Upload
haquynh
View
219
Download
2
Embed Size (px)
Citation preview
Chương 4: NHẬN DẠNG MÔ HÌNH CÓ THAM SỐ
© Huỳnh Thái Hoàng – Bộ môn Điều khiển Tự động
1
Chương 5
CÁC PHƯƠNG PHÁP ƯỚC LƯỢNG THAM SỐ
Chương 5: CÁC PHƯƠNG PHÁP ƯỚC LƯỢNG THAM SỐ 5.1. Nguyên tắc ước lượng tham số 5.2. Phương pháp sai số dự báo 5.3. Phương pháp hợp lý cực đại 5.4. Phương pháp tương quan 5.5. Thuật toán lặp ước lượng tham số 5.6. Thuật toán đệ qui ước lượng tham số 5.1 NGUYÊN TẮC ƯỚC LƯỢNG THAM SỐ Giả sử chúng ta đã chọn được cấu trúc mô hình thích hợp với hệ thống cần nhận dạng và đưa ra bộ dự báo ),(ˆ θky , đồng thời đã thu thập được N mẫu dữ liệu: { })(),(,),1(),1( NyNuyuZ N …= (5.1) Vấn đề đặt ra là xác định tham số Nθ̂ dựa vào thông tin chứa trong ZN. Nguyên tắc ước lượng tham số là dựa vào Zk chúng ta có thể tính được sai số dự báo: ),(ˆ)(),( θθ kykyk −=ε (5.2) Ta cần xác định tham số Nθ̂ sao cho sai số dự báo càng nhỏ càng tốt. − Phương pháp sai số dự báo: ước lượng tham số sao cho sai số dự báo tối thiểu. − Phương pháp tương quan: ước lượng tham số sao cho tương quan giữa sai số dự báo và dữ liệu quá khứ bằng 0. 5.2 PHƯƠNG PHÁP SAI SỐ DỰ BÁO 5.2.1 Nguyên tắc ước lượng sai số dự báo Nguyên tắc ước lượng thông số theo phương pháp sai số dự báo là tối thiểu hóa sai số dự báo. Tổng quát hóa nguyên tắc trên, ta có thuật toán sau đây:
Chương 4: NHẬN DẠNG MÔ HÌNH CÓ THAM SỐ
© Huỳnh Thái Hoàng – Bộ môn Điều khiển Tự động
2
1. Chọn cấu trúc mô hình và rút ra bộ dự báo: ),(),(ˆ 1−= kZgky θθ (5.3) Bộ dự báo có thể tuyến tính hay phi tuyến; có thể là mạng thần kinh nhân tạo, hệ mờ, chuổi wavelet,… 2. Từ dữ liệu quan sát và bộ dự báo ),(ˆ θky , thành lập chuổi sai số dự báo: ),(ˆ)(),( θθ kykyk −=ε , k =1, 2, …, N (5.4) 3. Lọc sai số dự báo bằng bộ lọc tuyến tính L(q), nếu cần. ),()(),( θθ kqLkF εε = (5.5) 4. Chọn tiêu chuẩn đánh giá sai số dự báo:
( )∑=
=N
kF
NN k
NZV
1),(1),( θθ εl (5.6)
trong đó l(.) là hàm xác định dương. 5. Tìm tham số θ tối thiểu hóa tiêu chuẩn đánh giá: ),(minargˆ N
NN ZV θθθ
= (5.7)
Tất cả các phương pháp ước lượng tham số dựa vào biểu thức (5.7) gọi chung là phương pháp sai số dự báo (Prediction Error Method – PEM). Tùy thuộc vào cách chọn: - chuẩn l(.) - bộ lọc L(.) - cấu trúc mô hình - cách giải bài toán tối ưu hóa (5.7) mà ta có các phương pháp nhận dạng cụ thể khác nhau. 5.2.2 Bộ lọc tuyến tính − Bộ lọc L(q) có thể dùng để lọc nhiễu tần số cao hay các thành phần trôi tần số thấp. − Nếu bộ dự báo tuyến tính bất biến và y và u là các đại lượng vô hướng thì kết quả lọc sai số dự báo ε tương đương với lọc dữ liệu y và u trước, sau đó mới đưa dữ liệu đã lọc vào bộ dự báo. − Bộ dự báo cho hệ tuyến tính bất biến là (xem chương 4): )(),(),()()],(1[),(ˆ 11 kuqGqHkyqHky θθθθ −− +−= (5.8) Sai số dự báo:
Chương 4: NHẬN DẠNG MÔ HÌNH CÓ THAM SỐ
© Huỳnh Thái Hoàng – Bộ môn Điều khiển Tự động
3
)](),()()[,(),( 1 kuqGkyqHk θθθ −= −ε (5.9) Sai số dự báo sau khi qua bộ lọc: )](),()()[,()(),( 1 kuqGkyqHqLkF θθθ −= −ε )](),()([)],()([ 11 kuqGkyqHqL θθ −= −− (5.10) Biểu thức (5.10) cho thấy ảnh hưởng của bộ lọc sai số dự báo tương đương với việc đổi mô hình nhiễu từ ),( θqH sang ),()(),( 1 θθ qHqLqH −= . ⇒ Khi mô tả và phân tích các phương pháp nhận dạng, ta thường giới hạn trong trường hợp L(q) ≡ 1. 5.2.3 Tiêu chuẩn ước lượng tham số Thường chuẩn ước lượng tham số được chọn là chuẩn toàn phương:
∑=
=N
kF
NN k
NZV
1
2 ),(1),( θθ ε (5.11)
Chuẩn toàn phương có thuận lợi là tính toán và phân tích dễ dàng, tuy nhiên cũng có thể chọn các chuẩn khác như: Chuẩn l1:
∑=
=N
kF
NN k
NZV
1),(1),( θθ ε (5.12)
Chuẩn l∞: ),(max),(
1θθ kZV FNk
NN ε
≤≤= (5.13)
Chuẩn ước lượng tham số cũng có thể là chuẩn biến đổi theo thời gian:
∑=
=N
kF
NN kkNZV
1)),((),(),( θθ εβ l (5.14)
• Biểu diễn tiêu chuẩn sai số dự báo toàn phương cho hệ tuyến tính bất biến trong miền tần số: Xét hệ tuyến tính bất biến tổng quát: )()()()()( keqHkuqGky += (5.15) Bộ dự báo cho hệ tuyến tính bất biến là: )(),(),()()],(1[),(ˆ 11 kuqGqHkyqHky θθθθ −− +−= (5.16) Sai số dự báo: )](),()()[,(),( 1 kuqGkyqHk θθθ −= −ε (5.17)
Chương 4: NHẬN DẠNG MÔ HÌNH CÓ THAM SỐ
© Huỳnh Thái Hoàng – Bộ môn Điều khiển Tự động
4
Biến đổi DFT của ),( θkε là:
∑=
−=N
k
kjlN
lekN
E1
),(1),( ωεω θθ (5.18)
trong đó N
ll
πω 2= , l = 0, 1,…, N –1.
