IDENTIFICACION DE SISTEMAS

CAPITULO 7
Tcnicas de identificacin paramtrica

CAPITULO 7: Tcnicas de identificacin paramtrica.....................................3

7.1 INTRODUCCIN....................................................................................3
7.1.1 Estructura del modelo........................................................................4
7.2 PERTURBACION EN SISTEMAS LINEALES INVARIANTES EN EL
TIEMPO.........................................................................................................7
7.2.1 Presencia de perturbaciones...............................................................9
7.2.2 Caracterizacin de las perturbaciones..............................................10
7.3 PREDICCIN........................................................................................11
7.3.1 Ecuacion general de prediccion para un sistema lineal....................11
7.3.2 Invertibilidad del Modelo de Ruido.................................................13
7.3.3 Prediccin de v en el siguiente paso de muestreo............................16
7.3.4 Prediccin de y en el siguiente paso de muestreo............................17
7.4 ESTRUCTURAS DE LOS MODELOS DE CAJA NEGRA LINEALES
......................................................................................................................19
7.4.1 Modelos lineales y sets de modelos lineales....................................20
7.4.2 Familias de modelos de funciones de transferencia.........................22
7.5 MTODOS PARA EL AJUSTE DE PARMETROS...........................27
7.5.1 Objetivos de los mtodos de estimacin paramtricos....................29
7.5.2 Mtodo de estimacin por mnimos cuadrados (LS).......................30
7.5.3 Mtodo de la variable instrumento...................................................37
7.6 COMANDOS RELEVANTES DE MATLAB.......................................40
7.7 PROBLEMAS Y EJERCICIOS.............................................................44
FUENTES.....................................................................................................44

CAPITULO 7: Tcnicas de identificacin paramtrica

7.1 INTRODUCCIN
Los modelos paramtricos, a diferencia de los modelos no parametricos,
quedan descritos mediante una estructura y un nmero finito de parmetros
que relacionan las seales de inters del sistema (entradas, salida y
perturbaciones).
En muchas ocasiones es necesario realizar la identificacin de un sistema del
cual no se tiene ningn tipo de conocimiento previo. En estos casos, se suele
recurrir a modelos estndar, cuya validez para un amplio rango de sistemas
dinmicos ha sido comprobada experimentalmente. Generalmente estos
modelos permiten describir el comportamiento de los sistemas lineales. La
dificultad radica en la eleccin del tipo de modelo (incluyendo su estructura:
orden del mismo, nmero de parmetros, etc.) que se ajuste satisfactoriamente
a los datos de entrada-salida obtenidos experimentalmente.
En este capitulo nos dedicaremos al estudio de los mtodos de estimacin de
parmetros en el dominio temporal y en el dominio frecuencial. Estos metodos
se basan en el supuesto de que el sistema pueda representarse por una parte
determinista o causal y una parte estocstica que engloba las dinmicas no
modelizables del sistema. En general se asume que la parte estocstica puede
ser representada por una variable Gausiana.
Los mtodos de estimacin en el dominio temporal que se estudian, tienen la
particularidad de que a partir de ellos se estiman modelos discretos (dominioz). Consecuentemente, en el caso de desearse un modelo continuo del sistema
(dominio-s o ecuacin diferencial) ser necesario convertir el modelo discreto
a continuo. Ello no presenta problemas cuando el sistema presenta un
retenedor de orden cero. Contrariamente, utilizando tcnicas frecuenciales
podremos estimar modelos tanto continuos como discretos.
En general, la base de todos los mtodos de estimacin consiste en minimizar
unos residuos t , definiendo t como,

 t y t y t

(7.1.1)

siendo y(t) el valor deseado de la salida, , y y t el valor de prediccin, que es

funcin del modelo estimado. La minimizacin se realiza generalmente
utilizando un criterio cuadrtico. La metodologa de clculo a utilizar
depender de la relacin entre t y los parmetros que se quieren estimar.
Cuando la relacin sea lineal se podr utilizar un mtodo de clculo analtico,
mientras que en el caso de una relacin no lineal, el mtodo de clculo a
utilizar, en general, ser iterativo.
Se debe decir que los modelos estimados, tanto en el dominio temporal como
frecuencial, sern modelos con dinmicas lineales. En la tabla 7.1.1 se
muestran ms claramente estos conceptos
Tabla 7.1.1. Clarificacin del trmino linealidad.
DINMICA PROCESO
ERROR
respecto al coeficiente a
lineal
no-lineal
yw
Lineal
y' + ay = u
u w ' aw
y ' ay
u
No-lineal

y' + ay3 =
u

3 u
y ' ay

yw
3 u
w ' aw

7.1.1 Estructura del modelo

Partiendo de la base de que para modelizar un proceso necesitamos los datos
observados, en el caso de un sistema dinmico con una entrada en el instante t
denominada como u(t) y una salida en el instante t denominada como y(t), los
datos sern una coleccin finita de observaciones:
ZN = {u(0), y(0), u(1), y(1), ..., u(N), y(N)}

