основе которого лежит
регуляризированное решение. В этом случае размерность модели будем считать
регуляризирующим параметром, и тогда в соответствии с методами регуляризации
некорректно поставленных задач порядок модели будем определять из принципа
согласованности выбранного решения с погрешностью исходных данных. В
определенных случаях для этого достаточно взять размерность такой, чтобы невязка
выходного сигнала модели по отношению к измеренному была меньшей или равной
ограничению на допустимую погрешность исходных данных. Причем для размерности
на единицу меньшую это условие уже не выполняется. При таком выборе
удовлетворяются требования, которым должно удовлетворять регуляризированное
решение. Действительно, при стремлении погрешности к нулю определяемая так
размерность будет расти, приближаясь к точному решению. Когда уменьшение
погрешности достигается за счет стремления длительности эксперимента к
бесконечности, можно приблизиться к случаю, при котором размерность определяется
вычислительной погрешностью.
В данной работе на основе теории реализаций в пространстве состояний [3],
оригинального матричного представления модели многосвязной системы,
предложенного Хо и Калманом [4], а также стандартных методов стохастической
идентификации (N4SID, RobustN4SID, PO-MOESP и других), описанных, например, в
[5, 6, 7, 8], рассмотрены различные способы построения регуляризированного решения
задачи идентификации без использования стохастической трактовки погрешности
данных.

ПОСТАНОВКА ЗАДАЧИ
Пусть исследуемый объект является дискретной линейной динамической системой с r
входами и m выходами. Внутренние переменные связывают входные воздействия с
измеряемыми выходами и определяют текущее состояние системы. В сложном объекте
вектора состояния принадлежат конечномерному пространству большой размерности
или бесконечномерному пространству. При таких условиях по данным с погрешностью
может быть найдено только приближенное решение задачи идентификации.
Подходящим классом моделей, описывающим наблюдаемые динамические процессы в
таких объектах, является следующая система уравнений:

2
 x (k  1)  Ax( k )  Bu (k )   (k ),
y (k )  Cx(k )  Du ( k )   (k ),
(1)

где x – вектор состояния системы, y – вектор измерений размерности m , u –

вектор входного воздействия размерности r ,  (k ) – возмущения состояния,  (k ) –
погрешности измерения, A , B , C , D – матрицы соответствующих размерностей.
Для большого числа различных по своей природе объектов, в том числе непрерывных,
согласно [9] описание (1) будет асимптотически приближаться к точному при
увеличении размерности вектора x и стремлении к нулю шага дискретизации. В
определенных ситуациях, когда имеем дело с чисто дискретной динамикой, как
например, в случае с импульсными процессами в когнитивных картах, система (1)
является классом моделей, в котором может содержаться точное описание.
Идентификация указанной системы в классе моделей (1) будет проводиться на
основе данных, получаемых в экспериментах, проводимых на исследуемом объекте.
Это могут быть активные эксперименты, когда входное воздействие формируется
экспериментатором, и пассивные, в которых u (k ) является априори неизвестным, но
измеряемым внешним воздействием. В результате проведенных экспериментов имеем
временные векторные ряды { y ( k )} и {u ( k )} , k  1, N , где N – длительность
эксперимента. В реальных условиях измерения осуществляются с погрешностью.
Кроме того, на входе кроме контролируемых воздействий могут быть аддитивные
возмущения. К ним относят также немоделируемую динамику, хотя правильнее
говорить о наличии невязки выходных переменных модели и реальной системы,
обусловленной приближенным описанием, например, за счет меньшей по сравнению с
объектом размерностью модели.
В данной работе рассматривается нестохастическая идентификация, когда
реализуемые погрешности измерения  (k ) и возмущения  (k ) могут быть
произвольными, но ограниченными по величине. Будем предполагать, что каждая
компонента вектора (k ) ограничена неравенствами
 i ( k )   i , i  1, m . (2)
Учесть в явном виде погрешности (k ) достаточно сложно. Поэтому в основном
будут рассматриваться случаи, когда возмущения отсутствуют. Когда же известно, что
погрешности измерения и возмущения ограничены, но сами значения ограничений мы
не знаем, можно под значением  i в (2) понимать сумму погрешностей измерения и
вклад возмущенного движения в выходной сигнал, которое остается малым и

3
ограниченным по величине. Именно для этого случая предлагается находить
регуляризированное решение из условия его устойчивости при такой
неопределенности.
Ставится следующая задача. По данным (неточным), полученным из
экспериментов, найти размерность модели и значения соответствующих ей элементов
матриц A, B, C, D , которые в некотором смысле наилучшим образом
аппроксимируют эти данные, т.е. на любое допустимое входное воздействие модель и
система дают на выходе близкие отклики. Близость определяется погрешностью (2).

