La cinquième Conférence Internationale d’Electrotechnique et d’Automatique, 02-04 Mai 2008, Hammamet, Tunisie

APPLICATION D’UN OBSERVATEUR A GRAND GAIN DISCRET

A UN RESEAU HYDROGRAPHIQUE

Abderraouf GAALOUL et Faouzi M’SAHLI

Ecole Nationale d’Ingénieurs de Monastir, Département de Génie Electrique,
rue Ibn El Jazzar, 5019, Monastir, Tunisie.
abderraouf.gaaloul@enim.rnu.tn, faouzi.msahli@enim.rnu.tn

Résumé : Ce papier traite le problème d’estimation d’état des systèmes non linéaires discrets multi entrées multi
sorties uniformément observables. Il s’agit de reconstruire les états non mesurables du système à partir de la
connaissance des variables d’entrées/sorties. Alors que plusieurs travaux ont traité ce problème, dans le cas des
systèmes continus, peu sont ceux qui ont abordé le cas des systèmes discrets. Parmi les stratégies d’estimation
proposées dans la littérature, on s’est basé sur la technique de grand gain. Disposant du modèle mathématique d’un
processus réel constitué d’un réseau hydrographique formé de quatre réservoirs disposés en cascade, on s’intéresse, ici,
à estimer deux niveaux d’eau à partir de la mesure discrète de deux autres niveaux. Les résultats de simulation obtenus
sont satisfaisants et montrent l’efficacité de la stratégie d’estimation adoptée. Le choix optimal du paramètre de
synthèse de l’observateur sera aussi envisagé.

Mots clés : Réseau hydrographique, Systèmes non linéaires MIMO discrets, Observateur à grand gain discret.

observateur est sujet à plusieurs contributions portant sur

1. Introduction
Durant les deux dernières décennies, plusieurs travaux
de recherche ont traité le problème d’estimation d’état des
systèmes physiques. Ceci est dû principalement à
l’importance de la connaissance des états du système en
vue de sa commande ou son diagnostic. En effet,
multiples sont les lois de commande qui reposent sur
l’utilisation implicite ou explicite des états du système [1-
3]. Afin d’implémenter telles lois de commandes, la
connaissance des états du système semble, a priori, une
phase primordiale à accomplir. Comme dans la plupart
des cas, les procédés industriels admettent, généralement,
quelques états non mesurables, on a souvent recours à
reconstruire ces états à partir de la connaissance des
entrées/sorties du système.
Depuis l’apparition de l’observateur classique de
Luenberger [4] et le filtre de Kalman [5] pour donner des
solutions au cas des systèmes linéaires, les travaux ne
cessent de se développer pour traiter le problème pour les
systèmes non linéaires. Cependant, vû la diversité de ces
derniers, il n’existe pas jusqu’à présent une méthode
générale à adopter. La majorité des travaux concernent les
systèmes non linéaires continus. Parmi les solutions
proposées, dans la littérature, on peut citer, entre autres,
l’observateur à mode glissant [6, 7] et le filtre de Kalman
étendu [8-10].
Parmi les techniques d’estimation qui sont
relativement récentes et qui ont prouvé leur convergence
exponentielle globale, on trouve l’observateur à grand
gain développé en 1992 par Gauthier et al. [11] pour les
systèmes non linéaires affines en la commande mono
sortie et uniformément observables pour toute entrée. Cet
la classe des systèmes non linéaires considérée ainsi que
sur le terme de correction de l’estimateur et des
performances résultantes de son utilisation. Farza et al.
[12] ont synthétisé un observateur à grand gain en vue de
l’estimation de la vitesse cinétique au sein d’un réacteur.
En plus de la stabilité de l’observateur proposé, l’erreur
d’estimation s’annule en fonction du temps.
Dans un travail ultérieur, les auteurs, dans [13], ont
proposé une version améliorée de l’observateur à grand
gain pour une classe plus large des systèmes non linéaires
MIMO incluant la classe des systèmes considérée dans
[12]. Par la suite, Farza et al. [14] ont établi un
observateur dont le terme de correction inclut une
fonction de synthèse satisfaisant quelques hypothèses et
donnant naissance à différents observateurs tel
l’observateur à grand gain, l’observateur à mode glissant
et ses versions modifiées pour s’affranchir au phénomène
de réticence résultant de l’utilisation de la fonction signe.
Cependant, l’estimation d’état des systèmes discrets
reste limitée surtout pour les systèmes non linéaires,
malgré l’existence de quelques solutions proposées dans
la littérature. Alessandri et al. [15] ont proposé un
estimateur à horizon fuyant pour les systèmes linéaires
discrets. Xu et al. [16] ont synthétisé un observateur
discret pour une classe de systèmes non linéaires
lipchitziens à retard sans et avec incertitude paramétrique
variable au cours du temps et bornée en norme.
De même, la version discrète de l’observateur à grand
gain n’a pas pris une attention comparable au cas continu.
Farza et al. [12] ont proposé et prouvé la convergence
d’un observateur à grand gain discret. La version discrète
d’un tel estimateur est issue de son homologue continu en
utilisant une discrétisation avant d’Euler. Cette technique
de discrétisation est utilisée aussi par Farza et M’Saad

