Conférence Internationale Francophone d'Automatique (CIFA2012)

Grenoble, France. 4-6 Juillet 2012

Développement du modèle Bilinéaire sur les bases

orthogonales de Laguerre
K. Bouzrara, T. Garna, W. Arfaoui, H. Messaoud ∗
∗ Unité de recherche: Automatique Traitement de Signal et Image
Ecole Nationale d’Ingénieurs de Monastir, Université de Monastir
Rue Ibn Eljazzar, 5019 Monastir Tunisie
Tel : +(216)73 500 511 ; Fax :+(216)73500514
(e-mail: hassani.messaoud@ enim.rnu.tn)

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.

Mots-clés : Modèle Bilinéaire, Bases de Laguerre, Bilinéaire - Laguerre, Optimisation.

1. INTRODUCTION la base. De ce fait, l’optimisation des pôles de Laguerre a

suscité l’intérêt de plusieurs auteurs où différentes techniques
d’optimisation ont été élaborées. Ces techniques d’optimisation
Dans les dernières années, différents modèles ont été développés
peuvent êtres itératives telle que la méthode de Hacioglu et al
pour la représentation des systèmes dynamiques non linéaires.
(2001) ou analytique telle que la méthode de Campello et al
Parmi les modèles rencontrés, on considère la classe des
(2004) et celle de Kibangou et al (2005).
modèles polynomiaux, permettant de décrire un nombre im-
Tous ces travaux utilisent le principe du filtrage de l’entrée par
portant d’applications réelles, tel que le modèle NARMAX
les fonctions orthogonales de chaque base de Laguerre. Ainsi,
(Non linear AutoRegressive Moving Average with eXogenous
vue l’importance de la réduction paramétrique et dans le but
Inputs). Ce modèle est caractérisé par des expansions polyno-
de recueillir le maximum d’information sur le système non
miales de la sortie et de l’entrée, plus des termes croisés (Glass
linéaire, il est intéressant d’étendre ce principe de filtrage de
et al (1999), Sunil et al (2004), Alireza et al (2009)). Le modèle
l’entrée à celui de la sortie. A ce propos, on propose dans ce
NARMAX englobe d’autres représentations non linéaires telles
papier d’utiliser les fonctions orthogonales de Laguerre pour
que le modèle de Volterra non récursif et le modèle Bilinéaire
le filtrage de l’entrée et de la sortie du modèle Bilinéaire. En
récursif.
effet, ce dernier étant un modèle polynomial caractérisé par
Le modèle de Volterra est non linéaire par rapport au signal
le produit croisé entrée/sortie. Dans ce cas, la solution pro-
d’entrée et il présente l’avantage d’être linéaire par rapport à
posée pour le filtrage de l’entrée et de la sortie du modèle
ses paramètres (noyaux de Volterra), ce qui permet d’étendre
Bilinéaire consiste à décomposer les paramètres du modèle
certains résultats établis pour l’identification paramétrique des
Bilinéaire associés à l’entrée, à la sortie et au produit croisé
modèles linéaires. Toutefois, pour des systèmes fortement non
entrée-sortie sur trois bases indépendantes de Laguerre. Le
linéaires le modèle de Volterra exige un ordre de non linéarité
modèle résultant est une nouvelle représentation non linéaire
et une mémoire élevés générant une complexité paramétrique
en fonction des filtres d’entrée, des filtres de sortie et de leurs
et structurelle. Ces derniers paralysent l’application du modèle
produits croisés. Il est intitulé modèle Bilinéaire - Laguerre et
de Volterra dans toute structure d’identification et de commande
considéré comme une approximation du modèle Bilinéaire. On
en ligne. Une réduction de la complexité du modèle Volterra est
note que chaque base de Laguerre est caractérisée par un seul
alors nécessaire. Afin de surmonter cette complexité, certains
pôle. Ce dernier permet donc de s’affranchir de la complexité
travaux ont proposé le développement du modèle de Volterra
paramétrique du modèle Bilinéaire. De plus, dans la littérature
sur des bases orthogonales indépendantes. Le principe de cette
les filtres d’entrée et de sortie obtenus de chaque base de
approche de réduction consiste à décomposer les noyaux de
Laguerre peuvent être calculés d’une façon récursive, donc le
Volterra sur des bases orthogonales. Parmi les bases qui ont
modèle Bilinéaire - Laguerre peut s’écrire sous la forme d’une
suscité un vif intérêt en automatique, c’est la base orthogonale
représentation récursive simple. Dans la section suivante, on
de Laguerre Wahlberg (1991), Malti et al (1998), Tanguy et al
présente une représentation polynomiale générale des systèmes
(2000). Le modèle obtenu est intitulé Volterra - Laguerre. Pour
non linéaires mise sous forme d’une écriture entrée/sortie. Un
chaque base de Laguerre est associé un réseau de filtres d’entrée
cas particulier de cette forme polynomiale est traité dans la sec-
de Laguerre dont le nombre de filtres dépend essentiellement
tion 3, il s’agit du modèle Bilinéaire. Dans la section 4, on pro-
de l’identification optimale du pôle de Laguerre caractérisant

