‫امیر محمود مهدوی ابهری‬ ‫شناسایی سیستمها – دکتر موسی آیتی‬

‫‪810601014‬‬ ‫شبیهسازی شماره ‪4‬‬

‫پرسش ‪:1‬‬
‫سیستم به صورت زیر را در نظر می گیریم ‪:‬‬

‫)𝑡(𝑒 ‪𝑦(𝑡) − 𝑎1 𝑦(𝑡 − 1) − 𝑎2 𝑦(𝑡 − 2) − 𝑎3 𝑦(𝑡 − 3) = 𝑏1 𝑢(𝑡 − 1) + 𝑏2 𝑢(𝑡 − 2) +‬‬

‫با جایگذاری اعداد خواهیم داشت‪:‬‬

‫)𝑡(𝑒 ‪𝑦(𝑡) − 1.23𝑦(𝑡 − 1) + 0.46𝑦(𝑡 − 2) − 0.13𝑦(𝑡 − 3) = 1.35𝑢(𝑡 − 1) + 0.33𝑢(𝑡 − 2) +‬‬

‫که )‪ e(t‬نویز سفید با واریانس ‪ 0.07‬و میانگین صفر است‪.‬‬

‫شرایط اولیه را نیز به صورت زیر انتخاب می کنیم‪:‬‬

‫‪θ = 0 𝑎𝑛𝑑 𝑃 = 𝛼𝐼 , 𝛼 = 1‬‬

‫بخش ‪:1‬‬

‫نتایج شبیه سازی به صورت زیر است‪:‬‬

‫‪1‬‬
‫امیر محمود مهدوی ابهری‬ ‫شناسایی سیستمها – دکتر موسی آیتی‬
‫‪810601014‬‬ ‫شبیهسازی شماره ‪4‬‬

‫‪2‬‬
‫امیر محمود مهدوی ابهری‬ ‫شناسایی سیستمها – دکتر موسی آیتی‬
‫‪810601014‬‬ ‫شبیهسازی شماره ‪4‬‬

‫‪3‬‬
‫امیر محمود مهدوی ابهری‬ ‫شناسایی سیستمها – دکتر موسی آیتی‬
‫‪810601014‬‬ ‫شبیهسازی شماره ‪4‬‬

‫برای مقایسه از معیار زیر استفاده شده است ‪:‬‬

‫) ̂𝜃 ‪𝑒𝑟𝑟 = 𝑎𝑏𝑠(𝜃 −‬‬

‫برای میزان خطا به جدول زیر می رسیم‪:‬‬

‫برای میزان زمان الگوریتم نیز به جدول زیر می رسیم‪:‬‬

‫‪4‬‬
 ‫امیر محمود مهدوی ابهری‬ ‫شناسایی سیستمها – دکتر موسی آیتی‬
‫‪810601014‬‬ ‫شبیهسازی شماره ‪4‬‬

‫همان طور که از جدول زمانی مشخص است الگوریتم ‪ PA‬سریع ترین الگوریتم و بعد از آن الگوریتم ‪ LMS‬سریع تر می‬
‫باشد و سایر الگوریتم ها از نظر زمانی تفاوت چندانی ندارند‪.‬‬

‫ماتریس های کواریانس خطای هر روش نیز به صورت زیر بدست می آیند‪:‬‬

‫‪5‬‬
‫امیر محمود مهدوی ابهری‬ ‫شناسایی سیستمها – دکتر موسی آیتی‬
‫‪810601014‬‬ ‫شبیهسازی شماره ‪4‬‬

‫بخش ‪:2‬‬

‫برای بررسی اثر نویز رنگی ترم )‪ 𝑐𝑒(𝑡 − 1‬را اضافه کرده و شبیه سازی هارا تکرار می کنیم‪:‬‬

‫‪6‬‬
‫امیر محمود مهدوی ابهری‬ ‫شناسایی سیستمها – دکتر موسی آیتی‬
‫‪810601014‬‬ ‫شبیهسازی شماره ‪4‬‬