387
 La cinquième Conférence Internationale d’Electrotechnique et d’Automatique, 02-04 Mai 2008, Hammamet, Tunisie

[21] pour établir un observateur à grand gain discret pour transporter de l'eau d'une cuvette de récupération vers les
une autre classe des systèmes non linéaires. En plus de sa quatre réservoirs.
convergence exponentielle, cet estimateur présente
l’avantage d’être simple à calibrer.
Toutefois, il existe, dans la littérature plusieurs
approches d’estimation d’état discrète des processus
opérant dans un environnement stochastique comme par
exemple le filtre de Kalman étendu [17, 18], le filtre de
Kalman unscendu (Unscented Kalman Filter, noté UKF)
[19] et le filtre pratique (Particle Filter) [20]. Pourtant, ces
techniques sont issues des algorithmes complexes et dont
la convergence globale n’est pas établie d’une manière
rigoureuse.
Dans un travail précédent [22], on a estimé deux
niveaux d’eau non mesurables d’un réseau
hydrographique à partir de la mesure de deux autres
niveaux, et ceci en utilisant le filtre de Kalman étendu
modifié donné par Reif et al. [9] et l’observateur à grand
gain établi par Farza et al. [14] sous leurs versions Fig. 1 : Schéma synoptique du processus considéré.
continues. Vû la difficulté d’appliquer ces techniques sur
le système réel en temps continu, on se propose, dans ce
papier, qui est en fait une continuation de la référence Le processus considéré dans cette étude peut être
[22], d’appliquer la version discrète de l’observateur à décrit par les équations suivantes [23]:
grand gain en se basant sur les travaux de Farza et
M’Saad [21]. ⎧ x1 = −c1 x1 + c 2 x 3 + c 3 x 4
⎪
Ce papier est organisé comme suit. Dans le paragraphe ⎪⎪ x 2 = −c 4 x 2 + c5 x3 + c6 x 4
suivant, on va formuler notre problématique en précisant ⎨ (1)
la classe des systèmes non linéaires considérée à laquelle ⎪ x 3 = −c 7 x 3 + c 8 u1
⎪
appartient le processus à l’étude. Le troisième paragraphe ⎪⎩ x 4 = −c 9 x 4 + c10 u 2
sera consacré à présenter une brève description de
l’observateur à grand gain adopté. L’application de cette
où le vecteur d’état x(t ) = (h1 h2 h3 h4 ) ∈ ℜ 4 ,
T
technique d’estimation sur le modèle du réseau
hydrographique considéré fera l’objet du paragraphe 4. Ce x i = hi , i = 1, … ,4 , représente le niveau d’eau contenu
papier sera achevé par une conclusion introduite au
u (t ) = (Q1 Q2 ) ∈ ℜ 2
T
cinquième paragraphe. dans chaque réservoir, et
y (t ) = (h1 h2 ) ∈ ℜ sont, respectivement, les vecteurs
2
T

des entrées et des sorties du système, et les

2. Présentation du processus et formulation c k , k = 1, … ,10 , sont les constantes du système et qui
du problème seront précisés plus tard.