ПЕРЕХОД К СООТНОШЕНИЯМ ВХОД-ВЫХОД

В большинстве 4SID (subspace-based state space system identification) методах
используются представления класса моделей (1) в виде соотношений вход-выход. Для
этого из измеренных значений { y (k )} , k  1, N формируется матрица Ганкеля
 y (1) y ( 2)  y ( N1 ) 
 y ( 2) y (3)  y ( N1  1) 
Y  , (3)
    
 
 y( K ) y ( K  1)  y ( K  N1  1)

где K  N1  N , а значение mK должно превышать предполагаемую размерность

искомой модели.
Если воспользоваться формулой Коши, записанной для дискретного случая, и с
помощью ее и уравнения наблюдения в (1) перейти к выходным переменным, то
получим
 y(k )   x1 ( k )  u ( k ) 
 y ( k  1)    u ( k  1) 



  K   x2 ( k )    K












, (4)
 y ( k  K  1)   xn ( k )  u ( k  K  1) 

где xi (k ) – соответствующая компонента вектора x (k ) , K – матрица

наблюдаемости, а  K – нижнетреугольная теплицева матрица импульсных откликов,

которые имеют вид
 D 0  0 0
С 
 CB D  0 0 
K 
СА



, K  . (5)


СА
K 1


     
 K 2 K 3 
CA B CA B  CB D

Подставляя (4) и (5) в (3) приходим к матричному уравнению

Y  K X   KU , (6)
где

4
 X   x(1)  x( N1 ) ,

 u (1) u (2)  u ( N1 ) 
 u (2) (7)
u (3)  u ( N1  1) 
U  .
  
 
u ( K ) u ( K  1)  u ( N1  K  1)
Полученное таким образом матричное уравнение (6) является исходным для
имеющихся и описанных в литературе прямых 4SID-методов.

ТЕОРЕТИЧЕСКИЕ ОСНОВЫ МЕТОДОВ ВЫДЕЛЯЕМОГО

ПОДПРОСТРАНСТВА
Суть всех 4SID-методов состоит в том, как на основе (6) и положений теории
реализаций получить оценку матриц K и  K , исходя только из знаний матриц Y и
U . Были рассмотрены ряд способов трансформации этих матриц, позволяющие
выделить сигнальные подпространства, которым для некоторой реализации
принадлежит K . Опишем некоторые из них.
В том случае, когда квадратная матрица U  U T не является вырожденной или
плохо обусловленной, можно использовать ортогональную проекцию на нуль-
пространство матрицы U . Таковой будет матрица
   I  U T (U  U T ) 1  U . (8)
Нетрудно убедиться, что для этой матрицы выполняется условие
U   0 .
Тогда, если умножить уравнение (6) справа на матрицу   , то получим
, (9)
где , Y2  X    .

Хорошо известно, что описание (1) не является единственным. Для любой

невырожденной квадратной матрицы T размерности, совпадающей с размерностью
вектора x , согласно теории реализаций соответствует полностью эквивалентное по
входу и выходу описание с матрицами A , B , C  , связанное с исходным
соотношениями
x  T 1 x , A  TAT 1 , B  TB , C   CT 1 и D  D , , X   T 1 X , det T  0 .
Тогда
, (10)

5
где , Y2  X     .

Это означает, что любому разложению (10) с матрицей Y2 , имеющей полный

ранг равный n , первая матрица будет матрицей наблюдаемости для некоторой
возможной реализации. Поэтому, чтобы найти  , достаточно выполнить такое
разложение. Обычно в 4SID-методе для этой цели используется SVD-разложение
Y    , т.е.
, (11)
где и – ортогональные матрицы, – диагональная матрица сингулярных чисел,
расположенных в невозрастающем порядке на диагонали.
Если система, генерирующая данные, имеет размерность n , а исходные данные
и проводимые вычисления являются точными, то будет иметь не равные нулю первые
n сингулярных чисел, а остальные будут нулевыми. В этом случае число ненулевых
сингулярных чисел определяет размерность модели. Наличие любой погрешности
делает матрицу с вероятностью почти единица полноранговой. При очень малых
погрешностях и не очень больших размерностях исследуемой системы в некоторых
случаях можно усмотреть разрыв между существенными (по величине) сингулярными
числами и малосущественными. Однако в большинстве реальных ситуаций установить
границу между сингулярными числами соответствующими системе и порождаемым
погрешностями практически не представляется возможным. Поэтому в данной работе
предлагается находить в задачах идентификации приближенное регуляризированное
решение, согласованное по точности с погрешностью данных (2). Такой подход
основывается на идеях регуляризации [10] и обеспечивает асимптотическое
приближение к точному решению при уменьшении погрешности. Описание методов
нахождения регуляризирующих решений дается в последующих разделах. В качестве
регуляризирующего параметра, как уже говорилось, берется размерность искомой
модели.
После нахождения размерности приближенной модели можно воспользоваться
формализмом 4SID-методов для вычисления соответствующих матриц A , B , C , D .
С этой целью представим разложение (11) в виде
, (12)

где , , ,

6
 и – имеют число столбцов равных установленной размерности модели, а –
квадратная матрица размерности модели. Согласно изложенному выше полагаем
. (13)

Таким образом, первое слагаемое в (12) соответствует модели, а второе включает

погрешности данных и неучитываемую динамику.
Соотношение (13) позволяет достаточно просто вычислить оценки матриц A и

C  для некоторой реализации. Матрицей C  будут первые m строк , а матрицу A

можно найти, воспользовавшись свойством сдвиговой инвариантности матрицы .
Тогда оценку A получим из следующего приближенного матричного уравнения
, (14)

где – матрица, получаемая из вычеркиванием последних m строк, а –

вычеркиванием первых m строк.

