system identification - ali karimpourkarimpor.profcms.um.ac.ir/imagesm/354/stories/iden/... · r z...
TRANSCRIPT
Ali Karimpour Jan 2014
SYSTEMSYSTEMIDENTIFICATIONIDENTIFICATION
Ali KarimpourAssociate Professor
Ferdowsi University of Mashhadشناسائی سیستم تالیف دکتر مهدي کراري: مراجع
System Identification Theory For The User” Lennart LjungSystem Identification” Soderstrom and P.StoicaI give thanks to my student, Mr. Nima Vaezi and Ms. Anahita Delshad, for their helps in Making slides of this lecture.
Lecture 8
Ali Karimpour Jan 2014
2
Lecture 8
System Identification By Using Correlation Function And Suitable Input Signals
Topics to be covered include: Passing a random process through LTI system Disturbance model System identification by using correlation function Suitable input signal Persistent Excitation
Lecture 8
Ali Karimpour Jan 2014
3
Topics to be covered include:
Passing a random process through LTI system
Disturbance model
System identification by using correlation function
Suitable input signal
Persistent Excitation
System Identification By Using Correlation Function And Suitable Input Signals
Lecture 8
Ali Karimpour Jan 2014
Passing a random process through a LTI system
Introduction:
system continuous)()()()()()()(
dtxhtxththtxty
system discrete.
kktkttttt xhxhhxy
Impulse Response Transfer function
system discrete)(.)()(system continuous)(.)()(
zXzGzYsXsGsY
4
Lecture 8
Ali Karimpour Jan 2014
Let, x(t) is a random process which average varies by time.Therefore, y(t) function is a random process which varies bytime.
5
dtxhtxthty )(.)()()()(
dtxhEtxthEtyEty )(.)())()(()(
dthdtxEht xy )(.)()(.)()( )()()( ttht xy
Passing a random process through a LTI system
Lecture 8
Ali Karimpour Jan 2014
Relation between correlation function and input autocorrelationfunction. txtxERxx .)( tytxERxy .)(
dsstxshtxthty )()()()()(
dsstxshty )()()(
dsstxtxshEdsstxshtxERxy )(..)()(.)(.)(
dsstxtxEshRxy )(..)()(
xxxxxy RhdssRshR
)(.)()(
This property is important 6
Passing a random process through a LTI system
Lecture 8
Ali Karimpour Jan 2014
Relation between input autocorrelation function and outputautocorrelation function
)()()( hRR xyyy)()()()( hhRR xxyy
By using Fourier transform, Laplace transform and Z transform, we have:
)(.)()()(.)()(
)()()(
zHzRzRHRRkhkRkR
xxxy
xxxy
xxxy
)(.)()()(.)()(
)()()(
sHsRsRHRRhRR
xxxy
xxxy
xxxy
1.)(.)()()(.)(.)()(
)()()()(
zHzHzRzRHHRRkhkhkRkR
xxyy
xxyy
xxyy
sHsHsRsRHHRR
hhRR
xxyy
xxyy
xxyy
.)(.)()()(.)(.)()(
)()()()(
In system identification, question the opposite is the case, the system impulse response h(t) is unknown but the input and output signal is known.
knownareoutputsandInputs xxxyyy RRR ,, )(th7
Passing a random process through a LTI system
Lecture 8
Ali Karimpour Jan 2014
8
Topics to be covered include:
Passing a random process through LTI system
Disturbance model
System identification by using correlation function
Suitable input signal
Persistent Excitation
System Identification By Using Correlation Function And Suitable Input Signals
Lecture 8
Ali Karimpour Jan 2014
Disturbance Model
input
noisewithoutoutput noise
noisewithoutput
Noise or disturbance is considered as an accumulative noise.
Now if disturbance model is available, estimation of output without disturbance can be obtained.
9
Lecture 8
Ali Karimpour Jan 2014
Disturbance types1- Certain disturbance
10
Disturbance Model
2- Random disturbance
In each examination, disturbance is thoroughly similar and equal to the previous one.
In each examination, it will be a different function of time
Lecture 8
Ali Karimpour Jan 2014
Certain disturbanceCertain disturbance
Bias model
Drift model
Sinuous disturbance model 11
Disturbance Model
Lecture 8
Ali Karimpour Jan 2014
Random disturbance ModelRandom disturbance ModelIn general case, random process is assumed color. In other words, system autocorrelation function is not an impulse function, we can assume it a LTI system with white noise in input but color noise in output.