Ce procédé est, donc, un système non linéaire MIMO

L’objectif de ce travail consiste à estimer les états non
qui appartient à la classe des systèmes non linéaires
mesurables d’un processus réel représenté par un réseau
considérée dans Farza et M’Saad [21], via un changement
hydrographique constitué de quatre réservoirs disposés en
de variable approprié qu’on détaillera ultérieurement.
cascade comme le montre le schéma synoptique présenté
Cette classe des systèmes peut s’exprimer en espace
sur la figure 1. Il s’agit d’estimer les deux niveaux d’eau
non mesurables à partir de la mesure en temps discret de d’état, en supposant que ε k = 0 dans [21], comme suit :
deux autres niveaux.
( ) (
⎧ x 1 (t ) = F 1 u (t ), x 1 (t ) x 2 (t ) + b 1 u (t ), x 1 (t ) )
⎪⎪ 2
Les états du système sont constitués par les quatre
niveaux d’eau au sein de chaque réservoir. Les deux
2
(
⎨ x (t ) = b u (t ), x (t ), x (t )
1 2
) (2)
⎪
⎪⎩ y (t ) = C x = x
1
entrées du système sont représentées par les deux débits
Q1 et Q2. Sur ce procédé, on dispose uniquement de deux
sorties mesurables h1 et h2 via deux capteurs ultrasoniques
T1 et T2. Deux motopompes MCC1 et MCC2, équipées par
où (
x(t ) = x 1 x2 )
T
∈ ℜn , x i ∈ ℜ ni , i = 1, 2 avec
deux débitmètres infrarouges D1 et D2 délivrant n1 ≥ n 2 et n1 + n 2 = n , F est une matrice triangulaire de
1

instantanément chacun une tension variable entre 0 et 5V dimension n1 × n 2 , l’entrée u ∈ U un compact de ℜ m , la

image de la quantité d’eau traversée, sont utilisées pour

388
 La cinquième Conférence Internationale d’Electrotechnique et d’Automatique, 02-04 Mai 2008, Hammamet, Tunisie

sortie y ∈ℜ p ,
⎛ b 1 (u , x 1 ) ⎞
B (u , x) = ⎜⎜ 2 ⎟ ∈ℜn avec
( )
⎧ xˆ k +1 = I n + Te Fk (u k , x 1k ) xˆ k + Te B k (u k , x 1k , xˆ k2 )
⎪⎪
⎝ b (u , x ) ⎟
⎠ ⎨ (( )
− L k C I n + Te Fk (u k , x 1k ) xˆ k + B k (u k , x 1k , xˆ k2 ) − x k +1 )
b (u , x) ∈ ℜ , i = 1, 2 , C = I n1
i ni
( 0 n1 ×n2 ) avec I n1 est la ⎪
⎪⎩ L k = θ Te Λ k ( I n − Te A)∆ θ S C
+ −1 −1 T

matrice identité de dimension n1 et 0 n1 ×n2 est la matrice (5)

nulle de dimension n1 × n 2 .
où Λ+k (u k , x 1k ) est l’inverse à gauche de la matrice
En utilisant une discrétisation avant d’Euler du diagonale Λ k (u k , x1k ) définie par :
système non linéaire continu donné par les relations (2),
on obtient un modèle d’état discret donné comme suit : (
Λ k (u k , x 1k ) = diag I n1 , Fk1 (u k , x 1k ) ) (6)