Система (14) является переопределенной ( K  n ) и ее решение находится с
помощью обычного или обобщенного МНК. После определения A матрицы B и D

могут быть найдены из (6), умноженного слева на матрицу QeT из (12). Благодаря

ортогональности матрицы Q, имеем QeT  Qn  0 и тогда из (6) получается

переопределенная система уравнений для нахождения B и D , а именно
QnT U  QnT Y . (15)
Из (15) с помощью тех же МНК получим оценку B и D .
Более детальное изложение данного способа идентификации дано в работе [11].
Другой более общий и эффективный способ идентификации на основе метода
выделяемого подпространства (subspace method) описан в [5]. Согласно ему из Y и U
формируется составная матрица
U 

Y 


и осуществляется ее RQ-разложение, т.е. она представляется как

U   R11 0  Q1 
Y   R21 R22   Q2  . (16)

Одновременно с (6) рассматривается матрица

U 

X 


и ее RQ-разложение

7
 U   R11 0  Q1 
 X    Rx1 Rx2   Qx  . (17)

Очевидно, что матрицы R11 и Q1 в разложениях (16), (17) одинаковые. На основе (16)
и (17) с учетом (6) в работе [5] было установлено равенство
R22  K  Qx  Q2T  Rx 2 . (18)
Причем согласно теории реализаций для R22 справедливо аналогичное (10)
представление. Это означает, что любое представление матрицы R22 в (18) как

произведение двух полноранговых матриц позволяет первую из них взять за K для
некоторой реализации. Принято в качестве такового брать SVD-разложение, а именно
R22  UV T , (19)
где U ,  , V – аналогичны случаю (11). В результате имеем
K  U
и после определения размерности соответствующей регуляризированному решению
методом, описанным в последующих разделах, записываем (12). Матрицы A и C 
для соответствующей реализации находятся по схеме аналогичной первому способу,
т.е. исходя из (13), (14). Для нахождения матриц B и D следует воспользоваться
формулами, приведенными в [5].
Описанный способ идентификации имеет ряд модификаций, которые в
основном отличаются разными способами формирования информационных матриц.
Многие из них доведены до практической реализации для использования в среде
Matlab, чем можно воспользоваться при решении конкретных задач [12].
Третий способ, более подходящий для нахождения решения согласованного по
точности с погрешностью (2), можно реализовать в активных экспериментах, когда
имеем возможность формировать относительно произвольное входное воздействие.
Пусть длительность эксперимента [0, N ] достаточно большая, допускающая
его разбиение на последовательность интервалов [k j , k j 1 ] так, что k0  0 ( j  0 )

соответствует первому интервалу, а j  K1 – последнему, т.е. точка k K 1 1 совпадает с

N . Все четные интервалы j  0, 2, 4,  являются интервалами возбуждения с
ненулевым входным воздействием, а все нечетные являются интервалами релаксации
или свободного движения. Количество точек на интервале релаксации для всех j
выбираем одинаковым, равным N 2 . Интервалы возбуждения могут иметь разную
длину, в том числе случайную. Целесообразно входные последовательности на

8
интервалах возбуждения формировать так, чтобы иметь большое разнообразие
начальных состояний в моменты k j 1 , j  0, 2, 4,  . В случае, если на величину

входных сигналов есть ограничения по амплитуде ui (k )  u0 , i  1, r , достаточно

подавать случайным образом минимальное и максимальное значения сигнала по
каждой координате ui (k )  u0 при условии, что длительность интервала возбуждения
случайна.
В каждый момент времени измеряются выходные переменные, из которых
формируется временная векторная последовательность { y ( k )} . Кроме сигнала отклика
системы, каждое значение y (k ) содержит ошибки измерения. Из зашумленных
измерений на интервалах релаксации формируем матрицу

 y1 (1) y 3 (1)  y K1 (1) 

 y 1 ( 2) y 3 ( 2)  y K1 (2) 
Yrelax  , (20)
 1    
 y ( N 2 )
3
y (N2 )  y K1 ( N 2 )
где y s (k ) – вектор измерений в точке k для s -ого интервала релаксации (
s  1, 3,  ), K 1 – соответствует последнему интервалу релаксации на интервале
[0, N ] .