Spectral decomposition (random disturbance modeling) : LTI system determination which develops color random process from white input.
sampleN )(kRyynoisewhiteisInput
ModelNoise
12
Disturbance Model
Lecture 8
Ali Karimpour Jan 2014
DisturbancesDisturbancesNote: The amount of output signal at any moment is not equal the amount ofreal noise in different moments.Difference between random disturbance and certainty disturbance is that wecan not obtain a precise estimation from disturbance like certainty one in orderto decline output signal to determine output without disturbance.It is possible that we can simulate noise with the same correlation function andstatistical properties.Impulse response of system
)(.)(.)()( sHsHsRsR xxyy 1)()()( sRR xxxx
)(.)()()(.)(.)()( sHsHsRsHsHsRsR yyxxyy Due to the fact that, autocorrelation function is an even and real function, thus,we can decompose Ryy(s) to two terms H(s) and H(-s). 13
Disturbance Model
Lecture 8
Ali Karimpour Jan 2014
Mention :
If the signal is real, it’s zeros and poles are symmetric of real axis.
If the signal is even, it’s zeros and poles are symmetric of imaginary axis.
Now if the signal is real and even, it’s zeros and poles are symmetric ofboth real and imaginary axis.
In choosing zeros and poles of H(s), zeros and poles in the left side of jw axisshould be considered and we withdraw zeros and poles in the right side.
14
Disturbance Model
Lecture 8
Ali Karimpour Jan 2014
For calculating H(z-1) by using autocorrelation function, the following stepsare considered :
1- Sample the process
2- Calculate correlation function )(sRyy3- Calculate Ryy(z)
Determine the zeros and poles of Ryy(z)
Withdraw zeros and poles outside of unity circle
The zeros and poles inside of unity circle have to be considered as zeros andpoles of H(z-1).
15
Disturbance Model
Lecture 8
Ali Karimpour Jan 2014
For calculating H(s), select the zeros and poles of Ryy(s) which are in the leftside of imaginary axis.Or both zeros and poles in the right side of jw axis in Ryy(s) has to be crossedout.
Another method :
)(sRyy )(.)( sHsH
16
Disturbance Model
Lecture 8
Ali Karimpour Jan 2014
Example10-1 :
)()()()()(
11
11
pspszszsKsRyy
)()(.
)()()(.)()(
1
1
1
1
pszs
pszsKsHsHsRyy
)()()(
1
1
pszsKsH
17
Disturbance ModelDisturbance Model
Lecture 8
Ali Karimpour Jan 2014
18
Disturbance ModelDisturbance Model
Example10-2 :
signalnoisewhite )()( 2 kkR xxx In other words, during white noise process only in the beginning we must havea value and in other values it must be zero.Due to the fact that the signal does not have this feature, it is a color noiseprocess.
Lecture 8
Ali Karimpour Jan 2014
If we obtain Z transform from the signal:
zz
zzRyy
2
2123
)(43
211
1
211
11
zz
19
Disturbance ModelDisturbance Model
Lecture 8
Ali Karimpour Jan 2014
Because of the fact that, we have white noise with unit variance in input, so wecan write:
)(.)(.)()( 1 zRzHzHzR xxyy
Now, poles and zeros which are inside the unity circle, will be H(z).
43
211
211)( 111
zz
zRyy 23
211)( 11
z
zH 20
Disturbance ModelDisturbance Model
Lecture 8
Ali Karimpour Jan 2014
noisewhite noisecolor
)()(
......)( 1
1
22
110
22
110
zDzC
zdzdzddzczczcczH nd
nd
ll
)(.)()( zVzHzW
)(.......)( 2
21
10
22
110 zV
zdzdzddzczczcczW nd
nd
ll
)(...)()()(...)()( 110
110 zVzczVzczVczWzdzWzdzWd l
lnd
nd
21
Disturbance ModelDisturbance Model
Lecture 8
Ali Karimpour Jan 2014
Mention:
)(0 zXz k1
Z
0ktx
Therefore…
22
Disturbance ModelDisturbance Model
)(...)()()(...)()( 110
110
1 zVzczVzczVczWzdzWzdzWdZ ll
ndnd
ltlttndtndtt vcvcvcwdwdwd ...... 110110
The result equation represents a relation between white noise (input) and colornoise (output).
ARMA model
Lecture 8
Ali Karimpour Jan 2014
AR model
1)( 1 zC 0...,1 3210 lccccc
)(.)(
1)( 1 zVzD
zW
)(....