‫‪7‬‬
‫امیر محمود مهدوی ابهری‬ ‫شناسایی سیستمها – دکتر موسی آیتی‬
‫‪810601014‬‬ ‫شبیهسازی شماره ‪4‬‬

‫‪8‬‬
 ‫امیر محمود مهدوی ابهری‬ ‫شناسایی سیستمها – دکتر موسی آیتی‬
‫‪810601014‬‬ ‫شبیهسازی شماره ‪4‬‬

‫و جدول خطا به صورت زیر در می آیند ‪:‬‬

‫همان طور که از نمودار ها و جدول باال معلوم است روش های ‪ RPLR‬و ‪ RIV‬پارامتر ها را به خوبی تخمین می زنند و با‬
‫توجه به اینکه این روش ها برای نویز رنگی استخراج شده اند انتظار آن را داشتیم‪.‬‬

‫بخش ‪3‬‬

‫برای این قسمت ورودی هایی از ‪ PE‬نامناسب می دهیم‪:‬‬

‫‪9‬‬
‫امیر محمود مهدوی ابهری‬ ‫شناسایی سیستمها – دکتر موسی آیتی‬
‫‪810601014‬‬ ‫شبیهسازی شماره ‪4‬‬

‫ورودی پله ‪:‬‬

‫‪10‬‬
‫امیر محمود مهدوی ابهری‬ ‫شناسایی سیستمها – دکتر موسی آیتی‬
‫‪810601014‬‬ ‫شبیهسازی شماره ‪4‬‬

‫‪11‬‬
‫امیر محمود مهدوی ابهری‬ ‫شناسایی سیستمها – دکتر موسی آیتی‬
‫‪810601014‬‬ ‫شبیهسازی شماره ‪4‬‬

‫روش های ‪ RLS‬و ‪ KF‬و ‪ RPLR‬تخمین های خوبی انجام می دهند و در وهله بعد ‪ RIV‬مناسب است‪.‬‬

‫‪12‬‬
‫امیر محمود مهدوی ابهری‬ ‫شناسایی سیستمها – دکتر موسی آیتی‬
‫‪810601014‬‬ ‫شبیهسازی شماره ‪4‬‬

‫ورودی ضربه ‪:‬‬

‫‪13‬‬
‫امیر محمود مهدوی ابهری‬ ‫شناسایی سیستمها – دکتر موسی آیتی‬
‫‪810601014‬‬ ‫شبیهسازی شماره ‪4‬‬

‫‪14‬‬
‫امیر محمود مهدوی ابهری‬ ‫شناسایی سیستمها – دکتر موسی آیتی‬
‫‪810601014‬‬ ‫شبیهسازی شماره ‪4‬‬

‫برای ورودی ضربه نیز روش های ‪ RLS‬و ‪ KF‬و ‪ RPLR‬تخمین های درستی انجام می دهند‪.‬‬

‫‪15‬‬
‫امیر محمود مهدوی ابهری‬ ‫شناسایی سیستمها – دکتر موسی آیتی‬
‫‪810601014‬‬ ‫شبیهسازی شماره ‪4‬‬

‫)𝑡‪𝑢(𝑡) = sin(𝑡) + sin (3‬‬ ‫ورودی مجموع دو سینوس ‪:‬‬

‫‪16‬‬
‫امیر محمود مهدوی ابهری‬ ‫شناسایی سیستمها – دکتر موسی آیتی‬
‫‪810601014‬‬ ‫شبیهسازی شماره ‪4‬‬

‫‪17‬‬
 ‫امیر محمود مهدوی ابهری‬ ‫شناسایی سیستمها – دکتر موسی آیتی‬
‫‪810601014‬‬ ‫شبیهسازی شماره ‪4‬‬

‫از آنجا که مجوع دو ورودی سینوسی ‪ PE‬از مرتبه ‪ 4‬هست باید تمامی پارامتر ها از تمام روش ها به خوبی تخمین بخورند‬
‫اما از آنجا که همگرایی روش ‪ PA‬و ‪ LMS‬کند می باشد در نمودار های باال به خوبی تخمین نزده اند ولی اگر به جای ‪500‬‬

