Professional Documents
Culture Documents
System Identification Lectures
System Identification Lectures
ﺳﻌﻴﺪ ﺳﻴﺪﻃﺒﺎﻳﻲ
ﭘﺎﻳﻴﺰ 93
ﻣﺮاﺟﻊ
1. Ljung, System identification, 1999.
2. Nelles, Nonlinear system identification, 2001
3. Isermann, Fault-Diagnosis Systems, 2006
Contents
1. Introduction
2. Impulse response and spectrum
3. Nonparametric SI: Impulse response and spectrum
4. Prediction
5. Prediction models: LR, PLR
6. Parameter estimation: Optimization algorithms
7. Estimation quality: Variance of prediction error and parameters
8. Optimization computation algoritms: Batch, Iterative and Recursive
9. SI parameters: input, preprocessing and L, Sampling frequency, and ℓ
10. SI parameters: Model selection and validation, closed loop, experimental practice.
11. Nonlinear system identification: NN
12. Nonlinear system identification: Wavelet, Fuzzy, ANFIS
13. Fault detection and diagnosis
1ﺷﻨﺎﺳﺎﻳﻲ ﺳﻴﺴﺘﻢ
ﺗﻌﺎرﻳﻒ 1-1
ﺷﻨﺎﺳﺎﻳﻲ ﺳﻴﺴﺘﻢ
ﺗﻮﺻﻴﻒ رﻓﺘﺎر ﻳﻚ ﺳﻴﺴﺘﻢ ﻣﺪﻟﺴﺎزي اﺳﺖ ﻛﻪ ﺑﻪ ﻣﻌﻨﻲ ﻛﺸﻒ " "laws of natureاﺳﺖ .ﻣﺪﻟﺴﺎزي ﻣﻤﻜﻦ اﺳـﺖ ﺑـﺮ
اﺳﺎس آﻧﺎﻟﻴﺰ رﻳﺎﺿﻲ و ﻳﺎ ﺑﺮ اﺳﺎس اﻧﺪازه ﮔﻴﺮﻳﻬﺎي ﺗﺠﺮﺑﻲ ﺻﻮرت ﮔﻴﺮد .ﺑﻪ ﻣﺪﻟﺴﺎزﻳﻲ ﻛﻪ ﺑﺎ اﺗﻜﺎ ﺑﺮ دﻳﺘـﺎي ﺗﺠﺮﺑـﻲ"
"Experimental dataاﻧﺠﺎم ﻣﻲ ﺷﻮد ﺷﻨﺎﺳﺎﻳﻲ ﺳﻴﺴﺘﻢ " "System identificationﮔﻔﺘﻪ ﻣﻲ ﺷﻮد .ﺑﻨـﺎﺑﺮاﻳﻦ
ﺷﻨﺎﺳﺎﻳﻲ زﻳﺮ ﻣﺠﻤﻮﻋﻪ ﻣﺪﻟﺴﺎزي ” “Modelingاﺳﺖ.
ﺳﻴﺴﺘﻤﻬﺎي دﻧﻴﺎي واﻗﻌﻲ ﺑﺎ ﻣﺪﻟﻬﺎي رﻳﺎﺿﻲ و آﻧﭽﻪ ﺷﻨﺎﺳﺎﻳﻲ ﻣﻲ ﺷﻮد ﺗﻔﺎوت دارﻧﺪ .در اﻳﻦ راﺑﻄﻪ آﻧﭽـﻪ اﻫﻤﻴـﺖ دارد
" "usefulnessﺑﻪ ﺟﺎي True systemاﺳﺖ.
ﺳﻴﺴﺘﻢ :ﺳﻴﺴﺘﻢ ﻣﺠﻤﻮﻋﻪ اي از اﺟﺰا ﺳﺨﺖ اﻓﺰاري -ﻧﺮم اﻓـﺰاري اﺳـﺖ ﻛـﻪ ﺑـﻪ ﻫـﺪف ﻣﺸﺨﺼـﻲ ﻛﻨـﺎر ﻳﻜـﺪﻳﮕﺮ
ﻗﺮارﮔﺮﻓﺘﻪ ﻳﺎ ﻣﻲ ﮔﻴﺮﻧﺪ.
ورودي :ﺳﻴﺴﺘﻢ ﺗﺤﺖ ﺗﺎﺛﻴﺮ ﻋﻮاﻣﻞ ﺧﺎرﺟﻲ اﺳﺖ .ورودي ﻋﺎﻣﻞ ﺧﺎرﺟﻲ اﺳﺖ ﻛـﻪ ﻣﻘـﺪار آن ﻗﺎﺑـﻞ اﻧـﺪازره ﮔﻴـﺮي و
ﻗﺎﻋﺪﺗﺎ ﻗﺎﺑﻞ ﺗﻨﻈﻴﻢ اﺳﺖ.
اﺧﺘﻼل disturbance :ورودي ﻧﺎ ﺧﻮاﺳﺘﻪ اي اﺳﺖ ﻛﻪ اﻣﻜﺎن ﺣﺬف آن ﻣﻴﺴﺮ ﻧﻴﺴﺖ .اﺧﺘﻼل ﻣﻤﻜﻦ اﺳﺖ ﻗﺎﺑﻞ اﻧﺪازه
ﮔﻴﺮي ﺑﺎﺷﺪ ﻳﺎ ﺗﻨﻬﺎ ﺗﺎﺛﻴﺮ آن در ﺧﺮوﺟﻲ دﻳﺪه ﺷﻮد.
ﺧﺮوﺟﻲ :ﺳﻴﺴﺘﻢ ﺑﻪ ﻧﻮﺑﻪ ﺧﻮد ﺑﺮ ﻣﺤﻴﻂ ﺧﺎرج ﺗﺎﺛﻴﺮ ﻣﻲ ﮔﺬارد .ﺗﺎﺛﻴﺮ ﻣﻮرد ﻋﻼﻗﻪ ﻛﻪ اﻧﺪازه ﮔﻴﺮي ﻣﻲ ﺷـﻮد ﺧﺮوﺟـﻲ
اﺳﺖ.
در اﻳﻦ ﺳﻴﺴﺘﻢ ﺳﺮﻋﺖ ﭘﻤﭗ 2ورودي ،ﺗﺎﺑﺶ ﺧﻮرﺷﻴﺪ ،ﺑﺎد و ﺳﺮﻋﺖ ﭘﻤﭗ 1اﺧﺘﻼل و درﺟﻪ ﺣـﺮارت اﺗـﺎق ﻳـﺎ درﺟـﻪ
ﺣﺮارت heat storageﺧﺮوﺟﻲ ﻫﺴﺘﻨﺪ .ﺷﻜﻞ ﺷﺪت ﺗﺎﺑﺶ ﺧﻮرﺷﻴﺪ و درﺟـﻪ ﺣـﺮارت heat storageﻛـﻪ ﻣـﻲ ﺑﺎﻳـﺪ
ﺗﺜﺒﻴﺖ ﺷﻮد را ﺑﺮاي ﻳﻚ ﺑﺎزه 50ﺳﺎﻋﺘﻲ ﺑﺎ ﭘﺮﻳﻮد ﻧﻤﻮﻧﻪ ﺑﺮداري 10دﻗﻴﻘﻪ اي را ﻧﺸﺎن ﻣﻲ دﻫﺪ.
:Time series
. ﻣﺜﺎﻟﻬﺎي دﻳﮕﺮ آن در ﻣﺴﺎﺋﻞ اﻗﺘﺼﺎدي ﻳﺎﻓﺖ ﻣﻲ ﺷﻮد. ﺳﺮﻳﻬﺎي زﻣﺎﻧﻲ ﻣﻲ ﮔﻮﻳﻨﺪ،ﺑﻪ ﺧﺮوﺟﻲ ﺳﻴﺴﺘﻤﻬﺎي اﻳﻨﮕﻮﻧﻪ
3-1
ﺷﻨﺎﺳﺎﻳﻲ ﺳﻴﺴﺘﻢ -ﻣﻘﺪﻣﻪ -داﻧﺸﮕﺎه ﺷﺎﻫﺪ -ﺳﻌﻴﺪ ﺳﻴﺪ ﻃﺒﺎﻳﻲ
ﻛﺎرﺑﺮدﻫﺎ 2-1
:ﻣﺪﻟﺴﺎزي ﺑﻄﻮر ﻋﺎم و ﺷﻨﺎﺳﺎﻳﻲ ﺑﻄﻮر ﺧﺎص در ﻣﻮارد زﻳﺮ ﻛﺎرﺑﺮد دارد
: Control design :1ﺑﺮاي ﻃﺮاﺣﻲ ﻛﻨﺘﺮﻟﺮ ﻛﻪ ﺑﺘﻮاﻧﺪ اﻫﺪاف ﻛﻨﺘﺮﻟﻲ را ﺗﺎﻣﻴﻦ ﻛﻨﺪ ﺗﻤﺎﻣﻲ plantﻳﺎ ﺣـﺪاﻗﻞ ﺑﺨـﺶ
ﻧﺎﻣﻲ آن ﺑﺎﻳﺪ ﻣﺪﻟﺴﺎزي ﺷﻮد .اﻳﻦ ﻣﻮﺿﻮع وﻗﺘﻲ ﺷﺮاﻳﻂ ﻛﺎر ﺳﻴﺴﺘﻢ ﻣﺘﻐﻴـﺮ اﺳـﺖ اﻫﻤﻴـﺖ ﺑﻴﺸـﺘﺮ ﭘﻴـﺪا ﻣـﻲ ﻛﻨـﺪ .از
ﻣﻮﺿﻮﻋﺎت ﻣﻬﻢ در زﻣﻴﻨﻪ ﻛﻨﺘﺮل آن اﺳﺖ ﻛﻪ وﻗﺘﻲ از ﻛﻨﺘﺮل ﻣﻘﺎوم اﺳﺘﻔﺎده ﺷﻮد ﻳﻜﻤﺪل ﺗﻘﺮﻳﺒﻲ ﻧﻴـﺰ ﺑـﺮاي ﻛﻨﺘـﺮل
ﻛﻔﺎﻳﺖ ﻣﻲ ﻛﻨﺪ
:Prediction :2ﭘﻴﺶ ﺑﻴﻨﻲ ﺗﺤﻮﻻت ﻣﺎﻧﻨﺪ ﻣﺼﺮف ﺑﺮق ،ﺑﻮرس ،ﺑﺎرﻧﺪﮔﻲ )ﺳﺮي ﻫـﺎي زﻣـﺎﻧﻲ (Time seriesﻧﻤﻮﻧـﻪ
ﻫﺎﻳﻲ دﻳﮕﺮي از ﻛﺎرﺑﺮد ﻣﺪﻟﺴﺎزي اﺳﺖ
: System (re) design :3ﺷﻨﺎﺳﺎﻳﻲ ﺑﻪ ﻣﻨﻈﻮر درك و ﺗﺒﻴﻴﻦ رﻓﺘﺎر ﻳﻚ ﺳﻴﺴﺘﻢ ) (machine learningﺗﺎ در ﺑـﺎز
ﻃﺮاﺣﻲ ﺳﻴﺴﺘﻢ )ﻛﭙﻲ ﺳﺎزي( ﻣﻮرد اﺳﺘﻔﺎده ﻗﺮار ﮔﻴﺮد.
:4ﺗﻌﻴﻴﻦ ﻣﺪل ﺳﻴﮕﻨﺎل ﻳﺎ ﻧﻮﻳﺰ ﺑﻪ ﻣﻨﻈﻮر ﻃﺮاﺣﻲ ﻓﻴﻠﺘﺮ ﺑﺮاي ﺣﺬف ﻧﻮﻳﺰ از ﺳﻴﮕﻨﺎل
: Simulation :5ﺷﻨﺎﺳﺎﻳﻲ ﺳﻴﺴﺘﻢ ﺑﻪ ﻣﻨﻈﻮر ﻣﺪﻟﺴﺎزي روي ﻛﺎﻣﭙﻴﻮﺗﺮ و اﻧﺠﺎم آﻧﺎﻟﻴﺰﻫﺎي ﺑﻴﺸﺘﺮ ﺑـﺎ ﻫﺰﻳﻨـﻪ ﻛﻤﺘـﺮ از
آزﻣﻮن ﻋﻤﻠﻲ .ﻣﻨﻈﻮر از ﺷﺒﻴﻪ ﺳﺎزي ﭘﻴﺎده ﺳﺎزي ﺳﻴﺴﺘﻢ روي ﭘﻠﺘﻔﻮرﻣﻲ ﺳﺎده ﺗﺮ از ﭘﻠﺘﻔﻮرم اﺻﻠﻲ ﺑﻪ ﻣﻨﻈـﻮر ﺑﺮرﺳـﻲ
4-1
ﺷﻨﺎﺳﺎﻳﻲ ﺳﻴﺴﺘﻢ -ﻣﻘﺪﻣﻪ -داﻧﺸﮕﺎه ﺷﺎﻫﺪ -ﺳﻌﻴﺪ ﺳﻴﺪ ﻃﺒﺎﻳﻲ
رﻓﺘﺎر ﺳﻴﺴﺘﻢ اﺳﺖ .اﻣﺮوزه ﺷﺒﻴﻪ ﺳﺎزي دﻳﺠﻴﺘﺎﻟﻲ ﺻﻮرت ﻣﻲ ﮔﻴﺮد .ﺑـﺮاي اﻳـﻦ ﻣﻨﻈـﻮر ﻣـﺪل ﺷﻨﺎﺳـﺎﻳﻲ ﺷـﺪه ﺗﺤـﺖ
ﺷﺮاﻳﻂ ﻣﺨﺘﻠﻒ ورودي و اﺧﺘﻼل ﻗﺮار ﮔﺮﻓﺘﻪ رﻓﺘﺎر آن ﻣﻮرد ﺑﺮرﺳﻲ ﻗﺮار ﻣﻲ ﮔﻴﺮد.
flight simulators or nuclear power station training simulators are of course far more complex
5-1
ﺷﻨﺎﺳﺎﻳﻲ ﺳﻴﺴﺘﻢ -ﻣﻘﺪﻣﻪ -داﻧﺸﮕﺎه ﺷﺎﻫﺪ -ﺳﻌﻴﺪ ﺳﻴﺪ ﻃﺒﺎﻳﻲ
ﻳﺎ ﺑﺼﻮرت ﺷﻜﻞ اﺳﺖ ﻣﺎﻧﻨﺪ ﺗﻮﺻﻴﻒ ﺳﻴﺴﺘﻢ hard drive read-write headﻛﻪ ﻣﻄﺎﺑﻖ ﺷﻜﻞ زﻳﺮ اﺳـﺖ .در اﻳـﻦ
ﺷﻜﻞ ورودي :ﻣﻮﺗﻮر و ﺧﺮوﺟﻲ :ﻣﻮﻗﻌﻴﺖ headﻧﺸﺎن داده ﻣﻲ ﺷﻮد.
ﺷﻨﺎﺳﺎﻳﻲ ﺑﺮ اﺳﺎس ﻣﺪل ﮔﺮاﻓﻴﻜﻲ Nonparametric approachﻧﺎم دارد .ﻧﺘﻴﺠـﻪ اﻳـﻦ روش ﺑـﺮاي اﻋﺘﺒـﺎر ﺳـﻨﺠﻲ
validationﻣﺪل ﭘﺎراﻣﺘﺮﻳﻚ ﻣﻔﻴﺪ اﺳﺖ
و ﺳﻴﺴﺘﻢ ﻛﻠﻲ از ﺗﺮﻛﻴﺐ آﻧﻬﺎ ﺑﺪﺳﺖ ﻣﻲ آﻳﺪ ﻛﻪ ﻣﻌﻤﻮﻻ ﻣﻨﺠﺮ ﺑﻪ ﻣﺪل ﻧﺮم اﻓﺰاري از ﺳﻴﺴﺘﻢ ﻣﻲ ﺷﻮد .ﻣﺰاﻳﺎ و ﻣﻌﺎﻳـﺐ
اﻳﻦ روش از اﻳﻨﻘﺮار اﺳﺖ
Remain valid for every operating point.
Offer significant insight into the system’s behavior.
Unfeasible if the system is too complex or poorly understood.
6-1
ﺳﻌﻴﺪ ﺳﻴﺪ ﻃﺒﺎﻳﻲ- داﻧﺸﮕﺎه ﺷﺎﻫﺪ- ﻣﻘﺪﻣﻪ-ﺷﻨﺎﺳﺎﻳﻲ ﺳﻴﺴﺘﻢ
ﻣﺰاﻳﺎ و ﻣﻌﺎﻳﺐ اﻳـﻦ روش. ﺧﻮاﻧﺪه ﻣﻲ ﺷﻮدParametric approach اﻳﻦ ﻧﻮع ﺷﻨﺎﺳﺎﻳﻲ ﺑﻪ ﻧﺎم:ﺷﻨﺎﺳﺎﻳﻲ ﻣﺪل رﻳﺎﺿﻲ
:ﻋﺒﺎرﺗﻨﺪ از
ﭘﻴﭽﻴﺪه ﺗﺮ از روﺷﻬﺎي ﻏﻴﺮ ﭘﺎراﻣﺘﺮﻳﻚ اﺳﺖ o
.ﻧﺘﺎﻳﺞ ﺑﺮاي ﻃﺮاﺣﻲ ﻛﻨﺘﺮﻟﺮ و ﺷﺒﻴﻪ ﺳﺎزي ﻣﻲ ﺗﻮاﻧﺪ اﺳﺘﻔﺎده ﺷﻮد o
ﻣﻌﻤﻮﻻ ﻧﺘﺎﻳﺞ ﺣﻮل ﻧﻘﻄﻪ ﻛﺎر ﻣﻌﺘﺒﺮ ﻫﺴﺘﻨﺪ o
ﺑﻪ ﺳﺎدﮔﻲ ﻗﺎﺑﻞ ﺳﺎﺧﺖ و اﺳﺘﻔﺎده در ﻛﺎرﺑﺮدﻫﺎي زﻳﺎدي ﻫﺴﺘﻨﺪ o
Give less physical insight. o
Software model 4-3-1
The model used in a computer simulation of a system is a program. For complex systems, this
program may be built up by many interconnected subroutines and lookup tables, and it may
not be feasible to summarize it analytically as a mathematical model. We use the term
software model for such computerized descriptions. They have come to play an increasingly
important role in decision making for complicated systems.
7-1
ﺷﻨﺎﺳﺎﻳﻲ ﺳﻴﺴﺘﻢ -ﻣﻘﺪﻣﻪ -داﻧﺸﮕﺎه ﺷﺎﻫﺪ -ﺳﻌﻴﺪ ﺳﻴﺪ ﻃﺒﺎﻳﻲ
1-4-1دﻳﺘﺎ
ﺑﺮاي ﺷﻨﺎﺳﺎﻳﻲ ،ﺳﻴﮕﻨﺎل ورودي-ﺧﺮوﺟﻲ اﻧﺪازه ﮔﻴﺮي و ذﺧﻴﺮه ﻣﻲ ﺷﻮد .ﻣﻮﻓﻘﻴـﺖ ﺷﻨﺎﺳـﺎﻳﻲ ﺑﻄـﻮر ﮔﺴـﺘﺮده اي ﺑـﻪ
ﻣﺸﺨﺼﺎت ﺳﻴﮕﻨﺎﻟﻬﺎ ﺑﺴﺘﮕﻲ دارد
ورودي informativeﺗﻮﻟﻴﺪ و ﺑﻪ ﺳﻴﺴﺘﻢ اﻋﻤﺎل ﺷﻮد .ورودي ﻧﺒﺎﻳﺪ ﻣﺨﻞ ﻋﻤﻠﻜﺮد ﻋﻤﻮﻣﻲ ﺳﻴﺴﺘﻢ ﺷﻮد.
ﭘﺮﻳﻮد ﻧﻤﻮﻧﻪ ﺑﺮداري 1/10زﻣﺎن ﻧﻤﻮ ﺳﻴﺴﺘﻢ ﺗﺤﺖ ﺷﻨﺎﺳﺎﻳﻲ اﺳﺖ.
ﻣﺪﺗﻲ زﻣﺎﻧﻲ ﻛﻪ ﺑﺮاي ﺛﺒﺖ دﻳﺘﺎ ﺗﺤﺖ ﺷﺮاﻳﻂ ﺧﺎص ﺷﻨﺎﺳﺎﻳﻲ داده ﻣﻲ ﺷﻮد .اﻳﻦ ﻗﻴﺪ ﻃﻮل دﻳﺘﺎي ﺛﺒـﺖ ﺷـﺪه Nرا
ﺗﺤﺖ ﺗﺎﺛﻴﺮ ﻗﺮار ﻣﻲ دﻫﺪ.
از ﻣﺸﻜﻞ ﻣﻬﻢ دﻳﮕﺮ اﻳﻨﻜﻪ ورودي ﻣﻤﻜﻦ اﺳﺖ ﻧﻮﻳﺰي ﺑﺎﺷﺪ و ﺧﺮوﺟﻲ ﻫﻢ ﻧﻮﻳﺰي و ﻫـﻢ در ﻣﻌـﺮض اﺧـﺘﻼل ﺑﺎﺷـﺪ.
ﺷﻨﺎﺳﺎﻳﻲ ﺳﻴﺴﺘﻢ ﺑﺮ اﺳﺎس ﺧﺮوﺟﻲ آﻟﻮده ﺑﻪ اﺧﺘﻼل ﻣﻌﻀﻠﻲ اﺳﺖ ﻛﻪ ﺑﺎﻳﺪ در ﻧﻈﺮ ﮔﺮﻓﺘﻪ ﺷﻮد.
ب( :Semi physical modelingﻛﻪ ﻓﻘﻂ ﺑﺨﺸﻲ از ﺳﻴﺴﺘﻢ ﺑﺼﻮرت ﺗﺤﻠﻴﻠﻲ ﻣﺪل ﻣﻲ ﺷﻮد ﻣﺎﻧﻨﺪ رﻓﺘﺎر ﻋﻮاﻣﻞ ﻏﻴـﺮ
ﺧﻄﻲ )اﺷﺒﺎع Dead zone ،و ﻫﻴﺴﺘﺮزﻳﺲ و ﻏﻴﺮه( و ﺑﻘﻴﻪ ﺑﺼﻮرت Black boxدر ﻧﻈﺮ ﮔﺮﻓﺘﻪ ﻣﻲ ﺷﻮﻧﺪ.
8-1
ﺷﻨﺎﺳﺎﻳﻲ ﺳﻴﺴﺘﻢ -ﻣﻘﺪﻣﻪ -داﻧﺸﮕﺎه ﺷﺎﻫﺪ -ﺳﻌﻴﺪ ﺳﻴﺪ ﻃﺒﺎﻳﻲ
:Black box ﻳﻚ ﻣﺪل رﻳﺎﺿﻲ ﻋﻤﻮﻣﻲ ﻣﺎﻧﻨﺪ ﻣﻌﺎدﻟﻪ دﻳﻔﺮﻧﺲ ﺑﺮاي ﺳﻴﺴﺘﻤﻬﺎي ﺧﻄﻲ ﻳﺎ ﻳﻚ ﺷﺒﻜﻪ از اﻟﻤﺎﻧﻬﺎي ﻏﻴﺮ
ﺧﻄﻲ ﺑﻌﻨﻮان ﻣﺪل ﺳﻴﺴﺘﻢ ﺑﺪون ﺗﻮﺟﻪ دﻗﻴﻖ ﺑﻪ ﺳﻴﺴﺘﻢ اﺻﻠﻲ در ﻧﻈﺮ ﮔﺮﻓﺘﻪ ﻣﻲ ﺷﻮد.
.2ﻋﻤﻠﻜﺮد ﻣﺪل ﺷﻨﺎﺳﺎﻳﻲ ﺷﺪه روي دﻳﺘﺎي اﻋﺘﺒﺎر ﺳﻨﺠﻲ ﺗﺴﺖ ﻣﻲ ﮔﺮدد .ﺗﺎ ﻣﻌﻠﻮم ﺷﻮد ﻛﻪ اﻳﺎ ﻣﺪل ﺷﻨﺎﺳﺎﻳﻲ ﺷﺪه
ﺑﻪ اﻧﺪازه ﻛﺎﻓﻲ ﺧﻮب اﺳﺖ ” .“good enoughﺗﺴﺖ ﻣﻬﻢ اﻳﻦ اﺳـﺖ ﻛـﻪ ﻫﻤﺒﺴـﺘﮕﻲ =y-ŷﺳـﻔﻴﺪ و و uدر
ﺣﺎﻟﺖ ﺣﻠﻘﻪ ﺑﺎز ﻫﻤﺒﺴﺘﻪ ﻧﺒﺎﺷﻨﺪ
9-1
ﺷﻨﺎﺳﺎﻳﻲ ﺳﻴﺴﺘﻢ -ﻣﻘﺪﻣﻪ -داﻧﺸﮕﺎه ﺷﺎﻫﺪ -ﺳﻌﻴﺪ ﺳﻴﺪ ﻃﺒﺎﻳﻲ
.3ﻫﺮ ﮔﺰ ﻣﺪل ﺷﻨﺎﺳﺎﻳﻲ ﺷﺪه ﺑﻌﻨﻮان Trueﺳﻴﺴﺘﻢ در ﻧﻈﺮ ﮔﺮﻓﺘﻪ ﻧﻤﻲ ﺷﻮد ﺑﻠﻜـﻪ ﺑﻌﻨـﻮان ﻣـﺪل good enough
ﺑﺮاي ﻛﺎرﺑﺮد ﻣﻮرد ﻧﻈﺮ ﻟﺤﺎظ ﻣﻲ ﺷﻮد.
.4اﮔﺮ ﻣﺪل ﻧﺘﻮاﻧﺪ ﺷﺮاﻳﻂ اﻋﺘﺒﺎر ﺳﻨﺠﻲ را ﺑﮕﺬراﻧﺪ ،ﻓﺮاﻳﻨﺪ از ﻧﻮ ﺑﺎﻳﺪ ﺗﻜـﺮار ﮔـﺮدد و ﻣﺘﻐﻴﺮﻫـﺎي ﺷﻨﺎﺳـﺎﻳﻲ ﻣﻨﺎﺳـﺐ
اﻧﺘﺨﺎب ﮔﺮدد.
10-1
ﻓﺼﻞ :2ﻣﺮور ﺳﻴﺴﺘﻢ ﺧﻄﻲ-داﻧﺸﮕﺎه ﺷﺎﻫﺪ-ﺳﻌﻴﺪﺳﻴﺪﻃﺒﺎي
y (t ) 0 u (t ) g ( )d y ( kT ) 0 u (kT ) g ( )d
Tﭘﺮﻳﻮد ﻧﻤﻮﻧﻪ ﺑﺮداري اﺳﺖ .ﺑﺎ ﻓﺮض ﺗﻘﺮﻳﺒﺎ ﺛﺎﺑﺖ ﺑﻮدن uدر ﻃﻮل ﭘﺮﻳﻮدﻫﺎ دارﻳﻢ
mT
y (kT ) u (kT mT ) ( m1)T g ( )d u (kT mT ) gT (mT )
m 1 m 1
m
y (k ) u (k )q ) gT (k ) G (q )u ( k ) u (k ) q m gT (k ) G (q )u (k
m 1 m 1
ﻛﻪ در آن ) q-1u(t)=u(t-1اﺳﺖ G(q) .ﭘﺎﺳﺦ ﺿﺮﺑﻪ ﮔﺴﺴﺘﻪ ﺷﺪه ﺳﻴﺴﺘﻢ ﻃﺒﻖ رواﺑـﻂ ﻓـﻮق اﺳـﺖ ﻛـﻪ ﻫﻤـﺎن روش
step invarianceاﺳﺖ در واﻗﻊ راﺑﻄﻪ ) G(q-1اﺳﺖ ﻛﻪ ﻣﺎﻧﻨﺪ ﺗﺒﺪﻳﻞ zﺑﺼﻮرت ) G(qاﺳﺘﻔﺎده ﻣﻲ ﻛﻨﻴﻢ.
ﻣﺜﺎل :1اﻳﻦ ﻧﻮع ﮔﺴﺴﺘﻪ ﺳﺎزي ﺑﺮاي ﺳﻴﺴﺘﻢ ﭘﻴﻮﺳﺘﻪ اﻳﻨﮕﻮﻧﻪ ﺑﺪﺳﺖ ﻣﻲ آﻳﺪ
1-2
ﻓﺼﻞ :2ﻣﺮور ﺳﻴﺴﺘﻢ ﺧﻄﻲ-داﻧﺸﮕﺎه ﺷﺎﻫﺪ-ﺳﻌﻴﺪﺳﻴﺪﻃﺒﺎي
ﺳﻴﺴﺘﻢ ﭘﺎﻳﺪار
اﻛﻴﺪا ﭘﺎﻳﺪار:
اﻛﻴﺪا ﻋﻠﻲ g(0)=0:ﻳﻌﻨﻲ ﺳﻴﺴﺘﻢ داراي ﺗﺎﺧﻴﺮ اﺳﺖ
:Monicﭼﻨﺪ ﺟﻤﻠﻪ اي ﻣﻮﻧﻴﻚ اﺳﺖ وﻗﺘﻲ g(0)=1
2-2
ﻓﺼﻞ :2ﻣﺮور ﺳﻴﺴﺘﻢ ﺧﻄﻲ-داﻧﺸﮕﺎه ﺷﺎﻫﺪ-ﺳﻌﻴﺪﺳﻴﺪﻃﺒﺎي
و µﻛﻮﭼﻚ ﺑﺎﺷﺪ ﺑﺎ اﻧﺘﺨﺎب ﻓﻴﻠﺘﺮ ﻣﻨﺎﺳﺐ ) (Hاﺧﺘﻼل ﻣﻄﺎﺑﻖ ﺷﻜﻞ 2.5ﺗﻮﻟﻴﺪ ﻣﻲ ﺷﺪ ﻛﻪ ﺑﺮاي ﻣﺪل ﻛﺮدن اﺧﺘﻼﻻت
ﭘﻠﻪ اي ،ﺿﺮﺑﻪ اي ،ﺷﻴﺒﻲ و ﺳﻴﻨﻮﺳﻲ ﻣﻨﺎﺳﺐ اﺳﺖ .از ﻃﺮف دﻳﮕﺮ اﮔﺮ ) e∈N(0,λدر ﻧﻈﺮ ﮔﺮﻓﺘﻪ ﺷﻮد اﺧﺘﻼل ﺷـﻜﻞ
2.6ﺣﺎﺻﻞ ﻣﻲ ﺷﻮد.
ﺑﺮاي eﻛﻪ ورودي ﻣﺪل اﺳﺖ اﻏﻠﺐ ﻓﻘﻂ ﺧﻮاص ﺗﺎ ﻣﺮﺗﺒﻪ دو آﻧﻬﺎ )ﻣﻴﺎﻧﮕﻴﻦ و وارﻳﺎﻧﺲ( در ﻧﻈﺮ ﮔﺮﻓﺘﻪ ﻣﻲ ﺷﻮد.
Expected value
اﻧﺤﺮاف ﻣﻌﻴﺎر s=std(e) : σ
Variance
ﻛﻮارﻳﺎﻧﺲ )cov(e,u
دو ﻣﺘﻐﻴﺮ ﺗﺼﺎدﻓﻲ uncorrelatedﻫﺴﺘﻨﺪ اﮔﺮ cov(e,u)=0ﺷﻮد .اﮔﺮ eو uﻣﺴﺘﻘﻞ independentﺑﺎﺷﻨﺪ
)P(e,u)=P(e)P(u
ﺣﺘﻤﺎ ﻏﻴﺮ ﻫﻤﺒﺴﺘﻪ uncorrelatedﻫﺴﺘﻨﺪ وﻟﻲ ﻋﻜﺲ آن اﻟﺰاﻣﺎ ﺻﺤﻴﺢ ﻧﻴﺴﺖ.
ﻳﻚ ﻓﺮاﻳﻨﺪ ﺗﺼﺎدﻓﻲ stochastic processدﻧﺒﺎﻟﻪ اي از ﻣﺘﻐﻴﺮ ﻫﺎي ﺗﺼﺎدﻓﻲ اﺳﺖ
}X={X1,……,Xk,……..,XN
ﺑﺎ دﻧﺒﺎﻟﻪ اي از ﻣﻴﺎﻧﮕﻴﻦ ﻫﺎ
3-2
ﻓﺼﻞ :2ﻣﺮور ﺳﻴﺴﺘﻢ ﺧﻄﻲ-داﻧﺸﮕﺎه ﺷﺎﻫﺪ-ﺳﻌﻴﺪﺳﻴﺪﻃﺒﺎي
و ﻣﺎﺗﺮﻳﺴﻲ از ﻛﻮارﻳﺎﻧﺴﻬﺎ
ﺳﻴﮕﻨﺎل ﻣﻌﻴﻦ
ﺳﻴﮕﻨﺎﻟﻬﺎي ﭘﻠﻪ ،ﺿﺮﺑﻪ ﺳﻴﻨﻮس و ﻣﺸﺎﺑﻪ آن ﺳﻴﮕﻨﺎﻟﻬﺎي ﻣﻌﻴﻦ ﻫﺴﺘﻨﺪ
ﺳﻴﮕﻨﺎل اﻳﺴﺘﺎ
ﺳﻴﮕﻨﺎل ﻧﻮﻳﺰي ﻛﻪ ﻣﻴﺎﻧﮕﻴﻦ و وارﻳﺎﻧﺲ آن ﺗﺎﺑﻊ tﻧﺒﺎﺷﺪ ﺳﻴﮕﻨﺎل اﻳﺴﺘﺎ اﺳﺖ
ﺳﻴﮕﻨﺎل ﺷﺒﻪ اﻳﺴﺘﺎ
ﺳﻴﮕﻨﺎﻟﻬﺎي ﺳﻴﺴﺘﻢ ﻣﺨﻠﻮط ﻣﻌﻴﻦ )ﻧﺎﺷﻲ از ﺳﻴﺴﺘﻢ( و ﺗﺼﺎدﻓﻲ )ﻧﺎﺷﻲ از اﺧﺘﻼل( ﻫﺴﺘﻨﺪ .در اﻳﻨﺠـﺎ ﻧﻤﻴﺘـﻮان ﺷـﺮط
اﻳﺴﺘﺎﻳﻲ را داﺷﺖ ﻟﺬا ﺑﺮاي داﺷﺘﻦ ﻳﻚ ﻗﺎﻟﺐ ﺑﺮاي ﻫﺮ دوﺳـﻴﮕﻨﺎل ،ﺳـﻴﮕﻨﺎل ﺷـﺒﻪ اﻳﺴـﺘﺎ ﺗﻌﺮﻳـﻒ ﻣـﻲ ﺷـﻮد .در اﻳـﻦ
ﺳﻴﮕﻨﺎﻟﻬﺎ:
.1ﻣﻴﺎﻧﮕﻴﻦ و ﺧﻮدﻫﻤﺒﺴﺘﮕﻲ ﺗﺎﺑﻊ زﻣﺎن ﻫﺴﺘﻨﺪ وﻟﻲ ﻛﺮاﻧﺪارﻧﺪ
.2اﻣﺎ اﻧﺘﻈﺎر اﺳﺖ ﻛﻪ ﺗﺎﺑﻊ ﺧﻮد ﻫﻤﺒﺴﺘﮕﻲ ﻣﺠﺎﻧﺒﻲ ﺑﻪ tواﺑﺴﺘﻪ ﻧﺒﺎﺷﺪ RN→R .وﻗﺘﻲ ∞→N
2,59
اﮔﺮ ﺳﻴﮕﻨﺎل ﻣﻌﻴﻦ ﺑﺎﺷﺪ Eﺑﻲ ﺗﺎﺛﻴﺮ اﺳﺖ و ﺳﻴﮕﻨﺎل ﺑﺎﻳﺪ ﻛﺮاﻧﺪار و 2.59ﺗﺎﻣﻴﻦ ﺷـﻮد .در ﻣـﻮرد ﺳـﻴﮕﻨﺎل اﻳﺴـﺘﺎ ﻛـﻪ
ﺷﺮاﻳﻂ ﺗﺎﻣﻴﻦ ﻫﺴﺘﻨﺪ .ﺑﺮاي ﺳﻬﻮﻟﺖ ﻧﮕﺎرش ﻓﺮﻣﻮل ̅ Eﺗﻌﺮﻳﻒ ﻣﻲ ﮔﺮدد
4-2
ﻓﺼﻞ :2ﻣﺮور ﺳﻴﺴﺘﻢ ﺧﻄﻲ-داﻧﺸﮕﺎه ﺷﺎﻫﺪ-ﺳﻌﻴﺪﺳﻴﺪﻃﺒﺎي
) → Rs ( ) Es (t ) s (t
دو ﺳﻴﮕﻨﺎل sو wﺳﻴﮕﻨﺎﻟﻬﺎي jointly quasi stationaryﻫﺴﺘﻨﺪ اﻛﺮ ﻫﺮ دو ﺷـﺒﻪ اﻳﺴـﺘﺎ و ﻛﻮارﻳـﺎﻧﺲ آﻧﻬـﺎ وﺟـﻮد
داﺷﺘﻪ ﺑﺎﺷﺪ
) Rsw ( ) Es (t ) w(t
1-3-2ﻓﻮرﻳﻪ
ﺗﺒﺪﻳﻞ ﻓﻮرﻳﻪ :ﭘﺎﺳﺦ ﺳﻴﺴﺘﻢ LTIﺑﺎ ﭘﺎﺳﺦ ﺿﺮﺑﻪ ) g(kﺑﻪ ورودي u=cos ω tﺑﺮاﺑﺮاﺳﺖ ﺑﺎ
در اﻳﻦ راﺑﻄﻪ Gﭘﺎﺳﺦ ﻓﺮﻛﺎﻧﺴﻲ ﺳﻴﺴﺘﻢ اﺳﺖ ﻛﻪ ﻫﻤﺎن ﺗﺒﺪﻳﻞ ﻓﻮرﻳﻪ ﭘﺎﺳﺦ ﺿﺮﺑﻪ ﺳﻴﺴﺘﻢ ﻣـﻲ ﺑﺎﺷـﺪ .راﺑﻄـﻪ ﺗﺒـﺪﻳﻞ
ﻓﻮرﻳﻪ ﺳﻴﮕﻨﺎل ﮔﺴﺴﺘﻪ DTFTاﻳﻨﮕﻮﻧﻪ ﻧﻮﺷﺘﻪ ﻣﻲ ﺷﻮد
ﺣﺪ ﭘﺎﻳﻴﻦ n=0ﺑﻪ اﻳﻦ ﻣﻌﻨﻲ اﺳﺖ ﻛﻪ ﺳﻴﮕﻨﺎل ﻋﻠﻲ در ﻧﻈﺮ ﮔﺮﻓﺘﻪ ﺷﺪه اﺳﺖ .ﺳﻴﮕﻨﺎل ﻣﺎﻧﻨﺪ gﺗﺒﺪﻳﻞ ﻓﻮرﻳﻪ دارد اﮔﺮ
stableﺑﺎﺷﺪ.
2-3-2ﻫﻤﺒﺴﺘﮕﻲ
ﻫﻤﺒﺴﺘﮕﻲ دوﺳﻴﮕﻨﺎل ﺑﺎ ﻓﺮﻣﻮل زﻳﺮ ﻣﺤﺎﺳﺒﻪ ﻣﻲ ﺷﻮد
Rxy ( ) x(t ) y (t ) dt
ﺑﻪ اﻳﻦ ﺗﺮﺗﻴﺐ ﻫﻤﺒﺴﺘﮕﻲ ﺳﻴﮕﻨﺎل ﻧﻮﻳﺰ ﺳﻔﻴﺪ ) Re(τ)=λ δ(0ﻳﺎ ﺑﻪ ﻋﺒﺎرت دﻳﮕﺮ Re(0)=λوارﻳﺎﻧﺲ ﻧﻮﻳﺰ اﺳﺖ .اﻫﻤﻴﺖ
ﺳﻴﮕﻨﺎل ﻫﻤﺒﺴﺘﮕﻲ اﻳﻦ اﺳﺖ ﻛﻪ ﺷﺮاﻳﻂ ﺗﻌﺮﻳﻒ ﻧﻮﻳﺰ ﺑﺎ λرا ﻣﻴﺴـﺮ ﻣـﻲ ﻛﻨـﺪ .دﻳﮕـﺮ ﻛـﺎرﻳﺮد آن ﺗﻌﻴـﻴﻦ ﺗﺸـﺎﺑﻪ ﺑـﻴﻦ
دوﺳﻴﮕﻨﺎل اﺳﺖ
ﻣﺜﺎل :2ﻫﻤﺒﺴﺘﮕﻲ ﺑﻴﻦ ﺳﻴﮕﻨﺎﻟﻬﺎي ﻳﻚ ﺳﻴﺴﺘﻢ اﻳﻨﮕﻮﻧﻪ ﻣﺤﺎﺳﺒﻪ ﻣﻲ ﺷﻮد ) eو uﻣﺴﺘﻘﻞ ﻫﺴﺘﻨﺪ(
5-2
ﻓﺼﻞ :2ﻣﺮور ﺳﻴﺴﺘﻢ ﺧﻄﻲ-داﻧﺸﮕﺎه ﺷﺎﻫﺪ-ﺳﻌﻴﺪﺳﻴﺪﻃﺒﺎي
3-3-2ﻃﻴﻒ
ﻃﻴﻒ :ﻃﻴﻒ xﻓﻮرﻳﻪ ﺗﺎﺑﻊ ﺧﻮد ﻫﻤﺒﺴﺘﮕﻲ آن Rاست.
در ﺣﺎﻟﻴﻜﻪ xﺣﻘﻴﻘﻲ اﺳﺖ xyدر ﺣﺎﻟﺖ ﻛﻠﻲ ﻛﻤﭙﻠﻜﺲ اﺳﺖ ﺑﻪ ﻗﺴـﻤﺖ ﺣﻘﻴﻘـﻲ آن co-specrrumو ﺑـﻪ ﺑﺨـﺶ
ﻣﻮﻫﻮﻣﻲ آن quadrature spectrumﻣﻲ ﮔﻮﻳﻨﺪ.
ﻃﻴﻒ ﺳﻴﮕﻨﺎل ﭘﺮﻳﻮدﻳﻚ:
ﺧﻮد ﻫﻤﺒﺴﺘﮕﻲ ﺳﻴﮕﻨﺎل ﭘﺮﻳﻮدﻳﻚ ،ﭘﺮﻳﻮدﻳﻚ اﺳﺖ و ﻃﻴﻒ ﺳﻴﮕﻨﺎل ﭘﺮﻳﻮدﻳﻚ ﺷﺎﻣﻞ دﻧﺒﺎﻟﻪ ﺿﺮﺑﻪ اﺳﺖ در ﻧﺘﻴﺠﻪ
1 M
Es (t ) s (t ) Rs ( ) ) s (t ) s (t ) Rs ( kM ) Rs (
M 1
ﺑﻪ اﻳﻦ ﻣﻌﻨﻲ ﻛﻪ ﻫﺮ ﺳﻴﮕﻨﺎل ﭘﺮﻳﻮدﻳﻚ را ﺑﺎ ﺳﺮي ﻓﻮرﻳﻪ ﺑﻪ ﻣﺠﻤﻮﻋﻪ ﺳﻴﻨﻮس ﻣـﻲ ﺗـﻮان ﺗﻴـﺪﻳﻞ ﻛـﺮد ﻛـﻪ ﻃﻴـﻒ ﻫـﺮ
ﺳﻴﻨﻮس ﺷﺎﻣﻞ دو ﺿﺮﺑﻪ اﺳﺖ
6-2
ﻓﺼﻞ :2ﻣﺮور ﺳﻴﺴﺘﻢ ﺧﻄﻲ-داﻧﺸﮕﺎه ﺷﺎﻫﺪ-ﺳﻌﻴﺪﺳﻴﺪﻃﺒﺎي
M 1
s ( ) Rs ( )e j Rs ( lm)e j e jlm sP ( ) e jlM
0
اﺳﺖ .ﻛﻪ Mﭘﺮﻳﻮداﺳﺖ. ﻧﺘﻴﺠﻪ اﻳﻨﻜﻪ ﻃﻴﻒ ﺳﻴﮕﻨﺎل ﭘﺮﻳﻮدﻳﻚ ﺑﺼﻮرت ﺿﺮﺑﻪ ﻫﺎﻳﻲ ﺑﺎ داﻣﻨﻪ
ﻣﺜﺎل :3ﻣﺜﺎل :ﻃﻴﻒ ﺳﻴﻨﻮس :ﺳﻴﻨﻮس ﭘﺮﻳﻮدﻳﻚ اﺳﺖ و ﻃﻴﻒ آن ﺷﺎﻣﻞ دو ﺿﺮﺑﻪ اﺳﺖ
ﻣﺜﺎل :4ﻣﺜﺎل :ﻃﻴﻒ ﺟﻤﻊ دو ﺳﻴﮕﻨﺎل ﻏﻴﺮ واﺑﺴﺘﻪ :ﺳﻴﮕﻨﺎل ) s(t)=u(t)+v(tﺑﺎ ورودﻳﻬﺎﻳﻲ ﺑـﺎ ﻣﻴـﺎﻧﮕﻴﻦ ﺻـﻔﺮ و
ﻃﻴﻔﻬﺎي uو vرا در ﻧﻈﺮ ﺑﮕﻴﺮﻳﺪ .ﻃﻴﻒ sﺑﺮاﺑﺮ اﺳﺖ ﺑﺎ
ﻣﺜﺎل Es (t ) s (t ) Eu (t )u (t ) Ev (t )v (t ) Ru ( ) Rv( ) :5
ﺑﺪﺳﺖ ﻣﻲ آﻳﺪ. و ﻃﻴﻒ ﻛﻪ ﻣﻴﺎﻧﮕﻴﻦ
ﻣﺜﺎل :6ﻣﺜﺎل :ﻃﻴﻒ ﺳﻴﮕﻨﺎﻟﻲ ﻛﻪ ﻛﻮارﻳﺎﻧﺲ آن داده ﺷﺪه ﺑﺎﺷﺪ اﻳﻨﮕﻮﻧﻪ ﻣﺤﺎﺳﺒﻪ ﻣﻲ ﺷﻮد.
)uy(ejω)=H(ejω)u(ejω
اﻳﻦ ﻧﺘﻴﺠﻪ ﺑﺮاي ﺳﻴﺴﺘﻢ v=Heﻛﻪ eﻧﻮﻳﺰ ﺳﻔﻴﺪ ﺑﺎ اﻧﺤﺮاف ﻣﻌﻴﺎر اﺳﺖ ﺑﺪﺳﺖ ﻣﻲ آﻳﺪ.
v ( ) e j . h( k )h( k ) ) h( k )e j k h( k )e j ( k
k max(0, ) k max(0, )
2
) v ( ) H (e j
) vu ( ) G (e j ) u (
ﻣﺜﺎل :7ﻣﺜﺎل :ﻃﻴﻒ ﺑﺮاي ﺳﻴﺴﺘﻢ ) y(t)-ay(t-1)+e(tﺑﺎ eﺳﻔﻴﺪ و وارﻳﺎﻧﺲ 2ﺑﺮاﺑﺮ اﺳﺖ ﺑﺎ
در ﻣﺜﺎل دﻳﮕﺮ ﺷﻜﻞ ﻃﻴﻒ ﺳﻴﮕﻨﺎل ) v=1.5v(t-1)-0.7v(t-2) +e(t)+0.5e(t-1را ﻧﺸﺎن ﻣﻲ دﻫﺪ.
8-2
ﻓﺼﻞ :2ﻣﺮور ﺳﻴﺴﺘﻢ ﺧﻄﻲ-داﻧﺸﮕﺎه ﺷﺎﻫﺪ-ﺳﻌﻴﺪﺳﻴﺪﻃﺒﺎي
ﺗﻌﻴﻴﻦ ﺗﺎﺑﻊ Hاز ﻃﻴﻒ ﺧﺮوﺟﻲ Spectral Factorization
ﭘﺎﺳﺦ ﺑﻪ اﻳﻦ ﺳﻮال ﻛـﻪ آﻳـﺎ ﻣـﻲ ﺗـﻮان از ﻃﻴـﻒ ﺑـﻪ ﻣـﺪل ﭘـﻲ ﺑـﺮد در ﻓﺼـﻮل ﺑﻌـﺪ داده ﻣـﻲ ﺷـﻮد .ﺑـﺮاي ﺳﻴﺴـﺘﻢ
) v(t)=H(q)e(tوﻗﺘﻲ ﻃﻴﻒ ﻧﻮﻳﺰ ﻓﻴﻠﺘﺮ ﺷﺪه ) ϕv(ωدر دﺳﺘﺮس اﺳﺖ و eﻧﻮﻳﺰ ﺳـﻔﻴﺪ ﺑـﺎ اﻧﺤـﺮاف ﻣﻌﻴـﺎر اﺳـﺖ
و ﺗﺎﺑﻌﻲ از eiwﺑﺎﺷﺪ ﻣﻲ ﺗﻮاﻧﺪ ) H(zرا ﭘﻴﺪا ﻛﺮد ﻛﻪ Monicاﺳﺖ و ﻗﻄﺐ و ﻧﺸﺎن داده ﻣﻲ ﺷﻮد ﻛﻪ اﮔﺮ
ﺻﻔﺮي روي داﻳﺮه واﺣﺪ ﻧﺪاﺷﺘﻪ و در راﺑﻄﻪ زﻳﺮ ﺻﺪق ﻣﻲ ﻛﻨﺪ.
ﻃﻴﻒ ﻓﻘﻂ certain aspectsﺳﻴﮕﻨﺎل را ﺗﺸﺮﻳﺢ ﻣﻲ ﻛﻨﺪ ﺑﻪ ﻋﺒـﺎرﺗﻲ ﺣـﺎوي second-order propertiesﺳـﻴﮕﻨﺎل
اﺳﺖ .ﻣﻌﺬﻟﻚ روﺷﻦ ﻣﻲ ﺷﻮد ﻛﻪ ﺷﻨﺎﺳﺎﻳﻲ )ﺳﻴﺴﺘﻢ ﺧﻄﻲ( ﻧﻴﺰ ﺑﻪ ﻫﻤﻴﻦ اﻃﻼﻋﺎت ﻧﻴﺎز دارد )ﻃﻴﻒ اﻃﻼﻋﺎت ﻓﺎز ﻣﺪل
را ﻧﺪارد(
1-4-2ﻓﻮرﻳﻪ
ﻓﻮرﻳﻪ ﺳﻴﮕﻨﺎل ﻃﻮل ﻣﺤﺪود :در ﻋﻤﻞ ﻣﺎ ﻓﻘﻂ ﻣﻴﺘﻮاﻧﻴﻢ ﺑﺎ ﺳﻴﮕﻨﺎل ﻃﻮل ﻣﺤﺪود ﻛﺎر ﻛﻨﻴﻢ اﻳﻦ ﻣﻨﺠﺮ ﺑﻪ ﺗﻌﺎرﻳﻒ زﻳﺮ
ﻣﻲ ﺷﻮد.
ﻣﻀﺎﻓﺎ اﻳﻨﻜﻪ ﭼﻮن uﺣﻘﻴﻘﻲ اﺳـﺖ ﺗـﺎﺑﻌﻲ ﻣـﺰدوج ﻛﻪ ﺗﺎﺑﻌﻲ ﭘﻴﻮﺳﺘﻪ ﺑﺎ ﭘﺮﻳﻮد 2πاﺳﺖ
ﻣﺘﻘﺎرن اﺳﺖ
ﺗﻮﺟﻪ :ﻣﺘﻮﺳﻂ ﮔﻴﺮي در اﻳﻨﺠﺎ روي 1/√Nاﻧﺠﺎم ﺷﺪه اﺳﺖ ﻛﻪ در ﻓﺮﻣﻮل اﺻﻠﻲ وﺟﻮد ﻧﺪارد .وﻟـﻲ در IDFTﺿـﺮﻳﺐ
1/Nوﺟﻮد دارد.
DFT
DFTﮔﺴﺴﺘﻪ ﺷﺪه DTFTاﺳﺖ ﻛﻪ در Nﻧﻘﻄﻪ ﻧﻤﻮﻧﻪ ﺑﺮداري ﻣﻲ ﺷﻮد.
9-2
ﻓﺼﻞ :2ﻣﺮور ﺳﻴﺴﺘﻢ ﺧﻄﻲ-داﻧﺸﮕﺎه ﺷﺎﻫﺪ-ﺳﻌﻴﺪﺳﻴﺪﻃﺒﺎي
ﻣﺤﺎﺳﺒﻪ ﮔﺴﺴﺘﻪ ﻃﻴﻒ ﺑﺎ دﺳﺘﻮر fftاﻧﺠﺎم ﻣﻲ ﺷﻮد .اﮔﺮ ﻃﻮل دﻳﺘﺎ Nاﺳﺖ ﺣﺪاﻗﻞ ﻧﻘﺎط ﺑﺎﻳﺪ Nﺑﺎﺷﺪ ﺗﺎ ﻃﻴﻒ ﭘﻴﻮﺳﺘﻪ
از ﻃﻴﻒ ﮔﺴﺴﺘﻪ ﻗﺎﺑﻞ ﺑﺎزﺳﺎزي ﺑﺎﺷﺪ.
IDFT
ﻋﻜﺲ ﻓﻮرﻳﻪ ﺳﻴﮕﻨﺎل ﻋﺒﺎرت اﺳﺖ از
Parseval's relationship.
ﭘﺮﻳﻮدوﮔﺮام ﺳﻴﮕﻨﺎل ﭘﺮﻳﻮدﻳﻚ
ﭘﺮﻳﻮدوﮔﺮام ﺳـﻴﮕﻨﺎل ﭘﺮﻳﻮدﻳـﻚ ﺑـﺎ ﻃﻴـﻒ آن ﺑـﻪ ﻧﺤـﻮ ﺧـﻮﺑﻲ ﺗﻄﺒﻴـﻖ دارد .ﻣـﺜﻼ ﭘﺮﻳـﻮدوﮔﺮام ﺳـﻴﻨﻮس
ﺑﺎ ﭘﺮﻳﻮد Nاﻳﻨﮕﻮﻧﻪ ﺑﺪﺳﺖ ﻣﻲ آﻳﺪ )ﻣﺤﺎﺳﺒﻪ (N-DFT
اﻳﻦ ﻧﺘﻴﺠﻪ ﺑﺎ ﻃﻴﻒ ﺗﻄﺒﻴﻖ دارد .ﺷﻜﻞ ﻧﻴﻤﻲ از ﻃﻴﻒ ﺳﻴﮕﻨﺎﻟﻲ ﺑﺎ 3ﻣﻮﻟﻔﻪ ﺳﻴﻨﻮﺳﻲ ﻧﺸﺎن ﻣﻲ دﻫﺪ
در ﺻﻮرﺗﻴﻜﻪ M>Nﻧﻘﻄﻪ DFTﻣﺤﺎﺳﺒﻪ ﺷﻮد ﺑﺤﺎي ﺿﺮﺑﻪ ﺗﺎﺑﻊ sincدﻳﺪه ﻣﻲ ﺷﻮد.
ﻣﺜﺎل :8ﻣﺜﺎل :ﭘﺮﻳﻮدوﮔﺮام ﺳﻴﮕﻨﺎل ﭘﺮﻳﻮدﻳﻚ :Example 2.2ﺳـﻴﮕﻨﺎل ﭘﺮﻳﻮدﻳـﻚ ﺑـﺎ ﻓﺮﻛـﺎﻧﺲ fﻣـﻲ ﺗـﻮان
ﺑﺼﻮرت ﻣﺠﻤﻮع ﺳﻴﻨﻮس ﺑﺎ ﻓﺮﻛﺎﻧﺲ r*fﻧﻮﺷﺖ )ﺳﺮي ﻓﻮرﻳﻪ( .ﺑﻪ اﻳﻦ ﺗﺮﺗﻴﺐ ﭘﺮﻳﻮدوﮔﺮام ﺳﻴﮕﻨﺎل ﭘﺮﻳﻮدﻳﻚ ﻣﺠﻤﻮﻋﻪ
اي از 2rﺿﺮﺑﻪ در ﻓﺮﻛﺎﻧﺴﻬﺎي r/Nاﺳﺖ.
اﻣﺎ ﭘﺮﻳﻮدو ﮔﺮام ﺳﻴﮕﻨﺎل ﺳﻴﺴﺘﻢ ﺗﺼﺎدﻓﻲ erraticاﺳﺖ .ﺑﺮاي ﻣﺜﺎل ﻃﻴﻒ vدر ﺳﻴﺴﺘﻢ
وﻗﺘﻲ eﻧﻮﻳﺰ ﺳﻔﻴﺪ اﺳﺖ ﻣﺘﻨﺎﺳﺐ ﺑﺎ |H|2اﺳﺖ اﻣـﺎ ﭘﺮﻳـﻮدوﮔﺮام آن ﻧـﻮﻳﺰي و erraticاﺳـﺖ .اﻓـﺰاﻳﺶ Nﺑﻬﺒـﻮدي را
ﺣﺎﺻﻞ ﻧﻤﻲ ﻛﻨﺪ .ﺷﻜﻞ اﻳﻦ ﻣﻮﺿﻮع را ﻧﺸﺎن ﻣﻲ دﻫﺪ .دﻟﻴﻞ آن در ﻓﺼﻮل ﺑﻌﺪ ﻣﻄﺮح ﻣﻲ ﺷﻮد.
11-2
ﻓﺼﻞ :2ﻣﺮور ﺳﻴﺴﺘﻢ ﺧﻄﻲ-داﻧﺸﮕﺎه ﺷﺎﻫﺪ-ﺳﻌﻴﺪﺳﻴﺪﻃﺒﺎي
ﺑﺎﺷﺪ ﻛﻪ
;Proof
12-2
ﻓﺼﻞ :2ﻣﺮور ﺳﻴﺴﺘﻢ ﺧﻄﻲ-داﻧﺸﮕﺎه ﺷﺎﻫﺪ-ﺳﻌﻴﺪﺳﻴﺪﻃﺒﺎي
ﺑﺎﻗﻴﻤﺎﻧﺪه اﻳﻦ دو ﺑﺮاﺑﺮ اﺳﺖ ﺑﺎ
ﻛﻪ ﺳﻤﺖ راﺳﺖ راﺑﻄﻪ ﺑﺎ ∞→ Nﺻﻔﺮﻣﻲ ﺷﻮد) .ﺗﺮم اول در ﻧﺘﻴﺠﻪ ﻓﺮض ﺷﺒﻪ اﻳﺴﺘﺎ و ﺗﺮم دوم ﺑﻪ دﻟﻴﻞ ﺿﺮﻳﺐ ( α
13-2
ﻓﺼﻞ :2ﻣﺮور ﺳﻴﺴﺘﻢ ﺧﻄﻲ-داﻧﺸﮕﺎه ﺷﺎﻫﺪ-ﺳﻌﻴﺪﺳﻴﺪﻃﺒﺎي
ﻣﻲ دﻫﺪ .در راﺑﻄﻪ ﺑﺎ ﺳﻴﮕﻨﺎل ﺗﺼﺎدﻓﻲ اﻳﻦ ﺳﻮال ﺑﺎﻗﻲ ﻣﻲ ﻣﺎﻧﺪ ﻛﻪ آﻳـﺎ اﻃﻼﻋـﺎت آﻣـﺎري ﺑﺪﺳـﺖ آﻣـﺪه ﺑـﺮاي ﻓﺮاﻳﻨـﺪ
ﺗﺼﺎدﻓﻲ ﻗﺎﺑﻞ ﻗﺒﻮل اﺳﺖ .اﻳﻦ ﻣﺴﺌﻠﻪ ergodicityاﺳﺖ
Theorem 2.3:ﻓﺮض ﻛﻨﻴﺪ sﻳﻚ ﺳﻴﮕﻨﺎل ﺷﺒﻪ اﻳﺴﺘﺎن ﺑﺎ ) Es(t) = m(tو اﻧﺤﺮاﻓﺎت
ﻛﻪ eﻧﻮﻳﺰ ﺳﻔﻴﺪ ﺑﺎ ﻣﻴﺎﻧﮕﻴﻦ ﺻﻔﺮ و وارﻳﺎﻧﺲ ﻣﻤﻨﺘﻮم ﭼﻬﺎرم ﻣﺤـﺪود ﺑﺎﺷـﺪ و Htﺧـﺎﻧﻮاده اي از ﻓﻴﻠﺘـﺮ ﻫـﺎي ﭘﺎﻳـﺪار
ﻳﻜﻨﻮاﺧﺖ ﺑﺎﺷﺪ آﻧﻮﻗﺖ ﺑﺎ اﺣﺘﻤﺎل 1ﺑﺎ ∞→ Nرواﺑﻂ زﻳﺮ ﺑﺪﺳﺖ ﻣﻲ آﻳﺪ.
ﻧﺘﻴﺠﻪ :اﮔﺮ ﺗﺪاﺧﻞ ﻧﺎﺷﻲ از ﻧﻮﻳﺰ ﺳﻔﻴﺪ ﻓﻴﻠﺘﺮ ﺷﺪه ﺑﺎﺷﺪ ،آﻧﻮﻗﺖ ﻣﺸﺨﺼﺎت آﻣﺎري ﺑﺪﺳﺖ آﻣﺪه از ﻳﻚ ﺷـﺒﻴﻪ ﺳـﺎزي در
ﺗﻄﺒﻴﻖ ﻣﻲ ﻛﻨﺪ ﺣﺪ ﺑﺎ
2-6 SUMMARY
ﻣﺪل y=G(q)u+H(q)eﺑﺮاي ﺳﻴﺴﺘﻢ ﻣﻌﺮﻓﻲ ﺷﺪ ﻛﻪ eﻧﻮﻳﺰ ﺳﻔﻴﺪ ﺑﺎ ﻣﻴﺎﻧﮕﻴﻦ ﺻﻔﺮ و وارﻳـﺎﻧﺲ اﺳـﺖ .ﺑـﺮاي اﻳـﻦ
ﺳﻴﺴﺘﻢ ﻃﻴﻒ ﺧﺮوﺟﻲ ﺑﺮاﺑﺮ اﺳﺖ ﺑﺎ
14-2
NONPARAMETRIC SI: Impulse and frequency responses ٣
ﺑﺮاﺑﺮاﺳﺖ ﺑﺎ
ﻛﻪ اﮔﺮ ﺳﻄﺢ ﻧﻮﻳﺰ ﻛﻮﭼﻚ ﺑﺎﺷﺪ ،ﺗﺨﻤﻴﻦ ﭘﺎﺳﺦ ﺿﺮﺑﻪ ﺳﻴﺴﺘﻢ ﺑﻪ ﺳﺎدﮔﻲ ﺑﺪﺳﺖ ﻣﻲ آﻳﺪ
) y (t ) v(t ) y (t
= ) g0 (t + = ) g0 (t
α α α
ﻛﻪ ﺧﻄﺎي ﺗﺨﻤﻴﻦ v/αاﺳﺖ .ﺗﺨﻤﻴﻦ ﺑﺼﻮرت ﻧﻤﻮدار ﻳﺎ ﺗﻌﺪاد زﻳﺎدي ﻧﻤﻮﻧﻪ از ﻧﻤﻮدار اﺳﺖ.
ﺑﺮاي ﺗﺨﻤﻴﻦ ﺧﻮب داﻣﻨﻪ αﺑﺎﻳﺪ ﺑﺰرگ ﺑﺎﺷﺪ ﻛﻪ ﺑﻪ دﻻﻳﻞ زﻳﺮ ﻣﻤﻜﻦ ﻧﻴﺴﺖ:
در اﻏﻠﺐ ﻣﻮارد اﻋﻤﺎل ﺿﺮﺑﻪ ﺑﺰرگ ﺑﻪ ﺳﻴﺴﺘﻤﻬﺎي واﻗﻌﻲ ﻣﺠﺎز ﻧﻴﺴﺖ.
داﻣﻨﻪ ﺑﺰرگ ﻣﻤﻜﻦ اﺳﺖ رﻓﺘﺎر ﻏﻴﺮ ﺧﻄﻲ ﺳﻴﺴﺘﻢ را ﺗﺤﺮﻳﻚ ﻛﻨﺪ.
ﻣﺜﺎل .1ﺑﻪ ﺳﻴﺴﺘﻤﻲ ﺗﺤﺖ ﻧﻘﻄﻪ ﻛﺎر uss=0.5ﺿﺮﺑﻪ واﺣﺪ اﻋﻤﺎل ﺷﺪه اﺳﺖ ﭘﺎﺳﺦ ﺿﺮﺑﻪ آﻧﺮا ﺗﺨﻤﻴﻦ ﺑﺰﻧﻴﺪ.
ﺷﻨﺎﺳﺎﻳﻲ ﻏﻴﺮ ﭘﺎراﻣﺘﺮﻳﻚ
t
K −T
= ) g 0 (t e
T
ﻣﻨﻈﻮر از ﺗﺨﻤﻴﻦ ﺑﺪﺳﺖ آوردن ﻓﺮﻣﻮل ﭘﺎﺳﺦ ﺿﺮﺑﻪ ﻧﻴﺴﺖ وﻟﻲ اﮔﺮ ﺳﻴﺴﺘﻢ درﺟﻪ 1ﺑﺎﺷﺪ اﻳﻦ ﻛـﺎر را ﻧﻴـﺰ ﻣـﻲ ﺗـﻮان
اﻧﺠﺎم داد .از ﻣﻴﺎﻧﮕﻴﻦ 11ﻧﻤﻮﻧﻪ ﻣﺎﻧﺪﮔﺎر ﻣﻘﺪار ﻧﻬﺎﻳﻲ را ﻣﺤﺎﺳﺒﻪ ﺗﺎ Kﺗﺨﻤﻴﻦ زده ﺷﻮد.
ﻣﺪل ﺑﺪﺳﺖ آﻣﺪه ﺑﺎﻳﺪ در ﭘﺎﺳﺦ ﺑﻌﺪي ﻓﻴﺖ ﺷﻮد وﮔﺮﻧﻪ ﻣﺪل ﻣﻌﺘﺒﺮ ﻧﻴﺴﺖ.
2-3
ﺷﻨﺎﺳﺎﻳﻲ ﻏﻴﺮ ﭘﺎراﻣﺘﺮﻳﻚ
ﻛﻪ ) go(kرا اﻳﻨﮕﻮﻧﻪ ﻣﻲ ﺗﻮان ﺗﺨﻤﻴﻦ زد
ﺑﺪﺳﺖ ﻣﻲ آﻳﺪ
و ﺳﭙﺲ از ﻫﻤﺒﺴﺘﮕﻲ ﻣﺘﻘﺎﺑﻞ yو uﭘﺎﺳﺦ ﺿﺮﺑﻪ ﺑﻪ ﻃﻮل Mﺗﺨﻤﻴﻦ زده ﺷﻮد
3-3
ﺷﻨﺎﺳﺎﻳﻲ ﻏﻴﺮ ﭘﺎراﻣﺘﺮﻳﻚ
در ﺻﻮرت اﻣﻜﺎن ورودﻳﻲ اﻧﺘﺨﺎب ﺷﻮد ﻛﻪ ﻣﺤﺎﺳﺒﺎت ﻓﻮق ﺳﺎده ﺗﺮ ﺷﻮد.
وﺳﺎﻳﻞ ﺑﺮاي اﻋﻤﺎل ورودي و ﺗﺨﻤﻴﻦ ﭘﺎﺳﺦ ﺿﺮﺑﻪ ﺑﻪ اﻳﻦ روش ﺑﺼﻮرت ﺗﺠﺎري وﺟﻮد دارد.
روش :2درﻧﻈﺮ ﮔﺮﻓﺘﻦ ﺳﻴﺴﺘﻢ ﺑﺼﻮرت ﻓﻴﻠﺘﺮ FIRﺑﺎ درﺟﻪ ﻣﺤﺪود nو curve fittingﺑﻪ روش Least squares
روش :3ﻋﺒﻮر دادن ورودي و ﺧﺮوﺟﻲ از ﻓﻴﻠﺘﺮي ﻛﻪ ﻣﻮﺟﺐ ﺳﻔﻴﺪ ﺷﺪن ورودي ﺷﻮد و ﺳـﭙﺲ اﺳـﺘﻔﺎده از ﻓﺮﻣـﻮل
ﻣﺮﺑﻮط ﺑﻪ ورودي ﺳﻔﻴﺪ .ﺑﻪ اﻳﻦ روش " "input pre-whiteningﻣﻲ ﮔﻮﻳﻨﺪ
ﻓﺮض ﻛﻨﻴﺪ ﻓﻴﻠﺘﺮ Lﻛﻪ Luرا ﺳﻔﻴﺪ ﻣﻲ ﻛﻨﺪ ﻣﻌﻠﻮم ﺑﺎﺷﺪ .ﻳﻌﻨﻲ
ﻣﻲ ﺗﻮان ﻧﺸﺎن داد ﻛﻪ ﻫﺪف ﺑﺎ ﺣﺪاﻗﻞ ﻛﺮدن راﺑﻄﻪ زﻳﺮ ﻣﺤﻘﻖ ﻣﻲ ﺷـﻮد) .ﻣﺮﺑـﻊ ﺧﻄـﺎي ﺑـﻴﻦ ufو eﺳـﻔﻴﺪ ﺣـﺪاﻗﻞ
ﮔﺮدد(
در اﻳﻨﺼﻮرت
دﺳﺘﻮر cra
اﻳﻦ دﺳﺘﻮر ﺑﺎ اﺳﺘﻔﺎده از روش input pre-whiteningو ﺗﺎﺑﻊ ﻫﻤﺒﺴﺘﮕﻲ ﭘﺎﺳﺦ ﺿﺮﺑﻪ را ﺗﺨﻤﻴﻦ ﻣﻲ زﻧﺪ .ﺑـﻪ دﺳـﺘﻮر
ﻣﻲ ﺗﻮان درﺟﻪ ﻣﻮرد ﻧﻈﺮ ﻓﻴﻠﺘﺮ pre-whiteningرا ﻫﻢ داد.
