ENSETM GECSI2 Année : 2020-2021

Identification des systèmes dynamiques:

M.BAHATTI
 Plan du cours

1. Introduction à l'identification des systèmes

2. Identification des modèles de base
- Réponse temporelle (Premier, second ordres, Broida; Strejc )
3. Identification des modèles paramétriques
- Modèles
- Moindres carrés
1. Introduction à d'identification des systèmes
 Chapitre 1: Introduction
 Modélisation

 Définitions

- Modélisation ? : Ensemble des procédures permettant d’obtenir un modèle

- Modéliser un système = capable de prédire le comportement du système
- Modèle jamais "exact"?

 Importance

- Outil d'aide à la décision., Support de la simulation,

- Etape Importante d’un projet de commande (50 % )
- Perspectives grâce à l'informatisation
 Chapitre 1: Introduction
 Type de modèles
 Modèle de connaissance
- Obtenu sur la base des lois physiques, économiques etc..
- Difficultés de décrire fidèlement les phénomènes complexes;
- Hypothèses simplificatrices;
- Dilemme- précision-simplicité
- Un modèle simple est faux, un modèle compliqué est inutilisable.
- Les paramètres ont un sens physique donc modèle commode pour l'analyse.
2. Modèle de représentation
- Système "boite noire";
- Paramètres du modèle n'ont aucun sens physique;
- Modèle de conduite (modèle E/S) utile pour la commande

3. Modèles Paramétriques/Non paramétriques

- Modèles non paramétriques
(réponse impulsionnelle, réponse indicielle, réponse fréquentielle)
- Modèles paramétriques
(fonction de transfert, équations différentielles; Représentation d’état, etc…)
 Chapitre 1: Introduction
 Principe de l’identification

Identifier un processus (système), c’est chercher un modèle (dynamique) mathématique,

appartenant à une classe de modèles connue, et qui, soumis à des signaux tests (en
entrée), donne une réponse (dynamique et statique en sortie), la plus proche possible du
système réel .
 Chapitre 1: Introduction
 Critères d’Identifications

 Distance de prédiction:

Basée sur la différence entre la sortie du système et celle que prédit le modèle au
même instant
 Chapitre 1: Introduction
 Critères d’Identifications
 Distance de structure:
Basée sur la différence entre les paramètres du système et ceux du modèle
 Chapitre 1: Introduction
 Classification des méthodes d’identification
 Méthodes non paramétriques
Basées sur les réponses graphiques ( indicielles, impulsionnelles, fréquentielles..)
 Méthodes paramétriques de base
Détermination de la Fonction de Transfert à partir des réponses graphiques
 Méthodes du modèle
− Ajuster manuellement ou automatiquement la structure ou les paramètres du modèle
jusqu’à ce que ε< εmin.
− Itérative

 Méthode statistiques
Basées sur les Moindres Carrées et outils analogues.
2. Méthodes d’identification de Base
 Chapitre 2: Méthodes de base
 Avantages et inconvénients
- Avantage : Simplicité , outil mathématique simple
- Inconvénient : Signaux d’entrée spécifiques (donc pas toujours réalisables)

 Classification
 Analyse indicielle
 Analyse impulsionnelle
 Analyse harmonique

 Contexte Industriel
 Chapitre 2: Méthodes de base
 Identification d’un premier ordre

K
H p =
1 + τp

 Identification d’un deuxième ordre K

H p = 2
p p
1 + 2m +
ω0 ω0
−π.m
D% = 100. e 1−m2

π
𝑡𝑝𝑖𝑐 =
ω0 1 − m 2
2π
𝑇𝑝𝑠𝑒𝑢𝑑𝑜−𝑝é𝑟𝑖𝑜𝑑𝑒 =
ω0 1 − m 2
 Chapitre 2: Méthodes de base
 Méthode de Broîda
 Domaine d’application :
Systèmes linéaires à réponse indicielle apériodique

 Principe :
La méthode de Broîda est une méthode d'identification en boucle ouverte
d'une réponse indicielle expérimentale qui consiste à assimiler la fonction de transfert
d'un système d'ordre n à celle du premier ordre affectée d'un retard pur

Y ( p) e p
G ( p)   K.
U ( p) 1  Tp

 Problème de l’identification
Déterminer les paramètres :
• K: gain statique
• T: Constante du temps (sec.), et
•  : Temps de retard pur (sec.)
 Chapitre 2: Méthodes de base
 Méthodologie: Calcul des paramètres du modèle de Broîda