1)( 22
110
zVzdzdzdd
zW ndnd
)(...)()()( 110 zWzdzWzdzWdzV nd
nd
ndtndttt wdwdwdv ...110 23
Disturbance ModelDisturbance Model
Lecture 8
Ali Karimpour Jan 2014
MA model
1)( 1 zD 0...,1 3210 ndddddd
)(.)()( 1 zVzCzW
)(...)( 22
110 zVzczczcczW l
l
)(...)()()( 110 zVzczVzczVczW l
l
ltlttt vcvcvcw ...110
24
Disturbance ModelDisturbance Model
Lecture 8
Ali Karimpour Jan 2014
25
Topics to be covered include:
Passing a random process through LTI system
Disturbance model
System identification by using correlation function
Suitable input signal
Persistent Excitation
System Identification By Using Correlation Function And Suitable Input Signals
Lecture 8
Ali Karimpour Jan 2014
)()()( khkRkR xxxy
This is the main object that, by knowing the sampled values of inputand output , h(t) will be determined, the system will be identified.
If we assume white noise input with unit variance then:
)()( kkRxx )()()(.)()( HRHRR xyxxxy
With this assumption that, the random process is ergodic.
N
ikiikiixy yx
NyxEkR
1
.1).()(26
System Identification by using correlation function
Lecture 8
Ali Karimpour Jan 2014
N
ikiikiixy yx
NyxEkR
1
.1).()(
)...(1.1)0()0(0 111
NN
N
iiixy yxyxN
yxN
Rhk
)...(1.1)1()1(1 11211
1 yxyxyxN
yxN
Rhk NNN
N
iiixy
)...(1.1)2()2(2 2112311
2 yxyxyxyxN
yxN
Rhk NNNN
N
iiixy
27
System Identification by using correlation function
Lecture 8
Ali Karimpour Jan 2014
The steps of identification by using correlation function
1- Sample inputs and outputs.
Nt
Nt
yyyyxxxx
,,,:,,,:
21
21
2- Calculate correlation functions.
N
kkkxx Nxx
NR
1
1,...,2,1,01)(
N
kkkxy Nyx
NR
1
1,...,2,1,01)(
Mention: in the cases k+τ > N , refer to the beginning of numbers.
3- We get F or Z transform from the result functions. )(,)( zRzR xyxx
4- Calculate H(z) in the following equation.
)()(
)(zRzR
zHxx
xy28
System Identification by using correlation function
Lecture 8
Ali Karimpour Jan 2014
29
System Identification by using correlation function
Example10-3 :
)(21 tuh
t
t
1
21,.......,
161,
81,
41,
21,1
..........................,0,0,0,1N
t
t
y
x
NNRxx
1]00.............000011[1)0(
0]00.............000001[1)1( N
Rxx
0]00.............000001[1)2( N
Rxx
0]00.............000001[1)1( N
NRxx
Lecture 8
Ali Karimpour Jan 2014
NNRxy
1].............410
21011[1)0(
NNRxy 2
1...]..........810
410
211[1)1(
NNRxy 22
1].............1610
810
411[1)2(
NNNR NNxy 12
1]..............................211[1)1(
30
System Identification by using correlation function
Lecture 8
Ali Karimpour Jan 2014
By getting Z transform of functions :
NzRxx
1)(
1
11
321
211
1.1]2
1...81
41
211[1)(
zNzzzz
NzR N
Nxy
1
211
1)()(
)(
zzR
zRzH
xx
xy
)(21)( tuth
t
31
System Identification by using correlation function
Lecture 8
Ali Karimpour Jan 2014
32
Topics to be covered include:
Passing a random process through LTI system
Disturbance model
System identification by using correlation function
Suitable input signal
Persistent Excitation
System Identification By Using Correlation Function And Suitable Input Signals
Lecture 8
Ali Karimpour Jan 2014
در شناسایی سیستم ورودي باید به نحوي انتخاب شود که بتواند تمامی مودهاي •. سیستم در بازه فرکانسی مورد نظر براي شناسایی تحریک شوند
:نکات مهم
طیف فرکانسی ورودي در محدوده فرکانسی مورد نظر سیستم در حال شناسایی •.باشد
یکی از مهمترین مباحث که در بحث شناسایی سیستم باید مدنظر قرار گیرد، انتخاب . نوع ورودي است
بایستی سیگنال ورودي با این هدف انتخاب گردد که این سیگنال حداکثر تحریک •در عین ) یعنی سیستم را به تغییرات شدید وا دارد(ممکن را به سیستم وارد نماید
.اي به سیستم وارد نشود-حال هیچ صدمه
Suitable input signals
33
Lecture 8
Ali Karimpour Jan 2014
مدت زمان اعمال سیگنال ورودي باید به اندازه کافی بزرگ باشد که سیستم قادر •. به پاسخگویی به ورودي باشد
دامنه سیگنال ورودي نیز باید در محدوده اي باشد که براي سیستم تحت شناسایی •آسیب ایجاد نکرده و به اندازه کافی هم بزرگ باشد که بتواند سیستم را تحریک و
.راه اندازي کندبزرگ بودن دامنه سیگنال ورودي ممکن است باعث تحریک عوامل و جمالت •
غیرخطی در سیستم شود که براي مدل سازي و شناسایی از آن جمالت صرفنظر کرده ایم
34
Suitable input signals
):ادامه(نکات مهم
Lecture 8
Ali Karimpour Jan 2014
v Common input signals in system identificationImpulse function Step functionSum of sinusoidWhite noisePseudo-Random Binary Sequence (PRBS)Generalized Binary Noise (GBN)Colored noise
Suitable input signals
35
Lecture 8
Ali Karimpour Jan 2014
v Impulse function
Suitable input signals
36
Impulse function excite all modes of system.
