Blida1/ Faculté de Technologie /Département d’Électronique 31 /03/2021

Licence LMD (L3/S5), Modélisation & identification des systèmes (MIS)

Examen (Durée 1h)

Exercice N°1 (5 pts)

1. Citer quelques méthodes d indentification non paramétrique.

2. Dans quelles conditions la convolution et la corrélation sont confondues
3. Donner l’expression mathématique ainsi que la fonction de transfert du processus ARMA (n,m)

Exercice N°2 (5pts)

Le tableau ci-dessous représente le relevé des échantillons de la représentation indicielle d’un système

t 0 1 1.5 2 2.5 3 3.5 4 4.5 5 6 7 8 9 10 …

(sec)
Y(t) 0 1.45 1.9 2.2 2.4 2.6 2.7 2.8 2.85 2.9 2.95 2.97 2.99 3 3 3
Volts

 la valeur de y(t) en régime permanent est 3Volt

1. Tracer le signal y=f(t).
2. Identifier les paramètres du modèle par la méthode de Broida

Exercice N°2 (10 pts)

La sortie d’un système physique a été observée à des instants réguliers. Le relevé des mesures est donné par le tableau
suivant :

𝑋𝑖 -2 -1 0 1
𝑌𝑖 0.9 0.1 1.0 3.8

1. Tracer le graphe des mesures expérimentales.

On désire modéliser la sortie du système avec un modèle de la forme

𝑌𝑚𝑜𝑑𝑒𝑙𝑒 = 𝑎 + 𝑏𝑋𝑖 + 𝑐𝑋𝑖2

2. Donner le critère de la méthode des moindres carrées

3. Montrer que les valeurs optimales des coefficients au sens des moindres carrés se ramènent à un système de
trois équations avec trois inconnus a, b et c.
4. Résoudre le système et donner les valeurs de a b et c
5. Donner la représentation matricielle
Blida1/ Faculté de Technologie /Département d’Électronique 31 /03/2021
Licence LMD (L3/S5), Modélisation & identification des systèmes (MIS)

La solution de l’examen (Durée 1h)

Exercice N°1 : ( cours )(1.5 +1.5+2)

1. Citer quelques méthodes d indentification non paramétrique.

Identification par excitation indicielle
Identification par analyse fréquentielle (1.5)
Identification par la méthode de corrélation

2. Dans quelles conditions la convolution et la corrélation sont confondues

Les deux signaux sont pairs (1.5)
3. Donner l’expression mathématique ainsi que la fonction de transfert du processus ARMA (n,m)

Le modele ARMA
⇔ 𝒚(𝒌) + 𝒂𝟏 𝒚(𝒌 − 𝟏) + 𝒂𝟐 𝒚(𝒌 − 𝟐) … . 𝒂𝒏 𝒚(𝒌 − 𝒏) = 𝒃𝟏 𝒖(𝒌 − 𝟏) … 𝒃𝒎 𝒖(𝒌 − 𝒎) (1)
La Fonction de transfert :

(1)
2.5

Exercice N°2 (1+1 .5+1.5 +1)

1.5
1. Le tracé (1pt)
2. Les paramètres 1
P1= 0.28*3=0.84 t1=0.12
P2=0.40*3=1.2 t2=0.16
0.5

0
0 5 10 15
𝜏 = 5,5(𝑡2 − 𝑡1) = 5.5(𝑡2 − 𝑡1) = 0.22 (1.5 𝑝𝑡𝑠)
𝑇 = 2,8 ∗ 𝑡1 − 1,8 ∗ 𝑡2 = 2.8 ∗ 0.12 − 1.8 ∗ 0.16 = 0.048 (1.5𝑝𝑡𝑠)

3𝑒 −0.048
3. Le modèle 𝐻 (𝑝) = (1𝑝𝑡)
(0.22𝑝+1)
Exercice N°2 (10 pts)

𝑋𝑖 -2 -1 0 1
𝑌𝑖 0.9 0.1 1.0 3.8

1. le graphe des mesures expérimentales. (1.5 )