Theo định lý Parseval, ta có:
∑∑−
===
1
0
2
1
2 ),(),(N
llN
N
kEk θθ ωε (5.19)
Thay (5.19) vào (5.11) ta được:
∑−
==
1
0
2),(1),(N
llN
NN E
NZV θθ ω (5.20)
Mặt khác, do (5.17) nên theo định lý 2.1 (Ljung 1999, page 31) ta có: { } )(~)(),()(),(),( 1
lNj
lN RkuqGkyDFTeHE l ωω ω +−= −− θθθ { }[ ] )(~)(),()(),(1
lNlNj RkuqGDFTYeH l ωωω +−= −− θθ
{ }[ ] )(~)()(),()(),(1lNlNlN
jlN
j RRUeGYeH ll ωωωω ωω ++−= −−− θθ [ ])(),()(),(1
lNj
lNj UeGYeH ll ωω ωω θθ −−− −≈
⎥⎦
⎤⎢⎣
⎡−= −−− ),(
)()()(),(1 θθ ll j
lN
lNlN
j eGUYUeH ωω
ωωω
⎥⎦⎤
⎢⎣⎡ −= −−−− ),()(ˆ̂)(),(1 θθ lll jj
lNj eGeGUeH ωωω ω (5.21)
Đặt: 2
2
),(
)(),(
θθ
ω
ωω
j
N
eH
UQ
−= (5.22)
Thay (5.21) vào (5.20) ta được:
∑−
=
−−
⎥⎦⎤
⎢⎣⎡ −≈
1
0
2
),(),()(ˆ̂1),(N
ll
jjNN QeGeG
NZV ll θθθ ωωω
⇒ ∫−
−−
⎥⎦⎤
⎢⎣⎡ −≈
π
π
ωω ωωπ
dQeGeGZV jjNN ),(),()(ˆ̂
21),(
2
θθθ (5.23)
Biểu thức (5.23) có thể xem như là một cách khác để trơn hóa đặc tính tần
số thực nghiệm )(ˆ̂ ωjeG − . Điều này chứng tỏ phương pháp phân tích phổ và phương pháp sai số dự báo có tương quan với nhau.
Chương 4: NHẬN DẠNG MÔ HÌNH CÓ THAM SỐ
© Huỳnh Thái Hoàng – Bộ môn Điều khiển Tự động
5
5.2.4 Mô hình hồi qui tuyến tính và phương pháp bình phương tối thiểu Ở chương 4 chúng ta đã thấy cấu trúc hồi qui tuyến tính rất hữu ích trong việc mô tả hệ tuyến tính và hệ phi tuyến. Tổng quát, bộ dự báo hồi qui tuyến tính có dạng: )()(),(ˆ kkky T μ+= θϕθ (5.24) Sai số dự báo là: )()()(),(ˆ)(),( kkkykykyk T με −−=−= θϕθθ (5.25) • Tiêu chuẩn bình phương tối thiểu:
[ ]∑∑==
−−==N
k
TN
k
NN kkky
Nk
NZV
1
2
1
2 )()()(1),(1),( με θϕθθ (5.26)
Do VN có dạng toàn phương nên chúng ta có thể tìm cực tiểu bằng cách cho đạo hàm bậc 1 theo tham số bằng 0.
{ } 0),( =NN ZV
dd θθ
⇒ ( ) 0)()()(11
2=
⎭⎬⎫
⎩⎨⎧ −−∑
=
N
k
T kkkyNd
d μθϕθ
⇒ ( ) 0)()()()(21
=−−− ∑=
N
k
T kkkykN
μθϕϕ
⇒ [ ] ∑∑==
=−N
k
TN
kkkkkyk
11)()()()()( θϕϕϕ μ
⇒ [ ]⎥⎦⎤
⎢⎣⎡ −⎥⎦
⎤⎢⎣⎡= ∑∑
=
−
=
N
k
N
k
TLSN kkykkk
1
1
1)()()()()(ˆ μϕϕϕθ (5.27)
• Tính chất của ước lượng bình phương tối thiểu: Giả sử ngõ ra của hệ thống thực cho bởi: )()()()( 00 kvkkky T ++= μθϕ (5.28) Thay (5.28) vào (5. 27) ta được:
[ ]⎥⎦⎤
⎢⎣⎡ +⎥⎦
⎤⎢⎣⎡= ∑∑
=
−
=
N
k
TN
k
TLSN kvkkkk
100
1
1)()()()()(ˆ θϕϕϕϕθ
⎥⎦⎤
⎢⎣⎡
⎥⎦⎤
⎢⎣⎡+= ∑∑
=
−
=
N
k
N
k
TLSN kvkkk
10
1
10 )()()()(ˆ ϕϕϕθθ
Chương 4: NHẬN DẠNG MÔ HÌNH CÓ THAM SỐ
© Huỳnh Thái Hoàng – Bộ môn Điều khiển Tự động
6
⎥⎦⎤
⎢⎣⎡
⎥⎦⎤
⎢⎣⎡=− ∑∑
=
−
=
N
k
N
k
TLSN kvk
Nkk
N 10
1
10 )()(1)()(1ˆ ϕϕϕθθ
*1*0 )(ˆlim fRLS
NN
−
∞→=−θθ (5.29)
trong đó:
)()()()(1lim1
* kkEkkN
R TN
k
T
Nϕϕϕϕ =⎥⎦
⎤⎢⎣⎡= ∑
=∞→ (5.30)
)()()()(1lim 01
0* kvkEkvk
Nf
N
tNϕϕ =⎥⎦
⎤⎢⎣⎡= ∑
=∞→ (5.31)
Như vậy điều kiện để ước lượng bình phương tối thiểu là ước lượng vững, nghĩa là LS
Nθ̂ hội tụ đến tham số của hệ thống là: − R* không suy biến. − f* = 0: điều này xảy ra khi { })(0 kv là chuổi của các biến ngẫu nhiên độc lập có trung bình bằng 0 (nhiễu trắng) hoặc tín hiệu vào { })(ku là chuổi độc lập với chuổi { })(0 kv có trung bình bằng 0 và vector hồi qui không chứa tín hiệu ra trong quá khứ (na = 0). • Tiêu chuẩn bình phương tối thiểu có trọng số:
[ ]∑=
−−=N
k
TNN kkkykNZV
1
2)()()(),(),( μβ θϕθ (5.32)
Tương tự như trên, tham số ước lượng xác định bởi biểu thức:
[ ]⎥⎦⎤
⎢⎣⎡ −⎥⎦
⎤⎢⎣⎡= ∑∑
=
−
=
N
k
N
k
TLSN kkykkNkkkN
1
1
