identyfikacja systemow

background image

Modelowanie systemów -

wiedza eksperymentalna

(identyfikacja systemów)

Marcin
Bogusiak
Paweł
Pilewski

background image

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

background image

Co to jest identyfikacja
systemu?

Identyfikacja systemu - to wyznaczanie
modelu

matematycznego systemu na

podstawie

wiedzy o jego zachowaniu

(wiedza

eksperta,

wiedza

eksperymentalna)

3

background image

Wiedza eksperymentalna

Wiedza eksperymentalna - wiedza o
obiekcie (systemie) uzyskana na podstawie
szeregu

przeprowadzonych obserwacji i

pomiarów.

4

background image

Określenie klasy modelu

Wyniki szeregu przeprowadzonych

eksperymentów
dają możliwość określenia klasy modelu.
Na poniższych wykresach prezentowane są
przykładowe klasy wielomianowe.

5

background image

Określenie parametru modelu

Załóżmy, że wybraliśy klasę modeli

liniowych, zatem szukamy parametru "α"

• Parametr ten wyznaczamy w oparciu o

wiedzę eksperymentalną

6

background image

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

background image

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

background image

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

background image

Modelowanie systemu w opaciu
o wiedzę eksperymentalną -
DANE

Wiedza eksperymentalna

• Klasa modelu, np.

• Wskaźnik jakości identyfikacji

10

background image

Wskaźnik jakości

Porównywanie wartości rzeczywistych (y

rz

)

z prognozowalnymi wartościami z modelu
(y

m

).

11

background image

Przykład praktyczny - model
czasowy

• Wyznaczenie modelu czasowego dla układu

równoległych realizatorów wykonujących
określone zadania

12

background image

Przykład praktyczny - model
kosztowy

• Wyznaczenie modelu kosztowego dla układu

równoległych realizatorów wykonujących
określone zadania

13

background image

Przykład wyznaczenia modelu
obiektu

Dane: wyniki z przeprowadzonego

eksperymentu, klasa modelu i wskaźnik
jakości (kryterium).

14

background image

Przykład wyznaczenia modelu
obiektu

• Na początku rozważmy trzy możliwe

parametry.

15

background image

Przykład wyznaczenia modelu
obiektu

• Otrzymane dla modelu y=1u wyniki

zapisujemy w tabeli.

16

background image

Przykład wyznaczenia modelu
obiektu

Dla modelu y=2u

17

background image

Przykład wyznaczenia modelu
obiektu

Dla modelu y=1,5u

18

background image

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

background image

Przykład wyznaczenia modelu
obiektu

Dla klasy modeli SISO, liniowych względem

parametrów.

• Dane:

20

background image

Przykład wyznaczenia modelu
obiektu

Wyprowadzamy wzór na algorytm

identyfikacji.

21

background image

Przykład wyznaczenia modelu
obiektu

Wyprowadzamy wzór na algorytm

identyfikacji.

21

background image

Przykład wyznaczenia modelu
obiektu

Wyprowadzamy wzór na algorytm

identyfikacji.

21

background image

Przykład wyznaczenia modelu
obiektu

Wyprowadzamy wzór na algorytm

identyfikacji.

21

background image

Przykład wyznaczenia modelu
obiektu

Wyprowadzamy wzór na algorytm

identyfikacji.

22

background image

Przykład wyznaczenia modelu
obiektu

Wyprowadzamy wzór na algorytm

identyfikacji.

22

background image

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

background image

Przykład wyznaczenia modelu
obiektu

Zastosujemy Algorytm Identyfikacji (2) w

naszym przykładzie:

• Zatem najlepszy model dla badanego

przykładu to:

24

background image

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

background image

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

background image

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

background image

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

background image

Rozważamy kolejną klasę modeli

Badamy klasę

i wyznaczmy

optymalny
parametr

• Następnym krokiem tak, jak w przypadku

poprzednich klas jest sprawdzenie wskaźnika
jakości.

29

background image

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

background image

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

background image

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

background image

Prognozowanie liczby ludności -
Matlab

• Wynik można zilustrować na wykresie. Model

podaje 312691400 jako przewidywaną liczbę
ludności USA w roku 2010

33

background image

Dekompozycja modelu MIMO na
MISO

• Układ wielowyjściowy można potraktować jako

równoległe połączenia n obiektów
jednowyjściowych

34

background image

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

background image

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

background image

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

background image

Podsumowanie

Pojęcia identyfikacja systemów i wiedza

eksperymentalna.

• Określenie klasy modelu.

• Określenie parametru modelu.

• Algorytm identyfikacji.

• Przykład przebiegu procesu identyfikacji.

38

background image

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

background image

Koniec

Dziękujemy za uwagę


Document Outline


Wyszukiwarka

Podobne podstrony:
Identyfikacja systemu informacyjnego w przedsiębiorstwie Speed Trans
A2 Podej cie parametryczne i nieparametryczne w identyfikacji systemów
Jak stworzyc system identyfikacji wizualnej firmy
Monitorowanie oraz identyfikacja zmian w strukturze plików systemu Windows
Zmiany w nowym systemie emerytalnym a dług i deficyt publiczny – identyfikacja problemu i droga wyjś
o systemie identyfikacji i rejestracji zwierząt
Zasady zbierania informacji w?lu identyfikacji nieznanej substancji chemicznej SYSTEM REACHx
System identyfikacji wizualnej przedsiębiorstwa, Reklama Technik Organizacji Reklamy
Żołnierka, teoria systemów, IDENTYFIKACJA, rozpoznawanie
Jak stworzyc system identyfikacji wizualnej firmy
I4 Systemy identyfikacji wizyjnej w elastycznej produkcji
1 PODSTAWY IDENTYFIKACYJNE PRZEDMIOTU SYSTEMY BEZPIECZENSTWAid 9584 ppt
Systemy automatycznej identyfikacji towarów (19 stron) MDENJK2JJNQC2CB3XA4B5UPEFFRNMTIGXQ76BRA
Identyfikator miernika=1a, Semestr 2, BESIN - Bezpieczeństwo systemów informatycznych
AIS Automatyczny System identyfikacji
Jak stworzyc system identyfikacji wizualnej firmy
Monitorowanie oraz identyfikacja zmian w strukturze plików systemu Windows

więcej podobnych podstron