Critère d'identification 

: minimisation de l'erreur de prédiction

Biais : lorsque les signaux sont bruités, on ne peut obtenir les valeurs exactes des
paramètres, mais on peut s'en approcher. L'estimation  de , vecteur des
paramètres à identifier, est non biaisée si  .

Consistance : L'estimation  de  est consistante si 

 Méthode des moindres carrés :

 Estimation par moindres carrés

La méthode des moindres carrés (MC) permet de

résoudre le problème de l'estimation de paramètres
intervenant linéairement dans les observations.

Considérons l'équation :   sur un

horizon N

, 

Si l'on
pose

: 

, 

est obtenu par minimisation

de 

est donc obtenu pour   

 Soit :   

soit
(1)
: 

 Formulation matricielle

On pose   

et 

et (1) se traduit par :  ,

soit : 

 Formulation récursive

L'expression  nous oblige à tout recalculer lors de

l'acquisition d'un nouveau point. D'où l'intérêt d'une
formulation récursive.

soit   et   ( )
  

Remarques : -  apparaît comme un gain de

correction.

- l'initialisation se fait avec  quelconque et  grand.

- un lemme d'inversion de matrice permet d'écrire :

 Moindres carrés pondérés

On peut introduire une pondération dans le critère,

traduisant une importance différente accordée aux
mesures ou des paramètres non constants sur l'horizon
d'observation :

 avec   est une

matrice diagonale.

Dans ce cas, on a : 

Propriétés de l'estimateur moindres carrés

En présence de bruit, on a : 
, 

où w(n) est un bruit blanc : 

avec 
  si  est déterministe,
alors 

l'estimateur est sans biais.

 Connaissance a priori

Si l'on dispose d'une connaissance a priori  de ,

associée à  (matrice de covariance), on peut étoffer le
critère de la façon suivante :

Dans ce cas, on
a : 

 Identification par moindres carrés :

Réponse impulsionnelle

Considérons un système linéaire décrit par sa réponse

impulsionnelle  .

la sortie mesurée est liée à l'entrée par

l'équation : 

Les valeurs de la réponse impulsionnelle peuvent être

estimées par MC en minimisant le critère :
 et 

Remarque :   étant
déterministe, l'identification
MC de la réponse
impulsionnelle est sans biais.
Cette solution, non
paramétrique, est néanmoins
peu commode.

 Modèle fonction de transfert

Le système est supposé décrit par un modèle du

type : 

soit
: 

Si :   ,
alors 

La solution MC vaut alors : 

 avec  e
t 

Biais :   n'étant pas déterministe (les mesures sont

bruitées),  .

Plus précisément, si le résidu  est quelconque,

l'estimateur MC sera biaisé,

si le résidu  est blanc, l'estimateur MC sera non

biaisé.

 Moindres carrés généralisés

Un moyen d'obtenir une estimation MC non biaisée

consiste donc à blanchir le résidu.

C'est ce qui est réalisé dans la méthode des moindres

carrés généralisés.

On utilise une modélisation type

ARARX : 

F est appelé  . Il est initialisé à 

et est calculé de façon itérative par moindres carrés.

Le préfiltrage de u et y par F avant la résolution MC

permet d'éliminer le biais en blanchissant le résidu.

En effet,  ,
soit 
 Que l'on peut écrire   où e
est un bruit blanc.

La convergence de cette méthode est assurée si le

rapport signal à bruit est suffisamment fort.

 Méthode de Steiglitz - Mc Bride

On reprend ici un modèle de type erreur de

sortie : 

où e est un bruit blanc.

Dans ce cas, on a 

Pour éliminer le biais, il faut blanchir le résidu.

On prend donc comme filtre de

blanchiment : 

Mais A fait partie des paramètres à identifier.

La méthode de Steiglitz-Mc Bride cherche à déterminer

ce filtre de manière itérative.

Procédure :
Initialisation :
On pose
généralement 
. La
première
itération est donc
non filtrée : elle
correspond à une
estimation MC
simple (donc
biaisée).

A l'issue de cette
itération, on
dispose de  .

kième itération :
On dispose
de  . On
filtre donc u et y

par  .

On minimise le
critère avec 
et  .

A l'issue de cette
itération, on
dispose de  .
Et ainsi de suite.

La procédure
converge si le
rapport signal à
bruit est
suffisamment
élevé.

Dans ce
cas, 
et
le résidu devient
blanc.

Le biais
disparaît.