You are on page 1of 6

Adaptation robuste de la mthode du propagateur

lidentification rcursive des sous-espaces


Guillaume MERCERE1,2 , Stphane LECUCHE1,3 , Christian VASSEUR1
1
Laboratoire dAutomatique, Gnie Informatique et Signal
Btiment P2, USTL, 59655 Villeneuve dAscq Cedex
2
Ecole dIngnieurs du Pas de Calais
Campus de la Malassise, BP39, 62967 Longuenesse Cedex
3
Ecole des Mines de Douai
941, rue Charles Bourseul, BP 838, 59508 Douai Cedex

gmercere@eipc.fr, lecoeuche@ensm-douai.fr, Christian.Vasseur@univ-lille1.fr

Rsum Lobjectif de cet article est de prsenter un nouvel doptimisation de type moindres carrs quil est facile de
algorithme didentification rcursive des sous-espaces dont minimiser par des algorithmes rcursifs simples. Elle sap-
la qualit premire est sa stabilit numrique. Cette am-
lioration concerne plus prcisment la phase de mise jour puie plus prcisment sur deux tapes :
dun oprateur linaire appel propagateur, oprateur par- la mise jour, en ligne et partir des donnes dentre-
tir duquel il est facile de construire une base de lespace sortie perturbes, dun vecteur particulier nomm vec-
dobservabilit. Nous montrons que, par application de rota-
tions hyperboliques et de Givens, il est possible dimposer la
teur dobservation,
dfinie-positivit de certaines matrices, condition ncessaire lobtention dune estime de la matrice dobservabilit
la robustesse numrique de lalgorithme. Par ailleurs, la par estimation rcursive de loprateur propagateur.
description dune technique particulire destimation rcur- Jusquici, la premire phase reposait soit sur une approxi-
sive dun vecteur concentrant lensemble des informations
des donnes dentre-sortie est galement dveloppe. Son mation [9], soit sur la mise jour dune factorisation QR
principal avantage est de possder un cot calculatoire plus [10]. Afin dviter limprcision de la premire solution tout
faible que la mise jour dune factorisation QR utilise jus- en attnuant le cot calculatoire de la seconde, nous pro-
quici. La partie application met en vidence les bnfices
de ces deux techniques sur un exemple de simulation.
posons dactualiser, chaque acquisition, une projection
orthogonale particulire (cf. III) laide du lemme din-
Mots-cls Identification rcursive, mthodes des sous-
espaces, lemme dinversion matricielle, rotations hyperbo- version matricielle [11]. Enfin, puisque nous avons remar-
liques, rotations de Givens, stabilit numrique. qu quune des matrices de covariance exploites par lalgo-
rithme EIVPM pouvait tre mal conditionne et non semi-
dfinie positive, nous exposons une amlioration de lalgo-
I. Introduction rithme de minimisation en imposant des conditions de sta-
Le problme didentification que nous souhaitons r- bilit numrique (cf. IV-B). Cette robustesse est atteinte
soudre consiste estimer rcursivement une ralisation en contraignant la dfinie positivit de cette matrice de co-
dtat du systme tudi chaque mise jour des don- variance via lutilisation de rotations hyperboliques et de
nes dentr-sortie perturbes. Les solutions proposes au Givens [11].
sein de cet article sont fondes sur une approche de type
II. Problmatique et notations
sous-espaces. Elles sinspirent plus particulirement de la
dmarche suivie par les techniques didentification MOESP Considrons la reprsentation dtat dun modle discret
[1]. Leur objectif premier est dobtenir une estime consis- linaire dordre n dfini par :
tante de la matrice dobservabilit du systme, directement
x(t + 1) = Ax(t) + Bu(t) + w(t)
partir des donnes dentre-sortie, sans calcul explicite du (1)
y(t) = Cx(t) + Du(t)
vecteur dtat. Il est en effet ais den extraire ensuite des
estimes fiables des matrices dtat du systme [2]. Puisque o u(t) Rm1 et y(t) Rl1 sont respectivement les vec-
la reprsentation dtat est plurielle, nous nous intressons teurs dentre et de sortie non perturbes, x(t) Rn1 le
plus prcisment lestimation rcursive dune base de les- vecteur dtat et w(t) Rn1 le bruit dtat. Les vecteurs
pace dobservabilit. Plusieurs solutions ont t proposes dentre et de sortie sont caractriss de la faon suivante :
dans la littrature [3], [4], [5], [6]. Lune dentre elles [7]
u(t) = u(t) + f (t)
repose sur ladaptation de la mthode du propagateur [8] (2)
y(t) = y(t) + v(t)
notre problme didentification. Cette technique, nomme
EIVPM, permet dobtenir une estime consistante dune avec f (t) Rm1 et v(t) Rl1 des bruits de mesure.
base du sous-espace dobservabilit partir dun problme Les bruits sont supposs tre trois vecteurs de bruit blanc
statistiquement indpendants. Nous faisons de plus lhypo- en la mise jour, chaque nouvelle acquisition, de les-
thse que la ralisation dtat du modle est minimale. time du vecteur dobservation zi . La solution propose
Comme prcis dans lintroduction, les mthodes dve- dans la suite de cette section sappuie sur ladaptation, au
loppes au sein de cet article sinspirent dune technique cas rcursif, dun problme similaire rencontr en identi-
particulire du traitement du signal. Afin de mettre en vi- fication hors ligne des sous-espaces : liminer de lespace
dence lanalogie entre la problmatique didentification et Imcol {Yt,i,j } le terme relatif Imcol {Hi } :
celle rencontre en traitement dantennes [12], introduisons
le vecteur de sorties dcales yi (t) Rli1 suivant : Zt,i,j = Yt,i,j Hi Ut,i,j (8)
T o Yt,i,j Rlij et Ut,i,j Rmij sont les matrices de
yi (t) = yT (t) yT (t + i 1) (3) Hankel des donnes dentre-sortie :