Output is impulse response function of system.
Impulse function benefits:
Impulse function drawbacks:
Impulse function is not physically realizable.
Very sensitive to noise.
dtuhty t )()()( 0 )()( thty
Lecture 8
Ali Karimpour Jan 2014
v Step function
Suitable input signals
37
Suitable for systems with high SNR. Suitable for first order and second order system.
Step function benefits:
Step function drawbacks:
High order systems has similar response as first order or second order systems.
dtuhty t )()()( 0 dtdyth )( dhty t
0 )()(
Dangerous since of derivative and noise amplification.
Lecture 8
Ali Karimpour Jan 2014
v Sum of sinusoids
Suitable input signals
38
Lecture 8
Ali Karimpour Jan 2014
v Sum of sinusoids
Suitable input signals
39
خروجی سیستم بدون نویز است، این خروجی متناوب می باشد، و داراي yu(t)که :تخمینی به صورت زیر است
:در نتیجه می توانیم نویز را به صورت زیر تخمین بزنیم
اعمال می شود، معموالً مناسب این است که خروجی Mزمانی که ورودي سینوسی با پریود )تکرار می شود Nدر نتیجه خروجی با دوره . (، میانگین گیري شودN=MKبا پریود
یکی از مزیت هاي استفاده از سیگنال سینوسی تخمین نویز سیستم می باشد
Lecture 8
Ali Karimpour Jan 2014
v Crest Factor
Suitable input signals
40
است و صورت هم توان دوم پیک یا ماکزیمم سیگنال u(t)مخرج همان میانگین سیگنال ورودي می باشد
.این فاکتور بیانگر نسبت حداکثر سیگنال به میانگین آن می باشد
کوچک باشد Crهمواره مطلوب است که
. حداقل انتخاب می شود Crیک سیگنال ورودي براي شناسایی با مشخصات فرکانسی دلخواه و به طور تئوري یک می تواند باشد Crحداقل Crبا توجه به فرمول
Lecture 8
Ali Karimpour Jan 2014
v Crest Factor
Suitable input signals
41
استفاده از مجموع چند سینوسی براي شناسایی داراي این مزیت است که طیف و مولفه هاي فرکانسی ورودي به خوبی و دقیق قابل انتخاب هستند، اما مشکل این سیگنال در شناسایی،
آن است Crبزرگ بودن
مقدار Crمعموال سیگنال هایی که در آنها می توان محدوده فرکانسی را به خوبی انتخاب کرد، )به طور مثال مجموع سینوسی ها(.بزرگی می باشد
می باشد سینوسی سیگنال هاي فاز تغییر سینوسی ها، مجموع در Cr کاهش براي روش یک
Lecture 8
Ali Karimpour Jan 2014
v Crest Factor
Suitable input signals
42
در مجموع هاي سینوسی، استفاده از سینوسی هاي با فاز تصادفی Crراه دیگر براي کاهش .است
باقی فاز و می شود، انتخاب φ1 اول سینوسی فاز که، اینصورت به : )شرودر فاز انتخاب(:می شوند انتخاب زیر صورت به سینوسی ها
Lecture 8
Ali Karimpour Jan 2014
v Crest Factor
Suitable input signals
43
)فاز همگی سینوسی ها صفر هستند(سینوسی ها بدون فاز -1استفاده از فاز شرودر-2استفاده از فاز تصادفی براي سینوسی ها-3
Lecture 8
Ali Karimpour Jan 2014
v Crest Factor
Suitable input signals
44
)فاز همگی سینوسی ها صفر هستند(سینوسی ها بدون فاز -1استفاده از فاز شرودر-2استفاده از فاز تصادفی براي سینوسی ها-3
Lecture 8
Ali Karimpour Jan 2014
v Crest Factor
Suitable input signals
45
)فاز همگی سینوسی ها صفر هستند(سینوسی ها بدون فاز -1استفاده از فاز شرودر-2استفاده از فاز تصادفی براي سینوسی ها-3
Lecture 8
Ali Karimpour Jan 2014
v Crest Factor
Suitable input signals
46
با مشاهده این تصاویر می توان به سادگی مالحظه کرد که در حالت اول حداکثر دامنه سیگنال که ارتباط مستقیم با Cr که می توان به کاهش . است 4و در حالت سوم حدود 6در حالت دوم حدود 8دارد حدودCr نتیجه گیري کرد.