1)()()(),()()(),(ˆ μββ ϕϕϕθ (5.33)
5.3 PHƯƠNG PHÁP HỢP LÝ CỰC ĐẠI (Maximum Likelihood Method) 5.3.1 Bộ ước lượng và nguyên tắc hợp lý cực đại − Lĩnh vực suy luận thống kê, cũng như nhận dạng hệ thống và ước lượng tham số liên quan đến bài toán rút ra thông tin từ dữ kiện quan sát mà bản thân các dữ kiện quan sát này có thể không tin cậy. − Dữ kiện quan sát có thể mô tả là thể hiện của biến ngẫu nhiên. − Giả sử dữ kiện quan sát có thể biểu diễn bằng biến ngẫu nhiên: { })(,),2(,)1( NyyyN …=y (5.34) có hàm mật độ xác suất là:
Chương 4: NHẬN DẠNG MÔ HÌNH CÓ THAM SỐ
© Huỳnh Thái Hoàng – Bộ môn Điều khiển Tự động
7
);(),,,;( 21N
N fxxxf xy θθ =… (5.35) tức là: ∫
∈
=∈A
NNN
N
dfAPx
y xxy );()( θ (5.36)
trong đó θ là vector tham số mô tả tính chất của biến quan sát được. − Giả sử vector tham số θ chưa biết và mục đích của việc quan sát biến yN là để ước lượng θ, điều này có thể thực hiện được bằng bộ ước lượng )(ˆ Nyθ . Nếu giá trị quan sát được của Ny là N
*y thì giá trị tham số ước lượng là )(ˆˆ N
*yθθ =∗ . − Có thể có nhiều bộ ước lượng khác nhau. − Bộ ước lượng hợp lý cực đại: là bộ ước lượng sao cho cực đại hóa xác suất sự kiện quan sát. Vì: );(~)( **
NNN fP yyy y θ= (5.37) Nên bộ ước lượng hợp lý cực đại xác định bởi: );(maxarg)(ˆ
**NNML f yy y θθ
θ= (5.38)
Thí dụ: Giả sử y(i), i = 1, 2, …, N là các biến ngẫu nhiên độc lập có phân bố chuẩn với giá trị trung bình là θ0 (chưa biết) và phương sai là λi (đã biết). Bài toán đặt ra là ước lượng θ0 từ các giá trị quan sát. • Cách thường dùng để ước lượng θ0 là lấy trung bình mẫu:
∑=
=N
i
SM iyN 1
)(1θ̂ (5.39)
• Cách khác để ước lượng θ0 là dùng phương pháp hợp lý cực đại. Vì hàm mật độ xác suất của các biến ngẫu nhiên có phân bố chuẩn là:
⎥⎦
⎤⎢⎣
⎡ −−
i
i
i
xλθ
πλ 2)(exp
21 2
(5.40)
và do các biến ngẫu nhiên độc lập nhau nên:
∏=
⎥⎦
⎤⎢⎣
⎡ −−=
N
i i
i
i
Ny
xxf1
2
2)(exp
21);(
λθ
πλθ (5.41)
Vì vậy hàm hợp lý cho bởi );( N
y yf θ . Vì cực đại hóa hàm hợp lý tương đương với cực đại hóa logarithm của nó nên:
Chương 4: NHẬN DẠNG MÔ HÌNH CÓ THAM SỐ
© Huỳnh Thái Hoàng – Bộ môn Điều khiển Tự động
8
),(logmaxarg)(ˆ Ny
NML yfy θθθ
=
⎭⎬⎫
⎩⎨⎧ −
−−−= ∑ ∑= =
N
i
N
i ii
iyN
1 1
2])([21log
212log
2maxarg
λθλπ
θ (5.42)
Biểu thức trên đạt cực đại khi:
min])([21
1
2
→−∑
=
N
i i
iyλθ
⇒ 0])([
1=
−∑=
N
i i
iyλ
θ
⇒ ∑∑ =
=
=N
i iN
ii
NML iyy1
1
)(
)/1(
1)(ˆλλ
θ (5.43)
Để ý rằng nếu phương sai của tất cả các biến ngẫu nhiên đều bằng nhau thì công thức (5.43) và công thức (5.39) cho kết quả ước lượng như nhau. 5.3.2 Phương pháp hợp lý cực đại ước lượng tham số hệ thống động Mô hình xác suất của hệ thống động: );,(),(ˆ 1 θθ −= kZkgky ),(ˆ)(),( θθ kykyk −=ε độc lập và (5.44) có hàm mật độ xác suất là );,( θkxfe Hàm hợp lý cho mô hình xác suất của hệ thống động (xem bổ đề 5.1, Ljung 1999, trang163):
( ) ( )∏∏==
− =−=N
te
N
k
ke
Ny kkfkZkgkyfyf
11
1 ,),,(,),,,()();( θθθθθ ε (5.45)
Cực đại hóa hàm (5.45) tương đương cực đại hóa hàm:
( )∑=
=N
ke
Ny kkf
Nyf
N 1,),,(log1);(log1 θθθ ε (5.46)
Định nghĩa: ( )θθθ ,),,(log),,( kkfk e εε −=l (5.47) Ta có thể viết:
∑=
=N
k
ML kkN 1
),),,((1minargˆ θθθ
εlθ (5.48)
Biểu thức trên cho thấy phương pháp hợp lý cực đại là một trường hợp riêng của phương pháp sai số dự báo.