o i est un entier fix par lutilisateur tel que i > n et y(t) y(t + j 1)
t = t + i 1. Il est alors facile de montrer rcursivement y(t + 1)
y(t + j)

que ce vecteur vrifie1 : Yt,i,j = .. . . .
. . (9)
. . .
yi (t) = i x(t i + 1) + Hi ui (t) y(t + i 1) y(t + i + j 2)
+ Hw wi (t) Hi fi (t) + vi (t) (4)
| i {z } En effet, lanalogie entre ces deux situations est facilement
bi (t) mise en vidence en considrant les galits suivantes2 :

avec i Rlin la matrice dobservabilit du systme : Zt,i,j+1 = Yt,i,j+1 Hi Ut,i,j+1



= Yt,i,j yi (t + 1) Hi Ut,i,j ui (t + 1)
i = CT (CA)T (CAi1 )T , (5)
= Yt,i,j Hi Ut,i,j yi (t + 1) Hi ui (t + 1)

Hi Rlimi la matrice de Toeplitz contenant les para- = Zt,i,j zi (t + 1) .
lini
mtres de Markov du procd et Hw i R la matrice (10)
de Toeplitz associe au bruit dtat. La similitude entre le
problme didentification par approche des sous-espaces et La mise jour de la matrice de Hankel Zt,i,j permet donc
celui de la dtection des directions darrive est alors natu- davoir accs au vecteur dobservation linstant t + 1. Il
relle [10] si lquation (4) est rcrite de la faon suivante : serait donc intressant dajuster la technique destimation
hors ligne de Zt,i,j+1 notre problme rcursif afin dob-
zi (t) = yi (t) Hi ui (t) = i x(t i + 1) + bi (t). (6) tenir zi (t + 1). En identification des sous-espaces, dans le
cas dterministe, le calcul de Zt,i,j+1 est ralis laide de
Cette analogie permet alors de dcomposer notre problme la projection orthogonale sur le noyau de Ut,i,j+1 [2] :
didentification en deux tapes :
1. la mise jour du vecteur dobservation zi partir des Zt,i,j+1 = Yt,i,j+1 U
t,i,j+1
. (11)
nouvelles donnes dentre-sortie (cf. III) :
Or, dans la plupart des situations rencontres en identifica-
zi (t) = yi (t) Hi ui (t), (7) tion, ces matrices sont composes de donnes bruites. Pour
pallier le manque de consistance de lestimateur prcdent
2. lestimation dune base de la matrice dobservabilit (cf. dans le cas stochastique, la stratgie suivie au sein de cet ar-
IV) partir de ce nouveau vecteur en adaptant la mthode ticle consiste traiter leffet des perturbations au cours de
du propagateur [7], [8]. la seconde phase destimation. Nous pouvons donc consid-
rer, au cours de cette premire tape, que le problme envi-
Sur ces deux tapes vient se greffer une troisime phase im- sag est dterministe et ainsi analyser la projection (11), le
prative en identification des systmes : la suppression des biais destimation tant annul lors du calcul de la matrice
effets des perturbations. En effet, en traitement dantennes, i . La mthode propose jusquici [4], [10], [16] consistait