Матрице (20) согласно формуле Коши для дискретного процесса соответствует

матричное уравнение
Yrelax  N 2  X 0 , (21)

 x11 (1) x13 (1)  x1K1 (1)

 x1 (1) x 3 (1)  x K1 (1)
где N – матрица наблюдаемости, X 0   2
2
2 2  – матрица
 1 
3
 
K
 
 xn (1) xn (1)  xn 1 (1)
начальных состояний на интервалах релаксации, n – размерность вектора состояния.
Первое, что надо сделать, – восстановить размерность регуляризированного
решения. Описание методов его нахождения дано в следующем разделе. После этого
решается задача параметрического оценивания элементов матриц A , B , C , D . Для
этого, как и в предыдущих случаях, используется сингулярное разложение матрицы
Yrelax и разбиение соответствующих матриц SVD на блоки

Yrelax  Qm  mVmT  Qe  eVeT , (22)

9
где первое слагаемое есть аппроксимация зашумленной матрицы Yrelax матрицей
неполного ранга n . Она и будет определять приближенную модель системы, по
точности согласованную с погрешностью данных (1). Как это можно сделать, описано в
следующем разделе.
После того, как разбиение (22) сделано, полагаем
N 2  Qm , X 0   mVm . (23)

Представление (23) позволяет найти матрицы A , B , C  , D для некоторой

реализации. Матрицы A и С  находятся из первого соотношения в (23). Матрицей
C  будут первые m строк Qm , а матрица A находится из аналогичного (14)
уравнения.
Чтобы найти матрицы B и D (матрица D инвариантна относительно
неособого преобразования) запишем аналогичное (4) векторно-матричное уравнение
для k -ого интервала возбуждения k  2, 4,  , K1  1

y k  N k3 A N 2 1 x k 1   N k3 u k , k  2, 4,  , K1  1 , (24)

где N k 3 – количество точек на k -ом интервале возбуждения

 x1
k 1
(1) 
, xk 1

 k
 x2

1

(1) 

, ,
 xk 1
(1) 
 n 

y k ( j ) , u k ( j ) – выход и вход в j -ой точке k -ого интервала возбуждения, x k 1 –

k  1 -ый столбец матрицы X 0

 D 0  0 0
С   CB D  0 0
,  N k3 
 .
СА 
N k   
3
 
  
 Nk 2 
N 1
СА

k3



N k3  3
CА 3 B CА В  CB D 
N 2 1 k 1
Пусть y  N k3 1 А x  y k , а поскольку матрица X 0 определяется (23), то
k

yk является известной величиной. Тогда матрицы B и D можно найти из

переопределенной системы матричных уравнений
 N k3 u k  y k , (25)

используя для этого обычный или обобщенный МНК.

В литературе описаны и другие модификации метода выделяемого
подпространства. Некоторые из них можно найти в [8, 11].

10
МЕТОДЫ НАХОЖДЕНИЯ РЕГУЛЯРИЗИРОВАННЫХ ПРИБЛИЖЕННЫХ
РЕШЕНИЙ
Как было сказано выше, важнейшей характеристикой, которую необходимо определить
в процессе идентификации системы, является ее размерность, которая в то же время
выступает и регуляризирующим параметром в задаче идентификации. Рассмотрим
несколько подходов к определению размерности системы.
Регуляризированное решение на коротком интервале
Опишем метод, позволяющий находить регуляризированное решение задачи
идентификации многомерной многосвязной (MIMO) линейной системы по
экспериментальным данным на относительно небольшом интервале наблюдения
[0, N ] . Будем определять размерность, соответствующую регуляризированному
решению, итеративным способом. Выберем некоторую начальную размерность n0  m .
Для выбранного n0 находим полное решение задачи идентификации, т.е.
восстанавливаем по исходным данным матрицы A , B , С . Для построенной таким
образом модели проводим вычислительный эксперимент. Подаем на ее вход точно
такой же сигнал, который был, когда формировались данные для идентификации
системы. Находим отклик модели на этот сигнал, т.е. вычисляем последовательность
y m
,
(k ) k  1, N , где y m (k ) – выход модели в момент k . Проводим сравнение
выходных сигналов модели и исследуемой системы, т.е. находим

yi  k   yim  k 
~
, i  1, m , k  1, N . (26)
По каждому выходу определяем наибольшее рассогласование сигналов, а
именно находим оценку

yi  k   yim  k    i ( n0 ) , i  1, m .
max ~ (27)
k

Теперь для каждой компоненты выхода проверяем выполнимость неравенства

 i ( n0 )   i . (28)
Для некоторых систем можно добиться ситуации, когда неравенство
выполняется для всех координат. В таком случае размерность регуляризированного
решения задачи идентификации равно такому (минимальному) n0 , при котором (28)
выполняется, а для размерности на единицу меньшей оно не выполняется. Однако на
практике часто случается, что выполнения (28) для всех выходных координат
невозможно. В таком случае предлагается использовать следующие два показателя.
Первый – это доля (процент) таких координат  i (n0 ) среди всех m , для которых

11
неравенство (28) не выполняется, т.е. процент значений невязок (26), превышающих

соответствующие  i . Второй показатель – максимальное значение max  i ( n0 ) по всем

i

координатам. Можно построить зависимость этих показателей от выбираемой

размерности модели, начиная со значения, равного размерности вектора измерений.
Сначала наблюдается спад обоих показателей, а затем, начиная с некоторого их
значения, они практически не изменяются, то есть наступает их стабилизация. Значение
размерности, при котором наступает стабилизация, будем выбирать в качестве
искомой. После этого задача параметрической идентификации решается одним из
описанных выше методов, например, на основе (16)–(19), для установленной таким
образом размерности.
Идентификация при специальном входном воздействии
Рассмотрим активный эксперимент, описанный в предыдущем разделе.
Применим итеративную схему нахождения размерности модели, определяющей
регуляризированное решение. Для этого выполним сингулярное разложение матрицы
Yrelax (20) и для некоторого начального значения размерности предполагаемой модели

произведем декомпозицию (22).

