Académique Documents
Professionnel Documents
Culture Documents
Résumé :Dans ce papier on propose une nouvelle représentation du modèle Bilinéaire discret sur des
bases orthogonales indépendantes de Laguerre. Cette représentation est obtenue suite au développement
des coefficients du modèle Bilinéaire sur les bases orthogonales de Laguerre. Le modèle résultant est
intitulé modèle Bilinéaire - Laguerre qui garantie une réduction du nombre de paramètres avec une
représentation récursive et simple. Cette réduction paramétrique reste assujettie par un choix optimal du
pôle de Laguerre de chaque base indépendante. Pour ce faire, on développe un algorithme d’optimisation
des pôles basé sur l’extension de la méthode de Tanguy et al (2000) et celle de Kibangou et al (2005).
L’algorithme proposé ainsi que le modèle Bilinéaire - Laguerre sont testés et validés en simulation
numérique.
257
CIFA2012, 4-6 Juillet 2012
Grenoble, France
pose l’élaboration de la nouvelle représentation des systèmes La représentation du modèle Bilinéaire peut s’écrire sous la
non linéaires via un développement des coefficients du modèle forme vectorielle suivante :
Bilinéaire sur trois bases indépendantes de Laguerre. La section y(k) = θT Φ(k) (6)
5 traite l’optimisation des pôles de Laguerre par une méthode
où θ et Φ(k) sont respectivement le vecteur de paramètres du
analytique. Dans la section 6 on présente quelques résultats
modèle Bilinéaire et celui contenant les entrées, les sorties et
obtenus en simulation validant les performances de la méthode
leurs produits croisés.
d’optimisation des pôles ainsi que le modèle Bilinéaire - La-
guerre proposées. La suprématie du modèle proposé au modèle θ = [b(1), . . . , b(nu ), a(1), . . . , a(ny ), c(1, 1), . . . , c(0, N2 ), . . . ,
du Bilinéaire classique en terme de réduction du nombre de
c(N1,1 ), . . . , c(N1 , N2 )]T (7)
paramètres, a été confirmée par une étude comparative des deux
modèles. Φ (k) = [u (k − 1) , . . . , u (k − nu ) , y (k − 1) , . . . , y (k − ny ) ,
u (k − 1) y (k − 1) , . . ., u (k − 1) y (k − N2 ) , . . . ,
2. MODÈLE POLYNOMIAL u (k − N1 ) y (k − 1) , . . . , u (k − N1 ) y (k − N2 )]T (8)
ou encore
C’est une représentation tout à fait générale, qui unifie l’ensemble Φ(k) = [ Φu,1 (k), Φy,1 (k), Φu,2 (k) ⊗ Φy,2 (k)]T (9)
des représentations existantes. Son écriture ”entrée-sortie” se
met sous la forme : avec ⊗ le produit de Kronecker et
Φu,1 (k) = [u (k − 1) , . . . , u (k − nu )] (10)
Q Φ y,1 (k) = [y (k − 1) , . . . , y (k − n y )] (11)
y(k) = ∑ fq (u(k), u(k − 1), . . . , u(k − nu ) Φu,2 (k) = [u (k − 1) , . . . , u (k − N1 )] (12)
(1)
q=0 Φy,2 (k) = [y (k − 1) , . . . , y (k − N2 )] (13)
, y(k − 1), . . . , y(k − ny ))
Les paramètres optima peuvent être obtenus en minimisant le
où fq représente un polynôme en u et y d’ordre q, u et y critère quadratique suivant par rapport au vecteur de paramètres
sont respectivement l’entrée et la sortie du système. nu et ny θ :
sont respectivement l’ordre du modèle associé à l’entrée à la e
θ = arg min (Jbilineaire ) (14)
| {z }
sortie. Les produits croisés entrée/sortie sont rajoutés en vue de θ
réduire le nombre important des paramètres requis pour calculer
Jbilineaire est l’erreur quadratique définit comme étant la norme
les noyaux dans une fonction polynomiale. Par exemple, un
quadratique de l’erreur entre la sortie du système ysys (k) et son
modèle polynomial général quadratique est obtenu pour fq =
estimation y(k) donnée par :
0 ∀q>2:
H
nu ny
Jbilineaire = ∑ [ysys (k) − y(k)]2 (15)
f1 (u, y) = ∑ b(i)u(k − i)+ ∑ a( j)y(k − i) (2) k= 1
i=1 i=1
H est l’horizon fini des mesures. Cette fonction objective admet
N1 N2 un extremum global unique qui peut être calculé par la méthode
f2 (u, y) = ∑ ∑ c(i, j)u(k − i)y(k − j) des moindres carrés ordinaire non récursive ou récursive.