4

3.5

2.5

1.5

0.5

0
-2 -1.5 -1 -0.5 0 0.5 1

On désire modéliser la sortie du système avec un modèle de la forme

𝑌𝑚𝑜𝑑𝑒𝑙𝑒 = 𝑎 + 𝑏𝑋𝑖 + 𝑐𝑋𝑖2

2. le critère de la méthode des moindres carrées
1 1
𝐽𝑁 (𝑎, 𝑏) = ∑𝑁 2 4
𝑖=1 𝜀𝑖 = ∑𝑖=1(𝑦𝑖 − (𝑎 + 𝑏𝑋𝑖 + 𝑐𝑋𝑖 ))
2 2
(1.5)
𝑁 4

3. Montrer que les valeurs optimales des coefficients au sens des moindres carrés se ramènent à un
système de trois équations avec trois inconnus a, b et c.
𝜕𝐽(𝑎,𝑏,𝑐)
=0
𝜕𝑎
𝜕𝑗(𝑎,𝑏,𝑐)
4. ⇒ =0
𝜕𝑏
𝜕𝑗(𝑎,𝑏,𝑐)
{ =0
𝜕𝑐
𝜕𝐽(𝑎,𝑏,𝑐) 2
= − { ∑4𝑖=1(𝑦𝑖 − 𝑎 − 𝑏𝑋𝑖 − 𝑐𝑋2𝑖 )} = 0
𝜕𝑎 4
𝜕𝐽(𝑎,𝑏,𝑐) 2
5. = − {∑4𝑖=1(𝑦𝑖 − 𝑎 − 𝑏𝑋𝑖 − 𝑐𝑋2𝑖 )𝑋𝑖 } = 0
𝜕𝑏 4
𝜕𝐽(𝑎,𝑏,𝑐) 2
{ = − {∑𝑁 2
𝑖=1(𝑦𝑖 − 𝑎 − 𝑏𝑋𝑖 − 𝑐𝑋𝑖 )𝑋𝑖 } = 0
2
𝜕𝑐 𝑁

4 4 4 4
1 1 1 1
− ∑ yi + ∑ a + b ∑ xi + c ∑ xi2 = 0
4 4 4 4
i=1 i=1 i=1 i=1
4 4 4 4
1 1 1 1 (1.5)
⇒ − ∑ yi + a ∑ xi + ∑ bxi2 + ∑ cxi3 = 0
4 4 4 4
i=1 i=1 i=1 i=1
4 4 4 4
1 1 1 1
− ∑ yi + a ∑ xi2 + ∑ bxi3 + ∑ cxi4 + = 0
4 4 4 4
{ i=1 i=1 i=1 i=1
 4 4 4 4
1 1 1 1
∑ yi = ∑ a + b ∑ xi + c ∑ xi2
4 4 4 4
i=1 i=1 i=1 i=1
4 4 4 4
1 1 1 1
⇒ ∑ yi = a ∑ xi + b ∑ xi2 + c ∑ xi3
4 4 4 4
i=1 i=1 i=1 i=1
4 4 4 4
1 1 1 1
∑ yi = a ∑ xi2 + b ∑ xi3 + c ∑ xi4
4 4 4 4
{ i=1 i=1 i=1 i=1
6. Donner la représentation matricielle

a − 0.5b + 1.5c = 1.45

⇒ {−0.5a + 1.5b − 2c = 1.45 (1.5)
1.5a − 2b + 4.5c = 1.45
Résolution du système
a=1.03
b=1.86 (2)
c=0.9
Représentation matricielle :

𝑁 4
1 1
𝐽𝑁 (𝑎, 𝑏) = ∑ 𝜀𝑖2 = ∑(𝑦𝑖 − (𝑎 + 𝑏𝑋𝑖 + 𝑐𝑋2𝑖 ))2 = 𝜑𝑇 𝜃
𝑁 4
𝑖=1 𝑖=1
𝒂
Les paramètres :𝜽 = [𝒃] (1)
𝒄

Régresser= 𝝋𝑻 = [𝟏 𝑿𝒊 𝑿𝟐𝒊 ] (1)