4-3
ﺷﻨﺎﺳﺎﻳﻲ ﻏﻴﺮ ﭘﺎراﻣﺘﺮﻳﻚ
ﺑﺎ
N=4096, T=1, fs=1Hz
ﺑﺎ دﺳﺘﻮر زﻳﺮ ﭘﺎﺳﺦ ﺿﺮﺑﻪ ﺑﻪ ﻃﻮل Mﺑﺎ روش ﻫﻤﺒﺴﺘﮕﻲ ﺗﺨﻤﻴﻦ زده ﻣﻲ ﺷﻮد
5-3
ﺷﻨﺎﺳﺎﻳﻲ ﻏﻴﺮ ﭘﺎراﻣﺘﺮﻳﻚ
6-3
ﺷﻨﺎﺳﺎﻳﻲ ﻏﻴﺮ ﭘﺎراﻣﺘﺮﻳﻚ
ﻛﻪ Go(eiw):ﭘﺎﺳﺦ ﻓﺮﻛﺎﻧﺴﻲ اﺳﺖ .اﻣﺎ وﻗﺘﻲ ﺧﺮوﺟﻲ در ﻣﻌﺮض ﻧﻮﻳﺰ ﺑﺎﺷﺪ داﻣﻨﻪ ﺧﺮوﺟﻲ و ﺑﻪ ﺗﺒﻊ آن ﻧﻤﻮدار ﭘﺎﺳـﺦ
ﻓﺮﻛﺎﻧﺴﻲ ﻣﻌﺘﺒﺮ ﻧﻴﺴﺖ .ﺧﺮوﺟﻲ ﺑﺮ ﺣﺴﺐ ورودي در ﺣﺎﻟﺖ ﻧﻮﻳﺰي و ﺑﺪون ﻧﻮﻳﺰ در ﺷﻜﻞ ﻧﺸﺎن داده ﺷﺪه اﺳﺖ
ﺑﺎ ﻣﻌﻠﻮم ﺑﻮدن ﺳﻴﮕﻨﺎل ورودي دو ﺗﺎﺑﻊ ﻫﻤﺒﺴـﺘﮕﻲ زﻳـﺮ را ﺣﺴـﺎب ﻣـﻲ ﻛﻨـﻴﻢ )ﻫﻤﺒﺴـﺘﮕﻲ ﺧﺮوﺟـﻲ ﺑـﺎ ﺳـﻴﻨﻮس و
ﻛﺴﻴﻨﻮس(
7-3
ﺷﻨﺎﺳﺎﻳﻲ ﻏﻴﺮ ﭘﺎراﻣﺘﺮﻳﻚ
ﻣﻲ ﺷﻮد ﻛﻪ ﺟﻤﻠﻪ دوم ﺑﺎ ∞→ Nو ﺟﻤﻠﻪ ﺳﻮم وﻗﺘﻲ vﻣﺴﺘﻘﻞ از ورودي )ﻣﻮﻟﻔﻪ ﻓﺮﻛﺎﻧﺲ ωﻧﺪاﺷﺘﻪ ﺑﺎﺷﺪ( ﺻﻔﺮ ﻣـﻲ
ﺷﻮﻧﺪ.
ﺑﻄﻮر ﻣﺸﺎﺑﻪ اﻳﻦ اﻣﺮ ﺑﺮاي
ﺑﺎ ﺗﻜﺮار آزﻣﺎﻳﺶ در ﻓﺮﻛﺎﻧﺴﻬﺎي دﻟﺨﻮاه ﭘﺎﺳﺦ ﻓﺮﻛﺎﻧﺴﻲ در ﻓﺮﻛﺎﻧﺴﻬﺎي ﻣﻮرد ﻧﻈﺮ ﺑﺪﺳـﺖ ﻣـﻲ آﻳـﺪ .اﻳـﻦ ﻛـﺎر را ﺑـﻪ
ﻳﻜﺒﺎره ﺑﺎ اﻋﻤﺎل ﻣﺠﻤﻮﻋﻪ ﻓﺮﻛﺎﻧﺴﻬﺎ ﻧﻴﺰ ﻣﻲ ﺗﻮان اﻧﺠﺎم داد.
ﺗﺠﻬﻴﺰات ﻣﺨﺼﻮص اﻧﺠﺎم اﻳﻦ آزﻣﺎﻳﺶ وﺟﻮد دارﻧﺪ.
اﻳﺮاد اﻳﻦ روش اﻳﻦ اﺳﺖ ﻛﻪ ﻣﻤﻜﻦ اﺳﺖ اﻋﻤﺎل ﺳﻴﮕﻨﺎل ﺳﻴﻨﻮﺳﻲ ﺑﻪ ﺳﻴﺴﺘﻢ درﺣﺎل ﻛﺎر ﻋﺎدي ﻣﺠﺎز ﻧﺒﺎﺷﺪ.
ﺧﻼﺻﻪ
روش ،ﺗﺨﻤﻴﻦ ﺑﺪون ﺑﺎﻳﺎس از ﭘﺎﺳﺦ ﻓﺮﻛﺎﻧﺴﻲ اراﺋﻪ ﻣﻲ دﻫﺪ.
وارﻳﺎﻧﺲ ﺗﺨﻤﻴﻦ ﺑﺎ ﻧﺴﺒﺖ 1/Nاﻓﺖ ﻣﻲ ﻛﻨﺪ.
ﭼﻮن ورودي ﭘﺮﻳﻮدﻳﻚ ﺑﺮاي ﺗﺨﻤﻴﻦ اﺳﺘﻔﺎده ﻣﻲ ﺷﻮد ) RN(ωﺻﻔﺮ اﺳﺖ) .ﺗﺌﻮري (2.1
ورودي ﺳﻴﻨﻮﺳﻲ
وﻗﺘﻲ ورودي ﺳﻴﻨﻮﺳﻲ اﺳﺖ ﺑﻪ ﺳﻬﻮﻟﺖ دﻳﺪه ﻣﻲ ﺷﻮد ﻛﻪ ﻓﻮرﻳﻪ ﺧﺮوﺟﻲ ﻫﻤﺎن ﺗﺨﻤـﻴﻦ ﻃﻴـﻒ ﺑـﻪ روش ﻫﻤﺒﺴـﺘﮕﻲ
اﺳﺖ.
8-3
ﺷﻨﺎﺳﺎﻳﻲ ﻏﻴﺮ ﭘﺎراﻣﺘﺮﻳﻚ
ﺑﺪﺳﺖ ﻣﻲ آﻳﺪ
ﻛﻪ ﺑﻪ آن ) empirical transfer-function estimate (ETFEﮔﻔﺘﻪ ﻣﻲ ﺷﻮد .راﺑﻄﻪ ﻓﻮق ﺑﺮاي ﻓﺮﻛﺎﻧﺴـﻬﺎﻳﻲ ﻗﺎﺑـﻞ
اﺳﺘﻔﺎده اﺳﺖ ﻛﻪ ﺑﺮاي آﻧﻬﺎ UN(ω)#0ﺑﺎﺷﺪ در ﻏﻴﺮ اﻳﻨﺼﻮرت در ﻓﺮﻛﺎﻧﺴﻬﺎﻳﻲ ﻛﻪ ورودي ﺻﻔﺮ اﺳﺖ ﭘﺎﺳـﺦ ﻓﺮﻛﺎﻧﺴـﻲ
undefinedاﺳﺖ .داﺷﺘﻦ ﻣﻮﻟﻔﻪ در ﻳﻚ ﻓﺮﻛﺎﻧﺲ ﺑﻪ ﻓﺮﻛﺎﻧﺲ دﻳﮕﺮ ﻛﻤﻚ ﻧﻤﻲ ﻛﻨﺪ زﻳﺮا در ﺳﻴﺴﺘﻢ ﺧﻄﻲ ﻫﺮ ﻓﺮﻛﺎﻧﺲ
ﻣﺴﻴﺮ ﻣﺴﺘﻘﻞ ﺧﻮد را ﻣﻲ رود.
اﮔﺮ ﻃﻮل دﻳﺘﺎ Nﺑﺎﺷﺪ ﻃﻴﻒ Nﻣﻮﻟﻔﻪ دارد ﻛﻪ ﺑﻪ دﻟﻴﻞ ﺗﻘﺎرن در ﻃﻴﻒ N/2ﻣﻮﻟﻔﻪ ;ﻛﺎﻓﻲ اﺳﺖ ﻣﺤﺎﺳﺒﻪ ﺷﻮد.
ﻛﻪ ﺗﺤﺖ ﺗﺎﺛﻴﺮ اﺧﺘﻼل اﻳﺴﺘﺎ ) v(tﺑﺎ ﻃﻴﻒ ) ϕv(ωو ﺗﺎﺑﻊ ﻫﻤﺒﺴﺘﮕﻲ ) Rv(tﻛﻪ
9-3
ﺷﻨﺎﺳﺎﻳﻲ ﻏﻴﺮ ﭘﺎراﻣﺘﺮﻳﻚ
اﻓﺖ ﻣﻲ ﻛﻨﺪ ﺑﻪ اﻳﻦ ﺗﺮﺗﻴﺐ ﺗﺨﻤﻴﻦ ﺑﺎ ورودي ﻏﻴﺮ ﭘﺮﻳﻮدﻳﻚ ﺑﺎﻳﺎس دارد ﻛﻪ ﺑﺎ رﻳﺘﻢ
ورودي ﭘﺮﻳﻮدﻳﻚ
و در ﻧﺘﻴﺠـﻪ C1=0. در ﻓﺮﻛﺎﻧﺴـﻬﺎي اﮔﺮ ) u(tﭘﺮﻳﻮدﻳﻚ ﺑﺎﺷﺪ ﻃﺒﻖ ﺗﺌﻮري ،2.1آﻧﻮﻗﺖ
ﺑﺮاي Nﻣﺤـﺪود اﺳﺖ .ﺑﻪ اﻳﻦ ﻣﻌﻨﻲ ﻛﻪ وﻗﺘﻲ ورودي ﭘﺮﻳﻮدﻳﻚ اﺳﺖ ﺑﺎﻳﺎس ﺗﺨﻤﻴﻦ در ﻓﺮﻛﺎﻧﺴﻬﺎي
ﻧﻴﺰ ﺻﻔﺮ اﺳﺖ.
وارﻳﺎﻧﺲ ﺗﺨﻤﻴﻦ
ﻧﺸﺎن داده ﻣﻲ ﺷﻮد ﻛﻪ وارﻳﺎﻧﺲ ﺗﺨﻤﻴﻦ ﺑﺮاﺑﺮ اﺳﺖ ﺑﺎ
ﺑﺮاي ورودي ﭘﺮﻳﻮدﻳﻚ C1=0در ﻧﻈﺮ ﺑﮕﻴﺮﻳﻴﺪ N .ﺗﻌﺪاد ﻧﻤﻮﻧﻪ ﻫﺎ و 2π K/Nﻓﺮﻛﺎﻧﺴﻬﺎي DFTاﺳـﺖ .راﺑﻄـﻪ ﻧﺸـﺎن
ﻣﻲ دﻫﺪ وارﻳﺎﻧﺲ ﺗﺨﻤﻴﻦ در اﻳﻦ ﻓﺮﻛﺎﻧﺴﻬﺎ و ﺑﻴﻦ ﻓﺮﻛﺎﻧﺴﻲ ﻣﺘﻔﺎوت اﺳﺖ
وارﻳﺎﻧﺲ ﺗﺨﻤﻴﻦ
10-3
ﺷﻨﺎﺳﺎﻳﻲ ﻏﻴﺮ ﭘﺎراﻣﺘﺮﻳﻚ
ﺧﻼﺻﻪ
روش :1ورودي ﭘﺮﻳﻮدﻳﻚ
راه ﻣﻨﺎﺳﺐ ﺗﺨﻤﻴﻦ ﻃﻴﻒ اﻋﻤﺎل ﺳﻴﮕﻨﺎل ﺳﻴﻨﻮﺳﻲ ﻓﺮﻛﺎﻧﺲ ﺑﻪ ﻓﺮﻛﺎﻧﺲ اﺳﺖ ﻛﻪ وﻗﺖ ﮔﻴﺮ اﺳﺖ .در ﻋﻮض ﻣـﻲ ﺗـﻮان
ﺳﻴﮕﻨﺎل ﺗﺮﻛﻴﺒﻲ از ﻓﺮﻛﺎﻧﺴﻬﺎي ﻣﻮرد ﻋﻼﻗﻪ را ﻫﻤﺰﻣﺎن ﺑﻪ ﺳﻴﺴﺘﻢ اﻋﻤﺎل و ﻃﻴﻒ را ﺗﺨﻤﻴﻦ زد.
ﻓﻘﻂ در ﻓﺮﻛﺎﻧﺴﻬﺎﻳﻲ ﻛﻪ ورودي از اﻧﻬﺎ ﺗﺸﻜﻴﻞ ﻳﺎﻓﺘﻪ اﺳﺖ داده ﻣﻲ ﺷﻮد ﻣﻘﺪار
ﺑﺎ ورودي ﭘﺮﻳﻮدﻳﻚ ρ1در آن ﻓﺮﻛﺎﻧﺴﻬﺎ ﺻﻔﺮ و ﺑﺎﻳﺎس ﻧﻴﺰ ﺻﻔﺮ اﺳﺖ
در ﻣﺨﺮج اﺳﺖ ﻛﻪ در ﺣﺎﻟﺖ ورودي ﭘﺮﻳﻮدﻳﻚ ﻣﺘﻨﺎﺳﺐ ﺑﺎ Nاﺳﺖ .ﺑﻨﺎﺑﺮاﻳﻦ ﺑﺎ در راﺑﻄﻪ وارﻳﺎﻧﺲ ﺗﺨﻤﻴﻦ،
اﻓﺰاﻳﺶ Nوارﻳﺎﻧﺲ ﺗﺨﻤﻴﻦ ﺑﻪ ﺳﻤﺖ ﺻﻔﺮ ﻣﻲ رود1/N .
دﻟﻴﻞ اﻳﻨﻜﻪ ﺑﺎ ورودي ﺗﺼﺎدﻓﻲ وارﻳﺎﻧﺲ ﺗﺨﻤﻴﻦ ﻛﺎﻫﺶ ﻧﻤﻲ ﻳﺎﺑﺪ از اﻳﻨﻘﺮار اﺳﺖ ﻛﻪ ﺗﺨﻤﻴﻦ در ﻓﺮﻛﺎﻧﺴﻬﺎي ﻣﺨﺘﻠﻒ
از ﻳﻜﺪﻳﮕﺮ asymptotically uncorrelatedﻫﺴﺘﻨﺪ و اﻃﻼﻋﺎت در ﻓﺮﻛﺎﻧﺴﻬﺎي ﻣﺨﺘﻠﻒ ﻛﻤﻜﻲ ﺑﻪ ﺗﺨﻤﻴﻦ در دﻳﮕﺮ
ﻓﺮﻛﺎﻧﺴﻬﺎ ﻧﻤﻲ ﻛﻨﺪ .اﻳﻦ ﻣﺸﻜﻞ ﺑﺎ ﻫﻤﻮار ﺳﺎزي ﻣﺮﺗﻔﻊ ﻣﻲ ﺷﻮد ﻛﻪ در ﺑﺨﺶ ﺑﻌﺪ ﺑﺤﺚ ﻣﻲ ﮔﺮدد
ﻣﺜﺎل .4ﻣﺜﺎل
.و N = 10000اﺳﺖ .ﺳﻴﺴﺘﻢ ﻳﻚ ﺑﺎر ﺑﺎ ﺗﺮﻛﻴﺐ ﺳﻴﻨﻮﺳﻲ ﻫﺎ و ﺗﻮان 0.5 ﻛﻪ وارﻳﺎﻧﺲ e
11-3
ﺷﻨﺎﺳﺎﻳﻲ ﻏﻴﺮ ﭘﺎراﻣﺘﺮﻳﻚ
و ﻳﻚ ﺑﺎر ﺑﺎ ﻧﻮﻳﺰي ﺑﺎ ﻫﻤﻴﻦ ﺗﻮان ﺗﺤﺮﻳﻚ ﻣﻲ ﺷﻮد
دﻳﺪه ﻣﻲ ﺷﻮد ﻛﻪ درﺣﺎﻟﺖ ﺑﺎ ورودي ﭼﻨﺪ ﺳﻴﻨﻮﺳﻲ ،ﺗﺨﻤﻴﻦ ﻃﻴـﻒ در 30ﻓﺮﻛـﺎﻧﺲ ورودي روي ﻃﻴـﻒ واﻗﻌـﻲ ﻗـﺮار
ﮔﺮﻓﺘﻪ اﺳﺖ
وﻟﻲ در ﺣﺎﻟﺖ ورودي ﻧﻮﻳﺰي وارﻳﺎﻧﺲ ﺟﺎﻟﺐ ﻧﻴﺴﺖ ﻛﻪ در ﻧﻤﻮدار زﻳﺮ ﻧﺸﺎن داده ﺷﺪه اﺳﺖ
ﭘﺎﺳﺦ ﻗﺒﻼ داده ﺷﺪ ﻛﻪ در ﺣﺎﻟﺖ ورودي ﭘﺮﻳﻮدﻳﻚ وارﻳﺎﻧﺲ ﺗﺨﻤﻴﻦ ﺑﺎ 1/Nاﻓﺖ ﻣﻲ ﻛﻨﺪ
و در ﻧﺘﻴﺠﻪ
ﻛﻪ ﺑﺎ 1/Nاﻓﺖ ﻣﻲ ﻛﻨﺪ .ﺑﺮاي روﺷﻦ ﺷﺪن ﺑﻪ ﻃﻴﻒ ﺳﻴﮕﻨﺎل ورودي دﻗﺖ ﻛﻨﻴﺪ
12-3
ﺷﻨﺎﺳﺎﻳﻲ ﻏﻴﺮ ﭘﺎراﻣﺘﺮﻳﻚ
13-3
ﺷﻨﺎﺳﺎﻳﻲ ﻏﻴﺮ ﭘﺎراﻣﺘﺮﻳﻚ
در ﻣﻴﺎﻧﮕﻴﻦ ﮔﻴﺮي ﻣﺤﻠﻲ زﻳﺮ ،ﻃﻴﻒ در ﻧﺴﺒﺖ ﺳﻴﮕﻨﺎل ﺑﻪ ﻧﻮﻳﺰ ﻧﻴﺰ ﺿﺮب ﮔﺮدﻳﺪه ﺗﺎ ﻋـﺪم ﻳﻜﻨـﻮاﺧﺘﻲ اﺣﺘﻤـﺎﻟﻲ ﻃﻴـﻒ
اﺧﺘﻼل ورودي ﻧﻴﺰ ﻟﺤﺎظ ﮔﺮدد
14-3
ﺷﻨﺎﺳﺎﻳﻲ ﻏﻴﺮ ﭘﺎراﻣﺘﺮﻳﻚ
اﮔﺮ G0ﺣﻮل ω0ﺧﻮد ﻫﻤﻮار ﻧﺒﺎﺷﺪ ﻣﻨﺎﺳﺐ اﺳﺖ ﺗﺎﺑﻊ وزن دﻫﻨﺪه ) Wγ(ω0اﺳﺘﻔﺎده ﺷﻮد
γﭘﺎراﻣﺘﺮ ﻣﺸﺨﺼﻪ ﺗﺎﺑﻊ ' "shape parameter:اﺳﺖ .ﺷﻜﻞ ﻧﻤﻮﻧﻪ اي از اﻳﻦ ﺗﺎﺑﻊ را ﻧﺸﺎن ﻣﻲ دﻫﺪ.
ﻛﻪ ﻓﺮﻛﺎﻧﺴﻬﺎي ﺣﻮل ω0ﺑﻄﻮر ﻣﺴﺎوي اﻟﻮزن ﻣﺸﺎرﻛﺖ داده ﻣﻲ ﺷﻮﻧﺪ وﻟﻲ ﻣﻌﻤﻮﻻ از ﭘﻨﺠﺮه Hammingاﺳﺘﻔﺎده ﻣـﻲ
ﺷﻮد ﻛﻪ ﺷﻜﻞ آن ﺑﺮاي ﺗﻌﺪادي γﻧﺸﺎن داده ﺷﺪه اﺳﺖ.
ﻋﺮض ﭘﻨﺠﺮه ﻛﻪ ﺑﺎ γﺗﻌﻴﻴﻦ ﻣﻲ ﺷﻮد ﺑﺎﻳﺪ ﺑﻪ ﮔﻮﻧﻪ اي ﺑﺎﺷﺪ ﻛﻪ ﺑﻬﻴﻨﻪ ﺑﺎﻳﺎس و وارﻳﺎﻧﺲ ﺗﺨﻤﻴﻦ ﺑﺪﺳﺖ آﻳﺪ.
اﮔﺮ ﭘﻨﺠﺮه ﺧﻴﻠﻲ ﺑﺎرﻳﻚ ﺑﺎﺷﺪ وارﻳﺎﻧﺲ ﻛﺎﻫﺶ ﻧﻤﻲ ﻳﺎﺑﺪ
اﮔﺮ ﭘﻨﺠﺮه ﺧﻴﻠﻲ ﭘﻬﻦ ﺑﺎﺷﺪ ﻣﻨﺠﺮ ﺑﻪ ﺑﺎﻳﺎس و ﺣﺬف دﻳﻨﺎﻣﻴﻚ ﺳﻴﺴﺘﻢ ﻣﻲ ﮔﺮدد
ﺑﻨﺎﺑﺮاﻳﻦ اﻧﺘﺨﺎب γﺑﻪ ) G0( ωوابسته است
اﺳﺘﻔﺎده از ﭘﻨﺠﺮه γ=10و ﻧﺘﻴﺠﻪ ﻧﺎ ﻣﻄﻠﻮب آن
15-3
ﺷﻨﺎﺳﺎﻳﻲ ﻏﻴﺮ ﭘﺎراﻣﺘﺮﻳﻚ
ﻋﻼوه ﺑﺮ ﺳﻌﻲ و ﺧﻄﺎ روش دﻳﮕﺮي ﻧﻴﺰ ﺑﺮاي ﺗﻌﻴﻴﻦ γوﺟﻮد دارد
ﻣﻲ ﺷﻮد راﺑﻄﻪ ﺗﺨﻤﻴﻦ زﻳﺮ ﺑﺪﺳـﺖ ﻣـﻲ ﻛﻪ ﻣﻨﺠﺮ ﺑﻪ ﺧﻨﺜﻲ ﻛﺮدن ﺑﺎ ﻗﺮاردادن
آﻳﺪ.
اﮔﺮ ﻓﺮض ﺗﻐﻴﻴﺮات ﻛﻢ ﻃﻴﻒ ﻧﻮﻳﺰ ﻗﺎﺑﻞ اﻋﻤﺎل ﻧﺒﺎﺷﺪ ﺧﻴﻠﻲ ﺑﻬﺘﺮ اﺳﺖ ﻛﻪ اﺑﺘﺪا ﻃﻴﻒ ﻧـﻮﻳﺰ ﺗﺨﻤـﻴﻦ و ﺳـﭙﺲ ﻃﻴـﻒ
ﺳﻴﺴﺘﻢ ﺗﺨﻤﻴﻦ زده ﺷﻮد.
16-3
ﺷﻨﺎﺳﺎﻳﻲ ﻏﻴﺮ ﭘﺎراﻣﺘﺮﻳﻚ
17-3
ﺷﻨﺎﺳﺎﻳﻲ ﻏﻴﺮ ﭘﺎراﻣﺘﺮﻳﻚ
در اﻳﻦ راﺑﻄﻪ ﭘﺮﻳﻢ و زﮔﻮﻧﺪ ﻣﺸﺘﻖ اول و دوم ﻧﺴﺒﺖ ﺑﻪ ωﻫﺴﺘﻨﺪ و دو ﺟﻤﻠﻪ آﺧﺮ ﺑﻄﻮر ﻣﺠـﺎﻧﺒﻲ ﺑـﺮاي ﭘﻨﺠـﺮه ﻫـﺎي
داده ﺷﺪه ﺻﻔﺮ ﻫﺴﺘﻨﺪ M(γ) .وارﻳﺎﻧﺲ ﭘﻨﺠﺮه اﺳﺖ
ﻧﻴﺰ ﻃﺒﻖ ﺗﻌﺮﻳﻒ ﺑﻪ ﻗﺮار زﻳﺮ اﺳﺖ
Variance:
اﻳﻦ رواﺑﻂ ﺑﺮاي ورودي uﺷﺒﻪ اﻳﺴﺘﺎ و دﻧﺒﺎﻟﻪ ﻧﻮﻳﺰي vاﺳﺖ W̅ .ﻣﺸﺨﺼﻪ ﭘﻨﺠﺮه ﻫﺴﺘﻨﺪ ﻛﻪ ﻗﺒﻼ ﺗﻌﺮﻳﻒ ﺷﺪه اﻧﺪ.
راﺑﻄﻪ ﺗﻘﺮﻳﺒﻲ وارﻳﺎﻧﺲ
ﺑﺮاي وارﻳﺎﻧﺲ راﺑﻄﻪ ﺗﻘﺮﻳﺒﻲ زﻳﺮ ﺑﺎ اﺳﺘﻔﺎده از راﺑﻄﻪ ﺑﺎﻳﺎس از اﻳﻦ ﻗﺮار اﺳﺖ MSE
اﮔﺮ ﭼﻪ ﺑﻪ دﻟﻴﻠﻲ وﺟﻮد ﭘﺎراﻣﺘﺮﻫﺎي ﻣﺠﻬﻮل در ان ﻗﺎﺑﻞ اﺳﺘﻔﺎده ﻧﻴﺴﺖ وﻟﻲ ﻣﻲ ﺗﻮان ﻧﺘﻴﺠﻪ ﮔﺮﻓﺖ ﻛﻪ ﺑـﺎ اﻓـﺰاﻳﺶ N
ﻣﻲ ﺗﻮان ﭘﻨﺠﺮه ﺑﺎرﻳﻚ اﻧﺘﺨﺎب ﻛﺮد.
19-3
ﺷﻨﺎﺳﺎﻳﻲ ﻏﻴﺮ ﭘﺎراﻣﺘﺮﻳﻚ
ﺣﺎل ﻣﻲ ﺗﻮان ﻫﻤﻮار ﺳﺎزي را ﺑﺎ ﺿﺮب ﭘﻨﺠﺮه در ﺗﺎﺑﻊ ﻫﻤﺒﺴﺘﮕﻲ ﺳﻴﮕﻨﺎﻟﻬﺎ در ﻣﻴﺪان زﻣﺎن اﻧﺠﺎم داد اﻳﻨﮕﻮﻧﻪ
در ﺷﻜﻞ زﻳﺮ ﺗﺎﺑﻊ ﻫﻤﺒﺴﺘﮕﻲ ﻣﺘﻘﺎﺑﻞ ﻧﻮﻳﺰي و ﺗﻌﺪادي ﭘﻨﺠﺮه زﻣﺎﻧﻲ ﻧﺸﺎن داده ﺷﺪه اﻧﺪ
وﻗﺘﻲ ورودي ﻧﻮﻳﺰي اﺳﺖ ﺗﺎﺑﻊ ﻫﻤﺒﺴﺘﮕﻲ ﻣﺘﻘﺎﺑﻞ ﺑﻪ ﺻﻔﺮ ﻣﻴﻞ ﻧﻤﻲ ﻛﻨﺪ و ﻃﻴﻒ ﻧﻴﺰ ﻧﻮﻳﺰي ﺧﻮاﻫﺪ ﺑﻮد
ﺣﺎل اﮔﺮ ﺗﺎ زﻣﺎن 100را در ﻧﻈﺮ ﺑﮕﻴﺮﻳﻢ و ﺑﻘﻴﻪ را ﺑﺎ اﻋﻤﺎل ﭘﻨﺠﺮه ﺣﺬف ﻛﻨﻴﻢ γ=100ﻃﻴﻒ زﻳـﺮ ﺗﺨﻤـﻴﻦ زده ﻣـﻲ
ﺷﻮد ﻛﻪ روي ﻃﻴﻒ اﺻﻠﻲ ﻗﺮار ﮔﺮﻓﺘﻪ اﺳﺖ
دﺳﺘﻮرات MATLAB
دﺳﺘﻮر ETFEﻃﻴﻒ را ﺑﺮ اﺳﺎس راﺑﻄﻪ
20-3
ﺷﻨﺎﺳﺎﻳﻲ ﻏﻴﺮ ﭘﺎراﻣﺘﺮﻳﻚ
در ﺗﻌﺪاد ﻧﻘﺎط ﻣﻮرد ﻧﻈﺮ ﺗﺨﻤﻴﻦ ﻣﻴﺰﻧﺪ .اﻣﻜﺎن اﻧﺘﺨﺎب ﻧﻮع ﭘﻨﺠﺮه و ﻋﺮض آن Mوﺟﻮد دارد
دﺳﺘﻮر SPAﻃﻴﻒ را ﺑﺮ اﺳﺎس راﺑﻄﻪ زﻳﺮ ﺗﺨﻤﻴﻦ ﻣﻲ زﻧﺪ
در اﻳﻨﺠﺎ ﻧﻴﺰ اﻣﻜﺎن اﻧﺘﺨﺎب ﺗﻌﺪاد ﻧﻘﺎط ,ﻋﺮض و ﻧﻮع ﭘﻨﺠﺮه وﺟﻮد دارد
اﻳﻨﻜﻪ روش ﻣﻨﺎﺳﺐ ﭼﻴﺴﺖ ﺑﻪ ﻧﻮع ﻃﻴﻒ ﺑﺴﺘﮕﻲ داردﻣﺜﻼ وﻗﺘﻲ ﻃﻴﻒ ﻗﻠﻪ peakواﺿﺢ دارد ETFEﺑﻬﺘﺮ ﻋﻤﻞ ﻣـﻲ
ﻛﻨﺪ
دﺳﺘﻮر spafdrزﻳﺮﺗﺨﻤﻴﻦ ﻃﻴﻒ ﺑﺎ اﻋﻤﺎل ﭘﻨﺠﺮه واﺑﺴﺘﻪ ﺑﻪ ﻓﺮﻛﺎﻧﺲ را ﻣﻲ ﺗﻮاﻧﺪ اﻧﺠﺎم دﻫﺪ.
)g = spafdr(data
3-3-7 Welch method: Another Way or Smoothing the ETFE
در اﻳﻦ روش دﻳﺘﺎ ﺑﻪ Lﻗﻄﻌﻪ ﻫﻤﭙﻮﺷﺎن ﺑﻪ ﻃﻮل Nﻣﻄﺎﺑﻖ ﺷﻜﻞ ﺗﻘﺴﻴﻢ ﻣﻲ ﮔﺮدد
دﺳﺘﻮر MATLAb
)[Pxx,w] = pwelch (x,window
21-3
ﺷﻨﺎﺳﺎﻳﻲ ﻏﻴﺮ ﭘﺎراﻣﺘﺮﻳﻚ
ﺑﺎ ﻣﻘﺪار آن در ωﺗﻘﺮﻳﺐ زﻳﺮ را ﻣﻲ ﺗﻮان ﻧﻮﺷﺖ در ﺑﺎ ﻟﺤﺎظ ﻛﺮدن ﺗﻘﺮﻳﺐ
و در ﻧﺘﻴﺠﻪ
اﺗﻔﺎق ﻣﻲ اﻓﺘـﺪ ﺑـﻪ ﻫﻤـﻴﻦ ﺗﺮﺗﻴـﺐ ﻫﻤﺎﻧﻄﻮر ﻛﻪ ﺑﺎ ∞→ Nو∞→ γﻃﺒﻖ راﺑﻄﻪ 6.60ﺗﺨﻤﻴﻦ
ﻧﻴﺰ اﺗﻔﺎق ﻣﻲ اﻓﺘﺪ. ﺑﺮاي ﺗﺨﻤﻴﻦ
ﻏﻴﺮ ﻫﻤﺒﺴﺘﻪ اﺳﺖ ﻧﺴﺒﺖ ﺑﻪ ﺿﻤﻨﺎ ﺗﺨﻤﻴﻦ
در ﻓﺮﻛﺎﻧﺴﻲ ﻛﻪ k(ω)=1اﺳﺖ ﺑﻪ اﻳﻦ ﻣﻌﻨﻲ اﺳﺖ ﻛﻪ ارﺗﺒﺎط ﻓﻘﻂ ﺑـﻴﻦ yو uوﺟـﻮد دارد و ﻧـﻮﻳﺰ در آن ﻓﺮﻛـﺎﻧﺲ
ﺗﺪاﺧﻠﻲ ﻧﺪارد.
ﺗﺨﻤﻴﻦ ﻃﻴﻒ ﻧﻮﻳﺰ ﺑﺎ MATLAB
دﺳﺘﻮر spaﻃﻴﻒ ﻧﻮﻳﺰ vرا ﻋﻼوه ﺑﺮ Gﻧﻴﺰ ﺗﺨﻤﻴﻦ ﻣﻴﺰﻧﺪ
22-3
ﺷﻨﺎﺳﺎﻳﻲ ﻏﻴﺮ ﭘﺎراﻣﺘﺮﻳﻚ
3-5 SUMMARY
ETFEﺑﻄﻮر ﻣﺠﺎﻧﺒﻲ ﺑﺪون ﺑﺎﻳﺎس و ﺑﺎ وارﻳﺎﻧﺲ ﻣﺠﺎﻧﺒﻲ زﻳﺮ اﺳﺖ
23-3
4 PREDICTION
ﻛﻪ Lﻫﺎ ﺑﺎﻳﺪ ﺑﻪ ﻧﺤﻮ ﻣﻨﺎﺳﺒﻲ اﻧﺘﺨﺎب ﮔﺮدﻧﺪ .از ﺟﻤﻠﻪ ﻣﻤﻜﻦ اﺳﺖ از ﺣﺪاﻗﻞ ﻛﺮدن ﻣﻌﻴﺎر زﻳﺮ ﺑﺪﺳﺖ آﻳﺪ
ﻛﻪ ﻣﻲ ﻧﻮﻳﺴﻴﻢ
ﺧﻮاﻫﻴﻢ داﺷﺖ
ﻣﻌﻴﺎر ﻣﺤﻘﻖ ﻣﻲ ﺷﻮد ﻛﻪ ﺑﻪ و ﻛﻪ ﻛﻤﺘﺮﻳﻦ ﻣﻘﺪار ﺑﺎ z=0ﺑﺪﺳﺖ ﻣﻲ آﻳﺪ ﻟﺬا ﺑﺎ
ﺗﺨﻤﻴﻨﮕﺮ زﻳﺮ ﻣﻲ اﻧﺠﺎﻣﺪ
ﺗﺨﻤﻴﻨﮕﺮ ، ŷ=H-1Gu+(1-H-1)yﻣﺪﻟﻲ ﻛﻪ ﺧﺮوﺟﻲ ﺳﻴﺴﺘﻢ را ﺑﺮ اﺳﺎس ورودي و ﺧﺮوﺟﻲ ﺗﺒﻴﻴﻦ ﻣﻲ ﻛﻨﺪ ﻣﻬﻤﺘﺮ از
اﻃﻼع از ﻣﺪل ﺳﻴﺴﺘﻢ y=Gu+Heدر ﺷﻨﺎﺳﺎﻳﻲ اﺳﺖ
ﻧﻘﺶ ﻣﺪل ﭘﻴﺶ ﺑﻴﻨﻲ ﻣﻬﻤﺘﺮ از ﻣﺪل ﺳﻴﺴﺘﻢ اﺳﺖ
1-4
ﻓﺼﻞ :2ﻣﺮور ﺳﻴﺴﺘﻢ ﺧﻄﻲ-داﻧﺸﮕﺎه ﺷﺎﻫﺪ-ﺳﻌﻴﺪﺳﻴﺪﻃﺒﺎي
روش دوم
در اﻳﻦ روش اﺑﺘﺪا vﭘﻴﺶ ﺑﻴﻨﻲ و ﺳﭙﺲ ŷﺑﺪﺳﺖ ﻣﻲ آﻳﺪ
ﭘﻴﺶ ﺑﻴﻨﻲ ̂ :vﺑﺮاي اﻳﻦ ﭘﻴﺶ ﺑﻴﻨﻲ راﺑﻄﻪ v=Heﻛﻪ eﻧﻮﻳﺰ ﺳﻔﻴﺪ و h(0)=1اﺳﺖ ﺑﺼﻮرت زﻳﺮ ﻧﻮﺷﺘﻪ ﺷﺪه
ﻣﻲ ﺷﻮد ﺑﺎ ﺟﺎﮔﺬاري e=H-1vدر راﺑﻄﻪ ﻓﻮق ﻓﺮﻣﻮل ﭘﻴﺶ ﺑﻴﻨﻲ ﺑﺪﺳﺖ ﻣﻲ آﻳﺪ
3.15
3.16
or
و ﺑﺮ اﺳﺎس 3.15
2-4
ﻓﺼﻞ :2ﻣﺮور ﺳﻴﺴﺘﻢ ﺧﻄﻲ-داﻧﺸﮕﺎه ﺷﺎﻫﺪ-ﺳﻌﻴﺪﺳﻴﺪﻃﺒﺎي
Then
and the predictor, according to (3.15),
دﻗﺖ ﺷﻮد ﻛﻪ اﻳﻦ ﻳﻚ ﻓﺮﻣﻮل ﺗﻘﺮﻳﺒﻲ اﺳﺖ ﻛﻪ اﻟﺒﺘﻪ در اﻛﺜﺮ ﻣﻮارد ﺟﻮاب ﻗﺎﺑﻞ ﻗﺒﻮل ﻣﻲ دﻫﺪ.
اﻛﺴﭙﻮﻧﺎﻧﺴﻴﻠﻲ ﺑﻪ ﺳﻤﺖ ﺻﻔﺮ ﻣﻲ روﻧﺪ اﻳﻦ از آﻧﺮوﺳﺖ ﻛﻪ دﻧﺒﺎﻟﻪ ﻫﺎي ﻓﻴﻠﺘﺮﻫﺎي ﭘﺎﻳﺪار
در ﺣﺎﻟﺘﻲ ﻛﻪ Gو Hدﻗﻴﻖ ﻫﺴﺘﻨﺪ ﺑﺮاب eﻧﻮﻳﺰ ﺳﻔﻴﺪ ﺑﺪﺳﺖ ﻣﻲ آﻳﺪ ﻛﻪ ﻧﺸﺎن ﻣﻲ دﻫﺪ راﺑﻄﻪ اي ﺑﺎ دﻳﺘﺎ ﻫﺎي ﻗﺪﻳﻤﻲ
ﻧﺪارد .ﺑﻪ اﻳﻦ ﺧﻄﺎ innovationدر زﻣﺎن tﻣﻲ ﮔﻮﻳﻨﺪ.
ﺗﻮﻟﻴﺪ ﻛﻨﺪ ﭘﻴﺶ ﺑﻴﻨﻲ ) k step aheadﺑﺮ اﺳﺎس uﺗﺎ t+kو yﺗﺎ (tرا اﻳﻨﮕﻮﻧﻪ ﻣﻲ ﺗﻮان ﻧﻮﺷﺖ
3-4
ﻓﺼﻞ :2ﻣﺮور ﺳﻴﺴﺘﻢ ﺧﻄﻲ-داﻧﺸﮕﺎه ﺷﺎﻫﺪ-ﺳﻌﻴﺪﺳﻴﺪﻃﺒﺎي
ﻛﻪ ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ در دﺳﺘﺮس ﻧﺒﻮدن ﺟﻤﻠﻪ اول ﺳﻤﺖ راﺳﺖ ﺗﺨﻤﻴﻦ vﺑﺪﺳﺖ ﻣﻲ آﻳﺪ
ﺑﺪﺳﺖ ﻣﻲ آﻳﺪ
ﻣﺜﺎل :3ﻣﺜﺎل :ﺑﺮاي ﺳﻴﺴﺘﻢ زﻳﺮ ﭘﻴﺶ ﺑﻴﻨﻲ 2ﮔﺎم ﺑﻪ ﺟﻠﻮ ﻣﺤﺎﺳﺒﻪ ﻛﻨﻴﺪ
روش :1در اﻳﻨﺼﻮرت ﻣﺪل ﭘﻴﺶ ﺑﻴﻦ :ﺑﺼﻮرت ﺑﺎزﮔﺸﺘﻲ ﺑﺎ ﭘﺎراﻣﺘﺮﻫﺎي ﻣﺤﺪود ﺑﺮاﺑﺮ اﺳﺖ ﺑﺎ:
4-4
ﻓﺼﻞ :2ﻣﺮور ﺳﻴﺴﺘﻢ ﺧﻄﻲ-داﻧﺸﮕﺎه ﺷﺎﻫﺪ-ﺳﻌﻴﺪﺳﻴﺪﻃﺒﺎي
روش :2از ﻃﺮﻓﻲ ﻣﻲ ﺗﻮان از ﻣﺪل زﻳﺮﺑﺎ ﭘﺎراﻣﺘﺮﻫﺎي ﻧﺎ ﻣﺤﺪود ﻧﻴﺰ اﺳﺘﻔﺎده ﻛﺮد
اﮔﺮ دﻳﺘﺎ ﺻﺤﻴﺢ ﺑﺎﺷﺪ ﻧﺘﺎﻳﺞ ﻫﺮ دو ﻣﺪل ﻣﺸﺎﺑﻪ ﻫﺴﺘﻨﺪ .ﻣﻌﺬﻟﻚ اﮔﺮ دﻳﺘﺎ ﺑﺮاي زﻣﺎﻧﻬﺎي s<0ﻣﻮﺟـﻮد ﻧﺒﺎﺷـﺪ روش دو و
اﮔﺮ ﺧﺮوﺟﻲ ﻧﻮﻳﺰي ﺑﺎﺷﺪ روش 1ﻣﻨﺎﺳﺒﺘﺮ اﺳﺖ
ﺑﻨﺎﺑﺮاﻳﻦ اﻧﺘﺨﺎب ﻣﺪل روﻳﺘﮕﺮ ﺑﺮ ﻣﻲ ﮔﺮدد ﺑﻪ اﻧﺘﺨﺎب ﺑﻴﻦ ﺣﺴﺎﺳﻴﺖ ﺑﻪ ﻧﻮﻳﺰ و ﻣﻴﺮا ﺷﺪن ﺧﻄﺎي ﻧﺎﺷﻲ از ﺧﻄﺎ در
ﺷﺮاﻳﻂ اوﻟﻴﻪ
روش ﭘﻴﺶ ﺑﻴﻨﻲ را ﺑﺎ ﺗﻌﺮﻳﻒ ﻓﻴﻠﺘﺮ wﻣﻲ ﺗﻮان ﻓﺮﻣﻮﻟﻪ ﻛﺮد ﺗﺎ ﻫﻤﻪ روﺷﻬﺎ را در ﺑﺮ ﮔﻴﺮد.
4-4ﻓﻴﻠﺘﺮ ﻛﺎﻟﻤﻦ
در ﺷﺮاﻳﻂ ﻣﻔﺮوض ﻓﻴﻠﺘﺮ ﻛﺎﻟﻤﻦ ﺗﺨﻤﻴﻦ ﺑﻬﻴﻨﻪ ﺧﺮوﺟﻲ را ﺑﺮاي ﻣﺪل ﻓﻀﺎي ﺣﺎﻟﺖ را اراﺋﻪ ﻣﻲ دﻫﺪ
ﻛﻪ در ان vو wﻧﻮﻳﺰﻫﺎي ﻣﺴﺘﻘﻞ ﮔﻮﺳﻲ ﺑﺎ ﻣﻴﺎﻧﮕﻴﻦ ﺻﻔﺮ و ﻛﻮارﻳﺎﻧﺴـﻬﺎي R2 ،R1و ﻣﺘﻘﺎﺑـﻞ R12ﻫﺴـﺘﻨﺪ ﺗﺨﻤـﻴﻦ y
اﻳﻨﮕﻮﻧﻪ ﻧﻮﺷﺘﻪ ﻣﻲ ﺷﻮد
5-4
ﻓﺼﻞ :2ﻣﺮور ﺳﻴﺴﺘﻢ ﺧﻄﻲ-داﻧﺸﮕﺎه ﺷﺎﻫﺪ-ﺳﻌﻴﺪﺳﻴﺪﻃﺒﺎي
و ) P̅ (ﻣﺎﺗﺮﻳﺲ ﻛﻮارﻳﺎﻧﺲ ﺧﻄﺎي ﺗﺨﻤﻴﻦ
5-4ﺧﻼﺻﻪ
ﻓﺮﻣﻮل ﭘﻴﺶ ﺑﻴﻨﻲ
ﻛﻪ در ﺣﺎﻟﺖ ﺑﻬﻴﻨﻪ W=H-1اﺳﺖ .در ﺻﻮرت ﻋﺪم اﻃﻼع از Hﺑﺎﻳﺪ ﺑﻪ ﻧﺤﻮي ﺑﺎﺷﺪ ﻛﻪ WGﺳﺮﻳﻌﺎ ﻣﻴﺮا ﺷﻮﻧﺪه و W
ﻧﻮﻳﺰ ﺧﺮوﺟﻲ را ﻓﻴﻠﺘﺮ ﻛﻨﺪ
ﺑﺪﺳﺖ ﻣﻲ آﻳﺪ در ﺣﺎﻟﺖ k-stepﻣﻘﺪار آن از
6-4
5ﻣﺪل ﻫﺎي ﭘﻴﺶ ﺑﻴﻨﻲ
ﻣﺠﻤﻮﻋﻪ ﻣﺪل ﻫﺎي ﭘﻴﺶ ﺑﻴﻨﻲ ﭘﺎراﻣﺘﺮ ﻣﺤﺪود ﺑﺮاي ﺳﻴﺴﺘﻢ ﺧﻄﻲ 1-5
ﻣﺪل ﺳﻴﺴﺘﻢ ﺧﻄﻲ ﻛﻠﻲ
اﺳﺖ ﻛﻪ در آن gﭘﺎﺳﺦ ﺿﺮﺑﻪ ﺳﻴﺴﺘﻢ واﻗﻌﻲ و hﭘﺎﺳﺦ ﺿﺮﺑﻪ ﻣﺪل ﻣﻮﻟﺪ اﺧﺘﻼل اﺳـﺖ ﻛـﻪ ﺑـﺎ eﺗﺤﺮﻳـﻚ ﻣـﻲ ﺷـﻮد.
ﺳﻴﮕﻨﺎﻟﻬﺎي gو hﻣﻌﻤﻮﻻ ﻃﻮل ﺑﻠﻨﺪ و ﺑﻴﻨﻬﺎﻳﺖ ﭘﺎراﻣﺘﺮ دارﻧﺪ .ﺑﺮاي ﺷﺒﻴﻪ ﺳﺎزي g, hو PDFﺳﻴﮕﻨﺎل (fe) eﺑﺎﻳﺪ
ﻣﺸﺨﺺ ﺑﺎﺷﺪ fe .ﻣﻌﻤﻮﻻ ﺗﺼﺎدﻓﻲ اﺳﺖ ﻛﻪ ﺑﺎ ﻣﻴﺎﻧﮕﻴﻦ و وارﻳﺎﻧﺲ آن ﻣﺸﺨﺺ ﻣﻲ ﮔﺮددN(0, λ) .
. اﻳﻦ ﺻﺮﻓﺎ ﻳﻚ ﻣﺪل ﻧﻴﺴﺖ ﺑﻠﻜﻪ ﻣﺠﻤﻮﻋﻪ ﻣﺪﻟﻬﺎ ﺑﺎ ﺳﺎﺧﺘﺎر ﺛﺎﺑﺖ و θﻣﺘﻔﺎوت اﺳﺖ
در ﺣﺎﻟﻴﻜﻪ در ﺷﺒﻴﻪ ﺳﺎزي ﻣﺪل ﺳﻴﺴﺘﻢ eﺑﺮ اﺳﺎس PDFآن ﺗﻮﻟﻴﺪ ﻣﻲ ﮔﺮدد ،در ﻣـﺪل ﻳﺸـﺒﻴﻦ ﺳـﻴﮕﻨﺎل ﺧﺮوﺟـﻲ
)اﺻﻠﻲ +ﻧﻮﻳﺰ+اﺧﺘﻼل( و ورودي )اﺻﻠﻲ +ﻧﻮﻳﺰ( ﻇﺎﻫﺮ ﻣﻲ ﺷﻮد .ﺑﻨﺎ ﺑﺮاﻳﻦ ﻓﺮﻣﻮل ﺻﺮﻓﺎ ﺑﺮ اﺳﺎس ﻣﺸﺎﻫﺪات ﻧﻮﺷـﺘﻪ ﺷـﻮد
ﻛﻪ ﺑﻪ ) fe(x,θواﺑﺴﺘﻪ ﻧﻴﺴﺖ
در اﻏﻠﺐ ﻣﻮارد دﻧﺒﺎﻟﻪ ﻫﺎي ) g(k), (h(kﻃﻮل ﺑﻠﻨﺪ ﻫﺴﺘﻨﺪ ﻛﻪ ﻋﻤﻼ ﻗﺎﺑﻞ اﺳﺘﻔﺎده ﻧﻴﺴﺘﻨﺪ .اﻳﻦ دو ﺑـﻪ ﻧﺎﭼـﺎر ﺑﺎﻳـﺪ ﺑـﺮ
اﺳﺎس دﻧﺒﺎﻟﻪ ﻣﺤﺪود ﻳﺎ ﻛﺴﺮي ﻳﺎ ﻓﻀﺎي ﺣﺎﻟﺖ ﺑﺎ اﺑﻌﺎد ﻣﺤﺪود ﻧﻮﺷﺘﻪ ﺷﻮﻧﺪ.
در ﺣﺎﻟﺖ ﻛﻠﻲ ﻣﺪل ﺟﻌﺒﻪ ﺳﻴﺎه ﺳﻴﺴﺘﻢ ﺧﻄﻲ ﺑﺮاﺑﺮ اﺳﺖ ﺑﺎ
)B (q )C (q
A( q ) y (t ) u (t ) ) e (t
)F (q )D (q
رﮔﺮﺳﻴﻮن ﺧﻄﻲ و ﻏﻴﺮ ﺧﻄﻲ -داﻧﺸﮕﺎه ﺷﺎﻫﺪ-ﺳﻌﻴﺪﺳﻴﺪﻃﺒﺎﻳﻲ
اﺳﺖ ﻛﻪ ﻣﻲ ﺗﻮاﻧﺪ 32ﺳﺎﺧﺘﺎر ﻣﺘﻔﺎوت از آن اﺳﺘﺨﺮاج ﻛﺮد ﻛﻪ 6ﻓﺮﻣﺖ آن ﺑﻴﺸﺘﺮ ﻣﻮرد اﺳﺘﻔﺎده ﻗﺮار ﻣﻲ ﮔﻴﺮﻧﺪ.
FIR A=F=D=1, C=0
ARX F=C=D=1
OE A=C=D=1
ARMAX F=D=1
Box Jenkins A=1
Statespace )x(k)=Ax(k-1)+Bu(k-1
ﺗﺨﻤﻴﻨﮕﺮ اﻳﻦ ﻣﺪل از اﻳﻦ ﻗﺮار اﺳﺖ
)ŷ(t)=θ’ψ(k,θ
2-5
رﮔﺮﺳﻴﻮن ﺧﻄﻲ و ﻏﻴﺮ ﺧﻄﻲ -داﻧﺸﮕﺎه ﺷﺎﻫﺪ-ﺳﻌﻴﺪﺳﻴﺪﻃﺒﺎﻳﻲ
ﻛﻪ در آن
ﺑﺮدار رﮔﺮﺳﻴﻮن ﺣﺎوي دﻳﺘﺎي ﻣﺸﺎﻫﺪه ﺷﺪه و ﺑﺮدار ﭘﺎراﻣﺘﺮﻫﺎي ﻣﺪل اﺳﺖ .ﺧﻄﺎي ﺗﺨﻤﻴﻦ ﺑﺮاﺑﺮ اﺳﺖ ﺑﺎ
FIR 2-2-5
ﻣﺪل FIRاﻳﻨﮕﻮﻧﻪ اﺳﺖ
) y (t ) B ( q )u (t ) e (t
ﻛﻪ ﻣﺪل ﺑﺎ ﭘﺎﺳﺦ ﺿﺮﺑﻪ آن ﻧﻮﺷﺘﻪ ﺷﻮد .اﻳﻦ ﻣﺪل ﻫﻢ رﮔﺮﺳﻴﻮن ﺧﻄﻲ اﺳﺖ )ﺣﺎﻟﺖ ﺧﺎص (ARXو ﺣﺎﻟﺖ ﺧـﺎص OE
اﺳﺖ ،ﺿﻤﻦ اﻳﻨﻜﻪ ﺑﻌﺪا ﻧﺸﺎن داده ﻣﻲ ﺷﻮد ﻛﻪ ﭘﺎراﻣﺘﺮ efficiently estimatedو robust against noiseاﺳﺖ.
ﻣﺘﺎﺳﻔﺎﻧﻪ اﮔﺮ ﺳﻴﺴﺘﻢ واﻗﻌﻲ داراي ﻗﻄﺐ ﻧﺰدﻳﻚ داﻳﺮه واﺣﺪ ﺑﺎﺷﺪ ﻃﻮل ﭘﺎﺳﺦ ﺿﺮﺑﻪ آن ﺑﺰرگ اﺳﺖ و ﺑﻪ ﻫﻤﻴﻦ ﺗﺮﺗﻴﺐ
ﺗﻌﺪاد ﭘﺎراﻣﺘﺮﻫﺎ ﺑﺴﻴﺎر زﻳﺎد و روش ﻏﻴﺮ ﻣﻔﻴﺪ ﻣﻲ ﮔﺮدد
ﺑﻪ دﻟﻴﻞ ﻣﺰﻳﺖ رﮔﺮﺳﻴﻮن ﺧﻄﻲ ﺑﺮاي ﺣﻞ ﻣﺸﻜﻞ ﺗﻌﺪاد ﭘﺎراﻣﺘﺮﻫﺎ ﺗﻜﻨﻴﻚ زﻳﺮ اراﺋﻪ ﻣﻲ ﺷﻮد.
ﻛﻪ در آن
اﺳﺖ α .ﻣﻘﺪار از ﻗﺒﻞ ﻣﻌﻴﻨﻲ دارد ﻛﻪ ﺗﺨﻤﻴﻨﻲ از ﻗﻄﺐ ﻧﺰدﻳﻚ داﻳﺮه واﺣﺪ اﺳﺖ .در ﺣﺎﻟـﺖ ﻛﻠـﻲ از ﭼﻨـﺪ ﺟﻤﻠـﻪ اي
Laguerreﻣﻤﻜﻦ اﺳﺖ اﺳﺘﻔﺎده ﺷﻮد
3-5
رﮔﺮﺳﻴﻮن ﺧﻄﻲ و ﻏﻴﺮ ﺧﻄﻲ -داﻧﺸﮕﺎه ﺷﺎﻫﺪ-ﺳﻌﻴﺪﺳﻴﺪﻃﺒﺎﻳﻲ
در اﻳﻦ ﻣﺪل ﺿﺮﻳﺐ yو eﺑﺮاﺑﺮ اﺳﺖ ﻟﺬا output error (OE) modelﺧﻮاﻧﺪه ﻣﻲ ﺷﻮد و ) w(tاﻳﻨﮕﻮﻧﻪ اﺳﺖ.
) w(tﻫﺮﮔﺰ اﻧﺪازه ﮔﻴﺮي ﻧﻤﻴﺸﻮد ﺑﻠﻜﻪ ﺑﺮ اﺳﺎس ﭘﺎراﻣﺘﺮﻫﺎي ﺗﺨﻤﻴﻨﻲ ﺷﺒﻴﻪ ﺳﺎزي ﻣﻲ ﺷﻮد
4-5
رﮔﺮﺳﻴﻮن ﺧﻄﻲ و ﻏﻴﺮ ﺧﻄﻲ -داﻧﺸﮕﺎه ﺷﺎﻫﺪ-ﺳﻌﻴﺪﺳﻴﺪﻃﺒﺎﻳﻲ
اﺳﺖ ﻛﻪ .
در ﻧﺘﻴﺠﻪ
ﺑﺪﺳﺖ ﻣﻲ آﻳـﺪ .ﻫﻤﭽﻨﺎﻧﻜـﻪ دﻳـﺪه ﻣـﻲ ﺷـﻮد ﺑـﺮدار رﮔﺮﺳـﻮر ﺑـﻪ θواﺑﺴـﺘﻪ اﺳـﺖ از اﻳﻨـﺮو ﺑـﻪ آن Pseudolinear
Regressionsﻣﻲ ﮔﻮﻳﻨﺪ.
در ﺷﺮوع t=0ﺗﺨﻤﻴﻦ ﻧﻴﺎزﻣﻨﺪ ﺗﺨﻤﻴﻨﻬﺎي t<0اﺳﺖ ﻛﻪ در ﺻﻮرت ﻣﻮﺟﻮد ﻧﺒﻮدن ﺑﻪ آﻧﻬﺎ ﻣﻘﺎدﻳﺮ ﺻﻔﺮ داده ﻣﻲ ﺷﻮد.
اﻟﺒﺘﻪ اﻳﻦ ﻋﻤﻞ ﺑﺎﻋﺚ ﻣﻲ ﺷﻮد ﺗﺨﻤﻴﻦ واﻗﻌﻲ ﺑﺪﺳﺖ ﻧﻴﺎﻳﺪ ﺗﺎ اﺛﺮ ﺧﻄﺎي آن ﻣﻴﺮا ﺷﻮد.
اﻳﻦ اﻟﮕﻮرﻳﺘﻢ ﺑﻪ ﻣﻘﺎدﻳﺮ ﺷﺮاﻳﻂ اوﻟﻴﻪ ﻧﻴﺎ ز دارد ﻛﻪ ﻣﻲ ﺗﻮان آﻧﻬﺎ را ﺻﻔﺮ در ﻧﻈﺮ ﮔﺮﻓﺖ .اﺛﺮ ﺧﻄـﺎ در ﻣﻘـﺪار اوﻟﻴـﻪ ﺑـﺎ
ﻧﺴﺒﺖ cµﻣﻴﺮا ﻣﻲ ﺷﻮد ﻛﻪ µﻣﻘﺪار ﺑﺰرﮔﺘﺮﻳﻦ ﺻﻔﺮ ) C(zاﺳﺖ
راه دﻳﮕﺮ اﻳﻦ اﺳﺖ ﻛﻪ ﺷﻨﺎﺳﺎﻳﻲ از ) max(n*,nbﺷﺮوع ﺷﻮد ﺗﺎ ﺑﻪ ﺷﺮاﻳﻂ اوﻟﻴﻪ ﻣﺠﻬﻮل ﻧﻴﺎز ﻧﺪاﺷﺘﻪ ﺑﺎﺷﺪ
3-3-5ﻣﺪل )ARIMA(X
اﮔﺮ ﺑﺠﺎي ) y(tو ) u(tدر ﻣﺪل ARMAXاز دﻳﻔﺮﻧﺲ آﻧﻬﺎ اﺳﺘﻔﺎده ﺷﻮد ) δy=y(t)-y(t-1ﻣﺪل ARIMAXو اﮔـﺮ
u=0ﺑﺎﺷﺪ ARIMAﺑﺪﺳﺖ ﻣﻲ آﻳﺪ .در اﻳﻦ ﻣﺪل اﻧﺘﮕﺮال ﻧﻮﻳﺰ در ﻣﺪل وﺟﻮد دارد ﻛﻪ ﺑﺮاي ﻣﺪل ﻛـﺮدن اﺧـﺘﻼﻻت
ﻛﻨﺪ ﻣﻨﺎﺳﺐ اﺳﺖ
ARARX 4-3-5
5-5
رﮔﺮﺳﻴﻮن ﺧﻄﻲ و ﻏﻴﺮ ﺧﻄﻲ -داﻧﺸﮕﺎه ﺷﺎﻫﺪ-ﺳﻌﻴﺪﺳﻴﺪﻃﺒﺎﻳﻲ
ARARMAX 5-3-5
ﻧﻜﺎت
ﻧﺎﭘﺎﻳﺪار اﺳﺖ )رﻳﺸـﻪ Aﺧـﺎرج داﻳـﺮه واﺣـﺪ( ﺗﺨﻤﻴﻨﮕـﺮ آن ﭘﺎﻳـﺪار اﺳـﺖ :1ﺣﺘﻲ وﻗﺘﻲ ﺳﻴﺴﺘﻢ
y :2ﺑﺎﻳﺪ ﻧﺴﺒﺖ ﺑﻪ ﺗﺎﺑﻌﻲ smoothﺑﺎﺷﺪ ﺑﻪ اﻳﻦ ﻣﻌﻨﻲ ﻛﻪ ﺑﺎﻳﺪ داراي ﻣﺸﺘﻖ ﺑﺎﺷﺪ .ﺗﺒﻌﺎت اﻳﻦ اﻣﺮ از اﻳﻦ ﻗﺮار اﺳﺖ.
ﭘﺎراﻣﺘﺮﻫﺎي ﺗﺨﻤﻴﻨﮕﺮ
در ﻧﺘﻴﺠﻪ Gو Hﺑﺎﻳﺪ ﻧﺴﺒﺖ ﺑﻪ θﻣﺸﺘﻖ ﭘﺬﻳﺮ و H-1ﭘﺎﻳﺪار ﺑﺎﺷﺪ .اﻟﺒﺘﻪ اﻳﻦ ﺗﻤﺎم ﺷﺮاﻳﻂ ﻣﻮرد ﻧﻴﺎز ﻧﻴﺴﺖ.
6-5
رﮔﺮﺳﻴﻮن ﺧﻄﻲ و ﻏﻴﺮ ﺧﻄﻲ -داﻧﺸﮕﺎه ﺷﺎﻫﺪ-ﺳﻌﻴﺪﺳﻴﺪﻃﺒﺎﻳﻲ
اﮔﺮ ﻃﺒﻖ ﻣﻔﺮوﺿﺎت ﻗﺒﻠﻲ ورودي در ﻓﺎﺻﻠﻪ ﻫﺮ Tﺗﻘﺮﻳﺒﺎ ﺛﺎﺑﺖ در ﻧﻈﺮ ﮔﺮﻓﺘـﻪ ﺷـﻮد ،ﻣـﺪل ﮔﺴﺴـﺘﻪ ﺑـﺮ اﺳـﺎس step
invarianceﻗﺎﺑﻞ ﻣﺤﺎﺳﺒﻪ اﺳﺖ.
ﻣﺜﺎل :1ﻣﺜﺎل ﺑﺮاي ﺳﻴﺴﺘﻢ ﻣﻮﺗﻮر ﺑﺎ ﻣﻌﺎدﻻت ﻓﻀﺎي ﺣﺎﻟﺖ زﻳﺮ ﻣﺪل ورودي-ﺧﺮوﺟﻲ ﺑﻨﻮﻳﺴﻴﺪ.Example 4.1 D
)y=[1 0]x(t)+v(t
ﻓﺮض ﻛﻨﻴﺪ uﭘﻠﻪ اي ﺑﻪ ﻣﻮﺗﻮر اﻋﻤﺎل ﻣﻲ ﺷﻮد در ﻧﺘﻴﺠﻪ
/
y( s) ) u (t ) v(t
) s(s 1 /
7-5
رﮔﺮﺳﻴﻮن ﺧﻄﻲ و ﻏﻴﺮ ﺧﻄﻲ -داﻧﺸﮕﺎه ﺷﺎﻫﺪ-ﺳﻌﻴﺪﺳﻴﺪﻃﺒﺎﻳﻲ
اﮔﺮ ﻧﺘﻮان ﻓﺮض ﻛﺮد ﻛﻪ vو wﻧﻮﻳﺰ ﺳﻔﻴﺪ ﻫﺴﺘﻨﺪ ﺑﺎﻳﺪ ﺑﺮاي آﻧﻬﺎ ﻣﺪل در ﻧﻈﺮ ﮔﺮﻓـﺖ ﻛـﻪ درﺟـﻪ ﻓﻀـﺎي ﺣﺎﻟـﺖ را
اﻓﺰاﻳﺶ ﻣﻲ دﻫﺪ.
8-5
رﮔﺮﺳﻴﻮن ﺧﻄﻲ و ﻏﻴﺮ ﺧﻄﻲ -داﻧﺸﮕﺎه ﺷﺎﻫﺪ-ﺳﻌﻴﺪﺳﻴﺪﻃﺒﺎﻳﻲ
ﺑﺎ اﻳﻦ ﻓﺮﻣﻮل ﺑﻨﺪي ﻣﺪل ARMAXﻓﻀﺎي ﺣﺎﻟﺖ ﺑﻪ ﻓﺮم زﻳﺮ ﺑﺪﺳﺖ ﻣﻲ آﻳﺪ
در اﻳﻦ ﻣﺪل ﻧﻮﻳﺰ ﻓﻴﻠﺘﺮ ﺷﺪه زﻳﺮ ﺑﺎ ﻣﺸﺨﺼﺎت ﺗﻌﺮﻳﻒ ﺷﺪه ﺑﺮاي eدر ﻣﺪل وﺟﻮد دارد
)v(t)=H(q)e(t
ﺑﻬﺒﻮد راﻧﺪﻣﺎن ﻣﺤﺎﺳﺒﺎﺗﻲ K :ﺗﺎﺑﻊ A,C,R1,R12اﺳﺖ .از ﻧﻈﺮ ﻣﺤﺎﺳﺒﺎﺗﻲ ﻣﻨﺎﺳﺒﺘﺮ اﺳـﺖ ﻛـﻪ ﻣﺴـﺘﻘﻴﻤﺎ Kﺗـﺎﺑﻊ θ
ﻧﻮﺷﺘﻪ ﺷﻮد.
ﻣﺜﺎل :2ﺗﺒﺪﻳﻞ ﻣﺪل companion IIﺑﻪ : ARMAXﺳﻴﺴﺘﻢ ﻓﻀﺎي ﺣﺎﻟﺖ ﻓﺮم companionزﻳﺮ ﺑﻪ ﺳﻬﻮﻟﺖ ﺑﻪ
ﻣﺪل ARMAXﺗﺒﺪﻳﻞ ﻣﻲ ﺷﻮد.
-
G
ﺗﺎﺑﻊ ﺗﺒﺪﻳﻞ Hﺑﺪﺳﺖ ﻣﻲ آﻳﺪ.
H
است که در آن
ﺑﻨﺎﺑﺮاﻳﻦ ﺑﺎ ﺗﺒﺪﻳﻞ ﻓﻀﺎي ﺣﺎﻟﺖ ﺑﻪ ﻓﺮم companion IIﻣﺪل ARMAXﺑﻪ ﺳﻬﻮﻟﺖ ﺑﺪﺳﺖ ﻣﻲ آﻳﺪ.
9-5
رﮔﺮﺳﻴﻮن ﺧﻄﻲ و ﻏﻴﺮ ﺧﻄﻲ -داﻧﺸﮕﺎه ﺷﺎﻫﺪ-ﺳﻌﻴﺪﺳﻴﺪﻃﺒﺎﻳﻲ
(4ﻣﺪل ﻧﺴﺒﺖ ﺑﻪ ﭘﺎراﻣﺘﺮﻫﺎﻳﺶ ﺑﺎﻳﺪ ﻫﻤﻮار ﺑﺎﺷﺪ ﻳﻌﻨﻲ ﻣﺸﺘﻖ زﻳﺮ وﺟﻮد داﺷﺘﻪ ﺑﺎﺷﺪ و ﭘﺎﻳﺪار ﺑﺎﺷﺪ
and
Identifiability Properties (5آﻳﺎ ﺣﺎﺻﻞ ﺷﻨﺎﺳﺎﻳﻲ ﻣﺪل ﻣﻨﺤﺼﺮ ﺑﻔﺮد اﺳﺖ و آﻳﺎ ﻣـﺪل ﺑﺪﺳـﺖ آﻣـﺪه True
ﺳﻴﺴﺘﻢ اﺳﺖ .اﻳﻦ ﻣﻮﺿﻮع از ﻧﻈﺮ رﻳﺎﺿﻲ اﻳﻨﮕﻮﻧﻪ ﺗﺒﻴﻴﻦ ﻣﻲ ﺷﻮد
a model structure is globally identifiable at * if and only if
10-5
ﺳﻌﻴﺪﺳﻴﺪﻃﺒﺎﻳﻲ- داﻧﺸﮕﺎه ﺷﺎﻫﺪ-رﮔﺮﺳﻴﻮن ﺧﻄﻲ و ﻏﻴﺮ ﺧﻄﻲ
(z=aejω )
.( اﮔﺮ ﭘﺮﻳﻮد ﻧﻤﻮﻧﻪ ﺑﺮداري درﺳﺖ اﻧﺘﺨﺎب ﻧﺸﻮد اﺑﻬﺎم در ﻣﺪل ﭘﺪﻳﺪ ﻣﻲ آﻳﺪ6
( ﺗﻀﻤﻴﻦ ﻗﺎﺑﻞ ﺷﻨﺎﺳﺎﻳﻲ ﺑﻮدن ﺑﺠﺰ در ﻣﻮرد ﺳﻴﺴﺘﻤﻬﺎي ﻣﺸﺨﺺ ﺑﺴﻴﺎر ﻣﺸﻜﻞ اﺳﺖ7
ﻗﺎﺑﻞ ﺷﻨﺎﺳﺎﻳﻲ اﺳﺖBJ ﺳﻴﺴﺘﻢ:Theorem 4.1. (8
اﮔﺮ
i. There is no common factor to all
ii. There is no common factor to
iii. There is no common factor to
iv. If na≥ 1, then there must be no common factor to
v. If nd≥ 1, then there must be no common factor to
vi. If nf≥ 1, then there must be no common factor
The starred polynomials correspond to * .
Corollary. The model structure given by (4.142) is globally identifiable.
ﺷﻨﺎﺳﺎﻳﻲ ﻣﻲ ﺷﻮد اﮔـﺮ درﺟـﻪ ﭼﻨـﺪ ﺟﻤﻠـﻪTrue ﺳﻴﺴﺘﻢ:True system ﺷﻨﺎﺳﺎﻳﻲTheorem 4.2. (9
اﻳﻬﺎي ﻣﺪل ﺑﺰرﮔﺘﺮ از درﺟﺎت ﭼﻨﺪ ﺟﻤﻠﻪ اي ﺳﻴﺴﺘﻢ واﻗﻌﻲ ﺑﺎﺷﺪ
11-5
رﮔﺮﺳﻴﻮن ﺧﻄﻲ و ﻏﻴﺮ ﺧﻄﻲ -داﻧﺸﮕﺎه ﺷﺎﻫﺪ-ﺳﻌﻴﺪﺳﻴﺪﻃﺒﺎﻳﻲ
(10ﺷﺮط ﻗﺎﺑﻞ ﺷﻨﺎﺳﺎﻳﻲ ﺑﻮدن ﻣﺪل ﻓﻀﺎي ﺣﺎﻟﺖ :واﺿﺢ اﺳـﺖ ﻛـﻪ ﻧﻤﻴﺘﻮاﻧـﺪ ﺗﻤـﺎم اﻟﻤﺎﻧﻬـﺎي ﻣﺎﺗﺮﻳﺴـﻬﺎي
A,B,C,Kﭘﺎراﻣﺘﺮ ﺑﺎﺷﻨﺪ زﻳﺮا ﻣﺪل 4.92ﻓﻘﻂ 3nﭘﺎراﻣﺘﺮ را ﻣﻲ ﭘﺬﻳﺮد ﻛﻪ nﺑﻌﺪ ﻣﺎﺗﺮﻳﺲ Aﺑﺎﺷﺪ .از اﻳﻨﺮو
ﻣﺪل ﺳﻴﺴﺘﻢ ﺑﺎﻳﺪ companionﺑﺎﺷﺪ
و ﻓﻘﻂ اﻟﻤﺎﻧﻬﺎي ﺑﺎ ﻋﻼﻣﺖ xﭘﺎراﻣﺘﺮﺳﻴﺴـﺘﻢ ﻫﺴـﺘﻨﺪ .ﺷـﺮط ﻗﺎﺑـﻞ ﺷﻨﺎﺳـﺎﻳﻲ ﺑـﻮدن اﻳـﻦ ﻣـﺪل آن اﺳـﺖ ﻛـﻪ ﻣـﺪل
ARMAXﻧﻈﻴﺮ آن ﺷﺮوط ﺗﺌﻮري 4.1را ﺑﭙﺬﻳﺮد .اﻳﻦ ﺷﺮط ﺑﻪ ﻧﻮﺑﻪ ﺧﻮد وﻗﺘﻲ ﻣـﺪل ﻓﻀـﺎي ﺣﺎﻟـﺖ ﻛﻨﺘـﺮل ﭘـﺬﻳﺮ و
روﻳﺖ ﭘﺬﻳﺮ اﺳﺖ ﺗﺎﻣﻴﻦ ﻣﻲ ﺷﻮد .اﻳﻦ ﺷﺮط در ﺳﺎﺧﺘﺎر companion IIﻛﻪ ﺧﻮد روﻳﺖ ﭘﺬﻳﺮ اﺳﺖ ﺑـﻪ ﺷـﺮط ﻛﻨﺘـﺮل
ﭘﺬﻳﺮي ﺳﻴﺴﺘﻢ دو ورودي }])* {A(*), [B(*) K (ﺗﻘﻠﻴﻞ ﻣﻲ ﻳﺎﺑﺪ
5-6 SUMMARY
ﻣﺪل ﭘﻴﺶ ﺑﻴﻨﻲ ﺳﻴﺴﺘﻢ ﺧﻄﻲ ﺑﻪ ﻓﺮم زﻳﺮ اﺳﺖ
12-5
رﮔﺮﺳﻴﻮن ﺧﻄﻲ و ﻏﻴﺮ ﺧﻄﻲ -داﻧﺸﮕﺎه ﺷﺎﻫﺪ-ﺳﻌﻴﺪﺳﻴﺪﻃﺒﺎﻳﻲ
ﺑﺪون ﺗﺮدﻳﺪ ﻣﺪل LTIﻋﻤﻮﻣﻲ ﺗﺮﻳﻦ روش ﻣﺪﻟﺴﺎزي ﺳﻴﺴﺘﻤﻬﺎي دﻳﻨﺎﻣﻴﻜﻲ اﺳﺖ .ﻣﻌﺬﻟﻚ اﻏﻠﺐ ﻣﻔﻴﺪ و ﻳﺎ ﺿﺮوري
اﺳﺖ ﻛﻪ دﻳﮕﺮ ﻣﺪﻟﻬﺎ ﻣﺎﻧﻨﺪ ﻏﻴﺮ ﺧﻄﻲ و واﺑﺴﺘﻪ ﺑﻪ زﻣﺎن ﻧﻴﺰ در ﻧﻈﺮ ﮔﺮﻓﺘﻪ ﺷﻮد.