i=1 j=1
4. RÉDUCTION DE LA COMPLEXITÉ DU MODÈLE
M1 M1
BILINÉAIRE
+ ∑ ∑ h(i, j)u(k − i)u(k − j)
i=1 j=1
4.1 Principe de la réduction paramétrique
M2 M2
+ ∑ ∑ g(i, j)y(k − i)y(k − j) (3) Le modèle Bilinéaire est stable au sens du critère BIBO (
i=1 j=1 Bounded Input Bounded Output ). Les coefficients a( j), b(i)
Lorsque les fonctions fq ne dépendent pas du signal de sortie, et c(i, j) sont alors absolument sommables. C’est-à-dire ces
le modèle est dit non récursive cas des séries de Volterra. Dans coefficients appartiennent à l’espace de Lebesgue ℓ2 [0, ∞[. Les
le cas récursif, une classe importante de modèles polynomiaux fonctions de Laguerre forment une base orthogonale dans cet
est celle des modèles Bilinéaires. espace, et par suite les coefficients a( j) et b(i) peuvent être
décomposés sur deux bases orthogonales
© b ª∞ indépendantes de La-
3. MODÈLE BILINÉAIRE GÉNÉRAL guerre βa = {lna }∞
n=0 et βb = l n n=0 et les coefficients c(i, j)
sont décomposés sur la base orthogonale βc = {lnc }∞
n=0 .
Le cas particulier des modèles Bilinéaires est obtenue lorsque : ∞
N1 N2 a ( j) = ∑ gn,a lna ( j, ξa ) (16)
f2 (u, y) = ∑ ∑ c(i, j)u(k − i)y(k − j) (4) n=0
i=1 j=1 ∞
258
CIFA2012, 4-6 Juillet 2012
Grenoble, France
q
βc respectivement. gn,a , gn,b et gn1 ,n2 appelés coefficients de
1 − ξ2i
Fourier sont les coordonnées de a( j), b(i) et c(i, j) dans les L0i (z) =
bases βa , βb et βc respectivement et ξa , ξb et ξc sont les pôles z − ξi (29)
de Laguerre. En substituant les relations (16), (17) et (18) dans
1 − ξi z
i
Ln (z) = Ln−1 (z, ξi ), n = 1, 2, ....
la relation (5), le modèle résultant peut s’écrire : z − ξi
∞ ∞
En combinant la forme récursive (29) reliant les fonctions de
y(k) = ∑ gn,a xn,y (k)+ ∑ gn,b xn,u (k) la base de Laguerre avec la relation (20), on peut formuler
n=0 n=0
∞ ∞
′ ′
(19) les relations de récurrence suivantes entre les filtres Xn,y (z)
+ ∑ ∑ gn1 ,n2 xn1 ,u (k) xn2 ,y (k) transformées en Z des filtres xn,y (x) .
