Realan

sistem
Model
Računar
Simulacija
Proces uspostavlja
veze između
modela i računara.
Modeliranje
Proces uspostavlja
veze između realnog
sistzema i modela
Modeliranje i simulacija sistema – Ispitni odgovori Školska 2004/2005.
1. Osnovni elementi modeliranja i simulacije ?
Zaigler: Modeliranje i simulaciju čine niz aktivnosti
za pravljenje modela realnog sistema i njegovu
simulaciju na računaru. Realan sistem: Uređen i
međuzavisan skup komponenti koje formiraju
celinu i deluju zajednički da bi ostvarili cilj ili
funkciju. Može biti postojeći ili planiran za
budućnost (zamišljen). Predstavlja izvor podataka o
ponašanju – potrebnih za formiranje modela.
Ponašanje je bitno ako se može zabeležiti. Model:
Pogodan način predstavljanja ukupnog čovekovog
iskustva i njegovog načina razmišljanja o sistemu
koji istražuje. Model je rezultat modeliranja.
Apstrakcija realnosti – uprošćena, idealizovana (U
jednom delu realnosti - za nas relevantan. Ne može
da obuhvati sve aspekte). Sadrži izabrane elemente i karakteristike sistema značajne za istraživanje
(Uključujući i uvedene pretpostavke o uslovima valjanosti modela). Modeliranje: je način predstave o
realnom sistemu u obliku kojim se može manipulisati. Brine o valjanosti modela tj. koliko dobro model
reprezentuje posmatrani sistem. Simulacija <=> određivanje ponašanja modela na osnovu vrednosti
ulaza (ili skupa opisnih promenljivih). Simulacija se sprovodi: 1.Analitički 2.Numerički
3.Eksperimentom. Računarska simulacija <=> eksperimenti na računaru (Uključuje i izgradnju
apstraktnog modela – programiranjem).
2. Model i teorija. Uloga teorije u formiranju modela ? Teorija je opšti iskaz principa izveden iz
posmatranja sistema i podataka dobijenih posmatranjem. a) neophodan elemenat koji povezuje model i
sistem, b) objašnjava ponašanje sistema, c) omogućava predviđanje zaključaka koji se mogu proveriti.
Model je samo predočena (prikazana) teorija: konkretan je za razliku od teorije i omogućava da se teorija
proveri na delu. Model ne može postojati ako nema teorije, teorija mora biti prethodno formulisana.
Model pojednostavljuje i apstrakuje neke ključne elemente teorije. Teorija služi da: a)objasni ponašanje
sistema, b)se izgradi model na osnovu ključnih elemenata teorije. Teorijom model se: predviđa,
objašnjava, povezuje sa sistemom. Uloga modela je provera teorije na delu.
3. Proces dobijanja modela ?
4. Neformalan i formalan opis modela ? Neformalan opis daje osnovne pojmove o modelu. Formalan
opis koristi metodologije modeliranja – oslanja se na konvencije i pravila (Određuje tip posmatranih
objekata na jasan i nedvosmislen način). Neformalan model: Uvodi: Objekte (gradivne jedinice modela,
tj delovi koji sačinjavaju model), Opisne promenljive (opisuju stanja objekata i njihove karakteristike),
Pravila interakcije objekata (opis međusobnih uticaja objekata). Izbor je prepušten modelaru: ali rezultat
treba da je valjan model.
Osobine neformalnog modela: Brzo i lako se formira, Najčešće je: nejasan (postoje akcije nepoznatog
redosleda), nekompletan (ne opisuje sve situacije), nekonzistentan (postoji više pravila koja se mogu primeniti
u istoj situaciji). Formalan model: Treba da obezbedi veću preciznost i potpunost opisa modela. Upotrebljava
apstrakcije (usredsređuje pažnju na bitne osobine modela). Naučno-inženjerski pristup: a)Izgradnja modela
(formalizacija), b)Upotreba modela (analiza dobijenih rezultata).
5. Klasifikacije modela ? Brojne su – razni kriterijumi se odnose na: Promenljive; Prirodu opsega
vrednosti promenljivih; Opseg vrednosti vremena; Vremensku zavisnost modela; Determinizam;
Predviđanje budućnosti; Linearnost; Vrstu računara; Formalan opis modela; “Opipljivost” modela;
Stanje ravnoteže ... Klasifikacije modela: Fizički i Apstraktni (Fizički modeli su materijalne
reprezentacije istraživanog sistema zasnovane na analogiji fizičkih zakona. Apstraktni modeli su
simbolična, verbalna i matematičko-logička reprezentacija sistema.); Linearni i nelinearni modeli
(Linearni modeli menjaju stanja i daju izlaze poštujući linearne transformacije); Statički i Dinamički
modeli (Statički modeli daju izlaze modela za sistem u ravnoteži – stacionarno stanje. Dinamički modeli
daju promene izazvane aktivnostima u sistemu.); Kontinualnog i Diskretnog stanja (Modeli sa
diskretnim stanjima - opisne promenljive uzimaju vrednosti iz skupova čiji su elementni diskretne
vrednosti. Modeli sa kontinulanim stanjima - Opisne promenljive uzimaju vrednosti opsega realnih
brojeva. Modeli sa mešovitim stanjima); Stohastički i Deterministički (Da li model sadrži slučajne
promenljive? Ako su izlazi modela uvek isti za iste ulaze i stanje modela = deterministički model.
Suprotno, stohastički model = nedeterministički. Model sa barem jednom stohastičkom promenljivim =
stohastički model.); Autonomni ili Neautonomni; Invarijantni i varijantni (Ukoliko se struktura
modela ili pravila interakcije menjaju sa vremenom. Vremenski promenljiv – varijantan, vremenski
nepromenljiv - invarijantan).
Линеарне,
парцијалне
диф. једн.
Нелинеарне,
парцијалне
диф. једн.
Обичне
диференцијал
не једн.
Обичне
линеарне
диф. једн.
МОДЕЛ
употребљив
Естимација
параметара
С
т
р
у
к
т
у
р
а
Дигитално
узорковање
Измерени
подаци
Линеаризација
Грешка почетног
модела
Систем
(процес)
Физички
закони
Трансформација Редукција
Грешка
линеаризације
Грешка услед
концентрације
параметара
Грешка због
снижавања реда
Грешка мерења
(нормална расподела)
Грешка квантовања
и дискретизације
Мерења
Обрада података
Естимација
структуре
Грешка код
процењивања
Теорија
Мерења
6. Verifikacija i valjanost modela ? Valjanost (ispravnost) modela govori koliko verno model predstavlja
realan sistem - daje stepen poklapanja rezultata simulacije i izmerenog ponašanja realnog sistema.
Verifikacija = procena korektnosti simulacionog programa. Provera da li se model ponaša onako kako je
to zamislio autor. Proveravaju se program(i) i podaci. Definiše se stepen podudaranja: Apsolutno
podudaranje je nemoguće, Razlike su posledica aproksimacija. Bazni model i sažeti model: Model koji
uključuje sve promenljive i veze među njima je bazni model (Apsolutno je valjan, ne može se praktično
realizovati). Pojednostavljen bazni model je sažeti ili grubi model (Odnosi se na izabran eksperimantalni
okvir). Stepeni valjanosti modela: Replikativna valjanost (najniži stepen - Porede se izlazi modela i
sistema); Prediktivna valjanost (Model proizvodi dobre vrednosti na izlazima per nego što se mogu
izmeriti u realnom sistemu. Omogućava istraživanje situacija koje nisu posmatrane u sistemu);
Strukturna valjanost (Model u potpunosti odslikava način na koji realan sistem funkcioniše. Omogućava
istraživanje operacija sistema koje se ne mogu meriti).
7. Linearizacija modela ? Radi jednostavnije analize nelinearne modele
linearizujemo. Dobijamo tangentu u nekoj tački (radna tačka), koja
predstavlja linearnu aproksimaciju. Napravili smo novi koordinatmi sistem
(x^,f^).
(^ inkrementna vrednost, ¯ nominalna vrednost); x(t)=x¯+x^(t) // f(t)=f¯+f^(t) //
f¯(t)=f(x¯) // f^(t)=kx^(t) // nagib tangente= k=(dt/dx)|

; Za jednu tačku
vezuje se jedan linearan model, za drugu može drugi. f(t)= f(x¯)+df/dx |

(x-x
¯
)
+...zanemarimo dalji razvoj u Tejlrov red; // f(x)≈ f(x
¯
)+kx^; Funkcija prenosa vezuje inkrementne
promenljive (x^). Ako su početni uslovi 0, krećemo iz koordinatnog početka.
8. Simulacija u širem i užem smislu. Razlozi upotrebe ? Simulacija znači pretvaranje, oponašanje, ...
Simulaciju omogućava program (Simulacioni program proizvodi istorijat stanja). Simulacioni model
predstavlja model u računaru (sprovodi se kodiranjem, a model je u stvari softver). Omogućava bolje
razumevanje teorije. Simulacioni jezici su složeni (Nekada je jezik složeniji od modela koji se pravi).
Simulacija u širem smislu obuhvata: Eksperimentisanje na realnom sistemu; Snimanje podataka na
realnom sistemu; Formulisanje teorije; Izgradnju koncepcijskom modela; Programiranje; Planiranje
eksperimenta na računaru; Ekperimentisanje programom na računaru i analiza dobijenih rezultata.
Simulacija u užem smislu je eksperimentisanje sa računarskim modelom (dobijanje kretanja vektora
stanja u vremenu). Prednost simulacije: ona omogućava veće i jednostavnije razumevanje teorije.
Tokom simulacinog eksperimenta može se pratiti odvijanje simulacionog procesa.
9. Analitičko i numeričko rešenje modela. Simulacioni jezici ? Podela tehnika rešavanja modela:
Analitičko rešavanje: Koristi deduktivne postupke matematičke analize. Daje opšte rešenje u obliku
formule. Važi za razne kombinacije ulaza i parametara. Koristiti ga uvek kada je to moguće! Model
mora imati strogo definisan oblik da bi se mogao upotrebiti analitički metod. Ograničenja: Sistem i
njegovi odnosi nisu dovoljno poznati da se opišu matematički, složeno se sprovodi, a često je i
nemoguće. Numeričko rešavanje: Koristi se u računarima. U model se uvršavaju numeričke vrednosti
ulaza i parametara. Daje parcijalno rešenje gde svaki rezultat odgovara određenim ulazima (Svaka
promena parametara ili vrednosti ulaza zahteva novo rešavanje). Sprovodi se iterativno (U simulaciji
dinamičkih modela vreme je promenljiva).Sim.jezici:vidi 8pit.
10. Koncept stanja digitalnog sistema i računanje njegovog kretanja ?
11. Translatorni mehanički sistemi – promenljive, elementi i zakonitosti ? Promenljive: Pozicija x[m];
Brzina [m/s]: v=dx/dt; Ubrzanje [m/s
2
]: a=dv/dt=d
2
x/dt
2
; Sila f [N]; Snaga p[W]; Energija w[J]; p= fv;
p= dw/dt; Elementarni Zakoni: Masa M[kg]; II Njutnov Zakon: d(Mv)/dt=f; Kineticka energija
W
K
=Mv
2
/2; potencijalna energija