Broîda fait correspondre la réponse indicielle à identifier et la fonction de transfert

du 1er ordre affectée d'un retard en deux points t2 et t1 d'ordonnées correspondant à
28% et 40% de la valeur finale de la sortie du système.
 Chapitre 2: Méthodes de base
 Exemple du modèle de Broîda
100
Soit un système défini par H(p) telle que: H p =
(p + 5)(p + 4)(p + 1)
Sa réponse indicielle est représentée par la figure suivante

K = 5; τ = 0,375s ; T = 1,21s

5𝑒 −0,375𝑝
H𝑖 p =
1 + 1,21p
 Chapitre 2: Méthodes de base
 Exemple du modèle de Broîda (suite)
100 5𝑒 −0,375𝑝
H p = H𝑖 p =
(p + 5)(p + 4)(p + 1) 1 + 1,21p
Les deux réponses indicielles sont:

La concordance des deux

points d’intersection est
bien vérifiée
 Chapitre 2: Méthodes de base
 Méthode de Strejc
 Principe et Objectif :
La méthode d'identification de STREJC est basée sur les propriétés géométriques de la
réponse indicielle d'un système d'ordre n de fonction de transfert G(p)

L’objectif consiste à approximer la réponse indicielle d’un système donné par la réponse
indicielle d’un système de constante de temps multiple et comportant éventuellement un
retard pur
K. e−τp
G p =
1 + Tp n

 K (gain Statique),
 T(Constante de temps)
 n ( l’ordre du système) et 𝜏 ( Retard)
 Chapitre 2: Méthodes de base
 Méthodologie
On enregistre la réponse indicielle , qui doit être apériodique
u(t)
u(t) y(t)
Système
 Chapitre 2: Méthodes de base
 Méthodologie: Tableau de Strejc

 Paramètres du modèle
 Détermination de K
C’est le gain statique: Rapport de l'amplitude du
signal de sortie sur celle d'entrée .

 Détermination de n
• On trace le mieux possible la tangente au
point d'inflexion de la réponse indicielle
• Les intersections de la tangente donnent TU
et TA
T
• On calcule ensuite le rapport 𝑅 = TU
A
• On détermine alors n d’après le tableau: On prendra la valeur de n entier , immédiatement
inférieure
Exemple: A titre d’exemple, si TU=3s, TA=11s, alors TU/TA = 3/11=0,27; La valeur de n
entier la plus proche inférieure sera égale à n=3
 Chapitre 2: Méthodes de base
 Détermination de la constante de temps T
Connaissant la valeur de n , TA (ou TU), on détermine la constante du temps T à
l'aide de l'une des deux dernières colonnes du tableau.
Dans notre cas , pour n= 3, TA / T = 3,695 alors T= TA /3,695 = 2,97sec.
 Détermination du temps de retard fictif 𝝉
Afin de compenser l'erreur due à la détermination du point d'inflexion, on introduit
un retard fictif 𝝉 = TUT -TUR
TUT : déterminée du tableau de Strejc . TUR :Valeur réelle de la grandeur TU sur la
réponse indicielle.

Dans l’exemple:
TUR =3sec, alors TUT /TA=0,218 (pour n=3) d’où TUT = 0,218*TA =0,218*11=2,4 sec.
Le retard fictif sera ∶ 𝝉 =3-2,4=0,6 sec

 Remarque
• Si un retard réel existe, il sera ajouté au retard fictif
 Chapitre 2: Méthodes de base
100
 Méthode de Strejc : Exemple H p =
(p + 5)(p + 4)(p + 1)
 Chapitre 2: Méthodes de base
 Méthode de Strejc : Exemple (suite)

𝑒 −0,09𝑝
H𝑆 p = 5. 2
1 + 0,65𝑝
 Chapitre 2: Méthodes de base
 Méthode de Strejc : Exemple 100
H p =
(p + 5)(p + 4)(p + 1)