n1 =0 n2 =0 p
′
1 − ξ2a
avec xn,u (k) et xn1 ,u (k) sont les sorties respectivement du X0,y (z) = Y (z)
′ z − ξa (30)
neme et neme
1 filtres relatifs à l’entrée u et xn,y (k) et xn2 ,y (k) sont
1 − ξa z
eme eme
les sorties respectivement du n et n2 filtres relatifs à la Xn,y (z) = Xn−1,y (z, ξa )
z − ξa
sortie y, définies par les relations suivantes :
∞ Soulignons que les filtres Xn,u (z), Xn1 ,u (z) et Xn2 ,y (z) peuvent
xn,y (k) = ∑ lna ( j, ξa ) y(k − j) = lna (k, ξa ) ∗ y(k) (20) être obtenus en suivant la même procédure que celle des filtres
j=1 Xn,y (z). A partir de la relation (30), on obtient les équations
∞ récurrentes suivantes : Pour n = 0, 1 :
xn,u (k) = ∑ lnb ( j, ξb )u (k − i) = lnb (k, ξb ) ∗ u(k) (21)
i=1 p
′
∞ x0,y (k + 1) = ξa x0,y (k) + 1 − ξ2a y(k − 1)
xn1 ,u (k) = ∑ lnc1 (p, ξc ) u(k − p) = lnc1 (k, ξc ) ∗ u(k) (22) x1,y (k + 1) = (1 −pξ2a ) x0,y (k) + ξa x1,y (k) (31)
p=1 −ξa 1 − ξ2a y (k − 1)
∞
′
xn2 ,y (k) = ∑ lnc2 (q, ξc ) y(k − q) = lnc2 (k, ξc ) ∗ y(k) (23) Par suite, par substitutions successives, on obtient Pour n ≥ 2 :
q=1
¡ ¢ n−2
où ∗ désigne le produit de convolution. Les séries infinies (16), xn,y (k + 1) = ξa xn,y (k) + 1 − ξ2a ∑ (−ξa )n− j−1 x j,y (k)
(17) et (18) peuvent être tronquées à un ordre de troncature fini j=0
Na , Nb et Nc1 × Nc2 respectivement comme suit : ¡ ¢ q
Na−1 + 1 − ξ2a xn−1,y (k) + (−ξa )n 1 − ξ2a y (k − 1) (32)
a( j) = ∑ gn,a lna ( j, ξa ) (24) En considérant le vecteur X(k) contenant l’ensemble des sorties
n=0
de filtres des bases de Laguerre,
Nb−1
b( j) = ∑ gn,b lnb ( j, ξb ) (25)
n=0
Nc1 −1 Nc2 −1
X (k) = [x0,y (k) , . . . , xNa−1,y (k) , x0,u (k) , . . . ,
c(i, j) = ∑ ∑ gn1 ,n2 lnc1 (i, ξc ) lnc2 ( j, ξc ) (26)
′ ′ ′ ′
n1 =0 n2 =0 xNb−1,u (k) , x0,u (k) x0,y (k) , . . . , x0,u (k) xNc2 −1,y (k) ,
Et la relation (19) s’écrit : ′ ′ ′ ′
iT
Na−1 Nb−1 . . . , xNc1 −1,u (k) x0,y (k) , . . . , xNc1 −1,u (k) xNc2 −1,y (k) (33)
y (k) = ∑ gn,a xn,y (k) + ∑ gn,b xn,u (k)
ou encore :
n=0 n=0
Nc1 −1 Nc2 −1 (27) T
′ ′ X(k) = [ Xn,y (k) Xn,u (k) Xn1,u (k) ⊗ Xn1,y (k) ] (34)
+ ∑ ∑ gn1 ,n2 xn1 ,u (k) xn2 ,y (k)
n1 =0 n2 =0 avec
T
Dans ce cas le nombre de paramètres du modèle est égal à : Xn,y (k) =[ x0, y (k) . . . xNa − 1, y (k) ] (35)
T
Xn,u (k) =[ x0, u (k) . . . xNb − 1, u (k) ] (36)
N = Na + Nb + Nc1 × Nc2 h ′ ′
iT
Xn1 ,u (k) = x0, u (k) . . . xNc1 − 1, u (k) (37)
h ′ iT
4.2 Représentation récursive du modèle Bilinéaire-Laguerre ′
Xn2 ,y (k) = x0, y (k) . . . xNc2 − 1, y (k) (38)
La transformé en Z des fonctions de Laguerre vérifient la
relation de récurrence suivante: Soit le vecteur C contenant tous les coefficients de Fourier gn,a
q pour n = 0, 1, . . . , Na − 1, gn,b pour n = 0, 1, . . . , Nb − 1 et
1 − ξ2i µ ¶n−1
gn1 ,n2 pour n1 = 0, 1, . . . , Nc1 − 1 et n2 = 0, 1, . . . , Nc2 − 1.