W
P
=Mgh; Trenje: sila trenja f=B∆v=B(v
2
-v
1
), B-koeficijent viskoznog
trenja; Elasticnost: f=Kd, K-koef. Elasticnosti, d-istezanje; Energija W
P
=Kd
2
/2; Poluga - mehanicki
prenos sile sa prvog kraka na drugi. Zakoni Uzajamnog Dejstva: 1) D'Alamberov zakon: Σf
EXTi
=Mdv/dt; Σf
EXTi
- Mdv/dt=0; Mdv/dt- inercijala sila; Σf i=0; 2) III Njutnov Zakon - sila akcije i reakcije;
3) Zakon Pomeraja x
1
+(x
2
-x
1
)-x
2
=0;
12. Translatorni mehanički sistemi – dobijanje modela sistema ? Vrši se opisivanje sistem
diferencijalnim jednačinama uz bomoć: K-opruge K(x
2
-x
1
); B-prigusnica,trenje B(x
*
); M-Inercija tela
M(x
**
).
13. Rotacioni mehanički sistemi – promenljive, elementi i zakonitosti ?
14. Rotacioni mehanički sistemi – dobijanje modela sistema ?
15. Termički sistemi – promenljive, elementi i zakonitosti ?
16. Termički sistemi – dobijanje modela sistema ?
17. Sistemi sa fluidima – promenljive, elementi i zakonitosti ?
18. Sistemi sa fluidima – dobijanje modela sistema ?
19. Elektromehanički sistemi – promenljive, elementi i zakonitosti ?
20. Modeli galvanometra i mikrofona ?
21. Modeli elektromotora jednosmerne struje ?
22. Analogije elemenata i parametara. Elektro-mehaničke analogije ?
23. Namena i upotreba analognih računara. Hibridni računar ? Dinamički sistemi se opisuju
diferencijalnim jednačinama. Analogni i digitalni rečunari se koriste da bi rešavali te diferencijalne
jednačine. Analogni računar (AR) je uređaj gde se različite fizičke komponente biraju i povezuju, na
takav način, da jednačine koje opisuju ponašanje tako izabranih i povezanih komponenti budu
ekvivalentne jednačinama koje opisuju fizičko ponašanje posmatranog sistema, odnosno matematičkog
modela. Postoje različiti tipovi AR u zavisnosti od prirode fizičkih komponenti od kojih se sastoje.
Najčešće su u upotrebi elektronski analogni računari (EAR) gde su komponente realizovane
elektronskim sklopovima. Kod njih je napon analogan pomeraju, temperaturi ili nekoj drugoj veličini
upotrebljenoj u diferencijalnoj jednačini, a vreme računanja odgovara nezavisno promenljivoj u
diferencijalnoj jednačini.
AR radi u realnom vremenu, tj. rešenje se dobija trenutno i ono je u kontinualnoj formi. Simulacija fizičkih
sistema je najznačajnija primena AR. Mogu se simulirati ponašanja delova sistema (komponenti sistema) ili
celog sistema. (Takođe, veoma pogodna osobina AR je mogućnost fizičkog povezivanja sa realnim sistemom,
odakle se dobijaju ulazni podaci – merenja.) Upotreba AR je jednostavna i omogućava interaktivan rad.
Moguće je ubrzati ili usporiti rešenje u odnosu na promene u stvarnom sistemu (modelu). Tačnost rešenja AR
zavisi od kvaliteta (tačnosti) njegovih komponenti. Tipično je da rešenje lineranih problema ima grešku od
oko ±1%, dok je kod nelinearnih problema tačnost manja od 5%. U odnosu na digitalne računare AR ima
prednosti: on je brz (praktično, «računanje» se sprovodi trenutno) i cena njegove realizacije za konkretan
problem je niska, ali ima i nedostataka: neprecizan je (tačnost računanja digitalnih računara je daleko veća),
nefleksibilan za «programiranje» i ograničen je na rešavanje jednostavnih problema određene klase (obično
niskog reda).
Na analognim računarima se mogu simulirati samo kontinulani modeli sa kontinualnim vremenom. Hibridni
računari omogućavaju simulaciju sistema koji nisu čisto kontinualni, već uključuju i diskretna obeležja.
Hibridni računari su kombinacija analognih i digiralnih računara.
24. Linerane komponente analognog računara i njihova ograničenja ? Kako su najčešće upotrebljavane
matematičke operacije: množenje konstantom, sabiranje, oduzimanje i integracija, AR poseduje
komponente koje realizuju nabrojane operacije. Njihovom upotrebom mogu se rešiti brojni tehnički
problemi (simulirati sistemi) opisani linearnim diferencijalnim jednačinama (ili funkcijama prenosa).
Operacioni pojačavač :
Operacioni pojačavač je osnovna komponenta EAR jer omogućava sabiranje i
integraciju (kao i brojne nelinearne operacije).
) ( ) (
0
t e A t e
g
⋅ − ·
, gde je A
konstanta pojačanja (tipično10
5
<A<10
8
, a idealno A→∞). Struja kod idealnih OP
je nula
0 ) ( → t i
g
, a tipično je rada 10
-10
A.
-
+
e
g
e
o
i
g
A
Množenje konstantom >1 :
f
g o
i
g i
g o f f g i i i g i f
R
e e
R
e e
e e i R e e i R i i i

− ·

− · − · · · + ; ; ; 0
i
i
f
A
i
f
i
i
f
e
R
R
e e
A
e
A
e
R
R
e
R
R
− · ⇒ − −
,
_

¸
¸
− ·
∞ →
0 0
0 0
Očigledno, konstanta množenja je tačna koliko i otpornosti R
f
i R
i
. Kod komercijalno
raspoloživih AR odnos R
f
i R
i
je celobrojan i to kao stepen broja 10 (negde i stepen broja 2), tako da su
moguća množenja konstantama 10, 100, 1000. Za R
f
= R
i
dobija se komponenta zvana invertor.
Sabiranje:
f
g o g g
R
e e
R
e e
R
e e −
− ·

+

2
2
1
1
2
2
1
1
0
e
R
R
e
R
R
e
f f
− − ·
U opštem slučaju kada postoji veći broj ulaza važi:
N i
R
R
a e a e
i
f
i
N
i
i i o
,... 2 , 1 , ,
1
· · ⋅ − ·

·
Prethodna aproksimacija je veoma tačna i kod savremenih EAR greška je <0.1%.
Integracija:
) ( ,
o g
g i
c
C
e e
dt
d
C
R
e e
dt
du
C i − ·

·
∫ ∫

,
_

¸
¸
− − − − · +
t
o o o o o
t
i
e
A
t e
A
e t e C dt t e
RA
dt t e
R
0 0
) 0 (
1
) (
1
) 0 ( ) ( ) (
1
) (
1

− − ·
t
i o
dt t e
RC
e t e
0
) (
1
) 0 ( ) (
; Odnos 1/RC je obično okrugao broj (celobrojan i to
kao stepen broja 10). Napon e
o
(0) je početni napon na kondenzatoru.
Integracija i sabir anje

,
_

¸
¸
+ + − − ·
t
o
dt t e
C R
t e
C R
t e
C R
e t e
0
3
3
2
2
1
1
) (
1
) (
1
) (
1
) 0 ( ) (
Generalizacijom se dobija:
C R
a dt t e a e dt t e
C R
e t e
i
i
t
N
i
i i o
t
N
i
i
i
o
1
, ) ( ) 0 ( ) (
1
) 0 ( ) (
0
0
0
0
·
,
_