Chương 4: NHẬN DẠNG MÔ HÌNH CÓ THAM SỐ
© Huỳnh Thái Hoàng – Bộ môn Điều khiển Tự động
9
Trường hợp đặc biệt: nếu sai số dự báo là đại lượng ngẫu nhiên có phân bố Gauss có trung bình bằng 0 và phương sai λ thì (5.48) trở về trường hợp bình phương tối thiểu. Thật vậy:
⎥⎦
⎤⎢⎣
⎡−=
λε
πλε
2),(exp
21),,(
2 θθ kkfe
⇒ λ
επλεε2
),(2log21),,(log),,(
2 θθθ kkfk e +=−=l (5.49)
5.4 PHƯƠNG PHÁP TƯƠNG QUAN (Correlation Method) 5.4.1 Nguyên tắc ước lượng tương quan Nguyên tắc ước lượng thông số theo phương pháp tương quan là tương quan giữa sai số dự báo và các phần tử hồi qui phải bằng 0. Tổng quát hóa nguyên tắc trên, ta có thuật toán sau đây: 1. Chọn cấu trúc mô hình và rút ra bộ dự báo: ),(),(ˆ 1−= kZgky θθ (5.50) 2. Từ dữ liệu quan sát và bộ dự báo ),(ˆ θky , thành lập chuổi sai số dự báo: ),(ˆ)(),( θθ kykyk −=ε , k =1, 2, …, N (5.51) 3. Lọc sai số dự báo bằng bộ lọc tuyến tính L(q), nếu cần. ),()(),( θθ kqLkF εε = (5.52) 4. Chọn chuổi vector tương quan: ),,(),( 1 θθ −= kZkk ζζ (5.53) 5. Chọn hàm )(εα . 6. Tìm tham số θ là nghiệm của phương trình: ]0),([ solˆ == N
NN Zf θθθ
(5.54)
trong đó: ∑=
=N
kF
NN kk
NZf
1)),((),(1),( θθθ εαζ (5.55)
• Ước lượng hồi qui tuyến tính giả: Mô hình hồi qui tuyến tính giả (Pseudo Linear Regression – PLR): θθϕθ ),(),(ˆ kky T= (5.56) Chọn: 1)( =qL
Chương 4: NHẬN DẠNG MÔ HÌNH CÓ THAM SỐ
© Huỳnh Thái Hoàng – Bộ môn Điều khiển Tự động
10 ),(),( θϕθζ kk = ),()),(( θθ kk εεα =
⎭⎬⎫
⎩⎨⎧
=⎟⎠⎞
⎜⎝⎛ −= ∑
=0]),()()[,(1solˆ
1
N
k
TPLRN kkyk
Nθθϕθϕθ
θ (5.57)
Lôøi giaûi cuûa baøi toaùn (5.57) coù theå tìm baèng thuaät toaùn laëp:
⎥⎦⎤
⎢⎣⎡
⎥⎦⎤
⎢⎣⎡= ∑∑
=
−−
=
−−N
k
iN
N
k
iN
TiN
iN kykkk
1
)1(1
1
)1()1()( )()ˆ,()ˆ,()ˆ,(ˆ θϕθϕθϕθ (5.58)
5.4.2 Phương pháp biến công cụ Phương pháp biến công cụ có thể xem là trường hợp riêng của phương pháp tương quan áp dụng cho mô hình hồi qui tuyến tính nhằm ước lượng đúng thông số của hệ thống trong trường hợp nhiễu v(k) có tương quan với các phần tử hồi qui liên quan đến tín hiệu ra trong quá khứ. 1. Chọn cấu trúc mô hình và rút ra bộ dự báo: θϕθ )(),(ˆ kky T= (5.59) 2. Từ dữ liệu quan sát và bộ dự báo ),(ˆ θky , thành lập chuổi sai số dự báo: ),(ˆ)(),( θθ kykyk −=ε , k =1, 2, …, N (5.60) 3. Lọc sai số dự báo bằng bộ lọc tuyến tính L(q), nếu cần. ),()(),( θθ kqLkF εε = (5.61) 4. Choïn bieán coâng cuï ),( θkζ sao cho: { })(),( kkE Tϕθζ khoâng suy bieán { } 0)(),( =kvkE θζ Coù theå choïn: )(),(),( kuqk u θθζ K= (5.62) trong ñoù ),( θquK laø vector coät goàm d boä loïc tuyeán tính ( )(dim kd ϕ= ). 5. Chọn hàm )(εα . 6. Tìm tham số θ là nghiệm của phương trình: ]0),([ solˆ == N
NN Zf θθθ
(5.63)
Chương 4: NHẬN DẠNG MÔ HÌNH CÓ THAM SỐ
© Huỳnh Thái Hoàng – Bộ môn Điều khiển Tự động
11
trong đó: ∑=
=N
kF
NN kk
NZf
1)),((),(1),( θθθ εαζ (5.64)
5.5 THUẬT TOÁN LẶP ƯỚC LƯỢNG THAM SỐ Ở mục 5.1 ta đã biết để ước lượng tham số mô hình ta cần tìm cực trị của hàm:
( ) min),,(1),(1
→= ∑=
N
k
NN k
NZV θθθ εl (pp sai số dự báo) (5.65)
hoặc tìm nghiệm của phương trình:
0)),((),(1),(1
== ∑=
N
k
NN kk
NZf θθθ εαζ (pp tương quan) (5.66)
Trong trường hợp tổng quát, không thể tìm được lời giải giải tích của (5.65) và (5.66) → cần tìm lời giải bằng phương pháp số (numerical method) 5.5.1 Tối ưu hóa bằng phương pháp số Thuật toán Newton tìm lời giải bài toán tối ưu (5.65) bằng công thức lặp: [ ] ),ˆ(),ˆ(ˆˆ )(1)()()1( Ni
NNNi
NNi
Ni
N ZVZV θθθθ ′′′−=−+ (5.67)
Xét trường hợp hệ một đầu ra và chỉ tiêu ước lượng tham số dạng toàn phương:
∑=
=N
k
NN k
NZV
1
2 ),(1),( θθ ε (5.68)
Ta có: • Đạo hàm bậc 1 của (.)NV :
∑=
−=′N
k
NN kk
NZV
1),(),(2),( θθθ εψ (5.69)
trong đó: θθθ
∂∂
=),(ˆ),( kykψ (5.70)
T
d
kykykyk ⎥⎦⎤
⎢⎣⎡
∂∂
∂∂
∂∂
=θθθ
ψ ),(ˆ ),(ˆ ),(ˆ),(21