Lni (z, ξ) = 1 − ξi z , i = a, b, c (28)
z − ξi z − ξi
Cette relation est vérifiée pour les fonctions de Laguerre rel- , g0,0 , . . . , g0,Nc2−1 , . . . , gNc1−1,0 , . . . , gNc1−1,Nc2−1 ]T (39)
atives à l’entrée, à la sortie et à leur produit croisé. On aura Le modèle Bilinéaire-Laguerre peut être représenté par les
pour i = a, b et c la relation suivante : équations récursives suivantes qui régissent le système :
259
CIFA2012, 4-6 Juillet 2012
Grenoble, France
∞
Xn,y (k + 1) = A (ξb ) Xn,y (k) + b (ξb ) y (k) 1
M2, a =
kak 2 ∑ j a( j) a( j − 1) (47)
Xn,u (k + 1) = A (ξa ) Xn,u (k) + b (ξa ) u (k) j=0
∞
Xn1 ,u (k + 1) = A (ξc ) Xn1 ,u (k) + b (ξc ) u (k) 1
M2, b =
kbk2
∑ j b( j) b( j − 1) (48)
X (k + 1) = A (ξ ) X (k) + b (ξ ) y (k)
j=0
n2 ,y c n2 ,y c
1 ∞ ∞ 2
2 ∑ ∑
M 1,1 = i c (i, j)
kck
y(k) = CT X(k) (40)
i=0 j=0
1 ∞ ∞
avec pour i = a, b et c
2
M1,2 = kck2 ∑ ∑ j c (i, j)
i=0 j=0
(49)
ξi 0 ··· 0
1 ∞ ∞
1 − ξ2i ξi ··· 0
M =
2,1 kck2 i=0 ∑ ∑ i c(i, j) c(i − 1, j)
j=0
A (ξi ) = .. .. .. ..
1 ∞ ∞
. . . . M2,2 =
∑ ∑ j c(i, j) c(i, j − 1)
kck2 i=0 j=0
(−ξi )Ni−1 (1 − ξ2i ) (−ξi )Ni−2 (1 − ξ2i ) · · · ξi
et
1 Q1,c = 1 [M1,1 + M1,2 ]
− ξi 2
q 2 1 (50)
b(ξi ) = 1 − ξ2i ( − ξi ) Q2,c = [M2,1 + M2,2 ]
.. 2
.
( − ξi )Ni − 1 Ainsi les fonctions de coût Ja , Jb et Jc s’écrivent:
2
J = (1 + M1,a ) ξa − 2M2,a ξa + M1,a
a
5. OPTIMISATION DES PÔLES DE LAGUERRE
(1 − ξ2a )
(1 + M1,b ) ξ2b − 2M2,b ξb + M1,b
J = (51)
Un choix optimal du pôle de Laguerre résulte en une réduction b
(1 − ξ2b )
significative du nombre de paramètres. De ce fait, l’optimisation
(1 + Q1,c ) ξ2c − 2Q2,c ξc + Q1,c
des pôles a suscité l’intérêt de plusieurs auteurs où différentes Jc =
techniques d’optimisation du pôle de Laguerre ont été élaborées. (1 − ξ2c )
Parmi les techniques d’optimisations des pôles de Laguerre
Le numérateur de Ji (i = a, b, c) est une fonction convexe
on cite la méthode de Campello et al (2004) et Kibangou
différentiable et non-négative définie sur un ouvert convexe
et al (2005). On présente dans cette section, une méthode
℘ = {ξi ∈ ℜ : |ξi | < 1} tandis que son dénominateur est une
d’optimisation analytique des pôles de Laguerre. Cette méthode
fonction concave, différentiable et positive sur ℘.
