#09. Systemy o złożonej strukturze

Podobne dokumenty
x x 1. Przedmiot identyfikacji System x (1) x (2) : x (s) a 1 a 2 : a s mierzone, a = zestaw współczynników konkretyzujacych F ()

6. Identyfikacja wielowymiarowych systemów statycznych metodanajmniejszychkwadratów

Sterowanie napędów maszyn i robotów

Estymacja wektora stanu w prostym układzie elektroenergetycznym

Modele zapisane w przestrzeni stanów

Analityczne metody detekcji uszkodzeń

Metoda najmniejszych kwadratów

Losowe zmienne objaśniające. Rozszerzenia KMRL. Rozszerzenia KMRL

Natalia Neherbecka. 11 czerwca 2010

Metoda największej wiarogodności

Wprowadzenie do teorii ekonometrii. Wykład 1 Warunkowa wartość oczekiwana i odwzorowanie liniowe

WYKŁAD 8 ANALIZA REGRESJI

Metoda Monte Carlo. Jerzy Mycielski. grudzien Jerzy Mycielski () Metoda Monte Carlo grudzien / 10

Rozdział 2: Metoda największej wiarygodności i nieliniowa metoda najmniejszych kwadratów

Modele wielorównaniowe (forma strukturalna)

Weryfikacja hipotez statystycznych

Komputerowa Analiza Danych Doświadczalnych

Metody probabilistyczne

Metoda największej wiarygodności

Uogólniona Metoda Momentów

Modele DSGE. Jerzy Mycielski. Maj Jerzy Mycielski () Modele DSGE Maj / 11

Zawansowane modele wyborów dyskretnych

Spis treści. Przedmowa... XI. Rozdział 1. Pomiar: jednostki miar Rozdział 2. Pomiar: liczby i obliczenia liczbowe... 16

Ważne rozkłady i twierdzenia c.d.

ESTYMACJA BŁĘDU PREDYKCJI I JEJ ZASTOSOWANIA

Problem równoczesności w MNK

Testowanie hipotez statystycznych.

ZAJĘCIA II. Zmienne losowe, sygnały stochastyczne, zakłócenia pomiarowe

Analiza korelacyjna i regresyjna

Statystyka opisowa. Wykład V. Regresja liniowa wieloraka

Ekonometria. Ćwiczenia nr 3. Jakub Mućk. Katedra Ekonomii Ilościowej

Prawdopodobieństwo i statystyka

Politechnika Gdańska Wydział Elektrotechniki i Automatyki Katedra Inżynierii Systemów Sterowania

Ekonometria. Własności składnika losowego. Jakub Mućk. Katedra Ekonomii Ilościowej

2 1 3 c c1. e 1, e 2,..., e n A= e 1 e 2...e n [ ] M. Przybycień Matematyczne Metody Fizyki I

Prawdopodobieństwo i statystyka

Postać Jordana macierzy

Podstawy Informatyki: Kody. Korekcja błędów.

Prawdopodobieństwo i statystyka

Numeryczne metody optymalizacji Optymalizacja w kierunku. informacje dodatkowe

Macierze. Rozdział Działania na macierzach

PDF created with FinePrint pdffactory Pro trial version

Prognozowanie i Symulacje. Wykład I. Matematyczne metody prognozowania

Baza w jądrze i baza obrazu ( )

Stanisław Cichocki. Natalia Nehrebecka. Wykład 13

Własności i charakterystyki czwórników

Komputerowa Analiza Danych Doświadczalnych

Matematyka z el. statystyki, # 6 /Geodezja i kartografia II/

STATYSTYKA MAŁYCH OBSZARÓW I. WPROWADZENIE

Układy równań liniowych

Stopę zbieżności ciagu zmiennych losowych a n, takiego, że E (a n ) < oznaczamy jako a n = o p (1) prawdopodobieństwa szybciej niż n α.