¸
¸
− − ·

,
_

¸
¸
− − ·




· ·
Množenje konstantom <1 (a >0) –Potenciometar
1 0 , ≤ ≤ ⋅ · ⋅ ·
i i i o
e e a e
R
aR
e
Simboli AR: Povezivanje komponenti AR se simbolično predstavlja
simulacionim dijagramom, gde su oznake komponenti AR predstavljene
simbolima (simboli su standaridizovani).
e
o
e
i
e
i
e
o
e
o
e
o
e(0)
e
1
e
N
...
e
1
e
N
...
Osnovni, linearni elementi AR (na gornjoj slici sa leva na desno): potenciometar, invertor, sabirač, integrator.
-
+
R
i
e
i
R
f
e
o
i
i
i
f
e
g
-
+
R
1
e
1
R
f
e
o
R
2
e
2
C
-
+
R e
i
e
o
e
g
-
+
R
1
e
1
e
o
R
2
e
2
C
R
3
e
3
R
e
i
e
o aR
25. Rešavanje običnih diferencijalnih jednačina upotrebom analognog računara ? Za rešavanje običnih
diferencijalnih jednačina sa konstantnim koeficijentima na AR se koristi Kelvinov metod sa povratnom
spregom. Ako posmatramo diferencijalnu jednačinu:
0
) 0 (
, 0 ) 0 ( ), ( ) (
) ( ) (
2
2
· · · + +
dt
dy
y t f t by
dt
t dy
a
dt
t y d
(1)
onda se pomenuti postupak svodi na sledeće:
1. napisati diferencijalnu jednačinu (1) tako da se izrazi najviši izvod
) ( ) (
) ( ) (
2
2
t f t by
dt
t dy
a
dt
t y d
+ − − · (2)
2. pretpostaviti da je promenljivi napon najvišeg izvoda poznat
3. sukcesivnim integracijama doći do y(t)
4. realizovati desnu stranu jednačine (2)
5. povezati krajeve koji su na istom potencijalu (napon najvišeg izvoda)
Ovom postupku, iz praktičnih razloga, prethodi uvođenje razmere za nezavisnu promenljivu (vreme) i zavisne
promenljive (y i izvode od y). Stoga može se govoriti o vremenskom skaliranju i amplitudnom skaliranju.
26. Režimi rada analognog računara ? Tokom upotrebe EAR kada se izabrane komponente povežu prema
simulacionom dijagramu potrebno je: 1) postaviti početne uslove na integratorima (što se praktično vrši
podešavanjem otpornosti potenciometara) – mod postavljanja početnih stanja (initial condition mode).
2) pokrenuti računanje - operativni mod (operate mode). 3) zadržati izlazne vrednosti integratora radi
očitavanja – mod zadrške (hold mode);
Zadrška omogućava merenje u bilo kom trenutku računanja i nakon izvršenog merenja računanje se može
nastaviti. Međutim, zbog nesavršenosti komponenti EAR mod zadrške treba da je što kraći. Postavljanje
početnih uslova integratora se vrši dovođenjem napona na odgovarajući priključak integratora. Da bi se dobio
željeni napon (analogan početnoj vrednosti izlaza integratora) priključak početnog stanja integratora se
povezije na izlaz potenciometra, a ulaz potenciometra se povezuje sa referentnim naponom EAR željenog
predznaka (tipično je +10V ili –10V). Tipična upotreba EAR se sastoji od postavljanja početnih napona
integratora, pokretanja računanja, očitavanja i to se može smatrati jednim ciklusom rada. Dodatni mod rada
EAR je repetitivni mod gde se automatski smenjuju isti ciklusi rada. Time se uzastopno dobija isto rešenje i
to tipično 20-50 puta u sekundi, što je pogodno za praćenje napona na osciloskopu.
27. Vremensko skaliranje u radu sa analognim računarom ? Da bi se računanje usporilo ili ubrzalo
potrebno je promeniti vremensku skalu računara. Razlozi sprovođenja vremenskog skaliranja su:
skraćenje trajanja simulacije, potreba da se brzina promene napona uskladi sa realnim komponentama
EAR, kao i dobijanje izlaznih napona koji se mogu prikazati na pogodan način (npr. na pisaču).
Postupak: Uvodi se nova nezavisna promenljiva (mašinsko vreme) kt · τ , gde je k odgovarajuće
odabrana vremenska konstanta. Za k>1 imamo usporenje, dok se za k<1 rešenje sistema ubrzava u
odnosu na realno ponašanje. Kada se usvoji vremenska konstanta potrebno je prepisati diferencijalnu
jednačinu tako da se nezavisno promenljiva t zameni sa τ. U tom postupku se izvodi zavisno promenljive
transformišu u:
k
d
dy
dt
d
d
dy
dt
dy
τ
τ
τ
· · ,
2
2
2
2
2
τ d
y d
k
dt
y d
· ,...
N
N
N
N
N
d
y d
k
dt
y d
τ
·
Pored vremenskog skaliranja diferencijalne jednačine, potrebno je isti postupak primeniti i na početne
vrednosti za nezavisno promenljivu y (i njene izvode), kao i na odgovarajuće maksimume nezavisno
promenljive y (i njenih izvoda).
28. Normalizacija promenljivih kod analognog računara ? Skaliranje po amplitudi treba da obezbedi da
se svi naponi unutar EAR (nezavisno promenljive i njihovi izvodi) nađu u opsegu [-V
ref
, +V
ref
], gde je V
ref
referentni napon EAR (tipično 10V). Pri tome se nastoji da naponi budu što je moguće veći, ali da ostanu
u navedenim granicama. To znači da treba izbegavati postojanje malih napona jer su oni podložni uticaju
šuma i greškama usled nesavršenosti operacionih pojačavača (drift, struja curenja, nelinearna
karakteristika u opsegu malih ulaznih napona). Uvode se skala faktori S
A
=V
REF
/|a|
M
, gde je sa a označena
zavisno promenljiva, a |a|
M
označava procenjenu maksimalnu vrednost promenljive (po apsolutnoj
vrednosti). Skala faktori se uvode za sve nezavisne promenljive i sve njihove izvode i to bez razlike da li
se izvod navodi u diferencijalnoj jednačini ili ne! Iz praktičnih razloga, za skala faktore se usvajaju
«okrugli brojevi» da bi se olakšalo (ubrzalo) određivanje vrednosti zavisno promenljivih na osnovu
izmerenih vrednosti napona. Pri tom zaokruživanju je neophodno usvojiti vrednosti za skala faktore koje
su manje od teorijskih vrednosti, jer u suprotnom može doći do netačnog računanja (jer je procenjeni
maksimum napona manji od teorijskog i izlazni napon se zasićuje na vrednosti V
ref
). Postupak: Kada se
usvoje vrednosti skala faktora, onda se data diferencijalna jednačina (ili sistem dif. jednačina) prepiše
tako da u njoj umesto zavisnih promenljivih figurišu skalirane vrednosti. Ovaj postupak treba primeniti i
na početne vrednosti zavisno promenljivih.
29. Rešavanje običnih diferencijlanih jednačina upotrebom Matlab-a ? Može se rešiti obična
diferencijalna jednačina višeg reda. Treba napraviti sistem diferencijalnih jednačina 1. reda i zapisati ga
u zasebnu M-funkciju (sistem jednačina može biti nelinearan). Zaglavlje funkcije mora biti oblika:
function xprim = ime( t, x ) gde je t vreme, a x vektor promenljivih stanja. Postoji problem sa
prenošenjem parametara u ovakvu M-funkciju. Poziv metode: [ t, x ] = ode23( ’ime’, tp, tk, x0 ) ili [ t, x
] = ode45( ’ime’, tp, tk, x0 ); Ulazni parametri: ime - ime M-funkcije koja opisuje sistem jednačina; tp
- početni trenutak integracije; tk - krajnji trenutak; x0 - vektor početnih vrednosti promenljivih stanja;
Izlazni parametri: t - vektor vremenskih trenutaka u kojima su izračunata rešenja, a x - matrica kretanja
promenljivih stanja poređanih po kolonama. Prva vrsta odgovara x0 i početnom trenutku tp, dok je u
poslednjoj vrsti krajnja vrednost prom. stanja (u tk). Ode metode imaju promenljivi (adaptivni) korak
integracije, tako da dobijena rešenja nisu ekvidistantna.
Napo mena : Brojevi “23”, odnosno “45” u imenu funkcija ode23 i ode45 se odnose na stepene Taylor-ovih
redova upotrebljanih u odgovarajućim algoritmima, a ne odnose se na red diferencijalne jednačine koja se
rešava. U principu, metod ode45 je namenjen rešavanju diferencijalnih jednačina visokog reda.