est basée sur l’extension du travail de Tanguy et al (2000) et
En conséquence Ji est une fonction pseudo-convexe sur℘, toute
celui de Kibangou et al (2005). Un des apports importants de dJi
Tanguy et al est d’avoir exprimé le pôle optimal de Laguerre en solution de dξ = 0 est donc un minimum global de Ji . Pour
i
fonction des coefficients de Laguerre. déterminer ce minimum posons :
Pour les trois bases, les fonctions de Laguerre vérifient la
relation suivante pour i = a, b et c, et n = 0, 1, 2, . . . : 2M1,a + 1 2M1,b + 1 2Q1,c + 1
ρa = ; ρb = ; ρc = (52)
2M2,a 2M2,b 2Q2,c
(1 − ξ2i ) n lni ( j) = −( j + 1) ξi lni ( j + 1) − j ξi lni ( j − 1)
Les pôles optima de Laguerre ξopt,i , i = a, b ou c au sens de la
£ ¤
+ j (1 + ξ2i ) + ξ2i lni ( j) (41) minimisation des critères Ji sont obtenus par :
q
On considère l’optimisation séparée des deux pôles en pro- ρi − ρ2 − 1 si ρi > 1
posant les deux fonctions de coût suivantes inspirées du travail ξopt,i = q i (53)
ρ + ρ2 − 1 si ρ < −1
de Tanguy et al (2000) et de Kibangou et al (2005), i i i
∞ ∞
1 2 1 On note que les pôles optima, ainsi déterminés, ne dépendent
Ja = ∑ n g n, a et Jb = ∑ n g2n, b (42)
kak2 n = 0 kbk2 n = 0 pas des coefficients a, b et c. Toutefois, chaque pôle optimal
∞ ∞ ξopt,i i = a, b, c, ainsi déterminé s’écrit en fonction du paramètre
1 ρi , qui dépend des coefficients du modèle Bilinéaire-Laguerre.
Jc = 2 ∑ ∑
(n1 + n2 )g2n1 ,n2 (43)
2kck n1 =0 n2 =0 Ceci nécessite une estimation de ces coefficients pour déduire
où : le pôle optimal. Afin d’éviter ce calcul, on utilise la méthode de
∞ ∞ Tanguy et al exprimant la quantité ρi directement en fonction
kak2 = ∑ a2 ( j) et kbk2 = ∑ b2 ( j) (44) des coefficients de Fourier du modèle. Pour ce faire, définissons
j=0 j=0
∞ ∞
les quantités suivantes :
kck2 = ∑ ∑ c2 (i, j) (45) ∞
et les quantités suivantes :
i=0 j=0
T1,i = ∑ (2n + 1)g2n,i ½
R1,i = T1,i
n=0 , , i = a, b (54)
∞
1 ∞
1 ∞
R2,i = T2,i
j a2 ( j) et M1, b = j b2 ( j) (46) T2,i = 2 ∑ ngn,i gn−1,i
2 ∑ ∑
M1, a =
kak j = 0 kbk2 j=0 n=0
260
CIFA2012, 4-6 Juillet 2012
Grenoble, France
et Signal d'entrée
∞ ∞
0.8
0.6
T1,1 = ∑ ∑ (2n1 + 1)g2n1 ,n2 0.4
n1 =0 n2 =0 0.2
∞ ∞
0
T1,2 = ∑ ∑ (2n2 + 1)g2n1 ,n2 ½ -0.2
∞ ∞ ,
R2,c = T2,1 + T2,2 -0.6
T2,1 = 2 ∑ ∑ n1 gn1 ,n2 gn1 −1,n2 -0.8
n1 =1 n2 =0
∞ ∞
-1
0 100 200 300 400 500 600 700 800
Nombre des itérations
T2,2 = 2 ∑ ∑ n2 gn1 ,n2 gn1 ,n2 −1
n1 =0 n2 =1 Fig. 1. Signal d’entrée u
(55)
[ a(1), a(2), a(3) ] [0.3907, 0.0253, 0.1483]
Par suite, on peut en déduire les égalités suivantes : [ b(1), b(2), b(3) ] [1.0411, −0.3951, −0.1843]
[c(1, 1), c(1, 2), c(1, 3), c(1, 4), c(1, 5)] [−0.01, 0.02, −0.60, −0.21, 0.09]
[c(2, 1), c(2, 2), c(2, 3), c(2, 4), c(2, 5)] [−0.003, −0.48, 0.44, 0.39, 0.134]
khi k2 £ ¤ [c(3, 1), c(3, 2), c(3, 3), c(3, 4), c(3, 5)] [0.153, −0.08, 0.117, −0.51, 0.31]