la variance du bruit est, la plupart du temps, suppose pro- mettre jour la factorisation QR suivante3 :
portionnelle lidentit, hypothse laquelle ne droge pas
la mthode du propagateur [8], [13]. Cette condition tant Ut,i,j+1 R11 (t + 1) 0mili Q1 (t + 1)
= (12)
trop restrictive pour tre applique des processus rels, il Yt,i,j+1 R21 (t + 1) R22 (t + 1) Q2 (t + 1)
est essentiel dinclure une tape de traitement des pertur-
bations afin de fournir des estimations consistantes quelque sachant que [2] :
soit le type de bruit agissant sur le procd. Cette opration
Yt,i,j+1 U = R22 (t + 1)Q2 (t + 1). (13)
est ralise en parallle lestimation dune base de lespace t,i,j+1

dobservabilit en introduisant une variable instrumentale Cette technique, robuste numriquement, prsente lincon-
[14] particulire au sein du critre minimis (cf. IV-A). vnient de ncessiter un nombre doprations assez cons-
quent (cf. III-B). La solution dveloppe dans cet article
III. Estimation du vecteur dobservation par mise
repose sur la mise jour directe de la projection orthogo-
jour dune projection orthogonale
nale Yt,i,j+1 Ut,i,j+1
.
Comme prcis dans la section prcdente, la premire
tape de notre technique didentification rcursive consiste 2 t= t + i + j 2.
3 Il est dmontr dans [10] que cette mise jour fournit, au signe
1 u (t), wi (t), fi (t) et vi (t) sont dfinis de manire similaire yi (t). prs, une estimation fiable du vecteur dobservation.
i
A. Mise jour directe de la projection orthogonale * Finalement, nous obtenons :
Lobjectif est dajuster, notre problme de mise jour,
une technique propose par H. Oku [15]. Pour cela, consi- Yj+1 Uj+1
= Yj Uj 0
drons quun nouveau couple de donnes est accessible 1
linstant t + 1 = t + i + j 1. Les matrices de Hankel den- + 2 Yj UTj i yi iT Uj
+ i
tre et de sortie sont alors modifies de la faon suivante4 : h i
= Yj 1 T
Uj 2 + zi i Uj
i
z
2 + i i
(25)
Yj+1 Yj yi
z }| { z }| { z }| {
Yt,i,j+1 = [ Yt,i,j yi (t + 1)] (14) avec :
Ut,i,j+1 = [ Ut,i,j ui (t + 1)]. (15)
zi = 2 yi Yj UTj i . (26)
| {z } | {z } | {z } + i
Uj+1 Uj ui
La relation entre zi et zi est dmontre en considrant
Lide est de mettre jour directement la relation suivante :
le produit Zj+1 ZTj+1 . En effet, partir de lquation (11),
Yj+1 U = nous avons :
j+1
n 1 o
Yj+1 I UTj+1 Uj+1 UTj+1 Uj+1 (16) Zj+1 ZTj+1 =
T
T
afin destimer le vecteur dobservation zi . Pour cela, calcu- Yj+1
Uj+1 Y j+1
Uj+1 = Yj+1
Uj+1 Yj+1 . (27)
lons, dans un premier temps, la projection orthogonale sur
le noyau de Uj+1 tape par tape : Or, en associant les quations (14) et (25), il est facile de
1 montrer que :
U = I UTj+1 Uj+1 UTj+1
j+1
Uj+1 . (17)
T 2 T T
* A partir de (15) : Yj+1
Uj+1 Yj+1 = Yj Uj Yj + zi zi . (28)