همچنین منحنی طیف این سه سیگنال در شکل نشان داده شدهکه نمایانگر این است که طیف سه سیگنال با یکدیگر برابرند،
.آنها Crبا وجود تغییر
Lecture 8
Ali Karimpour Jan 2014
v White noise signal
Suitable input signals
47
و کنترل آنها فرکانس و دامنه روي بر که می شوند پیشنهاد سیگنال هایی از استفاده داشت می توان دقیقی تنظیم
شناسایی حال در سیستم مشخصات به توجه با فرکانسی باند و دامنه این( ).می شوند انتخاب
همچنین چون فرایندهاي صنعتی، فرایندهاي با پهناي باید پایین هستند و اعمال سیگنال نویز سفید که داراي فرکانس هاي باال می باشند، باعث آسیب دیدن محرك هاي سیستم و یا
.فرایند شود
ها را با یک دامنه مشخص پوشش میدهد-نویز سفید تمامی فرکانسدر عمل هم اعمال این سیگنال مشکل است و هم با فرض تحقق آن، سیستم دچار صدمه
خواهد شد
کار آن در سیستم که فرکانسی باند یک در باید شناسایی اینکه علت به بنابراین نمی باشد مناسب سیستم ها همه شناسایی براي سیگنال این شود، انجام می کند
Lecture 8
Ali Karimpour Jan 2014
v Color noise signal
Suitable input signals
48
:فیلتر کردن ورودي باعث می شود
کاهش نویزهاي فرکانس باال - 1
.شناسایی سیستم در باند فرکانسی دلخواه انجام شود -2
همبستگی خود تابع که شود استفاده سیگنالی از سفید نویز جاي به کنند می تالش عمل در
.باشد اعمال قابل سیستم روي راحت و باشد سفید نویز شبیه ممکن حد تا آن
مشکالت نویز سفید تا حدودي با استفاده از سیگنال نویز سفید فیلتر شده حل می شود
Lecture 8
Ali Karimpour Jan 2014
v Color noise signal
Suitable input signals
49
:طیف قدرت آن به صورت زیر می باشد
. می توان هر توزیع فرکانسی دلخواه را ایجاد کرد F(q)در نتیجه با طراحی مناسب
نویز سفید از یک فیلتر پایدار عبور کرده، و تنها المان هاي فرکانسی مورد نظر ما، در خروجی .این فیلتر موجود است، که براي شناسایی سیستم استفاده می شود
Lecture 8
Ali Karimpour Jan 2014
v Color noise signal
Suitable input signals
50
اگر نویز سفید را با میانگین صفر و واریانس یک در نظر بگیریم، و فیلتر پایین گذر با قطبی در :فرض کنیم، ورودي و خروجی فیلتر عبارتست از -0.9
Lecture 8
Ali Karimpour Jan 2014
رادیان برثانیه بسازیم، 2تا 1می خواهیم یک سیگنال با محدوده و باند فرکانسی بین : مثال درواقع نویز سفید فیلتر شده داشته باشیم، سیگنال نویز سفید را از یک فیلتر میانگین گذر با مرتبه
عبور می دهیم 5
که این هم . هدف از این مثال نشان دادن اعوجاج در شکل موج سیگنال نویز سفید فیلتر شده استچون ورودي نویز سفید یک سیگنال با دامنه . به دلیل اشباع سیگنال در برخی از زمان ها می باشد
زیادي می تواند باشد اما چون از فیلتر رد می شود در این لحظاتی که دامنه اش زیاد است، خروجی .اشباع شده و از نظر فرکانسی اعوجاج نیز داریم
Suitable input signalscompare between white and color noisecompare between white and color noise
Lecture 8
Ali Karimpour Jan 2014
v Binary noise signal
Suitable input signals
52
v سیگنال هاي باینري داراي کمترینcr )می باشند) یک.v تا حدودي می توان طیف این سیگنال را براي محدوده فرکانسی خاص که مورد
.نظر شناسایی است تغییر داد
v براي شناسایی سیستم هاي خطی سیگنال هاي باینري مانندGBN وPRBS مناسب اند
v براي شناسایی سیستم هاي غیر خطی از مجموع سیگنال هاي سینوسیاستفاده می شود
:مزیت ها و معایب استفاده از نویز باینري
Lecture 8
Ali Karimpour Jan 2014
v Binary noise signal
Suitable input signals
53
:مزیت ها و معایب استفاده از نویز باینري