R
1,i = 2
2 (1 + ξ2i ) Q1,i − 4 ξi Q2,i + (1 + ξ2i )
1 − ξi [c(4, 1), c(4, 2), c(4, 3), c(4, 4), c(4, 5)] [−0.59, 0.69, −0.33, 0.33, −0.41]
, i = a, b (56) [c(5, 1), c(5, 2), c(5, 3), c(5, 4), c(5, 5)] [0.122, −0.25, 0.27, −0.06, 0.11]
2khi k2 £ 2
¤
R2,i =
− 2 ξi Q1,i + (1 + ξi ) Q2,i − ξi
1 − ξi2 Table 1. Identification des coefficients du modèle Bilinéaire
khc k2 £ ¤
R1,c = 2 2
2 (1 + ξ2c ) Q1,c − 4 ξc Q2,c + (1 + ξ2c ) Afin d’étudier la performance de la procédure itérative d’identi-
1 − ξc fication des pôles de Laguerre ξa , ξb et ξc , on propose de
2 (57)
R = 4kh ck £ ¤ comparer les valeurs optimales identidiées par rapport à celles
2,c − 2 ξc Q1,c + (1 + ξ2c ) Q2,c − ξc
1 − ξ2c calculées théoriquement à partir des critères Ja , Jb et Jc de la
Nous pouvons réécrire ρi , i = a, b, c, en fonction de R1,i et R2,i relation (51). Dans ce cas, en utilisant les valeurs calculées des
qui ne dépendent que du spectre de Laguerre du système : coefficients du modèle Bilinéaire, on trace dans la figure 2 les
courbes théoriques des fonctions Ja , Jb et Jc .
ρi = (58) log10(Ja)
2ξi R1,i + (1 + ξ2i )R2,i 2.5
log (J )
10 b
2 log10(Jc)
Minimum global
Les pôles optima de Laguerre au sens de la minimisation 1.5
−0.5
−1 −0.8 −0.6 −0.4 −0.2 0 0.2 0.4 0.6 0.8 1
6. SIMULATION NUMÉRIQUE
Fig. 2. Courbes théoriques des fonctions de coût Ja , Jb et Jc
261
CIFA2012, 4-6 Juillet 2012
Grenoble, France
0.15 0.15
ξa
ξb
0.6
0.1 ξc 0.1 sortie réelle
0.5 sortie par modèle bilinéaire
0.05 0.05
sortie par modèle bilinéaire−Laguerre
0 0
ξa
0.4
ξb
−0.05 −0.05 ξc
0.3
−0.1 −0.1
0.2
−0.15 −0.15
−0.25 −0.25
0
0 2 4 6 8 10 12 14 16 18 20 0 2 4 6 8 10 12 14 16 18 20
(a) (b) −0.1
−0.2
0.1 −0.3
0.05
−0.4
0 50 100 150 200
0 nombre des itérations
ξa
−0.05 ξb
ξc
−0.1
0 2 4 6 8 10 12 14 16 18 20
(c)
4 g0, a
g1, a
g1, b
Fig. 3. Identification itérative des pôles ξa , ξb et ξc en fonction des ordres Na, 3
g1, b
g0, 0
Nb, Nc1 et Nc2 ; (a) : Ni = 2, (b) : Ni = 3 et (c) : Ni = 4 2 g0, 1
g1, 0
1 g1, 1
constate que les valeurs des pôles optima sont proches de celles
Fig. 5. Identification des coefficients de Fourier,
déterminées par les courbes théoriques des fonctions de coûtJa ,
Na = Nb = 2 et Nc1 = Nc2 = 2
Jb et Jc . On observe aussi que les valeurs des pôles varient très
peu avec les ordres de troncatures. Toutefois, sur la figure 3 on REFERENCES
constate que l’augmentation des ordres de troncatures permet
Alireza R. et Scott S. Identification of nonlinear systems
d’augmenter la vitesse de convergence de l’algorithme mais
using NARMAX model Nonlinear Analysis Theory, Methods
avec un surcoût de calcul. Dans l’objectif de l’identification
and Applications, Vol. 71, N◦ . 12, pp. e1198-e1202, 15
du système, on peut constater du tableau 2 que les ordres de
December 2009.