ﻣﺪﻟﺴﺎزي ﺑﻪ دوﺻﻮرت
Grey box ﺑﻪ دوروش Physical insightو ﻳﺎ some physical insight
ﻳﺎ black-box typeﻣﻤﻜﻦ اﺳﺖ اﻧﺠﺎم ﺷﻮد .ﻧﻮع black boxﻣﺎﻧﻨﺪ ﺷﺒﻜﻪ ﻋﺼﺒﻲ ،وﻳﻮﻟﺖ و ﻓﺎزي
ﻛﻪ ﻣﺎﻧﻨﺪ ﺣﺎﻟﺖ LTIﺑﺼﻮرت ورودي -ﺧﺮوﺟﻲ زﻳﺮ ﻣﻲ ﺗﻮاﻧﺪ ﻧﻮﺷﺘﻪ ﺷﻮد.
13-5
رﮔﺮﺳﻴﻮن ﺧﻄﻲ و ﻏﻴﺮ ﺧﻄﻲ -داﻧﺸﮕﺎه ﺷﺎﻫﺪ-ﺳﻌﻴﺪﺳﻴﺪﻃﺒﺎﻳﻲ
This model is now a LTV approximate description of (5.8) in a vicinity of the nominal
trajectory.
]y(k)=y(k-1)-0.5 tanh[y(k-1)+u(k-1)3
ﺷﻨﺎﺳﺎﻳﻲ ﺳﻄﻮح ﻏﻴﺮ ﺧﻄﻲ در اﺑﻌﺎد ﺑﺎﻻ ﻧﻴﺎزﻣﻨﺪ ﺗﻌﺪاد دﻳﺘﺎي زﻳﺎد و ﻣﺘﻨﻮع اﺳﺖ و ﺑﺴﻴﺎر ﭘﻴﭽﻴﺪه اﺳﺖ.
14-5
رﮔﺮﺳﻴﻮن ﺧﻄﻲ و ﻏﻴﺮ ﺧﻄﻲ -داﻧﺸﮕﺎه ﺷﺎﻫﺪ-ﺳﻌﻴﺪﺳﻴﺪﻃﺒﺎﻳﻲ
ﭼﮕﻮﻧﮕﻲ ﭘﺎراﻣﺘﺮﻳﺰه ﻛﺮدن اﻳﻦ ﻣﺴﺎﺋﻞ ﻛﻪ ﻫﻢ ﻧﺰدﻳﻚ ﺑﻪ واﻗﻌﻴﺖ ﺑﺎﺷﺪ ﻫﻢ ﺗﻌﺪاد ﭘﺎراﻣﺘﺮﻫﺎي آن زﻳﺎد ﻧﺒﺎﺷﺪ ﻣﺴـﺌﻠﻪ اي
اﺳﺖ ﻛﻪ ﺑﺎﻳﺪ روﺷﻦ ﺷﻮد.
ﻣﺜﺎل :3دﻳﺘﺎي زﻳﺮ را ﻳﻚ ﺳﻴﺴﺘﻢ ﻏﻴﺮ ﺧﻄﻲ ﺗﻮﻟﻴﺪ ﻛﺮده اﺳﺖ
ﺑﺪﺳﺖ ﻣﻲ آﻳﺪ .ﺑﺎ اﻧﺘﺨﺎب ﺑﻬﺘﺮ ﻣﺪل ﻧﺘﻴﺠﻪ زﻳﺮ ﺑﺪﺳﺖ ﻣﻲ آﻳﺪ ﻛﻪ ﺧﻄﺎي ﻧﺎﭼﻴﺰ ﺷﻨﺎﺳﺎﻳﻲ ﻧﻴﺰ ﻧﺸﺎن داده ﺷﺪه اﺳﺖ
15-5
رﮔﺮﺳﻴﻮن ﺧﻄﻲ و ﻏﻴﺮ ﺧﻄﻲ -داﻧﺸﮕﺎه ﺷﺎﻫﺪ-ﺳﻌﻴﺪﺳﻴﺪﻃﺒﺎﻳﻲ
16-5
رﮔﺮﺳﻴﻮن ﺧﻄﻲ و ﻏﻴﺮ ﺧﻄﻲ -داﻧﺸﮕﺎه ﺷﺎﻫﺪ-ﺳﻌﻴﺪﺳﻴﺪﻃﺒﺎﻳﻲ
در اﻳﻦ روش ﺑﺠﺎي ﻛﻞ ﻣﺪل ﻋﻮاﻣﻞ ﻣﺸﺨﺺ ﻏﻴﺮ ﺧﻄﻲ ﻣﺎﻧﻨﺪ رﻓﺘﺎر ﺷﻴﺮه و ﻣﺤﺮﻛﻬﺎ و ﻏﻴﺮه ﺗﻌﻴـﻴﻦ و در ﻣـﺪل ﺟـﺎي
داده ﻣﻲ ﺷﻮد.
Wiener and Hammerstein Models
در ﻣﺪﻟﻬﺎﻳﻲ ﻛﻪ اﻳﻨﮕﻮﻧﻪ ﺑﺪﺳﺖ ﻣﻲ آﻳﻨﺪ اﻟﻤﺎن ﻏﻴﺮ ﺧﻄﻲ در ورودي ﻳﺎ ﺧﺮوﺟﻲ ﻳﺎ ﻫﺮ دو ﻗﺮار دارد
Hammerstein model ﺑﺎ ﻋﺎﻣﻞ ﻏﻴﺮ ﺧﻄﻲ در ورودي
ﺗﺨﻤﻴﻨﮕﺮ ﻣﺪﻟﻬﺎ
ﺗﺨﻤﻴﻨﮕﺮ اﻳﻦ ﻣﺪﻟﻬﺎ ﻛﻪ ﭘﻴﭽﻴﺪه ﻧﻴﺰ ﻧﻴﺴﺘﻨﺪ اﻳﻨﮕﻮﻧﻪ اﺳﺖ
•
ﻧﻮﺷﺘﻪ ﺷﻮد ﻛﻪ ﻣﻨﺠﺮ ﺑﻪ رﮔﺮﺳﻴﻮن ﺧﻄﻲ زﻳﺮ ﻣﻲ ﺷﻮد
17-5
رﮔﺮﺳﻴﻮن ﺧﻄﻲ و ﻏﻴﺮ ﺧﻄﻲ -داﻧﺸﮕﺎه ﺷﺎﻫﺪ-ﺳﻌﻴﺪﺳﻴﺪﻃﺒﺎﻳﻲ
ب( : Use physical insight.ﺑﺎ آﻧﺎﻟﻴﺰ ﻋﺎﻣﻞ ﻏﻴﺮ ﺧﻄﻲ و ﻗﻮاﻧﻴﻦ ﻓﻴﺰﻳﻜﻲ ﻣﻲ ﺗﻮان ﻣﺪل ﻣﻮﺟﺰي ﺑـﺮاي آن ﭘﻴـﺪا و
ﻧﻮﺷﺖ .ﺑﻪ اﻳﻦ روش semiphysical modelingمی گويند
ﻣﺜﻼ اﮔﺮ ﺧﺮوﺟﻲ ﺗﻮان اﺳﺖ ﻣﻌﻠﻮم اﺳﺖ ﻛﻪ ﺗﺮم ﻏﻴﺮ ﺧﻄﻲ ﺣﺎﺻﻠﻀﺮب وﻟﺘﺎژ در ﺟﺮﻳﺎن اﺳﺖ و ﻣﺸﺎﺑﻪ آن
دستورات MATLAB
)m = nlhw(data,[nb nf nk],InputNL,OutputNL
specifies input nonlinearity InputNL and output nonlinearity OutputNL, as a nonlinearity
estimator object or string representing the nonlinearity estimator type.
ﻣﺜﺎل :4ﻣﺜﺎل ﺧﺎﻧﻪ ﺑﺎ ﮔﺮﻣﺎﻳﺶ ﺧﻮرﺷﻴﺪي :Example 5.1در ﺧﺎﻧﻪ ﺧﻮرﺷﻴﺪي زﻳﺮ درﺟـﻪ ﺣـﺮارت ﺧﺎﻧـﻪ yﺑـﻪ
ﺷﺪت ﺗﺎﺑﺶ ﺧﻮرﺷﻴﺪ Iو ﺳﺮﻋﺖ ﭘﻤﭗ uواﺑﺴﺘﻪ اﺳﺖ.
ﺑﺪون ﺗﻮﺟﻪ ﺑﻪ واﻗﻌﻴﺖ ﻓﻴﺰﻳﻜﻲ آن ﻣﻤﻜﻦ اﺳﺖ ﻣﺪل Black boxﺣﻄﻲ زﻳﺮ را ﺑﻪ آن ﻧﺴﺒﺖ داد
ﺑﺎ اﻧﺪك دﻗﺖ ﻣﻌﻠﻮم ﻣﻲ ﺷﻮد ﻣﺪل واﻗﻌﻲ ﻧﻴﺴﺖ .ﻣﺜﻼ وﻗﺘﻲ ﭘﻤﭗ ﺧﺎﻣﻮش اﺳﺖ ﻧﺒﺎﻳﺪ اﻧﺮژي ذﺧﻴﺮه ﺷﻮد ﻛﻪ ﻣﺪل ﻓﻮق
آﻧﺮا اﻋﻤﺎل در ﺣﺎﻟﻴﻜﻪ در واﻗﻊ اﺗﻔﺎق ﻧﻤﻲ اﻓﺘﺪ.
ﺑﻪ ﻫﻤﻴﻦ ﺗﺮﺗﻴﺐ اﻧﺮژي درﻳﺎﻓﺘﻲ از ﻃﺮﻳﻖ ﭘﻤﭗ ﻣﻨﺠﺮ ﺑﻪ ﺗﻐﻴﻴﺮ اﻧﺮژي ﻣﻨﺒﻊ ذﺧﻴﺮه ) y(t + 1) - y(tو اﻧﺘﻘـﺎل ﮔﺮﻣـﺎ ﺑـﻪ
اﺗﺎق ﻣﻲ ﺷﻮدy(t + 1) - y(t) .
در اﻳﻦ رواﺑﻂ dﻫﺎ ﭘﺎراﻣﺘﺮﻫﺎﻳﻲ ﻫﺴﺘﻨﺪ ﻛﻪ ﺑﺎﻳﺪ ﺷﻨﺎﺳﺎﻳﻲ ﺷﻮﻧﺪ .ﭼﻮن xاﻧﺪازه ﮔﻴﺮي ﻧﻤﻲ ﺷﻮد از رواﺑﻂ ﺑﺎﻳـﺪ ﺣـﺬف
ﮔﺮدد.
18-5
رﮔﺮﺳﻴﻮن ﺧﻄﻲ و ﻏﻴﺮ ﺧﻄﻲ -داﻧﺸﮕﺎه ﺷﺎﻫﺪ-ﺳﻌﻴﺪﺳﻴﺪﻃﺒﺎﻳﻲ
ارﺗﺒﺎط ﺑﻴﻦ ﻣﺪل و ﭘﺎراﻣﺘﺮﻫﺎي ﻓﻴﺰﻳﻜﻲ ﭘﻴﭽﻴﺪه اﺳﺖ از اﻳﻨـﺮو ﭘﺎراﻣﺘﺮﻫـﺎي ﺟﺪﻳـﺪ ﺗﺮﻛﻴﺒـﻲ ﻣﻌﺮﻓـﻲ ﻣـﻲ ﮔـﺮدد ﺗـﺎ
ﺷﻨﺎﺳﺎﻳﻲ ﺑﻬﺘﺮ اﻧﺠﺎم ﺷﻮد .در ﻧﺨﺎﻳﺖ ﻣﻲ ﺗﻮان ﭘﺎراﻣﺘﺮﻫﺎي ﻓﻴﺰﻳﻜﻲ را ﺗﻌﻴﻴﻦ ﻛﺮد.
19-5
رﮔﺮﺳﻴﻮن ﺧﻄﻲ و ﻏﻴﺮ ﺧﻄﻲ -داﻧﺸﮕﺎه ﺷﺎﻫﺪ-ﺳﻌﻴﺪﺳﻴﺪﻃﺒﺎﻳﻲ
ﺑﻪ اﻳﻦ ﻣﺪل ﭘﻴﺶ ﺑﻴﻨﻲ simulation modelﻣﻲ ﮔﻮﻳﻨﺪ زﻳﺮا ) ŷ(t|θﺑﺎ ﺷـﺒﻴﻪ ﺳـﺎزي ﻣـﺪل ﺑـﺪون ﻧـﻮﻳﺰ و اﻋﻤـﺎل
ورودي واﻗﻌﻲ ﺑﺪﺳﺖ ﻣﻲ آﻳﺪ.
ﻣﺜﺎل :7ﻣﺜﺎل :Example 5.2 Delignificationدر ﺳﻴﺴﺘﻢ زﻳﺮ ﺑﺎ ﻣﻌﺎدﻟﻪ
ﺗﺨﻤﻴﻦ ̂ xﺑﺪﺳﺖ ﻣﻲ اﻳﺪ ﺗﺎ ﻣﺪل رﮔﺮﺳﻮر ﺧﻄﻲ را ﺑﺴﺎزد ﻛﻪ ورودﻳﻬﺎ uو ﭘﺎراﻣﺘﺮﻫﺎي
5-7-6 SUMMARY
ﻣﺪل ﻋﻮاﻣﻞ ﻏﻴﺮ ﺧﻄﻲ ﻣﻤﻜﻦ اﺳـﺖ ﺑﺼـﻮرت ﺟﻌﺒـﻪ ﺳـﻴﺎه ﺗﻮﺳـﻂ ﺟﻨـﺪ ﺟﻤﻠـﻪ اي ﻳـﺎ ﻓﺮﻣـﻮل ﻓﻴﺰﻳﻜـﻲ آن "semi-
" physical modelingدر مدل وارد شود
اﻟﺰاﻣﻲ ﻧﺪارد ﻛﻪ ﻣﺪل ﻋﻠﻤﻞ ﻏﻴﺮ ﺧﻄﻲ ﺑﺼﻮرت ﻓﺮﻣﻮل ﺑﺴﺘﻪ ﺑﺎﺷﺪ ﺑﻠﻜﻪ ﻣﻲ ﺗﻮاﻧﺪ ﺑﺼﻮرت ﺟﺪول ﺑﺎﺷﺪ.
20-5
6 Parametric SI: Linear optimization cases
ﮔﺎم اول :ﺗﺨﺼﻴﺺ ﻣﺪل ﭘﻴﺶ ﺑﻴﻨﻲ )ﺗﺨﻤﻴﻨﮕﺮ( ﺑﺮ اﺳﺎس ورودي و ﺧﺮوﺟﻲ ﻣﺎﻧﻨﺪ ﻣﺜﺎل ﺧﻄﻲ زﻳﺮ
ﻛﻪ در آن Zﻣﺠﻤﻮﻋﻪ دﻳﺘﺎي اﻧﺪازه ﮔﻴﺮي ﺷﺪه اﺳﺖ .در راﺑﻄﻪ ﺑﺎ ﺳﺎﺧﺘﺎر ﻣﺪﻟﻬﺎ ﻗﺒﻼ ﺑﺤﺚ ﺷﺪ.
ﮔﺎم دوم :اﻋﻤﺎل ﻧﻮﻋﻲ ﺑﻬﻴﻨﻪ ﺳﺎزي ﻛﻪ ﺑﻪ ﻣﻮﺟﺐ آن ﺧﻄﺎي ﭘﻴﺶ ﺑﻴﻨﻲ ﺣﺪاﻗﻞ ﮔـﺮدد .در اﻳﻨﺠـﺎ ) M(θﻣﺠﻤﻮﻋـﻪاي از
ﻣﺪﻟﻬﺎﺳﺖ ﻛﻪ در ﺑﻴﻦ آﻧﻬﺎ )* M(θﻣﺪﻟﻲ اﺳﺖ ﻛﻪ ﺧﻄﺎي ﭘﻴﺶ ﺑﻴﻨﻲ prediction error
)*ε(t,θ*)=y(t)-ŷ(t|θ
را ﺑﻪ ﺣﺪاﻗﻞ ﻣﻲ رﺳﺎﻧﺪ.
در اﻳﻦ راﺑﻄﻪ ﭘﺎراﻣﺘﺮﻫﺎ و ﺳﻮاﻻت ﻣﻬﻢ ﺗﺌﻮرﻳﻚ و ﻋﻤﻠﻴﺎﺗﻲ وﺟﻮد دارﻧﺪ ﻛـﻪ ﺑﺎﻳـﺪ ﻣـﻮرد ﺗﻮﺟـﻪ ﻗـﺮار ﮔﻴﺮﻧـﺪ .ﻣﻼﺣﻈـﺎت
ﺗﺌﻮرﻳﻚ در ﺧﺼﻮص ﻣﺪل اﻧﺘﺨﺎﺑﻲ از اﻳﻨﻘﺮارﻧﺪ:
.١آﻳﺎ ﻣﺪل اﻧﺘﺨﺎﺑﻲ ﻣﻨﺠﺮ ﺑﻪ ﺗﺨﻤﻴﻦ ﺑﺪون ﺑﺎﻳﺎس ﭘﺎراﻣﺘﺮ ﻣﻲ ﺷﻮد؟ * .θ̂ →θاﻳﻦ ﻣﺒﺤﺚ در اﻳﻨﺠﺎ ﺑﺤﺚ ﻣﻲ ﺷﻮد
.٢وارﻳﺎﻧﺲ ﺣﺪ ̅ Vﻣﺪل اﻧﺘﺨﺎﺑﻲ ﭼﻘﺪر اﺳﺖ و آﻳﺎ ̅ VN→Vﻣﻴﻞ ﻣﻲ ﻛﻨﺪ )ﻫﻤﮕﺮاﻳﻲ( در ﻓﺼﻞ 8ﺑﺤﺚ ﻣﻲ ﺷﻮد.
.٣وارﻳﺎﻧﺲ ﺗﺨﻤﻴﻦ ﭘﺎراﻣﺘﺮ θiدر راﺑﻄﻪ ﺑﺎ ﻣﺪل اﻧﺘﺨﺎﺑﻲ ﺑﺮاي ﺳﻴﺴﺘﻢ ﭼﮕﻮﻧﻪ اﺳﺖ .در ﻓﺼﻞ 9ﺑﺤﺚ ﻣﻲ ﺷﻮد .ﻣﻨﻈـﻮر
از ﺑﺎﻳﺎس و وارﻳﺎﻧﺲ ﺗﺨﻤﻴﻦ در ﺷﻜﻞ ﻧﺸﺎن داده ﺷﺪه اﺳﺖ
ﺷﻨﺎﺳﺎﻳﻲ :ﺑﻬﻴﻨﻪ ﺳﺎزي ﺧﻄﻲ
.۴ﺟﻮاب ﺑﺴﺘﻪ :ﺑﺮاي ﭼﻪ ﻧﻮع ﻣﺪﻟﻲ ﻣﻲ ﺗﻮان ﺟﻮاب ﺑﻬﻴﻨﻪ ﺑﺴـﺘﻪ داﺷـﺖ .در اﻳـﻦ راﺑﻄـﻪ ﻣـﺪل رﮔﺮﺳـﻴﻮن ﺧﻄـﻲ و
subspaceاز ﺧﺎﻧﻮاده PEMﺑﺎ ﻓﺮض ﻧﻮﻳﺰ ﺳﻔﻴﺪ و IVﺑﺎﻓﺮض رﮔﺮﺳﻴﻮن ﺧﻄﻲ و ﻧﻮﻳﺰ رﻧﮕﻲ ﻣﻨﺠﺮ ﺑﻪ ﻓﺮﻣﻮل ﺑﺴـﺘﻪ
ﺑﺮاي ﺗﺨﻤﻴﻦ ﭘﺎراﻣﺘﺮ ﻣﻲ ﺷﻮﻧﺪ ﻛﻪ اﻳﻨﺠﺎ ﺗﻮﺿﻴﺢ داده ﻣﻲ ﺷﻮﻧﺪ .دﻳﮕﺮ روﺷﻬﺎ ،روﺷﻬﺎي ﺑﺎز ﺗﻜﺮار iterativeﻫﺴـﺘﻨﺪ
ﻛﻪ ﻧﻴﺎز ﺑﻪ ﺷﺮاﻳﻂ اوﻟﻴﻪ دارﻧﺪ و ﻣﺸﻜﻼت ﺑﻬﻴﻨﻪ ﺳﺎزي ﻣﺎﻧﻨﺪ ﺣﺠﻢ ﻣﺤﺎﺳﺒﺎت و ﻣﻴﻨﻴﻤﻮم ﻣﺤﻠﻲ را دارﻧﺪ و در ﻓﺼـﻞ
10ﺷﺮح ﻣﻲ ﺷﻮﻧﺪ.
ﻛﻪ در آن
L(q) a stable linear filter filtering the prediction-error
ℓ(.) is a scalar-valued (typically positive) function.
ﺑﻬﺘﺮﻳﻦ ﻣﺪل ﺗﺨﻤﻴﻨﻲ ﻣﺪﻟﻲ اﺳﺖ ﻛﻪ ﻣﻌﻴﺎر را ﺣﺪاﻗﻞ ﻛﻨﺪ.
روﺷﻬﺎي PEMاز ﻧﻈﺮ اﻧﺘﺨﺎب Lو ℓﺑﺎ ﻫﻢ ﺗﻔﺎوت دارﻧﺪ .ﻧﻘﺶ اﻳﻦ دو ﭘﺎراﻣﺘﺮ در ﺑﺨﺸﻬﺎي ﺑﻌﺪ ﺑﺤﺚ ﺧﻮاﻫﻨـﺪ ﺷـﺪ .در
اﻳﻨﺠﺎ L=1و ﻧﻮرم درﺟﻪ (Quadratic) 2
2
ℓ(ε)=1/2 ε
ﻛـﻪ از ﻧﻈـﺮ ﻣﺤﺎﺳـﺒﺎﺗﻲ ﺟـﺬاﺑﻴﺖ دار در دو روش Least squaresو subspaceﺑﺤـﺚ ﻣـﻲ ﺷـﻮﻧﺪ .روﺷـﻬﺎ دﻳﮕـﺮ
Optimizationرا در ﻣﺘﻨﻬﺎي ﻣﺮﺑﻮﻃﻪ ﻣﻲ ﺗﻮاﻧﻴﺪ ﻣﻼﺣﻈﻪ ﻛﻨﻴﺪ.
ﻧﻮرم ﭘﺎراﻣﺘﺮي :ﻧﻮرم ﻣﻤﻜﻦ اﺳﺖ ﭘﺎراﻣﺘﺮي ﺗﻌﺮﻳﻒ ﺷﻮدﭼﻮن ﺑﻬﺘﺮن ﻧﻮرم از ﻗﺒﻞ ﻣﻌﻠﻮم ﻧﻴﺴﺖ ﻣﻌﻘﻮل اﺳﺖ ﻛـﻪ ﻧـﻮرم
ﻧﻴﺰ ﭘﺎراﻣﺘﺮي ﺷﻮد
زﻣﺎﻧﻲ ﻣﻮﺛﺮ اﺳﺖ ﻛﻪ اﺛﺮ ﻧﻮﻳﺰ ﺗﺎﺑﻊ زﻣﺎن ﺑﺎﺷﺪ .ﺑﻪ اﻳﻦ ﻣﻌﻨﻲ ﻛﻪ اﻧﺪازه ﮔﻴﺮي در ﺑﺎزه ﻫﺎﻳﻲ ﻣﻌﺘﺒﺮﺗﺮ ﺑﺎﺷﺪ
2-6
ﺷﻨﺎﺳﺎﻳﻲ :ﺑﻬﻴﻨﻪ ﺳﺎزي ﺧﻄﻲ
1-1-6ﺣﻞ ﺷﻨﺎﺳﺎﻳﻲ رﮔﺮﺳﻴﻮن ﺧﻄﻲ ﺑﺎ )Least Squares (LS
ﺑﺮاي ﺳﻴﺴﺘﻢ y=Gu+eﻓﺮض ﻛﻨﻴﺪ ﻣﺪل رﮔﺮﺳﻴﻮن ﺧﻄﻲ زﻳﺮ
ﺑﺎ دﻳﺘﺎي
و ﭘﺎراﻣﺘﺮ θدر ﻧﻈﺮ ﮔﺮﻓﺘﻪ ﺷﺪه ﺑﺎﺷﺪ .اﻳﻦ وﺿﻌﻴﺖ ،ﺗﺨﻤﻴﻦ ﺑﺪون ﺑﺎﻳﺎس ﺑﺎ ﭘﺎﺳﺦ ﺑﺴﺘﻪ ﻣﻲ دﻫﺪ اﮔﺮ eﺳﻔﻴﺪ و eو
uﻣﺴﺘﻘﻞ ﺑﺎﺷﻨﺪ .دراﻳﻦ راﺑﻄﻪ ﻣﺎﺗﺮﻳﺲ ϕرﮔﺮﺳﻮر ﻳﺎ ﻣﺎﺗﺮﻳﺲ Designﺧﻮاﻧﺪه ﻣﻲ ﺷﻮد y .ﺑﺮدار ﻣﺘﻐﻴﺮ regressed
ﻳﺎ regressandاﺳﺖ .در ﻧﻬﺎﻳﺖ θﺑﺮدار ﭘﺎراﻣﺘﺮﻫﺎﺳﺖ ﻛﻪ ﺑﻪ ﻧﺎم regression coefficientsﻧﻴـﺰ ﺧﻮاﻧـﺪه ﻣـﻲ ﺷـﻮﻧﺪ.
ﻣﺜﻼ در ﺳﻴﺴﺘﻢ
ﻫﺪف ﭘﻴﺪاﻛﺮدن θ=ϕ-1yاﺳﺖ .ﺑﻪ دﻟﻴﻞ ﻧﻮﻳﺰي ﺑﻮدن ﺳﻴﮕﻨﺎل ﺑﻪ ﺗﻌﺪاد زﻳﺎدﺗﺮي دﻳﺘﺎ Nﻧﺴﺒﺖ ﺑﻪ درﺟﻪ ﻣـﺪل ) nﺳـﺎﻳﺰ
(θﻧﻴﺎز اﺳﺖ .دزﻧﺘﻴﺠﻪ ﻳﻚ ﺳﻴﺴﺘﻢ ﻣﻌﺎدﻻت overdeterminedوﺟﻮد دارد ﻛﻪ
y=ϕ’θ ϕ’ is N*n N≫n
اﺳﺖ ﺑﺎ ﺣﺪاﻗﻞ ﺳﺎزي Linear Least Squaresﻣﻌﻴﺎر ﺣﺪاﻗﻞ ﻣﻲ ﺷﻮد.
ﻛﻪ ﻣﻌﺎدل ﺣﺪاﻗﻞ ﺳﺎزي ||ε||2اﺳﺖ .در اﻳﻦ ﺣﺎﻟﺖ VNﻧﺴﺒﺖ ﺑﻪ θﻛﻮادراﺗﻴﻚ ﺑﺎ ﻳﻚ ﻣﻴﻨﻴﻤﻮم اﺳﺖ ﻛﻪ ﺑﻪ ﺳﺎدﮔﻲ ﻗﺎﺑﻞ
ﺣﻞ اﺳﺖ .ﻣﺪﻟﻬﺎي ARXو FIRاﻳﻨﮕﻮﻧﻪ ﻫﺴﺘﻨﺪ
ﺣﻞ اﻳﻦ ﻣﺴﺌﻠﻪ ﭘﺎﺳﺦ ﺗﺤﻠﻴﻠﻲ ﺑﺴﺘﻪ دارد ﻛﻪ اﻳﻨﮕﻮﻧﻪ ﺣﺎﺻﻞ ﻣﻲ ﺷﻮد
ε=y-ϕ’θ V=ε’ε/2dV/dθ=0
dV/dθ=d(y-ϕ’θ)’(y-ϕ’θ)/2dθ=-ϕ’y+ϕ’ϕθ=0
θ=(ϕ’ϕ)-1ϕ’y
3-6
ﺷﻨﺎﺳﺎﻳﻲ :ﺑﻬﻴﻨﻪ ﺳﺎزي ﺧﻄﻲ
ﻳﺎ ﺑﻪ ﻋﺒﺎرت دﻳﮕﺮ
ﻛﻪ ﺑﺼﻮرت θ̂=R-1fﻣﻲ ﺗﻮان ﻧﻮﺷﺖ ﻛﻪ در آن Rﻳﻚ ﻣﺎﺗﺮﻳﺲ d*dو fﻳﻚ ﺑـﺮدار ﺳـﺘﻮﻧﻲ d*1اﺳـﺖ ﻛـﻪ dﺗﻌـﺪاد
ﭘﺎراﻣﺘﺮﻫﺎي ﻣﺠﻬﻮل اﺳﺖ
از آﻧﺠﺎ ﻛﻪ ﻣﺎﺗﺮﻳﺲ Rﻛﻮارﻳﺎﻧﺲ yو uاﺳﺖ ) LS ( Ryuﺗﺨﻤﻴﻦ LSﺑﺎ correlationﻣﺮﺗﺒﻂ ﻣﻲ ﺷﻮد6.1 .
Polynomial fitting ﻣﺜﺎل (1ﻧﻤﺎﻳﺶ ﻋﻤﻠﻜﺮد LSدر ﻣﺪل ﺳﺎزي ﺑﺪون دﻳﻨﺎﻣﻴﻚ:
درﺟﻪ واﻗﻌﻲ ﻣﻨﺤﻨﻲ n=3اﺳﺖ ﻛﻪ ﺑﻪ آن ﻧﻮﻳﺰ اﺿﺎﻓﻪ ﺷﺪه اﺳﺖ .ﺑﻪ دﻳﺘﺎ ﻣﻨﺤﻨﻲ ﺑﺎ n=3 ،n=1و n=10ﻓﻴﺖ ﺷـﺪه ﻛـﻪ
در ﺷﻜﻞ ﻧﺸﺎن داده ﺷﺪه اﺳﺖ
اﺳﺖ ﻛﻪ در ﺣﺎﻟﺖ 2ﺑﻌﺪي )دو ﭘﺎراﻣﺘﺮي( در ﺷﻜﻞ ﻧﺸﺎن داده ﺷﺪه اﺳﺖ .ﺑﺮاي
a1ﻣﻮﻗﻌﻴﺖ ’] [1 1 0و ’] a2=[-1 2 0اﺳﺖ .ﺗﺼﻮﻳﺮ ) y (Projectionروي ﺻﻔﺤﻪ a1-a2ﺑﺮدار ’] Axls=[1 4 0اﺳـﺖ.
ﺣﺎل ﻣﻘﺪار x1و x2از راﺑﻄﻪ a1x1+a2x2=Axlsﺑﺪﺳﺖ ﻣﻲ آﻳﺪ ﻛﻪ x1=2و x2=1اﺳﺖ.
4-6
ﺷﻨﺎﺳﺎﻳﻲ :ﺑﻬﻴﻨﻪ ﺳﺎزي ﺧﻄﻲ
ﻣﻲ ﺗﻮان ﻧﺸﺎن داد ﻛﻪ Axls=Pyاﺳﺖ ﻛﻪ ﻣﺎﺗﺮﻳﺲ Pداراي ﺧﻮاص زﻳﺮ اﺳﺖ
, P=P*, P2=P, , I-P≥0
3-1-6ﺑﺎﻳﺎس ﺗﺨﻤﻴﻦ
ﻧﺸﺎن داده ﻣﻲ ﺷﻮد ﻛﻪ ﺑﺎﻳﺎس ﺗﺨﻤﻴﻦ در ﻣﺜﺎل ﻓﻮق ﻛﻪ ﺳﻴﮕﻨﺎﻟﻬﺎ quasi stationeryﻫﺴﺘﻨﺪ ﺑﺮاﺑﺮاﺳﺖ ﺑﺎ
ﺑﺮاي ﺻﻔﺮ ﺷﺪن ﺑﺎﻳﺎس ﺗﺨﻤﻴﻦ )ﺗﻀﻤﻴﻦ (consistencyﺑﺎﻳﺪ )ﻃﺒﻖ ﺗﺌﻮري (2.3
R* .١ﻏﻴﺮ ﻣﻨﻔﺮد :اﻳﻦ ﺷﺮط ﺗﺎﻣﻴﻦ ﻣﻲ ﺷﻮد اﮔﺮ ورودي uﺳﻴﮕﻨﺎل ) persistently exciting(PEﻣﺮﺗﺒﻪ nbﺑﺎﺷﺪ
: f* =0 .٢اﻳﻦ ﺷﺮط در ﺻﻮرت ﻫﺮﻳﻚ از ﻣﻮارد زﻳﺮ ﻣﺤﻘﻖ اﺳﺖ
اﻟﻒ( voﻧﻮﻳﺰ ﺳﻔﻴﺪ
ﻧﻮﻳﺰ ﺳﻔﻴﺪ ﺑﺎ ﻣﻴﺎﻧﮕﻴﻦ ﺻﻔﺮﺑﺎﺷﺪ v0=eﺑﺎ وارﻳﺎﻧﺲ λآﻧﮕﺎه وارﻳﺎﻧﺲ ﺗﺨﻤﻴﻦ ﺑﺮاﺑﺮ اﺳﺖ ﺑﺎ:
5-6
ﺷﻨﺎﺳﺎﻳﻲ :ﺑﻬﻴﻨﻪ ﺳﺎزي ﺧﻄﻲ
در دﻳﮕﺮ ﻣﻮارد ﺗﺨﻤﻴﻦ consistentﻧﻴﺴﺖ زﻳﺮا وﻗﺘﻲ na>0اﺳﺖ ϕداراي ﺗﺮﻣﻬﺎي yاﺳﺖ و ﭼـﻮن v0ﻧﻴـﺰ ﺳـﻔﻴﺪ
ﺷﺪه و ﺑﺎﻳﺎس ﺗﺨﻤﻴﻦ ﺑﻬﻤﺮاه ﺧﻮاﻫﺪ ﺑﻮد. ﻧﻴﺴﺖ ﻣﻌﻤﻮﻻ
Weighted Least Squares
ﻣﻤﻜﻦ اﺳﺖ در LSوزن زﻣﺎﻧﻲ در ﻧﻈﺮ ﮔﺮﻓﺘﻪ ﺷﻮد ﻛﻪ ﺑﻪ ﻧﺎم WLSﺧﻮاﻧﺪه ﻣﻲ ﺷﻮد.
ﻛﻪ در ان ϕﺑﺮدار رﮔﺮﺳﻴﻮن و θﺑﺮدار ﭘﺎراﻣﺘﺮﻫﺎﺳﺖ .ﻣﺪل ﺗﺨﻤﻴﻦ اﻳﻦ ﺳﻴﺴﺘﻢ ŷ=ϕ’θاﺳـﺖ و ﺧﻄـﺎي ﺗﺨﻤـﻴﻦ ﺑﺮاﺑـﺮ
اﺳﺖ ﺑﺎ . ε=y-ŷﺑﺎ در ﻧﻈﺮ ﮔﺮﻓﺘﻦ ﻣﻌﻴﺎر درﺟﻪ 2ﺑﺪﺳﺖ ﻣﻲ آﻳﺪ
دﺳﺘﻮرات MATLAB
6-6
ﺑﻬﻴﻨﻪ ﺳﺎزي ﺧﻄﻲ: ﺷﻨﺎﺳﺎﻳﻲ
Better idea: try many different structures and choose the best one.
Na = 1:15; Nb = 1:15; Nk = 1:5;
NN = struc(Na, Nb, Nk);
V = arxstruc(id, val, NN);
To choose the structure with the smallest MSE:
N = selstruc(V, 0);
For our data, N= [8, 7, 1].
Alternatively, graphical selection: N = selstruc(V, ’plot’);
model = arx(id, N); compare(model, val);
7-6
ﺷﻨﺎﺳﺎﻳﻲ :ﺑﻬﻴﻨﻪ ﺳﺎزي ﺧﻄﻲ
8-6
ﺷﻨﺎﺳﺎﻳﻲ :ﺑﻬﻴﻨﻪ ﺳﺎزي ﺧﻄﻲ
ﻛﻪ ﺗﺨﻤﻴﻦ ﺑﺪون ﺑﺎﻳﺎس ADو BDرا در ﭘﻲ دارد ﻛﻪ در ﻧﻬﺎﻳﺖ Gﺑﻪ درﺳﺘﻲ ﺗﺨﻤﻴﻦ زده ﻣﻲ ﺷﻮد
Regularization 5-1-6
ﺑﻪ دﻻﻳﻠﻲ ﻛﻪ ذﻳﻼ ﻋﻨﻮان ﻣﻲ ﺷﻮﻧﺪ ﺿﺮورت دارد ﻣﻌﻴﺎر ﺗﺨﻤﻴﻦ ﺑﻪ ﻓﺮﻣﻮل زﻳﺮ ﻧﻮﺷﺘﻪ ﺷﻮد.
ﻛﻪ θ#ﻳﻚ ﻧﻘﻄﻪ ﺛﺎﺑﺖ در ﻓﻀﺎي ﭘﺎراﻣﺘﺮﻫﺴﺖ ﻛﻪ ﻣﺒﺪا ﻳﺎ ﻧﻘﻄﻪ اي ﺑﺮ اﺳﺎس اﻃﻼﻋﺎت اوﻟﻴـﻪ اﺳـﺖ .دﻟﻴـﻞ آن از اﻳﻨﻘـﺮار
اﺳﺖ
N
.١اﮔﺮ θﭘﺎراﻣﺘﺮﻫﺎي زﻳﺎدي داﺷﺘﻪ ﺑﺎﺷﺪ ﺣﺪاﻗﻞ ﺳﺎزي Vاز ﻧﻈﺮ ﻣﺤﺎﺳﺒﺎﺗﻲ ﻣﻤﻜـﻦ اﺳـﺖ ill conditionedﺷـﻮد
ill-conditionedﺷﻮد( اﺿﺎﻓﻪ ﻛﺮدن δIﺑﻪ اﻳﻦ ﻣﺎﺗﺮﻳﺲ آﻧﺮا از ﻧﻈﺮ ﻣﺤﺎﺳـﺒﺎﺗﻲ ﻣـﺎﺗﺮﻳﺲ ﺑﻬﺘـﺮي )ﻣﺎت ريس
ﻣﻲ ﺳﺎزد .از ﻫﻤﻴﻦ رو ﺑﻪ آن regularizationمی گويند.
.٢اﮔﺮ ﺗﻌﺪاد ﭘﺎراﻣﺘﺮﻫﺎ زﻳﺎد ﺑﺎﺷﺪ ﻣﺎﻧﻨﺪ ) (Nonlinear black boxﻣﻤﻜﻦ اﺳﺖ ﻧﺘﻮان ﺗﻤـﺎم ﭘﺎراﻣﺘﺮﻫـﺎ را ﺑـﻪ درﺳـﺘﻲ
ﺗﺨﻤﻴﻦ زد ﺑﺎ اﺿﺎﻓﻪ ﻛﺮدن اﻳﻦ ﺗﺮم ﺑﻴﺸﺘﺮ ﭘﺎراﻣﺘﺮﻫﺎﻳﻲ ﻛﻪ ﺗﺎﺛﻴﺮ ﻛﻤﻲ ﺑﺮ VNدارﻧﺪ ﺑﻪ ﺳﻮي ﻧﻘﻄـﻪ ﺛﺎﺑـﺖ داده ﺷـﺪه
ﻛﺸﻴﺪه ﺷﺪه و ﺑﻪ ﺳﻤﺖ ﻣﻘﺎدﻳﺮ ﺗﺨﺮﻳﺐ ﻛﻨﻨﺪه ﻧﻤﻲ روﻧﺪ δ .را ﻣﻲ ﺗﻮان ﺑﻌﻨﻮان ﭘﺎراﻣﺘﺮي در ﻧﻈﺮ ﮔﺮﻓﺖ ﻛـﻪ ﺗﻌـﺪاد
ﭘﺎراﻣﺘﺮﻫﺎﻳﻲ ﻛﻪ ﺑﻪ ﺳﻮي θ#ﻣﻴﺮوﻧﺪ را ﻛﻨﺘﺮل ﻣﻲ ﻛﻨﺪ .ﺑﺎ δﺑﺰرگ ﺗﻌﺪاد ﺑﻴﺸﺘﺮ ﺑﻪ ﺳﻮي ﻧﻘﻄـﻪ داده ﺷـﺪه و ﺗﻌـﺪاد
ﻛﻤﺘﺮ ﺑﻪ ﺳﻮي ﻣﻘﺎدﻳﺮ ﺑﻬﻴﻨﻪ ﺧﻮد ﻣﻴﺮوﻧﺪ.
6-1-6آﻧﺎﻟﻴﺰ PEMﺑﺮاي ﺳﻴﺴﺘﻢ LTIدر ﻣﻴﺪان ﻓﺮﻛﺎﻧﺲ
اﮔﺮ ﺳﻴﺴﺘﻢ y=Gu+Heﺑﺎﺷﺪ ﺑﺮاي w=Guدر ﺣﺎﻟﺖ دﻳﺘﺎي ﻣﺤﺪود دارﻳﻢ )ﺗﺌﻮري (2.1
DFTﺧﻄﺎي
9-6
ﺷﻨﺎﺳﺎﻳﻲ :ﺑﻬﻴﻨﻪ ﺳﺎزي ﺧﻄﻲ
و ﺑﺎ ﻟﺤﺎظ ﻛﺮدن ﻓﻮرﻳﻪ ﺧﻄﺎ
ﺧﻮاﻫﻴﻢ داﺷﺖ
ﻧﺘﻴﺠﻪ ﻣﻲ ﺷﻮد .ﺑﻪ اﻳﻦ ﺗﺮﺗﻴﺐ PEMﻛﻪ ﻣﻌﻴﺎر Vرا ﺣﺪاﻗﻞ ﻣﻲ ﺳﺎزد ﺑﻪ ﻋﺒﺎرت دﻳﮕﺮ ﻳﻚ ﺗﺨﻤﻴﻨﮕﺮ ﻃﻴﻒ اﺳﺖ ﻛﻪ از
ﺗﺎﺑﻊ ﻫﻤﻮارﺳﺎز Qاﺳﺘﻔﺎده ﻣﻲ ﻛﻨﺪ .از آﻧﺠﺎ ﻛﻪ ﻃﺒﻖ ﻟﻢ 6.1وارﻳﺎﻧﺲ ﻣﺠﺎﻧﺒﻲ )v(k
اﺳﺖ از ﺗﻄﺒﻴﻖ آن ﺑﺎ Qدﻳﺪه ﻣﻲ ﺷﻮد ﻛﻪ Qﻣﻌﻜﻮس وارﻳﺎﻧﺲ ﺗﺨﻤﻴﻦ vاﺳﺖ وﻗﺘﻲ ﻃﻴﻒ ﻧﺎ ﻣﻌﻠﻮم ﻧﻮﻳﺰ ﺑﺎ |H|2ﻋـﻮض
ﺷﻮد.
ﺑﺪون در ﻧﻈﺮ ﮔﺮﻓﺘﻦ R̅ Nاﻳﻦ راﺑﻄﻪ Weighted LSﺑﺮاي ﻣﺪل زﻳﺮ ﻣﻲ ﺗﻮان دﻳﺪ
ﻧﺘﻴﺠﻪ
روش PEMروش ﻓﻴﺖ ﻛﺮدن ﻳﻚ ﺗﺎﺑﻊ ﺗﺒﺪﻳﻞ ﺑﻪ ETFEﺑﺎ ﺗﺎﺑﻊ وزﻧﻲ ﻣﻄﺎﺑﻖ signal-to-noise ratioاﺳﺖ.
وﻗﺘﻲ راﺑﻄﻪ را ﺑﺼﻮرت اﻧﺘﮕﺮاﻟﻲ ﺑﻨﻮﻳﺴﻴﻢ
ﺑﺼﻮرت ﺗﺨﻤﻴﻦ ﻃﻴﻒ EFTEﺑﺎ ﺗﺎﺑﻊ ﻫﻤﻮارﺳﺎز Qﻣﻲ ﮔﺮدد ﺗﺎ ﺷﺒﺎﻫﺖ ﺑﻴﻦ اﻳﻦ دو ﺑﻴﺸﺘﺮ روﺷﻦ ﺷﻮد.
ﺑﻪ ﻋﺒﺎرت دﻳﮕﺮ روش PEMﺗﺨﻤﻴﻨﮕﺮ ﻃﻴﻒ ﺑﺎ ﺗﺎﺑﻊ ﻫﻤﻮار ﻛﻨﻨﺪه Qاﺳﺖ6.4 .
اﮔﺮ G=0ﺑﺎﺷﺪ )ﺳﺮﻳﻬﺎي زﻣﺎﻧﻲ( روش PEMﺗﺎﺑﻊ زﻳﺮ را ﺣﺪاﻗﻞ ﻣـﻲ ﻛﻨـﺪ ﻛـﻪ ﺑـﻪ ﻧـﺎم ﺗﺨﻤﻴﻨﮕـﺮ وﻳﺘـﻞ Whittle
ﺷﻨﺎﺧﺘﻪ ﻣﻲ ﺷﻮد.
10-6
ﺷﻨﺎﺳﺎﻳﻲ :ﺑﻬﻴﻨﻪ ﺳﺎزي ﺧﻄﻲ
7-1-6ﺷﻨﺎﺳﺎﻳﻲ ﻣﺪل ﻓﻀﺎي ﺣﺎﻟﺖ Subspace Methods:
اﻳﻦ اﻣﻜﺎن وﺟﻮد داﺷﺖ ﻛﻪ ﻣﺪل ﻓﻀﺎي ﺣﺎﻟﺖ ﺑﻪ ﻣﺪل ورودي-ﺧﺮوﺟﻲ ﺗﺒﺪﻳﻞ و ﻣﻮرد ﺷﻨﺎﺳﺎﻳﻲ ﻗﺮار ﮔﻴﺮد .اﻣﺎ در اﻳﻨﺠـﺎ
ﻣﺴﺘﻘﻴﻤﺎ ﻣﺪل ﻓﻀﺎي ﺣﺎﻟﺖ ﺷﻨﺎﺳﺎﻳﻲ ﻣﻲ ﮔﺮدد .ﺳﻴﺴﺘﻢ ﺧﻄﻲ را ﻣﻲ ﺗﻮان ﺑﺎ ﻣﺪل زﻳـﺮ ﻛـﻪ در آن vو wﻧـﻮﻳﺰ ﺳـﻔﻴﺪ
ﻫﺴﺘﻨﺪ ﻧﻮﺷﺖ
روش ﺟﺎﻳﮕﺰﻳﻦ
اﺳﺖ ﻛﻪ در آن vرﻧﮕﻲ اﺳﺖ .در ﻳﻚ ﻣﻘﺎﻳﺴﻪ ﺳﺎﻳﺰ ﻣﺪل 7.54ﻛﻮﭼﻜﺘﺮ از 7.55اﺳﺖ زﻳﺮ ﺑﺮاي ﻣﺪل ﻛﺮدن ﻧﻮﻳﺰ رﻧﮕـﻲ
ﺑﻪ در ﻧﻈﺮ ﮔﺮﻓﺘﻦ extra stateﻧﻴﺎز اﺳﺖ.
ﻣﺪل ﻓﻀﺎي ﺣﺎﻟﺖ را ﻣﻤﻜﻦ اﺳﺖ از physical insightﻳﺎ black boxﺑﺼﻮرت canonicalدر ﻧﻈﺮ ﮔﺮﻓﺖ.
اﮔﺮ ﺷﺮط canonicalﺑﺮداﺷﺘﻪ ﺷﻮد ﭼﻮن ﺑﻴﻨﻬﺎﻳﺖ ﻣﺪل ﻓﻀﺎي ﺣﺎﻟﺖ ﺑﺎ ورودي-ﺧﺮوﺟﻲ ﻳﻜﺴﺎن وﺟﻮد ﺧﻮاﻫﺪ داﺷـﺖ
ﻻﺟﺮم xرا ﺑﺎﻳﺪ ﻣﺸﺨﺺ ﻛﺮد ﺗﺎ ﻣﺪل ﻣﻨﺤﺼﺮ ﺑﻪ ﻓﺮد ﺷﻮد .دﻗﺖ ﻛﻨﻴﺪ ﻛﻪ ﻓﻘـﻂ uو yاﻧـﺪازه ﮔﻴـﺮي ﻣـﻲ ﺷـﻮﻧﺪ و
ﻣﻘﺎدﻳﺮ xﻫﺎ ﺑﺎﻳﺪ ﺑﻪ ﻧﺤﻮ ﻣﻨﺎﺳﺐ ﺗﺨﻤﻴﻦ زده ﺷﻮﻧﺪ.
اﮔﺮ ﻓﺮض ﻛﻨﻴﺪ ﻛﻪ xﻫﺎ ﻣﻮﺟﻮد ﻫﺴﺘﻨﺪ ﻣﺪل را ﺑﺼﻮرت ورودي ﺧﺮوﺟﻲ ﻣﺎﺗﺮﻳﺴﻲ ﺑﻨﻮﻳﺴﻴﻢ
ﻛﻪ ﻣﺪل ﭘﻴﺶ ﺑﻴﻨﻲ kﮔﺎم ﺑﻪ ﺟﻠﻮ ﭘﻴﺶ ﺑﻴﻨﻲ )ﺻﺮﻓﺎ ﺑﺪون ﻧﻈﺮ ﮔﺮﻓﺘﻦ ﻧﻮﻳﺰ(
11-6
ﺷﻨﺎﺳﺎﻳﻲ :ﺑﻬﻴﻨﻪ ﺳﺎزي ﺧﻄﻲ
ﺑﺎﺷﺪ ﺣﺎل ﺑﺮاي ﻫﺮ زﻣﺎن ﺑﺮدار ) Ŷr(tﺷﺎﻣﻞ ﭘﻴﺶ ﺑﻴﻨﻴﻬﺎي 1ﺗﺎ rﺳﺎﺧﺘﻪ ﻣﻲ ﺷﻮد
12-6
ﺷﻨﺎﺳﺎﻳﻲ :ﺑﻬﻴﻨﻪ ﺳﺎزي ﺧﻄﻲ
ﻣﻲ ﺗﻮان ﺑﺠﺎي ﻣﺎﺗﺮﻳﺲ آزاد ﺑﻌﻀﻲ از اﻋﻀﺎ ﻣﺎﺗﺮﻳﺲ ﻛﻪ از ﻗﺒﻞ ﻣﻌﺎوم ﻫﺴﺘﻨﺪ را در ﺳﺎﺧﺘﺎر ﻟﺤﺎظ ﻛﺮد
ﺑﺮاي ﺗﺨﻤﻴﻦ ﻣﺎﺗﺮﻳﺲ ﺳﺎﺧﺘﺎردار structuredاز دﺳﺘﻮر pemﻣﻲ ﺗـﻮان اﺳـﺘﻔﺎده ﻛـﺮد .دﺳـﺘﻮر pemاز n4sidﺑـﺮاي
ﺑﺪﺳﺖ آوردن ﺗﺨﻤﻴﻦ اوﻟﻴﻪ اﺳﺘﻔﺎده ﻣﻲ ﻛﻨﺪ.
;)’m2 = pem(z,ms,’display’,’on
13-6
ﺷﻨﺎﺳﺎﻳﻲ :ﺑﻬﻴﻨﻪ ﺳﺎزي ﺧﻄﻲ
ﺗﺨﻤﻴﻦ ﺑﻪ θ0ﻣﻴﻞ ﻣﻲ ﻛﻨﺪ ﻛﻪ ﻧﺸﺎن ﻣﻲ دﻫﺪ εو ϕﺑﻬﻢ واﺑﺴﺘﻪ ﻧﻴﺴﺘﻨﺪ .در ﺣﺎﻟﺖ اﻳـﺪه ال ﺧﻄـﺎي ﺗﺨﻤـﻴﻦ )ε(t,θ
ﺑﺮاي ﻣﺪل ﺧﻮب )درﺳﺖ ﺗﺨﻤﻴﻦ زده ﺷﺪه( ﺑﺎﻳﺪ ﻣﺴﺘﻘﻞ از Zt-1ﺑﺎﺷﺪ.
اﻣﺎ در ﺳﻴﺴﺘﻢ
ﺑﻪ دﻟﻴﻞ واﺑﺴﺘﮕﻲ ﺑﻴﻦ ) ϕﺑﻪ دﻟﻴﻞ ﻣﻮﻟﻔﻪ (yو voﺗﺨﻤﻴﻦ ﺑﺪون ﺑﺎﻳﺎس ﺑﺪﺳﺖ ﻧﻤﻲ آﻳﺪ) .ﺷﺮوط ﺗﺨﻤﻴﻦ ﺑـﺪون ﺑﺎﻳـﺎس
LSﻧﻘﺾ ﻣﻲ ﺷﻮد( دراﻳﻦ ﺣﺎﻟﺖ ﻧﻮﻳﺰ رﻧﮕﻲ اﺳﺖ.
ﺑﺮاي ﺗﺨﻤﻴﻦ ﺧﻮب ﺣﺪاﻗﻞ ﺑﺮاي دﻳﺘﺎي ﻣﺤﺪود
14-6
ﺷﻨﺎﺳﺎﻳﻲ :ﺑﻬﻴﻨﻪ ﺳﺎزي ﺧﻄﻲ
ﻧﻤﻮﻧﻪ ﻫﺎﻳﻲ از Zt-1و αﻳﻚ transformationاﺳﺖ ﻛـﻪ ﻣـﻲ ﺗﻮاﻧـﺪ α(ε)=εﺑﺎﺷـﺪ. ﺑﺎﻳﺪ ﺑﺮﻗﺮار ﺷﻮد ﻛﻪ در آن
ﻓﺮﻣﻮل ﺑﻨﺪي اﻳﻦ اﻳﺪه ﺑﺎ ﻟﺤﺎظ ﻛﺮدن ﭘﻴﺶ ﻓﻴﻠﺘﺮ Lو اﻳﻨﻜﻪ ζﺑﻪ θواﺑﺴﺘﻪ ﺑﺎﺷﺪ اﻳﻨﮕﻮﻧﻪ اﺳﺖ
ﻣﺜﺎل Pseudo linear Regressions (3
در ﻣﺜﺎل PLRﻓﺮﻣﻮل ﭘﻴﺶ ﺑﻴﻨﻲ
ﻛﻪ ϕﺑﻪ θواﺑﺴﺘﻪ اﺳﺖ .در ﺗﺨﻤﻴﻦ ﭘﺎراﻣﺘﺮ ﺑﺎﻳﺪ ﺑﺎﻗﻴﻤﺎﻧﺪه εﻣﺴﺘﻘﻞ از ϕﺷﻮد ﻛﻪ ﺑﻪ ﻣﻌﻨﻲ راﺑﻄﻪ زﻳﺮ اﺳﺖ
ﻛﻪ ﻗﺒﻼ ﮔﻔﺘﻪ ﺷﺪ ﻛﻪ ﻣﺤﻘﻖ ﻧﻤﻲ ﺷﻮد .از اﻳﻨﺮو ﺑﺮاي ﺗﺨﻤﻴﻦ ﺑﺪون ﺑﺎﻳﺎس از روش IVﻣﻲ ﺗﻮان اﺳﺘﻔﺎده ﻛﺮد
از اﻳﻨﺮو ﺑﺮاي رﻓﻊ ﻣﺸﻜﻞ اﮔﺮ ﺑﺘﻮان ﺑﺠﺎي ϕاز (instruments or instrumental variables) ζاﺳﺘﻔﺎده ﻛﺮد
ﺗﺨﻤﻴﻦ ﻣﺠﺎﻧﺒﻲ ﺑﺪون ﺑﺎﻳﺎس θﺑﺪﺳﺖ آﻣﺪه اﺳﺖ اﻳﻦ راﺑﻄﻪ ﻣﺸﺎﺑﻪ راﺑﻄﻪ LSاﺳﺖ اﮔﺮ ﻣﻌﻜﻮس وﺟﻮد داﺷﺘﻪ ﺑﺎﺷﺪ
ﺑﻪ ﺳﻤﺖ ﺻﻔﺮ ﻣﻲ رود .ﺑﺮاي اﻳﻦ ﻣﻨﻈﻮر دو ﺷﺮط زﻳـﺮ ﺑﺎ اﻳﻦ ﺗﺮﺗﻴﺐ ̂ θﺑﻪ θ0ﺑﺼﻮرت ﻣﺠﺎﻧﺒﻲ ﻣﻴﻞ و
ﺑﺎﻳﺪ ﺑﺮﻗﺮار ﺷﻮد.
ﻣﻌﻨﻲ اﻳﻦ دو ﺷﺮط آن اﺳﺖ ﻛﻪ اﻳﻨﺴﺘﺮوﻣﻨﺖ ﺑﺎﻳﺪ ﺑﺎ دﻳﺘﺎ ﻫﻤﺒﺴﺘﻪ و ﺑﺎ vﻏﻴﺮ ﻫﻤﺒﺴﺘﻪ ﺑﺎﺷﺪ
اﻧﺘﺨﺎب :Instrumentﻓﻴﻠﺘﺮ ﻛﺮدن ورودي
در ﺳﻴﺴﺘﻢ زﻳﺮ
اﻳﺪه اﻳﻦ اﺳﺖ ﻛﻪ ﺑﻪ ﺟﺎي yاز ﻓﻴﻠﺘﺮ ﺷﺪه uﺑﻪ ﻧﺎم xدر ﺑﺮدار رﮔﺮﺳﻮر اﺳﺘﻔﺎده ﺷﻮد.
15-6
ﺷﻨﺎﺳﺎﻳﻲ :ﺑﻬﻴﻨﻪ ﺳﺎزي ﺧﻄﻲ
اﻧﺘﺨﺎب ﻓﻴﻠﺘﺮ
روش :1اﻧﺘﺨﺎب ﺳﺎده :ﻳﻚ اﻧﺘﺨﺎب ﺑﺮدار ξاز اﻳﻦ ﻗﺮار اﺳﺖ ﻛﻪ ﻃﻮل آن n = na + nbاﺳﺖ.
=)ξ(k
در ﺣﺎﻟﻴﻜﻪ ﺑﺮدار ϕاﻳﻨﮕﻮﻧﻪ اﺳﺖ
روش :2اﻋﻤﺎل LSﻋﻠﻴﺮﻏﻢ اﻳﻨﻜﻪ ﺗﺨﻤﻴﻦ ﺑﺎﻳﺎس دار ﺗﻮﻟﻴﺪ ﻣﻲ ﻛﻨﺪ و ﺑﺪﺳﺖ آوردن Âو ̂ Bو اﺳﺘﻔﺎده از اﻳﻦ دو ﺑـﺮاي
ﺗﻮﻟﻴﺪ N=Â & M=B̂ . x
روش :3ﻓﻴﻠﺘﺮ ﺑﻬﻴﻨﻪ ﺑﺮاي :IVﺑﺮاي ﺳﻴﺴﺘﻢ زﻳﺮ
وارﻳﺎﻧﺲ ﺑﻬﻴﻨﻪ ﺗﺨﻤﻴﻦ ﻛﺮان Cramer Raoزﻳﺮ اﺳﺖ )در ﺑﺨﺸﻬﺎي ﺑﻌﺪي ﻧﺸﺎن داده ﺧﻮاﻫﻨﺪﺷﺪ(
ﻛﻪ
ﻛﻪ اﻟﺒﺘﻪ ﻣﻘﺎدﻳﺮ آﻧﻬﺎ ﻣﺠﻬﻮل ﻫﺴﺘﻨﺪ .اﻳﻦ ﻣﺸﻜﻞ ﺑﺎ Adaptive IVﻣﺮﺗﻔﻊ ﻣﻲ ﮔﺮدد
ﮔﺎم :1ﺗﺨﻤﻴﻦ ﻣﺪل زﻳﺮ ﺑﺎ LSو ﺗﻌﻴﻴﻦ Ĝو ̂ θﻛﻪ ﻧﺘﻴﺠﻪ ﺑﺎﻳﺎس دار ﻣﻲ دﻫﺪ.
ﮔﺎم :2ﺗﻮﻟﻴﺪ ﺑﺮدار ξﺑﺎ ﻓﻴﻠﺘﺮ ﻛﺮدن ورودي ﺑﺎ Ĝو ﺗﺨﻤﻴﻦ Ĝ2ﺑﺎ اﻋﻤﺎل IV
16-6
ﺷﻨﺎﺳﺎﻳﻲ :ﺑﻬﻴﻨﻪ ﺳﺎزي ﺧﻄﻲ
ﺟﺎل ﺑﺎ اﻳﻦ ξو Lﺑﺎ اﺳﺘﻔﺎده از IVﺗﺨﻤﻴﻦ ﻧﻬﺎﻳﻲ ﭘﺎراﻣﺘﺮ زده ﺷﻮد.
Considerations
وارﻳﺎﻧﺲ و MSEﺗﺎﺑﻊ ﻧﻮع اﻳﻨﺴﺘﺮوﻣﻨﺖ اﻧﺘﺨﺎﺑﻲ اﺳﺖ
ﭘﺎﻳﺪاري IVﺗﻀﻤﻴﻨﻲ ﻧﻴﺴﺖ
اﺳﺘﻔﺎده از ﻓﻴﻠﺘﺮ ﺳﺎده ﻣﻤﻜﻦ اﺳﺖ ﭘﺎﺳﺨﻬﺎي ﻏﻴﺮ ﻗﺎﺑﻞ ﻗﺒﻮل ﺗﻮﻟﻴﺪ ﻛﻨﺪ
ﺗﺨﻤﻴﻦ ﺑﺪون ﺑﺎﻳﺎس ﻣﺨﺪوش ﻣﻲ ﺷﻮد اﮔﺮ
v و ζﻫﻤﺒﺴﺘﻪ ﺑﺎﺷﻨﺪ )ﺗﻮﻟﻴﺪ اﻳﻨﺴﺘﺮوﻣﻨﺖ ﺑﺮ اﺳﺎس uدر ﺣﻠﻘﻪ ﺑﺴﺘﻪ( .در ﺣﻠﻘﻪ ﺑﺴﺘﻪ اﻳﻨﺴﺘﺮوﻣﻨﺖ ﺑﺮ اﺳﺎس rﺗﻮﻟﻴـﺪ
ﮔﺮدد
ﻧﺎ درﺳﺖ ﺑﻮدن درﺟﻪ ﻣﺪل
ﻓﻴﻠﺘﺮ اﻳﻨﺴﺘﺮوﻣﻨﺖ ﺑﻪ ﻧﺤﻮي ﺑﺎﺷﺪ ﻛﻪ دﻳﻨﺎﻣﻴﻚ ﺳﻴﺴﺘﻢ را ﺣﺬف ﻛﻨﺪ
ﺳﻴﺴﺘﻢ واﻗﻌﻲ ﺟﺰئ ﻣﺠﻤﻮﻋﻪ ﻣﺪﻟﻬﺎ ﻧﺒﺎﺷﺪ )ﻣﺪل ﺗﻘﺮﻳﺒﻲ ﻣﺪ ﻧﻈﺮ ﺑﺎﺷﺪ(
ﻣﺜﺎل (4ﻣﺜﺎل :ﻣﻘﺎﻳﺴﻪ ﻋﻤﻠﻜﺮد ARXو IV
17-6
ﺷﻨﺎﺳﺎﻳﻲ :ﺑﻬﻴﻨﻪ ﺳﺎزي ﺧﻄﻲ
و دﻳﺘﺎﻫﺎي ) y(tو ) u(tرا در ﻧﻈﺮ ﺑﮕﻴﺮﻳﺪ .ﻓﻮرﻳﻪ ﺳﻴﮕﻨﺎﻟﻬﺎي اﻧﺪازه ﮔﻴﺮي ﺷﺪه )در ﻋﻤﻞ ﺑﺎ ( DFTﻗﺎﺑﻞ ﻣﺤﺎﺳﺒﻪ اﺳﺖ
آﻧﺠﻪ ﺗﺨﻤﻴﻦ زده ﻣﻲ ﺷﻮد ﻣﻘﺎدﻳﺮ ﻣﻮﻫﻮﻣﻲ و ﺣﻘﻴﻘﻲ Gدر ﺗﻌﺪادي ﻓﺮﻛﺎﻧﺲ اﺳﺖ
اﮔﺮ Hﻣﻌﻠﻮم و ﺛﺎﺑﺖ ﺑﺎﺷﺪ روش ﺑﺨﻮﺑﻲ ﻛﺎر ﻣﻲ ﻛﻨﺪ .اﻳﻦ ﻓﺮض در ﻛﺎرﺑﺮدﻫﺎ ﺑﺎ دﻳﺘﺎ در ﻣﻴﺪان ﻓﺮﻛـﺎﻧﺲ ﻓـﺮض ﻣﻌﻤـﻮﻟﻲ
اﺳﺖ .در ﻛﺎرﺑﺮدﻫﺎﻳﻲ ﻛﻪ ورودي ﭘﺮﻳﻮدﻳﻚ اﺳﺖ ﻧﻴﺰ ﻣﻲ ﺗﻮان ﺑﺎ ﭘﻴﺶ ﭘﺮدازش ﺗﺨﻤﻴﻦ ﻣﻌﻘﻮﻟﻲ از Hرا داﺷﺖ.
دﺳﺘﻮر MATLAB
دﺳﺘﻮر MATLABﺑﺮاي اﻳﻦ ﻧﻮع ﺷﻨﺎﺳﺎﻳﻲ از اﻳﻦ ﻗﺮار اﺳﺖ.
)sys = tfest(data,np,nz,iodelay
ﻛﻪ npو nzﺑﻪ ﺗﺮﺗﻴﺐ ﺗﻌﺪاد ﻗﻄﺒﻬﺎ و ﺻﻔﺮﻫﺎ ﻫﺴﺘﻨﺪ.
ﻣﺰاﻳﺎ
ﻓﻴﻠﺘﺮ ﻛﺮدن ﺳﺎده اﺳﺖ :ﺑﺎ ﺿﺮب وزن ﻣﻮرد ﻧﻈﺮ ﺑﻪ ﻣﻮﻟﻔﻪ ﻫﺎي ﻓﺮﻛﺎﻧﺴﻲ ﻓﻴﻠﺘﺮﻳﻨﮓ اﻧﺠﺎم ﻣﻲ ﺷﻮد.
ﻛﺎﻫﺶ ﺣﺠﻢ دﻳﺘﺎ :وﻗﺘﻲ ﺣﺠﻢ دﻳﺘﺎي اﻧﺪازه ﮔﻴﺮي ﺷﺪه ﺑﻪ دﻟﻴﻞ وﺟﻮد ﺛﺎﺑﺖ زﻣﺎﻧﻲ ﺑـﺎ ﻣﻘـﺎدﻳﺮ ﮔﺴـﺘﺮده در ﺳﻴﺴـﺘﻢ
زﻳﺎد اﺳﺖ ،ﺑﺎ اﻧﺘﻘﺎل ﺑﻪ ﻣﻴﺪان ﻓﺮﻛﺎﻧﺲ ﻓﺸﺮده ﻣﻲ ﺷﻮﻧﺪ )در ﻫﻢ ادﻏﺎم ﻣﻲ ﺷﻮﻧﺪ(
ادﻏﺎم ﻧﺘﺎﻳﺞ آزﻣﺎﻳﺸﺎت :ﻧﺘﺎﻳﺞ ﻧﻤﻲ ﮔﻮﻳﺪ ﻛﻪ دﻳﺘﺎ در ﻓﺮﻛﺎﻧﺴﻬﺎي ﻣﺨﺘﻠﻒ ﺑﺎﻳﺪ ﻧﺎﺷﻲ از ﻳﻚ آزﻣﺎﻳﺶ ﺑﺎﺷﻨﺪ ،دﻳﺘﺎي در
ﻓﺮﻛﺎﻧﺴﻬﺎي ﻣﺨﺘﻠﻒ ﻣﻲ ﺗﻮاﻧﺪ از آزﻣﺎﻳﺸﺎت ﻣﺘﻔﺎوت ﺑﺎﺷﺪ ﻛﻪ در ﻣﻴﺪان ﻓﺮﻛﺎﻧﺲ ﺗﺮﻛﻴﺐ ﺷﺪه اﻧﺪ
ورودي ﭘﺮﻳﻮدﻳﻚ :اﮔﺮ ورودي ﭘﺮﻳﻮدﻳﻚ ﺑﺎﺷﺪ ﺷﻨﺎﺳﺎﻳﻲ ﻛﻪ از اﻳﻦ ﻃﺮﻳﻖ ﺑﺪﺳﺖ ﻣﻲ َآﻳﺪ ﺑﺴـﻴﺎر ﻣﻨﺎﺳـﺐ اﺳـﺖ .زﻳـﺮا
اﻃﻼﻋﺎت در ﻣﻴﺪان ﻓﺮﻛﺎﻧﺲ ارﺗﺒﺎط ﻣﺎﻧﺪﮔﺎرﺑﻴﻦ ورودي ﭘﺮﻳﻮدﻳﻚ و ﺧﺮوﺟﻲ در ﺣﺎﻟﺖ ﻣﺎﻧﺪﮔﺎر را ﻧﺸﺎن ﻣﻲ دﻫﺪ.