30. Skript datoteka i funkcija Matlab-a ? Omogućavaju izvršavanje ranije pisanog koda, olakšavaju
ispravljanje grešaka i dorade, a time olakšavaju programiranje. M - skript-datoteke su ASCII datoteke
sa blokom naredbi. Ime datoteke se završava sa “.m”, pozivaju se imenom datoteke (bez “.m”), nemaju
parameter, vrednosti promenljivih preuzimaju i ostavljaju u radnom okruženju. M - funkcije su skript-
datoteke određenog formata zaglavlja: function [ ip1, ip2, ... ipn ] = ime ( up1, up2, ... upm ) // blok
naredbi (negde u bloku izlazni parametri primaju vrednosti); Imaju ulazne: up1,up2,...upm i izlazne
parametre: ip1,ip2,...ipn. Kod poziva funkcije se ne moraju navoditi svi parametri; broj upotrebljenih
ulaznih parametara je nargin, a izlaznih nargout. Sve promenljive koje definišu su lokalne. Uobičajeno je
da ime funkcije bude jednako imenu datoteke “.m”.
31. Kontrola toka programa Matlab-a ? Uslovni skok if-else; Prebrojiva petlja for; Neprebrojiva petlja sa
ispitivanjem uslova na početku while; Nasilni izlazak iz petlje break; Nasilni povratak iz funkcije return;
Nasilni povratak iz funkcije po otkrivanju greške i njen ispis error; Ne postoji bezuslovni skok.
FOR petlja: opšti oblik: for promenljiva = izraz // blok naredbi //end; FOR je prebrojiva petlja, tj. unapred se
zna broj prolaza kroz blok naredbi. Rezultat izračunavanja izraz-a je matrica, a promenljiva prima vrednosti
od prve do poslednje kolone rezultata. Uobičajeno upotreba je npr. for i=1:n, ... Petlja se nasilno napušta sa
break. Mogu se upotrebljavati ugnježdene petlje. WHILE petlja: opšti oblik: while uslov // blok naredbi //end
Petlja se izvršava sve dok je neki uslov ispunjen i u principu se ne zna broj prolazaka kroz petlju do prestanka
važenja uslova. Uslov se proverava na početku petlje. Uslov je skalar sa logičkom vrednosti. Petlja se nasilno
napušta sa break. Mogu se upotrebljavati ugnježdene petlje. Uslovno grananje programa: opšti oblik: if
uslov 1 // blok naredbi 1 // elseif uslov 2 // blok naredbi 2 // elseif uslov 3 // ... // else // blok naredbi n // end
Uslov je skalar sa logičkom vrednosti.
32. Rad sa matricama ?
Osnovne operacije: + , - , * , / , \ , stepenovanje ^ , transponovanje ’
Operacije nad elementima matrice: .* , ./ , .\ , .^
Matrice i funkcije: Parametri i vraćene vrednosti funkcije su matrice.
- elementarne matrične funkcije: determinanta matrice det(x), inverzija inv(x), pseudo-inverzija ne kvadratne
matrice pinv(x), formiranje karakterističnog polinoma poly(x), trag matrice trace(x), ... (help matfun)
- transcedentalne matrične funkcije: expm(x), logm(x), sqrtm(x);
Operacije poređenja: Operacije poređenja se primenjuju nad dve matrice jednakih dimenzija.
Rezultat operacije je matrica nula i jedinica.
Relacioni operatori: <, <= , > , >= , == ,nejednako ~=;
Logičke operacije: Logičke operacije se upotrebljvaju nad matricama sa logičkim vrednostima. Rezulati
logičkih operacija su uvek matrice sa elementima 0 i 1. Logičke operacije su: negacija (unarna) ~, konjukcija
(binarna, logičko “i”) &, disjunkcija (binarna, logičko “ili”) |.
Matrice “poznatih” vrednosti: matrica nula zeros(n,m), matrica jedinica ones(n,m), jedinična matrica
eye(n,m), matrica elemenata po uniformnoj raspodeli rand(n,m), matrica elemenata po normanoj raspodeli
randn(n,m), vektor ekvidistantnih vrednosti linspace(n,m,N), vektor logaritamske baze logspace(n,m,N),
matrica za bazu 3D crtanja meshgrid(v1,v2).
33. Rad sa polinomima ? Polinomi se predstavljaju vektor vrstom čiji su elementi koeficijenti polinoma po
opadajućem stepenu. Npr. polinomu Q(s) = 2s
3
+ 4.1s
2
– 12 odgovara vektor Q = [ 2 4.1 0 -12 ];
Funkcije za rad sa polinomima: conv - množenje polinoma; deconv - delenje polinoma; poly -
karakteristični polinom; polyder - diferenciranje polinoma; polyfit - daje polinom koji aproksimira zadate
podatke; polyval -izračunavanje vrednosti polinoma; polyvalm - izračunavanje vrednosti matričnog
polinoma; residue - razvoj na parcijalne sabirke (reziduale); roots - daje nule polinoma;
34. Grafička predstava rezultata simulacije u Matlab-u ? MATLAB poseduje mnoštvo tehnika za
predstavljanje i vizuelizaciju podataka. Postoje funkcije i visokog i niskog nivoa pristupa. Grafički
sistem se sastoji od kolekcije grafičkih objekata, kao što su linije i površi, čiji prikaz zavisi od mnoštva
parametara osobina objekata. Grupe funkcija:(2D grafika, 3D grafika, fukncije opšte namene,
upravljanje bojama, rukovanje objektima). 2D grafika: elementarni X-Y dijagrami; Posebni X-Y
dijagrami; Ulepšavanje dijagrama; Prevođenje koordinata između Dekartovih i polarnih: (cart2pol,
pol2cart); Uvećanje dela dijagrama (upotrebom miša) zoom. Elementarni X-Y dijagrami: Crtaju
dijagrame na osnovu pojedinačnih tačaka (povezanih). Tačke se zadaju u obliku vektora ili matrica. Ose
se automatski skaliraju. Postoji više skala za ose, te se razlikuju f-je za crtanje: plot (crtanje dijagrama sa
linearnom podelom na obe ose), loglog (logaritamska podela po obe ose), semilogx (apscisa
logaritamska, ordinata linearna), semilogy (apscisa linearna, ordinata logaritamska), Dekoracija: title
(naslov dijagrama), xlabel-ylabel (slovne oznake apscise i ordinate), text-gtext (ispis teksta na
proizvoljnom mestu), grid (prikaz mrežice), legend (prikaz legende). Stilovi linija, boje i markeri na
X-Y dijagramu: Zadaju kao string S u komandi oblika plot(x,y,S). Boje: yellow, magenta, cyan, red,
green, blue, white, black. Tip markera: “.”, “o”, “x”, “+”, “*”. Stil linije: “-” puna, “:” tačkasta, “-.”
crtatačka, “--” crtice. Podrazumevani stil linije je “puna”, a boje se dodeljuju prema gornjem spisku (u
zavisnosti od rednog broja linije). Ako je argument plot(Z) komande vektor kompleksnih brojeva crta
se kriva zavisnosti imaginarnog dela od relanog. Posebni X-Y dijagrami: bar (stubičasti dijagram), hist
(histogram), comet (animirani prikaz poput kretanja komete), polar (prikaz u polarnim koordinatama),
stairs (“stepenice”, pogodne za odzive diskretnih sistema), fplot (crta analitički poznatu funkciju
(automatski korak)), ostalo:compass, errorbar, feather, rose, stem, fill. Konturni dijagrami: contour
(crta konturni dijagram u X-Y ravni); contour3 (crta konturni dijagram u prostoru); contourc (računa
konturni dijagram); clabel (dodaje labele nivoa na dijagram); quiver (dekoracija oznakama gradijenta).
35. Namena Control System Toolbox-a ? CST je kolekcija algoritama za modeliranje, analizu i
projektovanje SAU. Realizovan je kroz biblioteku M-datoteka. Neke osobine: Omogućava modeliranje
sistema preko funkcije prenosa ili preko modela u prostoru stanja. Podržani su i kontinualni i digitalni
(diskretni) sistemi automatskog upravljanja. Odezbeđeno je pretvaranje jednog tipa modela u drugi.
Poseduje brojne f-je koje grafički prikazuju kretanje sistema u vremenskom ili kompleksnom domenu –
čime je olakšano tumačenje podataka. Omogućava modeliranje sistema preko funkcije prenosa ili preko
modela u prostoru stanja. Podržani su i kontinualni i digitalni (diskretni) sistemi automatskog
upravljanja. Odezbeđeno je pretvaranje jednog tipa modela u drugi. Poseduje brojne f-je koje grafički
prikazuju kretanje sistema u vremenskom ili kompleksnom domenu – čime je olakšano tumačenje
podataka. Sastoji se od funkcija za: modeliranje sistema; analizu sistema; modeliranje sistema sa
otvorenom i zatvorenom povratnom spregom; smanjenje (redukciju) reda sistema i transformacije
modela; projektovanje sistema.
36. Načini predstavljanja modela sistema u Control System Toolbox-u. Konverzije modela ?
Modeli sistema: Kontinualnih sistema: model u prostoru stanja; Funkcija prenosa W(s): (Određena
polinomima broioca i imenioca. // Nulama, polovima i pojačanjem). Diskretnih (digitalnih) sistema: model u
prostoru stanja; Funkcija prenosa W(z): (Određena polinomima broioca i imenioca. // Nulama, polovima i
pojačanjem).
Kontinualan model u prostoru stanja: Je linearan, vremenski nepromenljiv (invarijantan) sistem sa više
ulaza i više izlaza (MIMO). Opisuje se poznatim skupom diferencijalnih jednačina 1. reda i skupom
algebarskih jednačina:
) ( ) ( ) ( t t t Bu Ax x + · 
//
) ( ) ( ) ( t t t Du Cx y + ·
; gde je: x(t) vektor koordinata stanja, u(t)
vektor ulaza u sistem, a y(t) vektor izlaza. U Matlab-u model se jednostavno predstavlja pomoću matrica A, B,
C i D, koje su zasebne promenljive. Funkcija prenosa - preko polinoma: Y(s)=G(s)U(s) opisuje linearan,
vremenski nepromenljiv sistem sa više izlaza i jednim ulazom (SIMO), mada se često upotrebljava samo kao
veza jednog ulaza i jednog izlaza (SISO). Funkcija prenosa - nule, polovi i pojačanje: F-ja prenosa se može
prestaviti u faktorizovanom obliku:
) )...( )( (
) )...( )( (
) (
) (
) (
2 1
2 1
n
m
q s q s q s
p s p s p s
k
s Q
s P
s G
− − −
− − −
· ·
; m≤ n, gde su p(i) nule, q(i)
polovi sistema, a k je pojačanje. Funkcija prenosa - suma parcijalnih sabiraka:
) ( ...
) (
) (
) (
2
2
1
1
s k
t s
r
t s
r
t s
r
s Q
s P
s G
n
n
+

