Académique Documents
Professionnel Documents
Culture Documents
Objectif du TP :
*Etudier de la robustesse de l’algorithme des moindres carrés récursifs via un bruit blanc
puis un bruit coloré additif en sortie.
* Présenter une étude détaillée de la méthode de moindres carrés généralisés pour
identifier sans biais des modèles (système + perturbation).
|-Introduction :
L’idée dans la méthode des moindres carrés généralisé est de placer un filtre sur le vecteur
mesure de façon à blanchir le bruit. Ce qui autorise l’utilisation des MCR. Les paramètres du
filtre sont eux aussi à estimer. Ce qui conduit à utiliser à 2 reprises les MCR. Comme le
montre l’algorithme suivant :
Uf(k)=f(z)*u(k)
Yf(k) = f(z)*y(k)
3 éme étape : déterminer thêta (k) par la méthode des MCR appliqué au modèle.
a(z)*yf(k)=b(z)*uf(k)+e(k)
4éme étape :calculer les termes résiduels :
epsilon(k)=A(z)*v(k)-B(z)*u(k)
5 éme étape :estimer les coefficients du filtre f(z) par la méthode des MCR appliqué au
modèle :
f(z)*epsilon(k)=e(k)
6 éme étape : reprendre l’étape 2 avec les nouvelles valeurs calculées du filtre F(z)
On a pour objectif d’identifier les paramètres a et b pour montrer à l’aide d’une simulation
Matlab que la méthode des moindres carrées généralisées est meilleur que la méthode des
moindres carrées ordinaires. On prendra comme paramètres pour les simulations a=0.2 et
b=2.
Travail demandé :
1-
>> T=tf (2,[200 1]) % la fonction de transfert >> Td=c2d (T,20) % la discrétisation
Transfer function: Transfer function:
2 0.1903
--------- ----------
200 s + 1 z - 0.9048
Sampling time: 20
3-: e(k) est un bruit blanc :Un bruit blanc est une réalisation d'un processus aléatoire dans
lequel la densité spectrale de puissance est la même pour toutes les bandes de fréquence de
la bande passante.
1 1
0.8 0.8
0.6 0.6
0.4 0.4
0.2 0.2
0 0
-0.2 -0.2
0 10 20 30 40 50 60 70 80 90 100 0 10 20 30 40 50 60 70 80 90 100
iteration iteration
10 6 trace du gain d adaptation
2 erreur de prediction
0.015
1.8
1.6 0.01
1.4
1.2 0.005
0.8 0
0.6
0.4 -0.005
0.2
0 -0.01
0 10 20 30 40 50 60 70 80 90 100 0 10 20 30 40 50 60 70 80 90 100
iteration iteration
0.6
0.4
0.2
-0.2
0 10 20 30 40 50 60 70 80 90 100
iteration
Presque rien ne change le système reste robuste.
Le système converge rapidement : a1 et b1 convergent normalement vers leurs valeurs
initiales.
2ème cas : y=awgn(y,30) :
ysb et y bruite
1.4 comparaison de y reel et y estime
1.4
y
y
1.2 ysb
1.2 ye
1
1
0.8 0.8
0.6 0.6
0.4 0.4
0.2 0.2
0 0
-0.2 -0.2
0 10 20 30 40 50 60 70 80 90 100 0 10 20 30 40 50 60 70 80 90 100
iteration iteration
10 6 trace du gain d adaptation erreur de prediction
2 0.1
1.8 0.08
1.6 0.06
1.4 0.04
1.2 0.02
1 0
0.8 -0.02
0.6 -0.04
0.4 -0.06
0.2 -0.08
0 -0.1
0 10 20 30 40 50 60 70 80 90 100 0 10 20 30 40 50 60 70 80 90 100
iteration iteration
0.8
0.6
0.4
0.2
-0.2
0 10 20 30 40 50 60 70 80 90 100
iteration
3ème cas : y=awgn(y,20) :
ysb et y bruite comparaison de y reel et y estime
1.4 1.4
y y
ysb ye
1.2 1.2
1 1
0.8 0.8
0.6 0.6
0.4 0.4
0.2 0.2
0 0
0 10 20 30 40 50 60 70 80 90 100 0 10 20 30 40 50 60 70 80 90 100
iteration iteration
1.8
0.3
1.6
0.2
1.4
1.2 0.1
1 0
0.8
-0.1
0.6
-0.2
0.4
-0.3
0.2
0 -0.4
0 10 20 30 40 50 60 70 80 90 100 0 10 20 30 40 50 60 70 80 90 100
iteration iteration
0.5
-0.5
-1
-1.5
0 10 20 30 40 50 60 70 80 90 100
iteration
Pour SNR = 50 et 30 et 20 :système robuste mais la différence c’ est la vitesse de
convergence.
1.5 1.5
1 1
0.5 0.5
0 0
-0.5 -0.5
0 10 20 30 40 50 60 70 80 90 100 0 10 20 30 40 50 60 70 80 90 100
iteration iteration
1.8 0.6
1.6
0.4
1.4
0.2
1.2
0
1
-0.2
0.8
-0.4
0.6
-0.6
0.4
0.2 -0.8
0 -1
0 10 20 30 40 50 60 70 80 90 100 0 10 20 30 40 50 60 70 80 90 100
iteration iteration
evolution des parametres estimes
1
ae
0.5 be
-0.5
-1
-1.5
-2
-2.5
-3
-3.5
-4
0 10 20 30 40 50 60 70 80 90 100
iteration
4-: e(k) est un bruit coloré :Bien que le bruit soit un signal aléatoire, il possède des
propriétés statiques caractéristiques. La densité spectrale de puissance en est une, et peut
être utilisée pour distinguer les différents types de bruit.
s = rand("seed") : Le but de cette fonction est de retourner un tableau de doubles dont les
valeurs sont des nombres aléatoires réels ou complexes. En fonction des arguments
d'entrée, la fonction peut renvoyer une matrice de doubles aléatoires or peut configurer ou
récupérer la distribution des nombres aléatoires ou peut configurer ou récupérer la graine
du générateur aléatoire :
On remarque que la valeur d’erreur est de 10^-2 prés.
Conclusion :
On remarque que cette méthode est plus efficace que les autres méthodes.