Запишем, по аналогии с (20), матрицу погрешностей

  1 1  3 1   K1 1 

 1 
   2  3  2   K1  2 
 . (29)
    
 
 1  N 2   3  N 2    K1  N 2  
Примем следующее соглашение. Пусть имеем матрицы S и M размера m  n .
Тогда полагаем
S  M  sij  mij , i 1, m, j 1, n ,

S  M  sij  mij , i 1, m, j 1, n ,

где M – матрица абсолютных значений. Тогда с учетом (2) можем записать

  E , (30)
где E – матрица, в которой элементы i  k  матрицы (29) заменены на i из (2).
С учетом (22) и (30) запишем неравенство

Ye  Qe  eVeT  E . (31)
Для выбранного начального значения размерности модели проверяем выполнимость
(31). Если оно для нее выполняется, то уменьшаем ее на единицу, а если нет, то

12
увеличиваем на единицу. После этого вновь проверяем (31). Если, начиная с некоторой
размерности n , неравенство (31) выполняется, а для n  1 нет, то именно его и
следует выбрать в качестве искомой размерности. Впрочем, возможна ситуация, при
которой (31) невыполнимо ни для какой разумной размерности. Тогда следует
применить подход, аналогичный описанному ранее. А именно, в качестве показателей
выберем процент координат матрицы Ye , на которых нарушается (31), и максимальное
значение элементов матрицы Ye , рассматривая его как норму. Тогда в качестве
искомого следует выбирать граничное значение n , разделяющее области спадания и
насыщения. После выбора размерности можно идентифицировать параметры системы
описываемым выше методом, т.е. на основе (23)–(25).
Квазиоптимальное решение на длительном интервале
В этом случае будем определять квазиоптимальное значение размерности
модели соответствующее предельной размерности, после которой задачу
идентификации трактуем как некорректно поставленную. Для ее нахождения
имеющиеся данные разбиваем на два примерно равных интервала. На первом из них
задаем некоторую размерность n0 искомой модели и методом 4SID находим только
матрицу A для некоторой реализации. Вычисляем ее собственные значения. Затем
смещаем первый интервал на q шагов вправо и для новых данных вычисляем матрицу
A и ее собственные значения тем же способом. После этого вновь смещаем интервал
на q шагов и находим для него собственные значения. Продолжаем эту процедуру до
того момента, когда смещаемый интервал практически совпадает со вторым
интервалом данных исходного разбиения. Для полученного таким образом множества
собственных значений проводим оценку их разброса. Если он оказался небольшим, то
увеличиваем на единицу n0 и проделываем те же самые действия по определению
разброса собственных значений. Если же для начальной размерности разброс оказался
большим, то уменьшаем размерность модели. Процесс установления порядка
приближенной модели заканчивается после нахождения границы устойчивости.
Предельно допустимая условием устойчивости размерность дает квазиоптимальное ее
значение. Для нее одним из 4SID методов вычисляются все параметры приближенной
модели.
Данный подход имеет два недостатка. Во-первых, он требует, как было сказано,
длительного интервала наблюдения. Во-вторых, в его основе лежит плохо
формализуемое понятие разброса собственных значений. Рекомендуется, например,

13
считать разброс большим, когда меняется структура собственных значений. Так,
например, когда пара действительных значений превращается в комплексную пару
либо меняется знак собственного значения, а также когда два очень близких
собственных числа начинают быстро расходиться. Когда же этого нет, можно
рекомендовать следующую процедуру определения разброса собственных чисел.
Вычислить модули собственных значений и отсортировать их по убыванию.
Сформировать из них в устойчивой области кластеры близких значений. Затем по мере
увеличения размерности отслеживать их поведение до появления признаков
неустойчивости, т.е. существенного увеличения размеров какого-то из кластеров.

ИЛЛЮСТРАТИВНЫЙ ПРИМЕР: НАХОЖДЕНИЕ РАЗМЕРНОСТИ

КОГНИТИВНОЙ КАРТЫ В ИМПУЛЬСНОМ ПРОЦЕССЕ
В качестве примера дискретной многомерной многосвязной системы рассмотрим
когнитивную карту (КК) [13]. КК представляют собой взвешенные ориентированные
графы, вершины которых отражают координаты сложных систем, а ребра с весовыми
коэффициентами описывают влияние одной вершины на другую. КК широко
применяются для анализа сложных систем различной природы, в том числе
социальных, политических, экономических, экологических, финансовых и т.д. В
процессе функционирования сложной системы под влиянием различных возмущений
координаты вершин КК изменяются во времени. Процесс распространения возмущений
по вершинам КК трактуется как импульсный процесс, для которого сформулировано
правило изменения значений координат вершин КК в виде разностного уравнения
первого порядка в приращениях переменных [14]:
x ( k  1)  Ax (k ), (32)
где A – транспонированная весовая матрица смежности КК, состоящая из весовых
коэффициентов ребер ориентированного графа, x (k ) – вектор приращений
координат вершин КК в момент времени t  kT0 , координаты которого равны
xi (k )  xi (k )  xi ( k  1) , i  1,..., n , n – количество вершин (размерность) КК.
Предположим, что на часть измеряемых вершин КК можно непосредственно
воздействовать, подавая на них внешние импульсы (тестовые сигналы). Пусть таких
воздействий будет r, т.е. вектор u имеет размерность r. Тогда уравнение
вынужденного движения в импульсном процессе КК записывается как:

14
 x (k  1)  Ax (k )  Bu (k ),

(33)
где матрица B размерности ( n  r ) составлена из нулей и единиц, так что при

I
соответствующей нумерации она может быть представлена в виде B   0  , I –
 

единичная квадратная матрица размерности r.