Statystyka i opracowanie danych Podstawy wnioskowania statystycznego. Prawo wielkich liczb. Centralne twierdzenie graniczne. Estymacja i estymatory

10. Metody obliczeniowe najmniejszych kwadratów

1.1 Klasyczny Model Regresji Liniowej

Pomiarowa baza badawcza na terenie PWSTE Measurement research base at the Higher School of Technology and Economics in Jarosław (PWSTE)

Filtr Kalmana. Struktury i Algorytmy Sterowania Wykład 1-2. prof. dr hab. inż. Mieczysław A. Brdyś mgr inż. Tomasz Zubowicz

Idea. θ = θ 0, Hipoteza statystyczna Obszary krytyczne Błąd pierwszego i drugiego rodzaju p-wartość

Zmienne zależne i niezależne

Metody Ekonometryczne

Prawdopodobieństwo i statystyka r.

STATYSTYKA MATEMATYCZNA WYKŁAD października 2009

Prawdopodobieństwo i statystyka

4. Właściwości eksploatacyjne układów regulacji Wprowadzenie. Hs () Ys () Ws () Es () Go () s. Vs ()

Wstęp do Metod Systemowych i Decyzyjnych Opracowanie: Jakub Tomczak

Mikroekonometria 4. Mikołaj Czajkowski Wiktor Budziński

Estymacja parametrów, przedziały ufności etc

Stanisław Cichocki. Natalia Nehrebecka

Janusz Adamowski METODY OBLICZENIOWE FIZYKI Kwantowa wariacyjna metoda Monte Carlo. Problem własny dla stanu podstawowego układu N cząstek

Stanisław Cichocki Natalia Nehrebecka. Wykład 7

Redukcja wariancji w metodach Monte-Carlo

Ekonometria egzamin 01/02/ W trakcie egzaminu wolno używać jedynie długopisu o innym kolorze atramentu niż czerwony oraz kalkulatora.

Ekonometria. Wprowadzenie do modelowania ekonometrycznego Estymator KMNK. Jakub Mućk. Katedra Ekonomii Ilościowej

Matematyka ubezpieczeń majątkowych r.

Met Me ody numer yczne Wykład ykład Dr inż. Mic hał ha Łanc Łan zon Instyt Ins ut Elektr Elektr echn iki echn i Elektrot Elektr echn olo echn

Spis treści Wstęp Estymacja Testowanie. Efekty losowe. Bogumiła Koprowska, Elżbieta Kukla

Testowanie hipotez statystycznych.

Prawa wielkich liczb, centralne twierdzenia graniczne

Heteroscedastyczność. Zjawisko heteroscedastyczności Uogólniona Metoda Najmniejszych Kwadratów Stosowalna Metoda Najmniejszych Kwadratów

Ekonometria. Modele wielorównaniowe. Jakub Mućk. Katedra Ekonomii Ilościowej

Badanie własności diód krzemowej, germanowej, oraz diody Zenera

Zestaw zadań 5: Sumy i sumy proste podprzestrzeni. Baza i wymiar. Rzędy macierzy. Struktura zbioru rozwiązań układu równań.

Na A (n) rozważamy rozkład P (n) , który na zbiorach postaci A 1... A n określa się jako P (n) (X n, A (n), P (n)

Porównanie modeli regresji. klasycznymi modelami regresji liniowej i logistycznej

Rozkłady wielu zmiennych

III. Układy liniowe równań różniczkowych. 1. Pojęcie stabilności rozwiązań.

Matematyka ubezpieczeń majątkowych r.