Uj+1 UTj+1 = 2 Uj UTj + ui uTi . (18) Ainsi :


* En appliquant le lemme dinversion matricielle [11] (18), Zj+1 ZTj+1 = 2 Yj T T
Uj Yj + zi zi . (29)
nous obtenons : De plus, nous savons que :
1 1 T

2
Uj+1 UTj+1 = Uj UTj 2i+i / (19)
i ZTj
Zj+1 ZTj+1 = Zj zi = 2 Zj ZTj + zi zTi . (30)
en posant : zTi
1
i = Uj UTj ui (20) Puisque Yj T T
Uj Yj = Zj Zj , la relation suivante est alors
i = uTi i . (21) vidente :
zi = zi . (31)
* En multipliant (19) droite par Uj+1 :
1 1 La mise jour du vecteur zi est ainsi ralisable en appli-
Uj+1 UTj+1 Uj+1 = Uj+1 UTj+1 Uj ui quant lalgorithme rcursif (nomm IM) suivant :
h n o i
1
T 1 i iT i
U U U U +i . (22)
j j j j 2 1
2
+i i = Uj UTj ui (32a)
* En multipliant (22) gauche par UTj+1 : i = uTi i (32b)


UTj+1 Uj+1 UTj+1
1
Uj+1 = zi = 2 yi Yj UTj i (32c)
+ i
" #
1 T
UTj Uj UTj Uj UTj 2i+i i Uj UTj 2+
i
Yj+1 Uj+1 = Yj UTj + yi uTi
T 2
(32d)
iT i
i . (23) 1
Uj 1 T 2
2 + i 2 +i Uj+1 UTj+1 = Uj UTj 2i+i i / . (32e)
* La projection orthogonale sur le noyau de Uj+1 vaut :
Il est important de noter que les dimensions des matrices
U = Ij+1 UTj+1 (Uj+1 UTj+1 )1 Uj+1 = composant lalgorithme (32) nvoluent pas au cours de la
j+1