k +1
1
k (
⎧ x = x + Te F (u k , x ) x + b (u k , x )
1 1 1
k
2
k
1 1
k ) Il est à noter que, par hypothèse H1, F 1 (u k , x1k ) est
⎪⎪ 2 2
(
⎨ x k +1 = x k + Te b (u k , x k , x k )
2 1 2
) (3)
inversible à gauche. Par suite, Λ k (u k , x1k ) l’est aussi.
⎪
⎪⎩ y k = C x k = x k
1
⎡0 n I n1 ⎤
A=⎢ 1 ⎥ est une matrice carré de dimension
où Te est la période d’échantillonnage du système. ⎣0 n1 0 n1 ⎦
n1 × n1 avec 0 n1 et I n1 représentent, respectivement, la
Le système (3) peut s’exprimer sous une forme
condensé comme suit : matrice nulle et la matrice identité de dimension n1 , ∆θ

( )
⎧⎪ x k +1 = I n + Te Fk (u k , x 1k ) x k + Te B k (u k , x 1k , x k2 )
(4)
est une matrice bloc diagonale définie par :
⎨
⎪⎩ y k = C x k = x 1k ⎛ 1 ⎞
∆ θ = diag ⎜ I n1 , I n1 ⎟ (7)
⎝ θ ⎠
avec :
θ > 0 un nombre réel, S est la solution unique définie
⎡0 Fk1 (u k , x 1k )⎤ positive de l’équation algébrique de Lyapunov suivante :
Fk (u k , x ) = ⎢ n1 × n1
1
k ⎥
⎣⎢0 n2 ×n1 0 n2 × n2 ⎦⎥
S + A T S + SA − C T C = 0 (8)
⎛ b (u k , x ) ⎞
1 1
Une solution explicite de l’équation (8) est donnée
B k (u k , x 1k , x k2 ) = ⎜⎜ 2 k
1
k
2 ⎟
⎟
comme suit:
⎝ bk (u k , x k , x k ) ⎠
⎛ In − I n1 ⎞
On se propose, dans ce qui suit, de donner une brève S = ⎜⎜ 1 ⎟
description de l’observateur à grand gain établit par Farza ⎝ − I n1 2 I n1 ⎟⎠
et M’Saad [21] pour la classe des systèmes non linéaires
discrets donnée par (3). C est une matrice de dimension n1 × 2n1 , donnée par :

(
C = I n1 0 n1 )
3. Synthèse de l’observateur L’observateur donné par les relations (5) peut
s’exprimer sous une forme prédictive comme suit :
Dans [21], les auteurs ont introduit un changement de ⎧ xˆk +1 = xˆk +1 / k − Lk C ( xˆk +1 / k − xk +1 )
⎪⎪
variable approprié pour faciliter la synthèse de
l’observateur. Puis, à travers un changement de
( )
⎨ xˆk +1 / k = I n + Te Fk (uk , xk ) xˆk + Bk (uk , xk , xˆk )
1 1 2
(9)
⎪
⎪⎩ Lk = θ Te Λ k ( I n − Te A)∆θ S C
+ −1 −1 T
coordonnées inverse, ils ont présenté l’observateur
résultant. On se limitera ici à rappeler l’expression de
l’observateur dans les coordonnées d’origine. Ainsi, le terme xˆ k +1 / k permet de prédire la valeur de xˆ k +1
La synthèse de l’observateur nécessite la vérification entre les instants k et k + 1 . A ce dernier instant, la
de l’hypothèse suivante : valeur de x k +1 devient valable et elle est utilisée pour la
H1) Il existe deux constantes positives α et β tels mise à jour de la valeur prédite xˆ k +1 / k afin d’aboutir à
l’estimation en ligne de xˆ k +1 .
que ∀x ∈ ℜ n , ∀k ∈ N , on a :
Remarque : Il a été prouvé, dans Farza et M’Saad [21],
0 < α 2 I n2 ≤ Fk1 (u k , x 1k ) T Fk1 (u k , x 1k ) ≤ β 2 I n2 , que, si l’hypothèse H1 est vérifiée, l’erreur d’estimation
converge exponentiellement vers zéro.
Un observateur à grand gain discret pour la classe des
systèmes non linéaires donnée par (4) est donné par :