‫‪18‬‬
 ‫امیر محمود مهدوی ابهری‬ ‫شناسایی سیستمها – دکتر موسی آیتی‬
‫‪810601014‬‬ ‫شبیهسازی شماره ‪4‬‬

‫داده از ‪ 2000‬داده استفاده کنیم بیشتر به جواب همگرا خواهند شد‪ .‬این دو روش سرعت همگرایی پایین ولی هزینه محاسبات‬
‫کمتری دارند‪.‬‬

‫بخش ‪4‬‬

‫بررسی تغییر شرایط اولیه ‪:𝛼 = 0.1‬‬

‫برای بررسی خواسته ی سوال نتایج را برای ‪ 𝛼 = 0.1‬نیز استخراج می کنیم‪:‬‬

‫‪19‬‬
‫امیر محمود مهدوی ابهری‬ ‫شناسایی سیستمها – دکتر موسی آیتی‬
‫‪810601014‬‬ ‫شبیهسازی شماره ‪4‬‬

‫‪20‬‬
‫امیر محمود مهدوی ابهری‬ ‫شناسایی سیستمها – دکتر موسی آیتی‬
‫‪810601014‬‬ ‫شبیهسازی شماره ‪4‬‬

‫ماتریس های کواریانس خطا به صورت زیر در می آیند‪:‬‬

‫‪21‬‬
‫امیر محمود مهدوی ابهری‬ ‫شناسایی سیستمها – دکتر موسی آیتی‬
‫‪810601014‬‬ ‫شبیهسازی شماره ‪4‬‬

‫همان طور که از نمودار ها مشهود است سرعت همگرایی کم شده است‪.‬‬

‫تغییر پارامتر های اولیه ‪𝜃0 = [2 2 2 2 2]𝑇 :‬‬

‫‪22‬‬
‫امیر محمود مهدوی ابهری‬ ‫شناسایی سیستمها – دکتر موسی آیتی‬
‫‪810601014‬‬ ‫شبیهسازی شماره ‪4‬‬

‫‪23‬‬
‫امیر محمود مهدوی ابهری‬ ‫شناسایی سیستمها – دکتر موسی آیتی‬
‫‪810601014‬‬ ‫شبیهسازی شماره ‪4‬‬

‫‪24‬‬
‫امیر محمود مهدوی ابهری‬ ‫شناسایی سیستمها – دکتر موسی آیتی‬
‫‪810601014‬‬ ‫شبیهسازی شماره ‪4‬‬

‫می بینیم که تغییر شرایط اولیه در نتیجه نهایی تاثیری ندارد‪.‬‬

‫بخش ‪5‬‬

‫تغییر کند پارامتر ها ‪:‬‬

‫با استفاده از ضریب فراموشی ‪ 0.97‬و 𝐼 = ‪ 𝑅1‬و تغییر پارامتر ها به صورت زیر نتایج را بدست می آوریم‪.‬‬

‫‪0.5 < 𝑎1 < 1.5 , 0.5 < 𝑎2 < 1.5 , 0.5 < 𝑏1 < 2‬‬
‫ماتریس ‪ 𝑅1‬در روش کالمن فیلتر و در معادله ی ماتریس کواریانس خطا ظاهر می شود که به شکل زیر است‪:‬‬

‫نتایج به صورت زیر در می آیند ‪:‬‬

‫‪25‬‬
‫امیر محمود مهدوی ابهری‬ ‫شناسایی سیستمها – دکتر موسی آیتی‬
‫‪810601014‬‬ ‫شبیهسازی شماره ‪4‬‬

‫‪26‬‬
‫امیر محمود مهدوی ابهری‬ ‫شناسایی سیستمها – دکتر موسی آیتی‬
‫‪810601014‬‬ ‫شبیهسازی شماره ‪4‬‬

‫‪27‬‬
 ‫امیر محمود مهدوی ابهری‬ ‫شناسایی سیستمها – دکتر موسی آیتی‬
‫‪810601014‬‬ ‫شبیهسازی شماره ‪4‬‬

‫همان طور که از شکل ها مشاهده می شود استفاده از ضریب فراموشی در الگوریتم ‪ RIV‬و ‪ RPLR‬باعث ناپایدار‬
‫شدن روش شده و نتیجه خوبی نمی دهند‪ .‬سایر الگوریتم ها ناپایدار می شوند‪.‬‬