rcursion.
U
j
z }| { B. Complexit
I UT (U UT )1 U +UT i iT U UT i =
j j j j j j +i
2 j j +i
2
iT
2 + U 2 Il est intressant de remarquer que la technique propose
j 2
+i
i
T prcdemment prsente certains avantages calculatoires en
Uj 0 1 Uj i T comparaison avec le cot numrique de la mthode base
+ 2 i Uj . (24)
0 0 + i sur la mise jour de la factorisation QR (12) [10], [16].
4 est un facteur doubli facultatif permettant de pondrer leffet
Le nombre de multiplications ncessaires est rduit ainsi
des donnes passes. t, i et t + 1 sont supprimes afin dallger les que la capacit de stockage mmoire utile (cf. tab. I). Cest
quations. lintrt majeur de lalgorithme IM.
Complexit Mmoire Il dcoule de la minimisation du critre suivant :
2 m 2 2
QR O(4mi (l + 2 )) (m + l) i t
X 2
2
IM O(2mi (l + m)) mi (m + l) 2 J(P) = tk kzi2 (k) T (k) PT zi1 (k) T (k)kF (36)
k=1
TABLE I pour lequel est un facteur doubli permettant de pond-
Complxit et espace mmoire de deux techniques rer les donnes passes, R1 ( > n) une variable
destimation du vecteur dobservation. instrumentale suppose non corrle avec le bruit mais suf-
fisamment corrle avec ltat et {zi1 , zi2 } des sous-vecteurs
IV. Algorithme robuste pour lestimation de zi correspondant au dcoupage {i1 , i2 } de i [7].
rcursive de la matrice dobservabilit
Nous venons de voir quil est possible destimer le vecteur B. Amlioration de EIVPM : algorithme EIVsqrtPM
dobservation chaque instant laide dun algorithme de Comme tout algorithme de type moindres carrs rcur-
faible cot calculatoire. La seconde tape consiste donc sifs, une condition ncessaire de stabilit numrique est
estimer rcursivement une base de lespace dobservabilit, dimposer, chaque itration, que la matrice M soit semi-
une estimation consistante des matrices dtat du systme dfinie positive. De par sa formule de mise jour (cf. (35h)),
tant ralisable partir de cette dernire [2]. Plus prcis- cette condition ne peut tre vrifie. En effet, mme si la
ment, il sagit de dvelopper un algorithme de minimisation matrice M est semi-dfinie positive linstant t, lexpres-
plus robuste que celui propos jusquici [10] afin dassu- sion :
rer la fiabilit des estimes. Il est malgr tout ncessaire
1
de faire quelques rappels sur la technique du propagateur M(t + 1) = 2 M(t) M(t)(t + 1) ((t + 1)
applique en identification afin de mettre en vidence les
1 T
lacunes possibles de lalgorithme EIVPM [9], [10]. +T (t + 1)M(t)(t + 1) (t + 1)M(t) (37)

A. Algorithme EIVPM ne respecte pas cette proprit linstant t + 1 puisque :


Supposons que {A, C} soit observable. On dfinit le pro-
pagateur P Rlin comme lunique oprateur tel que : (t + 1) + T (t + 1)M(t)(t + 1) =
"
T (t + 1) I RTzi1 (t)M(t)Rzi1 (t) (t + 1)
i1 I
i = i1 = = nT i1 (33) + zTi1 (t + 1)M(t)Rzi1 (t)(t + 1)
i2 PT i1 P

+ T (t + 1)RTzi (t)M(t)zi1 (t + 1)
avec i1 Rnn une sous-matrice de i contenant n lignes 1 (38)
zTi1 (t + 1)M(t)zi1 (t + 1)
linairement indpendantes de i et i2 Rlinn la sous-
matrice complmentaire. Il est facile de montrer que : possde deux valeurs propres de signe oppos, I
RTzi (t)M(t)Rzi1 (t) tant une matrice semi-dfinie po-
In 1
spancol {i } = spancol . (34) sitive. Il est alors impossible de garantir une bonne conver-
PT
gence de EIVPM (ou tout autre algorithme utilisant la
Ainsi, en supposant que lordre est a priori connu, une es- technique EIV [14]). La solution propose jusquici reposait
time du sous-espace engendr par les colonnes de i est sur lvaluation de M partir de lquation (35h), de lex-
accessible via lestimation de P. Deux algorithmes desti- traction de la partie triangulaire suprieure puis de lutili-
mation du propagateur ont t proposs dans [7]. Le plus sation de sa proprit de symtrie pour complter sa mise
efficace est lalgorithme EIVPM dont les formules de mise jour [3]. La technique dveloppe au sein de cette section est
jour sont les suivantes : plus fiable puisquelle utilise des outils mathmatiques ro-
bustes. Elle consiste en ladaptation, au cas multivariable,

g(t + 1) = Rzi2 (t)(t + 1) zi2 (t + 1) (35a) dun algorithme de mise jour de la mthode de la variable
T instrumentale tendue propose par B. Porat et B. Fried-
(t + 1)(t + 1)
(t + 1) = (35b) lander [17]. Lide sous-jacente est de calculer, chaque
0
itration, la racine carre de M, condition suffisante la
(t + 1) = Rzi1 (t)(t + 1) zi1 (t + 1) (35c) vrification de la semi-dfinie positivit de M.
T
K(t + 1) = (t + 1) + (t + 1) Supposons donc que la matrice M soit semi-dfinie posi-
1
(35d) tive linstant t. Si tait galement semi-dfinie positive,
M(t)(t + 1)) T (t + 1)M(t) il serait possible dcrire M(t + 1) de la faon suivante :
PT (t + 1) = PT (t)
(35e) 1
+ g(t + 1) PT (t)(t + 1) K(t + 1) M(t + 1) = 2 M1/2 (t)MT /2 (t)