19-6
ﺷﻨﺎﺳﺎﻳﻲ :ﺑﻬﻴﻨﻪ ﺳﺎزي ﺧﻄﻲ
ﺗﺨﻤﻴﻦ ﻏﻴﺮ ﭘﺎراﻣﺘﺮﻳﻚ ﻧﻮﻳﺰ از ورودي ﭘﺮﻳﻮدﻳﻚ :اﮔﺮ ﺳﻴﺴﺘﻢ y=Gu+vﺑﻮده و ورودي ﭘﺮﻳﻮدﻳـﻚ ﺑـﺎ ﭘﺮﻳـﻮد M
ﺑﺎﺷﺪ Guﻧﻴﺰ در ﺣﺎﻟﺖ ﻣﺎﻧﺪﮔﺎر ﭘﺮﻳﻮدﻳﻚ اﺳﺖ و ﻣﻲ ﺗﻮان ﻧﻮﻳﺰ را ﺗﺨﻤﻴﻦ زد
:Band-Limited Signals اﮔﺮ ﺳﻴﮕﻨﺎل ورودي ﺑﺎﻧﺪ ﻣﺤﺪود ﺑﺎﺷﺪ ﺗﺒﺪﻳﻞ ﻓﻮرﻳﻪ ﭘﻴﻮﺳﺘﻪ زﻣﺎن آﻧـﺮا ﺑـﺮ اﺳـﺎس دﻳﺘـﺎ
ﮔﺴﺴﺘﻪ ﻣﻲ ﺗﻮان ﻣﺤﺎﺳﺒﻪ ﻛﺮدو ﺑﺎ ﺗﻘﺴﻴﻢ ﻃﻴﻒ ﭘﻴﻮﺳﺘﻪ ﺧﺮوﺟﻲ ﺑﻪ ورودي ﻣﺪل ﺳﻴﺴﺘﻢ را ﺗﺨﻤﻴﻦ زد
Continuous-TIme Models. ﻣﺒﺎﺣﺚ ﻓﻮق ﻧﺸﺎن داد ﻛﻪ ﺳﻴﺴﺘﻢ ﭘﻴﻮﺳﺘﻪ را ﻣﻲ ﺗـﻮان ﺑـﺮ اﺳـﺎس دﻳﺘـﺎي ﭘﻴﻮﺳـﺘﻪ
ﺑﺴﻬﻮﻟﺖ ﺷﻨﺎﺳﺎﻳﻲ ﻛﺮد.
: Trade-off Noise\ Frequency Resolution رزوﻟﻮﺷﻦ ﻓﺮﻛﺎﻧﺴﻲ و ﺳﻄﺢ ﻧﻮﻳﺰ ﻃﻴﻒ راﺑﻄﻪ ﻣﻌﻜﻮس دارﻧـﺪ .در
اﻳﻦ ﺟﺎ ﻣﻲ ﺗﻮان ﻛﻨﺘﺮل ﻣﺴﺘﻘﻴﻢ و واﺑﺴﺘﻪ ﺑﻪ ﻓﺮﻛﺎﻧﺲ روي راﺑﻄﻪ داﺷﺖ
20-6
ﺷﻨﺎﺳﺎﻳﻲ :ﺑﻬﻴﻨﻪ ﺳﺎزي ﺧﻄﻲ
)_ Maximum a posteriori estimate (MAP
IVM
ﺑﺪون ﻣﺪل ﻛﺮدن ﻧﻮﻳﺰ رﻧﮕﻲ ﺗﺨﻤﻴﻦ ﺑﺪون ﺑﺎﻳﺎس ﻣﻲ دﻫﺪ ﻣﺸﺮوط ﺑﺮآﻧﻜﻪ اﻳﻨﺴﺘﺮوﻣﻨﺖ ﻣﻨﺎﺳﺐ اﺳﺘﻔﺎده ﺷﻮد.
ﻛﻴﻔﻴﺖ ﻣﺪل ﺷﺪﻳﺪا ﺗﺎﺑﻊ اﻧﺘﺨﺎب اﻳﻨﺴﺘﺮﻣﻨﺖ اﺳﺖ
ﻋﻤﻮﻣﺎ ﺑﺮاي ﻣﺪﻟﻬﺎي ﺧﻄﻲ ﺧﺼﻮﺻﺎ ARXاﺳﺘﻔﺎده ﻣﻲ ﺷﻮد
ﻣﺤﺎﺳﺒﺎت ﻓﺮﻣﻮل ﺑﺴﺘﻪ دارد
در ﺣﺎﻟﺖ ﺣﻠﻘﻪ ﺑﺎز SεMﺗﺨﻤﻴﻦ ﺑﺪون ﺑﺎﻳﺎس ﻣﻲ دﻫﺪ.
در ﺣﺎﻟﺖ ﻣﺪل ﺗﻘﺮﻳﺒﻲ S ∉Mﻋﻤﻠﻜﺮد ﺧﻴﻠﻲ واﺿﺢ ﻧﻴﺴﺖ
راﺑﻄﻪ واﺿﺢ ﺑﻴﻦ وارﻳﺎﻧﺲ ﺗﺨﻤﻴﻦ و ﭘﺎراﻣﺘﺮﻫﺎي روش وﺟﻮد دارد
روش less robustو statistically less effectiveاز PEMاﺳﺖ
subspace
ﺑﻄﻮر ﺧﺎص ﺑﺮاي ﻓﻀﺎي ﺣﺎﻟﺖ ﺧﻄﻲ ﻃﺮاﺣﻲ ﺷﺪه اﺳﺖ
در ﺣﺎﻟﺖ ﺣﻠﻘﻪ ﺑﺎز SεMﺗﺨﻤﻴﻦ ﺑﺪون ﺑﺎﻳﺎس ﻣﻲ دﻫﺪ.
در ﺣﺎﻟﺖ ﻣﺪل ﺗﻘﺮﻳﺒﻲ S ∉Mﻋﻤﻠﻜﺮد ﺧﻴﻠﻲ واﺿﺢ ﻧﻴﺴﺖ
ﻣﺤﺎﺳﺒﺎت ﻓﺮم ﺑﺴﺘﻪ دارد
21-6
7ﻛﻴﻔﻴﺖ ﺗﺨﻤﻴﻦ :وارﻳﺎﻧﺲ ﺣﺪ ﺧﻄﺎ و وارﻳﺎﻧﺲ ﭘﺎراﻣﺘﺮﻫﺎ
را ﻣﻲ ﺗﻮان ﺑﺮاي ﻳﻚ ﺳﻴﺴﺘﻢ و ﻣﺪل ﺑﺎ ﻣﺸﺨﺼﺎت از ﻗﺒﻞ ﻣﻌﻠﻮم ﻣﺤﺎﺳﺒﻪ ﻛـﺮد .اﻳـﻦ ﻣﻘـﺪار ﻛﻴﻔﻴـﺖ روش و ﻣـﺪل در
ﺑﻬﺘﺮﻳﻦ ﺣﺎﻟﺖ را ﺑﻄﻮر ﺗﺌﻮرﻳﻚ ﻣﺸﺨﺺ ﻣﻲ ﻛﻨﺪ .ﻣﺜﺎﻟﻬﺎي زﻳﺮ ﻧﺤﻮه ﻣﺤﺎﺳﺒﻪ را ﻧﺸﺎن ﻣﻲ دﻫﻨﺪ.
2-7 وارﻳﺎﻧﺲ ﺧﻄﺎي ﭘﻴﺶ ﺑﻴﻨﻲ و ﺗﺨﻤﻴﻦ ﭘﺎراﻣﺘﺮ
Example 8.1 Bias in ARX Structures .1 ﻣﺜﺎل
ﻫﺴﺘﻨﺪ1 ﺑﻪ ﺗﺮﺗﻴﺐ و ﻫﺮ دو ﺑﺮاﺑﺮλ وμ ﻣﺴﺘﻘﻞ ﻧﻮﻳﺰ ﺳﻔﻴﺪ ﺑﺎ وارﻳﺎﻧﺲe وu ﻓﺮض ﻛﻨﻴﺪ ﺑﺮاي ﺳﻴﺴﺘﻢ زﻳﺮ ﻛﻪ
ﺑﺮاﺑﺮ اﺳﺖ ﺑﺎPEM وارﻳﺎﻧﺲ ﺧﻄﺎ.ﺗﺤﺖ اﻳﻦ ﺷﺮاﻳﻂ در ﺑﻬﺘﺮﻳﻦ وﺿﻌﻴﺖ وارﻳﺎﻧﺲ ﺧﻄﺎ ﻗﺎﺑﻞ ﻣﺤﺎﺳﺒﻪ ﺗﺌﻮرﻳﻚ اﺳﺖ
.اﺳﺖ وارﻳﺎﻧﺲ ﺧﻄﺎ ﻛﻤﺘﺮاز وارﻳﺎﻧﺲ ﺑﺎ ﻣﻘﺎدﻳﺮ واﻗﻌﻲ،ﻋﻠﻴﺮﻏﻢ ﺗﺨﻤﻴﻦ ﺑﺎﻳﺎس دار
3-7 وارﻳﺎﻧﺲ ﺧﻄﺎي ﭘﻴﺶ ﺑﻴﻨﻲ و ﺗﺨﻤﻴﻦ ﭘﺎراﻣﺘﺮ
ﺑﻪ ﻣﻘﺎدﻳﺮ ﺑﻬﻴﻨﻪ ﺧﻮد * aو b=b0ﻣﻴﻞ ﻣﻲ ﻛﻨﺪ .دﻳﺪه ﻣـﻲ ﺷـﻮد ﻛـﻪ در ﻧﺘﻴﺠﻪ PEMﭘﺎراﻣﺘﺮﻫﺎي و
اﺳﺖ. ﺗﺨﻤﻴﻨﻲ ﺑﺎﻳﺎس دار اﺳﺖ .وﻟﻲ اﻳﻦ ﺗﺨﻤﻴﻦ ﺑﺎﻳﺎس دار وارﻳﺎﻧﺲ ﻛﻤﺘﺮي ﻣﻲ دﻫﺪ ﻛﻪ ﺑﻬﺘﺮ از ﺗﺨﻤﻴﻦ دﻗﻴﻖ
ﺿﻤﻨﺎ اﻓﺰاﻳﺶ µاﻓﺰاﻳﺶ r0و ﻣﺘﻌﺎﻗﺒﺎ ﻛﺎﻫﺶ ﺑﺎﻳﺎس را ﺑﺪﻧﺒﺎل دارد.
Example 8.2 Wrong Time Delay ﻣﺜﺎل .2
ﺣﺎل اﻳﻦ ﻣﺜﺎل را ﺑﺮرﺳﻲ ﻣﻲ ﻛﻨﻴﻢ
ﻛﻪ در ان vو wﻧﻮﻳﺰ ﺳﻔﻴﺪ ﺑﺎ وارﻳﺎﻧﺲ 1ﻫﺴﺘﻨﺪ .وﻗﺘﻲ ﻣﺪل ﺗﺨﻤﻴﻦ ﺑﺎ ﺗﺎﺧﻴﺮ ﺻﺤﻴﺢ
ﭘﺎراﻣﺘﺮ ﺑﻪ ﻧﺤﻮي ﺗﺨﻤﻴﻦ زده ﻣﻲ ﺷﻮد ﻛﻪ وارﻳﺎﻧﺲ ﺣﺪاﻗﻞ ﮔﺮدد .ﺑﺎ ﺻﻔﺮ ﻛﺮدن ﻣﺸﺘﻖ ﻧﺴﺒﺖ ﺑﻪ bﺑﺪﺳﺖ ﻣﻲ آﻳﺪ.
ﺗﺎﺧﻴﺮ ﻏﻠﻂ
ﺣﺎﻻاﮔﺮ ﻣﺪل ) ŷ=bu(tﻳﻌﻨﻲ ﺑﺎ ﺗﺎﺧﻴﺮ ﻏﻠﻂ در ﻧﻈﺮ ﮔﺮﻓﺘﻪ ﺷﻮد و ﻣﺤﺎﺳﺒﺎت ﺑﺎ اﻳﻦ ﻣﺪل ﺗﻜﺮار ﺷﻮد ﻣﻨﺠﺮ ﺑﻪ وارﻳﺎﻧﺲ
ﻛﻤﺘﺮاز آن اﺳﺖ ﺑﻪ اﻳﻦ ﻣﻌﻨﻲ ﻛﻪ ﺗﺨﻤﻴﻦ ﺑﻲ ﻓﺎﻳـﺪه ﺑـﻮده ﻣﻴﮕﺮدد در ﺣﺎﻟﻴﻜﻪ وارﻳﺎﻧﺲ ﺧﺮوﺟﻲ ﺧﻄﺎي
اﺳﺖ
r(t) ﺳﻴﮕﻨﺎل ﺗﺤﺮﻳﻚ ﺧﺎرﺟﻲ ﻣﻌﻴﻦ ﻛﺮاﻧﺪار اﺳﺖ )ﻗﺎﺑﻞ ﺗﻜﺮار( .اﻳﻦ ﺳﻴﮕﻨﺎل ﺑﺎﻳﺪ informativeﺑﺎﺷﺪ .ﻳﻚ ﻧﻮع ﺑﻴﺎن
informativeﺑﻮدن z(w)>0 is positive definiteدﻳﺘﺎ اﺳﺖ.
y و uﺳﻴﮕﻨﺎﻟﻬﺎي jointly quasi-stationaryﻫﺴﺘﻨﺪ ﻳﺎ ﺑﻪ ﻋﺒﺎرت دﻳﮕﺮ آﻧﻬـﺎ را ﻳـﻚ ﺳﻴﺴـﺘﻢ ﭘﺎﻳـﺪار ﺧﻄـﻲ ﺑـﺎ
ورودﻳﻬﺎي ﻛﺮاﻧﺪار ﺗﻮﻟﻴﺪ ﻛﺮده اﺳﺖ.
ﺗﺒﻴﻴﻦ D1در ﻗﺎﻟﺐ ﺳﻴﺴﺘﻢ ﻓﻴﺪﺑﻚ S1:
ﺷﺮوط ﻓﻮق ﺑﻪ ﺗﻌﺒﻴﺮ دﻳﮕﺮ آن اﺳﺖ ﻛﻪ ﺳﻴﺴﺘﻢ ﺧﻄﻲ ﺣﻠﻘﻪ ﺑﺴﺘﻪ )ﻳﺎ ﺑﺎز( زﻳﺮ ﺳﻴﮕﻨﺎل yو uرا ﺗﻮﻟﻴﺪ ﻛﺮده اﺳﺖ.
1-2-7ﻫﻤﮕﺮاﻳﻲ
ﺑﺮاي PEMﺑﺎ ﻣﻌﻴﺎر quadraticوارﻳﺎﻧﺲ ﺧﻄﺎ ﺑﺮاﺑﺮ اﺳﺖ ﺑﺎ
ﺑﻄـﻮر ﻳﻜﻨﻮاﺧـﺖ ﺑـﻪ در اﻳﻦ راﺑﻄﻪ VNﺗﻮﻟﻴﺪي دﻳﺘﺎ D1و ̅ Vﻣﺤﺼﻮل ﻧﺘﻴﺠﻪ ﺗﺌﻮرﻳﻚ اﺳﺖ .ﺑﻪ اﻳﻦ ﺗﺮﺗﻴـﺐ
ﻣﻴﻞ ﻣﻲ ﻛﻨﺪ ﺗﺎﺑﻊ ﺣﺪ
Theorem 8.2.ﻫﻤﮕﺮاﻳﻲ ̂
ﺗﺤﺖ ﺷﺮاﻳﻂ ﻓﻮق ﻛﻪ ̅ VN→Vﺑﻪ ﻫﻤﻴﻦ ﺗﺮﺗﻴﺐ ̅θ̂ N→θ
ﻫﻤﮕﺮاﻳﻲ ﺑﺪون ﺷﺮط ﺳﻴﺴﺘﻢ ﺧﻄﻲ D1
در ﺣﺎﻟﺖ ﻛﻠﻲ رواﺑﻄﻲ ﻛﻪ ﻛﻴﻔﻴﺖ ﺗﺨﻤﻴﻦ را ﺑﺎ آﻧﻬﺎ ﻣﻲ ﺗﻮان ﺑﺮرﺳﻲ ﻛﺮد ﺑﻪ ﻗﺮار زﻳﺮ ﻫﺴﺘﻨﺪ
6-7 وارﻳﺎﻧﺲ ﺧﻄﺎي ﭘﻴﺶ ﺑﻴﻨﻲ و ﺗﺨﻤﻴﻦ ﭘﺎراﻣﺘﺮ
ﻧﺘﻴﺠﻪ ﺑﺤﺚ
ﻧﺘﻴﺠﻪ اﻳﻦ اﺳﺖ ﻛﻪ ﺗﺨﻤﻴﻦ ﺑﻪ ﺑﻬﺘﺮﻳﻦ ﺗﻘﺮﻳﺐ ﻣﺪل ﻛﻪ در ﻣﺠﻤﻮﻋﻪ ﻣﺪﻟﻬﺎ وﺟﻮد دارد ﻣﻴﻞ ﻣﻲ ﻛﻨﺪ .ﻣﻘﺪار ̅ Vﻣﻌﻴـﺎر
ﺧﻮب ﺑﻮدن ﺗﻘﺮﻳﺐ اﺳﺖ
V̅ ﻫﻢ ﺑﻪ ﺳﻴﺴﺘﻢ اﺻﻠﻲ ،ﻣﺪل و ﻣﺸﺨﺼﺎت ﺳﻴﮕﻨﺎﻟﻬﺎ واﺑﺴﺘﻪ اﺳﺖ.
از ﺗﺌﻮري 2,2ورودي ﺑﺎﻳﺪ Informativeﺑﺎﺷﺪ z(w)>0 in (8.13).
ﻣﺸﺨﺼﺎت درﺟﻪ 2ﺳﻴﮕﻨﺎل ورودي )وارﻳﺎﻧﺴﻬﺎ( در ﻫﻤﮕﺮاﻳﻲ اﻟﮕﻮرﻳﺘﻢ دﺧﺎﻟﺖ دارﻧﺪ.
ﺑـﻪ ﻛﻪ Hدر ﻣﺪل ﻧﻴﺴﺖ وﻟﻲ Gﺑﺎ ﺳـﺎﺧﺘﺎر درﺳـﺖ وﺟـﻮد دارد در ﻧﻈـﺮ ﺑﮕﻴـﺮﻳﻢ ،ﻃﺒـﻖ 8.4ﺗﺨﻤـﻴﻦ
ﻣﻴﻞ ﻛﻨﺪ
ﺗﺤﺖ ﺷﺮاﻳﻄﻲ رﺳﻴﺪن ﺑﻪ true valueﻧﻴﺰ ﻣﺤﻘﻖ ﻣﻲ ﺷﻮد. ﺑﺮاي ﻣﻌﻴﺎر ﻏﻴﺮ ﺗﻮان 2ﺧﻄﺎ
ﺳﻴﺴﺘﻢ ﺗﺤﺖ ﺗﺎﺛﻴﺮ اﺧﺘﻼل ﻧﻴﺴﺖ و ورودي PBRSﺑﺎ u(w) ≈ 1 all w.است.
ﺑﺎ در ﻧﻈﺮ ﮔﺮﻓﺘﻦ ﻣﺪل ﭘﻴﺸﺒﻴﻨﻲ
ﺑﺪﺳﺖ ﻣﻲ آﻳﻨﺪ ) Q=1ﺑﻪ دﻟﻴﻞ .(H*(q) = 1 and u(w) == 1ﭘﺎﺳﺦ ﻓﺮﻛﺎﻧﺴﻲ ﻣﺪل و ﺳﻴﺴـﺘﻢ واﻗﻌـﻲ در ﺷـﻜﻞ
ﻧﺸﺎن داده ﺷﺪه اﺳﺖ ﻛﻪ ﻧﻤﺎﻳﺶ دﻫﻨﺪه ﺗﻄﺒﻴﻖ ﺧﻮب در ﻓﺮﻛﺎﻧﺴﻬﺎي ﭘﺎﻳﻴﻦ و ﺑﺪ در ﻓﺮﻛﺎﻧﺴﻬﺎي ﺑﺎﻻﺳﺖ
9-7 وارﻳﺎﻧﺲ ﺧﻄﺎي ﭘﻴﺶ ﺑﻴﻨﻲ و ﺗﺨﻤﻴﻦ ﭘﺎراﻣﺘﺮ
ﺧﻄﺎ در ﻓﺮﻛﺎﻧﺴﻬﺎي ﺑﺎﻻ از اﻳﻨﺮوﺳﺖ ﻛﻪ ﻣﻘﺎدﻳﺮ ﻛﻮﭼﻜﻨﺪ و ﺳﻬﻢ ﻛﻤﻲ در اﻧﺘﮕﺮال از ﺧﻮد ﺑﻪ ﺟﺎي ﻣﻲ ﮔﺬارﻧﺪ .
ﻧﺘﻴﺠﻪ ﺑﺴﻴﺎر ﺑﺪ اﺳﺖ .دﻟﻴﻞ آﻧﺮا از 8.69ﺑﺮاي اﻳﻦ ﺳﻴﺴﺘﻢ ﻣﻲ ﺗﻮان درﻳﺎﻓﺖ
ﭘﺎﺳﺦ ﻓﺮﻛﺎﻧﺴﻲ ﺗﺎﺑﻊ وزﻧﻲ ﻓﺮﻛﺎﻧﺴﻲ Qدر اﻳﻦ ﻣﻮ.رد ﻣﻄﺎﺑﻖ ﺷﻜﻞ اﺳﺖ ﻛﻪ ﺑﻪ ﻓﺮﻛﺎﻧﺴﻬﺎي ﺑﺎﻻ وزن زﻳﺎد ﻣﻲ دﻫﺪ.
در اﻳﻨﺠﺎ دو ﻣﺴﺌﻠﻪ ﺑﺎﻳﺎس و وارﻳﺎﻧﺲ ﺗﺨﻤﻴﻦ ﻣﻄﺮح اﺳﺖ .در ﻣﻮرد ﺑﺎﻳﺎس ﻗﺒﻼ ﺻﺤﺒﺖ ﺷﺪ اﻳﻨﺠﺎ در ﺧﺼﻮص وارﻳـﺎﻧﺲ
ﺗﺨﻤﻴﻨﻬﺎ ﺻﺤﺒﺖ ﻣﻲ ﺷﻮد.
ﺧﻼﺻﻪ ﻧﺘﺎﻳﺞ وارﻳﺎﻧﺲ ﺗﺨﻤﻴﻦ ﭘﺎراﻣﺘﺮدر PEM
ﺗﺎﺑﻊ ﺗﻮزﻳﻊ ﭘﺎراﻣﺘﺮ ﺑﺮاي ∞→ Nﻧﺮﻣﺎل اﺳﺖ
وارﻳﺎﻧﺲ ﻣﺠﺎﻧﺒﻲ ﭘﺎراﻣﺘﺮﻫﺎ ﻣﺘﻔﺎوت و ﺑﺼﻮرت ﺗﺌﻮرﻳﻚ ﻗﺎﺑﻞ ﻣﺤﺎﺳﺒﻪ اﺳﺖ و ﺑـﻪ ﻣﺘﻐﻴﺮﻫـﺎي ﺷﻨﺎﺳـﺎﻳﻲ و ﺳﻴﺴـﺘﻢ
واﺑﺴﺘﻪ اﺳﺖ Pθ .ﻛﻪ وارﻳﺎﻧﺲ ﺗﺨﻤﻴﻦ اﺳﺖ ﻛﻴﻔﻴﺖ ﻣﺘﺪ ﺷﻨﺎﺳﺎﻳﻲ را ﻧﺸﺎن ﻣﻲ دﻫﺪ .ﻛﺎرﺑﺮد دﻳﮕﺮ آن ﻣﺤﺎﺳﺒﻪ ﺑﺎزه و
ﺳﻄﺢ اﻃﻤﻴﻨﺎن ﺑﻌﻨﻮان ﻣﻌﻴﺎر reliabilityاﺳﺖ.
اﻳﻦ ﺳﻮال ﺑﺎﻗﻲ ﻣﻲ ﻣﺎﻧﺪ ﻛﻪ آﻳﺎ ﻧﺘﺎﻳﺞ ﺑﺮاي ∞→ Nﺑﺮاي Nﻣﺤﺪود ﻧﻴﺰ اﻋﺘﺒﺎر دارد ﻳﺎ ﻧﻪ .ﺷﺒﻴﻪ ﺳﺎزي ﻣﻮﻧـﺖ ﻛـﺎرﻟﻮ
روي ﺳﻴﺴﺘﻤﻬﺎي ﻋﻤﻮﻣﻲ ﻧﺸﺎن ﻣﻲ دﻫﺪ ﻛﻪ ﻧﺘﺎﻳﺞ ﻣﺠﺎﻧﺒﻲ ﺑﺎ ﺗﻠﺮاﻧﺲ ﺣﺪود 10%ﺑﺮاي N≥300ﻣﻌﺘﺒﺮ ﻫﺴﺘﻨﺪ.
ﺳﺮﻋﺖ ﻫﻤﮕﺮاﻳﻲ 1/ ,ﺑﺪﺳﺖ ﻣﻲ آﻳﺪ
1-5-7ﻛﻒ وارﻳﺎﻧﺲ ﺗﺨﻤﻴﻦ ﭘﺎراﻣﺘﺮ Cramer Rao Bound(CRB) :ﻓﺼﻞ 7
(Aﺗﺨﻤﻴﻨﮕﺮ ) maximum likelihood estimator (MLE
ﺑﺎ ﺑﺮدار ﭘﺎراﻣﺘﺮ اﻳﻨﮕﻮﻧﻪ ﻧﻮﺷﺘﻪ ﻣﻲ ﺷﻮد. ﺗﺎﺑﻊ ﭼﮕﺎﻟﻲ اﺣﺘﻤﺎﻟﻲ PDFﻳﻚ دﻧﺒﺎﻟﻪ ﺗﺼﺎدﻓﻲ
ﻛﻪ θﻣﺠﻬﻮل اﺳﺖ .ﺑﻪ ازاي ﻫﺮ yNداده ﺷﺪه ﺗﺨﻤﻴﻦ زده ﻣﻲ ﺷﻮد اﺣﺘﻤﺎل اﻳﻨﻜﻪ ﻣﺸﺎﻫﺪات y*Nرخ دﻫﺪ ﻣﺘﻨﺎﺳﺐ ﺑﺎ
ﺑﻨﺎﺑﺮاﻳﻦ ﺑﺮاي ﻣﺸﺎﻫﺪات داده ﺷﺪه y*Nﻣﻘﺎدﻳﺮ ﺑﻪ ﻧﺤﻮي اﻧﺘﺨﺎب ﺷﻮﻧﺪ ﻛـﻪ likelihood functionاﺳﺖ
ﺗﺎﺑﻊ likelihoodﻣﺎﻛﺰﻳﻤﻢ ﮔﺮدد
ﻳﻌﻨﻲ ﻣﻴﺎﻧﮕﻴﻦ دﻳﺘﺎ ﻣﻲ ﮔﺮدد .ﭘﺲ ﺗﺤﺖ ﺷﺮاﻳﻂ ﻣﺴﺌﻠﻪ ﻣﻴﺎﻧﮕﻴﻦ ﮔﻴﺮي ﻳﻚ ﺗﺨﻤﻴﻨﮕﺮ MLEاﺳﺖ
(Bﻣﻴﻞ ﻧﻤﻮدار PDFﺑﻪ ﻧﺮﻣﺎل در ﺣﺎﻟﺖ ﻣﺠﺎﻧﺒﻲ
ﻓﺮض ﻛﻨﻴﺪ ﻣﺘﻐﻴﺮ ﺗﺼﺎدﻓﻲ }) {y(iﻣﺴﺘﻘﻞ و identically distributedباشند يعنی
با احتمال ١ ﺗﺎﺑﻊ ﺗﻮزﻳﻊ ﻧﺮﻣﺎل ﺑﺎ ﻣﻴﺎﻧﮕﻴﻦ ﺻﻔﺮ و ﻣﺎﺗﺮﻳﺲ ﻛﻮارﻳﺎﻧﺲ M-1دارد و →o
(Cﻛﻮارﻳﺎﻧﺲ ﺗﺨﻤﻴﻦ Cramer‐Rao Inequality :
ﻛﻴﻔﻴﺖ ﺗﺨﻤﻴﻦ را ﺑﺎ ﻣﺎﺗﺮﻳﺲ mean-square errorﻣﻲ ﺗﻮان ﺑﻴﺎن ﻛﺮد
در ﻳﻚ ﺗﺨﻤﻴﻨﮕﺮ ﺧﻮب ،ﻣﻘﺪار Pﻛﻮﭼﻚ اﺳﺖ .ﺳﻮاﻟﻲ ﻛﻪ ﻣﻤﻜﻦ اﺳﺖ ﻣﻄﺮح ﺷﻮد اﻳﻦ اﺳﺖ ﻛﻪ ﻛـﻒ ﻣﻘـﺪار Pﺑـﺮاي
ﻳﻚ ﺗﺨﻤﻴﻨﮕﺮ ﺑﺪون ﺑﺎﻳﺎس ﭼﻘﺪر اﺳﺖ .اﻳﻦ ﻛﻒ از ﻧﺎ ﻣﺴﺎوي Cramer-Raoﻣﺸﺨﺺ ﻣﻲ ﻛﻨﺪ
ﻛﻪ
7.80
12-7 وارﻳﺎﻧﺲ ﺧﻄﺎي ﭘﻴﺶ ﺑﻴﻨﻲ و ﺗﺨﻤﻴﻦ ﭘﺎراﻣﺘﺮ
اﮔﺮ ﺗﻌﺪاد ﭘﺎراﻣﺘﺮﻫﺎ dﺑﺎﺷﺪ ﻣﺎﺗﺮﻳﺲ Mﻣﺎﺗﺮﻳﺲ d*dاﺳﺖ ﻛﻪ ﺑﻪ ﻧـﺎم Fisher information matrixﺧﻮاﻧـﺪه ﻣـﻲ
ﺷﻮد .در ﺻﻮرت ﻣﻮﺟﻮد ﺑﻮدن θ 0و PDFاﻣﻜﺎن ﻣﺤﺎﺳﺒﻪ آن وﺟﻮد دارد در ﻏﻴﺮ اﻳﻨﺼﻮرت ﻣﻘﺪار آن ﻣﻌﻠـﻮم
ﻧﻴﺴﺖ.
CRB(Dﺑﺮاي ℓﻟﮕﺎرﻳﺘﻤﻲ
اﻳﻨﮕﻮﻧﻪ دﻧﺒﺎل ﻣﻲ ﺷﻮد. ﻣﺤﺎﺳﺒﻪ Mﺗﺤﺖ ﺷﺮاﻳﻂ
fe ﻣﻌﻠﻮم و θﻫﺎ ﻣﺴﺘﻘﻞ ﻫﺴﺘﻨﺪ ﺗﺎ ﺑﺘﻮان ﻧﻮﺷﺖ
ﺷﻮد ﺧﻄﺎي ﺗﺨﻤﻴﻦ ﺑﻄﻮر ﻣﺠﺎﻧﺒﻲ داراي ﺗﺎﺑﻊ ﺗﻮزﻳﻊ ﻧﺮﻣﺎل ﺑﺎ وارﻳﺎﻧﺲ Pاﺳﺖ
13-7 وارﻳﺎﻧﺲ ﺧﻄﺎي ﭘﻴﺶ ﺑﻴﻨﻲ و ﺗﺨﻤﻴﻦ ﭘﺎراﻣﺘﺮ
ﻧﺸﺎن داده ﻣﻲ ﺷﻮد ﻛﻪ اﻳﻦ ﻧﺘﺎﻳﺞ ﺑﺮاي ﺣﺎﻟﺘﻬﺎي ﻋﻤﻮﻣﻲﺗﺮ دﻳﺘﺎ ﻧﻴـﺰ ﺻـﺎدق اﺳـﺖ .ﻫﻤﭽﻨـﻴﻦ ﻧﺘـﺎﻳﺞ ﺑـﺮاي )ℓ(,
ﻣﺸﺮوط ﺑﺮ اﻧﻜﻪ ℓﺑﻪ اﻧﺪازه ﻛﺎﻓﻲ ﻫﻤﻮار ﻧﺴﺒﺖ ﺑﻪ ﻣﺘﻐﻴﺮﻫﺎ ﺑﺎﺷﺪ ﻧﻴﺰ ﺻﺎدق اﺳﺖ
اﻟﻒ( وارﻳﺎﻧﺲ در ﺷﺮاﻳﻂ S Mو Quadratic Criterion
ﻣﺘﻐﻴﺮ ﺗﺼﺎدﻓﻲ ) N(0,λ0ﺑﺎﺷﺪ آﻧﻮﻗﺖ وارﻳﺎﻧﺲ ﺗﺨﻤﻴﻦ ﺑﺮاﺑﺮ اﺳﺖ ﺑﺎ اﮔﺮ )eo(t
dd d
d
ˆy
اﻳﻦ راﺑﻄﻪ ﻫﻤﺎن راﺑﻄﻪ Cramer Raoاﺳﺖ ﻛﻪ ﺑﺮاي ) ℓ=log(feﺑﺪﺳﺖ آﻣﺪ .راﺑﻄﻪ ﻧﺸﺎن ﻣﻲ دﻫﺪ ﻫﺮ ﭼﻪ ŷو ψﺑـﻪ
ﭘﺎراﻣﺘﺮي ﺣﺴﺎﺳﺘﺮ ﺑﺎﺷﻨﺪ آن ﭘﺎراﻣﺘﺮﺑﻬﺘﺮ ﺗﺨﻤﻴﻦ زده ﻣﻲ ﺷﻮد.
ﺑﺮ اﺳﺎس Nدﻳﺘﺎي ورودي وارﻳﺎﻧﺲ ﻋﻤﻼ اﻳﻨﮕﻮﻧﻪ ﻣﺤﺎﺳﺒﻪ ﻣﻲ ﺷﻮد
ﺑﺮاي ﻣﺤﺎﺳﺒﻪ ) Ry(0اﺑﺘﺪا 9.20را ﺑﺘﻮان 2رﺳﺎﻧﺪه اﻣﻴﺪ رﻳﺎﺿﻲ آﻧﺮا ﺣﺴﺎب ﻛﻨﻴﺪ
درﻧﺘﻴﺠﻪ
Example 9.2 Covariance of an MA(l) Parameter ﻣﺜﺎل .9
ﺳﻴﺴﺘﻢ Trueزﻳﺮ ﺑﺎ ﻧﻮﻳﺰ ﺳﻔﻴﺪ eو وارﻳﺎﻧﺲ 1را در ﻧﻈﺮ ﺑﮕﻴﺮﻳﺪ .وارﻳﺎﻧﺲ ﺗﺨﻤﻴﻦ ﭘﺎراﻣﺘﺮ ﻣﺠﻬﻮل cرا ﺑﺪﺳﺖ آورﻳﺪ
)(ψ=-dŷ/dc در ﻧﻈﺮ ﮔﺮﻓﺘﻪ ﺷﺪه ﺑﺎﺷﺪ .ﻣﺸﺘﻖ راﺑﻄﻪ ﻧﺴﺒﺖ ﺑﻪ cﻣﻲ دﻫﺪ
dy (t ) )dy (t 1
y (t 1) c ) y (t 1) (t ) c (t 1) y (t 1) y (t 1
dc dc
At c = co, we have
c0 q 1
q 1
c q 1 1 c0 q 1 q 1
y (t ) (1 c0 q 1 )e0 (t ), y(t ) 0 1 y (t ), (t ) 1
y(t ) ) e0 (t
1 c0 q 1 c0 q 1 c0 q 1
If is the PEM estimate of c, we have, according to (9.17),
R (0) c02 R (0) 2c0 R (1) 1 1
(t ) c0 (t 1) e0 (t 1) R (0)
R (1) c0 R (0) 0 1 c02
ﻣﺜﺎل .10ﻣﺜﺎل ﺳﻴﺴﺘﻢ زﻳﺮ ﺑﺎ دو ﭘﺎراﻣﺘﺮ ﻣﺠﻬﻮل aو cرا در ﻧﻈﺮ ﮔﺮﻓﺘﻪ وارﻳﺎﻧﺲ ﺗﺨﻤﻴﻦ را ﺑﺪﺳﺖ آورﻳﺪ
15-7 وارﻳﺎﻧﺲ ﺧﻄﺎي ﭘﻴﺶ ﺑﻴﻨﻲ و ﺗﺨﻤﻴﻦ ﭘﺎراﻣﺘﺮ
,
اﮔﺮ a→cآﻧﻮﻗﺖ ∞→) Pرﻧﻚ ﻣﺎﺗﺮﻳﺲ 1ﻣﻲ ﺷﻮد( اﻳﻦ ﺑﻪ آن ﻣﻌﻨﻲ اﺳﺖ ﻛﻪ ﺳﻴﺴﺘﻢ Overparameterizedاﺳﺖ .در اﻳﻦ ﺣﺎﻟﺖ ﻗﻄـﺐ
و ﺻﻔﺮ ﺳﻴﺴﺘﻢ ﻫﻤﺪﻳﮕﺮ ا ﺣﻨﺜﻲ ﻣﻲ ﻛﻨﻨﺪ و ﻣﺪل درﺳﺖ ) y(t)=e(tاﺳﺖ ﻛﻪ ﭘﺎراﻣﺘﺮ ﻣﺠﻬﻮﻟﻲ اﺻﻮﻻ ﻧﺪارد
ب( واريانس در شرايط +Go Gﭘﺎراﻣﺘﺮ ﻣﺴﺘﻘﻞ ﺑﺮاي Gو + G andﻣﻌﻴﺎر ﻛﻮادراﺗﻴﻚ
در اﻳﻦ ﺣﺎﻟﺖ G0در ﻣﺪل وﺟﻮد دارد وﻟﻲ ﻣﺪل Hاﻟﺰاﻣﺎ در ﻧﻈﺮ ﮔﺮﻓﺘـﻪ ﻧﺸـﺪه اﺳـﺖ وﻟـﻲ Hو Gﭘـﺎراﻣﺘﺮ ﻣﺸـﺘﺮك
ﻧﺪارﻧﺪ .در اﻳﻦ ﺣﺎﻟﺖ ﺗﺎﺑﻊ ﭼﮕﺎﻟﻲ ﭘﺎراﻣﺘﺮﻫﺎي G
H (q, *) is the limiting noise model, Ho(q) the true one
ﻣﺜﺎل Example 9.3 Covariance of Output Error Estimate .11
ﻛﻪ در آن Pوارﻳﺎﻧﺲ ﺗﺎﺑﻊ ﺗﻮزﻳﻊ ﻧﺮﻣﺎل ﻣﺠﺎﻧﺒﻲ و 1/N Pﻣﺎﺗﺮﻳﺲ ﻛﻮارﻳﺎﻧﺲ ﺗﺨﻤﻴﻦ اﺳﺖ
ﺑﺎ در ﻧﻈﺮ ﮔﺮﻓﺘﻦ درﺟﻪ ﻣﺪل ∞→ (Asymptotic Black-Box Theory) nﻛﻮارﻳﺎﻧﺲ ﺗﻘﺮﻳﺒﻲ ﺳﺎده ﺗﺮ ﺑﺮاﺑﺮ اﺳـﺖ
ﺑﺎ
17-7 وارﻳﺎﻧﺲ ﺧﻄﺎي ﭘﻴﺶ ﺑﻴﻨﻲ و ﺗﺨﻤﻴﻦ ﭘﺎراﻣﺘﺮ
n درﺟﻪ ﻣﺪل و Nﻃﻮل دﻳﺘﺎﺳﺖ .ﺑﺎ اﻓﺰاﻳﺶ nﺗﻘﺮﻳﺐ ﻛﻮارﻳﺎﻧﺲ ﺑﻬﺘﺮ ﻣﻲ ﺷﻮد .اﻳﻦ ﻧﺘﻴﺠﻪ ﺑـﺮاي درﺟـﻪ nﻣﺠـﺎﻧﺒﻲ
اﺳﺖ ﻛﻪ ﻣﺪل آﻧﻘﺪر ﻣﻨﻌﻄﻒ اﺳﺖ ﻛﻪ ﺗﺨﻤﻴﻦ در ﻓﺮﻛﺎﻧﺴﻬﺎي ﻣﺘﻔﺎوت ﻣﺴﺘﻘﻞ ﻣﺪل ﻣﻲ ﺷﻮﻧﺪdecoupled .
در ﺣﺎﻟﺖ ﺣﻠﻘﻪ ﺑﺎز ﻛﻪ ue = 0اﺳﺖ راﺑﻄﻪ ﺑﻪ اﻳﻨﺼﻮرت در ﻣﻲ آﻳﺪ.ﺣﺘﻲ وﻗﺘﻲ ﭘﺎراﻣﺘﺮ ﻣﺸﺘﺮك داﺷﺘﻪ ﺑﺎﺷﻨﺪ
ﺗﺨﻤﻴﻦ ﻃﻴﻒ ﺑﺎ ﻣﺪل درﺟﻪ nاﺳﺖ .ﺑﺮاي ﻣﺤﺎﺳﺒﻪ ﻛﻮارﻳﺎﻧﺲ ﺗﺨﻤﻴﻦ دو راه دارﻳﻢ ﻛﻪ
روش :1اﺳﺘﻔﺎده از 9,59و ﻣﺤﺎﺳﺒﻪ
ﺑﺮاي n≥2ﻛﻪ ﻧﺘﻴﺠﻪ ﺑﺮاي n=2دﻗﻴﻖ و ﺑﺮاي Nﻣﺠﺎﻧﺒﻲ اﺳﺖ و اﻟﺒﺘﻪ ﻣﺤﺎﺳﺒﻪ آن ﭘﻴﭽﻴﺪه اﺳﺖ
روش :2اﺳﺘﻔﺎده از 9,63ﻛﻪ ﺑﺮاي nﻫﻢ ﻣﺠﺎﻧﺒﻲ اﺳﺖ )ﻳﻌﻨﻲ ﺑﺮاي ∞→ (nﻳﻌﻨﻲ Limitﻣﺤﺎﺳﺒﻪ ﺷﺪه اﺳﺖ.
ﺷﻜﻠﻬﺎ ﻧﺸﺎن ﻣﻲ دﻫﻨﺪ ﻛﻪ PLﺑﺎ ﻣﺤﺎﺳﺒﺎت ﺳﺎده ﺗﺮ ﺑﺎ اﻓﺰاﻳﺶ nﺗﻘﺮﻳﺐ ﺧﻮﺑﻲ از Pnﻛﻪ ﻣﺤﺎﺳﺒﻪ ﭘﻴﭽﻴـﺪه دارد اراﺋـﻪ
ﻣﻲ دﻫﺪ.
در ﺷﻜﻠﻬﺎ ﻛﻮارﻳﺎﻧﺲ ﻓﺮﻛﺎﻧﺴﻲ ﺗﺨﻤﻴﻦ ﺑﺮاي ﺳﻴﺴﺘﻢ ﻓﻮق ﺑﺎ ﭼﻨﺪ ﻧﻮع ﭘﺎراﻣﺘﺮ و ورودي ﻧﻮﻳﺰ ﺳﻔﻴﺪ ﻧﺸﺎن داده ﺷﺪه اﻧﺪ.
Pn ﺗﻘﺮﻳﺐ دﻗﻴﻖ ﺑﺎ ﺧﻂ ﭘﺮ
و ﻛﻮارﻳﺎﻧﺲ ﺗﻘﺮﻳﺒﻲ 1/nPnدر ﺣﺎﻟﺖ n=2ﺑﺎ ﺧﻂ ﻧﺎزك و ﺑﺮاي n=10ﺑﺎ ﻧﻘﻄﻪ ﭼﻴﻦ رﺳﻢ ﺷﺪه اﻧﺪ.
.
18-7 وارﻳﺎﻧﺲ ﺧﻄﺎي ﭘﻴﺶ ﺑﻴﻨﻲ و ﺗﺨﻤﻴﻦ ﭘﺎراﻣﺘﺮ
ﺣﺘﻲ وﻗﺘﻲ nﺑﺰرگ ﻧﻴﺴﺖ و ﻧﻤﻴﺘﻮاﻧﺪ PLﻛﻮارﻳﺎﻧﺲ واﻗﻌﻲ را درﺳـﺖ ﻧﺸـﺎن دﻫـﺪ ﺣـﺲ درﺳـﺘﻲ از ﻧﺤـﻮه ﺗﻐﻴﻴـﺮ
ﻛﻮارﻳﺎﻧﺲ در ﻓﺮﻛﺎﻧﺴﻬﺎي ﻣﺨﺘﻠﻒ ﻣﻲ دﻫﺪ.
ﻫﻤﮕﺮاﻳﻲ ﺗﺨﻤﻴﻦ
ﻫﻤﭽﻨﻴﻦ ﻧﺸﺎن داده ﻣﻲ ﺷﻮد ﻛﻪ ﺗﺤﺖ ﻣﻔﺮوﺿﺎت دﻳﺘﺎي ﺷﻨﺎﺳﺎﻳﻲ fN→f̅ ،D1ﻣﻴﻞ ﻣﻲ ﻛﻨﺪ.
ﻣﻘﺪار واﻗﻌﻲ (G0) 0ﺗﺨﻤﻴﻦ زده ﻣﻲ ﺷﻮد .اﮔﺮ ﻛﻪ ω 0ﻧﻮﻳﺰ رﻧﮕﻲ اﺳﺖ ﺑﺎ
u و ω 0ﻣﺴﺘﻘﻞ ﺑﺎﺷﻨﺪ)ﺣﻠﻘﻪ ﺑﺎز(
Go G
ورودي ﺳﻴﮕﻨﺎل informativeﺑﺎﺷﺪ u > 0
ﺳﻴﻨﮕﻮﻻر ﻧﺒﺎﺷﺪ.
ﺑﺮاي ﻣﻨﻔﺮد ﻧﺒﻮدن ﺑﺎﻳﺪ درﺟﻪ ﻣﺪل ﺗﺨﻤﻴﻦ ﺣﺪاﻛﺜﺮ ﺑﺮاﺑﺮ درﺟﻪ ﺳﻴﺴﺘﻢ واﻗﻌﻲ و Instrumentﺑﺎﺷﺪ در اﻳﻦ ﺟـﺎ
درﺟﻪ ﺳﻴﺴﺘﻢ ﻣﺪل و nn and nmدرﺟﺎت اﻳﻨﺴﺘﺮوﻣﻨﺖ اﺳﺖ ﺑﻪ ﺑﻴﺎن زﻳﺮ درﺟﻪ ﺳﻴﺴﺘﻢ واﻗﻌﻲ،
19-7 وارﻳﺎﻧﺲ ﺧﻄﺎي ﭘﻴﺶ ﺑﻴﻨﻲ و ﺗﺨﻤﻴﻦ ﭘﺎراﻣﺘﺮ
,
d f
f L
dt
.
با) N(0, o وارﻳﺎﻧﺲ ﺗﺨﻤﻴﻦ ﭘﺎراﻣﺘﺮ در ﺣﺎﻟﺖ ،SM ،L=1ﺣﻮل oبا
~
here
Hence
ﻛﻪ در آن
در ﻧﺘﻴﺠﻪ
و
1
a0n a*n
*1 a0 a
1 j j jn
Y (e ) H (e )e d
*
R yh (n) y (t ) * h(t n)
2
روﺷﻬﺎي ﻣﺤﺎﺳﺒﺎﺗﻲ اﻟﮕﻮرﻳﺘﻤﻬﺎي ﺑﻬﻴﻨﻪ ﺳﺎزي 8
ﻛﻪ در آن
در اﻳﻦ راﺑﻄﻪ ﻣﺎﺗﺮﻳﺲ Rﺧﺼﻮﺻﺎ وﻗﺘﻲ اﺑﻌﺎد ﺑﺰرگ دارد .ill conditionedﺑﺮاي ﺣﻞ اﻳﻦ ﻣﺴﺌﻠﻪ 3روش وﺟﻮد دارد
روش :1ﻣﺤﺎﺳﺒﻪ ﻣﻌﻜﻮس ﻣﺎﺗﺮﻳﺲ R
ﻛﻪ ﻣﺤﺎﺳﺒﺎت ﺳﻨﮕﻴﻦ در ﭘﻲ دارد
روش Cholesky factorization :2
اﺳﺖ ﻛﻪ ﺑﻪ ﻧﺤﻮ زﻳﺮ ﺻﻮرت ﻣﻲ ﮔﻴﺮد ﻛﻪ اﺑﺘﺪا ﻃﺮﻓﻴﻦ راﺑﻄﻪ در ’ Aﺿﺮب ﻣﻲ ﺷﻮد ﺳﭙﺲ ﮔﺎﻣﻬﺎي زﻳﺮ ﻃﻲ ﻣﻲ ﮔﺮدد
A’Ax=A’bCx=A’bLL’x=A’bLz=dL’x=z
1-8
) (A is m × n and left-invertibleﻛﻪ ﺑﺼﻮرت Ax=bﻧﻮﺷﺘﻪ ﻣﻲ اﻳﻦ روش ﺑﺮاي ﺣﻞ
ﺷﻮد و Aﻣﺮﺑﻌﻲ ﻧﻴﺴﺖ ﻧﻴﺰ ﻗﺎﺑﻞ اﺳﺘﻔﺎده اﺳﺖ.
Ax=bA’Ax=A’bR’Q’QRx=R’Q’bR’Rx=R’Q’bRx=Q’b
2-8
ﻣﺰﻳﺖ ﻣﻬﻢ اﻳﻦ روش
(1از آﻧﺠﺎ ﻛﻪ در LSﻣﻘﺪار R(N)=R’Rاﺳﺖ conditioning numberﻣﺎﺗﺮﻳﺲ ) Rﻧﺴﺒﺖ ﺑﻴﻦ ﺑﺰرﮔﺘﺮﻳﻦ ﺑﻪ
ﻛﻮﭼﻜﺘﺮﻳﻦ ﻣﻘﺪار وﻳﮋه آن( ﺟﺬر conditioning numberﻣﺎﺗﺮﻳﺲ ) R(Nاﺳﺖ و از ﻧﻈﺮ ﺣﺴﺎﺳﻴﺖ ﻣﺤﺎﺳﺒﺎﺗﻲ
ﺑﻬﺘﺮ اﺳﺖ
(2ﻣﺎﺗﺮﻳﺲ Rﻣﺜﻠﺜﻲ اﺳﺖ و ﻣﻌﺎدﻻت ﻫﻤﺰﻣﺎن ﺳﺎده ﺗﺮ ﺣﻞ ﻣﻲ ﺷﻮد.
اﻟﮕﻮرﻳﺘﻤﻬﺎ دﻳﮕﺮ ﻧﻴﺰ ﺑﺮاي ﻣﺤﺎﺳﺒﻪ ﺗﺎﺑﻊ ﻧﺮﻣﺎل وﺟﻮد دارد ﻣﺎﻧﻨﺪ Levinsonو ﺳﺎﺧﺘﺎر Lattice
روش QRداراي better numerical propertiesاﺳﺖ وﻟﻲ روش ﭼﻮﻟﺴﻜﻲ ﺳﺮﻳﻌﺘﺮ اﺳﺖ
ﻣﺤﺎﺳﺒﻪ Rو ﻣﺸﻜﻞ ﺷﺮاﻳﻂ اوﻟﻴﻪ
ﻓﺮﻣﻮل ﻣﺤﺎﺳﺒﻪ اﻟﻤﺎﻧﻬﺎي Rازاﻳﻨﻘﺮار اﺳﺖ
در اﻳﻦ ﻣﺤﺎﺳﺒﻪ ﺑﻪ ﻣﻘﺎدﻳﺮ t<0ﻧﻴﺰ ﻧﻴﺎز اﺳﺖ ﻛﻪ ﺑﺮاي آن دو راه ﺣﻞ وﺟﻮد دارد
(3ﻳﻜﻲ اﻳﻨﻜﻪ ﺑﺠﺎي t=1از t=n+1ﺑﺮاي ﻣﺤﺎﺳﺒﻪ ﺷﺮوع ﺷﻮد ﻛﻪ ﺑﻪ اﻳﻦ روش covariance methodﻣﻲ ﮔﻮﻳﻨﺪ .اﻳﻦ
ﻳﻚ روش ﻃﺒﻴﻌﻲ اﺳﺖ.
(4راه ﺣﻞ دﻳﮕﺮ اﻳﻦ اﺳﺖ ﻛﻪ ﻣﻘﺎدﻳﺮ ﺑﺮاي t-i<0ﺻﻔﺮ در ﻧﻈﺮ ﮔﺮﻓﺘﻪ ﺷﻮد ﻛﻪ ﺑﻪ آن correlationﻣﺘﺪ ﻣﻲ ﮔﻮﻳﻨﺪ .ﻛﻪ
در اﻳﻦ ﺻﻮرت ﻃﻮل دﻳﺘﺎ ﺑﺎ ﺻﻔﺮ ﺑﻪ N+nﮔﺴﺘﺮش ﻣﻲ ﻳﺎﺑﺪ .اﻳﻦ روش ﻣﺰﻳﺖ ﻣﺤﺎﺳﺒﺎﺗﻲ دارد زﻳﺮا
ﺟﺴﺘﺠﻮي ﻣﻘﺪاري اﺳﺖ ﻛﻪ ﻣﺸﺘﻖ اول ﺻﻔﺮ و ﻣﺸﺘﻖ دوم ﻣﺜﺒﺖ ﺑﺎﺷﺪ .اﻳﻦ ﻳﻚ ﻣﺴﺌﻠﻪ nonlinear optimization
اﺳﺖ ﻛﻪ ﺑﺎ searchزﻳﺮ ﺗﺎﻣﻴﻦ ﻣﻲ ﺷﻮد
3-8
روش :1ﺷﻴﺐ gradient
ﺑﺮاي ﻣﺤﺎﺳﺒﻪ ﻣﻴﻨﻴﻤﻮم ،ﺑﺴﻂ ﺗﻴﻠﻮر ﺗﺎ درﺟﻪ 1را ﻣﻲ ﺗﻮان ﻧﻮﺷﺖ
V ( * ) V ( *) V
ﻛﻪ V̇ θﺷﻴﺐ اﺳﺖ و f=-V̇ θﺑﺪﺳﺖ ﻣﻲ آﻳﺪ
روش :2ﻧﻴﻮﺗﻦ
ﺑﻄﻮر ﻣﺸﺎﺑﻪ ﻣﻤﻜﻦ اﺳﺖ ﺗﺎﺑﻊ ﺑﺎ ﺗﻴﻠﻮر ﺗﺎ درﺟﻪ 2ﺑﺴﻂ داده ﺷﻮد
V ( * ) V ( *) V 12 ' V
ﻛﻪ ﺟﻬﺖ ﺟﺴﺘﺠﻮي زﻳﺮ را ﻣﻲ دﻫﺪ
ﻛﻪ ﻣﻤﻜﻦ اﺳﺖ ﻣﺸﺘﻖ دوم ﺗﻘﺮﻳﺒﻲ ﻣﺤﺎﺳﺒﻪ ﺷﻮد ﻛﻪ روش ﺑﻪ ﻧﺎم
ﺧﻮاﻧﺪه ﻣﻲ ﺷﻮد .ﻣﺸﻜﻞ در اﻳﻦ روﺷﻬﺎ ﺣﺠﻢ ﻣﺤﺎﺳﺒﺎﺗﻲ ﻣﺮﺑﻮط ﺑﻪ VNو ﻣﺸﺘﻖ آن V’Nاﺳﺖ.
ψ=d/d
ﮔﺮدد که µﻃﻮل ﮔﺎم ﺟﺴﺘﺠﻮ اﺳﺖ ﺗﺎ
روش gradient or steepest‐descent method :1
روﺷﻲ ﻛﻪ ﻧﺰدﻳﻚ ﻣﻴﻨﻴﻤﻮم efficientﻧﻴﺴﺖ
روش :2ﻧﻴﻮﺗﻦ
اﻓﺰاﻳﺶ ﺑﻪ ﻣﻌﻨﻲ ﻛﺎﻫﺶ ﻃﻮل ﮔﺎم و ﺷﻴﻔﺖ ﺑﻪ ﺟﺴﺘﺠﻮ ﺑﺎ ﮔﺮادﻳﺎن ﺗﺎﺑﻊ اﺳﺖ
:Correlation Equationروش IV
ﺗﻜﻨﻴﻜﻬﺎ ﺑﺮاي ﺣﻞ ﻣﺴﺌﻠﻪ IVﻧﻴﺰ ﻗﺎﺑﻞ اﺳﺘﻔﺎده اﺳﺖ
5-8
ﻧﺎﺷﻲ از ﻣﺸﺘﻖ ﻧﺴﺒﺖ ﺑﻪ ﻣﺠﺪدا در ﻣﺤﺎﺳﺒﻪ ﻣﺸﺘﻖ ﻧﺴﺒﺖ ﺑﻪ βﻧﻴﺰ اﺳﺘﻔﺎده ﻣﻲ ﺷﻮد. ﻛﻪ
ﻛﻪ در IVﺑﺎ ] ،[(t,),(t, )=روش PLRﺑﺎ ]) [(t,)= (t, و ﺣﺪاﻗﻞ ﺳﺎزي quadraticﺑﺎ [(t,)= (t,
]) ﻛﺎرﺑﺮد دارد.
و اﻋﻤﺎل LSﺑﻪ راﺑﻄﻪ ﺗﺨﻤﻴﻦ ﺑﻌﺪي ﺑﺪﺳﺖ ﻣﻲ آﻳﺪ ﺑﺎ داﺷﺘﻦ
6-8
ﺣﺪاﻗﻞ ﺳﺎزي
=
اﻳﻦ اﻟﮕﻮرﻳﺘﻢ ﻣﺤﺎﺳﺒﺎت well conditionedدارد وﻟﻲ ﺳﺮﻋﺖ ﻫﻤﮕﺮاﻳﻲ آن اﻟﺰاﻣﺎ ﺑﻬﺘﺮ از damped gauss newton
ﻧﻴﺴﺖ
روش High‐Order AR(X) Models :4
ﺑﺮاي ﺷﻨﺎﺳﺎﻳﻲ ﺳﻴﺴﺘﻢ زﻳﺮ
ﻣﺪل ARXزﻳﺮ ﺑﺠﺎي ﻣﺪل واﻗﻌﻲ در ﻧﻈﺮ ﮔﺮﻓﺘﻪ ﺷﺪه و ﺗﺨﻤﻴﻦ زده ﻣﻲ ﺷﻮد ﺗﺎ ﻣﺴﺌﻠﻪ ﻏﻴﺮ ﺧﻄﻲ ﻧﺸﻮد
ﻣﻲ ﺗﻮان ﺑﺎ ARXدرﺟﻪ Mوﻗﺘﻲ ﻫﻢ Mو ﻫﻢ ﺗﻌﺪاد دﻳﺘﺎي Nﺑﻪ ﺳﻤﺖ ﺑﻴﻨﻬﺎﻳﺖ ﺑﺮود N≫Mﺳﻴﺴﺘﻢ اوﻟﻴﻪ را ﻣﺪل
ﻛﺮد.در ﻧﺘﻴﺠﻪ
This means that a high-order ARX model is capable of approximating any linear system
arbitrarily well.
ﺑﻌﺪ از ﺗﺨﻤﻴﻦ ﺑﺮاي ﻛﺎﻫﺶ درﺟﻪ ﺑﻪ ﻳﻜﻲ از روﺷﻬﺎي زﻳﺮ اﻗﺪام ﻣﻲ ﺷﻮد
ﺑﺮاي ﺳﺎﺧﺖ G=B/A روش :1ﺣﺬف ﻣﺪﻫﺎي ﻣﺸﺘﺮك
روش :2اﻋﻤﺎل روﺷﻬﺎي ﺷﻨﺎﺧﺘﻪ ﺷﺪه order reduction
ﺑﺎ uو ﺗﻮﻟﻴﺪ ﺧﺮوﺟﻲ .zﺳﭙﺲ اﻋﻤﺎل ﻣﺪل ARXدرﺟﻪ ﭘﺎﻳﻴﻦ ﺑﻪ uو .z روش :3ﺗﺤﺮﻳﻚ ﺳﻴﺴﺘﻢ
ﺑﺎﺷﺪ از ﻣﺪل زﻳﺮ ﺑﺮاي ﺗﺨﻤﻴﻦ A,Bو Cاﺳﺘﻔﺎده ﺷﻮد ﺑﺎﻗﻴﻤﺎﻧﺪه ﻣﺪل ﺳﻴﺴﺘﻢ اﮔﺮ
7-8
و uﻣﻌﻠﻮم ﻫﺴﺘﻨﺪ ﺷﻨﺎﺳﺎﻳﻲ LSﺑﺮاي ﺳﻴﺴﺘﻢ ﺑﺎ دو ورودي اﺳﺖ. ﭼﻮن
روش :4روش subspaceرا ﻧﻴﺰ ﺑﺮاي اﻳﻦ ﻣﻨﻈﻮر ﻣﻲ ﺗﻮان اﺳﺘﻔﺎده ﻛﺮد.
روش Separating Dynamics and Noise Models :5
در ﺳﻴﺴﺘﻢ ﺧﻄﻲ ﻋﻤﻮﻣﻲ ﺑﺎ روش IVﻣﻲ ﺗﻮان B ، Aو Fرا ﺗﺨﻤﻴﻦ زد ﺗﺎ ﺗﺨﻤﻴﻦ اﺧﺘﻼل ﺑﺪﺳﺖ آﻳﺪ
اﻳﻦ ﺗﺨﻤﻴﻦ را ﺳﭙﺲ ﻣﻲ ﺗﻮان ﺑﺎ LSدوم ﺑﺮاي ﺗﺨﻤﻴﻦ Cو Dاز ﻣﺪل ARMAﺑﻜﺎر ﮔﺮﻓﺖ
ﺑﺮاي OEرﺳﻴﺪن ﺑﻪ ﺣﺪاﻗﻞ ﻣﺤﻠﻲ ﺑﻪ ﺟﺎي ﺟﺎﻣﻊ ﻏﻴﺮ ﻣﻌﻤﻮل ﻧﻴﺴﺖ y=B/F u+e
Initial Parameter Values
ﺗﻼش ﺑﺮاي ﻳﺎﻓﺘﻦ ﻣﻘﺪار اوﻟﻴﻪ ﻣﻨﺎﺳﺐ ارزش آن را دارد .اﮔﺮ ﻣﺪل رﻳﺎﺿﻲ وﺟﻮد دارد آﻧﺎﻟﻴﺰ آن ﺑﺮاي ﻳﺎﻓﺘﻦ ﻣﻘﺎدﻳﺮ اوﻟﻴﻪ
ﻣﻨﺎﺳﺐ ﻃﺒﻴﻌﻲ اﺳﺖ .ﺑﺮاي ﻣﺪل ﺧﻄﻲ black boxﭼﻨﺪ راه ﻣﻲ ﺗﻮان درﭘﻴﺶ ﮔﺮﻓﺖ
اﺳﺘﻔﺎده از IVﺑﺮاي ﺗﺨﻤﻴﻦ ﻣﻘﺎدﻳﺮ اوﻟﻴﻪ )B/(AF
ﺗﺨﻤﻴﻦ ̂ vﻣﺎﻧﻨﺪ 10.74
ﺗﺨﻤﻴﻦ ِ Cو Dﻣﺎﻧﻨﺪ 10.76
8-8
.ﻋﻼوه ﺑﺮ ﻣﻘﺪار اوﻟﻴﻪ ﻣﻘﺪار اوﻟﻴﻪ ﻧﻴﺰ ﻧﻴﺎز اﺳﺖ ﻛﻪ روﺷﻬﺎي زﻳﺮ ﭘﻴﺸﻨﻬﺎد ﺷﺪه اﺳﺖ
(0, ) = 0
اﻧﺘﺨﺎب ) (0, ﺑﻪ ﻧﺤﻮﻳﻜﻪ ŷ(t|), t = 1, ... , dim دﻗﻴﻘﺎ ) y(tﺷﻮد.
اﻋﻤﺎل (0, )=ﺑﻌﻨﻮان ﭘﺎراﻣﺘﺮو ﺗﺨﻤﻴﻦ آن در ﻛﻨﺎر
ﺗﺨﻤﻴﻦ ﻳﺎ (0, ) back forecastاز روي دﻳﺘﺎ ﺑﺎ اﻋﻤﺎل ﻓﻴﻠﺘﺮ ﻣﻨﺎﺳﺐ ﺑﺼﻮرت backwards
اﺑﺘﺪا Cو Aﺗﺨﻤﻴﻦ زده ﻣﻲ ﺷﻮد و ﺳﭙﺲ ﺗﺨﻤﻴﻦ Bو Dاﻧﺠﺎم ﻣﻲ ﮔﻴﺮد .اﻳﻦ روش اﻣﻜﺎن ﺷﻨﺎﺳﺎﻳﻲ ﺳﻴﺴﺘﻢ
MIMOﺑﺮ اﺳﺎس ورودي و ﺧﺮوﺟﻲ )ﺑﺪون اﻧﺪازه ﮔﻴﺮي (Stateرا ﻓﺮاﻫﻢ ﻣﻲ آورد.
ﻣﺤﺎﺳﺒﻪ ﺑﺎزﺗﻜﺮاري ﻧﻴﺴﺖ و ﻣﺸﻜﻞ ﻫﻤﮕﺮاﻳﻲ و ﺣﺪاﻗﻞ ﻣﺤﻠﻲ را ﻧﺪارد
ﻓﻀﺎي ﺣﺎﻟﺖ در ﻓﺮم ﻛﻠﻲ ﺗﺨﻤﻴﻦ زده ﻣﻲ ﺷﻮد
ﺣﺠﻢ ﻣﺘﻮﺳﻂ ﻣﺤﺎﺳﺒﺎﺗﻲ در ﻣﻘﺎﻳﺴﻪ ﺑﺎ . PEMدر ﻣﺤﺎﺳﺒﺎت از QRو SVDاﺳﺘﻔﺎده ﻣﻲ ﻛﻨﺪ.
ﺗﺨﻤﻴﻦ Cو A
ﺮاي ﻓﻀﺎي ﺣﺎﻟﺖ رواﺑﻂ زﻳﺮ را ﻣﻲ ﺗﻮان ﻧﻮﺷﺖ
9-8
ﺳﻴﺴﺘﻢ ﺑﺪون ﻧﻮﻳﺰ
ﮔﺮ ﺳﻴﺴﺘﻢ ﺑﺪون ﻧﻮﻳﺰ ﺑﺎﺷﺪ راﺑﻄﻪ از اﻳﻦ ﻗﺮار اﺳﺖ.
آن ﺗﻮﻟﻴﺪ و راﺑﻄﻪ در ان ﺿﺮب ﻣﻲ ﺷﻮد ﺗﺎ ز آﻧﺠﺎﺋﻴﻜﻪ Uورودي ﻣﻌﻠﻮم اﺳﺖ ﻣﺎﺗﺮﻳﺲ ﻣﺘﻌﺎﻣﺪ
ﺑﺪﺳﺖ آﻳﺪ .ﻣﺎﺗﺮﻳﺲ ﺳﻤﺖ ﭼﭗ m*nﺑﻪ روش Singular value decomposition (SVDﺗﺠﺰﻳﻪ
ﺎ در ﻧﺘﻴﺠﻪ ﻣﺎﺗﺮﻳﺲ ،m*m (U’U=1) Uﻣﺎﺗﺮﻳﺲ m*nﻗﻄﺮي Sﺑﺎ ﻣﻘﺎدﻳﺮ ﻏﻴﺮ ﻣﻨﻔﻲ و ﻣﺎﺗﺮﻳﺲ (V’V=1) V
،n*nﺑﺪﺳﺖ ﻣﻲ آﻳﻨﺪ .رﻧﻚ ﻣﺎﺗﺮﻳﺲ ﺗﺨﻤﻴﻦ درﺟﻪ ﺳﻴﺴﺘﻢ اﺳﺖ .ﺑﺎ اﻳﻦ ﻛﺎر درﺟﻪ از ﺑﻪ nﻛﻪ درﺟﻪ ﻣﺎﺗﺮﻳﺲ
)rank reduction (model order estimation ﺳﺖ ﺗﻨﺰل ﻣﻲ ﻳﺎﺑﺪ.
ز ﻃﺮﻓﻲ ﺗﺨﻤﻴﻦ را دارﻳﻢ ﻛﻪ ﻣﺘﻌﺎﻗﺒﺎ از ردﻳﻒ اول آن ﺗﺨﻤﻴﻦ Cو و از ﺑﻘﻴﻪ ردﻳﻔﻬﺎ ﺑﺎ LSﺗﺨﻤﻴﻦ Aﺑﺪﺳﺖ ﻣﻲ
ﻳﺪ .ﻧﻤﻮﻧﻪ ﺗﺠﺰﻳﻪ ﻣﺎﺗﺮﻳﺲ از اﻳﻦ ﻗﺮا ر اﺳﺖ ’M=USV
وﻟﻲ ﺳﻴﺴﺘﻢ ﺣﻠﻘﻪ ﺑﺎز ﺑﺎﺷﺪ ﺗﺨﻤﻴﻦ ﻳﻦ راﺑﻄﻪ ﺑﻪ ﻓﺮم OEاﺳﺖ و ﺣﺘﻲ اﮔﺮ ﻧﻮﻳﺰ رﻧﮕﻲ
consistentﻣﻴﺪﻫﺪ .راﺑﻄﻪ ﺗﺨﻤﻴﻦ ﻣﻨﺎﺳﺐ LSاﻳﻨﮕﻮﻧﻪ اﺳﺖ
ﮔﺮ Âو Ĉﻣﻘﺎدﻳﺮ Trueﺑﺎﺷﻨﺪ Bو Dﺑﻪ ﻣﻘﺪار Trueﻣﻴﺮﺳﻨﺪ و اﮔﺮ ﺗﺨﻤﻴﻨﻬﺎي consistentﭘﺎراﻣﺘﺮﻫﺎي ÂNو
Ĉ Nاﺳﺘﻔﺎده ﺷﻮد B̂ Nو D̂ Nﺑﻪ Trueﻣﻴﺮﺳﺪ.
ﺣﺎﻟﺖ ﻧﻮﻳﺰي
در ﺣﺎﻟﺖ ﻧﻮﻳﺰي ،ﺗﺮم ﻧﻮﻳﺰ ﺑﺎﻳﺪ ﺣﺬف ﺷﻮد .ﺑﺮاي ﺣﺬف ﻧﻮﻳﺰ ﻣﺎﺗﺮﻳﺲ Hankelورودي و ﺧﺮوﺟﻲ را ﺑﻪ دو ﻗﺴﻤﺖ
ﮔﺬﺷﺘﻪ و آﻳﻨﺪه ﺗﻘﺴﻴﻢ ﻛﻨﻴﺪ )اﺧﺘﻴﺎري(
10-8
ﺣﺎل ﻣﺪل ﺳﻴﮕﻨﺎل آﻳﻨﺪه از اﻳﻨﻘﺮار اﺳﺖ
ﺎ ﻓﺮض اﻳﻨﻜﻪ ﻧﻮﻳﺰ Nو ورودي Uﻏﻴﺮ ﻫﻤﺒﺴﺘﻪ و اﻳﻨﻜﻪ Ufو Ypﻧﻴﺰ ﻏﻴﺮ ﻫﻤﺒﺴﺘﻪ ﻫﺴﺘﻨﺪ؛
ﺣﺎل ﻣﺎﺗﺮﻳﺲ ﺳﻤﺖ ﭼﭗ ﺑﺎ SVDﺗﺠﺰﻳﻪ ﻣﻲ ﮔﺮدد ﺗﺎ ﺗﺨﻤﻴﻦ درﺟﻪ ﺳﻴﺴﺘﻢ و ﺑﺪﺳﺖ آﻳﺪ.