استاتیک غیرخطی عامل شناسایی تحت سیستم ورودي در اگر : باینري سیگنال هاي عیب هم باز غیرخطی عامل این خروجی باینري ورودي سیگنال عبور از بعد باشد داشته وجود
این وجود نمی توان باینري سیگنال از استفاده با عمل در که می باشد، باینري سیگنال یک.کرد شناسایی یا و داد تشخیص را خطی غیر عامل
.است یافته تغییر دامنه با باینري سیگنال یک هم غیرخطی عامل این خروجی چون سینوسی آن خروجی شود، اعمال باال استاتیک خطی غیر عامل به سینوسی مثال اگر ولی
.داد تشخیص یا شناسایی سیستم ورودي در را غیرخطی عامل وجود می توان و نمی باشد
Lecture 8
Ali Karimpour Jan 2014
v Generalized Binary noise
Suitable input signals
54
GBN همواره داراي دو مقدار+a و یا–a می باشد .پیشنهاد شد Tullenkcn (1990)این سیگنال اولین بار توسط
، این سیگنال براساس قانون زیرکلیدزنی می کندtدر هر لحظه کلید زنی
را می توان با توجه به این GBNرا دارد که بخاطر این است که طول سیگنال Crحداقل GBNبنابراین سیگنال )با توجه به قانون سوئیچینگ گفته شده و میانگین زمان سوئیچینگ(مطالب به دلخواه تغییر داد
psw احتمال کلیدزنی است
Lecture 8
Ali Karimpour Jan 2014
v Generalized Binary noise
Suitable input signals
55
Lecture 8
Ali Karimpour Jan 2014
v Pseudo Random Binary Sequence (PRBS)
Suitable input signals
5656
و متناوب است، معروف ترین ) صفر و یک(یک سیگنال شبه تصادفی باینري PRBSسیگنال . نام دارد mنوع آن توالی
است 2m-1داراي دوره تناوب mیک توالی .یک بار اتفاق می افتد) بجز صفر(بیتی nدر هر دوره تناوب آن، هر عدد باینري
:به شکل مقابل است mاست توالی n=3براي مثال وقتی ,010که در آن اعداد باینري سه بیتی به جز صفر 001, 100, 110, 111, 011, همگی قرار دارند101
.عدد باینري داریم 7لذا n=3در این مثال چون
1011100,1011100,1011100, ....
باقیمانده تقسیم remبا استفاده از این فرمول است که PRBSروش دیگر سخت )آمده است Liungجزئیات بیشتر در . ( است 2بر A(q)u(t)چندجمله اي
Lecture 8
Ali Karimpour Jan 2014
v Pseudo Random Binary Sequence (PRBS)
Suitable input signals
M=512 با PRBS موج ساخت57
Lecture 8
Ali Karimpour Jan 2014
v Pseudo Random Binary Sequence (PRBS)
Suitable input signals
58
روشن و خاموش با معادل عمل در ترتیب به یک و صفر است، عملی تر سیستم به آن اعمال -1 راحت تر عمل، در m توالی سیگنال اعمال لذا .می باشد کلید یک واقع در 1و0 لذا .هستند کردن
.است سفید نویز از
.چون مقادیر آن صفر و یک است انجام محاسبات با آن ساده تر است-3
:نسبت به نویز سفید PRBSمزایاي سیگنال
ذخیره سازي صفر و یک در کامپیوتر . ذخیره سازي آن در کامپیوتر بسیار ساده تر است-2.بسیار ساده تر از اعداد حقیقی است
Lecture 8
Ali Karimpour Jan 2014
-8 -6 -4 -2 0 2 4 6 80
0.1
0.2
0.3
0.4
0.5
0.6
0.7PRBS correlation
PRBS سیگنال معایب
Suitable input signals
59
Lecture 8
Ali Karimpour Jan 2014
با تابع PBRSتابع همبستگی . همبستگی نویز سفید متفاوت است
-8 -6 -4 -2 0 2 4 6 80
0.1
0.2
0.3
0.4
0.5
0.6
0.7PRBS correlation
-8 -6 -4 -2 0 2 4 6 80
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1white noise correlation
60
Suitable input signals
:نسبت به نویز سفید PRBSمعایب سیگنال
.تابع خود همبستگی آن، تابعی متناوب است در صورتی که تابع خود همبستگی نویز سفید متناوب نیست -1
Lecture 8
Ali Karimpour Jan 2014
61
Suitable input signals
:نسبت به نویز سفید PRBSمعایب سیگنال
:کنیماز دو قضیه زیر استفاده میاشاره شده براي حل مشکالت
Lecture 8
Ali Karimpour Jan 2014
62
Suitable input signals