389
 La cinquième Conférence Internationale d’Electrotechnique et d’Automatique, 02-04 Mai 2008, Hammamet, Tunisie

4. Application au réseau hydrographique Sur la figure (2), on a tracé l’évolution des états
simulés et des états estimés du réseau hydrographique
considéré en utilisant un observateur à grand gain discret.
On se propose, dans cette section, d’appliquer Alors que le vecteur d’état réel initial est choisi
x(0) = (3 3 10 10 ) , les valeurs initiales des états
T
l’observateur à grand gain discret donné par les relations
(9) en vue d’estimer les deux niveaux d’eau non
mesurables du réseau hydrographique considéré. En ( )T
estimés sont xˆ (0) = 10 −3 10 −3 3 3 . Comme le
utilisant une discrétisation avant d’Euler, un modèle d’état processus considéré est lent, une période
discret pour le système donné par les équations d’échantillonnage égale à 1s semble un bon choix pour
différentielles (1) est donné par : reproduire le comportement du système en mode discret.
L’entrée du système est supposée nulle et le seul
⎪
(
⎧ x1,k +1 = x1,k + Te − c1 x1,k + c 2 x 3,k + c 3 x 4, k ) paramètre de synthèse de l’observateur qui est le
⎪x (
⎪ 2,k +1 = x 2, k + Te − c 4 x 2, k + c 5 x 3,k + c 6 x 4,k ) paramètre θ est fixé à la valeur θ = 0.09 . Les résultats
de simulation, donnés sur la figure (2), montrent la
( )
⎨ (10)
convergence des états estimés du processus vers les états
⎪ x 3, k +1 = x 3,k + Te − c 7 x 3, k + c8 u1, k
⎪ réels avec une bonne dynamique. La rapidité de
(
⎪⎩ x 4,k +1 = x 4, k + Te − c 9 x 4,k + c10 u 2,k ) convergence peut augmenter en affectant une valeur plus
importante au paramètre θ . Cependant, un tel choix peut
On peut remarquer que le modèle mathématique du engendrer un dépassement avant la convergence de
processus considéré donné par (10) peut s’exprimer sous l’observateur, et qui peut en pratique dépasser la capacité
une forme appartenant à la classe des systèmes non des réservoirs.
linéaires considérée dans [21], et qui est donnée par (4),
La dynamique de l’observateur est fortement liée au
en effectuant le changement de coordonnées suivant :
paramètre de synthèse θ . En effet, on a supposé que la
X 1, k = x1, k ; X 2, k = x 2, k ; X 3, k = x 3, k ; X 4, k = x 4, k sortie du système est contaminée par un bruit de mesure
supposé blanc gaussien d’amplitude égale à 10 −4 et on a
Par conséquent, en choisissant le vecteur d’état comme estimé les niveaux d’eau contenu dans chaque réservoir
suit : en utilisant deux valeurs différentes pour le paramètre de
synthèse. Les résultats de simulation donnés sur la figure
⎛X1 ⎞ ⎛ X 1, k ⎞ 2 ⎛ X 3, k ⎞
X k = ⎜⎜ k2 ⎟⎟ avec X k1 = ⎜⎜ ⎟; X k = ⎜ ⎟ (3) pour θ = 0.05 et θ = 0.5 , montrent qu’une faible
⎟ ⎜X ⎟,
⎝Xk ⎠ ⎝ X 2, k ⎠ ⎝ 4, k ⎠ valeur de ce paramètre assure une forte immunité aux
bruits de mesure. Cependant, un tel choix détériore la
le système considéré peut s’écrire sous la forme (4) rapidité de convergence des états estimés vers les états
avec : réels du système. Ainsi, le choix du paramètre de synthèse
⎛ c2 c3 ⎞ de l’observateur à grand gain se base sur un compromis
⎜ ⎟ entre la rapidité de convergence de l’observateur et
⎜X X 1, k ⎟ 1 1 − 1 ⎛ c1 ⎞ l’insensibilité aux bruits de mesure. Donc, on peut
Fk ( X k , u k ) = ⎜ 1, k ⎟; bk ( X k , u k ) = 2 ⎜⎜ c ⎟⎟
1 1

⎜⎜
c5 c6
⎟⎟ ⎝ 4⎠ conclure qu’une valeur de θ = 0.09 semble un choix
⎝ X 2, k X 2, k ⎠ optimal pour le cas du processus considéré.