Rzi1 (t + 1) = Rzi1 (t) + zi1 (t + 1) T (t + 1) (35f) T
M (t) (t + 1)M1/2 (t)
1/2 T
1/2 (t + 1)T /2 (t + 1)
T
Rzi2 (t + 1) = Rzi2 (t) + zi2 (t + 1) (t + 1) (35g)
1 T 1
T 1/2 T 1/2
M(t + 1) = 2 (M(t) M(t)(t + 1)K(t + 1)) (35h) + (t + 1)M (t) (t + 1)M (t)

1
avec M(t) = Rzi1 (t)RTzi1 (t) . (35i) T (t + 1)M1/2 (t)MT /2 (t) . (39)
La mise jour des diffrents lments composant cette ex- avec L11 et L22 deux matrices triangulaires infrieures de
pression serait alors accessible en considrant la matrice dimension respective 2 2 et n n. Ainsi :
suivante :
J 0
1/2 W(t + 1) WT (t + 1)
(t + 1) T (t + 1)M1/2 (t) 0 In
W(t + 1) = (40)
0 M1/2 (t)
J 0

= W(t + 1)Rot RotT WT (t + 1)
0 In
puisque :
L 0 J 0 LT11 LT21
= 11 . (48)
L21 L22 0 In 0 LT22
W(t + 1)WT (t + 1) =

(t + 1) + T (t + 1)M(t)(t + 1) T (t + 1)M(t) Les galits suivantes sont alors vrifies :
M(t)(t + 1) M(t)
(t + 1)JT (t + 1)
(41) (49)
+ T (t + 1)M(t)(t + 1) = L11 JLT11
contient les composantes de M(t + 1). M(t)(t + 1) = L21 JLT11 (50)
Malheureusement, (cf. equ. (35b)) nest pas semi-
M(t) = L21 JLT21 + L22 LT22 . (51)
dfinie positive. Elle peut cependant tre rcrite de la fa-
on suivante : A partir, de lexpression (50) :
"p #
T (t + 1)(t + 1) 0 L21 = M(t)(t + 1)LT
11 J
1
. (52)
(t + 1) = T T
(t+1)(t+1) (t+1)(t+1) Ainsi, avec (49), (52) et (35d), lquation (51) devient :
p
T (t + 1)(t + 1)

1 0
(42)
T
(t+1)(t+1) L22 LT22 = M(t) L21 JLT21 = M(t)
0 1 T
0 1 T
(t+1)(t+1) M(t)(t + 1) L11 JLT11 (t + 1)MT (t)
T
= (t + 1)J (t + 1) = M(t) M(t)(t + 1)K(t + 1) = 2 M(t + 1). (53)

avec J matrice de signature de [11]. Ainsi, en posant : Donc :


1
M1/2 (t + 1) = L22 . (54)

(t + 1) T (t + 1)M1/2 (t)
W(t + 1) = , (43) De plus :
0 M1/2 (t)
1 T
lexpression (41) est modifiable comme suit : K(t + 1) = L11 JLT11 (t + 1)MT (t)
1
= L11 JLT11 L11 JLT21 = LT T
11 L21 (55)

J 0
W(t + 1) WT (t + 1) = donc :
0 In T
K(t + 1) = L21 L1
11 . (56)
(t + 1) + T (t + 1)M(t)(t + 1) T
(t + 1)M(t)
. Lalgorithme complet devient alors :
M(t)(t + 1) M(t)
(44)
g(t + 1) = Rzi2 (t)(t + 1) zi2 (t + 1) (57a)
"p #
Ltape suivante consiste donc mettre jour la matrice T (t + 1)(t + 1) 0
(t + 1) = T (57b)
W(t + 1). En se rfrant [11], nous savons quil existe (t+1)(t+1) T (t+1)(t+1)
une matrice RotH R22 compose de rotations hyper-
(t + 1) = Rzi1 (t)(t + 1) zi1 (t + 1) (57c)
boliques telle que :
Trouver la matrice de rotations Rot telle que :
(RotH )J(RotH )T = J et RotH triangulaire infrieure.