θθθθ … (5.71)
• Đạo hàm bậc 2 của (.)NV :
∑=
⎥⎦⎤
⎢⎣⎡
∂∂
−=′′N
k
TNN kkkk
NZV
1),(),(),(),(2),( θ
θθθθθ εψψψ (5.72)
Chương 4: NHẬN DẠNG MÔ HÌNH CÓ THAM SỐ
© Huỳnh Thái Hoàng – Bộ môn Điều khiển Tự động
12
Tính chính xác ),( NN ZV θ′′ theo biểu thức (5.72) cần rất nhiều phép tính →
không hiệu quả. Tùy theo cách tính gần đúng ),( NN ZV θ′′ mà thuật toán Newton
có các phiên bản sau: • Thuật toán suy giảm độ dốc:
)ˆ,().ˆ,(ˆˆ )(
1
)()()()1( iN
N
k
iN
iiN
iN kk θθθθ εψμ ∑
=
+ += (5.73)
• Thuật toán Gauss–Newton suy giảm:
)ˆ,().ˆ,()ˆ,()ˆ,(ˆˆ )(
1
)(1
1
)()()()()1( iN
N
k
iN
N
k
iN
TiN
iiN
iN kkkk θθθθθθ εψψψμ ∑∑
=
−
=
+
⎥⎦⎤
⎢⎣⎡+= (5.74)
trường hợp 1)( =iμ thuật toán trên được gọi là thuật toán Gauss–Newton. • Thuật toán Levenberg–Marquardt:
)ˆ,().ˆ,()ˆ,()ˆ,(ˆˆ )(
1
)(1
)(
1
)()()()1( iN
N
t
iN
iN
k
iN
TiN
iN
iN kkIkk θθθθθθ εψμψψ ∑∑
=
−
=
+⎥⎦⎤
⎢⎣⎡ +⎟
⎠⎞
⎜⎝⎛+= (5.75)
Trong các thuật toán trên, độ dài bước (step size) )(iμ là hệ số dương được chọn sao cho: ),ˆ(),ˆ( )()1( Ni
NNNi
NN ZVZV θθ <+ (5.76) 5.5.2 Tìm nghiệm phương trình bằng phương pháp số Các thuật toán số tìm nghiệm phương trình (5.66) tương tự như các thuật toán tìm lời giải tối ưu. Thuật toán thay thế (substitution method): ),ˆ(ˆˆ )()()()1( Ni
NNii
Ni
N Zf θθθ μ−=+ (5.77) Thuật toán Newton–Raphson: [ ] ),ˆ(),ˆ(ˆˆ )(1)()()()1( Ni
NNNi
NNii
Ni
N ZfZf θθθθ−+ ′−= μ (5.78)
5.5.3 Tính toán đạo hàm Để sử dụng các công thức (5.73), (5.74), (5.75) và (5.78) ta phải tính đạo hàm theo tham số của bộ dự báo:
Chương 4: NHẬN DẠNG MÔ HÌNH CÓ THAM SỐ
© Huỳnh Thái Hoàng – Bộ môn Điều khiển Tự động
13
T
d
kykykykyk ⎥⎦⎤
⎢⎣⎡
∂∂
∂∂
∂∂
=∂
∂=
θθθψ ),(ˆ ),(ˆ ),(ˆ),(ˆ),(
21
θθθθθθ … (5.79)
Đạo hàm ),( θkψ có thể tính dễ dàng hay khó khăn hoàn toàn tùy thuộc vào cấu trúc mô hình. Trong nhiều trường hợp ta không thể tìm được ),( θkψ bằng biểu thức giải tích mà phải tính đạo hàm gần đúng bằng phép tính sai phân. • Mô hình hộp đen tuyến tính SISO:
)()()()(
)()()()( ke
qDqCku
qFqBkyqA += (5.80)
Bộ dự báo:
)()()()()()(
)()()(1),(ˆ ku
qFqCqBqDky
qCqAqDky +⎥⎦
⎤⎢⎣
⎡−=θ (5.81)
Do đó:
)()()(),(ˆ lky
qCqDky
ak−−=
∂∂ θ
)()()(
)(),(ˆ lkuqFqC
qDkybl
−=∂∂ θ
),()(
1)()()()(
)()()()()()()(),(ˆ θθ lk
qClku
qFqCqCqBqDlky
qCqCqAqDky
cl−=−−−=
∂∂ ε
),()(
1)()()(
)()()()(),(ˆ θθ lkv
qClku
qFqCqBlky
qCqAky
dl−−=−+−−=
∂∂
),()()(
)()()()()(
)()(),(ˆ θθ lkwqFqC
qDlkuqFqFqC
qBqDkyfl
−−=−−=∂∂
• Mô hình hộp đen phi tuyến: ♦ Bộ dự báo cấu trúc lưới:
∑∑==
+===l
ii
Tii
l
iii ggky
11)()(),(),(ˆ γκαα ϕβϕθϕθ (5.82)
Dễ dàng tính được:
)(),(ˆ iTi
iky γκ
α+=
∂∂ ϕβθ
Chương 4: NHẬN DẠNG MÔ HÌNH CÓ THAM SỐ
© Huỳnh Thái Hoàng – Bộ môn Điều khiển Tự động
14
jiTii
ijky ϕγκα
β)(),(ˆ +′=
∂∂ ϕβθ
)(),(ˆ iTii
iky γκα
γ+′=
∂∂ ϕβθ
♦ Bộ dự báo cấu trúc xuyên tâm: (học viên tự tính) ♦ Bộ dự báo cấu trúc tích tensor:
∑ ∏∑= ==
−===l
i
d
jijjiji
l
iii ggky
1 11))(()(),(),(ˆ γϕβκαα ϕθϕθ
Đạo hàm của bộ dự báo theo tham số như sau:
∏=
−=∂∂ d
jijjij
iky
1))((),(ˆ γϕβκ
αθ
[ ] )())(())((),(ˆ1
ijjijjij
d
jkk
ikkikiij
ky γϕγϕβκγϕβκαβ
−−′⎥⎥
⎦
⎤
⎢⎢
⎣
⎡−=
∂∂ ∏
≠=
θ
[ ] ijijjij
d
jkk
ikkikiij
ky βγϕβκγϕβκαγ
)())((),(ˆ1
+′⎥⎥
⎦
⎤
⎢⎢
⎣
⎡−−=
∂∂ ∏
≠=
θ
• Tính ñaïo haøm gaàn ñuùng baèng pheùp tính sai phaân:
l
ll
l
kyekykyΔ
−Δ+≈
∂∂ ),(ˆ),(ˆ
),(ˆ θθθθ
(5.83)
trong ñoù lΔ laø heä soá döông nhoû vaø [ ]Tle 00100 ……= (5.84) ↑ Phaàn töû thöù l 5.5.4 Lời giải cục bộ và giá trị khởi động − Thuật toán tối ưu hóa số tìm giá trị *ˆ
Nθ thỏa mãn phương trình: 0),( =′ N
N ZV θ do đó chỉ tìm được lời giải tối ưu cục bộ. − Khi ước lượng tham số ta mong muốn tìm được lời giải tối ưu toàn cục. − Để tìm được lời giải tối ưu toàn cục, cách thông thường là chạy thuật toán lặp nhiều lần với các giá trị khởi động khác nhau.
