Modelowanie systemów -
wiedza eksperymentalna
(identyfikacja systemów)
Marcin
Bogusiak
Paweł
Pilewski
Plan wykładu
• Co to jest identyfikacja systemu?
• Wiedza eksperymentalna.
• Określenie klasy modelu.
• Określenie parametrów modelu.
• Modelowanie systemu w oparciu o wiedzę
eksperymentalną.
• Wskaźnik jakości.
• Przykład praktyczny.
• Przykład wyznaczenia modelu obiektu.
• Algorytm identyfikacji - przykład.
• Główne problemy, które możemy napotkać.
2
Co to jest identyfikacja
systemu?
• Identyfikacja systemu - to wyznaczanie
modelu
matematycznego systemu na
podstawie
wiedzy o jego zachowaniu
(wiedza
eksperta,
wiedza
eksperymentalna)
3
Wiedza eksperymentalna
• Wiedza eksperymentalna - wiedza o
obiekcie (systemie) uzyskana na podstawie
szeregu
przeprowadzonych obserwacji i
pomiarów.
4
Określenie klasy modelu
• Wyniki szeregu przeprowadzonych
eksperymentów
dają możliwość określenia klasy modelu.
Na poniższych wykresach prezentowane są
przykładowe klasy wielomianowe.
5
Określenie parametru modelu
• Załóżmy, że wybraliśy klasę modeli
liniowych, zatem szukamy parametru "α"
• Parametr ten wyznaczamy w oparciu o
wiedzę eksperymentalną
6
Określenie parametru modelu -
cd
•
Typowy oparty jest o metodę najmniejszych
kwadratów.
• Jest to jedna z metod pozwalających wyznaczyć
parametry modelu, gwarantująca wynik o
najmniejszej sumie kwadratów błędów.
• Przyjmijmy wskaźnik modelu: suma różnic
kwadratów odległości prognozowanych i
obserwowanych wielkości wyjścia dla
ustalonych wejść.
7
Określenie parametru modelu -
cd
• Zatem z rodziny prostych wybieramy tę
prostą o parametrze α*, która ma
najlepszy wskaźnik.
• Który wskaźnik jest najlepszy?
- ten o najmniejszej wartości Q
8
Modelowanie systemu w opaciu
o wiedzę eksperymentalną -
SZUKANE
• Wybór najlepszego modelu w klasie
• Dobór parametru modelu w taki sposób,
aby
wskaźnik jakości identyfikacji był najlepszy.
9
Modelowanie systemu w opaciu
o wiedzę eksperymentalną -
DANE
• Wiedza eksperymentalna
• Klasa modelu, np.
• Wskaźnik jakości identyfikacji
10
Wskaźnik jakości
• Porównywanie wartości rzeczywistych (y
rz
)
z prognozowalnymi wartościami z modelu
(y
m
).
11
Przykład praktyczny - model
czasowy
• Wyznaczenie modelu czasowego dla układu
równoległych realizatorów wykonujących
określone zadania
12
Przykład praktyczny - model
kosztowy
• Wyznaczenie modelu kosztowego dla układu
równoległych realizatorów wykonujących
określone zadania
13
Przykład wyznaczenia modelu
obiektu
• Dane: wyniki z przeprowadzonego
eksperymentu, klasa modelu i wskaźnik
jakości (kryterium).
14
Przykład wyznaczenia modelu
obiektu
• Na początku rozważmy trzy możliwe
parametry.
15
Przykład wyznaczenia modelu
obiektu
• Otrzymane dla modelu y=1u wyniki
zapisujemy w tabeli.
16
Przykład wyznaczenia modelu
obiektu
• Dla modelu y=2u
17
Przykład wyznaczenia modelu
obiektu
• Dla modelu y=1,5u
18
Przykład wyznaczenia modelu
obiektu
• Wniosek jest taki, że z trzech modeli
najlepszy okazał się model
• Jednak jest on najlepszy tylko z trzech
rozpatrywanych, a jak wyznaczyć najlepszy
model dla całej dziedziny ?
• Idea:
- Za pomocą algorytmu identyfikacji.
19
Przykład wyznaczenia modelu
obiektu
• Dla klasy modeli SISO, liniowych względem
parametrów.
• Dane:
20
Przykład wyznaczenia modelu
obiektu
• Wyprowadzamy wzór na algorytm
identyfikacji.
21
Przykład wyznaczenia modelu
obiektu
• Wyprowadzamy wzór na algorytm
identyfikacji.
21
Przykład wyznaczenia modelu
obiektu
• Wyprowadzamy wzór na algorytm
identyfikacji.
21
Przykład wyznaczenia modelu
obiektu
• Wyprowadzamy wzór na algorytm
identyfikacji.
21
Przykład wyznaczenia modelu
obiektu
• Wyprowadzamy wzór na algorytm
identyfikacji.
22
Przykład wyznaczenia modelu
obiektu
• Wyprowadzamy wzór na algorytm
identyfikacji.
22
Przykład wyznaczenia modelu
obiektu
• Algorytm identyfikacji /SISO, L.w.P/ dla klasy
modeli liniowych względem parametrów.
• Szczególny przypadek dla , czyli modeli
liniowych względem parametru i względem
wejścia.
