Nhận dạng là gì?

Zadeh (1962): Nhận dạng là xác định một mô u Đối tượng điều y
hình toán cụ thể cho hệ thống từ lớp các mô hình
khiển
thích hợp, trên cơ sở quan sát các tín hiệu vào
ra, sao cho sai lệch giữa nó với hệ thống là nhỏ uk N0 yk N0
nhất.
Thuật toán nhận dạng đối
tượng
1. Là phương pháp thực nghiệm
2. Cần có lớp các mô hình thích hợp (thông tin A-
priori từ hệ thống)
Kết quả: Mô hình toán của
3. Sử dụng tối ưu hóa (optimization)
đối tượng
4. Tài liệu tham khảo: Nhận dạng hệ thống điều
khiển (Phước, Minh) và Cơ sở lý thuyết điều
khiển tuyến tính (Phước).

GS. Nguyễn Doãn Phước 1

Phân loại bài toán nhận dạng
Theo thu thập dữ liệu

Tín hiệu vào ra phải mang đầy đủ thông tin về động học của đối tượng
1. Nếu tín hiệu vào được chọn trước: Nhận dạng chủ động (active) hay còn gọi là
nhận dạng ngoại tuyến (off-line)
2. Ngược lại: Gọi là nhận dạng bị động (passive) hay trực tuyến (on-line)

Đối tượng cần

nhận dạng

Theo lớp mô hình thích hợp

Thích hợp với hệ tuyến tính (thỏa mãn nguyên lý xếp chồng).
1. Mô hình không tham số. Ít có ý nghĩa cho bài toán điều khiển sau này
2. Nhận dạng tham số mô hình (hàm truyền). Lớp mô hình thích hợp khi đó được
hiểu là đã xác định được cấu trúc bậc của mô hình.

GS. Nguyễn Doãn Phước 2

Phân loại bài toán nhận dạng
Theo hàm mục tiêu và tối ưu hóa
Hàm mục tiêu mô tả sai lệch giữa mô hình và đối tượng. Nếu e (t ) là sai lệch thì:
T N
2 2
1. Khi tín hiệu là tiền định: J   e (t ) dt , J   ek
0 k 0
T  N 2
2. Khi tín hiệu là ngẫu nhiên egodic: J  M   e (t ) 2 dt  , J  M   ek 
0  k  0 
trong đó M {} là ký hiệu của phép tính lấy kỳ vọng, T , N là thời gian thu thập dữ liệu

Tối ưu hóa: Thuật toán tối ưu áp dụng để tím nghiệm J  min

1. Nếu không có điều kiện ràng buộc: Newton-Raphson, Gauss-Newton...
2. Có điều kiện ràng buộc: QP, SQP, interior point…
GS. Nguyễn Doãn Phước 3
Xác định OFF-LINE mô hình hàm truyền

Nguyên lý chung

nhiễu

Đối tượng cần

nhận dạng

1. Kích thích u  1(t ) ở đầu vào, thu thập h (t ) , tức là đo dữ liệu đầu ra
2. Xác định lớp mô hình thích hợp từ dạng đồ thị h (t ) ở đầu ra (cấu trúc hàm
truyền cho hệ và nhiễu)
3. Xác định tham số của hàm truyền

Khả năng ứng dụng

1. Hệ là tuyến tính tham số hằng (LTI)

2. Nhiễu đo là bỏ qua được

GS. Nguyễn Doãn Phước 4

Xác định OFF-LINE tham số hàm truyền

Quán tính bậc 1

k
1. Cấu trúc hàm truyền G (s ) 
1  Ts
2. Dựng đường tiệm cận và từ đó là k
3. Xác định T theo 2 cách:

Dựng đường tiếp tuyến tại gốc và xác định T

là hoành độ giao điểm với đường tiệm cận
hoặc
Xác định điểm có tung độ là 0,632k trên đồ thị.
Hoành độ của điểm đó là T

GS. Nguyễn Doãn Phước 5

Xác định OFF-LINE tham số hàm truyền

Quán tính bậc 2

k
1. Cấu trúc hàm truyền G (s ) 
(1  T1s )(1  T2s )
2. Dựng đường tiệm cận và từ đó là giá trị k
3. Kẻ tiếp tuyến tại điểm uốn và xác định hai
hằng số a ,b. Từ đó là x theo bảng sau:

4. Tính T1  bx (x 1) x và T2  xT1

a
Điều kiện tiên quyết:  0.103648
b

GS. Nguyễn Doãn Phước 6

Xác định OFF-LINE tham số hàm truyền
Quán tính bậc cao

k
1. Cấu trúc hàm truyền G (s ) 
(1  Ts )n
2. Dựng đường tiệm cận và từ đó là k
3. Kẻ tiếp tuyến tại điểm uốn và xác định hai
hằng số a ,b. Từ đó là n theo bảng sau:

b (n  1)n 1
4. Tính T  n 1
e (n  2)!
a
Điều kiện tiên quyết:  0.103648
b

GS. Nguyễn Doãn Phước 7

Xác định OFF-LINE tham số hàm truyền
Tích phân quán tính bậc 1
1. Cấu trúc hàm truyền G (s ) 
k
s (1  Ts )
2. Dựng đường tiệm cận và từ đó T sẽ là giao
điểm đường tiệm cận với trục hoành
h
3. Xác định k bằng cách tính k  tan  
t
Tích phân quán tính bậc cao
k
1. Cấu trúc hàm truyền G (s ) 
s (1  Ts )n
2. Dựng đường tiệm cận và từ đó Ttc  nT là giao
h
điểm đường tiệm cận với trục hoành và k 
t
3. Tính n bằng cách lập tỷ số   hT kTtc rồi tra bảng
sau, từ đó có được T

GS. Nguyễn Doãn Phước 8

Xác định OFF-LINE tham số hàm truyền
Lead/Lag

k (1  Tt s )
1. Cấu trúc hàm truyền G (s ) 
1  Tm s
2. Dựng đường tiệm cận và từ đó là k
3. Xác định các hằng số còn lại là Tm ,Tt như ở hình vẽ.

Khi Tt  Tm thì đó là khâu lead, ngược lại là khâu lag

GS. Nguyễn Doãn Phước 9

Xác định OFF-LINE tham số hàm truyền
Dao động bậc 2
k
1. Cấu trúc hàm truyền G (s )  , 0  D 1
1  2DTs  (Ts ) 2
2. Dựng đường h và từ đó xác định k (hình vẽ)

2
3. Xác định độ quá điều chỉnh h và từ đó là D  1 1
ln 2 h k

T1 1  D 2
4. Xác định T1 và từ đó là T 


Còn có thể tính theo:

Ti 1  D 2
T , i  1, 2, 
i
1
D , A1  h
2

1
ln 2 Ai 1 Ai

GS. Nguyễn Doãn Phước 10

Nhận dạng OFF-LINE tham số mô hình AR
Phát biểu bài toán cho mô hình AR
K
1. Hàm truyền G (z ) 
1  a1z 1    an z n Ồn trắng Đối tượng điều y
khiển
2. Tín hiệu vào là ồn trắng
3. Đo yk  y (kTa ), k  0,1,  , N rồi từ đó xác định K ,a1 ,  ,an Thuật toán nhận
yk N0
dạng mô hình AR
các tham số K ,a1 ,  ,an sao cho kỳ vọng (giá
trị trung bình) của bình phương sai lệch giữa mô
hình với đối tượng là nhỏ nhất

! Với tín hiệu ồn trắng ở đầu vào thì tín hiệu ra luôn chứa được đầy đủ thông tin động học về đối tượng

Nghiệm bài toán cũng là nghiệm của phương trình Yule-Walker:

 1 N
 ry (0) ry ( 1)  ry ( n )   1   K  yr (i )   y j y j i
N  1 j 0
 r (1) ry (0)  ry (n  1)  a1   0  
f 2 y  f f
M {(ek ) }  min         với ek  yk  yk
          
 r (n ) r (n  1) n
 y y  ry (0)   an   0  ykf    ai yk i
 i 1

GS. Nguyễn Doãn Phước 11

Nhận dạng OFF-LINE tham số mô hình AR
Tìm nghiệm phương trình Yule-Walker nhờ thuật toán Levinson

1. Gán K 0  ry (0) và i  1
i 1
ry (i )   ry (i  k )ak [i  1]
k 1
2. Tính ai [i ] 
K i 1
ak [i ]  ak [i  1]  ai [i ]ai k [i  1], k  1, 2,  , i  1