11-8
• CVA (Larimore, 1990):
ﻧﻴﺎزي ﺑﻪ ذﺧﻴﺮه ﺗﻤﺎم دﻳﺘﺎﻫﺎ ﻧﻴﺴﺖ ﻓﻘﻂ ﻣﻘﺪار ﻣﺤﺪودي ﻧﮕﻬﺪاري ﻣﻲ ﺷﻮد
در اﻟﮕﻮرﻳﺘﻤﻬﺎي real-timeﻣﻮرد ﻧﻴﺎز اﺳﺖ و ﺑﻪ ﺳﺎدﮔﻲ اﻋﻤﺎل ﻣﻲ ﺷﻮد
در ﻣﺴﺎﺋﻞ fault detectionﻛﺎرﺑﺮد دارد ﻛﻪ ﺗﻐﻴﻴﺮات را ﻛﺸﻒ و اﻋﻼم ﺧﻄﺎ ﻣﻲ ﻛﻨﺪ
اﻳﻦ اﻟﮕﻮرﻳﺘﻤﻬﺎ :رﻗﻴﺐ ﺑﺮاي روﺷﻬﺎي off lineﻧﻴﺰ ﻫﺴﺘﻨﺪ و ﻫﻤﭽﻨﻴﻦ ﺷﻨﺎﺳﺎﻳﻲ را اداﻣﻪ ﻣﻲ دﻫﻨﺪ ﺗﺎ ﺗﺨﻤﻴﻦ ﺑﻪ دﻗﺖ
ﻛﺎﻓﻲ ﺑﺮﺳﺪ
ﺑﺮاي اﻳﻦ روﺷﻬﺎ ﻧﺎﻣﻬﺎي دﻳﮕﺮي ﻣﺎﻧﻨﺪ adaptive ،real-time ،on-lineﻳﺎ sequentialﻧﻴﺰ اﺳﺘﻔﺎده ﺷﺪه اﺳﺖ
12-8
ﺜﺎل .1ﻣﺜﺎل :ﺑﻪ ﺳﺎدﮔﻲ ﻣﻲ ﺗﻮان ﻣﺘﻮﺳﻂ ﮔﻴﺮي را ﺑﻪ ﻓﺮم ﺑﺎزﮔﺸﺘﻲ ﻧﻮﺷﺖ
→
ﭼﻪ ﺗﺨﻤﻴﻨﻬﺎﻳﻲ را ﺑﻪ روش ﺑﺎزﮔﺸﺘﻲ ﻣﻲ ﺗﻮان ﻧﻮﺷﺖ
را ﻧﻤﻴﺘﻮان ﺑﻪ ﻓﺮم ﺑﺎزﮔﺸﺘﻲ ﻧﻮﺷﺖ ﻣﮕﺮ آﻧﻜﻪ ﺑﺎ ﺳﺎﺧﺘﺎر زﻳﺮ ﺑﺎﺷﺪ ﻤﺎﻣﻲ ﻓﺮﻣﻮﻟﻬﺎي ﺗﺨﻤﻴﻦ
در ﻃﺮف راﺳﺖ راﺑﻄﻪ xﻳﻜﻮاﺣﺪ ﺗﺎﺧﻴﺮ در ) x(t-1وﺟﻮد دارد .در اﻳﻨﺼﻮرت
ﻪ ﺻﻮرت زﻳﺮ ﺑﻪ روﺷﻲ ﺑﺎزﮔﺸﺘﻲ ﺗﺒﺪﻳﻞ ﻣﻲ ﺷﻮد .ﻣﺤﺎﺳﺒﻪ ﺑﺎزﮔﺸﺘﻲ Rو fاز اﻳﻨﻘﺮار اﺳﺖ.
13-8
Now
Moreover, we have
در 4,94داده ﺷﺪه اﺳﺖ .ﺣﺎل اﮔﺮ ﻣﺪل ŷ=ϕ’θرا ﺑﺼﻮرت ﻓﻀﺎي ﺣﺎﻟﺖ زﻳﺮ ﺑﻨﻮﻳﺴﻴﻢ
و ﻛﺎﻟﻤﻦ را اﻋﻤﺎل ﻛﻨﻴﻢ ﺗﺤﺖ ﺷﺮاﻳﻂ Ev(t)v’(I) = R2(1) ،R1=0=Ew(t)w’(I) ،C=’ ،A=1 , B=0راﺑﻄﻪ RLS
ﺑﺪﺳﺖ ﻣﻲ آﻳﺪ. ﺑﺎ (t) == 1و
ﻧﺘﻴﺠﻪ اﻳﻦ ﺑﺤﺚ آن اﺳﺖ ﻛﻪ
اﺳﺖ ﻓﻴﻠﺘﺮ ﻛﺎﻟﻤﻦ ﻣﻲ ﮔﻮﻳﺪ ﻛـﻪ) (tداراي وﻗﺘﻲ vدر 11.25ﻧﻮﻳﺰ ﺳﻔﻴﺪ ﮔﻮﺳﻲ (t) = 1 ،و
ﻣﻴﺎﻧﮕﻴﻦ ) θ̂ (tو ﻛﻮارﻳﺎﻧﺲ ﻣﺎﺗﺮﻳﺲ ) P(tاﺳﺖ
ﻣﺜﺎل .2ﻣﺜﺎل ﺷﺮاﻳﻂ اوﻟﻴﻪ
در ﺗﺨﻤﻴﻦ ﭘﺎراﻣﺘﺮﻫﺎي ﺳﻴﺴﺘﻢ uو vﺗﺼﺎدﻓﻲ ﻫﺴﺘﻨﺪ .از ﻣﻘﺎدﻳﺮ اوﻟﻴﻪ زﻳﺮ اﺳﺘﻔﺎده ﻣﻲ ﺷﻮد
ﺷﻨﺎﺳﺎﻳﻲ ﺳﻴﺴﺘﻢ ﺑﺮ اﺳﺎس ﻣﻘﺎدﻳﺮ در ﺷﻜﻞ ﻧﺸﺎن داده ﺷﺪه اﺳﺖ .ﺑﺎ ﺑﺰرگ ﺑﻪ ﻣﻘﺪار اوﻟﻴﻪ ﺑﻬﺎ داده ﻧﻤﻲ ﺷﻮد و
اﻟﮕﻮرﻳﺘﻢ ﺳﺮﻳﻌﺘﺮ ﻫﻤﮕﺮا ﻣﻲ ﺷﻮد.
15-8
THE RECURSIVE IV METHOD 2-4-8
ﻣﺸﺎﺑﻪ ﺣﺎﻟﺖ LSاﺳﺖ
16-8
ﺑﺎ اﻧﺘﺨﺎب
ﺑﺎز ﻧﻮﻳﺴﻲ ﺑﺎ ﺗﺮم ﺑﻬﺮه
ﻃﻮل ﮔﺎم ﺟﺴﺘﺠﻮي اﻟﮕﻮرﻳﺘﻢ اﺳﺖ .ﻃﻮل ﮔﺎم ﺑﺎ ﺿﺮﻳﺐ ﻓﺮاﻣﻮﺷﻲ ارﺗﺒﺎط ﭘﻴﺪا ﻣﻲ ﻛﻨﺪ .ﻗﺎﺑﻠﻴﺖ دﻧﺒﺎل ﻛﺮدن و
ﻫﻤﮕﺮاﻳﻲ اﻟﮕﻮرﻳﺘﻢ را ﺑﻪ ﺗﺮم ﺑﻬﺮه ﻧﻴﺰ ﻣﻲ ﺗﻮان ﻧﻮﺷﺖ.
ﺑﺰرﮔﻲ ﻣﻘﺎدﻳﺮ ﻣﺎﺗﺮﻳﺲ ̅ Rﺑﻪ ﺑﺴﺘﮕﻲ دارد .از اﻳﻨﺮو ﻣﻨﺎﺳﺐ اﺳﺖ ﺗﺎ ̅ Rﺑﺎ ﻧﺮﻣﺎﻟﻴﺰه ﺷﻮد.
=1- ﺛﺎﺑﺖ ﺑﻌﺪ از ﺳﭙﺮي ﺷﺪن زﻣﺎن ﮔﺬرا ﺑﻬﺮه ﺛﺎﺑﺖ زﻳﺮ را ﻣﻲ دﻫﺪ.
ﺗﻐﻴﻴﺮ ﺑﻪ ﻣﻘﺪار ﻛﻮﭼﻚ و ﺳﭙﺲ اﻓﺰاﻳﺶ آن ﻣﺘﺮادف اﻓﺰاﻳﺶ ﺑﻬﺮه و ﺳﭙﺲ ﻛﺎﻫﺶ آن اﺳﺖ.
(t) ~ 1/(t - t0).
در زﻣﺎﻧﻬﺎﻳﻲ ﻛﻪ ورودي ﺣﺎوي اﻃﻼﻋﺎت اﺳﺖ ﺑﺎﻳﺪ ﺑﻬﺮه زﻳﺎد و ﺑﺎ ورودي ﻧﻮﻳﺰي ﺑﻬﺮه ﻛﺎﻫﺶ ﻣﻲ ﻳﺎﺑﺪ
ﺑﺎ اﻳﻦ ﺗﻤﻬﻴﺪات راﺑﻄﻪ ﺑﺼﻮرت زﻳﺮ در ﻣﻲ آﻳﺪ
ﻛﻪ ﻣﻨﺠﺮ ﺑﻪ ﻓﺮم زﻳﺮ ﻣﻲ ﮔﻴﺮدد ﻛﻪ در آن ﺗﻌﻴﻴﻦ ﻛﻨﻨﺪه ﻃﻮل ﮔﺎم ﺟﺴﺘﺠﻮﺳﺖ
17-8
ب( در ﻧﻈﺮ ﮔﺮﻓﺘﻦ ﭘﺎراﻣﺘﺮ ﺑﻌﻨﻮان ﻣﺘﻐﻴﺮ ﺗﺼﺎدﻓﻲ
روش دﻳﮕﺮ در ﻧﻈﺮﮔﺮﻓﺘﻦ واﺑﺴﺘﻪ ﺑﻪ زﻣﺎن ﺑﻮدن ﭘﺎراﻣﺘﺮ θ ،ﺑﻌﻨﻮان ﻣﺘﻐﻴﺮ ﺗﺼﺎدﻓﻲ و ﺗﺨﻤﻴﻦ آن ﺑﺎ ﻓﻴﻠﺘﺮ ﻛﺎﻟﻤﻦ اﺳﺖ
y=ϕ’θ+v
را ﻣﻲ دﻫﺪ. ﺎ در ﻧﻈﺮ ﮔﺮﻓﺘﻦ ) ،Ev2(t) = R2(tﻓﻴﻠﺘﺮ ﻛﺎﻟﻤﻦ
18-8
Asymptotic .Properties or the Estimate
ﺗﺨﻤﻴﻦ RLSﺑﺎ ﺗﺨﻤﻴﻦ offlineﺑﻪ دﻟﻴﻞ ﺷﺮاﻳﻂ اوﻟﻴﻪ ﻣﺘﻔﺎوت اﺳﺖ وﻟﻲ رﻓﺘﺎر ﻣﺠﺎﻧﺒﻲ آﻧﻬﺎ ﻣﺸﺎﺑﻪ ﻫﺴﺘﻨﺪ
ﺑﺪﺳﺖ ﻣﻲ آﻳﺪ
ﺣﺎل ’ Vرا ﺑﺴﻂ ﻣﻲ دﻫﻴﻢ .ﺑﺎ ﻋﻨﺎﻳﺖ ﺑﻪ اﻳﻨﻜﻪ V’t-1ﻛﻮﭼﻚ اﺳﺖ )ﻣﻴﻨﻴﻤﻮم زﻣﺎن ﻗﺒﻞ( ﺑﺪﺳﺖ ﻣﻲ اﻳﺪ
≈)) ŷ(tﻛﻪ ﻣﺤﺎﺳﺒﻪ ﻣﻘﺪار واﻗﻌﻲ آﻧﻬﺎ ﺑﻪ ﻣﺪل ﺑﺴﺘﮕﻲ دارد( ≈) (tو ﺣﺎل ﺑﺎ ﺗﻘﺮﻳﺐ
ﺑﺪﺳﺖ ﻣﻲ آﻳﺪ ﻛﻪ ﺑﻪ ﻧﺎم recursive Gauss-Newton prediction-errorﺧﻮاﻧﺪه ﻣﻲ ﺷﻮد
اﮔﺮ R=Iﻧﻴﺰ در ﻧﻈﺮ ﮔﺮﻓﺘﻪ ﺷﻮد اﻟﮕﻮرﻳﺘﻢ ﻣﺸﻬﻮر Least mean squares LMSﺑﺪﺳﺖ ﻣﻲ آﻳﺪ.
19-8
ﻣﺤﺎﺳﺒﻪ)=dŷ/d =ϕ(t,θ
ﻣﺤﺎﺳﺒﻪ ﺑﻪ ﺗﻤﺎﻣﻲ دﻳﺘﺎ ﻧﻴﺎز ﻣﻨﺪ اﺳﺖ ﺣﺎل ﺑﺎ اﻋﻤﺎل ﺗﻘﺮﻳﺐ ﺑﻪ ﺟﺎي از ̅ ﻣﻄﺮح ﺷﺪه ﻣﻲ ﻧﻮﻳﺴﻴﻢ
ﺧﻄﺎي ﭘﻴﺶ ﺑﻴﻨﻲ ) (tﺑﺎﻗﻴﻤﺎﻧﺪه ) ̅(tﺑﺎ ﻫﻢ ﺗﻔﺎوت دارﻧﺪ .ﺗﺎ زﻣﺎن ) ϕ(t+1ﻧﻴﺎزي ﺑﻪ ﻣﻘﺪار ﺑﺎﻗﻴﻤﺎﻧﺪه ﻧﻴﺴﺖ.
Projection into DM
اﮔﺮ updateﻣﺘﻌﻠﻖ ﺑﻪ DMﻧﺒﺎﺷﺪ رد ﺷﺪه و ﻣﻮرد ﻗﺒﻮل ﻗﺮار ﻧﻤﻴﮕﻴﺮد
ﻣﺜﺎل .5ﺳﻴﺴﺘﻢ زﻳﺮ ﺑﺎ RIV ،RPEMو RLSﺷﻨﺎﺳﺎﻳﻲ ﺷﺪه ﻧﺘﺎﻳﺞ از اﻳﻨﻘﺮار اﺳﺖ
uو vﻧﻮﻳﺰ ﺑﺎ ﻣﻴﺎﻧﮕﻴﻦ ﺻﻔﺮ و وارﻳﺎﻧﺲ 1ﻫﺴﺘﻨﺪ .ﻣﺪل ﺑﺮاي RLSو RIV
وﺑﺮاي RPEM
20-8
RLS ﺑﺎ ﻧﻮﻳﺰ رﻧﮕﻲ ﺗﺨﻤﻴﻦ ﺑﺪون ﺑﺎﻳﺎس ﻧﻤﻴﺪﻫﺪ
ﺗﺨﻤﻴﻦ RIVﺑﺎ ﻧﻮﻳﺰ رﻧﮕﻲ ﺑﺪون ﺑﺎﻳﺎس اﺳﺖ
RPEM ﺗﺨﻤﻴﻦ ﻣﻌﺘﺒﺮ a,b,cرا ﻣﻲ دﻫﺪ وﻟﻲ ﺳﺮﻋﺖ ﻫﻤﮕﺮاﻳﻲ cﻛﻤﺘﺮاﺳﺖ.
ﻣﺸﺎﺑﻪ RLSاﺳﺖ ﺑﺎ اﻳﻦ ﺗﻔﺎوت ﻛﻪ ) (tﺣﺎوي اﻃﻼﻋﺎت ﺗﺨﻤﻴﻨﻬﺎي ﻗﺒﻠﻲ اﺳﺖ ﻛﻪ ﻫﻤﮕﺮاﻳﻲ اﻟﮕﻮرﻳﺘﻢ را ﻧﻴﺰ ﺗﺤﺖ
ﺗﺎﺛﻴﺮ ﻗﺮار ﻣﻲ دﻫﺪ.
ﻣﺸﺎﺑﻪ RPEMاﺳﺖ ﻛﻪ ﺑﺠﺎي ﻧﺸﺴﺘﻪ اﺳﺖ
21-8
ﺧﺎﻧﻮاده اي از اﻟﮕﻮرﻳﺘﻤﻬﺎ اﻳﺠﺎد ﻣﻲ ﺷﻮد ﻛﻪ ﻣﺸﻬﻮرﺗﺮﻳﻦ آﻧﻬﺎ ﺑﺮاي ﻣﺪل ARMAXﺑﻪ ﻧﺎم extended least
squares (ELS).ﺧﻮاﻧﺪه ﻣﻲ ﺷﻮد .دﻳﮕﺮ اﻧﻮاع در ﺟﺪول آﻣﺪه اﺳﺖ
Asymptotic Properties
RPLRﻫﻤﺎن RPEMاﺳﺖ ﻛﻪ در آن ﺑﻪ ﺟﺎي از اﺳﺘﻔﺎده ﺷﻮد .ﺑﻨﺎﺑﺮاﻳﻦ ﻫﻤﮕﺮاﻳﻲ اﻟﮕﻮرﻳﺘﻢ ﺑﻪ اﻳﻦ واﺑﺴﺘﻪ اﺳﺖ
ﻛﻪ ﭼﻘﺪر ﺧﻮب را ﻧﻤﺎﻳﻨﺪﮔﻲ ﻛﻨﺪ.
در ﻣﺪل ARMAXﺑﺮدار ψﺑﺮاﺑﺮ اﺳﺖ ﺑﺎ:
ﺣﺠﻢ ﻣﺤﺎﺳﺒﺎت ﻛﻤﺘﺮ اﺳﺖ)ﻣﺘﻨﺎﺳﺐ ﺑﺎ (dو ﺑﻪ ﻫﻤﻴﻦ ﺗﺮﺗﻴﺐ ﻧﺮخ ﻫﻤﮕﺮاﻳﻲ ﻧﻴﺰ ﻛﺎﻫﺶ ﻣﻲ ﻳﺎﺑﺪ
ﺟﺎﻳﮕﺰﻳﻨﻲ R‐1
در ﭘﻴﺎده ﺳﺎزي اﻟﮕﻮرﻳﺘﻢ ﻣﺎﺗﺮﻳﺲ Rﺑﺎ ﺳﺎﻳﺰ d) d*dﺗﻌﺪاد ﭘﺎراﻣﺘﺮﻫﺎﺳﺖ( ﺑﺎﻳﺪ در ﻫﺮ ﮔﺎم ﻣﻌﻜﻮس ﺷﻮد ﻛﻪ ﻫﺰﻳﻨﻪ
ﻣﺤﺎﺳﺒﺎﺗﻲ را ﺑﺎﻻ ﻣﻲ ﺑﺮد .ﺑﺎ اﺳﺘﻔﺎده از Matrix inversionراﺑﻄﻪ ﺑﻬﺒﻮد ﻳﺎﻓﺘﻪ ﺑﺪﺳﺖ ﻣﻲ آﻳﺪ.
22-8
.
در اﻳﻨﺠﺎ ﻣﺎﺗﺮﻳﺲ p) p*pﺗﻌﺪاد ﺧﺮوﺟﻴﻬﺎ( ﻣﻌﻜﻮس ﻣﻲ ﺷﻮد ﻛﻪ ﻣﻘﺪار ﻣﺤﺎﺳﺒﺎت را ﺑﺸﺪت ﻛﺎﻫﺶ ﻣﻲ دﻫﺪ .در اﻳﻦ
راﺑﻄﻪ ﻳﺎ ϕﻳﺎ ψاﺳﺖ ﻛﻪ ﺑﻪ روش اﻧﺘﺨﺎﺑﻲ ﺑﺴﺘﮕﻲ دارد
ﻣﺘﺎﺳﻔﺎﻧﻪ ﻓﺮﻣﻮل Pاز ﻧﻈﺮ ﻣﺤﺎﺳﺒﺎﺗﻲ soundﻧﻴﺴﺖ و ﺑﻪ ﺧﻄﺎي roundoffﺣﺴﺎس اﺳﺖ ﻛﻪ ﻣﻲ ﺗﻮان Pرا ﺑﻴﻨﻬﺎﻳﺖ
ﻛﻨﺪ.
ﺑﺎ ﺗﻐﻴﻴﺮ ﻧﺤﻮه ﻣﺤﺎﺳﺒﻪ ﺑﺎ matrix factorizationاﻳﻦ ﻣﺸﻜﻞ ﻣﺮﺗﻔﻊ ﻣﻲ ﮔﺮدد.
ﻣﺪل ﻏﻴﺮ ﺧﻄﻲ واﺑﺴﺘﻪ ﺑﻪ زﻣﺎن
ﺑﺮاي ﺳﻴﺴﺘﻢ واﺑﺴﺘﻪ ﺑﻪ زﻣﺎن ﺗﻜﻨﻴﻜﻬﺎي ﺿﺮﻳﺐ ﻓﺮاﻣﻮﺷﻲ و ﺑﻬﺮه ﺑﻪ اﺿﺎﻓﻪ اﻋﻤﺎل ﻣﺪل ﺑﺮاي ﭘﺎراﻣﺘﺮ زﻳﺮ اﺳﺘﻔﺎده ﻣﻲ
ﺷﻮد ﻛﻪ در راﺑﻄﻪ ) 11,29ﻣﺪل ﺧﻄﻲ واﺑﺴﺘﻪ ﺑﻪ زﻣﺎن( ﺑﺮدار ϕﺟﺎي ﺧﻮد را ﺑﻪ ψﻣﻲ دﻫﺪ.
.
23-8
ﻣﺘﻐﻴﺮﻫﺎي اﻟﮕﻮرﻳﺘﻤﻬﺎي ﺷﻨﺎﺳﺎﻳﻲ و ﻣﻌﻴﺎرﻫﺎي ﻛﻴﻔﻴﺖ OPTIONS AND OBJECTIVES 9
ﻣﻘﺪﻣﻪ 1-9
ﺑﻠﻮك دﻳﺎﮔﺮام ﺷﻨﺎﺳﺎﻳﻲ در ﺷﻜﻞ ﻧﺸﺎن داده ﺷﺪه اﺳﺖ
ﻫﺮﻳﻚ از اﺟﺰا داراي ﭘﺎراﻣﺘﺮﻫﺎي اﻧﺘﺨﺎﺑﻲ ﻫﺴﺘﻨﺪ ﻛﻪ در ﻛﻞ ﻣﺠﻤﻮﻋﻪ ﭘﺎراﻣﺘﺮﻫﺎي اﻟﮕﻮرﻳﺘﻢ ﺷﻨﺎﺳﺎﻳﻲ را ﺗﺸﻜﻴﻞ ﻣﻲ
دﻫﻨﺪ .(OPTIONS) D .از اﻳﻦ ﻣﺘﻐﻴﺮﻫﺎ ﺗﻌﺪادي ﻣﺘﻐﻴﺮ ﺗﺌﻮرﻳﻚ و ﺗﻌﺪادي ﻋﻤﻠﻲ ﻫﺴﺘﻨﺪ .اﻳﻦ ﻣﺘﻐﻴﺮﻫﺎ در ﻓﺼﻮل ﺑﻌﺪ
ﻣﻮرد ﺑﺤﺚ ﻗﺮار ﻣﻲ ﮔﻴﺮﻧﺪ
Design experiment
آﻣﺎده ﺳﺎزي ﺳﺨﺖ اﻓﺰار ﻣﻮرد ﻧﻴﺎز اﻧﺠﺎم ﺷﻨﺎﺳﺎﻳﻲ
Data collection
.1ورودي informative
ﻓﺮﻛﺎﻧﺲ ﻧﻤﻮﻧﻪ ﺑﺮداري .2
ﻓﻴﻠﺘﺮ ﻛﺮدن اﺧﺘﻼل از دﻳﺘﺎي اﻧﺪازه ﮔﻴﺮي ﺷﺪه preprocessingو ﭘﻴﺶ ﻓﻴﻠﺘﺮL .3
اﻧﺘﺨﺎب ﻣﺪل ﭘﻴﺶ ﺑﻴﻨﻲ ﺑﺮاي ŷ
(1ﻧﻮع ﻣﺪل ﭘﻴﺶ ﺑﻴﻨﻲ ،ŷ
(2ﺳﺎﻳﺰ ﻣﺪل،
(3ﻧﺤﻮه ﭘﺎراﻣﺘﺮ ﺑﻨﺪي ﻣﺪل )ﺗﺠﺰﻳﻪ ﺑﻪ ﻣﺠﻤﻮﻋﻪ ﺳﺮي ﻣﻮازي(،
( 4ﻣﻌﻴﺎر ﻛﻴﻔﻴﺖ ﻣﺪل،
(5ﻫﺰﻳﻨﻪ ﻣﺤﺎﺳﺒﺎﺗﻲ
اﻧﺘﺨﺎب روش ﻣﺤﺎﺳﺒﺎﺗﻲ
1-9
ﻣﺘﻐﻴﺮﻫﺎي ﺷﻨﺎﺳﺎﻳﻲ ﭘﺎراﻣﺘﺮﻳﻚ
.1اﻧﺘﺨﺎب IV ،PEMو ﻳﺎ subspace
.2ﻧﻮرم ℓ
اﻋﺘﺒﺎر ﺳﻨﺠﻲ Validation
ﻣﻌﻴﺎري ﺑﺮاي درﺳﺘﻲ آزﻣﺎﻳﻲ ﺳﻴﺴﺘﻢ اﺳﺘﻔﺎده ﺷﺪه ﺷﻨﺎﺳﺎﻳﻲ ﻣﻮرد ﻧﻴﺎز اﺳﺖ.
ﻛﻪ* uو * yورودي و ﺧﺮوﺟﻴﻬﺎ ﻫﺴﺘﻨﺪ ﻛﻪ از راﺑﻄﻪ زﻳﺮ ﺑﺪﺳﺖ آﻣﺪه اﻧﺪ.
ﻛﻪ ﻣﺤﺎﺳﺒﻪ آن ﻧﻴﺎزﻣﻨﺪ T0اﺳﺖ .اﻧﺘﮕﺮال اﻳﻦ ﻣﻌﻴﺎر ﻛﻴﻔﻴﺖ ﺗﺨﻤﻴﻦ اﺳﺖ
اﺳﺖ.
2-9
ﻣﺘﻐﻴﺮﻫﺎي ﺷﻨﺎﺳﺎﻳﻲ ﭘﺎراﻣﺘﺮﻳﻚ
اﻟﻒ(ﺧﺮوﺟﻲ
oﭼﻪ ﺳﻴﮕﻨﺎﻟﻬﺎﻳﻲ اﻧﺪازه ﮔﻴﺮي ﺷﻮد :ﺗﻌﻴﻴﻦ ﺧﺮوﺟﻲ ﺑﺮاي ﻧﺼﺐ ﺳﻨﺴﻮر
oﺳﻴﮕﻨﺎل اﻧﺪازه ﮔﻴﺮي ﺷﺪه )ﭘﻴﻮﺳﺘﻪ( ﭼﮕﻮﻧﻪ ﻓﻴﻠﺘﺮ ﺷﻮد
ب( ورودي
oورودي ﺑﻪ ﻛﺠﺎ و ﻧﻮع ﺳﻴﮕﻨﺎل اﻋﻤﺎﻟﻲ ﭼﮕﻮﻧﻪ ﺑﺎﺷﺪ.
oاﮔﺮ اﻋﻤﺎل ﺳﻴﮕﻨﺎل ﺑﻪ ﻳﻚ ورودي ﻣﻮﺛﺮ ﻣﻤﻜﻦ ﻳﺎ ﻣﺠﺎزﻧﺒﺎﺷﺪ ،ورودي ﺑﻌﻨﻮان اﺧﺘﻼل ﺑﺎﻳﺪ اﻧﺪازه ﮔﻴﺮي ﺷﻮد.
oدر ﻓﺮاﻳﻨﺪﻫﺎي ﺻﻨﻌﺘﻲ اﺟﺎزه اﻋﻤﺎل ورودي در ﺣﻴﻦ ﻛﺎر ﻋﺎدي ﺳﻴﺴﺘﻢ داده ﻧﻤﻲ ﺷﻮد
oدر ﺳﻴﺴﺘﻤﻬﺎي اﻗﺘﺼﺎدي و اﻛﻮﻟﻮژﻳﻚ اﺻﻮﻻ اﻣﻜﺎن اﻋﻤﺎل ﺳﻴﮕﻨﺎل ﺑﻪ ﻫﺪف ﺷﻨﺎﺳﺎﻳﻲ ﻣﻤﻜﻦ ﻧﻴﺴﺖ
oدر ﻃﺮاﺣﻲ و ﺳﺎﺧﺖ آزﻣﺎﻳﺸﮕﺎﻫﻲ اﻟﺒﺘﻪ ﻣﺤﺪودﻳﺖ اﻋﻤﺎل ﺳﻴﮕﻨﺎل ورودي ﻣﻲ ﺗﻮاﻧﺪ وﺟﻮد ﻧﺪاﺷﺘﻪ ﺑﺎﺷﺪ
در ﺳﻴﺴﺘﻤﻬﺎي ﺧﻴﻠﻲ ﻛﻨﺪ ﺿﺮورﺗﺎ ﻫﺮ ﻃﻮل دﻳﺘـﺎﻳﻲ o
ﻛﻮﭼﻚ اﺳﺖ
.ﺑﺎ اﻓﺰاﻳﺶ ﻃﻮل رﻛﻮرد ﻣﻲ ﺗﻮان اﺛﺮ ﺳﻴﮕﻨﺎل ﺑﻪ ﻧﻮﻳﺰ o
را ﺟﺒﺮان ﻛﺮد وﻟﻲ ﻣﻌﻤﻮﻻ اﻳﻦ اﻣﻜﺎن ﺑﻪ دﻟﻴﻞ ﻋﻤﻠﻲ ﻣﺠﺎز ﻧﻴﺴﺖ.
oﻋﻼوه ﺑﺮ اﻳﻨﻬﺎ وﺟﻮد اﺧﺘﻼل ﻏﻴﺮ ﻗﺎﺑﻞ اﻧـﺪازه ﮔﻴـﺮي ﻛـﻪ از "stationary stochastic processes".ﺗﺒﻌﻴـﺖ ﻧﻜﻨـﺪ
ﻣﺸﻜﻞ اﻳﺠﺎد ﻣﻲ ﻛﻨﺪ .اﺧﺘﻼﻻﺗﻲ ﻣﺎﻧﻨﺪ burstو missed data
ج( ﻣﻘﺪار ﻓﺮﻛﺎﻧﺲ ﻧﻤﻮﻧﻪ ﺑﺮداري
3-9
ﻣﺘﻐﻴﺮﻫﺎي ﺷﻨﺎﺳﺎﻳﻲ ﭘﺎراﻣﺘﺮﻳﻚ
oوﻗﺘﻲ ﺑﺎﻳﺎس ﻧﺎﺷﻲ از ﻣﺪل ﻣﻬﻢ اﺳﺖ ﻣﻨﺎﺳﺐ اﺳﺖ ﺷﺮاﻳﻂ آزﻣﺎﻳﺶ ﺑﻪ ﻧﺤﻮي ﺑﺎﺷﺪ ﻛﻪ ﺑﺎ ﻛﺎرﻛﺮد ﻣﺪل ﻣﻨﻄﺒـﻖ ﺑﺎﺷـﺪ
ﺑﻪ اﻳﻦ ﻣﻌﻨﻲ ﻛﻪ اﮔﺮ ﻣﺪل ﺧﻄﻲ در ﻧﻈﺮ ﮔﺮﻓﺘﻪ ﺷﺪه ﺳﻴﮕﻨﺎل ورودي ﻛﻮﭼﻚ در ﻧﻈﺮ ﮔﺮﻓﺘﻪ ﺷـﻮد ﺗـﺎ ﺳﻴﺴـﺘﻢ ﺣـﻮل
ﺣﻮش ﻧﻘﻄﻪ ﺗﻌﺎدل ﺧﻮد ﺑﺎﻗﻲ ﺑﻤﺎﻧﺪ
1-2-9ﻣﻌﻴﺎرﻫﺎي informativeﺑﻮدن
در ﺑﺨﺸﻬﺎي ﻗﺒﻞ ﻣﻄﺮح ﺷﺪد ﻛﻪ ∞ Zورودي informativeﻧﺴﺒﺖ ﺑﻪ ﻳﻚ ﻣﺪل اﺳـﺖ ﻛـﻪ ﺑﺘﻮاﻧـﺪ ﺑـﻴﻦ ﺗﻤـﺎم ﺟﻔـﺖ
ﻣﺪﻟﻬﺎي ﻣﻮﺟﻮد در ﻣﺠﻤﻮﻋﻪ ﻣﺪﻟﻬﺎ ﺗﻔﻜﻴﻚ ﻗﺎﺋﻞ ﺷﻮد.
Informativeﺑﻮدن ورودي ﺑﺎ ﺗﻌﺎرﻳﻒ زﻳﺮ اﻧﺠﺎم ﻣﻲ ﺷﻮد.
.1اﻳﻦ ﺷﺮط وﻗﺘﻲ ﻣﺤﻘﻖ ﻣﻲ ﺷﻮد ﻛﻪ اﮔﺮ nﭘﺎراﻣﺘﺮ ﻣﺠﻬﻮل وﺟﻮد دارد ﺑﺘﻮان ﺣﺪاﻗﻞ nﻣﻌﺎدﻟﻪ ﻣﺴﺘﻘﻞ داﺷﺖ.
Persistence of Excitation .2ﻣﺮﺗﺒﻪ n
ﺳﻴﮕﻨﺎل uﺳﻴﮕﻨﺎل PEﻣﺮﺗﺒﻪ nاﺳﺖ اﮔﺮ ﻃﻴﻒ ϕu(ω)>0ﺣﺪاﻗﻞ در nﻧﻘﻄﻪ ﺑﻴﻦ -πﺗﺎ +πﻏﻴﺮ ﺻﻔﺮ ﺑﺎﺷﺪ .ﻧﻜﺘﻪ اﻳـﻦ
اﺳﺖ ﻛﻪ اﮔﺮ ورودي در ﻓﺮﻛﺎﻧﺴﻲ ﻣﻮﻟﻔﻪ ﻧﺪاﺷﺘﻪ ﺑﺎﺷﺪ داﻣﻨﻪ آن ﻣﻮﻟﻔﻪ در ﺗﺨﻤﻴﻦ ﻫﺎي ﻣﺨﺘﻠﻒ ﻫﺮ ﻣﻘﺪاري را ﻣـﻲ ﺗﻮاﻧـﺪ
ﺑﺨﻮد ﺑﮕﻴﺮد و ﺗﺨﻤﻴﻦ consistentﺣﺎﺻﻞ ﻧﻤﻲ ﺷﻮد .ﻟﺬا ورودي ﺑﺎﻳﺪ informativeﺑﺎﺷﺪ
.3ﺑﻪ اﻳﻦ ﺗﺮﺗﻴﺐ ﻣﺠﻤﻮع nﺳﻴﻨﻮس PE ،ﻣﺮﺗﺒﻪ 2nاﺳﺖ).ﻣﺸﺮوط ﺑﺮ اﻧﻜﻪ ﻓﺮﻛﺎﻧﺴﻬﺎ ﺻﻔﺮ و πﻧﺒﺎﺷﻨﺪ ﻛﻪ اﻳﻦ دو،
ﺿﺮﻳﺐ 2را ﻧﺪارﻧﺪ(
.4ﻓﺮﻣﻮل دﻳﮕﺮ :ﻣﺎﺗﺮﻳﺲ Rﻏﻴﺮ ﻣﻨﻔﺮد ﺑﺎﺷﺪ.
.5ﻓﺮﻣﻮل دﻳﮕﺮ :ﺳﻴﮕﻨﺎل ﺑﺮاي ﺳﻴﺴﺘﻢ زﻳﺮ informativeاﺳﺖ اﮔﺮ PEاز ﻣﺮﺗﺒﻪ nb+nfﺑﺎﺷﺪ
4-9
ﻣﺘﻐﻴﺮﻫﺎي ﺷﻨﺎﺳﺎﻳﻲ ﭘﺎراﻣﺘﺮﻳﻚ
ﺳﻴﮕﻨﺎل ﺑﺎﻳﻨﺮي از اﻳﻦ ﻧﻈﺮ ﺷﺮاﻳﻂ ﺧﻮب دارﻧﺪ وﻟﻲ در ﺳﻴﺴﺘﻢ ﻏﻴﺮ ﺧﻄﻲ ﻧﻤﻴﺘﻮاﻧﻨﺪ اﻃﻼﻋﺎت اﻟﻤﺎن را آﺷﻜﺎرﻛﻨﻨﺪ.
ﺳﻴﮕﻨﺎل ﺑﺎ ﭘﺮﻳﻮد Mداراي ﺣﺪاﻗﻞ M-1ﻗﻠﻪ اﺳﺖ ﻛﻪ ﺑﻪ ﻣﻌﻨﻲ PEﻣﺮﺗﺒﻪ ﺣﺪاﻗﻞ M-1اﺳﺖ .ﺑﻨﺎﺑﺮاﻳﻦ Mﺑﺰرﮔﺘـﺮ ﺑـﻪ
ﻣﻌﻨﻲ ﻣﺮﺗﺒﻪ PEﺑﺎﻻﺗﺮ اﺳﺖ .ورودي اوﻟﻴﻪ u(0)#0ﺑﺎﻳﺪ اﻧﺘﺨﺎب ﺷﻮد و ﮔﺮ ﻧﻪ ﺧﺮوﺟﻲ ﺻﻔﺮ اﺳﺖ.
• ﺳﻴﮕﻨﺎل ﺑﺎﻳﺪ ﺣﺪاﻗﻞ ﺑﺮاي ﻳﻚ ﭘﺮﻳﻮد Mﺗﻮﻟﻴﺪ و ﺳﭙﺲ ﺗﻜﺮار ﺷﻮد
ﺷﻜﻞ ﻃﻴﻒ PBRSﺑﺮاي ﺳﻴﮕﻨﺎل ﺑﺎﻳﻨﺮي ﺑﺎ داﻣﻨﻪ ̅ ±uﻛﻪ داراي M-1ﻗﻠﻪ اﺳﺖ را ﻧﺸﺎن ﻣﻲ دﻫﺪ.
5-9
ﻣﺘﻐﻴﺮﻫﺎي ﺷﻨﺎﺳﺎﻳﻲ ﭘﺎراﻣﺘﺮﻳﻚ
PRBS (aﺑﺎ n=7و درﻧﺘﻴﺠﻪ (b M=127ﻃﻴﻒ ﺳﻴﮕﻨﺎل PRBSﻛﻪ داراي 63ﭘﻴﻚ در ﻓﺮﻛﺎﻧﺴﻬﺎي ﻣﺜﺒﺖ ﻫﺴﺘﻨﺪ
ﻣﺸﺨﺼﺎت PRBS
PBRS oﭘﺎراﻣﺘﺮ crest factorﺑﻬﻴﻨﻪ دارد
oﻣﺎﺗﺮﻳﺲ ﻛﻮارﻳﺎﻧﺲ آن ﻣﻌﻜﻮس ﭘﺬﻳﺮ اﺳﺖ
oﺑﻌﻨﻮان ﻳﻚ ﺳﻴﮕﻨﺎل ﻣﻌﻴﻦ ,ﺧﻮاص ﻃﻴﻒ آن ﺗﻀﻤﻴﻨﻲ ﻣﻮرد ﻧﻈﺮ اﺳﺖ و از اﻳﻦ ﻟﺤﺎظ ﺑﺎ ﺳﻴﮕﻨﺎل ﺗﺼـﺎدﻓﻲ ﻛـﻪ ﻃﻴـﻒ
ﻣﻮرد ﻧﻈﺮ ﺑﺎ ∞→ Nﻣﺤﻘﻖ ﻣﻲ ﺷﻮد ﻣﺘﻔﺎوت اﺳﺖ
oﺑﺮاي ﻫﺮ ) A(qﻓﻘﻂ ﻳﻚ PRBSوﺟﻮد دارد ﻣﻘﺪار اوﻟﻴﻪ ﻓﻘﻂ ﺑﻪ ﺳﻴﮕﻨﺎل ﺷﻴﻔﺖ ﻣﻲ دﻫﺪ.
oﻣﻨﺎﺳﺐ اﺳﺖ ﭘﺮﻳﻮد ﻋﺪد ﺻﺤﻴﺢ اﻧﺘﺨﺎب ﮔﺮدد.
PRBSﭘﺎﻳﻴﻦ ﮔﺬر
PBRSو ﻧﻮﻳﺰ ﺳﻔﻴﺪ ﻃﻴﻒ ﮔﺴﺘﺮده دارﻧﺪ .اﮔﺮ ﻃﻴﻒ ﭘﺎﻳﻴﻦ ﮔﺬر ﺧﻮاﺳﺘﻪ ﺑﺎﺷﻴﻢ
روش :1ﻣﻲ ﺗﻮاﻧﻴﻢ PBRSرا ﻓﻴﻠﺘﺮ ﻛﻨﻴﻢ ﻛﻪ اﻟﺒﺘﻪ دﻳﮕﺮ ﺳﻴﮕﻨﺎل ﺑﺎﻳﻨﺮي ﻧﻴﺴﺖ
روش :2روش دﻳﮕﺮ اﻓﺰاﻳﺶ ﻓﺮﻛﺎﻧﺲ ﻧﻤﻮﻧﻪ ﺑﺮداري اﺳﺖ ﻛﻪ ﺑﻪ ﻣﻮﺟﺐ آن ﻫﺮ ﻧﻤﻮﻧﻪ ﺳﻴﮕﻨﺎل pﺑـﺎر ﺗﻜـﺮار ﺷـﻮد p .ﺑـﻪ
ﻧﺤﻮي اﻧﺘﺨﺎب ﻣﻲ ﺷﻮد ﻛﻪ ﻃﻴﻒ ﻣﻮرد ﻧﻈﺮ ﺑﺮاي PRBSﺣﺎﺻﻞ ﺷﻮد .ﺷﻜﻞ ﻃﻴﻒ ﺑﺎ p=4را ﻧﺸﺎن ﻣﻲ دﻫﺪ.
Multi-Sines. -4
6-9
ﻣﺘﻐﻴﺮﻫﺎي ﺷﻨﺎﺳﺎﻳﻲ ﭘﺎراﻣﺘﺮﻳﻚ
ﻧﻮع دﻳﮕﺮ ورودي ﺟﻤﻊ ﭼﻨﺪ ﺳﻴﻨﻮس اﺳﺖ
oﺑﺮاي ﺗﻮﻟﻴﺪ ﺳﻴﮕﻨﺎل ﺑﺎ ﭘﺮﻳﻮد , Mﻓﺮﻛﺎﻧﺴﻬﺎ ﺑﺎﻳﺪ از 2π ki/Mﻛﻪ kﻋﺪد ﺻﺤﻴﺢ اﺳﺖ اﻧﺘﺨﺎب ﮔﺮدد.
oﺑﺮاي ﻧﺸﺎن ﻧﺪادن ﻟﻮﺑﻬﺎ در ﻧﻤﺎﻳﺶ ﻃﻴﻒ N-DFT ,ﻣﺤﺎﺳﺒﻪ ﻛﻨﻴﺪ
7-9
ﻣﺘﻐﻴﺮﻫﺎي ﺷﻨﺎﺳﺎﻳﻲ ﭘﺎراﻣﺘﺮﻳﻚ
ﻣﺰاﻳﺎو ﻣﻌﺎﻳﺐ ﭘﺮﻳﻮدﻳﻚ ﺑﻮدن ﺳﻴﮕﻨﺎل ورودي
oﺳﻴﮕﻨﺎل ﺑﺎ ﭘﺮﻳﻮد ,Mﻓﻘﻂ Mﻓﺮﻛﺎﻧﺲ ﻣﺠﺰا را ﺗﺤﺮﻳﻚ ﻣﻲ ﻛﻨﺪ وﻟﻲ ﺳﻴﮕﻨﺎل ﻏﻴﺮ ﭘﺮﻳﻮدﻳﻚ ﻣﻲ ﺗﻮاﻧـﺪ ﻣﻮﻟﻔـﻪ ﻫـﺎي
ﺑﻴﺸﺘﺮي را ﺗﺤﺮﻳﻚ ﻛﻨﺪ
oوﻗﺘﻲ kﭘﺮﻳﻮد Mﺗﺎﻳﻲ دارﻳﻢ ﻣﻨﺎﺳﺐ اﺳﺖ ﻛﻪ دﻳﺘﺎﻫﺎ روي ﻳﻚ ﭘﺮﻳﻮد ﻣﺘﻮﺳﻂ ﮔﻴﺮي ﺷﻮﻧﺪ .اﻳﻨﮕﻮﻧﻪ ﺳﻴﮕﻨﺎل ﺑـﻪ ﻧـﻮﻳﺰ
اﻓﺰاﻳﺶ ﻳﺎﻓﺘﻪ و ﻣﻘﺪار دﻳﺘﺎ ﺑﺮاي ﺷﻨﺎﺳﺎﻳﻲ ﻧﻴﺰ ﻛﺎﻫﺶ ﻣﻲ ﻳﺎﺑﺪ و ﺑﻪ ﺗﺒﻊ آن ﻣﺤﺎﺳﺒﺎت ﺑـﺪون آﻧﻜـﻪ ﻛـﺎراﻳﻲ ﻣﺨـﺪوش
ﺷﻮد.
oﺗﻔﺎوت در ﺧﺮوﺟﻲ در ﭘﺮﻳﻮدﻫﺎي ﻣﺘﻔﺎوت )در ﺣﺎﻟﺖ ﻣﺎﻧﺪﮔﺎر( ﻣﺮﺑﻮط ﺑﻪ ﻧﻮﻳﺰ اﺳﺖ ﻓﺮض ﻛﻨﻴﺪ
8-9
ﻣﺘﻐﻴﺮﻫﺎي ﺷﻨﺎﺳﺎﻳﻲ ﭘﺎراﻣﺘﺮﻳﻚ
,
oورودي ﻣﻮﺛﺮ در وارﻳﺎﻧﺲ ﺑﺨﺸﻲ اﺳﺖ ﻛﻪ ﻧﺎﺷﻲ از rاﺳﺖ و ﺳﻴﮕﻨﺎل ﻓﻴﺪﺑﻚ در اﻳﻦ ﺧﺼﻮص ﺳﻬﻤﻲ ﻧﺪارد
ﻣﺜﺎل .1ﺣﻠﻘــﻪ ﺑﺴــﺘﻪ ﺑــﺎ u=-f.yﺳﻴﺴــﺘﻢ informativeﻧﻴﺴــﺖ وﻟــﻲ ﺑــﺎ u=-f.y+rﻛــﻪ rﺳــﻴﮕﻨﺎل PEاﺳــﺖ
informativeﻣﻲ ﺷﻮد.
ﺣﺘﻲ اﮔﺮ fﻣﻌﻠﻮم ﺑﺎﺷﺪ ﻧﻴﺰ ﺳﻴﺴﺘﻢ ﻣﻨﺤﺼﺮﺑﻔﺮد ﺑﺪﺳﺖ ﻧﻤﻲ آﻳﺪ) .زﻳﺮا rﻛﻪ peﺑﺎﺷﺪ وﺟﻮد ﻧﺪارد( وﻟﻲ اﮔﺮ bﻣﺸـﺨﺺ
ﺑﺎﺷﺪ آﻧﻮﻗﺖ ﻧﺴﺒﺖ ﺑﻪ aﻣﺪل identifiableاﺳﺖ
9-9
ﻣﺘﻐﻴﺮﻫﺎي ﺷﻨﺎﺳﺎﻳﻲ ﭘﺎراﻣﺘﺮﻳﻚ
Aliasing
oاﮔﺮ ﺳﻴﮕﻨﺎل ﺣﺎوي دو ﻣﻮﻟﻔﻪ 10و 140ﻫﺮﺗﺰي ﺑﺎﺷﺪ و ﻓﺮﻛﺎﻧﺲ ﻧﻤﻮﻧﻪ ﺑﺮداري 300اﻧﺘﺨﺎب ﺷﻮد ﻣﻮﻟﻔـﻪ ﻫـﺎي ﺑﺎﻧـﺪ
ﭘﺎﻳﻪ ﻫﻤﻴﻦ دو ﺧﻮاﻫﻨﺪ ﺑﻮد .ﺑﺎ ﻧﻤﻮﻧﻪ ﺑﺮداري اﻃﻼﻋﺎت ﻓﺮﻛﺎﻧﺴﻬﺎي ﺑﺎﻻﺗﺮ از ﻓﺮﻛﺎﻧﺲ ﻧﺎﻳﻜﻮﺋﻴﺴﺖ ) 140ﻫﺮﺗﺰ( ﺣﺬف ﻣﻲ
ﺷﻮﻧﺪ
oاﮔﺮ ﻓﺮﻛﺎﻧﺲ ﻧﻤﻮﻧﻪ ﺑﺮداري ﻣﺜﻼ 100ﺑﺎﺷﺪ .در ﺑﺎﻧﺪ ﭘﺎﻳﻪ ﻣﻮﻟﻔﻪ 10ﺧﻮاﻫﺪ ﺑﻮد وﻟﻲ از ﻣﻮﻟﻔﻪ 140ﻫﺮﺗﺰي ﻳـﻚ ﻣﻮﻟﻔـﻪ
ﻧﺎﺧﻮاﺳﺘﻪ 40ﻫﺮﺗﺰي اﻳﺠﺎد ﻣﻲ ﺷﻮد ﺑﻪ اﻳﻦ frequency foldingﻧﻴﺰ ﻣﻲ ﮔﻮﻳﻨﺪ
oﺑﺮاي رﻓﻊ اﻳﻦ ﻣﺸﻜﻞ ﻓﻴﻠﺘﺮ anti-aliasingﺑﺎﻳﺪ اﺳﺘﻔﺎده ﺷﻮد .ﺗﺎ اﺛﺮ 140ﻫﺮﺗﺰ در ﺑﺎﻧﺪ ﭘﺎﻳﻪ ﻧﻴﺎﻳﺪ
اﻟﺒﺘﻪ اﻳﻦ ﻓﻴﻠﺘﺮ اﻳﺪه ال ﻗﺎﺑﻞ ﺳﺎﺧﺖ ﻧﻴﺴﺖ .ﺑﻬﺮﺣﺎل در ﺣﺎﻟﺖ اﻳﺪه ال ﺧﻮاﻫﻴﻢ داﺷﺖ
oاﮔﺮ ﺑﺎﻧﺪ ورودي ﻣﺤﺪود ﺑﺎﺷﺪ ωBﻣﺎﻧﻨﺪ آﻧﭽﻪ در ﻛﺎرﻋﺎدي ﺳﻴﺴﺘﻢ وﺟﻮد دارد ﻓﻴﻠﺘﺮ ﺿﺪ ﻫﻤﭙﻮﺷﺎﻧﻲ ﺗـﺎ ﻓﺮﻛـﺎﻧﺲ ωB
روي ﻫﻢ ورودي و ﺧﺮوﺟﺐ ﺑﺎﻳﺪ اﻋﻤﺎل ﺷﻮدئ ﻛﻪ ﺑﻪ ﺗﺒﻊ ﻧﻮﻳﺰ ﻓﺮﻛﺎﻧﺲ ﺑﺎﻻ ﻧﻴﺰ ﺣﺬف ﻣﻲ ﮔﺮدد.
oﻓﺮﻛﺎﻧﺲ ﻧﻤﻮﻧﻪ ﺑﺮداري ﺑﺎﻳﺪ ﺑﺎﻻﺗﺮ از ﻓﺮﻛﺎﻧﺲ ﻗﻄﻊ ﺳﻴﺴﺘﻢ ﺑﺎﺷﺪ.
oﭼﻮن اﻳﻦ ﻓﻴﻠﺘﺮ ﻣﻌﻠﻮم اﺳﺖ ﻣﻲ ﺗﻮان آﻧﺮا در ﻣﺪل ﺷﻨﺎﺳﺎﻳﻲ در ﻧﻈﺮ ﮔﺮﻓﺖ ﺗﺎ ﺗﺎﺛﻴﺮ آن ﺑﺮ ﺷﻨﺎﺳﺎﻳﻲ ﻧﻴﺰ ﻣﻠﺤﻮظ ﺷﻮد
oﻓﺮﻛﺎﻧﺲ ﻧﻤﻮﻧﻪ ﺑﺮداري ﻣﻨﺎﺳﺐ 10ﺑﺮاﺑﺮ ﭘﻬﻨﺎي ﺑﺎﻧﺪ اﺳﺖ .در ﻋﻤﻞ ﭘﺎﺳﺦ ﭘﻠﻪ رﺳﻢ و Tﺑﻪ ﻧﺤﻮي اﻧﺘﺨـﺎب ﻣـﻲ ﮔـﺮدد
ﻛﻪ 6-4ﻧﻤﻮﻧﻪ در زﻣﺎن ﻧﻤﻮ داﺷﺘﻪ ﺑﺎﺷﺪ
oﻣﻲ ﺗﻮان ﻧﻤﻮﻧﻪ ﺑﺮداري را ﺑﺎ ﻓﺮﻛﺎﻧﺲ ﺑﺎﻻ اﻧﺠﺎم داد و ﺳﭙﺲ ﺑﺎ ﻓﻴﻠﺘﺮ ﺿﺪ ﻫﻤﭙﻮﺷﺎﻧﻲ دﻳﺠﻴﺘﺎل ﻓﺮﻛﺎﻧﺲ ﻧﻤﻮﻧﻪ ﺑـﺮداري
را ﻛﺎﻫﺶ داد
10-9
ﻣﺘﻐﻴﺮﻫﺎي ﺷﻨﺎﺳﺎﻳﻲ ﭘﺎراﻣﺘﺮﻳﻚ
oﻓﺮﻛﺎﻧﺲ ﻧﻤﻮﻧﻪ ﺑﺮداري ﻛﻮﭼﻚ (1اﻓﺰاﻳﺶ ﺣﺠﻢ ﻣﺤﺎﺳﺒﺎت و ﻣﺸﻜﻞ ﻣﺤﺎﺳﺒﺎﺗﻲ (2ﻗﻄﺒﻬﺎي ﻣﺪل ﻫﻤﮕﻲ ﻧﺰدﻳـﻚ 1
ﺟﻤﻊ ﻣﻲ ﺷﻮﻧﺪ (3ﻣﺪل ﺑﻴﺸﺘﺮ ﺗﻼش ﻣﻲ ﻛﻨﺪ ﻓﺮﻛﺎﻧﺴﻬﺎي ﺑﺎﻻ را در ﺑﺮ ﺑﮕﻴﺮد (4 .اﮔـﺮ ﺳﻴﺴـﺘﻢ ﻛﻨﺘـﺮل ﺑﺎﺷـﺪ اﻏﻠـﺐ
ﻣﻨﺠﺮ ﺑﻪ ﻣﺪل ﻏﻴﺮ ﺣﺪاﻗﻞ ﻓﺎز ﻣﻲ ﺷﻮد.
oاﻧﺘﺨﺎب Tدر راﺑﻄﻪ ﺑﺎ τﺗﻌﻴﻴﻦ ﻣﻲ ﺷﻮد .اﻓﺰاﻳﺶ Tﻧﺴﺒﺖ ﺑﻪ τوارﻳﺎﻧﺲ را ﺑﻄﻮر ﻓﺎﺣﺸﻲ اﻓﺰاﻳﺶ ﻣﻲ دﻫـﺪT=10τ .
ﻛﻪ ﺑﺰرگ اﺳﺖ ﻣﻨﺠﺮ ﺑﻪ وارﻳﺎﻧﺲ 105ﻣﻘﺪار ﺑﻬﻴﻨﻪ ﻣﻲ ﺷﻮد در ﺣﺎﻟﻴﻜﻪ T=0.1τﻣﻨﺠﺮ ﺑﻪ وارﻳﺎﻧﺲ ﻛﻤﺘﺮ از 10ﺑﺮاﺑـﺮ
ﻣﻘﺪار ﺑﻬﻴﻨﻪ ﻣﻲ ﺷﻮد.
روش :3اﻋﻤﺎل ﻓﻴﻠﺘﺮ ﺑﺎﻻﮔﺬر ﺑﻪ دﻳﺘﺎ روش ﻣﻨﺎﺳﺒﻲ ﺑﺮاي ﺣﺎﻟﺖ onlineاﺳﺖ.
ﻧﻜﺎت:
oﺣﺬف offsetوﻗﺘﻲ ﻣﺪل OEاﺳﺖ ﺑﺴﻴﺎر ﭘﺮ اﻫﻤﻴﺖ اﺳﺖ
oدر روﺷﻬﺎﻳﻲ ﻛﻪ ﺑﺮاي ﻧﻮﻳﺰ ﻣﺪل در ﻧﻈﺮ ﮔﺮﻓﺘﻪ ﻣﻲ ﺷﻮد اﻫﻤﻴﺖ ﺣﺬف اﻓﺴﺖ ﻛﻤﺘﺮ اﺳﺖ.
Drift, Trends, Seasonal Variations
oﻓﻴﻠﺘﺮ ﺑﺎﻻ ﮔﺬر
oﻓﻴﻠﺘﺮ ﻧﺎچ
oﺗﻔﺮﻳﻖ ﺳﻴﮕﻨﺎل از ﻳﻚ راﺑﻄﻪ ﺧﻄﻲ ﻳﺎ ﻣﻨﺤﻨﻲ واﺑﺴﺘﻪ زﻣﺎن )ﻣﺪل اﺧﺘﻼل(.
ﻓﺮض ﻛﻨﻴﺪ دﻳﺘﺎ از) y(313ﺗﺎ ) y(320ﺑﻪ دﻟﻴﻞ اﻳﺮاد ﺻﻔﺮ ﺷﺪه ﺑﺎﺷﺪ ﺷﻜﻠﻬﺎ دﻳﺘﺎ ﺧﺮوﺟﻲ و ﺧﻄﺎي ﺷﻨﺎﺳﺎﻳﻲ را ﻧﺸـﺎن
ﻣﻲ دﻫﻨﺪ.
12-9
ﻣﺘﻐﻴﺮﻫﺎي ﺷﻨﺎﺳﺎﻳﻲ ﭘﺎراﻣﺘﺮﻳﻚ
آزﻣﺎﻳﺶ 1ﺑﺎ ARMAXﻫﻢ درﺟﻪ ﺑﺎ ﺳﻴﺴﺘﻢ اﺻـﻠﻲ اﺳـﺖ .ﻋﻤﻠﻜـﺮد ﺟـﺎﻟﺒﻲ ﻧـﺪارد .ﻳﻌﻨـﻲ ﭼﻨـﺪ outlierﻛـﺎرﻛﺮد را
ﻣﺨﺪوش ﻛﺮده اﺳﺖ
آزﻣﺎﻳﺶ 3ﺑﺎ ARMAXو اﺳﺘﻔﺎده از robust normاﺳﺖ ﻛﻪ ﻣﺸﻜﻞ ﺧﺮاﺑﻲ دﻳﺘﺎ را ﭘﻮﺷﺶ داده اﺳﺖ .ﺑﻪ ﻋﺒﺎرت دﻳﮕﺮ
اﻟﮕﻮرﻳﺘﻢ ﻣﻘﺎوم ﻣﻲ ﺗﻮاﻧﺪ اﻳﻦ ﻣﺸﻜﻼت را ﺑﻬﺘﺮ ﻫﻀﻢ ﻛﻨﺪ.
راه ﺣﻞ
ﺑﺮاي اﻳﻦ ﻣﺸﻜﻞ 3را ه ﺣﻞ وﺟﻮد دارد ﻛﻪ ﻣﻤﻜﻦ اﺳﺖ ﺑﻪ ﺗﻨﻬﺎﻳﻲ ﻳﺎ ﻫﻤﮕﻲ ﻣـﻮرد اﺳـﺘﻔﺎده ﻗـﺮار ﮔﻴﺮﻧـﺪ(1 :ﺗﺨﻤـﻴﻦ و
ﺗﻘﺮﻳﺐ )در ﻣﻮرد (2 ( missing dataدور رﻳﺨﺘﻦ ﺑﺨﺶ ﻧﺎﻣﻄﻠﻮب ﺳﻴﮕﻨﺎل (2اﺳﺘﻔﺎده از ﻧﻮرم ﻣﻘﺎوم
(1ﺗﺨﻤﻴﻦ و ﺗﻘﺮﻳﺐ )در ﻣﻮرد ( missing data
اﻳﻦ ﻛﺎر را ﺑﺎ اﻋﻤﺎل ﻣﺪل ﺑﻪ ﺳﻴﮕﻨﺎل ورودي و ﺗﺼﺎدﻓﻲ در ﻧﻈﺮ ﮔﺮﻓﺘﻦ ﺧﺮوﺟﻲ و اﺳﺘﻔﺎده از ﺗﻜﺘﻜﻬـﺎي ﺗﺨﻤـﻴﻦ ،آﻧﻬـﺎ را
ﺑﺎزﺳﺎزي ﻛﺮد
(2اﻧﺘﺨﺎب ﻗﻄﻌﺎت ﻣﻨﺎﺳﺐ و دوررﻳﺨﺘﻦ outlier
oﻗﺒﻞ از ﺷﻨﺎﺳﺎﻳﻲ ﻧﻤﻮدار رﺳﻢ و ﺑﺨﺸﻬﺎي ﻗﺎﺑﻞ اﻃﻤﻴﻨﺎن ﺟﺪا ﻣﻲ ﺷﻮﻧﺪ.
oﺿﻤﻨﺎ وﻗﺘﻲ ﺳﻴﺴﺘﻢ در ﺣﺎل ﻛﺎرﻧﺮﻣﺎل ﺧﻮد اﺳﺖ ﺑﺨﺸﻬﺎي ﺑﺰرﮔﻲ از دﻳﺘﺎﻫﺎ ﻣﻤﻜـﻦ اﺳـﺖ ﺛﺎﺑـﺖ و ﺣـﺎوي اﻃﻼﻋـﺎت
ﻣﺮﺗﺒﻂ ﺑﺎ دﻳﻨﺎﻣﻴﻚ ﻧﺒﺎﺷﺪ ﻛﻪ ﺑﺎﻳﺪ ﻛﻨﺎر ﮔﺬاﺷﺘﻪ ﺷﻮد و ﺷﻨﺎﺳﺎﻳﻲ ﺑﻪ اﺳﺘﻨﺎد آﻧﻬﺎ آﻧﻬﺎ اﻧﺠﺎم ﻧﺸﻮد
oﺗﺸﺨﻴﺺ onlineوﺟﻮد outlierو ﻛﻨﺎر ﮔﺬاﺷﺘﻦ آن :وارﻳﺎﻧﺲ ﺗﺨﻤﻴﻦ ﻛﻪ ﻫﻤﺰﻣﺎن ﺑﺎ ﺷﻨﺎﺳﺎﻳﻲ ﻗﺎﺑـﻞ ﻣﺤﺎﺳـﺒﻪ
اﺳﺖ وﺟﻮد outlierرا اﻋﻼم ﻣﻲ ﻛﻨﺪ .درﻣﺜﺎل ﻗﺒﻞ در ﺣﺎﻟﻴﻜﻪ اﻧﺤـﺮاف ﻣﻌﻴـﺎر θ̂1ﺑـﻪ ﺗﺮﺗﻴـﺐ (0.9997, 1.7157,
) 1.1421اﺳﺖ اﻧﺤﺮاف ﻣﻌﻴﺎر θ̂ 2ﺑﺘﺮﺗﻴﺐ ) (0.0602, 0.0750, 0.061اﺳـﺖ ﻛـﻪ ﺧـﻮد ﻧﺸـﺎن ﻣـﻲ دﻫـﺪ دﻳﺘـﺎ
ﻧﺎﻫﻨﺠﺎر ﺑﻮده اﺳﺖ .ﺻﻤﻨﺎ ﭘﺮش در ﻧﻤﻮدار ﺑﺎﻗﻴﻤﺎﻧﺪه ﻧﻴﺰ وﺟﻮد اﻳﺮاد ﺑﺰرگ در دﻳﺘﺎ را ﻧﺸﺎن ﻣﻲ دﻫﺪ.
ﻓﻴﻮژن ﺗﺨﻤﻴﻨﻬﺎ
وﻗﺘﻲ ﺑﻬﺮ دﻟﻴﻠﻲ ﻗﻄﻌﺎت ﻏﻴﺮ ﭘﻴﻮﺳﺘﻪ دﻳﺘﺎ ﺑﺮاي ﺷﻨﺎﺳﺎﻳﻲ ﻣﻮرد اﺳﺘﻔﺎده ﻗﺮا ﻣﻲ ﮔﻴﺮد ﭼﮕﻮﻧﮕﻲ ﺗﺮﻛﻴﺐ آﻧﻬﺎ ﻣﺴﺌﻠﻪ اﺳﺖ.
اﮔﺮ ﺑﺪون ﺗﻮﺟﻪ ﺑﻪ ﻧﺎﭘﻴﻮﺳﺘﮕﻲ در ﻗﻄﻌﺎت آﻧﻬﺎ ﭘﺸﺖ ﺳﺮﻫﻢ ﻗﺮار ﮔﺮﻓﺘـﻪ و ﺷﻨﺎﺳـﺎﻳﻲ ﺻـﻮرت ﮔﻴـﺮد ﺗﻐﻴﻴـﺮات ﮔـﺬرا در
ﺗﺨﻤﻴﻦ ﭘﺎراﻣﺘﺮ ﻣﺸﺎﻫﺪه ﻣﻲ ﺷﻮد ﻛﻪ ﻣﻄﻠﻮب ﻧﻴﺴﺖ .رﻓﻊ ان ﻣﺸﻜﻞ ﺑﺎ ﻳﻜﻲ از دو ﺗﻜﻨﻴﻚ زﻳﺮ ﻣﻴﺴﺮ اﺳﺖ.
روش 1ﻣﻴﺎﻧﮕﻴﺮي وزﻧﻲ ﺑﺮ اﺳﺎس وارﻳﺎﻧﺲ ﺗﺨﻤﻴﻦ
ﻳﻚ را ﺣﻞ اﻳﻨﮕﻮﻧﻪ اﺳﺖ ﻛﻪ ﺗﺨﻤﻴﻦ ﻫﺎي ﻣﺠﺰا ﻣﺤﺎﺳﺒﻪ و ﺳﭙﺲ ﺗﺨﻤﻴﻨﻬﺎ ﺑﻬﻢ mergeﺷﻮﻧﺪ
13-9
ﻣﺘﻐﻴﺮﻫﺎي ﺷﻨﺎﺳﺎﻳﻲ ﭘﺎراﻣﺘﺮﻳﻚ
روش :2ﻣﻴﺎﻧﮕﻴﺮي
:اﮔﺮ دﻳﺘﺎ ﭘﺮﻳﻮدﻳﻚ اﺳﺖ ﺑﻬﺘﺮ اﺳﺖ ورودي و ﺧﺮوﺟﻲ روي ﻳﻚ ﭘﺮﻳﻮد ﻣﻴﺎﻧﮕﻴﺮي ﺷﻮد ﺑﺎ اﻳﻦ ﻛﺎر ﻫﻢ ﺗﻌـﺪاد دﻳﺘـﺎ ﻛـﻢ و
ﺳﺮﻋﺖ ﺗﺨﻤﻴﻦ ﺑﺎﻻ ﻣﻲ رود ﻫﻢ ﻧﻮﻳﺰ ﻓﺮﻛﺎﻧﺲ ﺑﺎﻻ ﺣﺬف ﻣﻲ ﺷﻮد.
Qﺗﺎﺑﻌﻲ از H ،Lو ϕاﺳﺖ و ﻣﻘﺪار ﺗﻚ ﺗﻚ ٱﻧﻬﺎ ﺗﻌﻴﻴﻦ ﻛﻨﻨﺪه ﻧﻴﺴﺖ ﺑﻠﻜﻪ ﺗﺮﻛﻴﺐ آﻧﻬﺎ ﻣﻮﺛﺮ اﺳﺖ.
oاﺛﺮ Lﺑﺎﻻ ﮔﺬر ﻛﻪ ﺑﺎﻳﺎس ﻓﺮﻛﺎﻧﺲ ﭘﺎﻳﻴﻦ اﻳﺠﺎد ﻣﻲ ﻛﻨﺪ در ﺷﻜﻞ ﻧﺸﺎن داده ﺷﺪه اﺳﺖ
14-9
ﻣﺘﻐﻴﺮﻫﺎي ﺷﻨﺎﺳﺎﻳﻲ ﭘﺎراﻣﺘﺮﻳﻚ
oاﺳﺘﻔﺎده ﭼﻨﺪ ﻣﻨﻈﻮره از Lﻣﺜﻼ ﺑﺮاي ﺣﺬف اﺧﺘﻼﻻت ﻓﺮﻛﺎﻧﺲ ﭘﺎﻳﻴﻦ ،ﻧﺎچ ﺑﺮاي seasonal variationﻳﺎ ﺑـﺎﻻ ﮔـﺬر
ﺑﺮاي ﺣﺬف ﻧﻮﻳﺰ ﻃﺮﺣﻲ آﻧﺮا conflictingﻣﻲ ﻛﻨﺪ.
ﻃﺮاﺣﻲ Lﺑﺮاي ﺑﺎﻳﺎس ﺑﻬﻴﻨﻪ
در ﺷﺮاﻳﻂ ϕue=0و H=1ﻣﻌﻴﺎر ﺑﺎﻳﺎس ﺑﺮاي ﺣﺪ ﺗﺨﻤﻴﻦ * θاﻳﻨﮕﻮﻧﻪ ﺑﺪﺳﺖ آﻣﺪ.