23
Przykład wyznaczenia modelu
obiektu
• Zastosujemy Algorytm Identyfikacji (2) w
naszym przykładzie:
• Zatem najlepszy model dla badanego
przykładu to:
24
Przykład wyznaczenia modelu
obiektu
• Sprawdzamy jaki jest wskaźnik jakości dla
najlepszego modelu y=1,35u, aby upewnić
się, że jest on lepszy od tych wyliczanych
poprzednio.
25
Czy to już jest rozwiązanie
optymalne?
• Uzyskany model y=1,35u jest najlepszy, ale dla
danej serii pomiarowej i danej klasy modeli.
• Zazwyczaj uwzględnienie dodatkowych
pomiarów poprzez dostarczenie dodatkowych
informacji o obiekcie umożliwi uzyskanie modelu
"lepszego".
•A co z innymi klasami modeli, może dla nich
uzyskamy "lepszy" model?
26
Czy to już jest rozwiązanie
optymalne?
• Badamy zatem klasę y=αu
2
dla tych samych
danych i stosując Algorytm Identyfikacji (1)
wyznaczmy optymalny parametr.
27
Wyznaczenie wskaźnika dla
drugiej badanej klasy modeli
• Obliczamy wskaźnik jakości dla najlepszego
modelu w tej klasie (y=0,35u
2
).
• Porównjąc wartość Q(α*)=5,82 dla najlepszego
modelu "liniowego" oraz wartość Q(α*)=11 dla
najlepszego modelu "kwadratowego"
stwierdzamy, że model liniowy jest lepszy.
28
Rozważamy kolejną klasę modeli
• Badamy klasę
i wyznaczmy
optymalny
parametr
• Następnym krokiem tak, jak w przypadku
poprzednich klas jest sprawdzenie wskaźnika
jakości.
29
Wyznaczenie wskaźnika dla
trzeciej badanej klasy modeli
•
Obliczamy wskaźnik jakości dla najlepszego
modelu w tej klasie ( ).
• Porównując otrzymaną warość Q(α*)=6 oraz
wartość Q(α*)=5,82 dla najlepszego modelu
"liniowego" stwierdzamy, że model liniowy jest
lepszy.
30
Prognozowanie liczby ludności -
Matlab
• Środowisko Matlab oferuje wiele gotowych
pakietów służących do modelowania obiektów
rzeczywistych
• Na podstawie danych z lat 1990-2000,
dotyczących liczby ludności, Matlab tworzy
model i prognozuje wskaźnik demograficzny w
kolejnych latach
31
Prognozowanie liczby ludności -
Matlab
• W tym celu Matlab dokonuje aproksymacji
danych wejściowych wielomianem
• Stopień wielomianu można zmieniać, aby
aproksymacja najlepiej odzwierciedlała dane
wejściowe
• Przykładowo chcemy, otrzymać przewidywaną
liczbę ludności w 2010r.
32
Prognozowanie liczby ludności -
Matlab
• Wynik można zilustrować na wykresie. Model
podaje 312691400 jako przewidywaną liczbę
ludności USA w roku 2010
33
Dekompozycja modelu MIMO na
MISO
• Układ wielowyjściowy można potraktować jako
równoległe połączenia n obiektów
jednowyjściowych
34
Dekompozycja modelu MIMO na
MISO
• Dzięki takiej dekompozycji możemy kolejno
identyfikować poszczególne obiekty
jednowyjściowe
• W każdym pojedynczym zadaniu identyfikacji
może być wykorzystana ta sama seria
pomiarowa (jeśli tylko spełnia ona wspólny dla
wszystkich zadań warunek identyfikalności)
35
Główne problemy, które możemy
napotkać
•
Ważne jest prawidłowe określenie klasy modelu,
poprzez wykorzystanie dostępnej wiedzy
eksperta
i empirycznej.
• Trudne wyznaczenie parametru dla
"skomplikowanych" (np. niewielomianowych)
klas modeli.
• Właściwy dobór wskaźnika jakości, który służy
głównie do interpretacji uzyskanego wyniku.
• Dobór odpowiedniej liczby pomiarów oraz
odpowiedni plan eksperymentu (miernictwo).
36
Trudniejsze zagadnienia dla
bardziej dociekliwych
•
Modele liniowe względem parametrów
(m parametrów).
• Modele - ważony wskaźnik jakości, a w
konsekwencji algorytm identyfikacji z
uwzględnieniem wag.
• Planowanie aktywnych eksperymentów
spełniających warunek identyfikowalności.
37
Podsumowanie
• Pojęcia identyfikacja systemów i wiedza
eksperymentalna.
• Określenie klasy modelu.
• Określenie parametru modelu.
• Algorytm identyfikacji.
• Przykład przebiegu procesu identyfikacji.
38
Literatura
•
Leszek Koszałka, Marek Kurzyński "Zbiór zadań i
problemów z teorii identyfikacji, eksperymentu i
rozpoznawania"
Wrocław, Politechnika Wrocławska, 1991
•
Pod red. Ewy Bylińskiej
"
Identyfikacja procesów"
Gliwice, Wydawnictwo Politechniki Śląskiej, 1997
•
Torsten Soderstrom, Petre Stoica "Identyfikacja
systemów"
Warszawa, Wydawnictwo Naukowe PWN,1997
39
Koniec
Dziękujemy za uwagę