K i  Ki 1 1  ai [i ]2 
3. Nếu i  n thì gán i : i  1 và quay về 2. Ngược lại thì dừng với đáp số:

K  Kn và ak : ak [n ], k  1, 2,  , n

Ưu điểm: Tốc độ tính toán rất nhanh

Ki
Các giá trị K i ,a1[i ],  ,ai [i ] là tham số mô hình AR tương ứng bậc i: Gi (z ) 
1  a1[i ]z 1    ai [i ]z i

GS. Nguyễn Doãn Phước 12

Nhận dạng OFF-LINE tham số mô hình AR
Phương pháp dự báo điều hòa của Burg
Mục tiêu của phương pháp là M {(ekf )2  (ekb ) 2 }  min , trong đó ekf  yk  ykf , ekb  yk  ykb và:
n n
ykf    ai yk i là giá trị dự báo tiến, ykb    ai yk i là giá trị dự báo lùi
i 1 i 1

Thuật toán
f b 1 N 2
1. Gán i  1, ek [0]  ek [0]  yk , k  0,1,  , N và K 0  ry (0)   yk
N  1 k 0
N 1

2  ekf [i  1]ekb 1[i  1] 
2. Tính ai [i ]  N 1
k i

, K i  Ki 1 1  ai [i ]2 
 ekf [i 2
 1]  ekb 1[i 2
 1] 
k i
ak [i ]  ak [i  1]  ai [i ]ai k [i  1], k  1, 2,  , i  1
ekf [i ]  ekf [i  1]  ai [i ]ekb 1[i  1], k  0,1,  , N
ekb [i ]  ekb 1[i  1]  ai [i ]ekf [i  1], k  0,1,  ,N

3. Nếu i  n thì gán i : i  1 và quay về 2. Ngược lại thì dừng với đáp số:
K  Kn và ak : ak [n ], k  1, 2,  , n

GS. Nguyễn Doãn Phước 13

Nhận dạng OFF-LINE tham số mô hình MA
Phát biểu bài toán
Ồn trắng Đối tượng điều y
1. Hàm truyền G (z )  1  b1z 1    bm z m khiển

2. Tín hiệu vào là ồn trắng K ,c1 ,  ,cM Mô hình yk N0

3. Đo yk  y (kTa ), k  0,1,  , N rồi từ đó xác định Markov

các tham số b1 ,  ,bm sao cho kỳ vọng (giá trị Nhận b1 ,  ,bm
trung bình) của bình phương sai lệch giữa mô hình dạng AR

với đối tượng là nhỏ nhất

y
Ít ý nghĩa ứng dụng, nhưng là bước trung gian để nhận dạng tham số mô hình ARMA sau này

Chuyển mô hình MA về dạng AR

m 1 m 1
i
Markov: 1   bi z  
, cm k   bi 1ck i khi k  1
i 1 i i 0
1   ci z
i 1
m 1
Xấp xỉ: 1   bi z i  M
, M  m sau đó áp dụng thuật toán nhận dạng AR 2 lần
i 1
1   ci z i
i 1

GS. Nguyễn Doãn Phước 14

Nhận dạng OFF-LINE tham số mô hình MA
Thuật toán nhận dạng
1. Chọn n  2m làm bậc của mô hình AR xấp xỉ cho mô hình Markov (chọn càng
lớn càng tốt)
2. Xác định K ,c1 ,  ,cn của mô hình AR từ yk , k  0,1,  , N nhờ Levinson
hoặc Burg

3. Sử dụng thuật toán Levinson hoặc Burg một lần nữa để xác định b1 ,  ,bm từ
các giá trị c1 ,  ,cn lúc này được xem như tín hiệu đo được {yk }

Lưu ý: Trong trường hợp chọn n  2m thì sau khi đã có c1 ,  ,cn các tham số mô hình hàm
truyền sẽ được xác định đơn giản từ phương trình đại số tuyến tính sau:

 c1 c2  cm 
 b  c 
 c c3  cm 1   1   m 1 
 2    
         
b   c2m 
c
 m 1 cm  2  c2m  m

GS. Nguyễn Doãn Phước 15

Nhận dạng OFF-LINE tham số mô hình ARMA
Phát biểu bài toán
K (1  b1z 1    bm z m ) y
1. Hàm truyền G (z )  Ồn trắng Đối tượng điều
1  a1z 1    an z n khiển
2. Tín hiệu vào là ồn trắng
K ,a1 ,  ,an Nhận yk N0
3. Đo yk  y (kTa ), k  0,1,  , N rồi từ đó xác định
dạng AR
các tham số K ,b1 ,  ,bm ,a1 ,  ,an sao cho Xác định
đầu vào
kỳ vọng (giá trị trung bình) của bình phương sai Nhận b1 ,  ,bm
lệch giữa mô hình với đối tượng là nhỏ nhất {x k }N0 dạng MA