257
CIFA2012, 4-6 Juillet 2012
Grenoble, France

pose l’élaboration de la nouvelle représentation des systèmes
non linéaires via un développement des coefficients du modèle
Bilinéaire sur trois bases indépendantes de Laguerre. La section
5 traite l’optimisation des pôles de Laguerre par une méthode
analytique. Dans la section 6 on présente quelques résultats
obtenus en simulation validant les performances de la méthode
d’optimisation des pôles ainsi que le modèle Bilinéaire - La-
guerre proposées. La suprématie du modèle proposé au modèle
du Bilinéaire classique en terme de réduction du nombre de
paramètres, a été confirmée par une étude comparative des deux
modèles.
2. MODÈLE POLYNOMIAL
C’est une représentation tout à fait générale, qui unifie l’ensemble
des représentations existantes. Son écriture ”entrée-sortie” se
met sous la forme :
Q Φ y,1 (k) = [y (k −
y(k) = ∑ fq (u(k), u(k − 1), . . . , u(k − nu )
q=0
, y(k − 1), . . . , y(k − ny ))
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
sortie. Les produits croisés entrée/sortie sont rajoutés en vue de
réduire le nombre important des paramètres requis pour calculer
les noyaux dans une fonction polynomiale. Par exemple, un
modèle polynomial général quadratique est obtenu pour fq =
0 ∀q>2:
nu ny
f1 (u, y) = ∑ b(i)u(k − i)+ ∑ a( j)y(k − i)
i=1 i=1
N1 N2
f2 (u, y) = ∑ ∑ c(i, j)u(k − i)y(k − j)
i=1 j=1
M1 M1
+ ∑ ∑ h(i, j)u(k − i)u(k − j)
i=1 j=1
M2 M2
+ ∑ ∑ g(i, j)y(k − i)y(k − j)
i=1 j=1
Lorsque les fonctions fq ne dépendent pas du signal de sortie,
le modèle est dit non récursive cas des séries de Volterra. Dans
le cas récursif, une classe importante de modèles polynomiaux
est celle des modèles Bilinéaires.
3. MODÈLE BILINÉAIRE GÉNÉRAL
Le cas particulier des modèles Bilinéaires est obtenue lorsque :
N1 N2
f2 (u, y) = ∑ ∑ c(i, j)u(k − i)y(k − j)
i=1 j=1
La représentation du modèle Bilinéaire peut s’écrire sous la
forme vectorielle suivante :
y(k) = θT Φ(k) (6)
où θ et Φ(k) sont respectivement le vecteur de paramètres du
modèle Bilinéaire et celui contenant les entrées, les sorties et
leurs produits croisés.
θ = [b(1), . . . , b(nu ), a(1), . . . , a(ny ), c(1, 1), . . . , c(0, N2 ), . . . ,
c(N1,1 ), . . . , c(N1 , N2 )]T (7)
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 ) , . . . ,
u (k − N1 ) y (k − 1) , . . . , u (k − N1 ) y (k − N2 )]T (8)
ou encore
Φ(k) = [ Φu,1 (k), Φy,1 (k), Φu,2 (k) ⊗ Φy,2 (k)]T (9)
avec ⊗ le produit de Kronecker et
Φu,1 (k) = [u (k − 1) , . . . , u (k − nu )] (10)
1) , . . . , y (k − n y )] (11)
Φu,2 (k) = [u (k − 1) , . . . , u (k − N1 )] (12)
(1)
Φy,2 (k) = [y (k − 1) , . . . , y (k − N2 )] (13)
Les paramètres optima peuvent être obtenus en minimisant le
e
θ = arg min (Jbilineaire ) (14)
| {z }
θ
Jbilineaire est l’erreur quadratique définit comme étant la norme
quadratique de l’erreur entre la sortie du système ysys (k) et son
estimation y(k) donnée par :
H
Jbilineaire = ∑ [ysys (k) − y(k)]2 (15)
(2) k= 1
H est l’horizon fini des mesures. Cette fonction objective admet
un extremum global unique qui peut être calculé par la méthode
des moindres carrés ordinaire non récursive ou récursive.
4. RÉDUCTION DE LA COMPLEXITÉ DU MODÈLE
BILINÉAIRE
4.1 Principe de la réduction paramétrique
(3) Le modèle Bilinéaire est stable au sens du critère BIBO (
Bounded Input Bounded Output ). Les coefficients a( j), b(i)
et c(i, j) sont alors absolument sommables. C’est-à-dire ces
coefficients appartiennent à l’espace de Lebesgue ℓ2 [0, ∞[. Les
fonctions de Laguerre forment une base orthogonale dans cet
espace, et par suite les coefficients a( j) et b(i) peuvent être
décomposés sur deux bases orthogonales
© b ª∞ indépendantes de La-
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 .
∞
a ( j) = ∑ gn,a lna ( j, ξa ) (16)
(4) n=0
∞