𝑒 −0,09𝑝
H𝑆 p = 5. 2
1 + 0,65𝑝

 Remarques
• La méthode n’est applicable que pour les systèmes d’ordre >= 2
• Le modèle de Strejc donne des résultats satisfaisants lorsque les constantes du
temps du système sont de même ordre de grandeur
 Chapitre 2: Méthodes de base: boucle fermée
 Intérêt de la méthode
• L’identification en boucle ouverte est parfois considérée comme dangereuse pour
l’évolution du système (tous les systèmes de régulation sont hors service).
• L’identification en BO est moins précise que celle de la BF.
 Condition d’application
• S’applique pour les systèmes d’ordre supérieur à 2
• Système stable
• Analyse fréquentielle
 Méthode de Strejc sans retard

yc + e u G ( p) 
k y
kp
(1  Tp ) n
-
Chapitre 2: Méthodes de base: boucle fermée
 Méthodologie
 Calcul du gain statique k
• On considère une entrée échelon,
• On calcule k à partir de l’erreur en régime permanent

 Calcul de n et T
• On fait varier kp jusqu’à l’apparition des oscillations entretenues (pompage)
• On mesure w0 et kp. On pose K=kkp.

• À la limite de stabilité, on a ,

K
1  n. Arctg (Tw0 )  
 1 T w 
et
n
2 2
0
1 
T
K   1  T w   1 /[cos ( )]
tg ( )
2 2 n
n w0 n
0
n
Chapitre 2: Méthodes de base: boucle fermée

K  1  T w   1/[cos ( n )]
2 2
0
n
n 
 Chapitre 2: Méthodes de base: boucle fermée
 Méthode de Broïda

u kep y
yc + e kp G ( p) 
1  Tp
-

 Le gain k est calculé à partir de l’erreur statique en boucle fermée

 A la limite de stabilité, on mesure w0 et kp0. On pose k0 = k.kp0

k0
1 T 1 k 0 1
2
1T w
2 2
0 w0
Artg( k 0 1)
2
w 0 ArtgTw 0  
w0
Chapitre 2. Identification en boucle fermée

 Exercice: Identification en boucle fermée d’un système

On souhaite identifier la fonction de transfert d’un système de régulation de
niveau d’un dégazeur thermique.
Vu que expérimentalement, la réponse indicielle diverge, le modèle adopté pour
cette fonction de transfert est :
K
H p = 2
p 1 + Tp
Pour une identification en boucle fermée, le procédé est mis en oscillations
entretenues pour un gain proportionnel Kp=5. La période des oscillations est
T0=23,88 min

1. L’identification en boucle ouverte est-elle possible?

2. Identifier le système en question
Chapitre3. Identification des modèles paramétriques
 3.1. Méthode des moindres carrés

 Principe général
Déterminer les paramètres d’un modèle de telle sorte à minimiser la somme des carrés
de la différence entre les valeurs prédites par le modèle et les valeurs observées.

 Exemple 1 : Régression linéaire .

Données:
Une série de mesures 𝑦 en fonction d’une entrée 𝑥 qui semble linéaire
𝑇 𝑇
𝑌 = 𝑦1 , 𝑦2 , 𝑦3 , … . 𝑦𝑁 ; 𝑋 = 𝑥1 , 𝑥2 , 𝑥3 , … . 𝑥𝑁

Objectif:
Etablir la régression linéaire : Equation de la droite 𝑦 = 𝑓 𝑥 minimisant l’erreur
au sens des moindres carrés.
𝑦 = 𝑦1 , 𝑦2 , 𝑦3 , … . 𝑦𝑁 𝑇 ;
𝒚 = 𝒂. 𝒙 ; 𝑎: Paramètre inconnu
 3.1. Méthode des moindres carrés
Critère à minimiser au sens des moindres carrés :

2 2 2 𝑇
𝐽 𝑎 = 𝑦1 − 𝑦1 + 𝑦2 − 𝑦2 + ⋯ + 𝑦𝑁 − 𝑦𝑁 = 𝑌 − 𝑋𝑎 𝑌 − 𝑋𝑎
𝑇
𝐽 𝑎 = 𝑌 − 𝑋𝑎 𝑌 − 𝑋𝑎 = 𝑌 𝑇 𝑌 − 𝑌 𝑇 𝑋𝑎 − 𝑎𝑋 𝑇 𝑌 + 𝑎𝑋 𝑇 𝑋𝑎 = 𝑌 𝑇 𝑌 − 2𝑎𝑋 𝑇 𝑌 + 𝑎𝑋 𝑇 𝑋𝑎
𝜕𝐽 𝜕𝐽 −1
= −2𝑋 𝑇 𝑌 + 2𝑋 𝑇 𝑋𝑎 =0 a = 𝑋𝑇 𝑋 𝑋𝑇 𝑌
𝜕𝑎 𝜕𝑎