Предположим также, что m координат xi измеряются. Тогда уравнение
измерения примет вид
y ( k )  Cx ( k )   ( k ),

(34)
где матрица C имеет вид C  I 0 (I – также единичная матрица) при
соответствующей нумерации вершин КК, вектор  (k ) – шум измерений.
Если принять приращения координат вершин КК в качестве переменных
состояния, а их измеряемую часть – в качестве выходных переменных, то уравнения
(33), (34) сводятся к (1). Идентификации подлежат матрица A и ее размерность n
(матрицы B, C известны, а D  0 ).
Задача идентификации исследовалась на примере КК, описывающей некоторые
аспекты деятельности коммерческого банка (рис. 1).

4 7
-0,2 -0,7

0,8
1
0,1
0,9
-0.95

5 1 3 0,75
0,1 2
-0.2
-0,2 -0,5
0,85
0,03 0,13 0,3
0,15

2 6
-0,5 0,7

Рис. 1. Когнитивная карта

15
 Ее матрица смежности имеет вид:
 0 0,15 0 0 0,1 0 0 
 
  0,2 0 0,13  0,2 0,03 0 0 
 2 0 0,75 0 0 0 0 
 
A 1 0 0 0,8 0  0,5 0 .
 0 0,85  0,95 0,9 0 0  0,7 

 0  0,5 0,3 0 0 0,7 0 
 
 0 0 0,1  0,2 0,8 0 0 

Вершины КК имеют следующий смысл: 1 – региональная сеть, 2 – капитал, 3 –

кредиты, 4 – депозиты, 5 – ликвидные активы, 6 – мера риска стабильности, 7 – мера
риска ликвидности.
В [15] при решении задачи идентификации предполагалось, что размерность n
известна для этой КК и m  r  n . Эти предположения не всегда выполняются. Поэтому
предположим, что вершины 6 и 7 неизмеряемы и истинная размерность n  7 априори
неизвестна. Тогда для импульсного процесса КК, описываемого уравнениями (34), (35),
можно применить несколько рассмотренных выше методов идентификации
размерности и элементов соответствующих матриц. Задачу идентификации для этого
случая будем решать описанными выше методами.
Найдем сначала регуляризированное решение задачи идентификации по данным
на коротком интервале при тестовом воздействии в виде белого шума. При этом шум
измерений принадлежит интервалу [–0,01; 0,01], а число измерений равно 300.
Размерность варьировалась, начиная с n  5 . Вычислительные эксперименты показали,
что в данном случае не существует размерности, при которой неравенство (28)
выполнялось бы для всех координат во всех точках. Поэтому оценка размерности
проводилась по двум описанным выше показателям.

16
 1

0.8

0.6

0.4

0.2

0
5 6 7 8 9 10

Рис. 2. Первый показатель для метода на коротком интервале

140

120

100

80

60

40

20

0
5 6 7 8 9 10

Рис. 3. Второй показатель для метода на коротком интервале

Из этих графиков видно, что размерность модели n7 определяется

однозначно и она совпадает с размерностью генерирующей системы. При повышении
уровня шума до интервала [–0,5; 0,5] искомая размерность стала равной n  6 .
Затем было найдено регуляризированное решение задачи идентификации по
данным отклика на специальный входной сигнал с чередованием интервалов
возбуждения и релаксации. Каждый интервал релаксации содержал 10 точек, а на
интервале возбуждения их число варьировалось от 5 до 15. Входной
последовательностью был случайный бинарный сигнал (-5, 5). Такое возбуждение
позволило получить достаточно разнообразные начальные условия для интервалов
релаксации. Как и в предыдущем случае строгого выполнения (31) достичь не удалось.

17
Поэтому оценка размерности проводилась по двум описанным показателям. Значения
их при шуме в интервале [–0,01; 0,01] показаны рис. 4, 5. При этом размерность
определялась точно.

0.9

0.8

0.7

0.6

0.5

0.4

0.3

0.2

0.1

0
5 6 7 8 9 10

Рис. 4. Первый показатель для метода со специальным сигналом

2.5

1.5

0.5

0
5 6 7 8 9 10

Рис. 5. Второй показатель для метода со специальным сигналом

Были проведены также вычислительные эксперименты по определению

размерности модели соответствующей регуляризированному решению на длительном
интервале, содержащем 600 точек. Были выбраны 295 точек, которые скользили по
этому интервалу. Решения находили для 5 вариантов задачи идентификации, т.е. имели
5 наборов собственных чисел для каждой выбранной размерности. Из табл. 1 и 2 можно
видеть, что для размерности n  7 собственные числа этих 5 моделей отличаются
несущественно. В то же время при размерности n  8 появляется одно собственное

18
число (в последней строке табл. 2), которое ведет себя неустойчивым образом, т.е.
регуляризированное решение соответствует модели с n  7 .