:نسبت به نویز سفید PRBSرفع معایب سیگنال
که تناوب دوره بودن متناوب از اجتناب براي اول قضیه به توجه با اول مشکل حل براي
تعداد یا n باید دارد دنبال به را m توالی سیگنال همبستگی خود تابع بودن متناوب
2:گردد برقرار زیر رابطه که کنیم زیاد قدر آن را باینري عدد هاي-بیت 1n N- >
N هاي گرفته شده از ورودي و خروجی است-تعداد نمونه .. عدد نمونه از پاسخ داشته باشیم 60فرض کنید :مثال
عدد باینري متوالی باید موجود باشد و رابطه فوق برقرار است 63به تعداد n=6براي
Lecture 8
Ali Karimpour Jan 2014
63
Suitable input signals
:نسبت به نویز سفید PRBSرفع معایب سیگنال
-8 -6 -4 -2 0 2 4 6 80
0.05
0.1
0.15
0.2
0.25
0.3
0.35PRBS correlation modified
Lecture 8
Ali Karimpour Jan 2014
64
Suitable input signals
هاي سیگنال -دیگر بیت mهاي سیگنال توالی - از تک تک بیت Cپس از کم کردن مقدار ثابت .در نتیجه به سادگی قابل اعمال به سیستم نیستند. نیستند 1و 0آن به فرم
اصالح شده PRBSسیگنال
نمی کم سیستم ورودي درm توالی هاي بیت تک تک از راC پارامتر مشکل این حل براي می اعمال ورودي به باینري یا یک و صفر فرمت همان به راm توالی سیگنال بلکه کنیم، بدست مطلوب خروجی تا کنیم می کم را y0 ثابت مقدار خروجی سیگنال از بعد ولی کنیم
.آید
+ y توالیm
سیستم+
-
Lecture 8
Ali Karimpour Jan 2014
65
Suitable input signals
PRBS به نسبت GBN مزیت این نزدیکی در و شده صفر سیستم کالك هاي فرکانس در PRBS سیگنال طیف
نویز به سیگنال نسبت فرکانس ها این نزدیکی در نتیجه در دارد دامنه افت فرکانس ها.می یابد کاهش
Lecture 8
Ali Karimpour Jan 2014
66
Topics to be covered include:
Passing a random process through LTI system
Disturbance model
System identification by using correlation function
Suitable input signal
Persistent Excitation
System Identification By Using Correlation Function And Suitable Input Signals
Lecture 8
Ali Karimpour Jan 2014
براي تضمین اینکه فرایند شناسایی سیستم داراي پاسخ یکتا می باشد، سیگنال ورودي براي .شناسایی سیستم باید داراي این ویژگی تحریک پایا باشد
یک سیگنال ورودي تحریک پایا است اگر، با این ورودي رابطه بین ورودي و خروجی . سیستم به طور یکتا مشخص شود
پارامتر nبه معنی این است که در شناسایی سیستمی که داراي nتحریک پایا بودن از مرتبه .پارامتر به صورت یکتا تعیین می شوند nاست، با این سیگنال ورودي تمامی
پارامتر مجهول و صورت آن nبه طور مثال در شناسایی مدل تابع تبدیلی که مخرج آن داراي پارامتر مجهول باشد، براي شناسایی یکتاي سیستم، نیاز است که ورودي سیتم nنیز داراي
.باشد 2nتحریک پایا از مرتبه
پارامتر براي شناسایی است، از سیگنال ورودي تحریک nاگر در شناسایی سیستمی که داراي براي شناسایی استفاده کنیم، پارامترهاي سیستم به صورت یکتا nبا مرتبه تحریک کمتر از
. بدست نمی آیند
Persistent Excitation
67
Lecture 8
Ali Karimpour Jan 2014
:در حوزه فرکانس به معنی این است که nمفهوم تحریک پایا از مرتبه
به سادگی می توان به مرتبه تحریک پایا بودندر واقع با داشتن طیف سیگنال در بازه.سیگنال پی برد
تحریک پایا از مرتبه دو می باشد، سیگنال سینوسی به صورت
در طیف خود است،چرا که داراي دو مولفه فرکانسی
Persistent Excitation
68
Lecture 8
Ali Karimpour Jan 2014
اگر حد زیر وجود گفته می شود nتحریک پایا از مرتبه u(t)سیگنال گسسته زمانی :قضیهداشته باشد
.ماتریس مثبت معین باشد
Persistent Excitation
69
Lecture 8
Ali Karimpour Jan 2014
است اگر و تنها اگر براي تمام nتحریک کننده پایا از مرتبه u(t)در واقع سیگنال