1. Pojęcie normy, normy wektora [Kiełbasiński, Schwetlick]

Statystyka i eksploracja danych

WYKŁADY ZE STATYSTYKI MATEMATYCZNEJ wykład 7 i 8 - Efektywność estymatorów, przedziały ufności

Zastosowanie modelu regresji logistycznej w ocenie ryzyka ubezpieczeniowego. Łukasz Kończyk WMS AGH

IX. Rachunek różniczkowy funkcji wielu zmiennych. 1. Funkcja dwóch i trzech zmiennych - pojęcia podstawowe. - funkcja dwóch zmiennych,

Porównanie błędu predykcji dla różnych metod estymacji współczynników w modelu liniowym, scenariusz p bliskie lub większe od n

Zadanie 1. Liczba szkód N w ciągu roku z pewnego ryzyka ma rozkład geometryczny: k =

1 Macierze i wyznaczniki

Statystyka i Analiza Danych

Spis wszystkich symboli

Algebra liniowa. 1. Macierze.

WYKŁAD 5 TEORIA ESTYMACJI II

VI. Równania różniczkowe liniowe wyższych rzędów

REGRESJA LINIOWA Z UOGÓLNIONĄ MACIERZĄ KOWARIANCJI SKŁADNIKA LOSOWEGO. Aleksander Nosarzewski Ekonometria bayesowska, prowadzący: dr Andrzej Torój

Transkrypt:

#09 Systemy o złożonej strukturze

system składa się z wielu elementów, obiekty (podsystemy) wchodzące w skład systemu są ze sobą połączone i wzajemnie od siebie zależne mogą wystąpić ograniczenia w dostępności pomiarowej sygnałów identyfikowalność pojedynczych obiektów prostych wchodzących w skład systemu nie implikuje identyfikowalności całego systemu (w szczególności, że identyfikowalność parametrów systemu złożonego w warunkach deterministycznych zależy m.in. od wartości parametrów poszczególnych obiektów (podsystemów), których nie znamy oraz od struktury połączeniowej systemu) ewentualne sprzężenia zwrotne przenoszą zakłócenia wyjściowe na wejścia

Obiekt identyfikacji c 1 c i c n δ 1 u 1 B 1 A 1 δ i u i ξ 1 B i A i δ n ξ i B n A n ξ n y 1 y i y n u n H = ( n ) 1,..., u= ( u un ) 1,..., c = ( c 1,..., c ) y y y n Opis formalny systemu A= diag( A1,..., A n ) B = diag( B1,..., B n ) H = ( H Hn ) 1,..., δ = ( δ1,..., δn ) ξ = ( ξ 1,..., ξn ) y = Au + Bc + ξ u = H y + δ

Założenia Z1: macierz połączeń H (struktura systemu) jest znana; Z2: system jest dobrze określony, tzn. dla każdej wartości pobudzenia c i każdej wartości zakłóceń (δ, ξ) istnieje dokładnie jedna wartość wyjścia y; Z3: wartości c i y w dowolnym momencie mogą być zmierzone; Z4: system przy braku zakłóceń byłby identyfikowalny; Z5: zakłócenia ξ i δ mają zerowe wartości oczekiwane i są niezależne od siebie oraz od pobudzeń c; Z6: wartości c, δ i ξ są takie, że uogólniona macierz pobudzeń N [ ] E = e 1,..., e N gdzie e = (c, θ ) oraz θ = Aδ + ξ jest zagregowanym zakłóceniem przeniesionym na wyjście systemu, jest - dla N dim e - pełnego rzędu z prawdopodobieństwem 1, tj. rank E N = dim e. Cel odkrycie prawdziwych wartości współczynników w liniowych opisach każdego obiektu wchodzącego w skład systemu (zawartych w macierzach A i B) na podstawie pomiarów c k i y k (k=1..n) uzyskanych w eksperymencie. Opis kompaktowy (równania pomiarów) gdzie 1 G = ( I AH ) y = K c + G θ K = GB