Exemple Matlab:
clear all ;close all; clc;
% générer les données y = a0*x+b; b: bruit et a0 =3;
N = 30; %Nb d'échantillons
a0 =3;
x = 1:N ; % vecteur ligne
b = 10*randn(N,1) ;
y = a0*x'+b ;
% estimation des paramètres
a = inv((x*x'))*x*y;
plot(x,y,'+',x,a*x)
 3.1. Méthode des moindres carrés

 Exemple 2 : Régression linéaire 2 . 𝒚 = 𝒂. 𝒙 +b

Données:
Commande Observation Prévision

𝑥1 𝑦1 𝑦1 = 𝑎𝑥1 + 𝑏
𝑥2 𝑦2 𝑦2 = 𝑎𝑥2 + 𝑏
… … …
𝑥𝑁 𝑦𝑁 𝑦𝑁 = 𝑎𝑥𝑁 + 𝑏

Objectif:
Déterminer les paramètres a et b tel que le critère quadratique soit minimal
𝑁 𝑁
2 𝑎
𝑎
𝐽 𝑎, 𝑏 = 𝑦𝑖 − (𝑎𝑥𝑖 + 𝑏) 2 𝐽 𝑎, 𝑏 = 𝑦𝑖 − (𝑥𝑖 1) 𝜃=
𝑏 𝑏
𝑖=1 𝑖=1
𝑥1 1
𝐽 = 𝑌 − ∅. 𝜃
𝑇
𝑌 − ∅. 𝜃 𝐽 = 𝑌 𝑇 𝑌 − 𝑌 𝑇 ∅. 𝜃 − 𝜃 𝑇 ∅𝑇 𝑌 + 𝜃 𝑇 ∅𝑇 ∅. 𝜃
∅= … 1
𝑥𝑁 1
𝜕𝐽 𝜕𝐽
= −2∅𝑇 𝑌 + 2∅𝑇 ∅. 𝜃 =0 𝜃 = ∅𝑇 ∅ −1
∅𝑇 . 𝑌
𝜕𝜃 𝜕𝜃
 3.1. Méthode des moindres carrés

Programme Matlab Résultat

a = 3.0099;
clear all ;close all; clc; b = -0.8761
% générer les données y = a0*x+b0+n; n: bruit; a0 =3 et b0 =-1
N = 30; %Nb d'échantillons
a0 =3;b0=-1;
x = 1:N ; % vecteur ligne
n = 5*randn(N,1) ;
y = a0*x'+b0+n ;

% construction de la matrice Phi

for i=1:30
v(i)=1;
end
phi=[x;v];
% estimation des paramètres
teta = inv((phi*phi'))*phi*y;
a=teta(1)
b=teta(2)
plot(x,y,'+',x,a*x+b)
 3.1. Méthode des moindres carrés

 Identification d’un système :

Position du problème
Excitation x(i) Réponse y(i)
Système
Parfaitement connue
i=1… N:
Système: (N mesures)

Dynamique
y(i): fonction inconnue des mesures précédentes y(i-1), y(i-2)… et des entrées x(i), x(i-1) etc.

Objectif:
Donner un modèle dynamique du système (Fonction de transfert, Equation récurrente, etc )
Les sorties 𝑦(𝑖) du modèle sont prédites en fonction de x(i), x(i-1),…et des sorties y(i-1), y(i-2)…
Estimer les paramètres de ce modèle de telle manière à minimiser l’erreur quadratique entre les
sorties réelles 𝑦 𝑖 et les valeurs prédites 𝑦(𝑖)
𝑁 𝑁
2 2
𝐽= ϵ(𝑖) = 𝑦 𝑖 − 𝑦(𝑖) Soit minimal
𝑖=1 𝑖=1
 3.1. Méthode des moindres carrés
Exemple : Système du première ordre.
𝑏
𝐹 𝑧 = 𝑦 𝑖 = −𝑎 𝑦 𝑖 − 1 + 𝑏𝑥(𝑖 − 1)
𝑧+𝑎
Commande Observation Prévision