Thuật toán

1. Tính dãy giá trị hàm tương quan ry (k ), k  m  1,  , ry (M ) với M  m

M
2. Sử dụng thuật toán nhận dạng AR để xác định K ,a1 ,  ,an từ {ry (k )}m 1

3. Tính dãy giá trị đầu vào {x k }N0 cho khối MA từ {yk }N0 và K ,a1 ,  ,an
4. Sử dụng thuật toán nhận dạng MA để xác định b1 ,  ,bm từ {x k }N
0

GS. Nguyễn Doãn Phước 16

Nhận dạng ON-LINE tham số hàm truyền ARMA
Phát biểu bài toán nhận dạng on-line
b0  b1z 1    bm z m u Đối tượng điều
y
1. Hàm truyền G (z ) 
1  a1z 1    an z n khiển

2. Đo tín hiệu vào ra uk , yk , k  0,1,  , N rồi từ đó uk N0 yk N0

xác định các tham số b0 ,  ,bm ,a1 ,  ,an sao Đa thức Đa thức
tử số mẫu số
cho kỳ vọng (giá trị trung bình) của bình phương sai
Tối ưu
lệch giữa mô hình với đối tượng là nhỏ nhất. hóa

Chú ý: Phải đảm bảo tín hiệu vào ra đo được là

b0 ,b1 ,  ,bm ,a1 ,a 2 ,  ,an
đang ở giai đoạn quá độ của hệ thống

Hai trường hợp áp dụng:

1. Khi nhiễu là có thể bỏ qua được (không có nhiễu)
2. Khi có nhiễu vào ra là egodic, không tương quan với tín hiệu vào ra tương ứng và
bản thân 2 nhiễu đó cũng không tương quan với nhau.

GS. Nguyễn Doãn Phước 17

Nhận dạng ON-LINE tham số hàm truyền ARMA
Khi không có nhiễu
1

p *  X T DX  X T Dy

trong đó: p  col a1 ,  ,an , b0 ,  , bm 


y  col y 0 ,  , yN  , X  col x T0 ,  , x TN 
x Tk  yk 1 ,  , yk n , uk ,  , uk m 
D  diag (di ) ma trận trọng số

Khi có nhiễu vào ra

T
Sử dụng lại công thức trên, trong đó các vector x k , y được thay bởi dãy giá trị hàm
tương quan của các tín hiệu vào ra:

 
y  col ruy (0),  , ruy (N / ) với N /  N 5

xTl  col ruy (l  1),  , ruy (l  n ), ru (l ),  , ru (l  m )

 

X  col xT0 ,  , xTN / 
GS. Nguyễn Doãn Phước 18
Nhận dạng ON-LINE tham số hàm truyền ARMA
Chuyển về bài toán nhận dạng chủ động (active)

Mô hình đối tượng: Ồn trắng

Mô hình ARMA
uk Mô hình đối yk
tượng điều
của tín hiệu vào
K (1  b1z 1    bm z m ) khiển
G (z ) 
1  a1z 1    an z n Mô hình ARMA của tín hiệu ra

Nguyên lý nhận dạng: Chuyển về bài toán nhận dạng chủ động nhờ hai mô hình AR:
Ku Ky
Gu  và Gy 
1  b1z 1    bm z m 1  a1z 1    an z n

1. Từ uk , k  0,1,  , N xác định tham số K u ,b1 ,  ,bm của hàm truyền AR Gu (nhờ
thuật toán Levinson hoặc Burg)

2. Từ yk , k  0,1,  , N xác định tham số K y ,a1 ,  ,an của hàm truyền AR Gy (nhờ
thuật toán Levinson hoặc Burg)
3. Tính K  Ky Ku

GS. Nguyễn Doãn Phước 19

Công cụ nhận dạng của MatLab

GS. Nguyễn Doãn Phước 20