gdzie wi k ui k ci k = Estymacja metodą najmniejszych kwadratów V ( A, B ) W Θ 1 N gdzie Θ in = ( θ i,..., θ i ) = + in i i in in (, ) in = in +Θ in ViNW Ai Bi WiNW inw ( A in, B in ) = V in W in ( W N W in i ) 1 = [ 1,..., ] [ 1 W w w ] in = i,..., i N V v v in i i N ~, ~ u H v i k i k = v k jest wynikiem pomiaru wyjścia y k Przypadek 1) brak zakłóceń pomiarowych: v k =y k, Przypadek 2) obecność zakłóceń pomiarowych: v k =y k +η k. Zasadnicza wada estymatora asymptotycznie obciążony ( ) lim E A, B ( A, B ) N in in i i przyczyna: występowanie strukturalnego sprzężenia zwrotnego w systemie, a co za tym idzie skorelowanie zachodzące pomiędzy zakłóceniami (zagregowanymi) θ i, działającymi na wyjścia podsystemów, a wejściami interakcyjnymi u i, które zależą od wyjść systemu.

Metoda zmiennych instrumentalnych (Instrumental Variables) ( AiN IV, BiN IV ) = ViN ΨiN ( WiN ΨiN ) W1: wymiarowość Ψ in jest identyczna jak wymiarowość macierzy W in : gdzie [ ] 1 1 N Ψ in = ψ i,..., ψ i ψi k ψi k ψi k =, 1,,2 dimψ i, 1 = dimui dimψ = dimc i,2 W2: macierz W in Ψ in jest odwracalna (nieosobliwa); W3: elementy ψ 1 i,1,...,ψ N i,1 i ψ 1 i,2,...,ψ N i,2 macierzy Ψ in są asymptotycznie silnie skorelowane z wejściami zewnętrznymi c 1,..., c N ; W4: elementy ψ 1 i,1,...,ψ N i,1 i ψ 1 i,2,...,ψ N i,2 macierzy Ψ in są asymptotycznie nieskorelowane z zakłóceniami θ 1,..., θ N działającymi na wyjścia podsystemów. Konstrukcja zmiennych pomocniczych Oznaczmy przez L i macierz formującą Ψ in z macierzy pobudzeń zewnętrznych systemu E N Ψ in = LE i N Postulat (względu na warunki W3 i W4 oraz niedostępność pomiarową wektora θ ) i Li = Γ 0 I i 0 i

Γ i jest macierzą o wymiarze dim u i dim c, o której zakładamy, że jest pełnego rzędu I i jest macierzą blokową o wymiarach dim c i dim c, z jednostkowym i-tym blokiem kolumnowym: Ii = [ 0,..., 0, I, 0,..., 0 ] Własności asymptotyczne (przypadek braku zakłóceń pomiarowych) błąd estymacji ( ) ViN = Ai, Bi WiN +Θ in / Ψ ( A IV, B IV ) ( A, B ) ( W ) 1 in in i i = Θ in Ψ in in Ψ ( ) in 1 N ΘiNΨiN 1 in ΨiN in = 1 zapiszmy HK i HG i WiN = Fi EN,gdzie Fi = Ii 0 na podstawie warunków W1 W4 oraz mocnego prawa wielkich liczb otrzymujemy: 1 N Θ in Ψ in p. 1 [ 0 : 0 ] i i Σ 1 1 1 N W in in p u~ Σuc Ψ, ψ ~,. i i Σc Σ, ψ cc, 2 gdzie Σ i x,y oznacza macierz korelacji wzajemnej pomiędzy wektorami losowymi x i i y i Wniosek ( A IV, IV in BiN ) p.1 ( Ai, Bi) N N W

Optymalna generacja zmiennych instrumentalnych E{ N N } 2 min Uwaga: macierz K jest nieznana ψ ψ ( ) i k *, 1 = Ε i k = k = i i k *, 2 = c i k u c c H Kc k k=1..n (9)

Wyniki eksperymentów Porównanie błędów estymacji metodami NK i IV dla elementów macierzy A. R A,NK R A,IV Liczba pomiarów 1000 Zależność średniego błędu identyfikacji od wyboru zmiennych instrumentalnych. 100 S A,IV 10 S B,IV X 1-200 -150-100 -50 0 50 100 150 200