Chương 4: NHẬN DẠNG MÔ HÌNH CÓ THAM SỐ
© Huỳnh Thái Hoàng – Bộ môn Điều khiển Tự động
15
− Bằng cách chọn độ dài bước thích hợp có thể tăng khả năng tìm được lời giải tối ưu toàn cục. − Có thể kết hợp thuật toán tìm lời giải tối ưu toàn cục (như thuật toán di truyền) với thuật toán Newton để ước lượng tham số. 5.6 THUẬT TOÁN ĐỆ QUI ƯỚC LƯỢNG THAM SỐ 5.6.1 Giới thiệu − Một trong những mục đích của việc giải bài toán nhận dạng hệ thống là xây dựng mô hình toán học của hệ thống để thiết kế bộ điều khiển. − Tham số của hệ thống thực có thể biến đổi theo thời gian → Điều khiển hệ thống dựa trên mô hình tham số cố định không đạt chất lượng tốt. → Cần xác định mô hình của hệ thống trong khi hệ thống đang hoạt động. Mô hình cần phải được xác định dựa vào dữ liệu quan sát đến thời điểm hiện tại. − Hệ thống điều khiển trong đó có sử dụng mô hình được cập nhật trực tuyến gọi là hệ thống điều khiển thích nghi.
Hình 4.1: Hệ thống điều khiển thích nghi − Việc tính toán tham số mô hình trực tuyến phải được thực hiện sao cho việc xử lý dữ liệu đo tại mỗi thời điểm lấy mẫu phải chắc chắn hoàn tất trong khoảng thời gian nhỏ hơn chu kỳ lấy mẫu. − Thuật toán nhận dạng thỏa mãn yêu cầu trên gọi là thuật toán nhận dạng đệ qui.
5.6.2 Thuật toán bình phương tối thiểu tuyến tính có trọng số đệ qui • Tiêu chuẩn bình phương tối thiểu có trọng số: Giả sử thu thập được k mẫu dữ liệu, tham số mô hình ước lượng bằng phương pháp bình phương tối thiểu tuyến tính có trọng số là:
[ ]∑=
−=k
l
Tk llylk
1
2)()(),(minargˆ θϕθ
θβ (5.85)
Đối tượng
Điều khiển
Mô hình
u(k) y(k)
Chương 4: NHẬN DẠNG MÔ HÌNH CÓ THAM SỐ
© Huỳnh Thái Hoàng – Bộ môn Điều khiển Tự động
16
Lời giải giải tích của (5.85) là: )()(ˆ 1 kfkRk
−=θ (5.86)
trong đó: ∑=
=k
l
T lllkkR1
)()(),()( ϕϕβ (5.87)
∑=
=k
llyllkkf
1)()(),()( ϕβ (5.88)
Tính kθ̂ bằng các công thức (5.86), (5.87) và (5.88) đơn giản, tuy nhiên có ba khuyết điểm: − Không sử dụng được giá trị tham số đã tính ở thời điểm trước đó ( 1
ˆ−kθ ).
− Khi số mẫu tăng đến vô cùng không đủ bộ nhớ để lưu trữ dữ liệu và tính toán. − Thời gian tính toán kθ̂ tăng lên khi k tăng. → Cần tìm thuật toán tính kθ̂ dựa vào 1
ˆ−kθ và dữ liệu thu thập ở thời điểm k,
đồng thời thời gian tính toán không phụ thuộc vào k. • Thuật toán đệ qui: Giả sử chuổi trọng số có tính chất sau: ),1()(),( lkklk −= βλβ , ( 10 −≤≤ kl ) 1),( =kkβ (5.89) Điều này có nghĩa là chúng ta có thể viết:
∏+=
=k
ljjlk
1)(),( λβ (5.90)
Dễ dàng thấy rằng:
∑=
=k
l
T lllkkR1
)()(),()( ϕϕβ
)()()()(),(1
1kklllk T
k
l
T ϕϕϕϕ +⎥⎦⎤
⎢⎣⎡= ∑
−
=β
)()()()(),1()(1
1kklllkk T
k
l
T ϕϕϕϕ +⎥⎦⎤
⎢⎣⎡ −= ∑
−
=βλ
⇒ )()()1()()( kkkRkkR Tϕϕ+−= λ (5.91) Tương tự:
∑=
=k
llyllkkf
1)()(),()( ϕβ
)()()()(),(1
1kyklyllk
k
lϕϕ +⎥⎦
⎤⎢⎣⎡= ∑
−
=β
Chương 4: NHẬN DẠNG MÔ HÌNH CÓ THAM SỐ
© Huỳnh Thái Hoàng – Bộ môn Điều khiển Tự động
17
)()()()(),1()(1
1kyklyllkk
k
lϕϕ +⎥⎦
⎤⎢⎣⎡ −= ∑
−
=βλ
⇒ )()()1()()( kykkfkkf ϕ+−= λ (5.92) Suy ra: )()(ˆ 1 kfkRk
−=θ )]()()1()()[(1 kykkfkkR ϕ+−= − λ )]()(ˆ)1()()[( 1
1 kykkRkkR k ϕθ +−= −− λ
{ })()(ˆ)]()()([ )( 11 kykkkkRkR k
T ϕθϕϕ +−= −−
]ˆ)( )()[()(ˆ1
11 −
−− −+= k
Tk kkykkR θϕϕθ