‫‪28‬‬
‫امیر محمود مهدوی ابهری‬ ‫شناسایی سیستمها – دکتر موسی آیتی‬
‫‪810601014‬‬ ‫شبیهسازی شماره ‪4‬‬

‫تغییر تند پارامتر ها ‪:‬‬

‫‪29‬‬
‫امیر محمود مهدوی ابهری‬ ‫شناسایی سیستمها – دکتر موسی آیتی‬
‫‪810601014‬‬ ‫شبیهسازی شماره ‪4‬‬

‫‪30‬‬
‫امیر محمود مهدوی ابهری‬ ‫شناسایی سیستمها – دکتر موسی آیتی‬
‫‪810601014‬‬ ‫شبیهسازی شماره ‪4‬‬

‫جدول خطا به صورت زیر است ‪:‬‬

‫‪31‬‬
 ‫امیر محمود مهدوی ابهری‬ ‫شناسایی سیستمها – دکتر موسی آیتی‬
‫‪810601014‬‬ ‫شبیهسازی شماره ‪4‬‬

‫همان طور که دیده می شود روش ‪ LMS‬دارای خطای زیادیست که به دو دلیل است ‪ :‬اول اینکه سرعت همگرایی این‬
‫روش بسیار پایین است و دوم اینکه مسئله ی انتخاب ‪ γ‬در این روش است که بسیار مشکل می باشد و نیاز به سعی و خطای‬
‫بسیار دارد‪.‬‬

‫همچنین دقت شود که با وجود متغیر بودن پارامتر ها در صورتی که از ضریب فراموشی ‪ 1‬برای روش ‪ RPLR‬استفاده‬
‫شود‪ ،‬تخمین های به مراتب قابل قبول تری بدست می آیند‪ .‬برای نمونه شکل زیر با ضریب فراموشی یک رسم شده اند ‪ ،‬روش‬
‫‪ RIV‬همگرا نمی شود‪.‬‬

‫ریست کردن ماتریس کواریانس ‪:‬‬

‫در این روش ماتریس کواریانس خطا در صورتی که مقدار اختالف ‪ 𝑦(𝑡) − ∅𝑇 (𝑡) ∗ 𝜃(𝑡 − 1) > 2.5‬شود ریست می‬
‫شود و مقدار ‪ P‬برابر 𝐼‪ α‬می شود‪.‬برای آلفا برابر ‪ 1‬نتیجه ها به شکل زیر است ‪:‬‬

‫تغییرات تند ‪:‬‬

‫‪32‬‬
‫امیر محمود مهدوی ابهری‬ ‫شناسایی سیستمها – دکتر موسی آیتی‬
‫‪810601014‬‬ ‫شبیهسازی شماره ‪4‬‬

‫‪33‬‬
 ‫امیر محمود مهدوی ابهری‬ ‫شناسایی سیستمها – دکتر موسی آیتی‬
‫‪810601014‬‬ ‫شبیهسازی شماره ‪4‬‬

‫همان طور که مشاهده می شود روش ‪ RIV‬برای زمانی که پارامتر ها با زمان تغییر می کنند مناسب نیست‪ .‬ولی‬
‫سایر روش ها برای پارامتر های متغیر با زمان هم قابل استفاده می باشند‪.‬‬

‫تغییرات کند ‪:‬‬

‫‪34‬‬
‫امیر محمود مهدوی ابهری‬ ‫شناسایی سیستمها – دکتر موسی آیتی‬
‫‪810601014‬‬ ‫شبیهسازی شماره ‪4‬‬

‫‪35‬‬
‫امیر محمود مهدوی ابهری‬ ‫شناسایی سیستمها – دکتر موسی آیتی‬
‫‪810601014‬‬ ‫شبیهسازی شماره ‪4‬‬

‫بخش ‪6‬‬

‫برای بررسی تاثیر تغییر ضریب فراموشی روی نتایج فقط نتایج مربوط به روش ‪ RLS‬را آورده ایم‪:‬‬