+ +

+

· ·
; Ovaj način predstavljana radi samo za SISO modele.
Diskretan model u prostoru stanja:
) ( ) ( ) 1 ( k k k Fu Ex x + · +
//
) ( ) ( ) ( k k k Du Cx y + ·
; upotrebljava matrice E, F, C, D za opis (isto kao i
kontinualan model). U principu x, u i y su vektori. Funkcija prenosa digitalnog sistema: može se predstaviti
kao količnik polinoma ili kao kolekcija nula i polova i pojačanja. Umesto kompleksne promenljive s,
upotrebljava se kompleksna promenljiva z. I ovde se može upotrebiti suma parcijalnih sabiraka. Kod upotrebe
modela sistema treba paziti da se podaci vezani za kontinulan model ne upotrebe u
funkcijama specifičnim za diskretan domen i obrnuto.
Konverzije modela: opisane grupe od po tri tipa modela se mogu međusobno
konvertovati - prevoditi iz jednog oblika u drugi. Kod ovih konverzija je potrebno
ispoštovati ograničenja modela po broju izlaza, tako da npr. nije moguće prevesti
model iz prostora stanja sa više izlaza u reprezentaciju preko funkcija prenosa. [p,q]
= ss2tf(a,b,c,d,bu) // [r,t,k]= ss2zp(a,b,c,d,bu) // [a,b,c,d] = tf2ss(p,q) // [r,t,k] =
tf2zp(p,q) // [a,b,c,d] = zp2ss(r,t,k) // [p,q] = zp2tf(r,t,k)
37. Analiza simulacionog modela upotrebom Control System Toolbox-a ?
Funkcije za analizu: Analiza u VREMENSKOM domenu // Analiza u KOMPLEKSNOM domenu.
Analiza u vremenskom domenu: U vremenskom domenu se mogu posmatrati: vreme porasta, vreme
smirenja, preskok, greška u ustaljenom stanju i to na osnovu: karakterističnog odziva na jediničnu pobudu
(step dstep); karakterističnog odziva na impulsnu pobudu (impulse dimpulse); odziva na početno stanje
(initial dinitial); odziva na proizvoljnu pobudu (lsim dlsim); odziva na pobudu belim šumom (covar
dcovar); Primeri:- Kontinualan domen: [y,x,t] = step(a,b,c,d,bu,t) // [y,x,t] = step(p,q,t) …. -Digitalan domen:
[y,x] = dstep(e,f,c,d,bu,n) // [y,x] = dstep(p,q,n);
Analiza u kompleksnom domenu: Analiza u kompleksnom domenu daje odgovore na: propusni opseg
učestanosti, rezonancu, jednosmerno pojačanje, preteke stabilnosti, stabilnost sistema sa zatvorenom
povratnom spregom, frekventni odziv sistema, ... Analiza u kompleksnom domenu Bode-ove i Nyquist-ove
krive: Kontinualan domen: [m,f,w] = bode(a,b,c,d,bu,w) // [m,f,w] = bode(p,q,w) // [m,f,w] =
2
Pojacanje
Mux
Multiplekser
pera
u MATLAB
Graf
Generator
signala
nyquist(a,b,c,d,bu,w) // [m,f,w] = nyquist(p,q,w); Digitalan domen: [m,f,w] = dbode(e,f,c,d,T,bu,w) // [m,f,w] =
dbode(p,q,T,w) // [m,f,w] = dnyquist(e,f,c,d,T,bu,w) // [m,f,w] = dnyquist(p,q,T,w).
38. Postupno formiranje složenih linearnih simulacionih modela u Control Sys Toolbox ?
39. Formiranje složenog linearnog simulacionog modela upotrebom matrice veza ?
Odrede se veze među blokovima – matrica veza Q: Svaka vrsta označava jednu vezu. U prvoj koloni se uvek
nalazi indeks ulaza. Nepopunjena mesta u matrici se dopunjavaju nulama.
40. Namena Simulink-a ? Upotrebljava se za simulaciju dinamike sistema (u grafičkom okruženju). Mogu
se analizirati linearni, nelinearni, vremenski kontinualni ili diskretni multivarijabilni sistemi sa
koncentrisanim parametrima. Radi kao proširenje MATLAB-a (dodaje osobine karakteristične
dinamičkim sistemima, zadržava MATLAB-ovu funkcionalnost). Uvodi novu klasu prozora - blok
dijagram prozor (model se formira u takvom prozoru upotrebom miša). Simulacija se ostvaruje
upotrebom SIMULINK funkcija za numeričko rešavanje običnih diferencijalnih jednačina prvog reda.
41. Formiranje simulacionog modela u Simulink-u i načini upotrebe modela ?
Formiranje simulacionog modela: Upotrebljavaju se blokovi – tipična
upotreba. Formiranje modela podseća na crtanje blok-dijagrama. Postoje
biblioteke blokova (standardna SIMULINK biblioteka i korisnikova
biblioteka). Blokovi se kopiraju iz biblioteke i povezuju vizuelno.
Blokovi poseduju parametre koji se postavljaju na željene vrednosti.
Parametri blokova se mogu menjati i u toku simulacije. Osnovne grupe
blokova: ulazi – Sources, izlazi – Sinks, diskretni sistemi – Discrete,
linearni sistemi – Linear, nelinearni sistemi – Nonlinear, veze između
blokova – Connections, dodatni blokovi – Extras. Upotreba
SIMULINK-a: upotrebljava se u dve faze (Formiranje simulacionog
modela // Analiza modela – simulacije). U praksi se primenjuju oba
koraka iterativno dok se ne dostignu željena ponašanja. Preporučuje se formiranje novog modela na osnovu
postojećeg, tj. ne treba raditi “sve iz početka”.
42. Povezivanje Simulink-a i Matlab-a ? Blokovi ulaza: generator funkcije definisane podacima iz MAT
datoteke - From File // generator funkcije definisane podacima iz radnog prostora - From Workspace
Blokovi izlaza: ..... smeštanje rezultata u MATLAB promenljivu - To Workspace // smeštanje rezultata u
MAT datoteku - To File........
43. Parametri simulacije u Simulink-u ? Blokovi poseduju parametre koji se postavljaju na željene
vrednosti. Parametri blokova se mogu menjati i u toku simulacije. Simulacija uključuje numeričku
integraciju skupa diferencijalnih jednačina. Iz menija blok-dijagram prozora: Parametri algoritma se
posebno postavljaju u dijalogu: (izbor algoritma integracije; vremena početka i kraja simulacije: tstart i
tfinal; tolerancija, min. i maks. korak integracije: tol, minstep, maxstep; imena promenljivih sa
rezultatima simulacije: txy (vreme, prom. stanja, izlazi sistema kao [t,x,y]); Iz komandne linije:
Parametri algoritma se zadaju kao argumenti: [t,x,y] = linsim( ‘model’, [tstart,tfinal], x0,
[tol,minstep,maxstep], UT, p1, p2, … ); ili kraće, gde pojedini parametri imaju podrazumevane vrednosti
[t,x,y] = linsim( ‘model’, tfinal );
44. S – funkcija (System-Function) ? Programski opisuje dinamički model. Ponaša se kao svaka
MATLAB M-funkcija sys = model ( t, x, u, flag ). Može se formirati: [ grafičkim editorom (“slika”
sadrži i S-funkciju) // u editoru teksta (kao M-funkcija) // kao MEX datoteka dobijena prevođenjem C
ili FORTRAN rutine ]. S-funkcije mogu biti ugnježdene, tj. postoji blok S-function. Mehanizam
“maskiranja” pravi okvir dijaloga za zadavanje parametara S-funkcije u grafičkom okruženju. Način
rada S-funkcije: funkciju treba napisati tako da u zavisnosti od parametra flag vraća (U većini slučajeva
S-funkcija ne mora da vrati vrednosti za svaku vrednost promenljive flag): flag=0 - parametre (u
vektoru): broj kontinualnih promenljivih stanja // broj diskretnih promenljivih stanja // broj izlaza // broj
ulaza // broj diskontinualnih korena // =1 ako model direktno prenesi ulaze; // i početno stanje // flag=1 -
izvode dx/dt // flag=2 - diskretna stanja x(n+1) // flag=3 - izlazni vektor y // flag=4 - sledeći diskretan
vremenski trenutak.
45. Linearizacija modela i određivanje stacionarnih stanja upotrebom Simulink-a ?
Linearizacija modela: Funkcije linmod i dlinmod formiraju linearan model na osnovu posmatranog modela.
Linearan model se predstavlja modelom u prostoru stanja preko matrica A, B, C i D: [A,B,C,D] =
linmod(’model’), Ulazi i izlazi modela se označavaju “ulaznim” i “izlaznim” blokovima (iz biblioteke veza
među blokovima). Ako je model nelinearan treba postaviti radnu tačku oko koje se vrši linearizacija x, u:
[A,B,C,D] = linmod(’model’,x,u). Kod diskretnih ili hibridnih modela upotrebljava se funkcija dlinmod, sa
dodatnim parametrom - vremenom odabiranja: [A,B,C,D] = dlinmod(’dmodel’,Ts).
Određivanje stacionarnih tačaka (trim): funkcija trim određuje stacionarne tačke modela u prostoru stanja.
Primer: [x,u,y,dx]=trim('d',x,u,y,ix,iu,iy);
46. Zadavanje početnih stanja Simulink modela ?
Početna stanja: Primenjuju se u trenutku tstart. Nalaze se u samim blokovima. Mogu se postaviti (promeniti)
iz komandne linije: [t,x,y] = linsim( ‘model’, tfinal, x0 ); Početna stanja postojećeg modela se mogu očitati
pomoću: [sizes,x0] = model; (sizes su podaci u modelu: broj ulaza, izlaza...)
47. Simulacija diskretnih i hibridnih sistema upotrebom Simulink-a ? Vremenski diskretni modeli u
Simulink-u: Sadrže diskretne blokove. Svaki blok ima “ugrađen” odabirač na ulazu i produživač signala
0-tog reda na izlazu. Ulazi se osvežavaju (računaju) samo u trenucima odabiranja. Izlazi imaju stalnu
vrednost između dva trenutka odabiranja. Vreme odabiranja i ofset (opcija) su parametri bloka: t = n·T +
ofset. Model može sadržati diskretne blokove sa različitim periodama odabirača. Modeli mogu biti
sačinjeni isključivo od diskretnih blokova. Modeli mogu biti hibridni, sa pomešanim diskretnim i
kontinualnim blokovima.
48. Zadeh-ov opis problema identifikacije ?
L. Zadeh: “Identifikacija je određivanje na osnovu ulaznih i izlaznih signala procesa, modela iz određene
klase modela, koji je ekvivalentan procesu na kome su izvršena određena merenja”.
49. Primena identifikacije i načini sprovođenja ? Primena identifiacije: Formiranje matematičkog
modela sistema (statičkog i dinamičkog). Ona je sastavni deo savremenih tehnika automatskog
upravljanja (adaptivno upravljanje i inteligentno upravljanje). Nauka formira modele na osnovu
posmatranja objekta (sistema) i istraživanja njegovih osobina. Modeli su manje ili više formalnog
karaktera sa ciljem da odražavaju rezultate posmatranja. Identifikacija sistema se bavi formiranjem
modela na osnovu podataka iz posmatranog sistema. Radi se o eksperimentalnom postupku modeliranja
objekta, koji se zasniva na merenju ulaza i izlaza objekta u konačnom broju trenutaka i procesiranju
rezultata merenja. Tehnike identifikacije sistema se bave organizacijom eksperimenta merenja i
algoritmima obrade mernih podataka koji daju dovoljno tačne procene modela. Ako je posmatrani
objekat stacionaran sa koncentrisanim parametarima može se vršiti Off-line identifikacija, tj. formiranje
modela se vrši van normalnog rada objekta. On-line identifikacija parametara podrazumeva da se
procena parametara modela vrši u toku normalnog rada objekta. Kada se procesiranje merenih podataka
sa ciljem identifikacije vrši posle svake periode odabiranja, reč je o identifikaciji u relanom vremenu.
50. Postupak identifikacije ? Identifikacija je iterativan postupak.
1) Napravi se eksperiment i prikupe ulazno/izlazni podaci procesa koji se identifikuje. 2) Ispitaju dobijeni
podaci: eliminišu se grube greške i trendovi; treba izabrati upotrebljiv deo podataka i po potrebi ga
filtrirati. 3) Izabere se i definiše struktura modela - kao skup kandidat modela za opis sistema 4)
Izračuna se najbolji model među kandidatima u okviru izabrane strukture modela i to na osnovu
ulazno/izlaznih podataka i usvojenog kriterijuma optimalnosti 5) Ispitaju se osobine usvojenog modela
6) Ukoliko model ne zadovoljava treba se vratiti: (na korak 4 i promeniti algoritam identifikacije; na
korak 3 i promeniti strukturu modela; na korak 1 ili 2 i obezbediti nove ulazno/izlazne podatke;).
51. Parametarska identifikacija i metoda najmanjih kvadrata (LS algoritam) ?
Potrebno je znati definisati: klasu modela, kriterijum ekvivalencije (kriterijum za ocenu valjanosti modela),
klasu ulaznih signala. Definicija je opšta i obuhvata i problem određivanja strukture modela. Ukoliko je model
poznat sa tačnošću do nepoznatih parametara, tada se govori o parametarskoj identifikaciji.
Realizacija metode najmanjih kvadrata:
function [A,B,J] = lsident(y,u,n,m) % Parametarska identifikacija - LS metoda;
tacaka = length(u); % u – vektor ulaza; y – vektor merenja izlaza ;
S = zeros(tacaka-n,n+m+1); % n – stepen polinoma A; m – stepen polinoma B;
for k = n+1:tacaka
S(k-n,:) = [-y(k-1:-1:k-n)', u(k:-1:k-m)'];
end
Y = y(n+1:tacaka,:);
q = (S'*S)\S'*Y; % pseudoinverzija
J = 0.5*(Y-S*q)'*(Y-S*q); % kriterijum optimalnosti
A = [1 q(1:n)']; B = q(n+1:n+m+1)';
52. Nepomerena i efikasna procena parametara. Rezidual ?
Непомерена (непристрасна, центрирана) процена параметара
N S S S N S S S S S S S
Y S S S
N
S
Y
N S Y
T 1 T T 1 T T 1 T
T 1 T
T
1 1 0
T
1 1 0
T
1 , 1 0
) ( ) ( } ) {( ˆ
) ( ˆ
] ... [
] ... [
] ... [
1 ,... 1 , 0 ,
− − −




+ · + ·
·
·
·
·
+ ·
− · + ⋅ ·
q q q
q
n n n
u u u
y y y
q
K k n u q y
K
K
K n n n
k k nk
Експеримент се понавља I пута за исте вредности улаза
1
1
1
1
]
1

¸

·
1
1
1
1
]
1

¸

·
1
1
1
1
1
1
1
1
]
1

¸

· ·
+ ·
· + ·




·

·
·
·


0
...
0
0
...
...
} {
} { ) ( } ˆ {
,... 2 , 1 , ) ( ˆ
1
1
1
1
1
1
1
0
1
1
1
T 1 T
T 1 T
n
n
n
I
i
i
K I
I
i
i
I
I
i
i
I
I
i
i
I
i
i i
i i
n
n
n
E
E q q E
I i q q
µ
µ
µ
N N
N S S S
N S S S

q q E
q
i
· · µ } ˆ {
Непомерена процена параметара за средњу вредност } ˆ {
i
q E даје тачно q
Ефикасна процена параметара: Посматрамо систем са више улаза (стационарно понашање)