Soit une représentation de la forme : b (i) = ∑ gn,b lnb (i, ξb ) (17)

n=0
ny nu ∞ ∞
y(k) = ∑ a( j) y(k − i) + ∑ b(i) u(k − i) c (i, j) = ∑ ∑ gn1 ,n2 lnc1 (i, ξc ) lnc2 ( j, ξc ) (18)
i=1 i=1 n1 =0 n2 =0
N1 N2 (5)
+ ∑ ∑ c(i, j) u(k − i)y(k − j) où lna ( j, ξa ), lnb ( j, ξb ) et lcn (i, ξc ) représentent les fonctions
i=1 j=1 orthogonales de Laguerre des bases indépendantes βa , βb et

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

avec | ξi | h 1 et n ≥ 1 C =[g0,a , . . . , gNa−1,a , , g0,b , . . . , gNb−1,b ,

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

n1 =0 n2 =0 R1,c = T1,1 + T1,2 -0.4

∞ ∞ ,

 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 .

(1 + ξ2i )R1,i + 2ξi R2,i 3

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

des critères Ji(i=a,b,c) sont obtenus à partir des coefficients de 1

Fourier du développement de chaque coefficient du modèle

Bilinéaire-Laguerre sur une base orthogonale indépendante de 0.5

Laguerre en utilisant la relation (53). 0

−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

Soit à approcher, par une structure Bilinéaire, le modèle non

linéaire : En fonction de la variation des ordres de troncatures Na, Nb,
Nc1 et Nc2 du modèle Bilinéaire - Laguerre on résume dans
le tableau 2 les performances de la procédure d’identification
y(k − 1)y(k − 2)y(k − 3)u(k − 2) (y(k − 3) − 1) + u(k − 1) des pôles de Laguerre en termes de l’EQMN et du Taux de
y(k) = réduction paramétrique (T RP) par rapport au modèle Bilinéaire
1 + y2 (k − 2) + y3 (k − 3)
(59) obtenu. On note que les coefficients de Fourier du modèle
Bilinéaire - Laguerre sont identifiés par l’algorithme des moin-
y(1) = y(2) = y(3) = 0. Ce modèle a été proposé par Narendra dres carrées récursif.
et al (1990). Un jeu de données de 800 observations est utilisé
pour l’identification des pôles et des coefficients du modèle Na, Nb Nc1 , Nc2 ξ a ξb ξc EQMN(%) TRP (%)
2 2 0, 042 −0, 116 -0,21 0, 65 74, 19
Bilinéaire-Laguerre. Le signal d’entrée utilisé est illustré par la
3 3 0, 07 -0,16 -0,24 0, 36 51, 61
figure 1 dont l’amplitude varie aléatoirement dans l’intervalle
4 4 0, 06 −0, 143 -0,21 0, 11 22, 58
[-1 1].
Le modèle non linéaire (59), peut être représenté par le modèle Table 2. Valeurs optimales des pôles de Laguerre
Bilinéaire pour les ordres ny = nu = 3 et N1 = N2 = 5
c’est-à-dire on a 31 paramètres. On résume dans le tableau 1
les valeurs des coefficients a(i), b(i), i = 1, 2 et c(n, m), n, m = En outre, la figure 3 illustre en fonction des ordres de tron-
1, . . . , 5 qui sont identifiés par l’algorithme des moindres carrées catures Na, Nb, Nc1 et Nc2 le comportement des pôles de
récursif (6). Le modèle Bilinéaire est obtenu pour une Erreur Laguerre estimés itérativement par l’algorithme d’optimisation
Quadratique Moyenne Normalisée EQMN = 0, 379%. proposé.

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

−0.2 −0.2 0.1

−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

−0.15 Fig. 4. Validation du modèle Bilinéaire - Laguerre,

−0.2
Na = Nb = 2 et Nc1 = Nc2 = 2
−0.25

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

A partir de la figure 2 les fonctions de coût Ja , Jb et Jc possèdent -1

un minimum global et unique en ξopt, a = 0, 05, ξopt, b = −0, 15 -2

et ξopt, c = −0, 22 respectivement. D’après le tableau 2, on -3

0 100 200 300 400 500 600 700 800

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