‫‪36‬‬
‫امیر محمود مهدوی ابهری‬ ‫شناسایی سیستمها – دکتر موسی آیتی‬
‫‪810601014‬‬ ‫شبیهسازی شماره ‪4‬‬

‫ضریب فراموشی ‪: 0.95‬‬

‫ضریب فراموشی ‪: 0.97‬‬

‫‪37‬‬
‫امیر محمود مهدوی ابهری‬ ‫شناسایی سیستمها – دکتر موسی آیتی‬
‫‪810601014‬‬ ‫شبیهسازی شماره ‪4‬‬

‫ضریب فراموشی ‪: 0.99‬‬

‫همان طور که مشخص است با افزایش ضریب فراموشی نوسانات کمتر شده است‪.‬‬

‫بخش ‪7‬‬

‫برای بررسی تاثیر تغییر دوره تناوب ریست کردن ماتریس کواریانس خطا نیز نتایج فقط برای ‪ RLS‬رسم شده اند‪:‬‬

‫‪38‬‬
‫امیر محمود مهدوی ابهری‬ ‫شناسایی سیستمها – دکتر موسی آیتی‬
‫‪810601014‬‬ ‫شبیهسازی شماره ‪4‬‬

‫خطای بیشتر از ‪: 3.5‬‬

‫خطای بیشتر از ‪: 2.5‬‬

‫‪39‬‬
 ‫امیر محمود مهدوی ابهری‬ ‫شناسایی سیستمها – دکتر موسی آیتی‬
‫‪810601014‬‬ ‫شبیهسازی شماره ‪4‬‬

‫همان طور که مشاهده می شود با بزرگتر شده دوره تناوب ریست شدن ماتریس کواریانس خطا مقدار نوسانات کم تر می‬
‫شود‪.‬‬

‫‪40‬‬
‫امیر محمود مهدوی ابهری‬ ‫شناسایی سیستمها – دکتر موسی آیتی‬
‫‪810601014‬‬ ‫شبیهسازی شماره ‪4‬‬

‫پرسش ‪:2‬‬

‫سیستم به صورت زیر را در نظر می گیریم‪:‬‬

‫و مدل ‪ ARMAX‬را به شکل زیر در نظر می گیریم‪:‬‬

‫)𝑡(𝑒 ‪𝑦(𝑡) − 𝑎1 𝑦(𝑡 − 1) − 𝑎2 𝑦(𝑡 − 2) − 𝑎3 𝑦(𝑡 − 3) = 𝑏1 𝑢(𝑡 − 1) + 𝑏2 𝑢(𝑡 − 2) +‬‬

‫با استفاده از سیمولینک متلب خواهیم داشت ‪:‬‬

‫که نتایج به شکل زیر بدست می آیند‪:‬‬

‫‪41‬‬
‫امیر محمود مهدوی ابهری‬ ‫شناسایی سیستمها – دکتر موسی آیتی‬
‫‪810601014‬‬ ‫شبیهسازی شماره ‪4‬‬

‫‪42‬‬
‫امیر محمود مهدوی ابهری‬ ‫شناسایی سیستمها – دکتر موسی آیتی‬
‫‪810601014‬‬ ‫شبیهسازی شماره ‪4‬‬

‫‪43‬‬
‫امیر محمود مهدوی ابهری‬ ‫شناسایی سیستمها – دکتر موسی آیتی‬
‫‪810601014‬‬ ‫شبیهسازی شماره ‪4‬‬

‫مشاهده می شود که روش های مختلف به دلیل غیر خطی بودن سیستم به پارامتر های یکسان ختم نشده اند‪.‬‬

‫بخش ‪1‬‬

‫مدل ‪ Hamerstien‬را به صورت زیر در نظر گرفته ایم‪:‬‬

‫نتایج به صورت زیر بدست می آیند‪:‬‬

‫‪44‬‬
‫امیر محمود مهدوی ابهری‬ ‫شناسایی سیستمها – دکتر موسی آیتی‬
‫‪810601014‬‬ ‫شبیهسازی شماره ‪4‬‬