𝑥0 𝑦0
𝑥1 𝑦1 𝑦1 = −𝑎𝑦0 + 𝑏𝑥0
𝑥2 𝑦2 𝑦2 = −𝑎𝑦1 + 𝑏𝑥1
… … …
𝑥𝑁 𝑦𝑁 𝑦𝑁 = −𝑎𝑦𝑁−1 + 𝑏𝑥𝑁−1

𝑁 𝑁
2 2
𝐽= 𝑦 𝑖 − 𝑦(𝑖) = 𝑦 𝑖 − (−𝑎𝑦 𝑖 − 1 + 𝑏𝑥 𝑖 − 1
𝑖=1 𝑖=1
𝑁
2
𝑎
𝐽= 𝑦𝑖 − (−𝑦𝑖−1 , 𝑥𝑖−1 )
𝑏
𝑖=1
𝑦1
−𝑦0 𝑥0 .
𝑎 𝑇
𝜃= ∅= … … 𝑌= . 𝐽 = 𝑌 − ∅. 𝜃 𝑌 − ∅. 𝜃
𝑏 −𝑦𝑁−1 𝑥𝑁−1 .
𝑦𝑁

𝑎
𝐽 𝑚𝑖𝑛 𝜃= = ∅𝑇 ∅ −1
∅𝑇 . 𝑌
𝑏
 3.1. Méthode des moindres carrés
Application numérique : Système de premier ordre –Réponse indicielle
Valeurs relevées pour y(i) : 0 , 0.4, 0.7, 0.95, 0.98, 1, 0.97, 0.99, 1.02

Le modèle retenu : 𝑦 𝑖 = −𝑎 𝑦 𝑖 − 1 + 𝑏𝑥(𝑖 − 1) Les matrices des mesures :

0 1 0,4
𝑎 −0.5768 0,7
Les valeurs des paramètres : 𝜃= = −0,4 1
𝑏 0.4443 ∅= 0,95
… …
−0,99 1 𝑌= .
Les réponses indicielles (Vérification): .
0,99
1,02
 3.2. Modèles des systèmes à identifier :
Généralisation
 Modèle déterministe
𝑦 𝑘 = −𝑎1 𝑦 𝑘 − 1 − ⋯ − 𝑎𝑛 𝑦 𝑘 − 𝑛 + 𝑏1 𝑢 𝑘 − 1 + ⋯ + 𝑏𝑚 𝑢 𝑘 − 𝑚

𝐴(𝑧 −1 )𝑦 𝑧 = 𝐵 𝑧 −1 𝑢 𝑧 𝐴 𝑧 −1 = 1 + 𝑎1 𝑧 −1 + ⋯ + 𝑎𝑛−1 𝑧 −(𝑛+1) + 𝑎𝑛 𝑧 −𝑛

𝐵 𝑧 −1 = 𝑏1 𝑧 −1 + ⋯ + 𝑏𝑚−1 𝑧 −(𝑚+1) + 𝑎𝑚 𝑧 −𝑚

 Modèles Stochastiques
Modèle ARX le bruit entre directement dans l'équation du processus

𝑦 𝑘 = −𝑎1 𝑦 𝑘 − 1 − ⋯ − 𝑎𝑛 𝑦 𝑘 − 𝑛 + 𝑏1 𝑢 𝑘 − 1 + ⋯ + 𝑏𝑚 𝑢 𝑘 − 𝑚 + 𝜀(𝑘)
𝐴 𝑧 −1 𝑦 𝑧 = 𝐵 𝑧 −1 𝑢 𝑧 + 𝜀(𝑧)

ARX: AR décrit la partie 𝐴 𝑧 −1 𝑦 𝑧

X est une entrée supplémentaire.
Modèle simple, linéaire avec des résultats correctes
Détermination des paramètres : Moindres carrées
 3.2. Modèles des systèmes à identifier :
Généralisation
Modèle ARMAX
Le bruit est filtré avant son implication dans l'équation du processus.
𝑦 𝑘
= −𝑎1 𝑦 𝑘 − 1 − ⋯ − 𝑎𝑛 𝑦 𝑘 − 𝑛 + 𝑏1 𝑢 𝑘 − 1 + ⋯ + 𝑏𝑚 𝑢 𝑘 − 𝑚 + 𝜀 𝑘 + 𝑐1 𝜀 𝑘 − 1 + ⋯ + 𝑐𝑝 𝜀 𝑘 − 𝑝