troncatures Na, Nb, Nc1 et Nc2 influent sur la précision du
Campello R.J.G.B. Favier G. et Amaral W.C. Optimal ex-
modèle ARX - Laguerre. En effet, en augmentant l’ordre de
pansions of discrete-time Volterra models using Laguerre
troncature l’EQMN diminue. De plus, on peut noter que le
functions. Automatica, Vol. 40, N◦ . 5, pp. 815-822, 2004.
fait d’avoir une procédure d’identification itérative des pôles
Glass J. W. et Franchek M. A. NARMAX modelling and robust
de Laguerre permet d’améliorer non seulement l’estimation
control of internal combustion engines International Journal
des pôles de Laguerre mais aussi de garantir une réduction
of Control, Vol. 72, N◦ . 4, pp. 289-304, 10 March 1999.
paramétrique significative par rapport au modèle Bilinéaire.
Hacioglu R. et Williamson G.A. Reduced complexity Volterra
Cette réduction est obtenue avec une précision globale du
Models for nonlinear system identification Eurasip Journal
modèle Bilinéaire - Laguerre. Par exemple, sur une phase de
on Applied Signal Processing, Vol 2001, N◦ . 4, pp. 257-265,
validation de 200 observations et pour Na = Nb = 2 et Nc1 =
December 2001.
Nc2 = 2 on a une EQMN = 1, 4362% et un TRP = 74,19 %.
Kibangou A.Y. Favier G. et Hassani M.M. Optimization
Pour le modèle Bilinéaire on obtient une EQMN = 3, 54% tels
of Laguerre-Volterra filters based on Laguerre spectra.
que ny = nu = 2 et N1 = N2 = 2. Dans ce cas, on trace dans la
EURASIP Journal on Applied Signal Processing, Vol. 2005,
figure 4 l’évolution de la sortie du modèle Bilinéaire et celle du
N◦ . 17, Pages 2874-2887, 2005.
modèle Bilinéaire - Laguerre. Donc pour le même nombre de
Malti R., Ekongolo S.B. et Ragot J. Dynamic SISO and MISO
paramètres égale à 8, on constate la concordance de la sortie
System Approximations Based on Optimal Laguerre Models
réelle avec la sortie du modèle Bilinéaire - Laguerre et la non
IEEE Transactions on Automatic Control, Vol. 43, No. 9, pp.
concordance avec la sortie du modèle Bilinéaire. L’évolution
1318-1323, 1998.
des coefficients du vecteur des paramètres c, pendant la phase
Narendra K.S. et Parthasarathy K. Identification and control of
d’identification par la méthode des moindres carrées récursif,
dynamical systems using neural networks IEEE Transaction
est illustrée sur la figure 5.
of neural networks. Vol. 1, No. 1, pp. 4-27.
Sunil L. K. Henrietta L. G. et Robert E. K. A bootstrap method
for structure detection of NARMAX models, International
7. CONCLUSION
Journal of Control, Vol. 77, N◦ . 2, pp. 132-143, 2004.
Tanguy N. Morvan R. Vilbé P. et Calvez L. C. Online opti-
Le développement en séries de Laguerre d’un modèle Bilinéaire mization of the time scale in adaptive Laguerre-based filters.
permet de réduire de manière considérable le nombre de IEEE Trans. on Signal Processing, Vol. 48, N◦ . 4, pp. 1184
paramètres à estimer lors d’une expérience d’identification d’un -1187, 2000.
tel modèle. Cependant, le choix de la base adéquate est fonction Wahlberg B. System identification using Laguerre models.
du choix du pôle de Laguerre. Sans connaissance a priori du IEEE Transactions on Automatic Control, Vol. 36, N◦ . 5, pp.
système, le choix du pôle de Laguerre joue un rôle crucial. Dans 551-562, 1991.
cet article, nous avons proposé un algorithme pour l’estimation
des pôles optimaux et des coefficients du modèle Bilinéaire-
Laguerre.
262