(t + 1) T (t + 1)M1/2 (t) L11 0
(45) Rot =
0 M1/2 (t) L21 L22
De mme, pour toute rotation de Givens RotG [11] : (57d)
1
(RotG )I(RotG )T = I. (46) M1/2 (t + 1) = L22 (57e)

T
La mthode adapte de [17] consiste associer ces deux K(t + 1) = L21 L1 11 (57f)
types de rotations afin de les appliquer la matrice W(t+1) PT (t + 1) = PT (t)
de telle sorte que leurs actions cumules fournissent une (57g)
matrice triangulaire : + g(t + 1) PT (t)(t + 1) K(t + 1)
Rzi1 (t + 1) = Rzi1 (t) + zi1 (t + 1) T (t + 1) (57h)
RotH 0 L 0
W(t + 1) = 11 (47) Rzi2 (t + 1) = Rzi2 (t) + zi2 (t + 1) T (t + 1). (57i)
0 RotG L21 L22
| {z }
Rot Il sera dsormais nomm EIVsqrtPM.
V. Application [7], la mthode QR [10] et lalgorithme IM. Ces rsultats
Lobjectif de cette simulation est de mettre en vidence confirment les avantages numriques de lalgorithme (32).
la robustesse numrique de lalgorithme EIVsqrtPM (57) VI. Conclusion
et de comparer le cot calculatoire de lalgorithme IM (32)
avec celui de la mise jour de la factorisation QR [10]. Le problme de lidentification rcursive de procds mo-
Pour cela, considrons le systme suivant : dliss sous forme dtat est considr au sein de cet article.
La solution propose se compose de deux tapes :
0.9 0.5 0.5
x(t + 1) = La mise jour en ligne dune projection orthogonale
0 0.3 x(t) + 0.5 u(t) (58)
y(t) = ( 0.3 0.6 ) x(t) + v(t) laide du lemme dinversion matricielle aboutissant
lestimation fiable dun vecteur concentrant les infor-
pour lequel u et v sont deux bruits blancs gaussiens de mations contenues dans les donnes dentre-sortie.
moyenne nulle et de variance respective 1 et 0.1. Dans un Lestimation dune base de lespace dobservabilit
premier temps, les deux algorithmes tudis utilisent lalgo- partir dune mise jour rcursive dun oprateur li-
rithme (32) pour estimer le vecteur dobservation. La figure naire nomm propagateur, estimation ralise laide
dun algorithme robuste de minimisation imposant la
1 semi-dfinie positivit de certaines matrices.
Les performances de ces algorithmes sont mises en vidence
0.8
laide dune simulation.
0.6
Rfrences
0.4 [1] M. Verhaegen et P. Dewilde. Subspace model identification : part
Valeurs propres