𝐴 𝑧 −1 𝑦 𝑧 = 𝐵 𝑧 −1 𝑢 𝑧 + 𝐶 𝑧 −1 𝜀(𝑧)

𝐵 𝑧 −1 𝐶 𝑧 −1
𝑦 𝑧 = 𝑢 𝑧 + 𝜀(𝑧)
𝐴 𝑧 −1 𝐴 𝑧 −1

𝐶 𝑧 −1
𝑉 𝑧 = 𝜀(𝑧) Si 𝐶 𝑧 −1 = 1; Processus Auto régressif: AR
𝐴 𝑧 −1
Si 𝐴 𝑧 −1 = 1; Processus à moyenne mobile(Moving Average)
Modèle de bruit plus réaliste.
Détermination des paramètres : Méthodes Probabilistes
 3.3. Méthode des moindres carrés récursifs
 Inconvénient de la méthode MC simples
𝑦1
Calcul sur n mesures : .
• On dispose de n observations 𝑌𝑛 = .
.
𝑦𝑛
−1 𝑇
• La solution optimale calculée sur les n mesures est : 𝜃𝑛 = ∅𝑛 𝑇 ∅𝑛 ∅𝑛 . 𝑌𝑛

La dimension (nxk) de la matrice ∅n croît avec le nombre n de mesures

L'ajout d'une (n+1)ème mesure impose de recommencer la totalité du calcul
Méthode longue
Parfois impossible sur un microcontrôleur.

 Formulation récursive
Possibilité de traiter un plus grand nombre de données
Cas des systèmes variant dans le temps
• Possibilité de "suivre" les paramètres du système
• Possibilité d’une commande « auto-adaptative"
 3.3. Méthode des moindres carrés récursifs
 Principe des MC récursifs 𝑦1
Ajout de la (n+1)ème mesure : . 𝑌𝑛
.
• On dispose de n+1 observations: 𝑌𝑛+1 = =
.
𝑦𝑛
𝑦𝑛+1
𝑎12 𝑎13 … 𝑦𝑛+1
𝑎11 𝑎1𝑘
∅𝑛 = … … …. … …
𝑎𝑛1 𝑎𝑛2 𝑎𝑛3 … 𝑎𝑛𝑘

𝑎11 𝑎12 𝑎13 … 𝑎1𝑘

∅𝑛+1 = … … …. … …
𝑎(𝑛+1)1 𝑎 𝑛+1 2 𝑎(𝑛+1)3 … 𝑎(𝑛+1)𝑘
𝑇
• Posons : 𝑓𝑛+1 = 𝑎(𝑛+1)1 , 𝑎 𝑛+1 2 , 𝑎(𝑛+1)3 , … . 𝑎(𝑛+1)𝑘

∅𝑛 𝑇
−1
∅𝑛+1 = 𝜃𝑛+1 = ∅𝑛+1 ∅𝑛+1 𝑇
∅𝑛+1 . 𝑌𝑛+1
𝑓𝑛+1 𝑇
 3.3. Méthode des moindres carrés récursifs
𝑇
 Expression récursive de base: 𝑇
𝜃𝑛+1 = ∅𝑛+1 . ∅𝑛+1
−1
∅𝑛+1 . 𝑌𝑛+1

Calcul de ∅𝑛+1 𝑇 . ∅𝑛+1 :

𝑇
∅𝑛 ∅𝑛
𝑇
∅𝑛+1 . ∅𝑛+1 = . = ∅𝑛 𝑇 . ∅𝑛 +𝑓𝑛+1 . 𝑓𝑛+1 𝑇
𝑓𝑛+1 𝑇 𝑓𝑛+1 𝑇

Calcul de ∅𝑛+1 𝑇 . 𝑌𝑛+1 :

𝑇
𝑌𝑛
∅𝑛
𝑇
∅𝑛+1 . 𝑌𝑛+1 = . = ∅𝑛 𝑇 𝑌𝑛 + 𝑓𝑛+1 . 𝑦𝑛+1
𝑓𝑛+1 𝑇
𝑦𝑛+1

Calcul de 𝜃𝑛+1:
−1
𝜃𝑛+1 = ∅𝑛 𝑇 . ∅𝑛 +𝑓𝑛+1 . 𝑓𝑛+1 𝑇 + ∅𝑛 𝑇 𝑌𝑛 + 𝑓𝑛+1 . 𝑦𝑛+1
Fin