Tóm lại, thuật toán bình phương tối thiểu đệ qui cho bởi hai công thức sau:
]ˆ)( )()[()(ˆˆ1
11 −
−− −+= k
Tkk kkykkR θϕϕθθ (5.93)
)()()1()()( kkkRkkR Tϕϕ+−= λ (5.94)
Chuù yù Neáu kk ∀= ,)( λλ , bieåu thöùc (5.90) trôû thaønh lklk −= ),( λβ (5.95) λ goïi laø heä soá queân (forget factor). Thoâng thöôøng λ ñöôïc choïn trong khoaûng 0.98÷0.995. • Phiên bản nghịch đảo ma trận hiệu quả: Để tránh phải tính nghịch đảo ma trận )(kR ở mỗi bước, đặt: )()( 1 kRkP −= và áp dụng bổ đề nghịch đảo ma trận 1111111 ][][ −−−−−−− +−=+ DACBDABAABCDA (5.96) vào biểu thức (5.94) với )1()( −= kRkA λ , )(kB ϕ= , 1=C , )(kD Tϕ= , ta được:
)(
)1()(1)()(
)1()()()(
)1()(
)1()(1
kkPkk
kkPkk
kkP
kkPkP TT
λλλλ−
⎥⎦
⎤⎢⎣
⎡+
−−−
−=
−
ϕϕϕϕ
)(
)1()()()()1()(
)()()(
)1()(
)1(k
kPkkkkPk
kkk
kPk
kP TT λλ
λλλ
−⎥⎦
⎤⎢⎣
⎡+−
−−
−= ϕ
ϕϕϕ
Chương 4: NHẬN DẠNG MÔ HÌNH CÓ THAM SỐ
© Huỳnh Thái Hoàng – Bộ môn Điều khiển Tự động
18
⇒ ⎥⎦
⎤⎢⎣
⎡−+
−−−−=
)()1()()()1()()()1()1(
)(1)(
kkPkkkPkkkPkP
kkP T
T
ϕϕϕϕ
λλ (5.97)
Hơn nữa, ta có:
⎥⎦
⎤⎢⎣
⎡−+
−−−−=−
)()1()()()()1()()()1()()1(
)(1)()(1
kkPkkkkPkkkPkkP
kkkR T
T
ϕϕϕϕϕϕϕ
λλ
)()1()()(
)()1(kkPkk
kkPT ϕϕ
ϕ−+
−=λ
(5.98)
Do đó thuật toán bình phương tối thiểu đệ qui có thể viết lại như sau:
)1(ˆ)( )()( −−= kkkyk T θϕε (5.99) )()()1(ˆ)(ˆ kkLkk ε+−=θθ (5.100)
)()1()()(
)()1()(kkPkk
kkPkL T ϕϕϕ
−+−
=λ
(5.101)
⎥⎦
⎤⎢⎣
⎡−+
−−−−=
)()1()()()1()()()1()1(
)(1)(
kkPkkkPkkkPkP
kkP T
T
ϕϕϕϕ
λλ (5.102)
• Phiên bản độ lợi chuẩn hóa: Độ lớn ma trận )(kR trong biểu thức (5.87) và (5.94) phụ thuộc vào λ(k). Để thấy được rõ ràng lượng giá trị thêm vào 1
ˆ−kθ trong biểu thức (5.93) cần
chuẩn hóa )(kR sao cho: )()()( kRkkR γ= (5.103)
với 1
1),()(
−
=⎥⎦⎤
⎢⎣⎡= ∑
k
llkk βγ (5.104)
)(kR là trung bình có trọng số của )()( ll Tϕϕ . Vieäc chuaån hoùa )(kR töông ñöông vôùi thay ñoåi tieâu chuaån öôùc löôïng bình phöông toái thieåu coù troïng soá
[ ]∑=
−=k
l
Tkk llylkkZV
1
2)()(),()(),( θϕθ βγ (5.105)
Để ý rằng: 1)1(
)()(
1+
−=
kk
k γλ
γ (5.106)
Từ (5.94) và (5.106) ta suy ra:
Chương 4: NHẬN DẠNG MÔ HÌNH CÓ THAM SỐ
© Huỳnh Thái Hoàng – Bộ môn Điều khiển Tự động
19
⎥⎦
⎤⎢⎣
⎡+−
−= )()()1(
)1(1)()()( kkkR
kkkkR Tϕϕγ
λγ
⎥⎦
⎤⎢⎣
⎡+−⎟⎟
⎠
⎞⎜⎜⎝
⎛−= )()()1(1
)(1)( kkkRk
k Tϕϕγ
γ
)]1()()()[()1( −−+−= kRkkkkR Tϕϕγ Do đó thuật toán bình phương tối thiểu đệ qui (5.93) và (5.94) có thể viết lại như sau:
1ˆ)( )()( −−= k
T kkyk θϕε (5.107) )()()()(ˆˆ 1
1 kkkRkkk εγ ϕθθ −− += (5.108)
)]1()()()[()1()( −−+−= kRkkkkRkR Tϕϕγ (5.109)
Chuù yù )(kγ ñöôïc goïi laø ñoä lôïi cuûa thuaät toaùn ñeä qui. Thoâng thöôøng γ ñöôïc choïn baèng haèng soá: λγ −=1 (5.110) trong ñoù λ laø heä soá queân coù giaù trò trong khoaûng 0.98÷0.995. • Điều kiện đầu: − Điều kiện đầu đúng 0=k : 0)0( =R , )0(θ̂ bất kỳ. Tuy nhiên điều kiện đầu này không sử dụng đươc vì không thể tính nghịch đảo )0(R . − Điều kiện đầu tại thời điểm 0kk = (thường chọn dk >0 ):
∑=
− ==0
1000
1 )()(),()()(k
l
T lllkkRkP ϕϕβ (5.111)
∑=
=0
1000 )()(),()()(ˆ
k
llyllkkPk ϕθ β (5.112)
− Một cách khác để chọn điều kiện đầu là: 0)0( PP = , Iθθ =)0(ˆ 5.6.3 Thuật toán biến công cụ đệ qui Nhắc lại: thuật toán biến công cụ tìm vector tham số là nghiệm của phương trình:
0])()()[,(),(),(1
=−= ∑=
k
l
Tkk llyllkZf θϕθθ ζβ (5.113)
Lời giải giải tích của phương trình (5.113) là: )()(ˆ 1 kfkRk
−=θ (5.114)
Chương 4: NHẬN DẠNG MÔ HÌNH CÓ THAM SỐ
© Huỳnh Thái Hoàng – Bộ môn Điều khiển Tự động
20
trong đó: ∑=
=k
l
T lllkkR1
)()(),()( ϕζβ (5.115)
∑=
=k
llyllkkf
1)()(),()( ζβ (5.116)
Các biểu thức(5.114), (5.115) và (5.116) có dạng tương tự như các biểu thức (5.86), (5.87) và (5.88). Do đó ta dễ dàng suy ra thuật toán biến công cụ đệ qui như sau:
)1(ˆ)( )()( −−= kkkyk T θϕε (5.117) )()()1(ˆ)(ˆ kkLkk ε+−=θθ (5.118)
)()1()()(
)()1()(kkPkk
kkPkL T ζϕζ
−+−
=λ
(5.119)
⎥⎦
⎤⎢⎣
⎡−+
−−−−=
)()1()()()1()()()1()1(
)(1)(
kkPkkkPkkkPkP
kkP T
T
ζϕϕζ
λλ (5.120)
5.6.4 Thuật toán sai số dự báo đệ qui Xét tiêu chuẩn sai số dự báo bình phương có trọng số:
∑=
=k
l
kk llkkZV
1
2 ),(),()(),( θθ εβγ (5.121)
trong đó: ),1()(),( lkklk −= βλβ , ( 10 −≤≤ kl ) 1),( =kkβ (5.122)
và: 1
1),()(
−
=⎥⎦⎤
⎢⎣⎡= ∑
k
llkk βγ (5.123)
Chú ý rằng:
1),()(1
=∑=
k
llkk βγ
và:
∑=
−=′k
l
kk lllkkZV
1),(),(),()(2),( θθψθ εβγ
⎥⎦⎤
⎢⎣⎡ −−= ∑
−
=),(),(),(),(),(2)(
1
1θθψθθψ kkllltk
k
lεεβγ
⎥⎦⎤
⎢⎣⎡ −−−= ∑
−
=),(),(),(),(),1()(2)(
1
1θθψθθψ kklllkkk
k
lεεβλγ
Chương 4: NHẬN DẠNG MÔ HÌNH CÓ THAM SỐ
© Huỳnh Thái Hoàng – Bộ môn Điều khiển Tự động
21
⎥⎦
⎤⎢⎣
⎡−−−
−−= ∑
−
=),(),(),(),(),1()1(2
)1()()(
1
1θθψθθψ kklllkk
kkk
k
lεεβγ
γλγ
⎥⎦
⎤⎢⎣
⎡−′
−= −
− ),(),(),()1(
)()( 11 θθψθ kkZV
kkk k
k εγλγ
⎥⎦
⎤⎢⎣
⎡−′⎟⎟
⎠
⎞⎜⎜⎝
⎛−= −
− ),(),(),(1)(
1)( 11 θθψθ kkZV
kk k
k εγ
γ
)],(),(),()[(),( 11
11
−−
−− ′−−+′= k
kk
k ZVkkkZV θθθψθ εγ (5.124) Thuật toán lặp ước lượng tham số: [ ] ),ˆ(ˆˆ )1(1)()()1()( ki
kki
ki
ki
ki
k ZV −−− ′−= θθθ Rμ (5.125) Giả sử ở bước lặp thứ i chúng ta thu thập thêm một mẫu dữ liệu, ta có thuật toán sau: [ ] ),ˆ(ˆˆ )1(
11)()()1(
1)( kk
kkk
kk
kk
kk
k ZV −−
−−− ′−= θθθ Rμ (5.126)
Để đơn giản, ta ký hiệu: )(ˆ)(ˆ k
kk θθ = , )()( kkk RR = (5.127)
Giả sử rằng )1(ˆ −kθ làm ),( 11
−−
kk ZV θ đạt cựu tiểu, điều đó nghĩa là:
0)),1(ˆ( 11 =−′ −−
kk ZkV θ (5.128)
Do đó, từ (5.124) ta suy ra: ))1(ˆ,())1(ˆ,()()),1(ˆ( −−−=−′ kkkkkZkV k
k θθψθ εγ (5.129) Thay (5.129) vào (5.126), ta được: [ ] ))1(ˆ,())1(ˆ,()()()()1(ˆ)(ˆ 1 −−+−= − kkkkkkkkk θθψθθ εγμ R (5.130) Trong biểu thức trên ))1(ˆ,( −kk θψ và ))1(ˆ,( −kk θε không thể tính toán đệ qui vì: ))1(ˆ,(ˆ)())1(ˆ,( −−=− kkykykk θθε (5.131)
))1(ˆ,(ˆ))1(ˆ,( −∂∂
=− kkykk θθ
θψ (5.132)
mà ))1(ˆ,(ˆ −kky θ trong trường hợp tổng quát phụ thuộc vào tất cả các dữ liệu trong quá khứ Z k–1. Trong trường hợp hệ tuyến tính bất biến hữu hạn chiều (chương 4), có thể tính đệ qui )(ˆ ky và )(kψ như sau: )())(ˆ()())(ˆ()1( kzkkkk θξθξ BA +=+ (5.133)
Chương 4: NHẬN DẠNG MÔ HÌNH CÓ THAM SỐ
© Huỳnh Thái Hoàng – Bộ môn Điều khiển Tự động
22
)())1(ˆ()1()()(ˆ kkkk
ky ξθξψ −=+⎥⎦⎤
⎢⎣⎡ C (5.134)
Nếu thuật toán lặp là thuật toán Gauss–Newton thì: 1)( =kμ
∑=
=k
l
T lllkkk1
)()(),()()( ϕϕβλR (5.135)
)(ˆ)()( kykyk −=ε (5.136) )()()()()1(ˆ)(ˆ 1 kkkkkk εγ ψθθ −+−= R (5.137) )]1()()()[()1()( −−+−= kkkkkk T RRR ψψγ (5.138) Tài liệu tham khảo: [1] L. Ljung (1999), System Identification – Theory for the user. [2] R. Johansson (1994), System Modeling and Identification.