یا کمتر از آن داشته باشیم) (n-1چندجمله اي هاي غیرصفر با درجه
PE )persistently اي-درجه چه از اینکه کردن چک براي تعریف این
exiting( است مناسب بسیار نیست PE آنگاه شود، صفر برابر حد که شود پیدا A اي-جمله چند یک که است کافی زیرا
.نیست بعد به 1+درجه آن از
Persistent Excitation
70
Lecture 8
Ali Karimpour Jan 2014
:تابع ضربه به صورت زیر را در نظر بگیرید
انتخاب گردد می توان دید که حد زیر برابر صفر است و بنابراین A(q)=1در صورتی که .نیست PEاي -تابع ضربه از هیچ درجه
Persistent Excitation
71
Lecture 8
Ali Karimpour Jan 2014
انتخاب کرد که حد فوق برابر صفر گردد A(q)=q-1اي به صورت توان چند جمله می. به باال نیست 2از مرتبه یک است و درجه PEبنابراین سیگنال پله
:تابع پله به صورت زیر را در نظر بگیرید
)q المان تاخیر وu سیگنال پله گسسته است(
Persistent Excitation
72
Lecture 8
Ali Karimpour Jan 2014
از مرتبه یک است PEبنابراین، سیگنال پله
گردد-که ارائه گردید نیز بررسی می 2این را از تعریف
به باال نیست 2از درجه PEماتریس مثبت معین نیست و بنابراین
Persistent Excitation
73
Lecture 8
Ali Karimpour Jan 2014
به باال 3از درجه PEرا در نظر بگیرید با توجه به رابطه زیر این تابع sin(wt)تابع نیست
:نیز داریم 2از طریق تعریف
Persistent Excitation
74
Lecture 8
Ali Karimpour Jan 2014
.است 1تابع پله تحریک پایا از مرتبه •است که طول سیگنال هم M، یک سیگنال تحریک پایا از مرتبه Mبا توالی PRBSسیگنال •
. به مرتبه تحریک پایا بودن بستگی دارد، بنابراین آزادي عمل زیادي در طول سیگنال نداریم
نویز سفید فیلتر شده، در تمام محدوده فرکانسی داراي طیف پیوسته است، در نتیجه تحریک •.پایا از هر مرتبه اي است
باشند، چراکه Mاز مرتبه PEمی توانند حداکثر Mسیگنال هاي متناوب با دوره تناوب •.فرکانس مجزا در طیف خود داشته باشند Mاین سیگنال ها می توانند حداکثر
پیوسته است، این سیگنال تحریک پایادر بازه GBNاز آنجایی که طیف سیگنال •از هر مرتبه اي است
Persistent Excitation
75
Lecture 8
Ali Karimpour Jan 2014
سواالت بخش توابع همبستگی
76
)()(*)(اثبات - ١ xxxy RhR )(*)(*)()(*)()( hhRhRR xyxyyy
)(*)(*)()(*)()(
)(.)()(.)()(.)(.)()(
)(.)(.)()(.)(.)()(
)(.)()(,)().()(
hhRhRR
dRhdRhdtxtyEhR
dtxtyhEdtxhtyER
dtxhtytytyER
xxxyyy
xyxyyy
yy
yy
.انواع سیگنال های اغتشاش را نام ببرید و نحوه ی مدل کردن آن ها را توضیح دهید - ٢.سیستم را بدست آورید h(t)به صورت زیر باشد، تابع تبدیل y(t)و خروجی آن x(t)اگر ورودی سیستمی - ٣
,...3,2,1,0,)(21,
001
)(1
NtuyotherwiseN
txN
Lecture 8
Ali Karimpour Jan 2014
.PRBS سیگنال قدرت طیف و خودهمبستگی تابع - ۱Ljung کتاب ۴۲۱ و ۴۲۰ صفحه در جواب
آوردن بدست و سفید نویز با مقایسه در PRBS سیگنال در ها آن رفع نحوه و مشکالت - ۲ این به توجه با است الزم که مجهولی مقدار و n=3 برای PRBS سیگنال خودهمبستگی تابع برسیم سفید نویز مشابه خودهمبستگی تابع به تا شود کم ورودی از خودهمبستگی تابع
فیلتر سفید نویز این مشکل و سفید نویز با مقایسه در شده فیلتر سفید نویز از استفاده علت - ۳ باینری نویزهای با مقایسه در شده
سیگنال این مشکل رفع نحوه و سینوسی های سیگنال مجموع از استفاده معایب و مزیت - ۴ دو مقایسه و سینوسی های سیگنال مجموع به نسبت باینری های سیگنال معایب و مزیت - ۵
شده گفته باینری سیگنال نوع توجه با سفید نویز و PRBS و سینوسی پله، ضربه، های سیگنال بودن پایا تحریک مرتبه - ۶ ها سیگنال این فرکانسی طیف یا شده بیان قضیه به
است موجود اسالیدها در سواالت بقیه جواب
سواالت
77