·
+ ⋅ ·
r
j
j j n
t n t u q t y
1
) ( )} ( { ) ( ϕ
пример:
3 2 6 3 1 5 2 1 4
2
2
3 9
2
2 8
2
1 7 3 2 6 3 1 5 2 1 4 3 3 2 2 1 1
) ( , ) ( , ) (
9 , 8 , 7 , ) (
3 , 2 , 1 , ) (
u u u u u u u u u
j u u
j u u
u q u q u q u u q u u q u u q u q u q u q y
j j
j j
i i i i i i i i i
i
· · ·
· ·
· ·
+ + + + + + + + ·
ϕ ϕ ϕ
ϕ
ϕ
T
2 1
T
2 1
T
1 , 1 0
T
] ... [
] ) ( ... ) ( ) ( [
] ... [
1 ,... 1 , 0 ,
r
k r k k k
K n n n
k k nk
q q q
u u u
y y y
K k n y
·
·
·
− · + ·

q
U
Y
q U
ϕ ϕ ϕ

) ˆ ( ) ˆ ( ) ˆ (
) ( ... ) ( ) (
... ... ...
) ( ... ) ( ) (
) ( ... ) ( ) (
...
T
2
1
1
0
2 T
2
1
1 1 2 1 1
1 1 2 1 1
0 0 2 0 1
T
1
T
1
T
0
q S Y q S Y q U
U
U
U
S
− − · − ·
1
1
1
1
]
1

¸

·
1
1
1
1
1
]
1

¸

·


·
×
− − − −
K
k
k nk
r K
K r K K
r
r
K
y J
u u u
u u u
u u u
ϕ ϕ ϕ
ϕ ϕ ϕ
ϕ ϕ ϕ
Y q S · ˆ
,
1
T T
) ( ˆ ) (
× ×
·
r r r
Y S q S S ,
1
T 1 T
) ( ) ( ˆ
×

·
r
Y S S S q
Коваријациона матрица
1 T
T
T 1 T
1 T
T
T 1 T T
T
) ( } { ) (
} ) ( ) {( } ) ˆ )( ˆ {(
} }) ˆ { ˆ })( ˆ { ˆ {(
− −
×
− −
×
×
·
· − − ·
− − ·
S S S N N S S S C
S S S N N S S S q q q q C
q q q q C
i i
r r
i i i i
r r
i i i i
r r
E
E E
E E E
· ·

·
I
i
i i
I
i i
E
1
T
1
T
} { N N N N
←и овде се експ. понавља I пута за исто S
1 T 2 T
2
2
2
2
1
2
1
1
1
1 1
1
1
1 0
1
1
1 1
1
1
2
1
1
1
1 0
1
1
1 0
1
1
1 0
1
1
2
0
1
) ( } ) ˆ )( ˆ {(
... 0 0
... ... ...
0 ... 0
0 ... 0
) ( ...
... ... ...
... ) (
... ) (

×
·

·

·

·

· ·
·

· ·
· − −
·
1
1
1
1
1
]
1

¸

·
1
1
1
1
1
1
1
1
]
1

¸

·
∑ ∑ ∑
∑ ∑ ∑
∑ ∑ ∑
S S q q q q
n
i i
k k n
n
n
n
I
i
i
K I
I
i
i
K
i
I
I
i
i
K
i
I
I
i
i
K
i
I
I
i
i
I
I
i
i i
I
I
i
i
K
i
I
I
i
i i
I
I
i
i
I
E
I
n n n n n
n n n n n
n n n n n
σ
σ
σ
σ
σ
r i q q
i
q i i
,... 2 , 1 , 2 ˆ
ˆ
· + · σ
←искуственo
0 lim
2
ˆ

∞ →
i
q
K
σ
Ако процена праметара има особину да дисперзија тежи нули са повећањем броја мерења,
онда је процена ефикасна.
Ако неки поступак параметарске идентификације даје непомерене и ефикасне процене – онда доводи
до ТАЧНИХ вредности параметара модела који је познат са тачношћу до непознатих параметара.
Практично – снима се једна секвенца, а не I комада!
Резидуал ε
Он није једнак грешки мерења, али се за K>>1 може употребити за процену грешке мерења.
q S Y ε
q U
ˆ
1 ,... 1 , 0 , ˆ
T
− ·
− · − · K k y
k nk k
ε
K K
K
k
k K n
) ˆ ( ) ˆ (
T T 1
0
2
1
2
q S Y q S Y ε ε − −
· · ·


·
ε σ ←процена дисперзије шума
53. Funkcije osetljivosti i identifiabilnost ?
Када се могу одредити грешке модела, тј. када је модел идентифијабилан?

[ ]
1
1
1
1
]
1




¸

·
·
·
+ ⋅ + ⋅ ·
+ ⋅ ·
∑ ∑
∑ ∑


·

·

·

·

·
1
0
2
2
1
0
2 1
1
0
2 1
1
0
2
1
T
T 1 T
T
2 1
2 2 1 1
1
) ( ) ( ) (
) ( ) ( ) (
) (
) ( ˆ
) ( ) ( ) ( ) (
) ( )} ( { ) (
K
k
k
K
k
k k
K
k
k k
K
k
k
n
r
j
j j n
u u u
u u u
q
q q
t n u q u q t y
t n t u q t y
ϕ ϕ ϕ
ϕ ϕ ϕ
ϕ ϕ
ϕ
S S
Y S S S
q
2 2 1 1 2
2
1
1
) , ( ) , ( ) , ( ) , ( ) , ( q t U q t U t y q
q
y
q
q
y
t y t y ∆ + ∆ + · ∆


+ ∆


+ ≈ ∆ + q q q q q q
Функције осетљивости:
r i
q
t y
t U
i
i
,... 2 , 1 ,
) , (
) , ( ·


·
q
q
) ( ) , (
), ( ) , (
2 2
1 1
u t U
u t U
ϕ
ϕ
·
·
q
q
Овде су независне од q па је модел линеаран по q
Ако су функције осетљивости линеарно зависне тада модел није идентифиабилан.
(Овај услов важи и када модел није линеаран по q те је зато идентифиабилност посматрана преко
функција осетљивости)
1
1
1
1
]
1

¸

·
∑ ∑
∑ ∑

·

·

·

·
1
0
2
2
1
0
2 1
1
0
2 1
1
0
2
1
T
) (
K
k
K
K
k
K K
K
k
K K
K
k
K
U U U
U U U
S S
и за:
K K
cU U
2 1
·
1
1
1
1
]
1

¸

·
∑ ∑
∑ ∑

·

·

·

·
1
0
2
1
2
1
0
2
1
1
0
2
1
1
0
2
1
T
) (
K
k
K
K
k
K
K
k
K
K
k
K
U c U c
U c U
S S
па је: 0 ) det(
T
· S S
54. Iterativne metode parametarske identifikacije – gradijentni algoritam ?
Gradijentni algoritam:
Potreban uslov:
0 ) ( ) (
M
M
M
· ·


· ∇ q g
q
q
J
J
[ ]
T
M M
2
M
1
M
M
M
M
1
0
M
M
T
M M
2
M
1
M
) ( ... ) ( ) ( ) (
,... 2 , 1 ), (
) (
,... 2 , 1 ,
) (
) (
... ) (
q q q q U
q
q
q
q
q
rk k k k
ik
i
k
i
k
K
k
k
i
r
U U U
r i U
q
y
r i
q
y
e
q
J
q
J
q
J
q
J
J
·
· ·


·


− ·


1
]
1

¸







· ∇


·
) ( ) ( ) (
M
1
0
M M
q U q q g
k
K
k
k
e


·
− ·
←Do sada e i U nisu bili f-je. Q
M M
1
M
n n n
q q q − · ∆
+
←n je oznaka iteracije
M M T M M M M
1
) ( ) ( ) ( ) (
n n n n n n
J J J q q g q q q q ∆ + ≈ ∆ + ·
+
0 ), (
M M
> − · ∆ h h
n n
q g q ←biramo priraštaj h
,... 1 , 0 ), ( ) ( ) (
0 ) ( ) ( 0 ) ( ) (
) ( ) ( ) ( ) (
M
1
0
M M M M M M M
1
M M
1
M M T
M M T M M
1
· + · − · ∆ + ·
< − ⇒ >
− · −


·
+
+
+
n e h h
J J
h J J
n k
K
k
n k n n n n n n
n n n n
n n n n
q U q q q g q q q q
q q q g q g
q g q g q q
Ако је ∇Ј=0 имамо систем
од r нелинеарних
алгебарских једначина које
треба решити.
... ) ( ... ) ( ) (
M M
1
M
0
> > > >
n
J J J q q q
55. Iterativne metode parametarske identifikacije –Gauss/Newton alogritam ? Gauss-Newton algoritam:
( )
( ) ( )
∫ ∫

∆ − · ∆ − − · ∆ +
− ·
∆ + · ≈
+ +
+ +
τ τ
τ
0
2
M M T M
0
2
M M T M M M M
0
2
M
1
M
L
M
1
M M T M M M
1
M
L
M
1
M
) , ( ) , ( ) , ( ) , ( ) ( ) (
) , ( ) ( ) (
) , ( ) , ( ) , ( ) , (
dt t t e dt t t y t y J
dt t y t y J
t t y t y t y
n n n n n n n n
n n
n n n n n
q q U q q q U q q q
q q
q q U q q q
1 ,... 1 , 0 , ) ( ) (
M M M M T
− · · + ∆ K k y y
k n k n n k
q q q U
1 ,... 1 , 0 ), ( ) (
M M M T
− · · ∆ K k e
n k n n k
q q q U ←Iz uslova ∇Ј=0
r K
K n r K n K n
n r n n
n r n n
n K
n
n
n
U U U
U U U
U U U
×
− − − −
1
1
1
1
1
]
1

¸

·
1
1
1
1
1
]
1

¸

·
1
M
1
M
2 1
M
1
1
M
1
M
2 1
M
1
0
M
0
M
2 0
M
1
M T
1
M T
1
M T
0
M
)) ( ( ... )) ( ( )) ( (
... ... ...
)) ( ( ... )) ( ( )) ( (
)) ( ( ... )) ( ( )) ( (
) (
...
) (
) (
) (
q q q
q q q
q q q
q U
q U
q U
q S
[ ]
( ) ) ( ) ( ) ( ) (
) ( ) (
) ( ... ) ( ) ( ) (
M M T
1
M M T M
M M M
T
M
1
M
1
M
0
M
n n n n n
n n n
n K n n n
e e e
q E q S q S q S q
q E q q S
q q q q E