0.8377 + 0.2661i 0.8376 + 0.2660i 0.8376 + 0.2661i 0.8376 + 0.2661i 0.8376 + 0.2661i
0.8377 - 0.2661i 0.8376 - 0.2660i 0.8376 - 0.2661i 0.8376 - 0.2661i 0.8376 - 0.2661i
0.0933 + 0.7130i 0.0932 + 0.7129i 0.0932 + 0.7131i 0.0933 + 0.7131i 0.0933 + 0.7133i
0.0933 - 0.7130i 0.0932 - 0.7129i 0.0932 - 0.7131i 0.0933 - 0.7131i 0.0933 - 0.7133i
0.6162 + 0.0000i 0.6159 + 0.0000i 0.6162 + 0.0000i 0.6163 + 0.0000i 0.6163 + 0.0000i
-0.1136 + 0.2285i -0.1133 + 0.2285i -0.1140 + 0.2283i -0.1139 + 0.2283i -0.1142 + 0.2278i
-0.1136 - 0.2285i -0.1133 - 0.2285i -0.1140 - 0.2283i -0.1139 - 0.2283i -0.1142 - 0.2278i
Табл. 1. Собственные числа при размерности 7

0.8377 + 0.2660i 0.8377 + 0.2660i 0.8376 + 0.2661i 0.8376 + 0.2661i 0.8376 + 0.2661i
0.8377 - 0.2660i 0.8377 - 0.2660i 0.8376 - 0.2661i 0.8376 - 0.2661i 0.8376 - 0.2661i
0.0934 + 0.7130i 0.0932 + 0.7129i 0.0932 + 0.7131i 0.0932 + 0.7132i 0.0934 + 0.7133i
0.0934 - 0.7130i 0.0932 - 0.7129i 0.0932 - 0.7131i 0.0932 - 0.7132i 0.0934 - 0.7133i
0.6162 + 0.0000i 0.6159 + 0.0000i 0.6162 + 0.0000i 0.6163 + 0.0000i 0.6163 + 0.0000i
-0.1136 + 0.2284i -0.1132 + 0.2285i -0.1140 + 0.2283i -0.1139 + 0.2282i -0.1141 + 0.2277i
-0.1136 - 0.2284i -0.1132 - 0.2285i -0.1140 - 0.2283i -0.1139 - 0.2282i -0.1141 - 0.2277i
-0.6844 + 0.0000i -0.4930 + 0.0000i -0.5196 + 0.0000i -0.7922 + 0.0000i -0.7931 + 0.0000i
Табл. 2. Собственные числа при размерности 8

Исследовалась зависимость искомой размерности от n при фиксированном m

и разности n  m при ее увеличении. В обоих случаях размерность модели
уменьшалась по сравнению с истинной при одинаковом шуме.

ВЫВОДЫ
В статье предложены методы идентификации многомерной дискретной системы в
пространстве состояний, в которых искомая размерность вектора состояния
рассматривалась как регуляризирующий параметр. В зависимости от характера и числа
данных предложены три способа определения размерности приближенной модели, т.е.
структурной идентификации в заданном классе моделей. После установления
размерности модели проводится параметрическая идентификация одним из имеющихся
или модифицированных 4SID методов, описанных в статье или, например, в [16].
Моделирование всех трех подходов проводилось на примере когнитивной карты в
импульсном процессе. Было показано, что предложенные методы позволяют корректно
найти размерности (и весовые коэффициенты) когнитивной карты в случае, когда
измеряются не все координаты и эти измерения неточны.