⎛ c7 c ⎞
⎜− + 8 u1, k ⎟
⎜ 2 2 X 3, k ⎟ 5. Conclusion
bk2 ( X k1 , X k2 , u k ) = ⎜ ⎟
c9 c
⎜⎜ − + 10 u 2,k ⎟⎟
⎝ 2 2 X 4, k ⎠ Disposant du modèle mathématique d’un processus
Les paramètres du système, et qui sont en fonction des réel constitué de quatre réservoirs disposés en cascade où
constantes c k , k = 1, … ,10 , sont donnés sur le tableau 1. on a accès à la mesure, aux instants d’échantillonnage,
qu’aux deux niveaux d’eau seulement, on a estimé les
deux autres niveaux non mesurables. Alors que le modèle
Tableau 1 : Paramètres du système. discret du processus considéré est obtenu en utilisant une
discrétisation avant d’Euler, l’estimation d’état du
Constantes Valeur numérique système est réalisée en adoptant un observateur à grand
gain discret dont la convergence exponentielle globale est
c1 , c 4 0.005 prouvée. Comme les performances d’un tel estimateur
c2 , c6 0.014 dépend d’un seul paramètre de synthèse, à travers une
c3 , c5 0.020 étude de simulation, on a aboutit à un choix optimal de ce
paramètre qui est le résultat d’un compromis à faire entre
c7 , c9 0.020
la rapidité de convergence de l’observateur et un bon
c8 , c10 43 degré de robustesse vis à vis des bruits de mesure.

390
La cinquième Conférence Internationale d’Electrotechnique et d’Automatique, 02-04 Mai 2008, Hammamet, Tunisie

10 10

8 8
h1 (cm)

h2 (cm)
6 6

4 4

2 2

0 0
0 100 200 300 400 0 100 200 300 400

30 30

20 20
h3 (cm)

10 h4 (cm) 10

0 0
0 100 200 300 400 0 100 200 300 400
Temps (s) Temps (s)

Fig. 2: Etats simulés (continu) et états estimés (pointillé).

10 10

8 8
h1 (cm)

h2 (cm)

6 6

4 4
h1 simulé h2 simulé
2 h1e (theta=0.05) 2 h2e (theta=0.05)
h1e (theta=0.5) h2e (theta=0.5)
0 0
0 100 200 300 400 0 100 200 300 400

30 30
h3 simulé h4 simulé
h3e (theta=0.05) h4e (theta=0.05)
h4e (theta=0.5)
20 h3e (theta=0.5) 20
h3 (cm)

h4 (cm)

10 10

0 0
0 100 200 300 400 0 100 200 300 400
Temps (s) Temps (s)

Fig. 3: Etats simulés et états estimés pour θ = 0.05 et θ = 0.5 .