1 and part 2. International Journal of Control, 56 :11871241,


0.2 1992.
[2] M. Verhaegen. Identification of the deterministic part of MIMO
0 state space models given in innovations form from input output
Valeurs propres thoriques
data. Automatica, 30 :6174, 1994.
Valeurs propres avec EIVPM
0.2 [3] T. Gustafsson. Instrumental variable subspace tracking using
Valeurs propres avec EIVsqrtPM projection approximation. IEEE Transactions on Signal Pro-
0.4
cessing, 46 :669681, 1998.
[4] M. Lovera, T. Gustafsson, et M. Verhaegen. Recursive subspace
0.6
identification of linear and non linear Wiener state-space models.
Automatica, 36 :16391650, 2000.
0 100 200 300 400 500 600 700 800 900 1000
Echantillons [5] H. Oku et H. Kimura. Recursive 4SID algorithms using gradient
type subspace tracking. Automatica, 38 :10351043, 2002.
Fig. 1. Comparaison des algorithmes EIVPM et EIVsqrtPM. [6] M. Lovera. Recursive subspace identification based on projector
tracking. The 13th IFAC Symposium on System Identification,
August 2003.
1 illustre la fiabilit de lalgorithme EIVsqrtPM en compa- [7] G. Mercre, S. Lecuche, et C. Vasseur. Output noise insensitive
raison avec EIVPM. Sur 1000 appels de fonctions, le condi- identification of systems : a new recursive state-space method.
tionnement de la matrice M est en moyenne de lordre de The 3rd workshop on Physics in Signal and Image Processing
(PSIP), Grenoble, France, January 2003.
150. On peut remarquer que la technique EIVPM prsente [8] J. Munier et G. Y. Delisle. Spatial analysis using new proper-
des difficults estimer les valeurs propres du systme alors ties of the cross spectral matrix. IEEE Transactions on Signal
que EIVsqrtPM fournit des estimes non biaises. De plus, Processing, 39 :746749, 1991.
[9] G. Mercre, S. Lecuche, et C. Vasseur. A new recursive method
le trac des valeurs propres obtenues avec EIVPM est beau-
for subspace identification of noisy systems : EIVPM. The 13th
coup plus chaotique que celui produit avec EIVsqrtPM. En IFAC Symposium on System Identification, Rotterdam, The Ne-
revanche, EIVsqrtPM prsente linconvnient daugmenter therlands, August 2003.
le temps de calcul par comparaison avec EIVPM. En ef- [10] G. Mercre et S. Lecuche. Identification en ligne de sys-
tmes bruits : une nouvelle mthode rcursive des sous-espaces.
fet, sur un Pentium IV 2.4GHz, lalgorithme (35) est, en Journes Doctorales dAutomatique, Valenciennes, France, June
moyenne, 3 fois plus rapide que lalgorithme (57) pour ra- 2003.
liser le mme calcul. Ainsi, une tude du conditionnement [11] G. H. Golub et C. F. Van Loan. Matrix computations. John
de la matrice M est justifie pour choisir parmi ces deux Hopkins University Press, Baltimore MD, 3rd edition edition,
1996.
algorithmes, EIVPM ayant montr de bonnes dispositions [12] H. Krim et M. Viberg. Two decades of array signal processing
sur des systmes matrice M bien conditionne [10]. research : the parametric approach. IEEE Signal Processing
Magazine, 13 :6794, 1996.
[13] S. Marcos, A. Marsal, et M. Benidir. The propagator method
Mthodes Sub IM QR for source bearing estimation. Signal Processing, 42 :121138,
Dure adimensionne 1 0.7 1.1 1995.
[14] T. Sderstrm et P. Stoica. System identification. Prentice Hall
TABLE II International Series in Systems and Control Engineering, New
York, 1989.
Comparaison du temps de calcul des trois mthodes.
[15] H. Oku et H. Kimura. A recursive 4SID from the input-output
La seconde partie de simulation concerne le temps de point of view. Asian Journal of control, 1 :258269, 1999.
[16] M. Verhaegen et E. Deprettere. A fast, recursive MIMO state
calcul accord lestimation du vecteur dobservation. Sur
space model identification algorithm. The 30th IEEE Conference
cet exemple entre bien conditionne (bruit blanc), toutes on Decision and Control, Brighton,England, December 1991.
les techniques fournissent des estimes consistantes. Le ta- [17] B. Porat et B. Friedlander. The square-root overdetermined re-
bleau II prsente la comparaison des trois algorithmes sur cursive instrumental variable algorithm. IEEE Transactions on
Automatic Control, 34 :656658, 1989.
1000 appels de fonction : la mthode de soustraction (Sub)