19
СПИСОК ЛИТЕРАТУРЫ
1. B. Ninness, G.C. Goodwin. Estimation of Model Quality // Automatica. – Vol. 31, No 12.
– 1995. – P. 1771-1797.
2. L. Giarre, B.Z. Kacewicz, M. Milanese. Model Quality Evaluation in Set Membership
Identification // Automatica. – Vol. 33, No 6. – 1997. – P. 1133-1139.
3. T. Kailath. Linear systems – Prentice Hall, Englewood Cliffs, N.J., 1980. — 680 р.
4. B. Ho, R.E. Kalman. Effective Construction of Linear State-Variable Models from
Input/Output Functions // Regelungstechnik. – 14. – 1966. – P. 545-548.
5. M. Verhaegen, P. Dewilde. Subspace Model Identification. Part 1: The output-error state
space model identification class of algorithms // International Journal of Control. –Vol.
56, No 5. – 1992. – P. 1187-1210.
6. P. Van Overschee, B.De Moor. N4SID: Subspace algorithms for identification of
combined deterministic-stochastic systems // Automatica. – Vol. 30, No 1. – 1994. – P.
75-93.
7. M. Verhaegen. Identification of the Deterministic Part of MIMO State Space Models
given in Innovations Form from Input-Output Data // Automatica. – Vol. 30, No 1. –
1994. – P. 61-74.
8. P. Van Overschee, B.De Moor. Subspace Identification for Linear Systems. – Kluwer
Academic Publications. – 1996.
9. Губарев В.Ф. Рациональная аппроксимация систем с распределенными
параметрами // Кибернетика и системный анализ. – 2008. – № 2. – С. 99-116.
10. Тихонов А.Н., Арсенин В.Я. Методы решения некорректных задач. – М.: Наука. –
1986. – 286 с.
11. Viberg M. Subspace-based method for the identification of linear time-invariant systems //
Automatica. – 1996. – Vol. 31, No 12. – P. 1835-1851.
12. L. Ljung. System Identification Toolbox. User’s Guide. – Mathworks, 2014. – 886 p.
13. Горелова Г.В., Захарова Е.Н., Радченко С.А. Исследование
слабоструктурированных проблем социально-экономических систем. Когнитивный
подход. – Ростов-на-Дону: Изд-во РГУ, 2006. – 332 с.
14. Робертс Ф.С. Дискретные математические модели с приложениями к социальным,
биологическим и экологическим задачам. Пер. с англ. – М.: Наука, 1986. – 496 с.

20
15. В.Ф. Губарев, В.Д. Романенко, Ю.Л. Милявский. Идентификация в когнитивных
картах в режиме импульсных процессов при полной информации // Проблемы
управления и информатики. – 2018. – № 4. – С. 30–43.
16. Miliavskyi Yu.L. Identification in cognitive maps in impulse process mode
with incomplete measurement of nodes coordinates // Кибернетика и вычислительная
техника. – 2019. – № 1 (195). – C. 49–63.

21
УДК 519.711. В.Ф. Губарев, В.Д Романенко, Ю.Л. Милявский. Методы нахождения регуляризированного
решения при идентификации линейных многомерных многосвязных дискретных систем.
В статье рассмотрена задача структурной идентификации сложной многомерной многосвязной
дискретной системы, представленной в пространстве состояний. Предполагается, что известны только
входные и выходные координаты системы на некотором интервале времени и диапазон погрешности
измерений. За основу принят метод выделяемого подпространства, который, впрочем, предполагает, что
размерность системы (вектора состояния) известна, что обычно не выполняется на практике. Более того,
при некотором уровне шума невозможно корректно идентифицировать систему большой размерности.
Поэтому предложено использовать размерность в качестве регуляризирующего параметра. Разработаны
три способа выбора регуляризирующей размерности в зависимости от длины интервала наблюдений и
наличия возможности активного ведения эксперимента. Результаты апробированы на примере задачи
идентификации когнитивной карты коммерческого банка в импульсном процессе.
Ключевые слова: структурная идентификация, метод выделяемого подпространства (4SID),
регуляризирующий параметр, многосвязная система, когнитивная карта, импульсный процесс.

УДК 519.711. В.Ф. Губарєв, В.Д Романенко, Ю.Л. Мілявський. Методи знаходження регуляризованого
розв'язку при ідентифікації лінійних багатовимірних багатозв'язних дискретних систем.
У статті розглянуто задачу структурної ідентифікації складної багатовимірної багатозв'язної дискретної
системи, представленої у просторі станів. Припускається, що відомі тільки вхідні і вихідні координати
системи на деякому інтервалі часу та діапазон похибки вимірювань. За основу прийнято метод
виділеного підпростору, який, втім, передбачає, що розмірність системи (вектора стану) відома, що
зазвичай не виконується на практиці. Більш того, при деякому рівні шуму неможливо коректно
ідентифікувати систему великої розмірності. Тому запропоновано використовувати розмірність в якості
параметра регуляризації. Розроблено три способи вибору регуляризуючої розмірності в залежності від
довжини інтервалу спостережень та наявності можливості активного ведення експерименту. Результати
апробовані на прикладі задачі ідентифікації когнітивної карти комерційного банку в імпульсному
процесі.
Ключові слова: структурна ідентифікація, метод виділеного підпростору (4SID), параметр регуляризації,
багатозв'язна система, когнітивна карта, імпульсний процес.

UDC 519.711. V.F. Gubarev, V.D. Romanenko, Yu.L. Miliavskyi. Methods of finding regularized solution in
identification of linear multivariable multi-connected discrete systems.
The article deals with the problem of structural identification of a complex multivariable multi-connected
discrete system presented in state space. It is assumed that only the input and output coordinates of the system
during certain time interval and range of measurement errors are known. The basis is the subspace (4SID)
method, which, however, assumes that dimension of the system (state vector) is known, which is usually not
wrong in practice. Moreover, with a certain noise level, it is impossible to correctly identify a system of high
dimensionality. Therefore, it is proposed to use the dimension as a regularizing parameter. Three methods for
choosing the regularizing dimension are suggested depending on length of the observation period and possibility

22
of active experiment design. The results are verified on the example of identification problem of a commercial
bank’s cognitive map in impulse process.
Keywords: structural identification, subspace method (4SID), regularizing parameter, multi-connected system,
cognitive map, impulse process.

23