ﻛﻪ C11ﺑﻪ ﻧﻮع ﻣﺪل و ﺳﻴﺴﺘﻢ واﺑﺴﺘﻪ اﺳﺖ .ﺿﻤﻨﺎ راﺑﻄﻪ ﻣﻘﺪار ﺑﻬﻴﻨﻪ اﻳﻨﮕﻮﻧﻪ ﺑﺪﺳﺖاﻣﺪ
ﻣﻲ ﮔﺮدد ﺑﻪ ازاي ﻣﻘﺪاري .α>0ﻣﻘﺪار Cﺑﺮاي ﺳﻴﺴـﺘﻢ ﻧﺘﻴﺠﻪ اﻳﻨﻜﻪ ﺷﺮاﻳﻂ ﺑﺎﻳﺎس ﺑﻬﻴﻨﻪ
اﺳﺖ .و ﻣﻘﺪار Cﺑﺮاي ﺳﻴﺴﺘﻢ Y=Gu+Heو و ﻣﺪل ﺗﺨﻤﻴﻦ ŷ=Guﺑﺮاﺑﺮ ﺑﺎ
ﻓﺼﻞ 15
15-9
ﻣﺘﻐﻴﺮﻫﺎي ﺷﻨﺎﺳﺎﻳﻲ ﭘﺎراﻣﺘﺮﻳﻚ
ﻛﻪ ﺑﻬﺮه ﻛﻮارﻳﺎﻧﺲ kﺑﻪ ﻧﻮع ﻧﺮم ℓو ﺗﺎﺑﻊ ﺗﻮزﻳﻊ ) eo(tﻳﻌﻨﻲ fe (x).واﺑﺴﺘﻪ اﺳﺖ
ﻣﻲ ﺗﻮان ﻧﺸﺎن داد ﻛﻪ ﻣﻘﺪار ﺣﺪاﻗﻞ kﻛﻪ وارﻳﺎﻧﺲ را ﺣﺪاﻗﻞ ﻣﻴﻜﻨﺪ در ﺷﺮاﻳﻂ زﻳﺮ ﺑﺪﺳﺖ ﻣﻲ آﻳﺪ.
ﻧﺘﻴﺠﻪ :اﮔﺮ ﺗﺎﺑﻊ ﺗﻮزﻳﻊ ﮔﻮﺳﻲ ﺑﺎ وارﻳﺎﻧﺲ ﻣﻌﻠﻮم ﺑﺎﺷﺪ ﻧﻮرم ﺑﻬﻴﻨﻪ ﻧﻮرم درﺟﻪ 2اﺳﺖ ﺑﻪ اﻳﻦ ﺗﺮﺗﻴﺐ
feﻣﺠﻬﻮل
اﻣﻜﺎن ﺗﻨﻈﻴﻢ وﻓﻘﻲ آن ﻓﺮاﻫﻢ ﻣﻲ آﻳﺪ .اﻟﺒﺘﻪ در ﻋﻤﻞ اﻳﻦ oﻧﻮرم ﭘﺎراﻣﺘﺮﻳﻚ :ﺑﺎ اﺿﺎﻓﻪ ﻛﺮدن ﭘﺎراﻣﺘﺮ ﺑﻪ ﻧﻮرم
ﻛﺎر ﻣﻤﻜﻦ اﺳﺖ اﻣﻜﺎن ﭘﺬﻳﺮ ﻧﺒﺎﺷﺪ زﻳﺮا ﺑﻪ اﺳﺘﻨﺎد ﺗﻌﺪادي ﻣﺤﺪود دﻳﺘﺎ ﻧﻤﻲ ﺗﻮان ﺗﺎﺑﻊ ﺗﻮزﻳﻊ را ﺧﻮب ﺗﺨﻤﻴﻦ زد.
• ﻧﻮرم ﻣﻘﺎوم :اﻧﺘﺨﺎب ﻧﻮرم در راﺑﻄﻪ ﺑﺎ ﻣﻘﺎوم ﻧﻤﻮدن اﻟﮕﻮرﻳﺘﻢ در ﻣﻘﺎﺑﻞ ) outliersدﻳﺘﺎي ﺧﺮاب و ﺑﺪ( ﻣﻄﺮح ﻣﻲ ﺷﻮد
oﻣﻲ ﺗﻮان ﻧﻮرم ﺑﺎ ﺣﺴﺎﺳﻴﺖ ﻛﻤﺘﺮ ﻧﺴﺒﺖ ﺑﻪ fﻳﺎ ﺑﻪ ﻋﺒﺎرت دﻳﮕﺮ robust normاﻧﺘﺨﺎب ﻛﺮد.
oﻧﻮرم ε2ﺑﻪ ﺷﻜﻞ ﺑﺪي ﺑﻪ outlierﺣﺴﺎس اﺳﺖ
اﺳـﺖ .ﺑـﺮاي ﻧﻮرم ﺑﻬﻴﻨﻪ درﺟـﻪ 2 ﻣﺜﺎل .3ﺑﺮاي ﺗﺎﺑﻊ ﺗﻮزﻳﻊ ﮔﻮﺳﻲ
اﻳﻦ ﻧﻮرم ﺑﻬﺮه وارﻳﺎﻧﺲ ﺗﺨﻤﻴﻦ kﺑﺮاﺑﺮ اﺳﺖ ﺑﺎ
ﻛﻪ ﺣﺎﺻﻞ ﺗﻘﺴﻴﻢ وارﻳﺎﻧﺲ ﺑﻪ ﺗﻮان دو ﺳﻄﺢ زﻳﺮ ﺗﺎﺑﻊ اﺳﺖ.
10-3
* 0.5ﻣﻮﻟﺪ ﺳﻴﮕﻨﺎل ﺗﺼـﺎدﻓﻲ ﻋﻤﻠﻜﺮد اﻳﻦ ﻧﻮرم در ﻣﻮاﺟﻬﻪ ﺑﺎ outlierرا اﻳﻨﮕﻮﻧﻪ ﻣﻴﺘﻮان دﻳﺪ .ﺑﻪ اﺣﺘﻤﺎل ﺑﺴﻴﺎر ﻛﻢ
ﻣﻤﻜﻦ اﺳﺖ 100و -100ﺗﻮﻟﻴﺪ ﻛﻨﺪ .در اﻳﻦ وﺿﻌﻴﺖ ﻣﻘﺪار kﺑﺮاﺑﺮ اﺳﺖ ﺑﺎ
ﻛﻪ وارﻳﺎﻧﺴﻲ 11ﺑﺮاﺑﺮ ﻣﻘﺪار ﻣﻌﻤﻮﻟﻲ ﺧﻮد را ﻧﺸﺎن ﻣﻲ دﻫﺪ .در اﻳﻦ ﻣﺤﺎﺳﺒﻪ ﻣﺨﺮج ﻛﺴﺮ 1اﺳﺖ و ﺻﻮرت ﻛﺴـﺮ از ﺳـﻪ
ﻗﺴﻤﺖ } {100, -100, othersﺗﺸﻜﻴﻞ ﻣﻲ ﺷﻮد ﻛﻪ ﺑﻪ ﻣﻘﺪار ﻓﻮق ﻣﻲ اﻧﺠﺎﻣﺪ
oﺑﺮاي رﻓﻊ ﻣﺸﻜﻞ ،outliersﻧﻮرم روﺑﺎﺳﺖ زﻳﺮ ﭘﻴﺸﻨﻬﺎد ﻣﻴﮕﺮدد ﻛﻪ ﻳﻜﻲ از آﻧﻬﺎ ﻧﻮرم زﻳﺮ اﺳﺖ.
16-9
ﻣﺘﻐﻴﺮﻫﺎي ﺷﻨﺎﺳﺎﻳﻲ ﭘﺎراﻣﺘﺮﻳﻚ
o
ﻛﻪ ̂ σاﻧﺤﺮاف ﻣﻌﻴﺎر prediction errorsو 1≤ρ≤1.8ﺿﺮﻳﺐ اﺳﺖ .ﻣﻘﺪار ﻣﻨﺎﺳﺐ ̂ σاز اﻳﻦ ﻗﺮار اﺳﺖ
17-9
ﻣﺘﻐﻴﺮﻫﺎي ﺷﻨﺎﺳﺎﻳﻲ ﭘﺎراﻣﺘﺮﻳﻚ
ﻧﻮرم ﻣﻘﺎوم ﺑﻪ ﺗﺮم influence Function
oﻫﺪف اﻳﻦ اﺳﺖ ﻛﻪ ﺗﻚ دﻳﺘﺎ اﺛﺮ زﻳﺎدي ﺑﺮ روي ﺗﺨﻤﻴﻦ ﻧﺪاﺷﺘﻪ ﺑﺎﺷﺪ .اﺛﺮ ﺗﻚ دﻳﺘﺎ ﺑﺮ ﺗﺨﻤﻴﻦ در LSاﻳﻨﮕﻮﻧﻪ اﺳﺖ
o
influence oﻳﻚ دﻳﺘﺎ در زﻣﺎن tﺑﺮ روي ﺗﺨﻤﻴﻦ ﺗﻘﺮﻳﺒﺎ ﺑﺮاﺑﺮ ) S(tاﺳﺖ.
S oﺑﻪ ’ ρواﺑﺴﺘﻪ اﺳﺖ ﻫﺮ ﭼﻘﺪر ﻣﺸﺘﻖ ρﻛﻮﭼﻚ ﺑﺎﺷﺪ اﺛﺮ outlierﻛﻤﺘﺮاﺳﺖ.
oﺑﺎ ﻣﺤﺎﺳﺒﻪ Sﺑﻌﺪ از ﺗﺨﻤﻴﻦ ﭘﺎراﻣﺘﺮ روﺷﻦ ﻣﻲ ﺷﻮد ﻛﻪ ﻛﺪام ﻣﺸﺎﻫﺪه considerably influencedروي ﺗﺨﻤـﻴﻦ
داﺷﺘﻪ ﻛﻪ ﺑﺎﻳﺪ ﻧﻘﺶ آن ﻛﺎﻫﺶ ﻳﺎﺑﺪ.
:Detecting Outliers oاز ﻣﺸﺎﻫﺪه ﻧﻤﻮدار ﺑﺎﻗﻴﻤﺎﻧﺪه ) ε(t, θ̂Nﺑﻪ آﺳﺎﻧﻲ ﻣﻲ ﺗـﻮان outlierرا ﻣﺸـﺎﻫﺪه و ﻋﻠﻴـﺮﻏﻢ
ﻧﻮرم ﻣﻘﺎوم اﺛﺮ آﻧﺮا ﻛﺎﻫﺶ داد
18-9
10ﭘﺎراﻣﺘﺮﻫﺎي ﺷﻨﺎﺳﺎﻳﻲ
: 1-1-10ﺳﺎﺧﺘﺎر ﻣﺪل
ﺳﺎﺧﺘﺎر ﻣﺪل ﻣﺎﻧﻨﺪ اﻧﺘﺨﺎب ﻧﻮع ﺧﻄﻲ ،ﻓﻀﺎي ﺣﺎﻟﺖ ،ﻏﻴﺮ ﺧﻄﻲ ،ﺟﻌﺒﻪ ﺳﻴﺎه و … اﺳﺖ .در اﻳﻦ راﺑﻄﻪ
اﻃﻼﻋﺎت ﻗﺒﻠﻲA PRIORI CONSIDERATIONS
(1از ﺑﺮرﺳﻲ ﺗﺌﻮرﻳﻚ ﺳﻴﺴﺘﻢ و ﻧﻮﺷﺘﻦ ﻣﻌﺎدﻻت دﻳﻔﺮاﻧﺴﻴﻞ ﺳﺎﺧﺘﺎر ﻣﺪل ﺑﺪﺳﺖ ﻣﻲ آﻳﺪ .ﺑﺮ اﺳﺎس ﻣﻌـﺎدﻻت ﻣﺘﻌﺎﻗﺒـﺎ
ﻣﻲ ﺗﻮان ﻣﺸﺘﻖ اول و دوم ﺗﺎﺑﻊ ﻣﻌﻴﺎر Vرا ﻣﺤﺎﺳﺒﻪ و در ﺷﻨﺎﺳﺎﻳﻲ ﻣﻮرد اﺳﺘﻔﺎده ﻗﺮار داد.
(2وﺟﻮد ﻣﻌﺎدﻟﻪ رﻳﺎﺿﻲ ﺑﻪ اﻳﻦ ﻣﻌﻨﻲ ﻧﻴﺴﺖ ﻛﻪ ﺿﺮورﺗﺎ ﻫﻤﺎن ﻣﺪل ﻛﻠﻲ ﺑﺎ ﺗﻤﺎم ﭘﻴﭽﻴـﺪﮔﻴﻬﺎﻳﺶ ﺑﺎﻳـﺪ ﺷﻨﺎﺳـﺎﻳﻲ ﺷـﻮد.
ﺗﻮﺟﻪ ﺑﻪ ﻣﺎﻫﻴﺖ دﻳﺘﺎ ﻣﻤﻜﻦ اﺳﺖ ﻧﺸﺎن دﻫﺪ ﻛﻪ دﻳﺘﺎي ورودي از ﻳﻚ ﻋﺎﻣﻞ ﻏﻴﺮ ﺧﻄﻲ )ﻟﮕـﺎرﻳﺘﻢ ،ﺳـﻬﻤﻲ و …( ﻋﺒـﻮر
داده ﺷﺪه و ﺳﭙﺲ ﻣﺪل ﺧﻄﻲ ﺑﻪ ﺟﺎي ﻣﺪل ﻏﻴﺮ ﺧﻄﻲ ﺷﻨﺎﺳﺎﻳﻲ ﺷﻮد .رﻓﺘﺎر ﻏﻴﺮ ﺧﻄـﻲ ﺳﻨﺴـﻮرﻫﺎ و ﻣﺤﺮﻛﻬـﺎ از ﻗﺒـﻞ
ﻣﻤﻜﻦ اﺳﺖ ﻣﻌﻠﻮم ﺑﺎﺷﻨﺪ ﺗﺎ در ﺗﺸﻜﻴﻞ ﺑﺮدار رﮔﺮﺳﻴﻮن ﻟﺤﺎظ ﺷﻮﻧﺪ.
آﻧﺎﻟﻴﺰ ﻣﻘﺪﻣﺎﺗﻲ دﻳﺘﺎ اﻧﺪازه ﮔﻴﺮي ﺷﺪه ZNﺑﺮاي ﻳﺎﻓﺘﻦ ﺳﺎﺧﺘﺎر ﻣﻨﺎﺳﺐ:
(3اﻳﻦ ﺑﺨﺶ ﺑﻪ اﻧﺪازه ﻛﺎﻓﻲ ﺗﻮﺳﻌﻪ ﻧﻴﺎﻓﺘﻪ اﺳﺖ ﺑﺠﺰ در ارﺗﺒﺎط ﺑﺎ ﺳﻴﺴﺘﻤﻬﺎي ﺧﻄﻲ .ﺑﻪ ﻧﻈﺮ ﻣﻴﺮﺳﺪ ﺑﺘﻮان ﺑﺎ آﻧﺎﻟﻴﺰﻫـﺎي
ﻏﻴﺮﭘﺎراﻣﺘﺮﻳﻚ ﻧﻮع ارﺗﺒﺎط ﺑﻴﻦ ﻣﺘﻐﻴﺮﻫﺎ را ﻛﺸﻒ ﻛﺮد .اﻳﻦ ﻣﻮﺿﻮع در ﻣﺒﺎﺣﺚ آﻣﺎري ﻣﻮرد ﺗﻮﺟﻪ ﻗﺮار ﮔﺮﻓﺘـﻪ اﺳـﺖ وﻟـﻲ
1-10
ﺷﻨﺎﺳﺎﻳﻲ ﺳﻴﺴﺘﻢ :ﭘﺎراﻣﺘﺮﻫﺎي ﺷﻨﺎﺳﺎﻳﻲ
ﻫﻨﻮز ﺑﻪ درﺳﺘﻲ وارد ﺣﻮزه ﺷﻨﺎﺳﺎﻳﻲ ﻧﺸﺪه اﺳﺖ .ﻣﺜﻼ ﺗﺸﺨﻴﺺ وﺟﻮد ﻋﺎﻣﻞ ﻏﻴﺮ ﺧﻄﻲ در ﻣـﺪل را ﺑـﺎ higher (than
second) order correlations and spectraﺗﻌﻴﻴﻦ ﻛﺮد.
(4ﺑﺪﻟﻴﻞ ﻣﺸﻜﻼت و ﭘﻴﭽﻴﺪﮔﻴﻬﺎي ﻓﻮق ،ﻣﺪل black boxﻣﻤﻜﻦ اﺳﺖ ﺗﺮﺟﻴﺢ داده ﻣﻲ ﺷﻮد .ﻛﻪ از ﻣﺪل ﺳﺎده ﺷـﺮوع
واﮔﺮ ﻧﺘﻮاﻧﺴﺖ آزﻣﻮن validationﻣﻮﻓﻖ ﺷﻮد ﻣﺪل را ﭘﻴﭽﻴﺪه ﺗﺮ ﺷﻮد .ﻣﺪل رﮔﺮﺳﻴﻮن ﺧﻄـﻲ و LSاﻧﺘﺨﺎﺑﻬـﺎي ﺧـﻮﺑﻲ
ﺑﺮاي ﺷﺮوع ﻫﺴﺘﻨﺪ .ﻫﺮﭼﻘﺪر دﻳﺘﺎ ﺧﻮب ﺑﺎﺷﺪ اﮔﺮ ﻣﺪل ﻣﻨﺎﺳﺐ ﻧﺒﺎﺷﺪ اﻧﺘﻈﺎر ﺷﻨﺎﺳـﺎﻳﻲ ﺧـﻮب را ﻧﺒﺎﻳـﺪ داﺷـﺖ .ﻧﺘﻴﺠـﻪ
اﻳﻨﻜﻪ روﺷﻬﺎي اﺑﺘﻜﺎري و physical inshghtﺑﺮاي ﺗﻮﻓﻴﻖ ﺿﺮوري اﺳﺖ ﻛﻪ ﻧﻤﻴﺘﻮان آﻧﺮا ﺑﺼﻮرت اﺗﻮﻣﺎت در آورد.
2-1-10درﺟﻪ ﻣﺪل
ﻣﺜﻞ درﺟﻪ ﭼﻨﺪﺟﻤﻠﻪ اﻳﻬﺎ ،ﻣﺮﺗﺒﻪ ﻣﺎﺗﺮﻳﺲ ﻓﻀﺎي ﺣﺎﻟﺖ ،ﺗﻌﺪاد ﻧﺮوﻧﻬﺎي ﻣﺪل ﺷﺒﻜﻪ ﻋﺼﺒﻲ
اﻃﻼﻋﺎت ﻗﺒﻠﻲ:
physical insight (١ﻣﺪل رﻳﺎﺿﻲ ﺑﻪ ﺧﻮﺑﻲ ﻣﺮﺗﺒﻪ ﻣﻮرد ﻧﻴﺎز ﻣﺪل را ﻧﻴﺰ ﻧﺸﺎن دﻫﺪ
(2ﺗﻌﺪاد دﻳﺘﺎ Nﻧﺸﺎن ﻣﻲ دﻫﺪ ﻛﻪ ﭼﻪ ﺗﻌﺪاد ﭘﺎراﻣﺘﺮ ﺑﺮ اﺳﺎس آن اﺻﻮﻻ ﻗﺎﺑﻞ ﺗﺨﻤﻴﻦ اﺳـﺖ .ﺑـﺎ ﺗﻌـﺪاد دﻳﺘـﺎي ﻣﻌـﺪود
ﻣﻌﻘﻮل ﻧﻴﺴﺖ ﻛﻪ ﻛﻪ ﻣﺪل ﺷﻨﺎﺳﺎﻳﻲ ﭘﻴﭽﻴﺪه در ﻧﻈﺮ ﮔﺮﻓﺘﻪ ﺷﻮد
(3از ﻧﻈﺮ ﻣﺤﺎﺳﺒﺎﺗﻲ ﻣﻤﻜﻦ اﺳﺖ ﻣﺸﻜﻞ ﺑﺎﺷﺪ ﻛﻪ ﺑﻴﺶ از 2-3 decadeﻓﺮﻛﺎﻧﺴﻲ را ﺑﺎ ﻳﻚ ﻣﺪل ﺑﺨـﻮﺑﻲ ﺗﺨﻤـﻴﻦ زد.
در ﻣﺪل ﺑﺎ ﭘﻬﻨﺎي ﺑﺎﻧﺪ زﻳﺎد رﻓﺘﺎر ﻣﺪﻫﺎي ﻓﺮﻛﺎﻧﺲ ﭘﺎﻳﻴﻦ ﻫﻤﮕﻲ ﺷﺒﻴﻪ اﻧﺘﮕﺮال اﺳﺖ .ﻳﻌﻨـﻲ p≈0ﻣﺜـﻞ p=0دﻳـﺪه ﻣـﻲ
ﺷﻮد .ﻫﻤﭽﻨﻴﻦ در ﻣﺪل ﻓﺮﻛﺎﻧﺲ ﭘﺎﻳﻴﻦ رﻓﺘﺎر ﻓﺮﻛﺎﻧﺲ ﺑﺎﻻ ﻣﺎﻧﻨﺪ رﻓﺘﺎر اﺳﺘﺎﺗﻴﻜﻲ )ﺑﺪون دﻳﻨﺎﻣﻴﻚ( دﻳﺪه ﻣﻲ ﺷﻮد.
(4آﻧﺎﻟﻴﺰ ﻓﺮﻛﺎﻧﺲ ﻧﻤﻮﻧﻪ ﺑﺮداري ،ﺳﻴﮕﻨﺎل ﺗﺤﺮﻳﻚ و Nﺑﻪ وﺿﻮح ﻧﺸﺎن ﻣﻲ دﻫﺪ ﻛﻪ ﺛﺎﺑﺖ زﻣﺎﻧﻴﻬﺎي ﺑﺎ ﻓﺎﺻـﻠﻪ 3دﻫـﻪ را
ﻧﻤﻴﺘﻮان در ﻳﻚ آزﻣﺎﻳﺶ ﺗﺨﻤﻴﻦ زد .اﮔﺮ ﺳﻴﺴﺘﻢ stiffﺑﺎﺷﺪ ،ﻳﻌﻨﻲ ﻣﻘﺎدﻳﺮ ﺛﺎﺑﺖ زﻣﺎﻧﻲ ﻫﺎ از ﻫﻢ دور ﺑﺎﺷﻨﺪ و ﻫﻤﻪ ﺛﺎﺑﺖ
زﻣﺎﻧﻴﻬﺎ ﺑﺎﻳﺪ ﺑﺨﻮﺑﻲ ﺷﻨﺎﺳﺎﻳﻲ ﺷﻮﻧﺪ ،ﺗﻌﺪادي ﻣﺪل ﺑﺎ ﻓﺮﻛﺎﻧﺲ ﻧﻤﻮﻧﻪ ﺑﺮداري ﻣﻨﺎﺳﺐ ﺑﺎﻳﺪ ﺳﺎﺧﺖ ﺗﺎ ﻫﺮﻳـﻚ ﺛﺎﺑـﺖ زﻣـﺎﻧﻲ
ﻣﺸﺨﺼﻲ را ﺗﺨﻤﻴﻦ ﺑﻴﻨﻨﺪ
ﺑﺮ اﺳﺎس آﻧﺎﻟﻴﺰ ﻣﻘﺪﻣﺎﺗﻲ دﻳﺘﺎ ﻣﻮﺟﻮد ZN
ﺑﺎ آﻧﺎﻟﻴﺰ اوﻟﻴﻪ ZNاﻃﻼﻋﺎﺗﻲ در ﺑﺎره درﺟﻪ ﻣﺪل اﺳﺘﺨﺮاج ﻣﻲ ﮔﺮدد .آﻧﺎﻟﻴﺰﻫﺎ ﻣﺮﺑﻮط ﺑﻪ ﺳﻴﺴﺘﻢ ﺧﻄﻲ ﻋﺒﺎرﺗﻨﺪ از:
• ﺑﺮرﺳﻲ ﻃﻴﻒ ﺗﺨﻤﻴﻦ زده ﺷﺪه
• رﻧﻚ ﻣﺎﺗﺮﻳﺲ ﻛﻮارﻳﺎﻧﺲ R
• ﺑﺮرﺳﻲ ﻫﻤﺒﺴﺘﮕﻲ ﺑﻴﻦ ﻣﺘﻐﻴﺮﻫﺎ و ﻣﺎﺗﺮﻳﺲ (M) Information
Spectral analysis estimate (5
ﻃﻴﻒ ﺑﺼﻮرت ﻏﻴﺮ ﭘﺎراﻣﺘﺮﻳﻚ ﺗﺨﻤﻴﻦ زده ﻣﻲ ﺷﻮد .ﺗﻌﺪاد ﻗﻠﻪ ﻫﺎ ،ﺷﻴﺐ اﻓﺖ ﭘﺎﺳﺦ ﻓﺮﻛﺎﻧﺴﻲ و ﻓﺎز آن اﻃﻼﻋﺎت ﺧﻮﺑﻲ در
ﺧﺼﻮص درﺟﻪ ﺳﻴﺴﺘﻢ ﻣﻲ دﻫﻨﺪ .اﻟﺒﺘﻪ در ﭘﺎﺳﺦ ﻓﺮﻛﺎﻧﺴﻲ ﺳﻴﺴﺘﻢ ﮔﺴﺴﺘﻪ artifactﻫﺎﻳﻲ وﺟﻮد دارد ﻛﻪ ﻧﺒﺎﻳﺪ ﻓـﺮد را
در ﺧﺼﻮص ﺗﻌﺪاد ﺻﻔﺮﻫﺎ و ﻗﻄﺒﻬﺎ ﺑﻪ اﺷﺘﺒﺎه ﺑﻴﻨﺪازد
2-10
ﺷﻨﺎﺳﺎﻳﻲ ﺳﻴﺴﺘﻢ :ﭘﺎراﻣﺘﺮﻫﺎي ﺷﻨﺎﺳﺎﻳﻲ
(6ﺑﺮرﺳﻲ رﻧﻚ ﻣﺎﺗﺮﻳﺲ : R
ﺑﺮاي ﺳﻴﺴﺘﻢ
• وﻗﺘﻲ ﻧﻮﻳﺰ ﺻﻔﺮ اﺳﺖ ﻣﺎﺗﺮﻳﺲ ﺧﻮد ﻫﻤﺒﺴﺘﮕﻲ Rﺑﺮاي s≤nﻏﻴﺮ ﻣﻨﻔﺮد و ﺑﺮاي s>nﻣﻨﻔﺮد اﺳﺖ
• ودر ﺣﺎﻟﺖ ﻧﻮﻳﺰي وﻗﺘﻲ uو v0ﻏﻴﺮ ﻫﻤﺒﺴﺘﻪ ﻫﺴﺘﻨﺪ ﻣﺎﺗﺮﻳﺲ ﻫﻤﺒﺴﺘﮕﻲ ﻣﺘﻘﺎﺑﻞ زﻳﺮ ﺑﺮاي s >nﻣﻨﻔﺮد و ﺑﺮاي s ≤ n
ﻣﻨﻔﺮد اﺳﺖ
• اﮔﺮ v0ﺗﺎﺑﻊ MAﻣﺮﺗﺒﻪ rﺑﺎﺷﺪ ﻛﻪ rﻣﺸﺨﺺ اﺳﺖ ﺑﻪ ﻧﺤﻮﻳﻜﻪ ) y(t-r-1و v0ﻏﻴﺮ ﻫﻤﺒﺴﺘﻪ ﺑﺎﺷﻨﺪ ﻣﻲ ﺗﻮان از
ﺑﺎ 16.14اﺳﺘﻔﺎده ﻛﺮد
3-10
ﺷﻨﺎﺳﺎﻳﻲ ﺳﻴﺴﺘﻢ :ﭘﺎراﻣﺘﺮﻫﺎي ﺷﻨﺎﺳﺎﻳﻲ
را ﺑﺮ q-lﺗﺮﺟﻴﺢ ﻣﻲ دﻫﻨﺪ . ﺟﻤﻌﻲ روش ﻣﺪﻟﺴﺎزي ﺑﺎ
ﺑﻬﺒﻮد ﺑﺎﻳﺎس و وارﻳﺎﻧﺲ conflictingﻫﺴﺘﻨﺪ .ﻣﻌﻴﺎر ﭘﻴﺶ ﺑﻴﻨﻲ kﮔﺎم ﺑﻪ ﺟﻠﻮ ﻧﻴﺰ ﺑﺮاي ﻣﻘﺎﻳﺴـﻪ ﻣـﺪﻟﻬﺎ اﺳـﺘﻔﺎده ﻣـﻲ
ﺷﻮد.
• ﻛﺎﻫﺶ ﺑﺎﻳﺎس :ﻣﺪل ﺳﺎﻳﺰ ﺑﺰرگ )ﻗﺎﺑﻞ اﻧﻌﻄﺎف( Flexible modelﺑﺎﻳﺎس را ﻛﺎﻫﺶ ﻣﻲ دﻫﺪ .اﻳـﻦ ﻣـﺪﻟﻬﺎ ﻗﺎﺑﻠﻴـﺖ
اراﺋﻪ ﺳﻴﺴﺘﻤﻬﺎي زﻳﺎدي را ﺑﻪ دﻟﻴﻞ داﺷﺘﻦ ﭘﺎراﻣﺘﺮ زﻳﺎد و ﻳﺎ ﭘـﺎراﻣﺘﺮ در ﻣﻮﻗﻌﻴـﺖ ﻣﻨﺎﺳـﺐ ""strategic positions.
دارﻧﺪ)(16.5
• ﻛﺎﻫﺶ وارﻳﺎﻧﺲ :در ﻣﺪل ﺳﺎﻳﺰ ﻛﻮﭼﻚ )اﻗﺘﺼﺎدي( Parsimonyوارﻳﺎﻧﺲ ﻛﻤﺘﺮاﺳﺖ .وارﻳﺎﻧﺲ ﻣﺘﻨﺎﺳـﺐ ﺑـﺎ ﺗﻌـﺪاد
ﭘﺎراﻣﺘﺮﻫﺎﺳﺖ.
اﻟﻒ( ﻣﻌﻴﺎر ﻣﻘﺎﻳﺴﻪk step ahead prediction :
ﻣﻌﻴﺎر ﻣﻘﺎﻳﺴﻪ ﻗﺎﺑﻠﻴﺖ ﺑﺎز ﺗﻮﻟﻴﺪ دﻳﺘﺎ ﺗﻮﺳﻂ ﻣﺪل اﺳﺖ .در ﺳﻴﺴﺘﻢ ﺧﻄﻲ y=Gu+Heو دﻳﺘﺎي
اﻳﻦ ﭘﻴﺶ ﺑﻴﻨﻲ ﺑﺮاي ∞… k=1ﻣﺤﺎﺳﺒﻪ ﻣﻲ ﺷﻮد .ﺑﺮاي ∞= kﺑﺎ sو ﺑﺮاي k=1ﺑﺎ pﻧﻮﺷﺘﻪ ﻣﻲ ﺷﻮد
ﻣﺪل ﺑﺎ Jﻛﻮﭼﻜﺘﺮ ﻣﻨﺎﺳﺒﺘﺮ اﺳﺖ .ﻣﻌﻴﺎر ﻧﺴﺒﻲ زﻳﺮ را ﻧﻴﺰ ﻣﻤﻜﻦ اﺳﺖ ﻣﻮرد اﺳﺘﻔﺎده ﻗﺮار داد ﻛﻪ Rﺑـﺰرگ ﻣـﺪل ﺧـﻮﺑﺘﺮ
اﺳﺖ
4-10
ﺷﻨﺎﺳﺎﻳﻲ ﺳﻴﺴﺘﻢ :ﭘﺎراﻣﺘﺮﻫﺎي ﺷﻨﺎﺳﺎﻳﻲ
Cross-validation
ﺑﺮاي ﻣﺤﺎﺳﺒﻪ Jاز دﻳﺘﺎي freshاﺳﺘﻔﺎده ﻣﻲ ﺷﻮد .دﻳﺘﺎي ﺗﺎزه ،ﺑﺨﺸﻲ از دﻳﺘﺎﺳﺖ ﻛﻪ ﺑﺮاي ﺗﺴﺖ ﮔﻨﺎر ﮔﺬاﺷﺘﻪ ﺷـﺪه و
در ﺷﻨﺎﺳﺎﻳﻲ ﻣﻮرد اﺳﺘﻔﺎده ﻗﺮار ﻧﮕﺮﻓﺘﻪ اﺳﺖ .اﺳﺘﻔﺎده از دﻳﺘﺎي دﺳﺖ دوم ﻣﻨﺠﺮ ﺑﻪ ﺑﺎﻳﺎس در ﺗﺨﻤﻴﻦ Jﻣﻲ ﺷﻮد.
Jpﺑﺎ ﻣﻌﻴﺎر ﺧﻄﺎي درﺟﻪ Akaike's Final Prediction-Error Criterion (FPE) :2
در ﺣﺎﻟﺖ ﻣﻌﻴﺎر Quadraticﺗﺨﻤﻴﻦ ﺑﺪون ﺑﺎﻳﺎس Jرا اﻳﻨﮕﻮﻧﻪ ﻣﻲ ﺗﻮان ﺑﺪﺳﺖ ﻣﻲ آورد.
ﻛﻪ درﺟﻪ ﻣﺪل در آن دﻳﺪه ﻣﻲ ﺷﻮد .ﻫﺮﺟﻪ ﺗﻌﺪاد ﭘﺎراﻣﺘﺮ ﺑﻴﺸﺘﺮ ﺑﺎﺷﺪ ﺟﻤﻠﻪ اول ﺳﻤﺖ راﺳﺖ ﻛﻮﭼﻜﺘﺮ ﻣـﻲ ﺷـﻮد وﻟـﻲ
ﺑﺎﺷـﺪ. ﺟﻤﻠﻪ دوم ﺳﻤﺖ راﺳﺖ را ﺑﺰرگ ﻣﻲ ﻛﻨﺪ .ﭘﺎراﻣﺘﺮي ﻣﻴﺘﻮاﻧﺪ اﺿﺎﻓﻪ ﺷﻮد ﻛﻪ ارزش ﻛﺎﻫﺶ VNﺑﻬﺘﺮ از2λ 0/N
ﻣﻘﺪار λ0ﻣﻌﻠﻮم ﻧﻴﺴﺖ وﻟﻲ اﮔﺮ ﺗﺨﻤﻴﻦ زده ﺷﻮد ﺑﺪﺳﺖ ﻣﻲ آﻳﺪ.
• ﻣﺰﻳﺖ رﮔﺮﺳﻴﻮن ﺧﻄﻲ :در ﺣﺎﻟﺖ رﮔﺮﺳﻴﻮن ﺧﻄﻲ ) (1 step) ŷp(t|mtﻣﺤﺎﺳﺒﻪ و ﻣﺠﻤﻮع ﻣﺮﺑﻌﺎت ﺧﻄﺎﻫـﺎ ﻣﻌﻴـﺎر J
ﺑـﻪ ﻣﻌﻨـﻲ cross validationاﺳـﺖ و دﻳﺘـﺎﻳﻲ ﺑـﺮاي ﺗﺨﻤـﻴﻦ ﻛﻨﺎرﮔﺬاﺷـﺘﻪ ﻧﻤـﻲ ﺷـﻮد ﺑـﻪ اﻳـﻦ روش PRESS
) (Prediction sum of squaresمی ﮔﻮﻳﻨﺪ
ب( اﻧﺘﺨﺎب ﻣﺪل ﻣﻨﺎﺳﺐ :ﻣﻌﻴﺎرﻫﺎي AIC, BIC, and MDL
ﻛﻪ VNﻣﻌﻴﺎر ﺧﻄﺎي ﭘﻴﺶ ﺑﻴﻨﻲ ﺑﺮاي ﻣﺪل Mو ) UN(Mﺗﺎﺑﻌﻲ ﻛﻪ " "complexityﻣﺪل را ﺑﻴﺎن ﻣﻲ ﻛﻨﺪ .ﺷﻜﻞ ﻳـﻚ
ﻧﻤﻮدار VNرا ﺑﺮاي ﻳﻚ ﻣﺪل ﺑﺎ درﺟﻪ ﻫﺎي ﻣﺘﻔﺎوت ﻧﺸﺎن ﻣﻲ دﻫﺪ
5-10
ﺷﻨﺎﺳﺎﻳﻲ ﺳﻴﺴﺘﻢ :ﭘﺎراﻣﺘﺮﻫﺎي ﺷﻨﺎﺳﺎﻳﻲ
.
6-10
ﺷﻨﺎﺳﺎﻳﻲ ﺳﻴﺴﺘﻢ :ﭘﺎراﻣﺘﺮﻫﺎي ﺷﻨﺎﺳﺎﻳﻲ
(2ﻣﻘﺎﻳﺴﻪ ﻃﻴﻒ ﻣﺪل ﭘﺎراﻣﺘﺮﻳﻚ ﺑﺎ ﻃﻴﻒ ﻏﻴـﺮ ﭘﺎراﻣﺘﺮﻳـﻚ :ﻣﻘﺎﻳﺴـﻪ ﻧﻤـﻮدار ﺑـﺪ ﻣـﺪل ﭘﺎراﻣﺘﺮﻳـﻚ & (PEM
) subspaceﺑﺪﺳﺖ آﻣﺪه و ﻃﻴﻒ ﺗﺨﻤﻴﻦ زده ﺷﺪه ﺑﺮاي ﺳﺎﺧﺘﺎرﻫﺎي ﻣﺨﺘﻠﻒ ﻣـﺪل ﻣﻌﻴـﺎر ﺧـﻮﺑﻲ ﺑـﺮاي روﺷـﻦ ﺷـﺪن
ﻗﺎﺑﻠﻴﺖ ﻣﺪل اﺳﺖ
(3ﻗﺎﺑﻠﻴﺖ Predictionﻣﺪل :ﻣﺤﺎﺳﺒﻪ ﭘﻴﺶ ﺑﻴﻨﻲ Kstep aheadﻛﻪ ﻗﺒﻼ ﺑﺤﺚ ﺷﺪ.
(4ﺑﺮرﺳﻲ وارﻳﺎﻧﺲ ﺗﺨﻤﻴﻦ :اﮔﺮ ﺑﺮاي ﭘﺎراﻣﺘﺮي confidence intervalﺷﺎﻣﻞ ﺻﻔﺮ ﺷﻮد اﺣﺘﻤـﺎﻻ آن ﭘﺎراﻣﺘﺮاﺿـﺎﻓﻲ
اﺳﺖ .اﮔﺮ Pθﺧﻮد ﺑﺰرگ ﺑﺎﺷﺪ ﺑﺎزﻫﻢ ﺑﻪ ﻣﻌﻨﻲ اﺿﺎﻓﻪ ﺑﻮدن ﻣﺮﺗﺒﻪ ﻣﺪل اﺳﺖ .اﮔﺮ ﺑﺎ درﺟﻪ ﻣﺪل ﻣﺸﺨﺼﺎت ﻣﻌﻴﺎر ﺗﻄﺒﻴـﻖ
ﺗﻐﻴﻴﺮ ﻧﻜﺮد ﻣﺪل اﺻﻠﻲ ﺑﺪون ﺿﺮورت ﭘﻴﭽﻴﺪه ﺑﻮده اﺳﺖ.
:Residue analysis (5
ﺑﺎ اﻧﺠﺎم ﺷﺒﻴﻪ ﺳﺎزي Simulationو ﺑﺪﺳﺖ آوردن residueﺑﺎ ﺗﺤﻠﻴﻞ آﻣﺎري آن ﻣﻲ ﺗﻮان ﺻﺤﺖ ﻋﻤﻠﻜـﺮد ﻣـﺪل روي
دﻳﺘﺎ را ارزﻳﺎﺑﻲ ﻛﺮد .در ﻧﺘﻴﺠﻪ ﻳﻚ ﺷﻨﺎﺳﺎﻳﻲ ﺧﻮب ﻣﺸﺨﺼﺎت ﺳﻴﮕﻨﺎﻟﻬﺎي آﻣﺎري زﻳﺮ ﺑﺎﻳﺪ اﻳﻨﮕﻮﻧﻪ ﺑﺎﺷﺪ
ϵ(k) zero mean white noise
)ϵ(k+τ) independent of u(k) for τ≥0 (past and current inputs
)ϵ(k+τ) independent of u(k) for any τ (of all inputs
ﻳﻚ ﺷﻨﺎﺳﺎﻳﻲ ﺧﻮب ﺑﺎﻳﺪ Wو I1را ﺗﺎﻣﻴﻦ و در ﺣﺎﻟﺖ ﺣﻠﻘﻪ ﺑﺎز I2ﻧﻴﺰ ﺗﺎﻣﻴﻦ ﺷﻮد .اﻳﻦ ﺷﺮوط ﺗﻀﻤﻴﻦ ﻣﻲ ﻛﻨﻨـﺪ ﻛـﻪ
ﻣﺪل ﭘﻴﺶ ﺑﻴﻨﻲ ﺑﻪ ﺧﻮﺑﻲ ﺳﻴﺴﺘﻢ را ﻣﺪل ﻛﺮده ﻛﻪ εﺳﻔﻴﺪ ﮔﺮدﻳﺪه اﺳﺖ.
ﺗﺴﺖ ﺳﻔﻴﺪ ﺑﻮدن Whiteness Test :ε
اﮔﺮ εﺳﻔﻴﺪ ﺑﺎﺷﺪ ﺗﺎﺑﻊ ﺗﻮزﻳﻊ آن ﻧﺮﻣﺎل اﺳﺖ .در ﻧﺘﻴﺠﻪ ﺗﺎﺑﻊ ﺗﻮزﻳﻊ
N M
( )
2
= ) RˆεN (τ 1
) ε (t )ε (t − τ ) λN2 RˆεN (τ
N
τ =1 τ =1
2
Chi-squaredﺑﺎ درﺟﻪ آزادي Mاﺳﺖ) .ﺗﺎﺑﻊ ﺗﻮزﻳﻊ ﻣﺠﻤﻮع ﻣﺮﺑﻌﺎت Mﻣﺘﻐﻴﺮ ﺗﺼﺎدﻓﻲ ﻧﺮﻣﺎل ) χ (Mاﺳﺖ ﻣﻴـﺎﻧﮕﻴﻦ
اﻳﻦ ﺗﺎﺑﻊ ﺗﻮزﻳﻊ Mو وارﻳﻼﻧﺲ آن 2Mاﺳﺖ .ﺑﺎ اﻓﺰاﻳﺶ درﺟﻪ آزادي ،اﻳﻦ ﺗﺎﺑﻊ ﺑﻪ ﺗﺎﺑﻊ ﻧﺮﻣﺎل ﻣﻴﻞ ﻣﻲ ﻛﻨـﺪ( .در ﻧﺘﻴﺠـﻪ
ﺳﻔﻴﺪﺑﻮدن εدر ﺣﺪ α levelاﺳﺖ اﮔﺮ ﺷﺮط زﻳﺮ ﺑﺮﻗﺮار ﺑﺎﺷﺪ
M
( )
2
) χα2 ( M
N
) RˆεN (τ ) < χα2 ( M
( Rε (0) ) τ =1
2
ˆN
)ﻣﺜﻼ ﺑﺮاي M=4و α=0.05ﻣﻘﺪار χα2=9.49اﺳﺖ( .اﮔﺮ α=0.5در ﻧﻈﺮ ﮔﺮﻓﺘﻪ ﺷﻮد و ﺷﺮط ﺑﺮﻗﺮار ﺑﺎﺷﺪ ﺳﻴﮕﻨﺎل ϵ
ﺑﻪ اﺣﺘﻤﺎل 95درﺻﺪ ﺳﻔﻴﺪ اﺳﺖ
7-10
ﺷﻨﺎﺳﺎﻳﻲ ﺳﻴﺴﺘﻢ :ﭘﺎراﻣﺘﺮﻫﺎي ﺷﻨﺎﺳﺎﻳﻲ
واﺑﺴﺘﮕﻲ ﺑﻴﻦ ورودي ﮔﺬﺷﺘﻪ و ﺑﺎﻗﻴﻤﺎﻧﺪه ﻣﺪل
ﺑﺮاي ﺑﺮرﺳﻲ از ﻣﻌﻴﺎر زﻳﺮ اﺳﺘﻔﺎده ﻣﻲ ﺷﻮد
M=M2-M1+1=dim ϕ
اﮔﺮ εﺑﻨﺎ ﺑﺮ ﻓﺮﻣﻮل 16.58ﺳﻔﻴﺪ ﺗﻠﻘﻲ ﺷﺪ ﻣﻌﻴﺎر ﻣﺴﺘﻘﻞ ﺑﻮدن ،ﺳﺎده ﻣﻲ ﺷﻮد.
اﮔﺮ Nαرا α-levelاز ﺗﺎﺑﻊ ﺗﻮزﻳﻊ ﻧﺮﻣﺎل) N(0,1در ﻧﻈﺮ ﺑﮕﻴﺮﻳﻢ ،آﻧﮕﺎه راﺑﻄﻪ زﻳﺮ ﺑﺮﻗﺮار اﺳﺖ
α-level
0 Na
• ﺑﺎ α=0.05ﻣﻘﺪار Na=2اﺳﺖ و اﮔﺮ راﺑﻄﻪ ﺑﺮ ﻗﺮار ﺑﺎﺷﺪ دو ﺳﻴﮕﻨﺎل ﺑﻪ اﺣﺘﻤﺎل 95درﺻﺪ ﻣﺴﺘﻘﻞ ﻫﺴﺘﻨﺪ
• رﺳﻢ ﻧﻤﻮدار R̂ Nϵuواﺑﺴﺘﮕﻲ ﺑﻴﻦ ورودي و εرا روﺷﻦ ﻣﻲ ﻛﻨﺪ
• اﮔﺮ ﺗﺎﺧﻴﺮ ﻏﻠﻂ در ﻧﻈﺮ ﮔﺮﻓﺘﻪ ﺷﺪه ﺑﺎﺷﺪ ﺑﻪ وﺿﻮح ﺧﻮد را در ﻧﻤﻮدار ﻧﺸﺎن ﻣﻲ دﻫﺪ.
• ﻫﻤﺒﺴﺘﮕﻲ ﺑﺮاي τ<0ﺑﻪ ﻣﻌﻨﻲ وﺟﻮد ﻓﻴﺪﺑﻚ اﺳﺖ و ﺑﻪ ﻣﻌﻨﻲ ﻧﺎ ﻣﻨﺎﺳﺐ ﺑﻮدن ﻣﺪل ﻧﻴﺴﺖ
• در اﻧﺘﺨﺎب ﻣﻘﺎدﻳﺮ M1و M2ﺑﺎﻳﺪ دﻗﺖ ﺷﻮد .ﻣﺜﻼ در ﻣﺪل M1>nb ,ARXو اﮔﺮ ﺳﻴﺴـﺘﻢ ﻋﻠـﻲ ﻓـﺮض ﻣـﻲ ﺷـﻮد
M1≥0ﺑﺎﺷﺪ
• روﺷﻬﺎي دﻳﮕﺮي ﻧﻴﺰ ﺑﺮاي ﺗﻌﻴﻴﻦ ﻋﺪم واﺑﺴﺘﮕﻲ ورودي و εوﺟﻮد دارد
• εﺗﺨﻤﻴﻦ ﺑﺎﻗﻴﻤﺎﻧﺪه ﻣﺪل اﺳﺖ ) ϵ(t)=Gϵ (q)u(tﻛﻪ اﮔﺮ ورودي ﺳﻔﻴﺪ ﺑﺎﺷﺪ ﺑﺮاﺑﺮ
)ϵ(t)=θT ϕ(t
اﺳﺖ
ﻣﺜﺎل .1ﺳﻴﺴﺘﻤﻲ را درﻧﻈﺮ ﺑﮕﻴﺮﻳﻴﺪ ﻛﻪ ورودي و ﺧﺮوﺟﻲ ﺳﻴﺴﺘﻢ ﺑﺮاي ﺗﺨﻤﻴﻦ و اﻋﺘﺒﺎر ﺳﻨﺠﻲ از اﻳﻨﻘﺮارﻧﺪ
8-10
ﺷﻨﺎﺳﺎﻳﻲ ﺳﻴﺴﺘﻢ :ﭘﺎراﻣﺘﺮﻫﺎي ﺷﻨﺎﺳﺎﻳﻲ
;)mARX = arx(id, [3, 3, 1]); resid(mARX, id وﻗﺘﻲ ﺑﺎ ARXﺗﺨﻤﻴﻦ زده ﺷﻮد
ﺑﺎﻗﻴﻤﺎﻧﺪه ﻫﺎي زﻳﺮ ﺑﺪﺳﺖ ﻣﻲ آﻳﺪ ﻛﻪ ﻧﺸﺎن ﻣﻲ دﻫﺪ ﻛﻪ ﻣﺪل ﻏﻠﻂ اﻧﺘﺨﺎب ﺷﺪه و ﻣﺮدود اﺳﺖ
9-10
ﺷﻨﺎﺳﺎﻳﻲ ﺳﻴﺴﺘﻢ :ﭘﺎراﻣﺘﺮﻫﺎي ﺷﻨﺎﺳﺎﻳﻲ
ﻣﺜﺎل .3ﻣﺜﺎل :ﺳﻴﺴﺘﻢ زﻳﺮ ﺑﺎ ﺳﻴﻨﻮس ﺑﻴﻦ 0.3-0.6rad/sﺗﺤﺮﻳﻚ e ,ﻧﻮﻳﺰ ﺳﻔﻴﺪ ﺑـﺎ وارﻳـﺎﻧﺲ 1و 500ﻧﻤﻮﻧـﻪ ﺟﻤـﻊ
آوري ﺷﺪ.
10-10
ﺷﻨﺎﺳﺎﻳﻲ ﺳﻴﺴﺘﻢ :ﭘﺎراﻣﺘﺮﻫﺎي ﺷﻨﺎﺳﺎﻳﻲ
• ﻣﺪل ARXدرﺟﻪ 10ﺑﻪ آن اﻋﻤﺎل و دﻳﺘﺎي اﻋﺘﺒﺎر ﺳﻨﺠﻲ ﺗﺼﺎدﻓﻲ ﺑﺎﻳﻨﺮي ﺑﺎ رزوﻧﺎﻧﺲ در 0.3rad/sﻣـﻮرد اﺳـﺘﻔﺎده
ﻗﺮار ﮔﺮﻓﺖ .آﻧﺎﻟﻴﺰ εدر ﺷﻜﻞ ) 16.12(aو ﭘﺎﺳﺦ ﺿﺮﺑﻪ و ﻓﺮﻛﺎﻧﺴﻲ آن در ) 16.12(bﻧﺸﺎن داده ﺷﺪه اﺳﺖ ﻛﻪ ﻧﺸـﺎن
ﻣﻲ دﻫﺪ ﺗﺨﻤﻴﻦ ﺧﻮﺑﻲ ﺑﺪﺳﺖ اﻣﺪه اﺳﺖ
11-10
ﺷﻨﺎﺳﺎﻳﻲ ﺳﻴﺴﺘﻢ :ﭘﺎراﻣﺘﺮﻫﺎي ﺷﻨﺎﺳﺎﻳﻲ
ﻓﺼﻞ 13 2-10ﺷﻨﺎﺳﺎﻳﻲ Gدر ﺣﻠﻘﻪ ﻓﻴﺪﺑﻚ
ﻣﺸﻜﻞ اﺻﻠﻲ ﺑﺎ ﺳﻴﺴﺘﻢ ﺣﻠﻘﻪ ﺑﺴﺘﻪ آن اﺳﺖ ﻛﻪ ﻓﻴﺪﺑﻚ ﺗﻼش ﻣﻲ ﻛﻨﺪ ﺣﻠﻘﻪ ﺑﺴـﺘﻪ ﻧﺴـﺒﺖ ﺑـﻪ Gﺣﺴـﺎس ﻧﺒﺎﺷـﺪ در
ﻧﺘﻴﺠﻪ اﻃﻼﻋﺎت ﻛﻤﻲ در ﺑﺎره ﺳﻴﺴﺘﻢ ﺣﻠﻘﻪ ﺑﺎز از دﻳﺪ ﺣﻠﻘﻪ ﺑﺴﺘﻪ وﺟﻮد دارد .روﺷﻬﺎي ﺷﻨﺎﺳﺎﻳﻲ ﺳﻴﺴﺘﻢ در ﺣﻠﻘﻪ ﺑﺴﺘﻪ
در 3دﺳﺘﻪ زﻳﺮ ﻗﺮار ﻣﻲ ﮔﻴﺮﻧﺪ
: Direct Approach (1روﺷﻲ ﻛﻪ ﺻﺮﻓﺎ ﺑﺮ اﺳﺎس u , yﺷﻨﺎﺳﺎﻳﻲ را اﻧﺠﺎم ﻣﻲ دﻫﺪ .و ﻛﺎري ﺑﻪ rو ﻛﻨﺘﺮﻟﺮ ﻧﺪارد
Indirect Approach (2روﺷﻲ ﻛﻪ ﺑﺮ اﺳﺎس rو yﻛﺎر ﻛﻨﺪ و ﺳﭙﺲ ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ ﻛﻨﺘﺮﻟﺮ ﻣﻌﻠﻮم ﻓﺮاﻳﻨﺪ را ﺷﻨﺎﺳﺎﻳﻲ ﻛﻨﺪ.
Joint input-output approach (3در اﻳﻦ روش rورودي و ﻫﻢ uو yﺧﺮوﺟﻲ ﻫﺴﺘﻨﺪ ﻛﻪ ﺑﺮ اﻳﻦ اﺳﺎس ﺳﻴﺴﺘﻢ
ﺷﻨﺎﺳﺎﻳﻲ ﻣﻲ ﺷﻮد.
اﮔﺮ ﻛﻨﺘﺮﻟﺮ ﺧﻄﻲ u=r-fyﺑﺎﺷﺪ ﻋﻮاﻣﻞ ﻣﺠﻬﻮل را ﺑﻪ ﺳﺎدﮔﻲ و ﺑﺎ دﻳﺘﺎي اﻧﺪك ﻣـﻲ ﺗـﻮان اﺳـﺘﺨﺮاج ﻛـﺮد ﺗـﺎ ﺗﻔـﺎوﺗﻲ در
روﺷﻬﺎ ﻧﺒﺎﺷﺪ .اﻣﺎ در ﻓﺮاﻳﻨﺪﻫﺎي ﻋﻤﻠﻲ ﺻﻨﻌﺘﻲ در ﻧﺘﻴﺠﻪ وﺟﻮد ﻋﻮاﻣﻠﻲ ﻧﻈﻴﺮ integrator anti windupو ﻏﻴﺮه ﺗﻔـﺎوت
ﻓﻮق در ﻣﻌﺮض ﻗﺮار ﻣﻲ ﮔﻴﺮد.
اﻟﻒ( روش ﻣﺴﺘﻘﻴﻢ Direct Identification
در روش ﺷﻨﺎﺳﺎﻳﻲ ﻣﺴﺘﻘﻴﻢ ،از ﺳﻴﮕﻨﺎﻟﻬﺎ ي uو yو روﺷﻬﺎي ﺗﺨﻤﻴﻦ PEMﺑـﺮاي ورودي-ﺧﺮوﺟـﻲ ،ﻣﺎﻧﻨـﺪ ﺣﻠﻘـﻪ ﺑـﺎز
اﺳﺘﻔﺎده ﻣﻲ ﺷﻮد .وﻟﻲ درﻋﻤﻞ ﻣﺸﻜﻼﺗﻲ ﭘﻴﺶ ﻣﻲ آﻳﺪ ﻛﻪ اﺳﺘﻔﺎده از روﺷﻬﺎي ﺟﺎﻳﮕﺰﻳﻦ را ﺟﺬاب ﻣﻲ ﻛﻨﺪ
(1اﻳﻦ روش ،روش اﺻﻠﻲ اﺳﺖ .ﻣﺸﺮوط ﺑﺮ آﻧﻜﻪ ﻣﺪل ﺧﻮب Hدر دﺳﺘﺮس ﺑﺎﺷﺪ
(2ﺑﺪون ﺗﻮﺟﻪ ﺑﻪ ﭘﻴﭽﻴﺪﮔﻲ ﻛﻨﺘﺮﻟﺮ و ﺳﻴﺴﺘﻢ ﻓﻴﺪﺑﻚ ﻛﺎر ﻣﻲ ﻛﻨﺪ.
(3اﻟﮕﻮرﻳﺘﻤﻬﺎي ﺣﻠﻘﻪ ﺑﺎز ﻗﺎﺑﻞ اﺳﺘﻔﺎده ﻫﺴﺘﻨﺪ
(4ﺑﺮاي ﺳﻴﺴﺘﻢ ﻧﺎﭘﺎﻳﺪار ﻣﺸﺮوط ﺑﺮ آﻧﻜﻪ ﺣﻠﻘﻪ ﺑﺴﺘﻪ و ﻣﺪل ﭘﻴﺶ ﺑﻴﻨﻲ ﭘﺎﻳﺪار ﺑﺎﺷﻨﺪ ﻗﺎﺑﻞ اﺳﺘﻔﺎده اﺳﺖ
(5اﮔﺮ S∈Mﺑﺎﺷﺪ ﺗﺨﻤﻴﻦ ﺑﻬﻴﻨﻪ و consistentﻣﻲ دﻫﺪ .وﻟﻲ اﮔﺮ ﻣﺪل ﺗﻘﺮﻳﺒﻲ ﺧﻮاﺳـﺘﻪ ﺑﺎﺷـﻴﻢ اﻟﮕـﻮرﻳﺘﻢ ﺑـﺎ ﻣﺸـﻜﻞ
روﺑﺮو ﻣﻲ ﺷﻮد .راه ﺣﻞ اﻳﻦ اﺳﺖ ﻛﻪ ﻣﺪل درﺟﻪ ﺑﺎﻻﺗﺮ ﺷﻨﺎﺳﺎﻳﻲ ﺷﺪه و ﺳﭙﺲ ﻣﺮﺗﺒﻪ آن ﻛﺎﻫﺶ داده ﺷﻮد .ﺑﺮاي ﻛﺎﻫﺶ
ﻣﺮﺗﺒﻪ روﺷﻬﺎي زﻳﺎدي وﺟﻮد دارد وﻳﻚ روش آن اﻳﻦ اﺳﺖ ﻛﻪ ﻣﺪل درﺟﻪ ﺑﺎﻻ ﺑﺎ ورودي uﻛﻪ peاﺳﺖ در ﺷﺒﻴﻪ ﺳـﺎزي
ﺗﺤﺮﻳﻚ ﺷﺪه ﺗﺎ ﺧﺮوﺟﻲ ﺑﺪون ﻧﻮﻳﺰ ŷ=Ĝ uﺗﻮﻟﻴﺪ ﺷﻮد .ﺣﺎل ﺑﺮ اﺳﺎس اﻳﻦ دﻳﺘﺎي ﺑﺪون ﻧﻮﻳﺰ ﺷﺒﻴﻪ ﺳﺎزي ﻣﺪﻟﻲ ﺑﺎ درﺟﻪ
ﭘﺎﻳﻴﻦ ﺗﺮ ﺑﻪ آن ﻓﻴﺖ ﺷﻮد
12-10
ﺷﻨﺎﺳﺎﻳﻲ ﺳﻴﺴﺘﻢ :ﭘﺎراﻣﺘﺮﻫﺎي ﺷﻨﺎﺳﺎﻳﻲ
(6ﻣﻬﻤﺘﺮﻳﻦ ﻣﺸﻜﻞ اﻳﻦ روش اﻳﻦ اﺳﺖ ﻛﻪ ﻣﺪل درﺳﺖ از ﻧﻮﻳﺰ Hرا ﻧﻴﺎز دارد.
ب( روش ﻏﻴﺮ ﻣﺴﺘﻘﻴﻢ Indirect Identification
در اﻳﻦ روش Gclاﺑﺘﺪا ﺗﺨﻤﻴﻦ زده ﻣﻲ ﺷﻮد و ﺳﭙﺲ Gﻣﺤﺎﺳﺒﻪ ﻣﻲ ﮔﺮدد.
.
(1اﮔﺮ ﻣﺪل ﻧﻮﻳﺰ ﻣﻌﻠﻮم ﻧﺒﺎﺷﺪ ﺑﺮاي اﺳﺘﻔﺎده از IVاز اﻳﻦ روش اﺳﺘﻔﺎده ﻣﻲ ﺷﻮد .در اﻳﻦ روش اﻣﻜـﺎن اﺳـﺘﻔﺎده از
ﺗﻜﻨﻴﻚ subspaceﻧﻴﺰ وﺟﻮد دارد.
(2ﻣﺸﻜﻞ اﻳﻦ روش اﻳﻦ اﺳﺖ ﻛﻪ اﺧﺘﻼف در ﻋﻤﻠﻜﺮد واﻗﻌﻲ Fyﻧﺎﺷﻲ از اﺷﺒﺎع و ﻏﻴﺮه ﺑﺮ ﺗﺨﻤﻴﻦ اﺛﺮ ﻣﻲ ﮔﺬارد
(3اﮔﺮ از ،PEMاﺳﺘﻔﺎده ﻣﻲ ﺷﻮد ﻣﻨﺎﺳﺐ اﺳﺖ ﭘﺎراﻣﺘﺮﻫﺎ Gclﻫﻤﺎن ﭘﺎراﻣﺘﺮﻫﺎي Gﺑﺎﺷﻨﺪ.
ϕv,clﻃﻴﻒ ﻧﻮﻳﺰ در ﺣﻠﻘﻪ ﺑﺴﺘﻪ اﺳﺖ ﻛﻪ ﻫﻤﭽﻨﺎﻧﻜﻪ راﺑﻄﻪ ﻧﺸﺎن ﻣﻲ دﻫﺪ ﺑﺮاﺑﺮ ﻓﻴﻠﺘﺮ ﺷﺪه vﺗﻮﺳﻂ ﺣﺴﺎﺳﻴﺖ S0اﺳﺖ
(6از اﻳﻦ راﺑﻄﻪ وارﻳﺎﻧﺲ ﺗﺨﻤﻴﻦ Gﺑﺪﺳﺖ ﻣﻲ آﻳﺪ ﻛﻪ ﻣﺸﺎﺑﻪ روش ﻣﺴﺘﻘﻴﻢ اﺳﺖ
ﻛﻪ ﻧﺸﺎن ﻣﻲ دﻫﺪ ﻳﺎ G0-Gθﺣﺪاﻗﻞ ﻣﻲ ﺷﻮد اﮔﺮ Sﻛﻮﭼﻚ ﻧﺸﻮد در ﻧﺘﻴﺠﻪ ﺑﺎﻳﺎس در ﻓﺮﻛﺎﻧﺴﻬﺎﻳﻲ ﻛﻪ Sﻛﻮﭼﻚ اﺳـﺖ
وﺟﻮد دارد .ﻣﻌﺬﻟﻚ اﮔﺮ ﻣﺪل وhﻗﻌﻲ در ﻣﺠﻤﻮﻋﻪ ﺑﺎﺷﺪ ﺗﺨﻤﻴﻦ ﺑﺪون ﺑﺎﻳﺎس ﻣﻲ دﻫﺪ.
ج( Joint Input·Output Identification
در اﻳﻦ روش دو ﻣﺪل rﺑﻪ uو rﺑﻪ yﻫﻤﺰﻣﺎن ﺷﻨﺎﺳﺎﻳﻲ و ﺳﭙﺲ Gﺗﺨﻤﻴﻦ زده ﻣﻲ ﺷﻮد u .ﻓﻴﺪﺑﻚ ﺑﺮاﺑﺮ اﺳﺖ ﺑﺎ
13-10
ﺷﻨﺎﺳﺎﻳﻲ ﺳﻴﺴﺘﻢ :ﭘﺎراﻣﺘﺮﻫﺎي ﺷﻨﺎﺳﺎﻳﻲ
(1ﻳﻜﻲ اﻳﻨﻜﻪ ﻧﻮﻳﺰﻫﺎ v1و v2ﻫﻤﺒﺴﺘﻪ ﻫﺴﺘﻨﺪ ﻛﻪ آﻧﻮﻗﺖ در ﻧﻬﺎﻳﺖ ﻣﺸﺎﺑﻪ روش ﻣﺴﺘﻘﻴﻢ اﺳﺖ ﻛﻪ ﻫـﻢ Gوﻫـﻢ
ﻓﻴﺪﺑﻚ Fyرا ﺗﺨﻤﻴﻦ ﻣﻴﺰﻧﺪ
(2اﮔﺮ ﻧﻮﻳﺰﻫﺎ ﻣﺴﺘﻘﻞ ﻓﺮض ﺷﻮﻧﺪ ﺗﺨﻤﻴﻦ Gاز ﺗﻘﺴﻴﻢ دو ﺗﺨﻤﻴﻦ Gclو Gruﺑﺪﺳﺖ ﻣﻲ آﻳﺪ.
ﻣﺰﻳﺖ اﻳﻦ روش ﺑﺮ روش ﻣﺴﺘﻘﻴﻢ آن اﺳﺖ ﻛﻪ ﺑﺮ اﺳﺎس راﺑﻄﻪ زﻳﺮ ﻛﻪ ﻓﺎﻗﺪ ﺗﺮم Bاﺳﺖ ﻣﻲ ﺗﻮان ﺗﺨﻤﻴﻦ ﺑـﺪون ﺑﺎﻳـﺎس
Gرا داﺷﺖ .اﻟﺒﺘﻪ اﻳﻦ در ﻣﻘﺎﺑﻞ اﻓﺰاﻳﺶ وارﻳﺎﻧﺲ ﺑﺪﺳﺖ ﻣﻲ آﻳﺪ.
14-10
ﺷﻨﺎﺳﺎﻳﻲ ﺳﻴﺴﺘﻢ :ﭘﺎراﻣﺘﺮﻫﺎي ﺷﻨﺎﺳﺎﻳﻲ
System Identification in Practice 3-10
ﺷﻨﺎﺳﺎﻳﻲ و ﻛﻨﺘﺮل ﻣﻘﺎوم :ﺳﻴﺴﺘﻤﻬﺎي وﻓﻘﻲ ﻛﻪ ﺑﺮ اﺳﺎس ﺷﻨﺎﺳﺎﻳﻲ ﺳﻴﺴﺘﻢ ﻛﺎر ﻣﻲ ﻛﻨﻨﺪ و ﻗﺎدرﻧـﺪ ﻣـﺪﻟﻲ ﺗﻘﺮﻳﺒـﻲ
اراﺋﻪ دﻫﻨﺪ در ﻛﻨﺎر ﻛﻨﺘﺮﻟﺮﻫﺎي ﻣﻘﺎوم ﻧﻴﺎز ﺑﻪ ﻣﺪﻟﺴﺎزي را ﻣﺤﺪود ﻣﻲ ﻛﻨﻨﺪ.
15-10
ﺷﻨﺎﺳﺎﻳﻲ ﺳﻴﺴﺘﻢ :ﭘﺎراﻣﺘﺮﻫﺎي ﺷﻨﺎﺳﺎﻳﻲ
• Model Unstableﻣﺤﺘﻤﻼ ﻣﺪل ARXو ﻓﻀﺎي ﺣﺎﻟﺖ ﻧﺎﭘﺎﻳﺪار ﻫﺴﺘﻨﺪ در اﻳﻦ ﺣﺎﻟﺖ ﺑﻬﺘﺮ اﺳﺖ از 5ﻳﺎ 10step
aheadﭘﻴﺶ ﺑﻴﻨﻲ ﺑﺠﺎي ﺷﺒﻴﻪ ﺳﺎزي اﺳﺘﻔﺎده ﺷﻮد
• :Feedback in Dataوﻗﺘﻲ از ﺧﺮوﺟﻲ ﺑﻪ ورودي ﻓﻴﺪﺑﻚ وﺟﻮد دارد ﺗﺨﻤﻴﻦ ﻃﻴﻒ و آﻧـﺎﻟﻴﺰ ﻫﻤﺒﺴـﺘﮕﻲ و ﻣـﺪل
ﻓﻀﺎي ﺣﺎﻟﺖ اﻋﺘﺒﺎر ﻧﺪارﻧﺪ ﻟﺬا ﺑﻪ ﻋﺪم اﻧﻄﺒﺎق ﻧﺒﺎﻳﺪ اﻋﺘﻨﺎﻛﺮد .در ﺗﺤﻠﻴﻞ ﺑﺎﻗﻴﻤﺎﻧﺪه وﺟﻮد ﻓﻴﺪﺑﻚ ﺑﻪ وﺿﻮح ﻗﺎﺑﻞ روﻳـﺖ
اﺳﺖ
• Noise Modelاﮔﺮ ﻣﺪل ﻓﻀﺎي ﺣﺎﻟﺖ ﺑﻬﺘﺮ از ARXاﺳﺖ ﺑﻪ اﻳﻦ ﻣﻌﻨﻲ اﺳﺖ ﻛﻪ اﺛﺮ ﻧﻮﻳﺰ ﻗﺎﺑـﻞ ﻣﻼﺣﻈـﻪ اﺳـﺖ و
ﺑﺎﻳﺪ ﺑﻪ دﻗﺖ ﻣﺪل ﺷﻮد.
• Model Orderاﮔﺮ ARXﻣﺮﺗﺒﻪ 4ﺧﺮوﺟﻲ ﺧﻮﺑﻲ ﻧﻤﻴﺪﻫﺪ و ﺑﺎ اﻓﺰاﻳﺶ ﻣﺮﺗﺒﻪ ﻋﻤﻠﻜﺮد ﺑﻬﺒـﻮد ﻣـﻲ ﻳﺎﺑـﺪ ﺑـﻪ اﻳـﻦ
ﻣﻌﻨﻲ اﺳﺖ ﻛﻪ ﻳﻚ ﺳﻴﺴﺘﻢ ﺧﻄﻲ ﺑﺎ درﺟﻪ ﻣﻨﺎﺳﺐ ﻛﻔﺎﻳﺖ ﻣﻲ ﻛﻨﺪ.