· ∆
· ∆
·
( ) ( ) ,... 1 , 0 ), ( ) ( ) ( ) ( ) ( ) ( ) (
) ( ) ( ) ( ) ( ) (
M M T
1
M M T M M
1
M M T M M M M
1
M M M
1
0
M M T
· + · − · ∆ + ·
· ·
− −
+

·

n
U e
n n n n n n n n n n n n
n n k n
K
k
k n n
q E q S q S q S q q g q S q S q q q q
q g q q q E q S
56. Identifikacija parametara kontinualnog modela sistema ?
Određivanje kontinualnog modela sistema (1 ulaz – 1 izlaz).
Problem:
) (
) (
) (
) ( ) ( ) ( s u
s A
s B
s u s G s y · ·
) ( ) ( ) ( t n t y t y
n
+ ·
←Izlaz sistema meren sa šumom
) ( ) (
1
) ( ) ( ) (
1
) 1 (
1
) 1 (
1
1
1
1
s n s u
s a
s b
s n s u
s a s
s b
s y
n
i
i n
i
m
j
j n
j
n
i
i
i
n
m
j
j
j
n
+
+
· +
+
·




·
+ − −
·
+ − −
·

·

Greška jednačine:
) (
) , (
), (
) , (
) ( ) ( ) , (
, ) ( ) , (
M
M
M
M
M M
1
M
1
M M
t I
b
t e
t I
a
t e
t t y t e
m n I b I a t y t e
bj
j
ai
i
n
m
j
bj j
n
i
ai i n
·


·


− ·

¹
;
¹
¹
'
¹
+ − ·
∑ ∑
· ·
q q
q I q
q
Y S S S q
Y q S
Y
I
I
I
S
q I
⋅ ⋅ ⋅ ·
· ⋅
1
1
1
1
]
1

¸

·
1
1
1
1
1
]
1

¸

·
− · ·
×

×

T 1 - T M
M
1
1 ,
1
0
T
1
T
1
T
0
M T
) (
...
,
...
1 ,... 1 , 0 ,
K
K n
n
n
r K
K
nk k
y
y
y
K k y
[ ]
  
T
1
T
1 1
M
) ( ... ... ) ( ... ) ( ... ) ( ... ) (
, ... ...
1
1
]
1

¸

− − − − ·
+ · ·
∫ ∫ ∫ ∫ ∫ ∫ ∫ ∫ ∫ ∫
+ −
dt t u dt t u dt t y dt t y t
m n r b b a a
m n n
n n
n
m n
I
q
[ ]
T
1 1
) ( ... ) ( ) ( ... ) ( ) ( t I t I t I t I t
bm b an a
· I
[ ]
T
1 1 1
M
... ... ...
n m n
c c b b a a · q
57. Identifikacija parametara «jednostavnog» diskretnog modela (C(z)=1) ?
Određivanje diskretnog modela sistema: 1 УЛАЗ - 1 ИЗЛАЗ
(функција преноса ≡ понашање око стационарне тачке, тј. номиналних вредности)
l
l
m
m
n
n
z c z c z C
z b z b b z B
z a z a z A
z n
z A
z C
z u
z A
z B
z y
− −
− −
− −
+ + + ·
+ + + ·
+ + + ·
+ ·
... 1 ) (
... ) (
... 1 ) (
) (
) (
) (
) (
) (
) (
) (
1
1
1
1 0
1
1
σ
(Посматра се шум n дисперзије 1 помножен са σ - што је исто као и раније)
Случај: C ( z )=1 (једноставан случај)
) ( ) ( ) ( ) ( ) (
) (
) (
) (
) (
) (
) (
k n k u z B k y z A
k n
z A
k u
z A
z B
k y
σ
σ
+ ·
+ ·
) ( ) ( ... ) 1 ( ) ( ) ( ... ) 1 ( ) (
1 0 1
k n m k u b k u b k u b n k y a k y a k y
m n
σ + − + + − + · − + + − +
Тада је:
[ ]
[ ]
T
1 1
T
... ...
) ( ... ) ( ) ( ... ) 1 ( ) (
m n
b b a a
m k u k u n k y k y k
·
− − − − − ·
q
U
1 ,... 1 , 0 ), ( ) ( ) (
T
− · + ⋅ · K k k n k k y σ q U ←линеарно по параметрима!
Y S S S q
Y
U
U
U
S
T 1 - T
T
T
T
) ( ˆ
) 1 (
...
) 1 (
) 0 (
,
) 1 (
...
) 1 (
) 0 (
·
1
1
1
1
]
1

¸


·
1
1
1
1
1
]
1

¸


·
K y
y
y
K
) ˆ ( ) ˆ (
T
1
2
q S Y q S Y ⋅ − ⋅ − ·
K
σ
Вектор осетљивости је формиран од улаза и излаза система (за разлику од раније). Због тога, раније
анализиране оцене непомерености и ефикасности параметара се не могу применити на овај случај.
Међутим, добија се исти коначан резултат – процена је непомерена и ефикасна.

x
1

x
2

x
n

...
w
1

w
2

w
n

z
o
+1
T
58. Identifikacija parametara diskretnog modela (C(z)≠1) ?
59. Algoritam dvokoračnog metoda (TS algoritam) ?
Први корак «процена шума» преко процене полинома D и G
u z G y z D u
z C
z B
y
z C
z A
e ) ( ) (
) (
) (
) (
) (
− · − ·
(3)
... ... ) ( : ) ( ) (
... ... 1 ) ( : ) ( ) (
1
1 0
1
1
+ + + + · ·
+ + + + · ·
− −
− −
β
β
α
α
z g z g g z C Z B z G
z d z d z C Z A z D
) ( 3 ), ( 3 l m l n + · + · β α
←искуствено Из (3) имамо е линеарно по q:
[ ]
[ ]
T
0 1 TS
T
TS
TS
T
TS TS
... ...
) ( ... ) ( ) ( ... ) 1 ( ) (
1 ,... 1 , 0 , ) ( ) (
β α
β α
g g d d
k u k u k y k y k
K k k y k e
·
− − − − − ·
− · ⋅ − ·
q
U
q U
TS
T
TS
1
TS
T
TS TS
T
TS
T
TS
T
TS
TS TS
) (
) 1 (
...
) 1 (
) 0 (
,
) 1 (
...
) 1 (
) 0 (
Y S S S q
U
U
U
S Y
⋅ ⋅ ⋅ ·
1
1
1
1
1
]
1

¸


·
1
1
1
1
]
1

¸


·

K K y
y
y
u z G y z D n n ) ( ) (
TS β α
σ − · ≈
←процена σn
Други корак – процена параметара А, В, С:
[ ]
[ ]
T
TS TS
TS
T
0 0
1
0 0
0
0 0
1
0
0 T
TS
) ( ... ) 1 ( ) ( ... ) ( ) ( ... ) 1 ( ) (
) ( ) ( ) (
... ... ...
1 ,... 1 , 0 ), ( ) (
) ( ) ( ) ( ) ( ) ( ) (
l k n k n m k u k u n k y k y k
k n k y k
c c b b a a
K k k k
k n z C k u z B k y z A
l m n
− − − − − − − ·
− ·
·
− · · ⋅
+ ·
Φ
q
q Φ
ψ
ψ
1
1
1
1
]
1

¸


·
1
1
1
1
1
]
1

¸


·
) 1 (
...
) 1 (
) 0 (
,
) 1 (
...
) 1 (
) 0 (
*
T
T
T
*
K K ψ
ψ
ψ
Y
Φ
Φ
Φ
S
*
T
*
1
*
T
*
0
) ( Y S S S q ⋅ ⋅ ⋅ ·

←почетна процена за ML алгоритам
60. Algoritam maksimalne verodstojnosti (ML algoritam) ?
ML алгоритам (Случај: C(z)=1+...) – Алгоритам максималне веродостојности
Особине:Даје непомерене и ефикасне процене; За добру почетну процену параметара брзо конвергира.
Користимо модел:
) ( ) ( ) ( ) ( ) ( ) ( k n z C k u z B k y z A σ + ·
; Даје непомерене и ефикасне процене параметара.
За добре почетне бредности брзо конвергира.
Модел се може написати у облику:
) ( ) (
~
) ( ) (
~
) ( k n k u z B k y z A σ + ·
, где је
) (
) (
) (
~
,
) (
) (
) (
~
z C
k u
k u
z C
k y
k y · ·
Грешка једначине (резидуал):
u
z C
z B
y
z C
z A
u z B y z A e
) (
) (
) (
) (
~
) (
~
) ( − · − ·
(1) ←нелинеарно по С(z)
(a)
(b)
(c)
(d)
NM
W
x
y=d
d-o
NM
W
x
y
+
-
x-o

x
1

x
2

x
n

...
w
1

w
2

w
n

z
o
+1
T
Критеријум за одређивање параметара А, В, С:


·
·
1
0
2
2
1
, , , ,
) ( min min
K
k
C B A C B A
k e J
Решење је у итеративном поступку ...
У n-тој итерацији (из (1)):
u z B y z A e z C
n n n n
) ( ) ( ) (
1 1 1 1 + + + +
− ·
Линеаризацијом се добија:
u
z C
z B
y
z C
z A
e
e e C u z B y z A e
z C e e e z C z C e z C e z C
n
n
n
n
n
n n n n n n n n
n n n n n n n n n n
) (
) (
) (
) (
~ ~
) (
~
) (
) ( } { )} ( ) ( { ) ( ) (
1 1 1 1
1 1 1 1
− ·
+ − − ·
− + − + ≅
+ + + +
+ + + +
) (
) (
) (
~
,
) (
) (
) (
~
,
) (
) (
) (
~
z C
k e
k e
z C
k u
k u
z C
k y
k y
n
n
n
n
n
n
n
· · ·
(2)
У развијемо облику:
)} (
~
... ) 1 (
~
) (
~
... ) (
~
) (
~
... ) 1 (
~
{ )} ( ) (
~
) (
~
{ ) (
1 1
1
1 1
0
1 1
1 1
l k e c k e c m k u b k u b
n k y a k y a k e k e k y k e
n
n
l n
n
n
n
m n
n
n
n
n n
n
n n n n
− + + − + − + + +
− − − − − − + − ·
+ + + +
+ +
+
Уводимо ε
[ ]
[ ]
T
1 1
1
1 1
0
1 1
1
1
T
... ... ...
) (
~
... ) 1 (
~
) (
~
... ) (
~
) (
~
... ) 1 (
~
) (
) ( ) (
~
) (
~
) (
+ + + + + + +
·
− − − − − − − ·
+ − ·
n
l
n n
m
n n
n
n n
n n n n n n n
n n n n
c c b b a a
l k e k e m k u k u n k y k y k
k e k e k y k
q
U
ε
1 ,... 1 , 0 , ) ( ) ( ) (
1 T
1
− · ⋅ − ·
+
+
K k k k k e
n
n n n
q U ε ←линеарно по q !
Сада можемо употребити LS алгоритам:
,... 1 , 0 , ) (
) 1 (
...
) 1 (
) 0 (
,
) 1 (
...
) 1 (
) 0 (
) ( min min
T 1 T 1
T
T
T
1
0
2
1 2
1
, ,
1 1 1 1
· ⋅ ⋅ ⋅ ·
1
1
1
1
1
]
1