391
 La cinquième Conférence Internationale d’Electrotechnique et d’Automatique, 02-04 Mai 2008, Hammamet, Tunisie
6. Références
[1] A. Pavlov, N. van deWouw et H. Nijmeijer,
Global nonlinear output regulation:
Convergence-based controller design,
Automatica, Vol. 43, pp. 456-463, 2007.
[2] Y. Xudong, Adaptive output-feedback control of
nonlinear systems with unknown nonlinearities,
Automatica, Vol. 41, pp. 1367-1374, 2005.
[3] P. Park, D. J. Choi, S. G. Kong, Output feedback
variable structure control for linear systems with
uncertainties and disturbances, Automatica, Vol.
43, pp. 72-79, 2007.
[4] D. G. Luenberger, Observers for multivariable
linear systems, IEEE Trans. on Automatic
Control, Vol. 2, pp. 190-197, 1966.
[5] R. E. Kalman, A new approach to linear filtering
and prediction problems, Trans. ASME Ser. D.,
J. Basic Eng., Vol. 82, pp. 35-45, 1960.
[6] X. G. Yan, C. Edwards, Nonlinear robust fault
reconstruction and estimation using a sliding
mode observer, Automatica, Vol. 43, pp. 1605-
1614, 2007.
[7] J. P. Barbot, T. Boukhobza et M. Djemai, Sliding
mode obserever for triangular input form,
Proceedings of the 35th Conference on Decision
and Control, Kobe, Japan, december 1996.
[8] A. Jaswinski, Stochastic processes and filtering
theory, New York: Academic Press, 1970.
[9] K. Reif, F. Sonneman, and R. Unbehauen, An
EKF-based nonlinear observer with prescribed
degree of stability, Automatica, Vol. 34, No. 9,
pp. 1119-1123, 1998.
[10] E. Delgado and A. Barreiro, Sonar-based robot
navigation using non linear robust observer,
Automatica, Vol. 39, pp. 1195-1203, 2003.
[11] J.P. Gauthier, H. Hammouri et S. Othman, A
simple observer for nonlinear systems:
Application to bioreactors, IEEE Trans. on
Automatic Control, Vol. 37, No. 6, June 1992.
[12] M. Farza, K. Busawon et H. Hammouri, Simple
nonlinear observers for estimation of kinetic
rates in bioreactors, Automatica, Vol. 34, pp.
301-318, 1998.
392
[13] M. Farza, M. M’Saad et L. Rossignol, Observer
design for a class of MIMO nonlinear systems,
Automatica, Vol. 40, pp. 135-143, 2004.
[14] M. Farza, M. M’Saad, and M. Sekher, A set of
observers for a class of nonlinear systems,
Proceedings of the 16th IFAC World Congress,
Praha, Czech Republic, 4-8 July 2005.
[15] A. Alessandri, M. Baglietto, and G. Battistelli,
Receding-Horizon estimation for discrete time
linear systems, IEEE Trans. on Automatic
Control, Vol. 48, No. 3, pp. 473-478, March
2003.
[16] S. Xu, J. Lu, S. Zhou et C. Yang, Design of
observers for a class of discrete-time uncertain
nonlinear systems with time delay, Journal of
the Franklin Institute, Vol. 341, pp. 295-308,
2004.
[17] B. M. Quine, A derivative-free implementation
of the extended Kalman filter, Automatica, Vol.
42, pp. 1927-1934, 2006.
[18] J. N. Nielsen et H. Madsen, Applying the EKF
to stochastic differential equations with level
effects, Automatica, Vol. 37, pp. 107-112, 2001.
[19] K. Xiong, H. Y. Zhang et C. W. Chan,
Performance evaluation of UKF-based nonlinear
filtering, Automatica, Vol. 42, pp. 261-270,
2006.
[20] Z. Weiming, D. Gang, Z. Shan et Z. Yanhua,
Study of nonlinear filter methods: Particle filter,
Journal of systems Engineering and Electronics,
Vol. 17, No. 1, pp. 1-5, 2006.
[21] M. Farza et M. M’Saad, Discrete time observer
synthesis for a class of nonlinear systems,
Proceedings of the 2nd International Conference
on Signals, Systems and Decision, Sousse,
Tunisie, mars 2003.
[22] A. Gaaloul, S. Hadj Saїd et F. M’Sahli, Etude
comparative d’observateurs non linéaires :
Application à un réseau hydrographique,
Conférence Internationale des Sciences et
Techniques de l’Automatique, Monastir,
Tunisie, novembre 2007.
[23] N. Ben Nasr, Contribution à l’étude de la
commande prédictive non linéaire à horizon
glissant: ouverture sur la commande prédictive
non linéaire rapide, Rapport de Thèse, ENIS,
Tunisie, 2007.