• Additional Inputاﮔﺮ ﺗﺎ اﻳﻦ ﻣﺮﺣﻠﻪ ﺧﺮوﺟﻲ ﻣﺪل ﺑﻬﺒﻮ.د ﭘﻴﺪا ﻧﻜﺮده اﺳﺖ ﺑـﺎ ﺑﺮرﺳـﻲ physical insightﺑـﻪ
دﻧﺒﺎل ورودﻳﻲ ﺑﮕﺮدﻳﺪ ﻛﻪ از ﻗﻠﻢ اﻓﺘﺎده اﺳﺖ .ﺳﭙﺲ ARXدرﺟﻪ 4را ﺑﺮاي ﺗﻤـﺎم ورودﻳﻬـﺎ اﻋﻤـﺎل ﻛﻨﻴـﺪ .ﻣﻨﻈـﻮر از
وردي ﻓﻘﻂ ﺳﻴﮕﻨﺎل ﻛﻨﺘﺮل ﻧﻴﺴﺖ ﻳﻠﻜﻪ ﻫﺮ ﺳﻴﮕﻨﺎﻟﻲ ﻛﻪ ﺑﺮ ﺧﺮوﺟﻲ اﺛﺮ ﻣﻲ ﮔﺬارد و ﻗﺎﺑﻞ اﻧـﺪازه ﮔﻴـﺮي اﺳـﺖ وردي
اﺳﺖ
• • Nonlinear Effects:اﮔﺮ ﻫﻤﭽﻨﺎن ﺧﺮوﺟﻲ ﻣﺪل ﺗﻄﺒﻴﻖ ﻧﻤﻲ ﻛﻨﺪ ﺑﺎ در ﻧﻈﺮ ﮔﺮﻓﺘﻦ physical insightﺑﺪﻧﺒﺎل
ﻋﻮاﻣﻞ ﻏﻴﺮ ﺧﻄﻲ ﺑﮕﺮدﻳﺪ .اﻳﻦ ﻋﻮاﻣﻞ ﻏﻴﺮ ﺧﻄﻲ ﻣﻤﻜﻦ اﺳﺖ ﺑﻪ ﺳﺎدﮔﻲ ﺿﺮب )ﺣﺎﺻﻞ ﺿﺮب وﻟﺘـﺎژ در ﺟﺮﻳـﺎن ﺑـﺮاي
ﺗﻮان( و ﻣﺸﺎﺑﻪ آن ﺑﺎﺷﺪ .ﺑﺨﺸﻬﺎي ﻣﻬﻤﻲ از آﻧﻬﺎ ﺑﻪ ﺳﺎدﮔﻲ ﻗﺎﺑﻞ اﺳﺘﻨﺘﺎج ﻫﺴﺘﻨﺪ
• General Nonlinear mappingاﮔﺮ ﻧﻤﻲ ﺗﻮان ﺑﺎ ﺑﺮرﺳﻲ ﺗﺌﻮرﻳﻚ ﻋﻮاﻣﻞ ﻏﻴﺮ ﺧﻄﻲ را ردﻳﺎﺑﻲ ﻛـﺮد اﺳـﺘﻔﺎده از
black boxﻏﻴﺮ ﺧﻄﻲ راه ﺣﻞ اﺳﺖ
• ﻫﻨﻮز ﻣﺸﻜﻞ ﺑﺎﻗﻲ اﺳﺖ؟ اﮔﺮ ﻫﻨﻮز ﻧﻤﻲ ﺗﻮان ﻣﺪل ﺗﻘﺮﻳﺒﺎ ﻣﻨﺎﺳﺐ را ﭘﻴﺪا ﻛﺮد ﻣﻲ ﺗﻮاﻧﺪ ﺑـﻪ اﻳـﻦ ﻣﻌﻨـﻲ ﺑﺎﺷـﺪ ﻛـﻪ
ﻣﺪل ﺧﻮﺑﻲ را از دﻳﺘﺎي ﻣﻮﺟﻮد ﻧﻤﻴﺘﻮان اﺳﺘﺨﺮاج ﻛﺮد .دﻻﻳﻞ آن ﻣﻲ ﺗﻮاﻧﺪ ﺑﻪ ﺳﻴﮕﻨﺎل ﺑﻪ ﻧﻮﻳﺰ ،اﺧﺘﻼل ﻏﻴﺮ اﻳﺴـﺘﺎن و
ﺑﺰرگ و ﺳﻴﺴﺘﻢ واﺑﺴﺘﻪ ﺑﻪ زﻣﺎن ﺑﺮ ﮔﺮدد.
ﮔﺎم :4ﺗﻨﻈﻴﻢ ﻣﺪل ﻣﻨﺎﺳﺐ
ﺑﺮاي دﻳﺘﺎي واﻗﻌﻲ ﻣﺪل ﺻﺤﻴﺢ )ﺑﻪ ﻣﻌﻨﻲ ﻛﺎﻣﻞ( ﻣﻌﻨﻲ ﻧﻤﻲ دﻫﺪ .ﺗﻤﺎم ﻣـﺪﻟﻬﺎ ﺗﻘﺮﻳﺒـﻲ ﻫﺴـﺘﻨﺪ .ﻣـﺪﻟﻲ ﻛـﻪ ﻛﻤﺘـﺮﻳﻦ
اﺧﺘﻼف ﺑﻴﻦ ﺷﺒﻴﻪ ﺳﺎزي و واﻗﻌﻲ را دارد اﻧﺘﺨﺎب ﻣﻲ ﮔﺮدد .اﻟﺒﺘﻪ ﭘﻴﭽﻴﺪﮔﻲ ﻣﺪل و در ﺑﺮﮔﺮﻓﺘﻦ important features
ﻧﻴﺰ ﺑﺎﻳﺪ ﻟﺤﺎظ ﺷﻮد.
(4ﺗﺴﺖ ε :Residueﺑﺎﻳﺪ ﺳﻔﻴﺪ ﺑﺎﺷﺪ واﮔﺮ ﺑﻪ ﻣﻘﺪار ﻗﺎﺑـﻞ ﻣﻼﺣﻈـﻪ از confidence regionﺧـﺎرج ﺷـﻮد .ﺑﺼـﻮرت
ﺳﺮاﻧﮕﺸﺘﻲ
oاﮔﺮ ﻣﻘﺪار ﺧﺎرج ﺷﺪه ﺑﺼﻮرت slowly varyingاﺳﺖ ﻳﻌﻨﻲ ﺗﻌﺪاد ﻗﻄﺒﻬﺎي ﻣﺪل ﻛﻢ اﺳﺖ
16-10
ﺷﻨﺎﺳﺎﻳﻲ ﺳﻴﺴﺘﻢ :ﭘﺎراﻣﺘﺮﻫﺎي ﺷﻨﺎﺳﺎﻳﻲ
اﮔﺮ ﺑﺼﻮرت ﻗﻠﻪ ﺑﺎﺷﺪ ﺑﻪ ﻣﻌﻨﻲ ﺗﺎﺧﻴﺮ ﻏﻠﻂ ﻳﺎ ﺗﻌﺪت ﻛﻢ ﺻﻔﺮﻫﺎﺳﺖ . o
ﺑﺮاي ﻣﺪﻟﻲ ﻛﻪ ﺑﺮاي ﻛﻨﺘﺮل اﺳﺘﻔﺎده ﻣﻲ ﺷﻮد ﻣﻨﺎﺳﺐ اﺳﺖ رﻓﺘﺎر ﻓﺮﻛﺎﻧﺴﻲ εﺑﺮرﺳﻲ ﺷﻮد o
(5ﻛﺎﻫﺶ درﺟﻪ ﻣﺪل :ﺣﺬف ﺻﻔﺮ و ﻗﻄﺐ ﻧﺸﺎن ﻣﻲ دﻫﺪ ﻛﻪ درﺟﻪ ﻣﺪل ﺑﺎﻻﺳﺖ .اﮔﺮ ﺣﺬف ﺻﻔﺮ و ﻗﻄﺐ وﺟـﻮد دارد
و ﺑﺎ اﻓﺰاﻳﺶ درﺟﻪ ARXﺑﻬﺘﺮ ﺟﻮاب ﻣﻲ دﻫﺪ ﺑﻪ اﻳﻦ ﻣﻌﻨﻲ اﺳﺖ ﻛﻪ ﻗﻄﺐ اﺿﺎﻓﻲ ﺑﺮاي ﻣﺪل ﻧﻮﻳﺰ ﺑﺎﻳـﺪ در ﻧﻈـﺮ ﮔﺮﻓﺘـﻪ
ﺷﻮد OE ,ARMAX .و BJﺑﺎ درﺟﻪ Aو Fﺑﺮاﺑﺮ ﺗﻌﺪاد ﻗﻄﺒﻬﺎي ﺣـﺬف ﻧﺸـﺪه اﻧﺘﺨـﺎب ﻣﻮﺟـﻪ اﺳـﺖ .ﺷـﻜﻞ ﺻـﻔﺮ و
ﻗﻄﺒﻬﺎﻳﻲ ﻛﻪ ﻫﻤﺪﻳﮕﺮ را ﺣﺬف ﻣﻲ ﻛﻨﻨﺪ ﻧﺸﺎن ﻣﻲ دﻫﺪ
(6ﺟﻮاب ﻧﺴﺒﺘﺎ ﻗﺎﺑﻞ ﻗﺒﻮل :در ﺻﻮرﺗﻴﻜﻪ ﺑﺼﻮرت ﻛﻠﻲ ﺟﻮاب ﻗﺎﺑﻞ ﻗﺒﻮل اﺳﺖ ﺧﻴﻠﻲ ﻧﺒﺎﻳﺪ دﻗﻴﻖ ﺷﺪ .ﺑﺮﻧﺎﻣﻪ ﻫﺎي arx
و subspaceوﺟﻮد دارﻧﺪ ﻛﻪ ﺑﻄﻮر ﻣﻔﻴﺪ و ﺳﺮﻳﻊ ﻣﺪﻟﻬﺎ ﺗﺨﻤﻴﻦ ﻣﻲ زﻧﻨﺪ
Multivariable Systems. (7ﺗﺨﻤﻴﻦ ﺳﻴﺘﻤﻬﺎي ﭼﻨﺪ ﺧﺮوﺟﻲ اﮔﺮ ﺑﻴﻦ ﻣﺘﻔﻴﺮﻫﺎ ﻟﻴﻨﻚ ﻗـﻮي وﺟـﻮد داﺷـﺘﻪ ﺑﺎﺷـﺪ
ﻣﺸﻜﻠﺘﺮ ﻣﻲ ﺷﻮد .در اﻳﻦ ﻣﻮارد ﻣﺪل ﻓﻀﺎي ﺣﺎﻟﺖ ﻣﻨﺎﺳﺐ اﺳﺖ
oﺑﻬﺘﺮ از ﺑﺎ زﻳﺮ ﻣﺠﻤﻮﻋﻪ ورودﻳﻬﺎ و ﺧﺮوﺟﻴﻬﺎ ﻣﺪﻟﻬﺎي ﺑﺨﺸﻲ ﺗﺨﻤﻴﻦ زد و در ﻧﻬﺎﻳﺖ ﺑﻪ ﻣﺪل ﻛﻠﻲ دﺳﺖ ﻳﺎﻓﺖ.
oراه دﻳﮕﺮ اﻳﻦ اﺳﺖ ﻛﻪ ﺑﺮاي ﻫﺮ ﺧﺮوﺟﻲ ﻧﺴﺒﺖ ﺑﻪ ورودﻳﻬﺎ ﻣﺪل ﺟﺪاﮔﺎﻧﻪ ﺗﺨﻤﻴﻦ زد
oﻣﻌﺬﻟﻚ ﻣﺪل ﻳﻜﭙﺎرﭼﻪ ﺑﺮاي ﭘﻴﺶ ﺑﻴﻨﻲ و ﻛﻨﺘﺮل ﺑﻬﺘﺮ اﺳﺖ
ﮔﺎم :5ﭘﺬﻳﺮش ﻣﺪل
.درﻧﻬﺎﻳﺖ ﺣﺪاﻗﻞ ﻳﻚ ﻣﺪل ﺑﺮاي وﺿﻌﻴﺖ ﻓﻌﻠﻲ اﻧﺘﺨﺎب ﻣﻲ ﮔﺮدد .ﻣﺪل اﻧﺘﺨﺎﻳﻲ اﮔﺮ ﭼﻪ روي ﺻـﻔﺤﻪ ﻛـﺎﻣﭙﻴﻮﺗﺮ ﺧـﻮد را
ﺧﻮب ﻧﺸﺎن ﻣﻲ دﻫﺪ وﻟﻲ ﻓﻘﻂ ﺗﻘﺮﻳﺒﻲ از واﻗﻌﻴﺖ اﺳﺖ ﻛﻪ ﺧﻮﺷﺒﺨﺘﺎﻧﻪ ﺑﺮاي اﺳﺘﻔﺎده ﻛﺎﻓﻲ اﺳﺖ
4-10ﻛﺎرﺑﺮدﻫﺎ
The Hairdryer
ﻓﻦ ،ﻫﻮا را داﺧﻞ ﻟﻮﻟﻪ اي ﻣﻲ ﻓﺮﺳﺘﺪ ﻛﻪ در ﻣﺴﻴﺮ آن اﻟﻤﻨﺖ ﺣﺮارﺗﻲ ﻗﺮار دارد ﻛﻪ ﻫﻮا را ﮔـﺮم ﻣـﻲ ﻛﻨـﺪ .ورودي ﺗـﻮان
اﻋﻤﺎﻟﻲ ﺑﻪ اﻟﻤﻨﺖ و ﺧﺮوﺟﻲ درﺟﻪ ﺣﺮات ﻫﻮا ﺧﺮوﺟﻲ ﻟﻮﻟﻪ اﺳﺖ
(8ﺷﻜﻞ ﭘﺎﺳﺦ ﭘﻠﻪ ﺳﻴﺴﺘﻢ اﺳﺖ ﻛﻪ ﺛﺎﺑﺖ زﻣﺎﻧﻲ ﺣﺪود 0.4ﺛﺎﻧﻴﻪ و ﺗﺎﺧﻴﺮ 0.14ﺛﺎﻧﻴﻪ را ﻧﺸﺎن ﻣﻲ دﻫﺪ.
17-10
ﺷﻨﺎﺳﺎﻳﻲ ﺳﻴﺴﺘﻢ :ﭘﺎراﻣﺘﺮﻫﺎي ﺷﻨﺎﺳﺎﻳﻲ
(9ﭘﺮﻳﻮد ﻧﻤﻮﻧﻪ ﺑﺮداري :ﺑﺮ اﺳﺎس ﻧﻤﻮدار ﭘﺮﻳﻮد ﻧﻤﻮﻧﻪ ﺑﺮداري 0.08sاﻧﺘﺨﺎب ﻣﻲ ﮔﺮدد
(10ﺗﻮان ﺑﺎﻳﻨﺮي ورودي ﺑﻴﻦ 35ﺗﺎ 65وات اﺳﺖ ﻛﻪ ﺑﺼﻮرت ﺗﺼﺎدﻓﻲ و ﺑﺎ اﺣﺘﻤﺎل 0.2ﺗﻐﻴﻴﺮ در ﻫﺮ ﮔﺎم اﺳﺖ.
1000 (11ﻧﻤﻮﻧﻪ ورودي و ﺧﺮوﺟﻲ ﺛﺒﺖ ﻣﻲ ﮔﺮدد.
;load dryer2 ;)dry = iddata(y2,u2,0.08 ;)ze = dry(1:1000 ;))plot(ze(200:300
y1 u1
8 7
6 6
5
4
4
2 3
0 20 40 60 80 0 20 40 60 80
)Time (seconds )Time (seconds
18-10
ﺷﻨﺎﺳﺎﻳﻲ ﺳﻴﺴﺘﻢ :ﭘﺎراﻣﺘﺮﻫﺎي ﺷﻨﺎﺳﺎﻳﻲ
Further Models. (15ﻫﺰار ﻣﺪل ﺑﺎ ﺳﺎﺧﺘﺎرزﻳﺮ ﺑﻪ دﻳﺘﺎ اﻋﻤﺎل ﮔﺮدﻳﺪ.
و ﻣﻴﺎﻧﮕﻴﻦ ﻣﺮﺑﻌﺎت ﺧﻄﺎي ﺗﺨﻤﻴﻦ ﺑﺎ دﻳﺘﺎي اﻋﺘﺒﺎرﺳﻨﺠﻲ ﻣﺤﺎﺳﺒﻪ و در ﺷﻜﻞ رﺳﻢ ﮔﺮدﻳﺪ .ﻣﻘﺎدﻳﺮ ﺧﻄﺎ ﺑﺮاي ﺗﻌﺪادي از
آﻧﻬﺎ از اﻳﻨﻘﺮار اﺳﺖ
ARX(692)=0.094, ARNX(3322)=0.094, ARX(441)=0.096
n4s6=0.0976 ARX(223)=0.0988 n4s3=0.1
ﻛﻪ ﺑﻬﺘﺮﻳﻦ ﻣﺪل 15ﭘﺎراﻣﺘﺮ دارد ).ARX(692
• آﻧﺎﻟﻴﺰ ﺑﺎﻗﻴﻤﺎﻧﺪه ﻣﺪﻟﻬﺎي ﻣﻨﺘﺨﺐ در ﺷﻜﻞ ﻧﺸﺎن داده ﺷﺪه اﻧـﺪ ) ARX(962ﺧـﻂ ﭘـﺮ ARX(223) ،ﺧـﻂ ﺗﻴـﺮه و
) ARX(3322ﻧﻘﻄــﻪ ﭼــﻴﻦ .آﻧــﺎﻟﻴﺰ ﺑﺎﻗﻴﻤﺎﻧــﺪه ) ARMAX(3322و ) ARX(962ﻧﺸــﺎن ﻣــﻲ دﻫــﺪ ﻛــﻪ ﻫــﺮ در
whiteness testو independence testﻣﻮﻓﻖ ﻫﺴﺘﻨﺪ در ﺣﺎﻟﻴﻜﻪ ) ARX(223ﻧﺸﺎن از ﻫﻤﺒﺴﺘﮕﻲ ﻗﺎﺑﻞ ﻣﻼﺧﻈﻪ
ﺑﻴﻦ ورودي و ﺑﺎﻗﻴﻤﺎﻧﺪه دارد.
• Final Choice of Model.ﺑﺮ اﺳﺎس اﻃﻼﻋﺎت ﺑﺪﺳﺖ آﻣـﺪه از ﺑـﻴﻦ ) ARX(962و ) ARMAX(3322ﻣـﺪل
ﺳﺎده ﺗﺮ ﻳﻌﻨﻲ ARMAXاﻧﺘﺨﺎب ﻣﻲ ﮔﺮدد.
19-10
ﺷﻨﺎﺳﺎﻳﻲ ﺳﻴﺴﺘﻢ :ﭘﺎراﻣﺘﺮﻫﺎي ﺷﻨﺎﺳﺎﻳﻲ
20-10
11 NONLINEAR BLACK‐BOX MODELS
1-11
ﺷﻨﺎﺳﺎﻳﻲ ﻏﻴﺮ ﺧﻄﻲ و ﻣﺪل ﺷﺒﻜﻪ ﻋﺼﺒﻲ
ﺑﻨﻮﻳﺴﻴﻢ .اﻳﻦ ﻛـﺎر (1ﺑﺴﻂ ﭼﻨﺪﺟﻤﻠﻪ اي :ﻳﻚ راه اﻳﻦ اﺳﺖ ﻛﻪ ﺗﺎﺑﻊ را ﺑﺼﻮرت ﻣﺠﻤﻮع ﺗﻮاﻧﻬﺎي ﻣﺘﻐﻴﺮ
در ﺗﺠﺰﻳﻪ ﺑﺴﻂ ﺗﻴﻠﻮر اﺳﺘﻔﺎده ﻣﻲ ﺷﻮد .در ﻛﺎرﺑﺮدﻫـﺎي ﺷﻨﺎﺳـﺎﻳﻲ ﺑـﻪ اﻳـﻦ روش Volterra expansionsﻣـﻲ
ﮔﻮﻳﻨﺪ
:2ﺑﺴﻂ ﺑﻪ ﺧﺎﻧﻮاده ﺗﺎﺑﻊ ﻣﺒﻨﺎا :اﻧﺘﺨﺎب دﻳﮕﺮ اﻳﻦ اﺳﺖ ﻛﻪ ﺗﺎﺑﻌﻲ ﺑﻪ ﻧـﺎم " "mother basis functionدر ﻧﻈـﺮ ﮔﺮﻓﺘـﻪ
ﺷﻮد و ﻣﺸﺎﺑﻪ ﻫﺎي آن ﺑﺎ ﻣﺮﻛﺰ و ﭘﻬﻨﺎي ﻣﺘﻔﺎوت ﺳﺎﺧﺘﻪ ﺷﻮد .ﺣﺎل ﺗﺎﺑﻊ ﻣﺠﻬﻮل ﺑﺎ ﻣﺠﻤﻮع اﻳﻦ ﺗﻮاﺑﻊ ﻣﺪل ﺷﻮد.
در اﻳﻦ ﺗﺎﺑﻊ (dilation parameters) βkﺗﺎﺑﻊ را ﻓﺸﺮده و ﺑﺎز ﻣﻲ ﻛﻨﺪ و (translation parameters) γkﺳـﻴﮕﻨﺎل را
روي ﻣﺤﻮر ﺟﺎﺑﺠﺎ ﻣﻲ ﻛﻨﺪ ..ﻧﻤﻮﻧﻪ ﻛﺎﻣﻼ ﺷﻨﺎﺧﺘﻪ ﺷﺪه آن ﺳﺮي ﻓﻮرﻳﻪ اﺳﺖ.
ﻣﺠﻤﻮﻋﻪ اﻳﻦ ﺳﻴﮕﻨﺎﻟﻬﺎ ،ﻳﻚ ﺗﺎﺑﻊ ﻏﻴﺮ ﺧﻄﻲ را ﺑﺼﻮرت step wiseﺗﻘﺮﻳﺐ ﻣﻲ زﻧﺪ
ﻧﻤﻮﻧﻪ دﻳﮕﺮ ﻧﻤﻮدار ﮔﻮﺳﻲ اﺳﺖ
ﻋﻤﻠﻜﺮد ﺗﺎﺑﻊ ﻣﺒﻨﺎ ﻣﻤﻜﻦ اﺳﺖ ﻣﺤﻠﻲ localو ﻳﺎ ﺟﺎﻣﻊ globalﺑﺎﺷﺪ .ﺗﻮاﺑﻊ ﻣﺒﻨﺎي ﺳﺮي ﻓﻮرﻳـﻪ و Volterraﺑﻄـﻮر
واﺿﺢ ﺟﺎﻣﻊ ﻫﺴﺘﻨﺪ وﻟﻲ ﺗﻮاﺑﻌﻲ ﻛﻪ در وﻳﻮﻟﺖ اﺳﺘﻔﺎده ﻣﻲ ﺷﻮﻧﺪ ﻋﻤﻠﻜﺮد ﻣﺤﻠﻲ دارﻧﺪ.
Tensor product::1
ﺗﺎﺑﻊ ﻣﺒﻨﺎي ﭼﻨﺪ ﻣﺘﻐﻴﺮه از ﺿﺮب ﺗﻮاﺑﻊ ﻣﺒﻨﺎي ﺗﻚ ﻣﺘﻐﻴﺮه ﺑﺪﺳﺖ ﻣﻲ آﻳﺪ.
2-11
ﺷﻨﺎﺳﺎﻳﻲ ﻏﻴﺮ ﺧﻄﻲ و ﻣﺪل ﺷﺒﻜﻪ ﻋﺼﺒﻲ
در اﻳﻦ راﺑﻄﻪ ﻓﺎﺻﻠﻪ ﻫﺮ ورودي از ﻣﺮﻛﺰ jﻣﺤﺎﺳﺒﻪ و در وزن βjﺿﺮب ﮔﺸﺘﻪ ﺑﻪ ﺗﺎﻳﻊ ﻏﻴﺮ ﺧﻄﻲ اﻋﻤـﺎل ﻣـﻲ ﺷـﻮد .در
ﻧﻬﺎﻳﺖ dﻣﻘﺪار ﺑﺪﺳﺖ آﻣﺪه در ﻫﻢ ﺿﺮب ﻣﻲ ﺷﻮﻧﺪ .دو ﭘﺎراﻣﺘﺮ ﻫﺮ ﻳﻚ dﺑﻌﺪ)ﺳﺎﻳﺰ رﮔﺮﺳﻮر( دارﻧﺪ.
در اﻳﻦ راﺑﻄﻪ ﻓﺎﺻـﻠﻪ ϕﻛـﻪ dﺑﻌـﺪ دارد از ﻣﺮﻛـﺰ dﺑﻌـﺪي ﻣﺤﺎﺳـﺒﻪ و اﻳـﻦ ﺑـﺮدار dﺑﻌـﺪي در ﻣـﺎﺗﺮﻳﺲ β ، d*d
) (positive definiteﺿﺮب ﻣﻲ ﺷﻮد .اﻳﻦ ﻣﺎﺗﺮﻳﺲ ﻧﻘﺶ dilationرا ﺑﺮ ﻋﻬﺪه دارد و ﻣﻲ ﺗﻮاﻧﺪ ﻣﺎﺗﺮﻳﺲ واﺣﺪ ﺑﺎﺷـﺪ.
ﻧﻮرم ﻓﺎﺻﻠﻪ ﻣﻲ ﺗﻮاﻧﺪ ﻫﺮ ﻧﻮرﻣﻲ از ﺟﻤﻠـﻪ quadraticﺑﺎﺷـﺪ .ﻧﺮوﻧﻬـﺎي ﺷـﺒﻜﻪ ﻋﺼـﺒﻲ Radial Basisاز اﻳـﻦ روش
اﺳﺘﻔﺎده ﻣﻲ ﻛﻨﻨﺪ.
در اﻳﻦ راﺑﻄﻪ dاﻟﻤﺎن ϕﻫﺮ ﻳﻚ در ﺗﺎﺑﻊ وزﻧﻲ ﺧﻮد βjﺿﺮب و از ﺑﺎ ﻳﻚ ﻋﺪد ﺟﻤﻊ ﺷﺪه ﺑﻪ ﺗﺎﺑﻊ ﻏﻴﺮ ﺧﻄﻲ اﻋﻤـﺎل ﻣـﻲ
ﮔﺮدد β .ﺑﻌﺪ dو اﺳﻜﺎﻟﺮاﺳﺖ )ﻧﻪ dﺑﻌﺪ ﻣﺎﻧﻨﺪ ﺣﺎﻟﺖ رادﻳﺎل( .در اﻳﻦ ﺣﺎﻟﺖ ﺣﺘﻲ آﮔﺮ kﻣﺤﻠﻲ ﺑﺎﺷﺪ gﺟـﺎﻣﻊ اﺳـﺖ.
ﺷﻜﻞ ﻧﻤﻮﻧﻪ ridgeﺑﺎ β1=2=1و =1را ﻧﺸﺎن ﻣﻲ دﻫﺪ .اﻳﻦ ﺷﻜﻞ از ﻫﺮ دو ﺟﻬـﺖ ﺗـﺎ ﺑﻴﻨﻬﺎﻳـﺖ اداﻣـﻪ ﻣـﻲ ﻳﺎﺑـﺪ.
ﻧﺮوﻧﻬﺎي ﺷﺒﻜﻪ ﻋﺼﺒﻲ MLPاز اﻳﻦ روش اﺳﺘﻔﺎده ﻣﻲ ﻛﻨﻨﺪ.
3-11
ﺷﻨﺎﺳﺎﻳﻲ ﻏﻴﺮ ﺧﻄﻲ و ﻣﺪل ﺷﺒﻜﻪ ﻋﺼﺒﻲ
1
ﺳﺎﺧﺘﺎر ﻛﻠﻲ
ﻣﺴﺘﻘﻞ از روش اﻧﺘﺨﺎﺑﻲ ﺑﺮاي ﺳﺎﺧﺖ ﺗﺎﺑﻊ ﻣﺒﻨﺎي ﭼﻨﺪ ﻣﺘﻐﻴﺮه ﺗﺎﺑﻊ gﺑﻪ ﻓﺮم
اﺳﺖ .ﺑﻪ اﻳﻦ ﺗﺮﺗﻴﺐ ﺑﺮدار ﺷﺎﻣﻞ β ،αو ﻫﺎ ﻳﻌﻨﻲ 3nﭘﺎراﻣﺘﺮ اﺳﺖ .ﻛﻪ در آن ﺑﺎ ﻓﺮﻣﻮل ﻣﺘﻔﺎوت ﺑﺮاي
ﻣﺤﻞ ﺗﺎﺑﻊ ﻣﺒﻨﺎ
ﺿﺮﻳﺐ ورودي
ﺿﺮﻳﺐ ﻫﺮ ﺗﺎﺑﻊ ﻣﺒﻨﺎ ﺳﺖ
ﺗﺎﺑﻊ ﺿﺮﺑﻪ :ﺳﺨﺖ ﻧﻴﺴﺖ ﻛﻪ در ﻳﺎﺑﻴﻢ ﻛﻪ ﻣﻲ ﺗﻮاﻧﺪ ﻳﻚ ﺗﺎﺑﻊ ﺿﺮﺑﻪ ﺑﺎﺷﺪ ﻛﻪ ﻗﺎرد اﺳﺖ ﻫﺮ ﺗـﺎﺑﻌﻲ را ﻣـﺪل ﻛﻨـﺪ.
ﻓﻘﻂ اﻳﺮاد رداﻳﻦ اﺳﺖ ﻛﻪ ﺑﺮاي ﺑﻪ ﺗﻌﺪاد زﻳﺎدي ﺿﺮﺑﻪ ﻧﻴﺎز اﺳﺖ ) nﺑﺰرگ اﺳﺖ(.
ﭘﺎﻟﺲ :ﻣﻲ ﺗﻮاﻧﺪ ﭘﺎﻟﺲ ﻳﺎ ﻋﺮض و ﺷﺮوع ﻣﺘﻐﻴﺮ ﺑﺎﺷﺪ .د راﺑﻦ ﺣﺎﻟﺖ ﺑﻪ nﻛﻤﺘﺮي ﺑﺮاي ﻣﺪﻟﺴﺎزي ﻧﻴﺎز اﺳﺖ زﻳﺮ در
ﺑﺨﺸﻬﺎي ﺛﺎﺑﺖ ﻣﻲ ﺗﻮان از ﻳﻚ ﭘﺎﻟﺲ ﻋﺮﻳﺾ اﺳﺘﻔﺎده ﻛﺮد.
در θ=βﺿﺮب ﺷﺪه و ﺑﻪ ﺗﺎﺑﻊ ﻣﺎدر ﻛﻪ ﻣﺮﻛﺰ ﻣﺴﺘﻘﻞ ﺧﻮد را دارد اﻋﻤﺎل ﻣـﻲ ورودﻳﻬﺎي
ﺷﻮد .ﺗﺎ ﺧﺮوﺟﻲ ﻫﺮ ﮔﺮه ﺑﺪﺳﺖ آﻳﺪ.
4-11
ﺷﻨﺎﺳﺎﻳﻲ ﻏﻴﺮ ﺧﻄﻲ و ﻣﺪل ﺷﺒﻜﻪ ﻋﺼﺒﻲ
ﺑﺪﺳﺖ آﻳﺪ .ﭘﺎﺳﺦ ﺑﻪ اﻳﻨﻜﻪ ﭼﻨﺪ ﻻﻳﻪ ﻣﻴﺎﻧﻲ ﻛﺎﻓﻲ اﺳﺖ روﺷﻦ ﻧﻴﺴﺖ ﻣﻠﻲ اﺣﻤﺎع ﺑﺮ آن اﺳﺖ ﻛﻪ ﻋﻤﻮﻣـﺎ ﻳـﻚ ﻻﻳـﻪ
ﻣﻴﺎﻧﻲ ﺑﺮاي most practically reasonable systems.ﻛﻔﺎﻳﺖ ﻣﻲ ﻛﻨﺪ
ﺳﺎﺧﺘﺎر دﻳﮕﺮ ﻛﻪ ﻣﻮرد اﺳﺘﻔﺎده ﻗﺮار ﻣﻲ ﮔﻴﺮد ﺳﺎﺧﺘﺎر Recurrent Networksاﺳﺖ ﻛﻪ از ﺧﺮوﺟﻲ ﻓﻴﺪﺑﻜﻲ ﺗـﺎﺧﻴﺮ
دار ﺑﻪ ورودي اﻋﻤﺎل ﻣﻲ ﺷﻮد .از ﻃﺮﻓﻲ ﻣﻤﻜﻦ اﺳﺖ stateﻫﺎ ﺑﻪ ورودي ﻓﻴﺪﺑﻚ ﮔﺮدﻧﺪ
ﻣﺤﻞ و درﺟﻪ ﺑﻨﺪي βﺑﻪ ﻧﺤﻮي اﻧﺘﺨﺎب ﻣﻲ ﺷﻮﻧﺪ ﻛﻪ ﺑﺘﻮاﻧﺪ ﺗﺎﺑﻊ را ﺑﻪ ﺧﻮﺑﻲ ﺗﻘﺮﻳﺐ ﺑﺰﻧﺪ.
: Epanechnikov kernel
ﻧﻮع دﻳﮕﺮ اﺳﺘﻔﺎده از ﻛﺮﻧﻞ
where h is a small positive number, k are given points in the space of regression vector .
5-11
ﺷﻨﺎﺳﺎﻳﻲ ﻏﻴﺮ ﺧﻄﻲ و ﻣﺪل ﺷﺒﻜﻪ ﻋﺼﺒﻲ
B.Splines.
: B-splines are local basis functions which are piece-wise polynomials. The connections of
the pieces of polynomials have continuous derivatives up to a certain order, depending on the
degree of the polynomials,
در ﻣﺤﺪوده ] [-2,2;-2,2ﺑﺎ ﻛﺮﻧﻞ ﮔﻮﺳﻲ و ﻣﺜﺎل :ﺗﻘﺮﻳﺐ ﺗﺎﺑﻊ دوﺑﻌﺪي
ﻫﺮﻣﻲ اﺳﺖ .ﻣﺮﻛﺰ ﻛﺮﻧﻞ و ﻣﺤﺪوده آن ﺛﺎﺑﺖ اﺳﺖ 6×6 .ﻣﺮﻛﺰ ﺑﺎ ﻣﺤﺪوده ±0.5در ﻧﻈﺮ ﮔﺮﻓﺘﻪ ﺷﺪه اﺳﺖ .ﺳﻤﺖ ﭼـﭗ
ﺗﺎﺑﻊ اﺻﻠﻲ ،وﺳﻂ ﺗﻮاﺑﻊ ﺷﻌﺎﻋﻲ ﻣﺒﻨﺎ و ﺳﻤﺖ راﺳﺖ ﺗﻘﺮﻳﺐ ﺑﺎ ﻛﺮﻧﻞ ﮔﻮﺳﻲ ﺑﺎ ﺧﻄﺎي MSE=4583اﺳﺖ.
6-11
ﺷﻨﺎﺳﺎﻳﻲ ﻏﻴﺮ ﺧﻄﻲ و ﻣﺪل ﺷﺒﻜﻪ ﻋﺼﺒﻲ
7-11
ﺷﻨﺎﺳﺎﻳﻲ ﻏﻴﺮ ﺧﻄﻲ و ﻣﺪل ﺷﺒﻜﻪ ﻋﺼﺒﻲ
8-11
12 Network: Multilayer perceptron:MLP
ﺷﺒﻜﻪاي از ﻧﺮوﻧﻬﺎي ﻃﺒﻴﻌﻲ )ﻣﻐﺰ اﻧﺴﺎن( ﭼﻬﺮه را در ﺣﺪود 0.1 secﺗﺸﺨﻴﺺ ﻣـﻲ دﻫـﺪ .اﻳـﻦ ﺗﻮاﻧـﺎﻳﻲ ﻣـﻮرد
ﺗﻮﺟﻪ ﻗﺮار ﮔﺮﻓﺘﻪ ﺗﺎ ﺑﺮاي ﺣﻞ ﻣﺴﺎﺋﻞ ﻣﻮرد اﺳﺘﻔﺎده ﻗﺮار ﮔﻴﺮد .ﺷﺒﻜﻪ ﻋﺼﺒﻲ ﻃﺒﻴﻌﻲ داراي ده ﺑﻴﻠﻴﻮن ) (1010ﻧـﺮون
ﺑﺎ ﺳﺮﻋﺖ ﺳﻮﻳﭻ < 10-3secsاﺳﺖ.
درﺣﺎﻟﻴﻜﻪ رﻓﺘﺎر ﺗﻚ ﻧﺮون ﺳﺎده اﺳﺖ رﻓﺘﺎر ﺷﺒﻜﻪ ﺑﺴﻴﺎر ﭘﻴﭽﻴﺪه ﻣﻲ ﺷﻮد.
-ﺻﺪﻫﺎ ﻋﻤﻠﻴﺎت را در ﻳﻚ ﺛﺎﻧﻴﻪ اﻧﺠﺎم ﻣﻲ دﻫﻨﺪ. -ﻫﺰاران ﻟﻴﻨﻚ ﺑﻪ ﻫﺮ ﻧﺮون وﺟﻮد دارد
Die off frequently (never replaced)- -ﭘﺮدازش ﻣﻮازي اﻧﺠﺎم ﻣﻲ ﺷﻮد.
w2
x2 o
. n
wi xi
. =Net
. wn i=1
(4ﺗﺮﺷﻠﺪ :ﻋﻼوه ﺑﺮ ورودي ﻛﻠﻲ ،ﻫﺮ ﻧﺮون داراي ﺳﻄﺢ ﺗﺮﺷﻠﺪ ﻣﻲ ﺑﺎﺷﺪ ﻛﻪ ﺑﻪ ﻧﺎم bias, ,ﻧﻴﺰ ﺧﻮاﻧﺪه ﻣﻲ ﺷﻮد.
(5ﺗﺎﺑﻊ ﻓﻌﺎل ﺳﺎز :fﺑﺮاي ﺗﺎﺑﻊ ﺗﺤﺮﻳﻚ activation functionﺗﻌﺪادي ﺗﺎﺑﻊ در ﻧﻈﺮ ﮔﺮﻓﺘﻪ ﻣﻲ ﺷـﻮد ﻛـﻪ از ﺟﻤﻠـﻪ آﻧﻬـﺎ
Sigmoid ،Linearو Hyperbolicاست.
1-12
ﺷﻨﺎﺳﺎﻳﻲ ﻏﻴﺮ ﺧﻄﻲ و ﻣﺪل ﺷﺒﻜﻪ ﻋﺼﺒﻲ
اﻳﻦ ﺗﻮﺳﻌﻪ از ﻧﻮع Ridgeاﺳﺖ .ﺷﺒﻜﻪ ﺗﻚ ﻧﺮوﻧﻲ ﻣﻲ ﺗﻮاﻧﺪ ﺑﺎ ﺗﺎﺑﻊ signورودﻳﻬﺎﻳﻲ ﻛﻪ ﺑﺼﻮرت linearly separable
ﻫﺴﺘﻨﺪ ﺧﻮﺷﻪ ﺑﻨﺪي ﻛﻨﺪ .ﺷﻜﻞ 14,4ﭼﮕﻮﻧﮕﻲ ﺗﺎﺑﻊ ORرا ﻧﺸﺎن ﻣﻲ دﻫﺪ.
2-12
ﺷﻨﺎﺳﺎﻳﻲ ﻏﻴﺮ ﺧﻄﻲ و ﻣﺪل ﺷﺒﻜﻪ ﻋﺼﺒﻲ
آﺷﻨﺎﻳﻲ ﺑﺎ NNToolBox
ﻣﺜﺎل .2دو ورودي ] [-2;-2و ] [2;2دارﻳﻢ ﻛﻪ ﺑﺮاي اوﻟﻲ ﺧﺮوﺟﻲ 0و ﺑﺮاي دوﻣﻲ ﺧﺮوﺟﻲ 1را در ﻧﻈﺮ دارﻳﻢ
;]p=[-2 2;-2 2 ;]t=[0 1
3-12
ﺷﻨﺎﺳﺎﻳﻲ ﻏﻴﺮ ﺧﻄﻲ و ﻣﺪل ﺷﺒﻜﻪ ﻋﺼﺒﻲ
ﺳﺎﺧﺖ ﺷﺒﻜﻪ :ﺷﺒﻜﻪ ﭘﺮﺳﭙﺘﺮون ﻣﻨﺎﺳﺐ آن ﺳﺎﺧﺘﻪ ﻣﻲ ﺷﻮد) .دﺳﺘﻮر newpاﺟﺮا ﻣﻲ ﺷﻮد وﻟﻲ ﻗﺪﻳﻤﻲ ﺷﺪه(
;)net = newp(p,t
آﻣﻮزش :ﺗﻌﺪاد آﻣﻮزش 1دوره در ﻧﻈﺮ ﮔﺮﻓﺘﻪ ﻣﻲ ﺷﻮد .ﭼﻮن 2ﻧﻤﻮﻧﻪ ورودي دارﻳﻢ ﻫﺮ دوره 2ﺑﺎر آﻣـﻮزش را ﺷـﺎﻣﻞ
ﻣﻲ ﮔﺮدد.
;net.trainParam.epochs = 1
;)net = train(net,p,t
ﻧﺘﻴﺠﻪ آﻣﻮزش :ﺑﺮدار وزﻧﻬﺎ و ﺑﺎﻳﺎس ﻛﻪ در ﻧﺘﻴﺠﻪ آﻣﻮزش ﺑﺪﺳﺖ آﻣﺪﻧﺪ ﻋﺒﺎرﺗﻨﺪ از
net.iw{:,:},net.b
2 2
][-1
ﺗﺴﺖ ﺷﺒﻜﻪ :ﺣﺎﻻ ﺑﺮاي ﺷﺒﻴﻪ ﺳﺎزي و ﺗﺴﺖ ﻋﻤﻠﻜﺮد ورودي را ﺑﻪ ﺷﺒﻜﻪ اﻋﻤﺎل ﻣﻲ ﻛﻨﻴﻢ
)a = sim(net,p
ﻧﺘﻴﺠﻪ اي ﻛﻪ ﺑﺪﺳﺖ ﻣﻲ آﻳﺪ ﻫﻤﺎن ﺧﺮوﺟﻲ ﺗﻌﺮﻳﻒ ﺷﺪه ﻗﺒﻠﻲ اﺳﺖ ﻛﻪ ﻧﺸﺎن ﻣﻲ دﻫﺪ ﺷـﺒﻜﻪ ﺧـﻮب آﻣـﻮزش دﻳـﺪه
a= 0 1 اﺳﺖ.
اﺟﺮاي ﺑﺎ GUI
ﺑﻪ ﺟﺎي ﻧﻮﺷﺘﻦ ﺑﺮﻧﺎﻣﻪ اﻳﻦ ﻛﺎر را ﺑﺎ nntoolﺑﺼﻮرت ﮔﺮاﻓﻴﻜﻲ ﻧﻴﺰ ﻣﻲ ﺗﻮاﻧﺴﺘﻴﺪ اﺟﺮا ﻛﻨﻴﺪ.
ﻣﺜﺎل .3ﻓﺮض ﻛﻨﻴﺪ ﻣﻲ ﺧﻮاﻫﻴﻢ ﺗﺎﺑﻊ x2+x+1را ﻣﺪل ﻛﻨﻴﻢ .ﺑﺮاي اﻳﻦ ﻣﻨﻈﻮر ورودي و ﺧﺮوﺟﻲ را ﻣﻲ ﺳﺎزﻳﻢ
;)p=[-1:0.1:1];t=polyval([1 1 1],p
در ﺗﺸﻜﻴﻞ ﻣﺎﺗﺮﻳﺲ ورودي ،ﻫﺮ ﺑﺮدار ﻧﻤﻮﻧﻪ در ﻳﻚ ﺳﺘﻮن ﻗﺮار ﮔﻴﺮد.
(6ﻧﻤﻮﻧﻪ ﻫﺎي آﻣﻮزش و updateﭘﺎراﻣﺘﺮﻫﺎ ﺑﺼﻮرت Batch
در اﻳﻦ روش ﺗﻮاﻟﻲ اﻃﻼﻋﺎت در ﻧﻈﺮ ﮔﺮﻓﺘﻪ ﻧﻤﻲ ﺷﻮد .از ﺑﺮدار ورودي ﺗﻌﺪادي ﺑﺮاي آﻣﻮزش و ﺗﻌـﺪادي ﺑـﺮاي ﺗﺴـﺖ و
ﺗﻌﺪادي ﺑﺮاي اﻋﺘﺒﺎر ﺳﻨﺠﻲ در ﻧﻈﺮ ﮔﺮﻓﺘﻪ ﻣﻲ ﺷﻮﻧﺪ .دﺳﺘﻮر trainﺗﺠﺪﻳـﺪ ﭘﺎراﻣﺘﺮﻫـﺎ را ﺑﻌـﺪ از ﺑﺮرﺳـﻲ ﻳـﻚ epoch
اﻧﺠﺎم ﻣﻲ دﻫﺪ .ﻳﻚ epochﺑﺮاﺑﺮ ﻳﻚ ﺑﺎر دوره اﻃﻼﻋﺎت ورودي اﺳﺖ ﻛﻪ ﺑﺮاي آﻣـﻮزش ﻣﻨﻈـﻮر ﺷـﺪه اﺳـﺖ) .دﺳـﺘﻮر
newffﻗﺪﻳﻤﻲ ﺷﺪه وﻟﻲ اﺟﺮا ﻣﻲ ﺷﻮد(
;)net = newff(p,t,10,{},'trainbfg');net=init(net
4-12
ﺷﻨﺎﺳﺎﻳﻲ ﻏﻴﺮ ﺧﻄﻲ و ﻣﺪل ﺷﺒﻜﻪ ﻋﺼﺒﻲ
در ﻣﻮرد دﺳﺘﻮر trainدﻗﺖ ﺷﻮد ﻛﻪ ﺗﻤﺎم اﻃﻼﻋﺎت ورودي را ﺑﺮاي آﻣﻮزش اﺳﺘﻔﺎده ﻧﻤـﻲ ﻛﻨـﺪ ﺑﻠﻜـﻪ ﺑﺨﺸـﻲ از آن را
ﺑﺮاي ﺗﺴﺖ و اﻋﺘﺒﺎر ﺳﻨﺠﻲ ﺟﺪا ﻣﻲ ﻛﻨﺪ و در آﻣﻮزش ﻣﻮرد اﺳﺘﻔﺎده ﻗﺮار ﻧﻤﻲ دﻫﺪ .ﻧﻜﺘﻪ دﻳﮕﺮ در ﻣـﻮرد trainاﻳﻨﻜـﻪ
اﻳﻦ دﺳﺘﻮر ﺑﻌﺪ از ﻳﻚ epochﭘﺎراﻣﺘﺮﻫﺎ را ﺗﺠﺪﻳﺪ ﻣﻲ ﻛﻨﺪ.
)]'y = sim(net,p);plot([y',t
اﮔﺮ ﺗﻌﺪاد ﮔﺮهﻫﺎ را از 10ﺑﻪ 3ﻛﺎﻫﺶ دﻫﻴﺪ ﻣﻲ ﺑﻴﻨﻴﺪ ﻛﻪ زﻣﺎن آﻣﻮزش ﺑﻴﺸﺘﺮ ﻣﻲ ﺷﻮد وﻟﻲ اﻧﻄﺒﺎق ﺑﻬﺘﺮي ﺑﻴﻦ رﻓﺘﺎر
ﺷﺒﻜﻪ و اﻃﻼﻋﺎت ورودي ﭘﺪﻳﺪ ﻣﻲ آﻳﺪ .اﻳﻦ آزﻣﺎﻳﺶ را ﻣﻲ ﺗﻮاﻧﻴﺪ در ﺣﻘﻴﻘﺖ ﻳﻚ ﺗﺎﺑﻊ درﺟﻪ 2ﺑﻪ ﺑﻴﺶ از 2ﮔﺮه ﻧﻴـﺎز
ﻧﺪارد.
اﻧﺠﺎم اﻳﻦ ﻛﺎر را در ﭘﻨﺠﺮه ﮔﺮاﻓﻴﻜﻲ nftoolﺑﻪ ﺳﺎدﮔﻲ ﻗﺎﺑﻞ اﻧﺠﺎم اﺳﺖ.
(7ﻧﻤﻮﻧﻪ ﻫﺎي آﻣﻮزش ﺑﺼﻮرت ﻣﺘﻮاﻟﻲ و updateﻧﻤﻮﻧﻪ ﺑﻪ ﻧﻤﻮﻧﻪ
ﺑﺮاي آﻣﻮزش ﻧﻤﻮﻧﻪ ﺑﻪ ﻧﻤﻮﻧﻪ ﺑﻪ روش زﻳﺮ ﻣﻲ ﺗﻮان ﻋﻤﻞ ﻛﺮد
;)p=-1:0.1:1;t=polyval([1 1 1],p
دﻗﺖ ﻛﻨﻴﺪ ﻛﻪ ورودي ﺑﺼﻮرت sequenceوارد ﺷﻮد )ﺑﻪ آﻛﻮﻻد دﻗﺖ ﻛﻨﻴﺪ(
;}p1={p};t1={t
;)'net = newff(p1,t1,3,{},'trainbfg
;net.adaptParam.passes = 10
;)[net,y,e] =adapt(net,p1,t1
)]'cell2mat([y';e
;)ys = sim(net,p
)]'subplot(211);plot([ys',t
در اﻳﻦ ﺑﺮﻧﺎﻣﻪ ﻧﻤﻮﻧﻪ ﻫﺎ ﺑﻪ ﺗﻌﺪاد net.adaptParam.passes=10ﺑﺎر در آﻣﻮزش ﻣﻮرد اﺳﺘﻔﺎده ﻗﺮار ﻣﻲ ﮔﻴﺮﻧـﺪ .ﺑـﺮاي
آﻣﻮزش ﻧﻤﻮﻧﻪ ﺑﻪ ﻧﻤﻮﻧﻪ از ﺑﺮﻧﺎﻣﻪ زﻳﺮ ﻣﻲ ﺗﻮان اﺳﺘﻔﺎده ﻛﺮد.
;)p=-1:0.1:1;t=polyval([1 1 1],p
;ee=0
for i=1:1
for j=1:21
;))[net,y,e,pf] = adapt(net,p(j),t(j
;ee(j+(i-1)*21)=e
end
end
;)y = sim(net,p
subplot(211);plot([y',t']),
)subplot(212);plot(ee
(8ﻧﻤﻮﻧﻪ ﻫﺎي آﻣﻮزش ﺑﺼﻮرت ﻣﺘﻮاﻟﻲ و updateﺑﺼﻮرت batch
;)p=-1:0.1:1;t=polyval([1 1 1],p
;}p1={p};t1={t
;)'net = newff(p1,t1,3,{},'trainbfg
;net.trainParam.epochs = 30
;)[net,y,e] =train(net,p1,t1
)]'cell2mat([y';e
;)ys = sim(net,p
5-12
ﺷﻨﺎﺳﺎﻳﻲ ﻏﻴﺮ ﺧﻄﻲ و ﻣﺪل ﺷﺒﻜﻪ ﻋﺼﺒﻲ
)]'subplot(211);plot([ys',t
nftool (٩
) curve fittingآزﻣﺎﻳﺸﻬﺎي ﻓﻮق (را ﺑﻪ ﺳﺎدﮔﻲ ﻣﻲ ﺗﻮان در ﻣﺤﻴﻂ ﮔﺮاﻓﻴﻜﻲ nftoolﭘﻴﺎده ﻛﺮد
3.5
3
2.5
2
1.5
1
0.5
0 5 10 15 20 25
2-1-12ﺷﻨﺎﺳﺎﻳﻲ
ﻣﺪل ﺗﺨﻤﻴﻨﮕﺮ
ﻣﺪل :NNARMAX1ﺑﺮدار ϕﺷﺎﻣﻞ ﮔﺬﺷﺘﻪ ورودي ،ﺧﺮوﺟﻲ و ﺧﻄﺎي ﺗﺨﻤﻴﻦ ﻣﺪل)ِ ﻣﺪل ﻧﻮﻳﺰ Cﻣﻌﻠﻮم(
6-12
ﺷﻨﺎﺳﺎﻳﻲ ﻏﻴﺮ ﺧﻄﻲ و ﻣﺪل ﺷﺒﻜﻪ ﻋﺼﺒﻲ
ﺗﺨﻤﻴﻦ ﻣﺘﻐﻴﺮﻫﺎي ﺣﺎﻟﺖ و ﺧﻄﺎي ﺗﺨﻤﻴﻦ، ﺷﺎﻣﻞ ﮔﺬﺷﺘﻪ وروديϕ ﺑﺮدار:NNSSIFﻣﺪل
ﭘﺎراﻣﺘﺮﻫﺎي اﻟﮕﻮرﻳﺘﻢ
Nonlinear function: net.layers {1}.transferfcn='hardlim'
compet (Competitive), elliotsig (Elliot sigmoid), hardlim (Positive hard limit), hardlims (
Symmetric hard limit), logsig (Logarithmic sigmoid), netinv (Inverse), poslin (Positive
linear), purelin (Linear), radbas (Radial basis), radbasn (Radial basis normalized), satlin
(Positive saturating linear), satlins (Symmetric saturating linear), softmax (Soft max), tansig
(Symmetric sigmoid), tribas (Triangular basis) transfer functions.
Training Algorithms: net. trainFcn= 'trainscg'
: | traincgb | traincgf | traincgp | traingda | traingdm | traingdx | trainlm | trainoss | trainrp |
trainscg
7-12
ﺷﻨﺎﺳﺎﻳﻲ ﻏﻴﺮ ﺧﻄﻲ و ﻣﺪل ﺷﺒﻜﻪ ﻋﺼﺒﻲ
y1
0.8
0.6
0.4
0.2
0
0 500 1000 1500 2000 2500 3000
Time (seconds)
u1
10
0
0 500 1000 1500 2000 2500 3000
Time (seconds)
X=num2cell(u');T=num2cell(y');
ﮔﺮه در ﻻﻳﻪ ﻣﻴﺎﻧﻲ6 ﺑﺎ2 و ﺧﺮوﺟﻲ ﺗﺎ درﺟﻪ5 ﺗﻌﺮﻳﻒ ﺷﺒﻜﻪ ﺑﺎ ورودي ﺗﺎ درﺟﻪ
net = narxnet(1:5,1:2,6)
view(net);
8-12
ﺷﻨﺎﺳﺎﻳﻲ ﻏﻴﺮ ﺧﻄﻲ و ﻣﺪل ﺷﺒﻜﻪ ﻋﺼﺒﻲ
In order to remove the superfluous weights from the network, the function nnprune is called.
Do a maximum of 50 iterations when retraining the network.
>> prparms = [50 0];
>>[thd,trv,fpev,tev,deff,pv]=nnprune(‘nnoe’,NetDef,W1,W2,u1s,y1s,
NN,trparms,prparms,u2s,y2s,10);
>> figure(1), set(gca,’Ylim’,[0 0.25]);
9-12
ﺷﻨﺎﺳﺎﻳﻲ ﻏﻴﺮ ﺧﻄﻲ و ﻣﺪل ﺷﺒﻜﻪ ﻋﺼﺒﻲ
This plot clearly reveals that the minimum of the test error occurs when there are only 25
weights left in the network. This could also have determined by using the ommands:
>> [mintev,index] = min(tev(pv));
>> index=pv(index)
Example
>> [W1,W2] = netstruc(NetDef,thd,index);
>> trparms = [50 0 1 0];
>> [W1,W2,NSSEvec]=nnoe(NetDef,NN,W1,W2,trparms,10,y1s,u1s);
Start by rescaling the weights so that the validation can be performed on unscaled data
>> [w1,w2] = wrescale(W1,W2,uscales,yscales,NN);
Notice (for example by calling drawnet) that the biases eliminated during pruning have been
reintroduced by the rescaling function.
Validate the final model:
>> [yhat,NSSE] = nnvalid(‘nnoe’,NetDef,NN,w1,w2,y2,u2);
The correlation functions almost stay within thier standard deviations now and thus look far
better than those shown previously:
10-12
ﺷﻨﺎﺳﺎﻳﻲ ﻏﻴﺮ ﺧﻄﻲ و ﻣﺪل ﺷﺒﻜﻪ ﻋﺼﺒﻲ
Radial Basis Function Networks 3-1-12
ﺑﻌﻀﻲ از ﺷﺒﻜﻪﻫﺎ ﻫﻢ ﺑﺼﻮرت supervisedو ﻫﻢ ﺑﺼﻮرت unsupervisedﻣﻮرد اﺳﺘﻔﺎده ﻗﺮار ﻣﻲ ﮔﻴﺮﻧﺪ RBF .ﻳﻜـﻲ
از آﻧﻬﺎﺳﺖ .اﺳﺘﻔﺎده ﻫﻤﺰﻣﺎن از ﺗﺮﻛﻴﺐ supervisedو unsupervisedﺑﻪ ﺑﻬﺒﻮد ﻋﻤﻠﻜﺮد ﺷﺒﻜﻪ ﻫﺎ ﻣﻲ اﻧﺠﺎﻣﺪ .ﺷـﻜﻞ
14.3.1ﻳﻚ ﺷﺒﻜﻪ RBFرا ﻧﺸﺎن ﻣﻲ دﻫﺪ ﻛﻪ ﺑﺴﻴﺎر ﺷﺒﻴﻪ FFNNاﺳﺖ .ﺗﻔﺎوت اﻳﻦ دو ﻋﺒﺎرﺗﻨﺪ از:
ﺧﺮوﺟﻲ ﺷﺒﻜﻪ
The output of an RBFNN is calculated as
11-12
ﺷﻨﺎﺳﺎﻳﻲ ﻏﻴﺮ ﺧﻄﻲ و ﻣﺪل ﺷﺒﻜﻪ ﻋﺼﺒﻲ
MATALAB دﺳﺘﻮر
P = [1 2 3];
T = [2.0 4.1 5.9];
net = newrb(P,T);
The network is simulated for a new input.
P = 1.5;
Y = sim(net,P)
12‐1‐4 Assignments
. را ﺑﺎ رﺳﻢ ﺷﻜﻞ ﺗﻮﺿﻴﺢ داده و ﭼﮕﻮﻧﮕﻲ آﻣﻮزش آﻧﺮا ﺗﻮﺿﻴﺢ دﻫﻴﺪRBF ( ﺳﺎﺧﺘﺎر10
11) Investigate alternative methods to initialize an RBF NN.
12) Develop a PSO, DE, and EP algorithm to train an RBFNN.
13) (c) η− is very small?
12-12
NONLINEAR BLACK‐BOX MODELS ١٣
Fuzzy
Neuro Fuzzy
WAvelet
اﮔﺮ اﻳﻦ راﺑﻄﻪ ) uniqueﻳﻌﻨﻲ از ﻫﺮ fﺑﻪ ﻳﻚ ﺳﺮي akو ﺑﺮ ﻋﻜﺲ رﺳﻴﺪ(ﺑﺎﺷﺪ ﺑﻪ ) (tﺗﺎﺑﻊ ﭘﺎﻳﻪ Basisﻣﻲ ﮔﻮﻳﻨﺪ .در
اﻳﻦ راﺑﻄﻪ اﮔﺮ
a k l
k , l kl dt
0 k l
ﺑﺮﻗﺮار ﺑﺎﺷﺪ
ak f (t ) k dt
ﺑﺪﺳﺖ ﻣﻲ آﻳﺪ .ﺑﻪ راﺑﻄﻪ fﺳﻨﺘﺰ و ﺑﻪ راﺑﻄﻪ akﺗﺤﻠﻴﻞ ﻣﻲ ﮔﻮﻳﻨﺪ.
در ﺳﺮي ﻓﻮرﻳﻪ e jk0tﻣﺘﻌﺎﻣﺪ ﻧﺮﻣﺎل اﺳﺖ وﻟﻲ در ﺑﺴﻂ ﺗﻴﻠﻮر t kﻣﺘﻌﺎﻣﺪ ﻧﻴﺴﺖ.
درﺳﺮي ﻓﻮرﻳﻪ ﺳﻴﮕﻨﺎل ﺑﻪ ﻣﺠﻤﻮﻋﻪ اي از ﻓﺮﻛﺎﻧﺲ اﺻﻠﻲ و ﻫﺎرﻣﻮﻧﻴﻜﻬﺎي آن ﺗﺠﺰﻳﻪ ﻣﻲ ﺷﻮد ،ﺑﻪ ﻋﺒﺎرت دﻳﮕﺮ ﺑﺴﻂ ﺗﺎﺑﻊ
ﭘﺎﻳﻪ ,ﻫﺎرﻣﻮﻧﻴﻜﻬﺎي ﺗﺎﺑﻊ ﭘﺎﻳﻪ ﻫﺴﺘﻨﺪ و در ﺑﺴﻂ ﺗﺒﻠﻮر ﺑﺴﻂ ﺗﺎﺑﻊ ﭘﺎﻳﻪ ،اﻧﺘﮕﺮاﻟﻬﺎي آن ﻫﺴﺘﻨﺪ.
ﺑﺮاي ﺳﻴﮕﻨﺎﻟﻬﺎي ﻏﻴﺮ اﻳﺴﺘﺎ اﻃﻼﻋﺎت ﻓﻮرﻳﻪ ﻣﻨﺎﺳﺐ ﻧﻴﺴﺖ از اﻳ ﻨﺮو از )Short Time Fourier Transform (STFT
اﺳﺘﻔﺎده ﻣﻲ ﺷﻮد .ﻣﺸﻜﻞ STFTدر آن اﺳﺖ ﻛﻪ اﮔﺮ ﻃﻮل ﺳﻴﮕﻨﺎل ﺑﺰرگ ﺑﺎﺷﺪ اﻃﻼﻋﺎت زﻣﺎﻧﻲ و اﮔـﺮ ﻛﻮﭼـﻚ ﺑﺎﺷـﺪ
اﻃﻼﻋﺎت ﻓﺮﻛﺎﻧﺴﻲ ﺑﺪﻟﻴﻞ ﻛﻤﺒﻮد رزوﻟﻮﺷﻦ ﻣﺨﺪوش ﻣﻲ ﮔﺮدﻧﺪ.
وﻳﻮﻟﺘﻬﺎ از mother waveletﺳﺎﺧﺘﻪ ﻣﻲ ﺷﻮﻧﺪ
1-13
ﻣﺪل وﻳﻮﻟﺘﻲ
1 t b
a,b (t ) ( )
a a
ﻛﻪ bﻣﻘﺪار ﺷﻴﻔﺖ و aدرﺟﻪ ﻋﺮض اﺳﺖ ..وﻳﻮﻟﺘﻬﺎ ﺗﻮاﺑﻊ ﻣﺤﻠﻲ ﻫﺴﺘﻨﺪ ﻛﻪ اﻧﺮژي ﻣﺤﺪود و ﺗﻮان ﺻﻔﺮ دارﻧﺪ.
ﻣﻮﺟﻚ ﻣﺎدر ﻳﻚ ﺳﻴﮕﻨﺎل اﻧﺮژي اﺳﺖ ﻛﻪ ﺑﺨﺶ ﻣﻬﻢ اﻧﺮژي آن در ﻣﺤﺪوده ﻛﻮﭼﻚ زﻣﺎﻧﻲ ﻣﺘﻤﺮﻛﺰ اﺳﺖ .اﻳﻦ ﺷـﺮط از
آﻧﺮوﺳﺖ ﻛﻪ ﻗﺎﺑﻠﻴﺖ اراﺋﻪ ﻫﻤﺰﻣﺎن ﻣﺸﺨﺼﺎت زﻣﺎﻧﻲ و ﻓﺮﻛﺎﻧﺴﻲ ﺳﻴﮕﻨﺎل را اراﺋﻪ ﻛﻨﺪ .ﺑﻨـﺎﺑﺮاﻳﻦ ﺑـﺮاي ﺳـﻴﮕﻨﺎﻟﻬﺎي ﻏﻴـﺮ
اﻳﺴﺘﺎ و ﮔﺬرا ﺑﺴﻴﺎر ﻣﻨﺎﺳﺐ اﺳﺖ در ﺣﺎﻟﻴﻜﻪ ﺳﺮي ﻓﻮرﻳﻪ ﺑﺮاي ﺳﻴﮕﻨﺎﻟﻬﺎي اﻳﺴﺘﺎ و ﺑﺎ ﻣﺸﺨﺼﺎت ﺛﺎﺑﺖ ﺑﺴﻴﺎر ﻣﻔﻴﺪ اﺳﺖ.
از اﻳﻦ ﻧﻈﺮ وﻳﻮﻟﺖ ﻣﺸﻜﻞ STFTرا ﺣﻞ ﻣﻲ ﻛﻨﺪ زﻳﺮ ﭼﻨﺪ رزوﻟﻮﺷﻨﻲ Multi resolutionاﺳﺖ .ﻣﺸﺨﺼﺎت زﻣﺎﻧﻲ ﻛﻪ
) f(tو ﻣﺸﺨﺼﺎت ﻓﺮﻛﺎﻧﺴﻲ ﻛﻪ ) F(ﻋﺮﺿﻪ ﻣﻲ دارﻧﺪ .ﺷﻜﻞ وﻳﻮﻟﺖ ﻣﺎدر
ﻛﻪ ﺗﺎﺑﻊ اﺷﻞ ﻳﺎ وﻳﻮﻟﺖ ﭘﺪر اﺳﺖ .ﺷﺮوط ﺗﺎﺑﻊ از اﻳﻦ ﻗﺮار اﺳﺖ
) (t ) h( n) 2 ( 2t n
n
2-13
ﻣﺪل وﻳﻮﻟﺘﻲ
k
j , k (t ) 2 j / 2 ( 2 j t k ) 2 j / 2 [ 2 j (t ])
2j
در اﻳﻦ راﺑﻄﻪ kﺷﻴﻔﺖ زﻣﺎﻧﻲ و jدرﺟﻪ ﺑﺎرﻳﻜﻲ اﺳﺖ h .ﺗﺎﺑﻊ ﻫﻤﺒﺴﺘﮕﻲ ϕو ϕ1,kاﺳﺖ .ﻫﺮﭼـﻪ jﺑﺰرﮔﺘـﺮ ﺷـﻮد ﭘﺮﻳـﻮد
ﻣﻮج ﻛﻮﭼﻜﺘﺮ ﻣﻲ ﺷﻮد و رزوﻟﻮﺷﻦ ﺑﻬﺘﺮ ﻣﻲ ﮔﺮدد.
ﻣﺜﺎل .1ﺷﺮاﻳﻂ ϕدر ﻣﻮﺟﻚ ﭘﺪر HAAR
ﺷﻜﻞ ﺗﺎﺑﻊ اﺷﻞ ﻣﺮﺑﻮط ﺑﻪ ﺗﺎﺑﻊ Haarرا ﻧﺸﺎن ﻣﻲ دﻫﺪ .
ﺑﺎ ﺿﺮﻳﺐ 2j/2اﻧﺮژي ﺗﻮاﺑﻊ ﻣﺨﺘﻠﻒ ﺑﺴﻂ ﺛﺎﺑﺖ ﻧﮕﻪ داﺷﺘﻪ ﻣﻲ ﺷﻮد.
ﺑﺎ اﻓﺰاﻳﺶ jدر ﺗﺎﺑﻊ Haarو اﻛﺜﺮ ﺗﻮاﺑﻊ اﺷﻞ دﻳﮕﺮ ،ﺑﺴﻂ ﺗﺎﺑﻊ ﺑﻪ ﺿﺮﺑﻪ ﻧﺰدﻳﻚ ﻣﻲ ﺷﻮد .و ﻣﻨﺠﺮ ﺑﻪ
) c j , k f (t ) j , k (t )dt f (t ) (t k
j
ﻣﻲ ﺷﻮد ،زﻳﺮا ﺗﺎﺑﻊ ﺑﻪ ﺿﺮﺑﻪ ﻣﻴﻞ ﻣﻲ ﻛﻨﻨﺪ .اﻳﻦ ﺑﺪان ﻣﻌﻨﻲ اﺳﺖ ﻛﻪ ﺿﺮاﻳﺐ وﻳﻮﻟـﺖ ﻫﻤـﺎن ﻧﻤﻮﻧـﻪ ﻫـﺎي ﺳـﻴﮕﻨﺎل
ﺑﺎﺷﻨﺪ.
ارﺗﺒﺎط ﺑﻴﻦ و اﻳﻨﮕﻮﻧﻪ اﺳﺖ ﻛﻪ ﻳﻚ ﻓﻴﻠﺘﺮ ﭘﺎﻳﻴﻦ ﮔﺬر و ﻓﻴﻠﺘﺮ ﻣﻜﻤﻞ ﺗﻮان ﺑﺎﻻ ﮔﺬر آن اﺳﺖ.
Spectrum of
Spectrum of
ﻧﻮﺷﺘﻦ وﻳﻮﻟﺖ ﺑﺮ ﺣﺴﺐ اﻳﻦ ﻣﺰﻳﺖ را دارد ﻛﻪ ﺗﻌﺪاد زﻳﺎدي از ﺿﺮاﻳﺐ ﺑﺴﻂ ﻛﻮﭼﻚ ﺷﺪه و ﻗﺎﺑﻞ اﻏﻤﺎض ﻣﻲ ﮔﺮدﻧﺪ.
ﺑﻪ اﻳﻦ ﺗﺮﺗﻴﺐ ﺑﺴﻂ ﺑﻪ ﺟﺎي آﻧﻜﻪ ﺗﻤﺎم ﺑﺮ ﺣﺴﺐ ﺧﺎﻧﻮاده ﻧﻮﺷﺘﻪ ﺷﻮد ﺑﺮ ﺣﺴﺐ و ﺧﺎﻧﻮاده ﻧﻮﺷﺘﻪ ﻣﻲ ﺷﻮد .اﻳـﻦ
ﻣﺠﻤﻮﻋﻪ در ﺷﻜﻞ ﺑﺮاي ﺗﺎﺑﻊ Haarﻧﺸﺎن داده ﺷﺪه اﻧﺪ
3-13
ﻣﺪل وﻳﻮﻟﺘﻲ
ﺑﺮاي ﻣﺤﺎﺳﺒﻪ DWTﻧﻴﺎز ﺑﻪ اﺻﻞ اﻃﻼﻋﺎت ﺗﺎﺑﻊ اﺷﻞ ﻳﺎ وﻳﻮﻟﺖ ﻧﻴﺴﺖ ﺑﻠﻜﻪ ﺗﺎﺑﻊ ) h(nﻛﻔﺎﻳﺖ ﻣﻲ ﻛﻨﺪ.
)c j 1 (k ) c j ( m)h(k 2m) d j (m)h1 (k 2m
m m
اﺳﺖ ﻛﻪ از ﺿﺮاﻳﺐ ﺗﺎﺑﻊ) cjm ،ﺳﻴﮕﻨﺎل ﻧﻤﻮﻧﻪ ﺑﺮداري ﺷﺪه ( ﺑﺪﺳﺖ ﻣﻲ آﻳﺪ .ﺑﺮاي ﺗﺤﻠﻴﻞ از راﺑﻄﻪ
)c j (k ) h(m 2k )c j 1 (m )d j (k ) h1 (m 2k )c j 1 (m
m m
وﻟﻲ در ﺣﺎﻟﺖ 4ﺑﺎﻧﺪي ﺑﻪ 4ﺑﺎﻧﻚ ﺗﻘﺴﻴﻢ ﻣﻲ ﺷﻮد .ﻛﻪ ﺿﺮاﻳﺐ ﻫﺮ ﺑﺎﻧﺪ اﻳﻨﮕﻮﻧﻪ ﺑﺪﺳﺖ ﻣﻲ آﻳﺪ
v2
v1 w11 w12 w13
M=4
5-13
ﻣﺪل وﻳﻮﻟﺘﻲ
5 1
4 c2
3
2 ...3 5 2 4...
LP )d1* (2t-k
HP
=(3+5)/2 =(3-5)/2
4 LP -1 0.5
وﻳﻮﻟﺖ ﭼﻨﺪ ﻣﺘﻐﻴﺮه را ﻳﻞ ﺿﺮب ﺗﻨﺴﻮري ﻣﻲ ﺗﻮان ﺳﺎﺧﺖ .اﻣﺎ ﺑﺎ اﻓﺰاﻳﺶ dاﻓﺰاﻳﺶ ﻣﻲ ﻳﺎﺑﺪ ﻟﺬا ﺑﻄـﻮر ﻋﻤﻠـﻲ ﺑـﺮاي
d≤3اﺳﺘﻔﺎده ﻣﻲ ﺷﻮد
اﻟﻒ( wavenet
در اﻳﻦ ﻃﺮح ،ﺳﻴﮕﻨﺎل ورودي اﺑﺘﺪا در ﻻﻳﻪ ﻣﻴﺎﻧﻲ ﺑﺎ وﻳﻮﻟﺖ ﺛﺎﻳﺖ ﻣﻮرد ﺗﺠﺰﻳﻪ ﻗﺮار ﻣﻲ ﮔﻴﺮد .ﺳﭙﺲ ﺿﺮاﻳﺐ وﻳﻮﻟـﺖ
ﺗﻮﺳﻂ ﻳﻚ اﻟﮕﻮرﻳﺘﻢ آﻣﻮزﺷﻲ در ﻻﻳﻪ ﺑﻌﺪي ﻣﺤﺎﺳﺒﻪ ﻣﻲ ﺷﻮﻧﺪ .ﺑﻪ اﻳﻦ ﻣﻌﻨﻲ ﻛﻪ در اﻳﻦ ﻣﺪل و tﺛﺎﺑﺖ ﻫﺴﺘﻨﺪ ﺑﺮ
اﻳﻦ اﺳﺎس ﻛﻪ fرا ﻣﻲ ﺗﻮان ﺑﺎ اﻧﺘﺨﺎب Lﺑﻪ اﻧﺪازه ﻛﺎﻓﻲ ﺑﺰرگ ﻣﻲ ﺗﻮان ﻣﺪل ﻛﺮد .
