Suite

 A la présence d’un bruit prévenant du milieu extérieur :

clc
clear all close all
th=poly2th([1 -1.5 0.7],[0 1 0.5],[1 -1 .2]) ; %theta
u=idinput(400,'rbs',[0 .3]) ; % prbs generation
e =1*randn(400,1);
y=idsim([u,e],th) ; % output response
N = length(y) ;
n = 2 ; % le nombre de paramètre dans le vecteur A(q-1)
m = 2 ; % le nombre de paramètre dans le vecteur B(q-1)
phi = zeros(N-n,n+m);
ym = zeros(N-n,1);
for i= N-1:-1:n for j = 1 : n
phi(N-i,j) = -y(i-j+1);
end

for j = 1 : m

phi(N-i,j+n) = u(i-j+1);
end

ym(N-i) = y(i+1);

end

th_estimate = inv(phi'*phi)*phi'*ym;
estimated_model = arx2th([1 th_estimate(1) th_estimate(2)] ,[0 th_estimate(3)
th_estimate(4)],1,1);
% le model identifié
yy = idsim(estimated_model,u);
plot(yy) ;
hold on
plot(y)

Après exécution :
a1= -1,32198749875950
a2 =0,544804847614575
b1 =1,03762164582557
b2 =0,866503592324906
Fig 5 – La réponse de model ARMAX et le model identifié pour une SPBA de
longueur L = 400

 Les résultats ne sont pas identiques car ils sont baisés.

Conclusion :

 En variant la longueur de la SBPA, les paramètres identifiés

restent valables (L > 5).
On conclue que le nombre de donnée introduit n’est pas trop
Important pour un model qui possède un ordre faible.
 Pour le model ARMAX, les résultats sont baisés due à la présence
du bruit aléatoire.