‫‪45‬‬
‫امیر محمود مهدوی ابهری‬ ‫شناسایی سیستمها – دکتر موسی آیتی‬
‫‪810601014‬‬ ‫شبیهسازی شماره ‪4‬‬

‫‪46‬‬
‫امیر محمود مهدوی ابهری‬ ‫شناسایی سیستمها – دکتر موسی آیتی‬
‫‪810601014‬‬ ‫شبیهسازی شماره ‪4‬‬

‫‪47‬‬
‫امیر محمود مهدوی ابهری‬ ‫شناسایی سیستمها – دکتر موسی آیتی‬
‫‪810601014‬‬ ‫شبیهسازی شماره ‪4‬‬

‫پرسش ‪:3‬‬
‫برای ناپایدار کردن قطب از پارامتر های زیر استفاده می کنیم‪:‬‬

‫‪𝑎1 = 1.261 , 𝑎2 = 0.3181 , 𝑎3 = 1.0148 , 𝑏1 = 2 , 𝑏2 = 1‬‬

‫که ریشه ها به صورت زیر بدست می آیند ‪:‬‬

‫‪−1.5000 + 0.000𝑖 , 0.1195 ± 0.8138‬‬

‫بخش ‪1‬‬

‫نمودار تخمین به روش ‪ RLS‬به صورت زیر خواهند بود ‪:‬‬

‫جدول خطا‪:‬‬

‫که تخمین به صورت رو به رو می باشد ‪:‬‬

‫‪48‬‬
 ‫امیر محمود مهدوی ابهری‬ ‫شناسایی سیستمها – دکتر موسی آیتی‬
‫‪810601014‬‬ ‫شبیهسازی شماره ‪4‬‬

‫بخش ‪2‬‬

‫همان طور که مشاهده شد روش ‪ RLS‬به خوبی قادر به تخمین پارامتر های سیستم ناپایدار بود‪ .‬اما اگر برای این کار نیاز‬
‫به تعداد زیادی داده بود باعث ناپایدار شدن خروجی سیستم می شود که به دلیل زیاد شدن خروجی ‪ ،‬سیستمی که محدودیت‬
‫های خاص خود را دارد دچار اخالل می شود‪ .‬برای مثال برای شبیه سازی انجام شده در باال ‪ y‬از مرتبه خیلی بزرگی است که‬
‫هیچ دستگاهی قادر به تحمل آن نیست‪ .‬پس باید از داده های کمتری استفاده شود که این از دقت تخمین می کاهد‪ .‬مثال اگر‬
‫از ‪ 20‬داده استفاده کنیم خواهیم داشت ‪:‬‬

‫که از دقت خوبی برخوردار نیست‪.‬‬

‫بخش ‪3‬‬

‫برای غیرحداقل کردن سیستم به شکلی که سوال خواسته است باید پارامتر ها را به شکل زیر در نظر بگیریم ‪:‬‬

‫‪49‬‬
 ‫امیر محمود مهدوی ابهری‬ ‫شناسایی سیستمها – دکتر موسی آیتی‬
‫‪810601014‬‬ ‫شبیهسازی شماره ‪4‬‬

‫‪𝑎1 = 0.5 , 𝑎2 = 0.5 , 𝑎3 = 0.5 , 𝑏1 = 0.5 , 𝑏2 = 1‬‬

‫نتیجه شبیه سازی ‪:‬‬

‫همان طور که مشاهده می شود مینیمم فاز نبودن سیستم‪ ،‬تاثیری روی تخمین پارامتر ها و عملکرد روش ندارد‪ .‬پس روش‬
‫‪ LS‬و ‪ RLS‬هر دو برای تخمین پارامتر های سیستم غیر مینیمم فاز کاربرد دارند اما تنها روش ‪ RLS‬هست که می تواند‬
‫سیستم ناپایدار را نیز تخمین بزند‪ ،‬علت این است که غیر مینیمم فاز بودن اثری روی بزرگ شدن یا کوچک شدن ماتریس ∅‬
‫و بردار ‪ y‬ندارد و لذا باید پارامتر ها درست تخمین خورده شوند‪.‬‬

‫‪50‬‬