ﭘﺎراﻣﺘﺮ ﺟﺎﺑﺠﺎﻳﻲ kو درﺟﻪ ﺑﺎرﻳﻜﻲ 2Lدارد .ﺣﺎل ﺧﺮوﺟﻲ وﻳﻮﻧﺖ ﺑﺮاﺑﺮ اﺳﺖ ﺑﺎ: ﻛﻪ
6-13
ﻣﺪل وﻳﻮﻟﺘﻲ
ﻛﻪ Mﺑﻪ اﻧﺪازه ﻛﺎﻓﻲ ﺑﺰرگ اﺳﺖ ﺗﺎ ﺗﻤﺎم ﻓﻀﺎي ﻛﺎر را ﭘﻮﺷﺶ دﻫﺪ .در ﺣﺎﻟﺖ ﭼﻨﺪ ﺑﻌﺪي ﺗﺎﺑﻊ ﺑﺼﻮرت زﻳﺮ ﻧﻮﺷﺘﻪ ﻣـﻲ
ﺷﻮد
در اﻳﻦ ﺳﺎﺧﺘﺎر ﻫﺮ وﻳﻮﻟﻦ داراي دو ﭘﺎراﻣﺘﺮ λﻋﺮض و tﺟﺎﺑﺠﺎﻳﻲ اﺳﺖ ﻛﻪ ﻣﻲ ﺗﻮاﻧﻨﺪ ﺛﺎﺑﺖ ﺑﺎﺷﻨﺪ.
وﻗﺘﻲ ورودي در ﻣﺤﺪوده ﻛﻮﭼﻜﻲ از ﻓﻀﺎي ورودي ﻗﺮار دارد وﻳﻮﻟﻦ ﺧﺮوﺟﻲ ﻏﻴﺮ ﺻﻔﺮ ﺗﻮﻟﻴﺪ ﻣﻲ ﻛﻨﺪ .ﺧﺮوﺟﻲ ﻧﻬـﺎﻳﻲ
WNNﻣﺠﻤﻮع ﺟﻤﻊ وزﻧﻲ ﺧﺮوﺟﻲ وﻳﻮﻟﻦ ﻫﺎﺳﺖ
ﭼﻮن ﺧﺮوﺟﻲ ﺗﺎﺑﻊ وﻳﻮﻟﺖ ψﺻﻔﺮ اﺳﺖ؛ ̅ yﻟﺤﺎظ ﺷﺪه اﺳﺖ ﺗﺎ در ﻣﻮرﺗﻮاﺑﻊ ﺑﺎ ﻣﻴﺎﻧﮕﻴﻦ ﻏﻴﺮ ﺻﻔﺮ ﻣﺸﻜﻠﻲ ﭘﻴﺶ ﻧﻴﺎﻳﺪ.
LEARNING ALGORITHM
آﻣﻮزش ﻳﻚ ﺷﺒﻜﻪ وﻳﻮﻟﺘﻲ ،ﻳﻚ ﻣﺴﺌﻠﻪ ﺑﻬﻴﻨﻪ ﺳﺎزي ﻏﻴﺮ ﺧﻄﻲ اﺳﺖ ﻛﻪ از اﻟﮕﻮرﻳﺘﻤﻬﺎي ﺑﺎز ﺗﻜﺮار اﺳﺘﻔﺎده ﻣﻲ ﺷﻮد.
7-13
fuzzy systems ١٤
Fuzzy Sets
ﻣﻨﻄﻖ ﻣﺘﺪاول ﻣﻨﻄﻖ ﺑﺎﻳﻨﺮي ﻳﺎ ﻫﻤﺎن ﻣﻨﻄﻖ ارﺳﻄﻮﻳﻲ اﺳﺖ ﻛﻪ ﻓﻘﻂ ﻳﻜﻲ از دو ﻧﺘﻴﺠﻪ falseﻳﺎ trueرا ﻣـﻲ ﭘـﺬﻳﺮد.
در ﺻﻮرت وﺟﻮد ﻋﺪم ﻗﻄﻌﻴﺖ ﻣﻌﻠﻮم ﻧﻴﺴﺖ ﭼﮕﻮﻧﻪ ﺑﺎﻳﺪ از ﻣﻨﻄﻖ ﺑﺎﻳﻨﺮي اﺳﺘﻔﺎده ﻛﺮد )اﺑﺮي -ﻏﻴﺮ اﺑﺮي(
Most real-world problems are incomplete, imprecise, vague or uncertain information. For
example, in the phrases ‘‘it is partly cloudy’’,
ﻓﺎزي ﻻﺟﻴﻚ اﻣﺮوزي ﻧﺎﺷﻲ از ﻛﺎر ﭘﺮوﻓﺴﻮر ﻋﺴﮕﺮ ﻟﻄﻔﻲ زاده از داﻧﺸﮕﺎه ﺑﺮﻛﻠﻲ در ﺳﺎل 1965اﺳﺖ
1-14
ﻣﺪل ﻓﺎزي
ﺗﺎﺑﻊ ﻋﻀﻮﻳﺖ ﻓﺎزي :ﺗﻌﺒﻴﺮ ﻣﺎ از ﻗﺪ ﺑﻠﻨﺪي ﺑﺎ ﺗﺎﺑﻊ ﻋﻀﻮﻳﺖ زﻳﺮ ﺑﻬﺘﺮ ﺑﻴﺎن ﻣﻴﺸﻮد .ﺑﺮ اﺳﺎس اﻳﻦ ﺗـﺎﺑﻊ ﻓـﺮد 1,51ﻣﺘـﺮي
ﻓﻘﻂ ﺑﺎ درﺟﻪ1⁄ 50ﺟﺰ ﻣﺠﻤﻮﻋﻪ ﻗﺪ ﺑﻠﻨﺪﻫﺎ ﺑﻪ ﺣﺴﺎب ﻣﻲ آﻳﺪ.
)(20.21
2-14
ﻣﺪل ﻓﺎزي
Support .٤ﻗﺴﻤﺘﻲ از ﻣﺠﻤﻮﻋﻪ ﻛﻪ درﺟﻪ ﻋﻀﻮﻳﺖ ﻏﻴﺮ ﺻﻔﺮ دارد }support(A) = {x ∈ X|μ (x) > 0
A
ﺑﺮاي ﺗﺎﺑﻊ ﻋﻀﻮﻳﺖ ﮔﺴﺴﺘﻪ ﺑﺎ 4ﻋﻀﻮ } X = {a, b, c, dو ﻣﻘﺪار ﺗﺎﺑﻊ ﻋﻀﻮﻳﺖ
A = 0.3/a + 0.9/b + 0.1/c + 0.7/d
ﻣﻘﺪار ﻛﺎردﻳﻨﺎﻟﻴﺘﻲ ﺑﺮاي ﻣﻘﺪار زﻳﺮ اﺳﺖ(0.3/a means x(a)=0.3).
card(A) = 0.3 + 0.9 + 0.1 + 0.7 = 2.0.
ﻣﺠﻤﻮﻋـﻪ ﻓـﺎزي و ﻣﺠﻤﻮﻋـﻪ ﺑـﺎﻳﻨﺮي در ﺧـﻮاص transitive ، distributive ،associative , commutativeو
idempotencyﻣﺸﺎﺑﻪ ﻫﺴﺘﻨﺪ وﻟﻲ در cardinalityﺗﻔﺎوت دارﻧﺪ
)• card(A) + card(B) = card(A ∩ B) + card(A ∪ B
)• card(A) + card(A) = card(X
where A and B are fuzzy sets, and X is the universe of discourse.
Fuzzification 2-1-14
ﻓﺎزي ﺳﺎزي ﺑﻪ ﻣﻌﻨﻲ ﺗﺒﺪﻳﻞ ﻛﻤﻴﺖ ﻋﺪدي ﺑﻪ درﺟﻪ اي از ﺗﺨﺼﻴﺺ ﺑﻪ ﻣﺘﻐﻴﺮﻫﺎي ﻛﻴﻔﻲ ﻛﻼﻣﻲ )ﻓﺎزي( اﺳﺖ .ﺑـﺮ اﻳـﻦ
اﺳﺎس در ﺷﻜﻞ زﻳﺮ ﺑﻪ ﻣﻘﺪار ﻋﺪدي 20درﺟﻪ old=0.4ﺑﺮاي ﻣﺘﻐﻴﺮ ﻛﻼﻣﻲ oldداده ﻣﻲ ﺷﻮد.
در اﻳﻦ ﻣﺜﺎل ﻣﺘﻐﻴﺮ ﺳﻦ اﺳﺖ ﻛﻪ ﺑﺎ ﻣﺘﻐﻴﺮﻫﺎي ﻛﻼﻣﻲ ﺧﻴﻠﻲ ﺟﻮان ،ﺟـﻮان ،ﻣﻴﺎﻧﺴـﺎل و ﭘﻴـﺮ ﺑﻴـﺎن ﻣـﻲ ﺷـﻮد .ﻃﺒـﻖ
ﻣﺠﻤﻮﻋﻪ ﻓﺎزي ﻓﻮق ﻓﺮ 70ﺳﺎﻟﻪ 0,4ﭘﻴﺮ و 50ﺳﺎﻟﻪ ﻣﻴﺎﻧﺴﺎل اﺳﺖ
ﺑﻪ اﻳﻦ ﻛﻴﻔﻴﺘﻬﺎ hedgeﻣﻲ ﮔﻮﻳﻨﺪ hedge .ﻫﺎ ﺑﺴﺘﮕﻲ ﺑﻪ ﻣﺘﻐﻴﺮ ﺗﻌﻴﻴﻦ ﻣﻲ ﺷﻮد ﻛﻪ ﻣﺜﺎﻟﻬﺎي ان ﻋﺒﺎرﺗﻨﺪ از:
ﻫﻴﭻ -ﻛﻢ -ﻣﺘﻮﺳﻂ-زﻳﺎد -ﺧﻴﻠﻲ زﻳﺎد
3-14
ﻣﺪل ﻓﺎزي
ﻫﻤﻴﺸﻪ- اﻏﻠﺐ- ﺑﻪ ﻧﺪرت
5-14
ﻣﺪل ﻓﺎزي
ﻣﺤﺎﺳﺒﺎت
ﻧﻤﻮﻧﻪ ﻧﺘﻴﺠﻪ ﻣﺤﺎﺳﺒﺎت ﺑﺨﺶ اﺳﺘﻨﺘﺎج اﻳﻨﮕﻮﻧﻪ اﺳﺖ
Rule 1: if A is a and B is b then C is c
})μ1 (c)=min{μA(a), μB(b
C
ﺑﻄﻮر ﻣﺸﺎﺑﻪ از ﻗﻮاﻋﺪ دﻳﮕﺮ ﻧﻴﺰ ) μic(cﻣﺤﺎﺳﺒﻪ ﻣﻲ ﺷﻮد .در ﻧﻬﺎﻳﺖ ﻣﻘﺪار ﻋﻀﻮﻳﺖ در ﺗـﺎﺑﻊ Cﺧﺮوﺟـﻲ ﺑﺼـﻮرت زﻳـﺮ
ﺗﻌﻴﻴﻦ ﻣﻲ ﺷﻮد.
} )μc(c)=max{μic(c
در ﻧﺘﻴﺠﻪ ﻣﺠﻤﻮﻋﻪ اي از ﺧﺮوﺟﻲ ﻫﺎي ﻓﺎزي ﺑﺪﺳﺖ ﻣﻲ آﻳﺪ ﻛﻪ ﻧﻤﻮﻧﻪ آن ) μc(cاﺳﺖ.
Defuzzification 1-2-14
در دﻳﻔﺎزي ﺳﺎزي ﻣﺘﻐﻴﺮﻫﺎي ﻛﻼﻣﻲ ﻧﺎﺷﻲ از اﺳﺘﻨﺘﺎج ﻫﻤﺮاه ﺑﺎ درﺟﻪ ﻋﻀﻮﻳﺖ آﻧﻬﺎ ﺑﻪ ﻣﺘﻐﻴﺮ ﻛﻤﻲ ﻋـﺪدي ﺗﺒـﺪﻳﻞ ﻣـﻲ
ﺷﻮﻧﺪ ﻓﺮض ﻛﻨﻴﺪ ﺗﺎﺑﻊ ﻋﻀﻮﻳﺖ ﺧﺮوﺟﻲ و ﻧﺘﺎﻳﺞ اﺳﺘﻨﺘﺎج ﻓﺎزي μSI = 0.6 ، μLI =0.8و μNC = 0.3ﺑﺎﺷﺪ
روﺷﻬﺎي ﻣﺘﻌﺪدي ﺑﺮاي ﺗﺒﺪﻳﻞ ﻛﻤﻴﺖ ﻓﺎزي ﺑﻪ ﻏﻴﺮ ﻓﺎزي اراﺋﻪ ﺷﺪه اﺳﺖ ﻛﻪ ﺑﻌﻀﻲ از آﻧﻬﺎ ﻋﺒﺎرﺗﻨﺪ از:
The max-min method:
ﺗﺎﺑﻊ ﻋﻀﻮﻳﺖ ﺧﺮوﺟﻲ ﻛﻪ ﺑﺰرﮔﺘﺮﻳﻦ µرا دار اﻧﺘﺨﺎﻳﺐ ﻣﻲ ﮔﺮدد و ﻣﺮﻛﺰ ﺛﻘﻞ آن ﻣﺤﺎﺳﺒﻪ ﺑﻌﻨﻮان ﺧﺮوﺟﻲ ﻣﺤﺎﺳﺒﻪ ﻣﻲ
ﺷﻮد .ﻛﻪ در ﻣﺜﺎل ﻗﺒﻞ μLI =0.8اﺳﺖ و اﻧﺘﺨﺎب ﻣﻲ ﮔﺮدد
6-14
ﻣﺪل ﻓﺎزي
The clipped center of gravity method:
در اﻳﻨﺮوش ﻫﺮ ﺗﺎﺑﻊ ﺑﺎ ﻣﻘﺪار µﺧﻮد ﺑﺮﻳﺪه ﻣﻲ ﺷﻮد در ﻧﺘﻴﺠﻪ زﻳﺮ آﻧﻬﺎ ﺳـﻄﺤﻲ ﺑﻮﺟـﻮد ﻣـﻲ آﻳـﺪ ﻛـﻪ ﻣﺮﻛـﺰ ﺛﻘـﻞ آن
ﺧﺮوﺟﻲ اﺳﺖ
اﻳﻦ ﻣﺤﺎﺳﺒﺎت ﺑﺮاي ﻣﺜﺎل μOld(70)= 0.4ﺑﺮاﺑﺮ ﺳﻄﺢ ﻫﺎﺷﻮر ﺧﻮرده ﻳﻌﻨﻲ 3ﺑﺮاي ﺳﺮﻋﺖ ﻣﻲ ﺷﻮد.
7-14
ﻣﺪل ﻓﺎزي
Takagi‐Sugeno‐Kang (TSK) ﻓﺎزي2-2-14
در اﻳﻦ روش ﺗﺎﺑﻊ اﺳﺘﻨﺘﺎج ﻓﺮم زﻳﺮ را دارد
If x is A and y is B then z = f(x,y)
f(x,y)=ax+by+c . ﻣﻌﻤﻮﻻ ﺑﺼﻮرت ﭼﻨﺪ ﺟﻤﻠﻪ اي اﺳﺖcrisp ﻳﻚ ﺗﺎﺑﻊZ = f(x,y) ﻣﺠﻤﻮﻋﻪ ﻓﺎزي وB وA ﻛﻪ
ﻧﺤﻮه ﻋﻤﻞ ﻋﻤﻠﮕﺮﻫﺎي ﻓﺎزي ﻣﺎﻧﻨﺪ ﺣﺎﻟﺖ ﻗﺒﻞ اﺳﺖ ﻣﺜﻞ
IF x is Aj and y is Bk then zi= px+qy+r
wi = min(µAj(x), µBk(y)) or
wi = µAj(x)* µBk(y))
.و در ﻧﻬﺎﻳﺖ دﻳﻔﺎزﻳﺴﺎزي اﻳﻨﮕﻮﻧﻪ ﻣﺤﺎﺳﺒﻪ ﻣﻲ ﺷﻮد
z
wi zi
wi
.3 ﻣﺜﺎل
– If X is small and Y is small then Z = -X +Y +1.
– If X is small and Y is large then Z = -Y +3.
– If X is large and Y is small then Z = -X+3.
– If X is large and Y is large then Z = X+Y+2.
ﻣﻘﺎدﻳﺮ اﻧﺪازه ﮔﻴﺮي ﺷﺪه ﺑﺮ اﺳﺎس ﺗﺎﺑﻊ درﺟﻪ ﻋﻀﻮﻳﺖ زﻳﺮ ﻓﺎزي ﻣﻲ ﺷﻮد.
Negative Large (NL), Negative Medium (NM), Negative Small (NS), Zero (ZR), Positive
)Small (PS), Positive Medium (PM), Positive Large (PL
در ﻧﺘﻴﺠﻪ ﻣﻘﺎدﻳﺮ ﻋﺪدي اﻧﺪازه ﮔﻴﺮي ﺷﺪه ﺑﻪ ﻛﻴﻔﻴﺘﻬﺎي ﻛﻼﻣﻲ ﺗﺒﺪﻳﻞ ﻣﻲ ﺷﻮﻧﺪ
اﻋﻤﺎل ﻗﻮاﻋﺪ ﻛﻨﺘﺮل :در ﺣﺎﻟﻴﻜﻪ دﻳﻨﺎﻣﻴﻚ ﺳﻴﺴﺘﻢ ﭘﻴﭽﻴﺪه اﺳﺖ ﻗﻮاﻋﺪ ﻛﻨﺘﺮﻟﻲ زﻳﺮ )ﻓﻮاﻋﺪ ﻓﺎزي( ﺑـﻪ ﺟـﺎي ﻛﻨﺘﺮﻟـﺮ
ﻛﻼﺳﻴﻚ ﺑﺮ اﺳﺎس ﻣﺘﻐﻴﺮﻫﺎي ﻛﻼﻣﻲ ﺗﺜﺒﻴﺖ ﻣﻮﻗﻌﻴﺖ ﭘﺎﻧﺪول را اﻧﺠﺎم ﻣﻲ دﻫﻨﺪ.
Rule 1. IF is PM AND is ZR THEN F is PM.
Rule 2. IF is PS AND is PS THEN F is PS.
Rule 3. IF is PS AND is NS THEN F is ZR.
Rule 4. IF is NM AND is ZR THEN F is NM.
Rule 5. IF is NS AND is NS THEN F is NS.
Rule 6. IF is NS AND is PS THEN F is ZR.
Rule 7. IF is ZR AND is ZR THEN F is ZR.
ﻧﺸﺎن داده ﺷﺪه اﺳﺖ ﻛﻪ ﻣﻲ ﺗﻮان ﺑﺎ اﻳﻦ اﺳﺘﺮاﺗﮋي ﺳﻴﺴﺘﻢ را ﺑﺨﻮﺑﻲ ﻛﻨﺘﺮل ﻛﺮد اﻳـﻦ اﻣـﺮ ﻣﻨـﻮط ﺑـﻪ داﺷـﺘﻦ rule
ﻣﻨﺎﺳﺐ و ﻓﺎزي ﻛﺮدن ﺻﺤﻴﺢ ﺳﻴﮕﻨﺎل ﻫﺎﺳﺖ .
ﺳﻮاﻻت:
.9ﺗﻔﺎوت ﻣﻨﻄﻖ ﺑﺎﻳﻨﺮي و ﻓﺎزي در ﭼﻴﺴﺖ؟
.10ﻧﻤﻮﻧﻪ ﻫﺎﻳﻲ از ﺗﻮاﺑﻊ ﻋﻀﻮﻳﺖ را ﺑﻨﻮﻳﺴﻴﺪ
9-14
ﻣﺪل ﻓﺎزي
دوﻧﻤﻮﻧﻪ از ﻋﻤﻠﮕﺮ ﺑﺮاي ANDو ORرا ﺑﻨﻮﻳﺴﻴﺪ. .11
ﻳﻚ ﻧﻤﻮﻧﻪ دﻳﻔﺰﻳﻔﻴﻜﻴﺸﻦ را ﺗﻮﺿﻴﺢ دﻫﻴﺪ. .12
ﺑﻠﻮك دﻳﺎﮔﺮام ﻣﻨﻄﻖ ﻓﺎزي را رﺳﻢ و اﺟﺰا آﻧﺮا ﺗﻮﺿﻴﺢ دﻫﻴﺪ. .13
ﺑﻠﻮك دﻳﺎﮔﺮام ﻛﻨﺘﺮﻟﺮ ﻓﺎزي و اﺟﺰا آﻧﺮا ﺗﻮﺿﻴﺢ دﻫﻴﺪ. .14
اﺷﺘﺮاك و اﺟﺘﻤﺎع در ﻣﺠﻤﻮﻋﻪ ﻓﺎزي ﺷﻜﻞ 20,6را ﺗﻌﻴﻴﻦ ﻛﻨﻴﺪ. .15
.6 Give the height, support, core and normalization of the fuzzy sets in Figure 20. .16
در ﻣﺴﺌﻠﻪ زﻳﺮ ﻗﻮاﻋﺪ داده ﺷﺪه )ﺑﺮ ﮔﺮﻓﺘﻪ از ﻣﺘﺨﺼﺺ( ﻋﺒﺎرﺗﻨﺪ از:
if x is Small then y is Big
if x is Medium then y is Small
if x is Big then y is Medium
اﮔﺮ ﺗﻮاﺑﻊ ﻋﻀﻮﻳﺖ ﺑﺮاي ورودي xو ﺧﺮوﺟﻲ yﻣﻄﺎﺑﻖ ﺷﻜﻞ ﺑﺎﺷﺪ ﺑﻪ ﺳﻮاﻻت داده ﺷﺪه ﭘﺎﺳﺦ دﻫﻴﺪ
10-14
ﻣﺪل ﻓﺎزي
(a) Using the clipped center of gravity method, draw the composite function for which the
centroid needs to be calculated, for x = 2.
4. *Consider the following Takagi-Sugeno rules:
if x is A1 and y is B1 then z1 = x + y + 1
if x is A2 and y is B1 then z2 = 2x + y + 1
if x is A1 and y is B2 then z3 = 2x + 3y
if x is A2 and y is B2 then z4 = 2x + 5
Compute the value of z for x = 1, y = 4 and the antecedent fuzzy sets
A1 = {1/0.1, 2/0.6, 3/1.0} A2 = {1/0.9, 2/0.4, 3/0.0}
B1 = {4/1.0, 5/1.0, 6/0.3} B2 = {4/0.1, 5/0.9, 6/1.0}
11-14
ﻣﺪل ﻓﺎزي
ﻓﺎزي و ﺷﺒﻜﻪ ﻋﺼﺒﻲ دو اﺑﺰار ﻣﻜﻤﻞ در ﺳﺎﺧﺖ ﺳﻴﺴﺘﻤﻬﺎي ﻫﻮﺷﻤﻨﺪ ﻫﺴﺘﻨﺪ.
ﺷﺒﻜﻪ ﻋﺼﺒﻲ ﻣﻲ ﺗﻮاﻧﺪ ﺑﺼﻮرت ﺟﺰﻳﻲ ﭘﺪﻳﺪه را ﻣﺪل ﻛﻨﺪ و ﻗﺎﺑﻠﻴﺖ آﻣﻮزش دارد
ﻓﺎزي ﻣﺪﻟﺴﺎزي ﺳﻄﺢ ﺑﺎﻻ ﻛﻴﻔﻲ اﻧﺠﺎم ﻣﻲ دﻫﺪ و ﻣﺪﻟﺴﺎزي ﺗﻮﺳﻂ اﺳﺘﻔﺎده ﻛﻨﻨﺪه ﻗﺎﺑﻞ ﻓﻬﻢ اﺳﺖ
در ﻧﺘﻴﺠﻪ ﺗﺮﻛﻴﺐ اﻳﻦ دو ﻣﺪﻟﺴﺎزﻳﻲ ﺣﺎﺻﻞ ﻣﻲ ﺷﻮد ﻛﻪ ﻋﻼوه ﺑﺮ ﻗﺎﺑﻠﻴﺖ ﻳﺎدﮔﻴﺮي ﺧﻮدﻛﺎر اﻣﻜـﺎن آﻣـﻮزش ﺗﻮﺳـﻂ
ﻣﺘﺨﺼﺺ ﻓﻦ را ﻧﻴﺰ داراﺳﺖ.
ﻗﻮاﻋﺪ ﻓﺎزي اوﻟﻴﻪ ﺗﻮﺳﻂ ﻣﺘﺨﺼﺺ ﺑﻪ ﺷﺒﻜﻪ داده ﻣﻲ ﺷﻮد اﻳﻦ ﻓﺮاﻳﻨﺪ آﻣﻮزش ﺷﺒﻜﻪ را ﺗﺴﻬﻴﻞ ﻣﻲ ﻛﻨﺪ
اﮔﺮ آﻣﻮزش ﺷﺒﻜﻪ ﺑﺪ ﺑﺎﺷﺪ ﺳﻴﺴﺘﻢ ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ آﻣﻮزش ﻣﺘﺨﺼﺺ ﻛﺎر ﻣﻲ ﻛﻨﺪ و اﮔﺮ آﻣﻮزش ﻣﺘﺨﺼﺺ ﻧﺎﻗﺺ ﺑﺎﺷﺪ
ﺑﺎ آﻣﻮزش ﻣﻘﺪار اوﻟﻴﻪ ﻧﺎﺻﺤﻴﺢ داده ﺷﺪه ﺗﻮﺳﻂ ﻣﺘﺨﺼﺺ ﺗﺼﺤﻴﺢ ﻣﻲ ﺷﻮد.
ﺷﺒﻜﻪ ﻓﺎزي ﻋﺼﺒﻲ ﻣﺎﻧﻨﺪ ﺷﺒﻜﻪ ﻋﺼﺒﻲ اﺳﺖ و داراي ﻳﻚ ﻻﻳﻪ ورودي 3 ،ﻻﻳﻪ ﻣﻴﺎﻧﻲ و ﻳﻚ ﻻﻳﻪ ﺧﺮوﺟﻲ اﺳﺖ
Layer 1 Layer 2 Layer 3 Layer 4 Layer 5
x1 x1
A2 R2
x1 A2 R2
wR3 C1
C1
A3 A3 R3 R3 w R6
y
wR1
R4 R4 w R2
B1 B1
x2 C2
wR4
C2
R5 wR5
x2 x2 B2
B2 R5
x2
R6
B3
B3 R6
12-14
ﻣﺪل ﻓﺎزي
1 1
a = 4, b =6 a = 4.5, b =6 a = 4, b =6
0 .8 0.8
a = 4, b =4
0 .6 0.6
0
0 1 2 3 4 5 6 7 8
X 0
0 1 2 3 4 5 6 7 8
X
Learning
روﺷﻬﺎي آﻣﻮزش ﺷﺒﻜﻪ را ﺑﺮاي آﻣﻮزش ﻓﺎزي ﻋﺼﺒﻲ ﻣﻲ ﺗﻮان ﺑﻜﺎر ﮔﺮﻓﺖ
ANFIS 1-3-14
ﻳﻚ ﻧﻮع ﺷﺒﻜﻪ ﻓﺎزي ﻋﺼﺒﻲ ﺑـﺎ ﻗﺎﺑﻠﻴـﺖ آﻣـﻮزش onlineﺑـﻪ ﻧـﺎم Adaptive neuro fuzzy intference system
) (ANFISﺧﻮاﻧﺪه ﻣﻲ ﺷﻮد .در اﻳﻦ ﺷﺒﻜﻪ ﻻﻳﻪ ﻫﺎي 1و 2دﻗﻴﻘﺎ ﻣﺸﺎﺑﻪ ﻻﻳﻪ ﻫﺎي ﺷﺒﻜﻪ ﻓﺎزي ﻋﺼﺒﻲ اﺳﺖ
13-14
ﻣﺪل ﻓﺎزي
Layer 1 Layer 2 Layer 3 Layer 4 Layer 5 Layer 6
x1 x2
A1 1 N1 1
x1
A2 2 N2 2
y
B1 3 N3 3
x2
B2 4 N4 4
14-14
ﻣﺪل ﻓﺎزي
Learning in the ANFIS model
ﻫﺮ ﮔﺎم آﻣﻮزش ﺷﺎﻣﻞ ﻳـﻚ ﻣﺴـﻴﺮ رﻓـﺖ و. اﺳﺖgradient descent و روشLS ﺗﺮﻛﻴﺐ ﺗﺨﻤﻴﻨﮕﺮANFIS آﻣﻮزش
ﻳﻚ ﻣﺴﻴﺮ ﺑﺮﮔﺸﺖ اﺳﺖ
ANFIS ﻣﺪﻟﺴﺎزي ﺳﻴﺴﺘﻢ ﻏﻴﺮ ﺧﻄﻲ ﺑﺎ.5 ﻣﺜﺎل
cos(2 x1)
. ﻣﺪل ﻣﻲ ﺷﻮدANFIS ﺑﺎ y ﺳﻴﺴﺘﻢ دوﺑﻌﺪي
ex2
ﺗﺎﻳﻊ ﻋﻀﻮﻳﺖ ﺑـﺮاي3 و2 ﺷﻜﻞ ﻧﺘﻴﺠﻪ آﻣﻮزش ﺑﺎ. ﺑﺮاي آﻣﻮزش ﺗﻮﻟﻴﺪ ﻣﻴﮕﺮددy وx2،x1 دﻳﺘﺎ ﺑﺮاي100 از ﺳﻴﺴﺘﻢ
. ﻧﺸﺎن ﻣﻲ دﻫﺪ100epoch ﻫﺮ وردي را ﺑﻌﺪ از
y
y
Training Data
2 ANFIS Output
Training Data
2 ANFIS Output
1
1
0
0
-1
-1
-2
-2
-3
-3
1
1
0.5 10
0.5 10
8 8
0 0
6 6
-0.5 4 4
-0.5
2 2
-1 0 -1
x2 x1 x2 0
x1
0.8 0.8
0.6 0.6
0.4 0.4
0.2 0.2
0 0
0 1 2 3 4 5 6 7 8 9 10 -1 -0.8 -0.6 -0.4 -0.2 0 0.2 0.4 0.6 0.8 1
x1 x2
(a) Initial membership functions.
1 1
0.8 0.8
0.6 0.6
0.4 0.4
0.2 0.2
0 0
0 1 2 3 4 5 6 7 8 9 10 -1 -0.8 -0.6 -0.4 -0.2 0 0.2 0.4 0.6 0.8 1
x1 x2
(b) Membership functions after 100 epochs of training.
y = sin(2*x)./exp(x/5); ﻛﺪ ﺑﺮﻧﺎﻣﻪ ﺑﺮاي ﺷﻨﺎﺳﺎﻳﻲ.6 ﻣﺜﺎل
x = (0:0.1:10)'; y = sin(2*x)./exp(x/5);
trnData = [x y]; numMFs = 5;
mfType = 'gbellmf'; epoch_n = 20;
in_fis = genfis1(trnData,numMFs,mfType);
out_fis = anfis(trnData,in_fis,20);
plot(x,y,x,evalfis(x,out_fis));
15-14
ﻣﺪل ﻓﺎزي
;)'legend('Training Data','ANFIS Output
ﻣﺜﺎل .7ﺳﻴﺴﺘﻢ دﻳﻨﺎﻣﻴﻜﻲ زﻳﺮ را ﺑﺎ ANFISﺷﻨﺎﺳﺎﻳﻲ ﻛﻨﻴﺪ
y 10 * y 10 * y 5.5 * y 5 * y 3 u
ﻣﺪل ﻓﻀﺎي ﺣﺎﻟﺖ اﻳﻦ ﺳﻴﺴﺘﻢ از اﻳﻨﻘﺮار اﺳﺖ :
x1 y x2 f1(x1 , x2 , x3 ) x2
x 2 y x3 f 2(x1 , x2 , x3 ) x3
x3 10 * x3 10 * x2 5.5 * x1 5 * x 3 u ? f 3(x1 , x2 , x3 )
ﻛﻪ ﺗﺎﺑﻊ ﻣﺠﻬﻮل f3اﺳﺖ ﻛﻪ ﺑﺎﻳﺪ ﺑﺮ اﺳﺎس دﻳﺘﺎي ورودي -ﺧﺮوﺟﻲ ﺷﻨﺎﺳﺎﻳﻲ ﺷﻮد .ﭼﻮن ﻓﻘﻂ ﺧﺮوﺟﻲ اﻧـﺪازه ﮔﻴـﺮي
ﻣﻲ ﺷﻮد از روﻳﺖ ﮔﺮ ﺑﺮاي ﺗﺨﻤﻴﻦ ورودﻳﻬﺎي دﻳﮕﺮ اﺳﺘﻔﺎده ﻣﻲ ﺷﻮد.
f3
y s y
2
S
ﺳﻴﺴﺘﻢ ﺑﺎ ode45ﺑﺮاي ورودي PRBSﻣﺮﺗﺒﻪ 8ﺷﺒﻴﻪ ﺳﺎزي ﻣﻲ ﺷﻮد .ﻣﺸﺘﻘﻬﺎ از راﺑﻄﻪ دﻳﻔﺮﻧﺲ ﻣﺤﺎﺳﺒﻪ ﻣﻲ ﺷﻮد
) y (t t ) y (t
y
t
16-14
ﻣﺪل ﻓﺎزي
را ﺑﺮاﺳﺎس ANFISآﻣﻮزش داده ﺷﺪه ﺑﺎﻻ ،ﻣﺪل ﺳﺎزي ﻛﺮد. ﺣﺎل ﺑﺎﻳﺪ ﺳﻴﺴﺘﻢ f 3
% Create Model
;])fhat = @(t,x) [x(2) x(3) evalfis([x(1) x(2) x(3)],fis
ﺑﻪ ﺟﺎي ﻣﺪل رﻳﺎﺿﻲ ﻛﻪ ﻗﺒﻼ ﺑﺮاي ﻣﺪل ﺳﺎزي اﺳﺘﻔﺎده ﻣﻲ ﻛﺮدﻳﻢ از ﻓـﺎزي اﺳـﺘﻔﺎده ﻛـﺮدهاﻳـﻢ .اﻳـﻦ ﻣـﺪل را ﻣـﺪل
ﺗﺨﻤﻴﻨﻲ و ﻣﺪل ﺑﺪﺳﺖ آﻣﺪه در ﻗﺴﻤﺖ اﻟﻒ ﺳﻮال 2ﻛﻪ از ﺗﺎﺑﻊ رﻳﺎﺿﻲ اﺳﺘﻔﺎده ﺷﺪه ﺑﻮد ﺑﻌﻨﻮان ﻣﺪل واﻗﻌـﻲ در ﻧﻈـﺮ
ﻣﻲﮔﻴﺮﻳﻢ و ﺗﻔﺎﺿﻞ اﻳﻦ دو را ﺑﻌﻨﻮان ﺧﻄﺎ ﺗﻌﺮﻳﻒ ﻛﺮدهاﻳﻢ.
;t = 0:0.01:Tf
;]x0 = [0 0 1
;)[t, xhat] = ode45(fhat,t,x0
;e = x-xhat
ﻧﺘﺎﻳﺞ
1.2
x 0.1 0.07
x x
xhat
xhat xhat
1
0.08 0.06
0.8
0.06 0.05
0.6
0.04 0.04
3
1
x
x
2
x
ﻧﻤﻮدار ﺧﻄﺎ و ﺗﻄﺎﺑﻖ ﺧﻮب دو ﻣﺪل ﺗﺨﻤﻴﻨﻲ و واﻗﻌﻲ ﻧﺸﺎن ﻣﻲدﻫـﺪ ﺳﻴﺴـﺘﻢ ﺑـﻪ ﺷـﻜﻞ ﻣﻨﺎﺳـﺒﻲ ﺑﻮﺳـﻴﻠﻪ اﻟﮕـﻮرﻳﺘﻢ
ANFISﻣﺪل ﺷﺪه اﺳﺖ.
ﺑﺮاي ورودي اﻳﻦ ﻣﺪل ﻳﻚ ﺳﻴﮕﻨﺎل PRBSﺗﻌﺮﻳـﻒ ﺷـﺪه اﺳـﺖ .از ﺗﺸـﻜﻴﻞ داده ﺷﻨﺎﺳـﺎﻳﻲ Residual ،را ﺑـﺮاي آن
ﻣﺤﺎﺳﺒﻪ ﻣﻲﻛﻨﻴﻢ ﻛﻪ در ﺷﻜﻞ ﻧﺸﺎن داده ﺷﺪه اﺳﺖ.
17-14
ﻣﺪل ﻓﺎزي
Correlation function of residuals. Output y1
1
0.5
-0.5
0 5 10 15 20 25
lag
Cross corr. function between input u1 and residuals from output y1
0.2
0.1
-0.1
-0.2
-25 -20 -15 -10 -5 0 5 10 15 20 25
lag
18-14
.15
Model based Fault Diagnosis
ﻛﺸﻒ و ﻋﻴﺐ ﻳﺎﺑﻲ ﺧﻄﺎ ) Fault detection and diagnosis (FDIﻳﻚ ﻣﺴﺌﻠﻪ ﻣﻬﻢ ﻣﻬﻨﺪﺳﻲ در ﻣﺪﻳﺮﻳﺖ ﺣﻮادث
ﻏﻴﺮ ﻣﺘﺮﻗﺒﻪ ) Abnormal event management (AEMرا ﺗﺸﻜﻴﻞ ﻣﻲ دﻫﺪ .ﻛﺸﻒ زود ﻫﻨﮕﺎم ﺧﺮاﺑﻲ از ﮔﺴﺘﺮش
آن ﺟﻠﻮﮔﻴﺮي و از ﻛﺎﻫﺶ ﺗﻮﻟﻴﺪ ﺟﻠﻮﮔﻴﺮي ﻣﻲ ﻛﻨﺪ .ﺿﺮر ﻧﺎﺷﻲ از ﺧﺎﺑﻲ ﻏﻴﺮ ﻣﺘﺮﻗﺒﻪ در ﺻﻨﻌﺖ ﭘﺘﺮوﺷﻴﻤﻲ ﺣﺪود 20
ﻣﻴﺎﻳﺮد دﻻر در ﺳﺎل ارزﻳﺎﺑﻲ ﻣﻲ ﺷﻮد.
ﺧﻄﺎ :Faultﺧﻄﺎ ﻋﻤﻮﻣﺎ ﺑﻪ اﻧﺤﺮاف ﭘﺎراﻣﺘﺮ ﻳﺎ ﻣﺘﻐﻴﺮ ﺳﻴﺴﺘﻢ از ﻣﻘﺪار ﻣﺠﺎز ﮔﻔﺘﻪ ﻣﻲ ﺷﻮد .اﻧﺤﺮاﻓﺎﺗﻲ ﻣﺎﻧﻨﺪ اﻓـﺰاﻳﺶ
درﺟﻪ ﺣﺮارت در ﻳﻚ راﻛﺘﻮر ﻳﺎ ﻛﺎﻫﺶ ﻛﻴﻔﻴﺖ ﺗﻮﻟﻴﺪ و اﻣﺜﺎل آن.
1-15
ﻋﻴﺐ ﻳﺎﺑﻲ
: Structural changes -2در اﻳﻦ ﻧﻮح ﺧﻄﺎ ﻳﻜﻲ از اﻟﻤﺎﻧﻬﺎي ﺳﻴﺴﺘﻢ ﺑﻄﻮر ﻋﻤﺪه از ﻛﺎر ﻣﻲ اﻓﺘﺪ ﺑﻪ ﻧﺤـﻮي ﻛـﻪ
ﻣﻨﺠﺮ ﺑﻪ ﺗﻐﻴﻴﺮ ﻣﺪل ﺳﻴﺴﺘﻢ ﻣﻲ ﺷﻮد.
-3اﻳﺮاد در ﺳﻨﺴﻮرﻫﺎ و ﻣﺤﺮﻛﻬﺎ
-4اﻳﺮاد ﻧﺎﺷﻲ از ﻋﺪم ﻗﻄﻌﻴﺖ :اﻳﻦ ﻋﻮاﻣﻞ ﻣﺎﻧﻨﺪ ﻧﻮﻳﺰ و ﻋﺪم ﻗﻄﻌﻴﺘﻲ ﻛﻪ از ﻗﺒﻞ ﻣﺪل ﻧﺸﺪه اﻧﺪ )اﻃﻼﻋـﺎت اوﻟﻴـﻪ
در ﻣﻮرد آﻧﺎن وﺟﻮد ﻧﺪارد( ﻣﻲ ﺑﺎﺷﻨﺪ ﻛﻪ در ﺣﻮزه FDIﻗﺮار ﻧﺪارﻧﺪ
وﻳﮋﮔﻲ ﻣﻮرد ﻧﻴﺎز ﻳﻚ ﺳﻴﺴﺘﻢ FDI
:Detection time -1ﻛﺸﻒ ﺳﺮﻳﻊ در ﺗﻘﺎﺑﻞ ﺑﺎ false alarmﻗﺮار دارد.
-2ﺣﺴﺎﺳﻴﺖ Sensibilityﺑﻪ ﻣﻘﺪار ﻗﺎﺑﻞ ﺧﻄﺎ
:Isolation errors -3ﻗﺎﺑﻠﻴﺖ ﺗﻔﻜﻴﻚ ﺧﻄﺎﻫﺎ
اﻳــــﻦ ﺑــــﻪ ﻣﻌﻨــــﻲ False alarmsو :Robustness -4ﺑﺎﻳﺪ ﻧﺴﺒﺖ ﺑﻪ ﻧﻮﻳﺰ و ﻋﺪم ﻗﻄﻌﻴﺖ ﻣﻘﺎوم ﺑﺎﺷﺪ.
Missed detectionﻛﻢ اﺳﺖ
:Novelty identifiability -5ﻗﺎﺑﻠﻴﺖ ﺗﻔﻜﻴﻚ ﺑﻴﻦ ﻋﻮاﻣﻞ ﺧﻄﺎ ﺑﻪ ﻧﺤﻮي ﻛﻪ ﺑﺘﻮاﻧﺪ اﻋﻼم ﻛﻨﺪ ﻛﻪ ﻋﺎﻣﻞ اﻳـﻦ ﺧﻄـﺎ
ﻗﺒﻼ در ﺳﻴﺴﺘﻢ ﺗﻌﺮﻳﻒ ﻧﺸﺪه اﺳﺖ.
:Classification error estimate -6اراﺋﻪ ﺗﺨﻤﻴﻦ از ﺻﺤﺖ دﺳﺘﻪ ﺑﻨﺪي ﺧﻄﺎ
:Adaptability -7ﺳﻴﺴﺘﻢ ﻧﺒﺎﻳﺪ ﺗﻐﻴﻴﺮات ﻣﺠﺎز را ﺑﻪ ﻋﻨﻮان ﺧﻄﺎ اﻋﻼم ﻛﻨﺪ
:Explanation facility -8اﻣﻜﺎن ﺗﻮﺿﻴﺢ ﭼﺮاﻳﻲ ﺑﻮﺟﻮد آﻣﺪن ﺧﻄﺎ
:Modelling requirements -9ﺑﺮاي داﺷﺘﻦ ﻳﻚ ﺳﻴﺴﺘﻢ ﺑﻼدرﻧﮓ ﺳﺮﻳﻊ ﺳﺎﺧﺘﺎر ﻣﺪﻟﻲ ﻛﻪ اﺳﺘﻔﺎده ﻣﻲ ﻛﻨﺪ ﺑﺎﻳﺪ
ﻣﻨﺎﺳﺐ ﺑﺎﺷﺪ
:Storage and computational requirements -10ﻣﻘﺪار ﺣﺎﻓﻈﻪ و ﺳﺮﻋﺖ cpuﻣﻮرد ﻧﻴﺎز
:Multiple fault identifiability -11ﻗﺎﺑﻠﻴﺖ ﺗﺸﺨﻴﺺ ﺧﻄﺎﻫﺎي ﭼﻨﺪ ﮔﺎﻧﻪ
ﻋﻤﻠﻴﺎت FDI
ﻫﺮ ﻓﺮاﻳﻨﺪ FDIداري ﮔﺎﻣﻬﺎي زﻳﺮ اﺳﺖ ﻛﻪ در ﺷﻜﻞ ﻧﺸﺎن داده ﺷﺪه اﺳﺖ (1اﻧﺪازه ﮔﻴﺮي (2 ،اﺳﺘﺨﺮاج وﻳﮋﮔﻴﻬـﺎي
ﺑﺮﺟﺴﺘﻪ ﺳﻴﮕﻨﺎل ﻣﺘﻨﺎﺳﺐ ﺑﺎ ﺧﻄﺎ (3ﺗﻄﺒﻴﻖ ﺑﻴﻦ وﻳﮋﮔﻲ ﺳﻴﮕﻨﺎل و وﻳﮋﮔﻲ ﺧﻄﺎ (4ﺗﻌﻴﻴﻦ ﺧﻄﺎ
2-15
ﻋﻴﺐ ﻳﺎﺑﻲ
ﺑﺮ اﺳﺎس اﺳﺘﺮاﺗﮋي ﻣﺘﺨﺬه در ﻫﺮﻳﻚ از 4ﮔﺎم FDIﻣﺠﻤﻮﻋﻪ اي از ﺗﻜﻨﻴﻜﻬﺎ اﻳﺠﺎد ﻣﻲ ﺷﻮد ﻛﻪ در ﺷﻜﻞ ﻧﺸـﺎن داده
ﺷﺪه اﺳﺖ.
اﻧﻮاع روﺷﻬﺎ
3دﺳﺘﻪ روش ﺑﺮاي FDIوﺟﻮد دارد
:Quantitative model-based methods در اﻳﻦ روﺷﻬﺎ ﺧﻄﺎ از اﺧﺘﻼف ﻋﻤﻠﻜﺮد ﺳﻴﺴﺘﻢ و ﻣﺪل ﻛﺸﻒ ﻣﻲ
ﺷﻮد .روﺷﻬﺎي ﻣﺒﺘﻨﻲ ﺑﺮ روﻳﺘﮕﺮ ،parity ،ﻓﻴﻠﺘﺮ ﻛﺎﻟﻤﻦ و ﺗﺨﻤﻴﻦ در اﻳﻦ دﺳﺘﻪ ﺟﺎي دارﻧﺪ.
:Qualitative model-based methods اﻟﮕﻮرﻳﺘﻤﻬﺎي ﻣﺎﻧﻨﺪ
Signed directed graph (SDG) , Fault Trees ، Qualitative Simulation (QSIM) , Qualitative
)Process Theory (QPT
Process history based methods. اﻟﮕﻮرﻳﺘﻤﻬﺎي ﻛﻴﻔﻲ ﻣﺎﻧﻨﺪ
qualitative trend analysis (QTA) ،expert systemsو و اﻟﮕﻮرﻳﺘﻤﻬـﺎي ﻛﻤـﻲ ﻣﺎﻧﻨـﺪ ،neural networks
PCAو statistical classifiersﻗﺮار دارﻧﺪ.
ﻋﻠﻴﺮﻏﻢ اﻳﻦ ﺗﻜﻨﻴﻜﻬﺎي ﺧﻮدﻛﺎر FDI ،ﻫﻤﭽﻨﺎن ﻣﺘﻜﻲ ﺑﺮ اﭘﺮاﺗﻮر اﺳﺖ.
ﮔﺎمDecision making
اﻳﻦ ﮔﺎم ﻣﺸﺘﺮك ﻛﺎرﺑﺮدﻫﺎي زﻳﺎدي اﺳﺖ و اﻳﻨﺠﺎ ﺑﺤﺚ ﻧﻤﻲ ﺷﻮﻧﺪ
3-15
ﻋﻴﺐ ﻳﺎﺑﻲ
Quantitative model-based approaches 1-15
در ﻣﻮﺿﻮﻋﺎت ﻛﻨﺘﺮﻟﻲ ﻋﻴﺐ ﻳﺎﺑﻲ ﺑﺼﻮرت model-based FDI.اﺳﺖ .در اﻳﻦ ﻛﻼس ورﺷﻬﺎ ﺳـﻴﮕﻨﺎل ﺧﻄـﺎ ﺑـﻪ ﻧـﺎم
ﺑﺎﻗﻴﻤﺎﻧﺪه ) Residue (rﺗﻮﻟﻴﺪ ﻣﻲ ﮔﺮدد ﻛﻪ ﻣﻌﺮف ﺧﻄﺎﺳﺖ .اﻳﻦ ﻛﺎر ﺑﺎ ﻟﺤﺎظ ﻛﺮدن اﻓﺰوﻧﮕﻲ ﺻﻮرت ﻣﻲ ﮔﻴﺮد.
اﻓﺰوﻧﮕﻲ Redundancy
ﺑﺮاي ﻋﻴﺐ ﻳﺎﺑﻲ ﺑﻪ اﻓﺰوﻧﮕﻲ ﻧﻴﺎز اﺳﺖ .اﻓﺰوﻧﮕﻲ ﻣﻤﻜﻦ اﺳﺖ ﺳﺨﺖ اﻓﺰاري ﻳﺎ ﺗﺤﻠﻴﻠﻲ analyticﺑﺎﺷـﺪ .ﻫـﺪف اﺻـﻠﻲ
اﻓﺰوﻧﮕﻲ آن اﺳﺖ ﻛﻪ ﻳﻚ ﻣﺪل از ﺳﻴﺴﺘﻢ ﺳﺎﻟﻢ ﺗﻮﻟﻴﺪ ﻛﻨﺪ ﻛﻪ ﺑﺘﻮان رﻓﺘﺎر ﺳﻴﺴﺘﻢ واﻗﻌﻲ را ﺑﺎ آن ﻣﻘﺎﻳﺴﻪ ﻛﺮد و ﺧﻄﺎ
را ﺗﺸﺨﻴﺺ داد.
اﻓﺰوﻧﮕﻲ ﺳﺨﺖ اﻓﺰاري ﺑﺎ ﻧﺼﺐ ﻣﺜﻼ ﺳﻨﺴﻮر اﺿﺎﻓﻲ ﻣﺤﻘﻖ ﻣـﻲ ﺷـﻮد ﻛـﻪ در ﻫﻮاﭘﻴﻤﺎﻫـﺎ و راﻛﺘﻮرﻫـﺎي ﻫﺴـﺘﻪاي
اﺳﺘﻔﺎده ﻣﻲ ﺷﻮد .اﻳﻦ روش ﻫﻤﺮاه ﺑﺎ ﻫﺰﻳﻨﻪ و ﺗﺨﺼﻴﺺ ﻓﻀﺎي اﺿﺎﻓﻲ اﺳﺖ
اﻓﺰوﻧﮕﻲ ﺗﺤﻠﻴﻠﻲ )ﻳﺎ (functional, artificialﺗﻮﺳﻂ رواﺑﻂ ﺟﺒﺮي ﻳﺎ زﻣﺎﻧﻲ ﺑﻴﻦ ﻣﺘﻐﻴﺮﻫﺎ ،ورودﻳﻬـﺎ و ﺧﺮوﺟﻴﻬـﺎي
ﺳﻴﺴﺘﻢ ﻧﻮﺷﺘﻪ ﻣﻲ ﺷﻮد .اﻳﻦ اﻓﺰوﻧﮕﻲ ﺑﻪ دو ﻧﻮع ﻣﺴﺘﻘﻴﻢ و زﻣﺎﻧﻲ ﺗﻘﺴﻴﻢ ﻣﻲ ﺷﻮد.
در اﻓﺰوﻧﮕﻲ ﻣﺴﺘﻘﻴﻢ ﻣﻘﺪار xﺗﻮﺳﻂ ﻳﻚ ﺳﻨﺴﻮر اﻧﺪازه ﮔﻴﺮي ﻣﻲ ﺷﻮد ﺑﻌﻼوه ﻣﻘﺪار xاز ﺳﻨﺴﻮر ﻣﻘﺎدﻳﺮ دﻳﮕـﺮ ﺑـﺎ
رواﺑﻂ ﺟﺒﺮي ﻣﺤﺎﺳﺒﻪ ﻣﻲ ﺷﻮد ،اﺧﺘﻼف ﺑﻴﻦ آﻧﺪو ﺑﻪ ﻣﻌﻨﻲ ﺧﻄﺎدر ﺳﻨﺴﻮر اﺻﻠﻲ اﺳﺖ.
اﻣﺎ اﻓﺰوﻧﮕﻲ زﻣﺎﻧﻲ ﺑﺎ ﻣﻌﺎدﻻت دﻳﻔﺮﻧﺲ ﻛﻪ ارﺗﺒﺎط ﺑﻴﻦ ﺧﺮوﺟﻲ ﺳﻨﺴﻮرﻫﺎ و ووردي ﻣﺤﺮﻛﻬﺎ راﺑﻴﺎن ﻣﻲ ﻛﻨﺪ ﺑﺪﺳﺖ
ﻣﻲ آﻳﺪ.
ﺷﻜﻞ ﺳﺎﺧﺘﺎر ﻋﻤﻮﻣﻲ اﻓﺰوﻧﮕﻲ در ﺳﻴﺴﺘﻢ ﻋﻴﺐ ﻳﺎﺑﻲ را ﻧﺸﺎن ﻣﻲ دﻫﺪ.
اﻓﺰوﻧﮕﻲ ﺗﺤﻠﻴﻠﻲ
در اﻓﺰوﻧﮕﻲ ﺗﺤﻠﻴﻠﻲ از ﻣﺪﻟﻬﺎي رﻳﺎﺿﻲ اﺳﺘﻔﺎده ﻣﻲ ﺷﻮد ﺗﺎ ﺳﻴﮕﻨﺎل ﻣﺮﺟﻊ ﺑﺮاي ﺗﺸﺨﻴﺺ ﺧﻄﺎ در ﻣﻮاﺟﻬﻪ ﺑﺎ ﺳﻴﮕﻨﺎل
ﺳﻴﺴﺘﻢ واﻗﻌﻲ ﺑﺎﺷﻨﺪ .اﺧﺘﻼف ﺑﻴﻦ ﻣﺘﻐﻴﺮﻫﺎي ﺳﻴﺴﺘﻢ واﻗﻌﻲ و ﻣﺪل ﺑﻪ ﻣﻌﻨﻲ ﺧﻄﺎ اﺳﺖ .اﻳﻦ ﺑﺎﻗﻴﻤﺎﻧﺪه ﺑﺎﻳﺪ ﻧﺰدﻳـﻚ
ﺻﻔﺮ ﺑﺎﺷﺪ ﺗﺎ ﺳﻴﺴﺘﻢ ﺳﺎﻟﻢ ﺗﻠﻘﻲ ﺷﻮد .ﻫﺮ ﺗﻐﻴﻴﺮ ﻏﻴﺮ ﻣﺘﻌـﺎرف در ﺳﻴﺴـﺘﻢ ﺧـﻮد را در Residueﻧﺸـﺎن ﻣـﻲ دﻫـﺪ.
ﻣﺤﺎﺳﺒﻪ Residueﻣﺴﺘﻠﺰم داﺷﺘﻦ ﻣﺪل رﻳﺎﺿﻲ ﺗﺤﻠﻴﻠﻲ ﻳﺎ ﻣﺪل ﺟﻌﺒﻪ ﺳﻴﺎه ﺷﻨﺎﺳﺎﻳﻲ اﺳﺖ .ﺷـﻜﻞ اﻳـﻦ ﺳﻴﺴـﺘﻢ را
ﻧﺸﺎن ﻣﻲ دﻫﺪ
4-15
ﻋﻴﺐ ﻳﺎﺑﻲ
ﻣﺪل ﺳﻴﺴﺘﻢ
اﮔﺮ ﭼﻪ ﺳﻴﺴﺘﻤﻬﺎ ﭘﻴﻮﺳﺘﻪ ﻫﺴﺘﻨﺪ وﻟﻲ اﻟﮕﻮرﻳﺘﻤﻬﺎي FDIﮔﺴﺴﺘﻪ ﻧﻮﺷﺘﻪ ﻣﻲ ﺷﻮﻧﺪ .در اﻏﻠﺐ روﺷﻬﺎي ﻣﺪل ﺳﻴﺴﺘﻢ
ﺧﻄﻲ ﻓﺮض ﻣﻲ ﺷﻮد و اﮔﺮ ﺳﻴﺴﺘﻢ ﻏﻴﺮ ﺧﻄﻲ ﺑﺎﺷﺪ ﺑﺎﻳﺪ ﺣﻮل ﻧﻘﻄﻪ ﻛﺎر ﺧﻄﻲ ﮔﺮدد.
ﻣﺪل ﺳﻴﺴﺘﻢ ﺳﺎﻟﻢ را ﺑﺼﻮرت ﻓﻀﺎي ﺣﺎﻟﺖ
وﻗﺘﻲ ﺳﻴﺴﺘﻢ ﺗﺤﺖ ﺗﺎﺛﻴﺮ ﺧﻄﺎ ﻗﺮار ﮔﻴﺮد ﻣﺪل ﺑﺼﻮرت زﻳﺮ ﺗﻌﻴﻴﺮ ﻣﻲ ﻛﻨﺪ
ﮔﻪ در آن pدر ﺑﺮ ﮔﻴﺮﻧﺪه ﺧﻄﺎي ﻣﺤﺮك ،ﺳﻨﺴﻮر ،اﺧﺘﻼل و ﺧﻄﺎي ﺳﻴﺴﺘﻢ اﺳـﺖ q .ﻧﻤﺎﻳﻨـﺪه ﺧﻄـﺎي اﻧـﺪازه ﮔﻴـﺮ
اﺳﺖ .ﻣﺪل ورودي-ﺧﺮوﺟﻲ ﻧﻈﻴﺮ آﻧﺮا اﻳﻨﮕﻮﻧﻪ ﻣﻲ ﺗﻮان ﻧﻮﺷﺖ
و ﺟﻤﻊ ﺷﻮﻧﺪه
ﻛﻪ ωاﺧﺘﻼﻻت ﻣﺪل ﻧﺸﺪه ،ﻧﻮﻳﺰ و ﺧﻄﺎﻫﺎي ﻧﺎﺷﻨﺎﺧﺘﻪ اﺳﺖ .ﺑﺎ ﻣﻘﺎﻳﺴﻪ دو ﻣﺪل دﻳﺪه ﻣـﻲ ﺷـﻮد ﻛـﻪ ﺧﻄـﺎي ﺟﻤـﻊ
ﺷﻮﻧﺪه ﺑﺼﻮرت ﺳﻴﮕﻨﺎل ﻣﺠﻬﻮل و ﺧﻄﺎي ﺿﺮب ﺷﻮﻧﺪه ﺑﺼﻮرت ﺳﻴﮕﻨﺎل ﻣﻌﻠﻮم ﺿﺮﺑﺪر ﻣﺎﺗﺮﻳﺲ ﻣﺠﻬﻮل ﻧﻮﺷﺘﻪ ﺷـﺪه
اﻧﺪ .در ادﺑﻴﺎت ﻛﻨﺘﺮﻟﻲ ﺑﻪ ﺗﻤﺎم اﻳﻨﻬﺎ ﻋﺪم ﻗﻄﻌﻴﺖ ﮔﻔﺘﻪ ﻣﻲ ﺷﻮد.
5-15
ﻋﻴﺐ ﻳﺎﺑﻲ
6-15
ﻋﻴﺐ ﻳﺎﺑﻲ
ﺑﺮاي ﺳﻴﺴﺘﻢ زﻳﺮ
Lﺑﻪ ﻧﺤﻮي اﻧﺘﺨﺎب ﻣﻲ ﮔﺮدد ﻛﻪ A-LCﭘﺎﻳﺪار ﺑﺎﺷﺪ .ﺑﺮاي اﻳﻨﻜﻪ راﺑﻄﻪ ﻧﺴﺒﺖ ﺑﻪ ﺧﻄﺎ ﺗﻔﻜﻴﻚ ﭘـﺬﻳﺮ ﺑﺎﺷـﺪ ﺗﺴـﺎوي
زﻳﺮ ﻣﺤﺎﺳﺒﻪ ﺗﺎ Wﺑﺪﺳﺖ آﻳﺪ.
ﺗﻮﺳﻌﻪ ﻣﻲ ﻳﺎﺑﺪ .ﺣﺎل اﻟﮕﻮرﻳﺘﻤﻲ ﻧﻴﺎز اﺳﺖ ﻛﻪ ﺑﺮ اﺳﺎس uو yاﻧﺪازه ﮔﻴﺮي ﺷﺪه ﺑﺘﻮاﻧﺪ ﻣﺘﻐﻴﺮﻫﺎي ﺣﺎﻟـﺖ را ﺗﺨﻤـﻴﻦ
ﺑﺰﻧﺪ .اﻳﻦ ﻛﺎر ﺑﺎ ﻓﺮﻣﻮل ﺑﻨﺪي زﻳﺮ اﻧﺠﺎم ﻣﻲ ﺷﻮد ﻛﻪ eﺧﻄﺎي ﺗﺨﻤﻴﻦ و rﺑﺎﻗﻴﻤﺎﻧﺪه اﺳﺖ
ﺑﺮاي اﻳﻨﻜﻪ راﺑﻄﻪ ﻣﺴﺘﻘﻞ از dﺷﻮد .ﺑﺮاي اﻳﻦ ﻣﻨﻈﻮر Tو Jروﻳﺘﮕﺮ ﺑﻪ ﻧﺤﻮي اﻧﺘﺨﺎب ﻣﻲ ﮔﺮدﻧﺪ ﻛﻪ TE=0و J=TB
ﺷﻮد .در ﻧﺘﻴﺠﻪ
7-15
ﻋﻴﺐ ﻳﺎﺑﻲ
ﻛﻪ ﺣﺎﻻ ﻓﻘﻂ ﺑﻪ ﺧﻄﺎي ﻣﻮرد ﻧﻈﺮ Fpواﺑﺴﺘﻪ اﺳﺖ و ﺑﻪ ﻫﻤﻴﻦ ﺗﺮﺗﻴﺐ ﺑﺎﻗﻴﻤﺎﻧﺪه .rدر ﺣﺎﻟﺖ ﻧﺮﻣﺎل ﻛـﻪ Fp=0اﺳـﺖ
ﻣﻘﺪار eو ﺑﻪ ﺗﺒﻊ آن rﺑﻪ ﺳﻤﺖ ﺻﻔﺮ ﻣﻲ رود.
اﻣﺎ در ﺣﺎﻟﺖ وﺟﻮد ﺧﻄﺎ eﺳﻴﮕﻨﺎل Fpرا دﻧﺒﺎل ﻣﻲ ﻛﻨﺪ و اﻳﻦ ﻣﺴﺘﻘﻞ از ورودي ﻣﺠﻬـﻮل dاﺳـﺖ .از اﻳﻨـﺮو ﺑـﻪ آن
روﻳﺘﮕﺮ ﺑﺎ ورودي ﻣﺠﻬﻮل ﻣﻲ ﮔﻮﻳﻨﺪ
ﻣﺜﺎل .1در ﺳﻴﺴﺘﻢ زﻳﺮ ﺧﻄﺎي ﺳﻨﺴﻮر وﺟﻮد دارد .راﺑﻄﻪ ﺑﺎﻗﻴﻤﺎﻧﺪه ﭼﮕﻮﻧﻪ اﺳﺖ
ﺑﺎ ﺧﻄﺎي ﺳﻨﺴﻮر ﺧﺮوﺟﻲ ﺑﺮاﺑﺮ اﺳﺖ ﺑﺎ
در اﻳﻦ روش ﻓﻘﻂ ﺗﺨﻤﻴﻦ ﺧﺮوﺟﻲ ﻧﻴﺎز اﺳﺖ ﻛﻪ ﺑﺎ ﻓﻴﻠﺘﺮ اﻧﺠﺎم ﻣﻲ ﺷﻮد.
ﻣﻘﺎوم ﺑﻮدن ﻛﻤﺎﻛﺎن ﻳﻚ ﻣﺴﺌﻠﻪ ﻣﻬﻢ اﺳﺖ
ﺳﻴﺴﺘﻢ ﻏﻴﺮ ﺧﻄﻲ
در راﺑﻄﻪ ﺑﺎ ﺳﻴﺴﺘﻤﻬﺎي ﻏﻴﺮ ﺧﻄﻲ fault affineروش زﻳﺮ را در ﭘﻴﺶ ﻣﻲ ﺗﻮان ﮔﺮﻓـﺖ ﻛـﻪ ﺳﻴﺴـﺘﻢ ﺑﺼـﻮرت زﻳـﺮ
ﻧﻮﺷﺘﻪ ﺷﻮد
8-15
ﻋﻴﺐ ﻳﺎﺑﻲ
ﻃﺮﺣﻬﺎي دﻳﮕﺮي ﺑﺮاي ﻃﺮاﺣﻲ ﻋﻴﺐ ﻳﺎب روﻳﺘﮕﺮي ﺑﺮاي ﻛﻼﺳﻬﺎﻳﻲ از ﺳﻴﺴﺘﻤﻬﺎي ﻏﻴـﺮ ﺧﻄـﻲ ﺻـﻮرت ﮔﺮﻓﺘـﻪ
اﺳﺖ.
ﺧﻼﺻﻪ
ﻫﺪف اﻳﻦ اﺳﺖ ﻛﻪ ﺑﺎﻗﻴﻤﺎﻧﺪه ﺗﻔﻜﻴﻚ ﻗﺎﺑﻞ ﻗﺒﻮﻟﻲ ﺑﻴﻦ ﺧﻄﺎي ﻣﻮرد ﻧﻈﺮ و دﻳﮕﺮ ﻋﻮاﻣﻞ داﺷﺘﻪ ﺑﺎﺷﺪ
در ﺑﺨﺶ ﺗﺼﻤﻴﻢ ﮔﻴﺮي ﻣﻌﻤﻮﻻ از ﻳﻚ ﺗﺮﺷﻠﺪ ﺳﺎده ﺑﺮاي rﺑﺮاي اﻋﻼم ﻳﺎ ﻋﺪم اﻋﻼم ﺧﻄﺎ اﺳﺘﻔﺎده ﻣﻲ ﺷﻮد .ﻃﺒﻘﻪ
ﻳﻨﺪﻫﺎي آﻣﺎري و ﺷﺒﻜﻪ ﻋﺼﺒﻲ ﻧﻴﺰ ﻣﻮرد اﺳﺘﻔﺎده ﻗﺮار ﮔﺮﻓﺘﻪ اﺳﺖ.
ﺗﻜﻨﻴﻚ در ارزﻳﺎﺑﻲ rدر راﺑﻄﻪ ﺑﺎ ﺳﺮﻋﺖ و ﻗﺎﺑﻠﻴﺖ اﻃﻤﻴﻨﺎن اﺳﺖ
9-15
ﻋﻴﺐ ﻳﺎﺑﻲ
دﻳﺪه ﻣﻲ ﺷﻮد ﻛﻪ ﺳﺘﻮن ithﻣﺎﺗﺮﻳﺲ Vﻣﻨﻌﻜﺲ ﻛﻨﻨﺪه وﺿﻌﻴﺖ ﺳﻨﺴﻮر ithدر ﺑﺮدار pاﺳﺖ.
ﺧﻄﺎي ﻓﺮاﻳﻨﺪ و اﻧﺪازه ﮔﻴﺮ
در ﺳﻴﺴﺘﻢ
ﺑﺎ ﻟﺤﺎظ ﻛﺮدن اﻓﺰوﻧﮕﻲ زﻣﺎﻧﻲ y(t-k), k=0,…nرواﺑﻂ زﻳﺮ ﺑﺪﺳﺖ ﻣﻲ آﻳﺪ
ﺑﺎﻗﻴﻤﺎﻧﺪه ﺑﺎﻳﺪ ﺑﻪ ﻧﺤﻮي ﻃﺮاﺣﻲ ﮔﺮدد ﻛﻪ fault selectiveﺑﺎﺷﺪ در اﻳﻦ راﺑﻄﻪ دو اﺳﺘﺮاﺗﮋي ﻣﻮرد ﺗﻮﺟﻪ ﻗﺮار ﮔﺮﻓﺘـﻪ
اﺳﺖ
10-15
ﻋﻴﺐ ﻳﺎﺑﻲ
ﺳﻔﻴﺪ اﺳﺖ .در ﺻﻮرت وﺟﻮد ﺧﻄﺎ ﻛﻪ اﺛﺮ آن روي ﺧﺮوﺟﻲ yiﻧﺸﺎن دﻫﺪ eiدﺳﺘﺨﻮش ﺗﻐﻴﻴﺮ ﻣﻲ ﺷﻮد
اﻳﻦ روش داراي ﭘﻴﭽﻴﺪﮔﻴﻬﺎي ﻣﺤﺎﺳﺒﺎﺗﻲ اﺳﺖ و ﺧﺼﻮﺻﺎ ﺑﺮاي ﺧﻄﺎﻫﺎي ﺿﺮب ﺷﻮﻧﺪه ﻣﻨﺎﺳﺐ اﺳﺖ .اﮔﺮ ﻣﺪل ﭘـﻴﺶ
ﺑﻴﻨﻲ واﻗﻌﻲ ﺑﺎﺷﺪ eﺳﻔﻴﺪ اﺳﺖ .ﺗﻐﻴﻴﺮ ﻣﺎﻫﻴﺖ eﻧﻴﺰ ﻧﺸﺎن دﻫﻨﺪه ﺧﻄﺎﺳﺖ
Further discussion on quantitative model-based
11-15
ﻋﻴﺐ ﻳﺎﺑﻲ
ﭘﻴﭽﻴﺪﮔﻲ ،وﺟﻮد ﻋﻮاﻣﻞ ﻏﻴﺮﺧﻄﻲ در ﺳﻴﺴﺘﻤﻬﺎ ﻛﻪ ﻣﺪﻟﺴﺎزي دﻗﻴﻖ را ﻣﺸﻜﻞ ﻣﻲ ﻛﻨﺪ اﺳـﺘﻔﺎده ﻋﻤﻠـﻲ روش را
ﻣﺤﺪود ﻛﺮده اﺳﺖ
ﺗﻀﻤﻴﻨﻲ وﺟﻮد ﻧﺪارد ﻛﻪ ﺧﻄﺎﻫﺎي ﺗﻌﺮﻳﻒ ﻧﺸﺪه ﻗﺎﺑﻞ ﺗﺸﺨﻴﺺ ﺑﺎﺷﻨﺪ.
12-15