¸


·
1
1
1
1
]
1

¸


·
·
− +

·
+ ∑
+ + + +
n
K K
k e J
n n n n
n
n
n
n
n
n
n
n
n
K
k
n
C B A
n n n n
E S S S q
U
U
U
S E
q
ε
ε
ε


·
·
1
0
2
1
2
) (
K
k
n K
k e σ
←процена σ
61. Načini provere valjanosti identifikovanog modela ?
62. Identifikacija promenljivih parametara. Rekurzivni metod najmanjih kvadrata ?
Погодан за on-line параметарску идентификацију, поготово код система где се параметри мењају у
времену. Након сваког одбирка, тј. u(k) и y(k) се рачунају нов бредности параметара q. Тиме се
постиже смањење меморијског заузећа и праћење промене параметара током рада алг.
K K K K K
K K K K K
Y S S S q
Y S S S q
⋅ ⋅ ⋅ ·
⋅ ⋅ ⋅ ·

− −

− − −
T 1 T
1
T
1
1
1
T
1 1
) (
) (

1
]
1

¸

·
1
1
1
]
1

¸


·


) (
,
) 1 (
...
) 0 (
T
1
T
T
1
K
K
K
K K
U
S
S
U
U
S
1
]
1

¸

·
1
1
1
]
1

¸


·


) (
,
) 1 (
...
) 0 (
1
1
K y
K y
y
K
K K
Y
Y Y
Наке је:
1
1
T
1
) ( ) 1 (

− −
⋅ · −
K K
K S S P
Питање: Ако знамо U(K), y(K), P(K-1), q
K-1
да ли можемо да одредимо q
K
?
(a)
(b)
(c)
(d)
(a)
o
NM
W
x
y=d
d-o
NM
W
x
o
y
+
-
x-o

(b)

f
x
1

x
2

x
n

...
w
1

w
2

w
n

z
o
+1
T
} ) ( ) ( ){ ( ) (
) ( ) 1 ( ) ( 1
) 1 ( ) ( ) ( ) 1 (
) 1 ( ) (
1
T
1
T
T
− −
− + ·
− +
− −
− − ·
K K K
K K y K K
K K K
K K K K
K K
q U U P q q
U P U
P U U P
P P
63. Model veštačkog neurona i aktivacione funkcije ?
Veštački neuron: je osnovni procesni element NM. Sadrži: ulaze – xi // sinapse (težinski, ponderišući faktori
ulaza) wi mogu biti pobudne >0 ili pak inhibitorne <0 // stanje aktivacije – z // izlaznu funkciju – f // jedan
izlaz – o // prag – T // y=ƒ(Σw
i
x
i
+T);
Sličnosti sa biološkim neuronima: Samo inspiracija potiče iz biologije. Način povezivanja ne odgovara
pravom, ali je sličan. Funkcija je slična pravim: učenje na osnovu iskustva, generalizacija i zaključivanje,
abstrakcija (izdvajanje bitnih krakteristika iz mase podataka).
Izlazna funkcija neurona: linearna (a), pragovska funkcija (b), semi-linearna (c), sigmoidalna (d):
64. Modeli veštačkih nauronskih mreža ? Veštačke neuronske mreže (NM) su nova tehnologija koja
reševa brojne naučne i inženjerske probleme gde treba pronaći informaciju na osnovu složenih i
nesigurnih podataka. Radi se o problemima gde tradicionalni pristupi ne pružaju zadovoljavajuće rešenje
u: analizi signala, prepoznavanju oblika, upravljanju sistemima, veštačkoj inteligenciji...
Neuronska mreža: sastoji se od međusobno povezanih neurona. Motivacija: značajna sposobnost mreže da
računa kada ima dovoljano velik broj neurona. Način računanja mreže(algoritam) zavisi od vrednosti težinskih
faktora wij. Obučavanje predstavlja promenu (podešavanje) težina wij. Uči na osnovu serije primera(uzoraka).
Neke mogućnosti NM: prepoznavanje oblika u realnom vremenu; upravljanje sistemima u brojnim složenim i
nelinearnim ograničenjima; pronalazi izgubljene ulaze iz izvora na osnovu poznavanja dela ulaza –
asocijacija; prepoznaje objekte i kada su izobličeni; pamti predmete u vezi i kada veza nije očigledna ili
unapred poznata; učenje u realnom vremenu; “glatko” smanjuje performanse kod otkaza delova mreže.
Modeli NM – arhirekture: Sa propagacijom signala u napred - feed-forward: Jednoslojne i Višeslojne
(signali propagiraju samo u napred, neuroni su oranizovani u slojevima). Sa povratnim spregama feedback -
rekurentne mreže: Jednoslojne i višeslojne, Sa diskretnim i kontinualnim signalima. Kombinovane.
65. Obučavanje veštačkih nauronskih mreža ?
Modeli obučavanja NM: Supervizorsko (sa učiteljem) - postoji obučavajući skup parova (ulaz, željeni-izlaz),
Nesupervizorsko (bez učitelja); // Inkrementalno, Batch obuka (podešavanje težina u “jednom koraku”).
Neki poznati algoritmi obuke: Hebbian, Percepton, Delta, Correlation, Winner take all…
66. Uloga veštačkih nauronskih mreža u modeliranju i simulaciji ? Primena NM u modeliranju i
simulaciji: Sposobnost NM da proizvoljno mapira ulaze na izlaze joj omogućava da simulira ponašanje
drugog sistema. Obučavanje NM ulazno-izlaznim podacima iz objekta predstavlja postupak
identifikacije sistema. Mogu se vršiti: direktna identifikacija objekta (a), inverzna identifikacija objekta
(b):

(a)
(b)
(c)
(d)
(a)
o
NM
W
x
y=d
+
+
+
-
d-o
Objekat
NM
W
x
o
y
+
+
-
x-o

(b)
Objekat
67. Veštačka nauronska mreža kao model dinamičkog sistema ?
PITANJA:
1. Osnovni elementi modeliranja i simulacije
2. Model i teorija. Uloga teorije u formiranju modela
3. Proces dobijanja modela
4. Neformalan i formalan opis modela
5. Klasifikacije modela
6. Verifikacija i valjanost modela
7. Linearizacija modela
8. Simulacija u širem i užem smislu. Razlozi upotrebe
9. Analitičko i numeričko rešenje modela. Simulacioni jezici
10. Koncept stanja digitalnog sistema i računanje njegovog kretanja
11. Translatorni mehanički sistemi – promenljive, elementi i zakonitosti
12. Translatorni mehanički sistemi – dobijanje modela sistema
13. Rotacioni mehanički sistemi – promenljive, elementi i zakonitosti
14. Rotacioni mehanički sistemi – dobijanje modela sistema
15. Termički sistemi – promenljive, elementi i zakonitosti
16. Termički sistemi – dobijanje modela sistema
17. Sistemi sa fluidima – promenljive, elementi i zakonitosti
18. Sistemi sa fluidima – dobijanje modela sistema
19. Elektromehanički sistemi – promenljive, elementi i zakonitosti
20. Modeli galvanometra i mikrofona
21. Modeli elektromotora jednosmerne struje
22. Analogije elemenata i parametara. Elektro-mehaničke analogije
23. Namena i upotreba analognih računara. Hibridni računar
24. Linerane komponente analognog računara i njihova ograničenja
25. Rešavanje običnih diferencijalnih jednačina upotrebom analognog računara
26. Režimi rada analognog računara
27. Vremensko skaliranje u radu sa analognim računarom
28. Normalizacija promenljivih kod analognog računara
29. Rešavanje običnih diferencijlanih jednačina upotrebom Matlab-a
30. Skript datoteka i funkcija Matlab-a
31. Kontrola toka programa Matlab-a
32. Rad sa matricama
33. Rad sa polinomima
34. Grafička predstava rezultata simulacije u Matlab-u
35. Namena Control System Toolbox-a
36. Načini predstavljanja modela sistema u CST. Konverzije modela.
37. Analiza simulacionog modela upotrebom Control System Toolbox-a
38. Postupno formiranje složenih linearnih simulacionih modela u Control System Toolbox-u
39. Formiranje složenog linearnog simulacionog modela upotrebom matrice veza
40. Namena Simulink-a
41. Formiranje simulacionog modela u Simulink-u i načini upotrebe modela
42. Povezivanje Simulink-a i Matlab-a?
43. Parametri simulacije u Simulink-u
44. S – funkcija
45. Linearizacija modela i određivanje stacionarnih stanja upotrebom Simulink-a
46. Zadavanje početnih stanja Simulink modela
47. Simulacija diskretnih i hibridnih sistema upotrebom Simulink-a
48. Zadeh-ov opis problema identifikacije
49. Primena identifikacije i načini sprovođenja
50. Postupak identifikacije
51. Parametarska identifikacija i metoda najmanjih kvadrata (LS algoritam)
52. Nepomerena i efikasna procena parametara. Rezidual
53. Funkcije osetljivosti i identifiabilnost
54. Iterativne metode parametarske identifikacije – gradijentni algoritam
55. Iterativne metode parametarske identifikacije – Gauss/Newton alogritam
56. Identifikacija parametara kontinualnog modela sistema
57. Identifikacija parametara «jednostavnog» diskretnog modela (C(z)=1)
58. Identifikacija parametara diskretnog modela (C(z)≠1)
59. Algoritam dvokoračnog metoda (TS algoritam)
60. Algoritam maksimalne verodstojnosti (ML algoritam)
61. Načini provere valjanosti identifikovanog modela
62. Identifikacija promenljivih parametara. Rekurzivni metod najmanjih kvadrata
63. Model veštačkog neurona i aktivacione funkcije
64. Modeli veštačkih nauronskih mreža
65. Obučavanje veštačkih nauronskih mreža
66. Uloga veštačkih nauronskih mreža u modeliranju i simulaciji
67. Veštačka nauronska mreža kao model dinamičkog sistema

Sign up to vote on this title
UsefulNot useful