(7.1.1.1)
4

El problema de los mtodos de identificacin consiste en encontrar relaciones

matemticas entre las secuencias de entrada y las secuencias de salida. O
tambin, si definimos las observaciones de forma ms general:

Z N y t , t

t = 1,...N

(7.1.1.2)

lo que nos preocupa es como determinar y(N+1) a partir de N 1 . En el

caso de un sistema dinmico, el termino t contendra la informacin de las
entradas y salidas anteriores a t.
Entonces, el problema matemtico que se formula es la construccin de una
funcin g N t , t tal que a partir de ella podamos determinar y t :
y t g N t , t

(7.1.1.3)

En general se busca una funcin g que sea parametrizable, es decir que tenga
un nmero finito de parmetros. A estos parmetros se les denomina con el
vector . A toda la familia de funciones candidatas se las denomina
estructura del modelo, y en general estas funciones se escriben como
g N t , , t . Esta funcin permite calcular el valor y(t):
y t g N t , , t

(7.1.1.4)

La bsqueda de una buena funcin se realiza en trminos del parmetro , y

el clculo del valor N conduce a:

g N t , t g t ,N , t

(7.1.1.5)
5

Por ejemplo, en el caso de una estructura de modelo simple como el ARX de

primer orden:
y t ay t 1 b1u t 1 b2u t 2

(7.1.1.6)

la correspondencia con la formulacin general seria:

a b1 b2
t y t 1

(7.1.1.7)
u t 1

u t 2

g t , , t ay t 1 b1u t 1 b2u t 2
g t , , t T t
El ejemplo anterior muestra la formulacin convencional de los sistemas de
identificacin, en que la estructura del modelo se corresponde con una
regresin lineal.
Sin embargo, en general, la estructura del modelo podra ser cualquiera, desde
regresiones no lineales (caso en que g es no lineal respecto a ), modelos tipo
tailor-made, a redes neuronales. Tambin podran incluirse modelos
dinmicos Fuzzy en el caso en que se reemplazara t y y(t) por valores
como el horno est muy caliente,el horno est tibio, el agua est
hirviendo, ..., etc.

7.2 PERTURBACION EN SISTEMAS LINEALES INVARIANTES EN

EL TIEMPO
Generalmente los modelos paramtricos se describen en el dominio discreto,
puesto que los datos que sirven de base para la identificacin se obtienen por
muestreo.
En el caso de tiempo discreto un sistema lineal puede expresarse como una
ecuacin en diferencias finitas del tipo
y t na a1 y t na 1 L ana y t b0u t nb L bnb u t
na

a y t n
k 0

nb

k b ju t nb k

(7.2.1)

k 0

1
En terminos del operador de retardo q1 , definido como q u t u t 1 , se
escribe (7.2.1) como,

y t a1 y t 1 L ana y t na b0u t nd L bnb u t nd nb

1 a q
1

L ana q na y t q nd b0 b1q 1 L bnb q nb u t (7.2.1a)

con, nd na nb , el retardo puro con que aparece la entrada en la salida. En

general, es posible escribir la funcion de transferencia1 de la ecuacion
(7.2.1) como,
y t G q 1 u t

(7.2.2)

Estrictamente, la funcion de transferencia se define en terminos de la variable compleja z.

1
donde G q tiene la forma2,

G q

b0 b1q 1 L bnb q nb

1 a1q 1 L ana q na

(7.2.3)

Se dice que el sistema es causal3 (fisicamente realizable) cuando nb na . En

adelante consideraremos solo sistemas causales, si no se dice lo contrario. Es
decir (7.2.3) es una funcion de transferencia propia4. Se dice entonces que
(7.2.3) es una funcion de transferencia realizable5. Para que sea realizable es
importante asegurarse que el coeficiente de la mayor potencia del
denominador, ( q 0 ), sea uno6. De no ser asi, es necesario dividir la funcion por
este coeficiente para llevar al polinomio denominador de la funcion de
transferencia a la forma monica.
La serie g 0 g1q 1 g 2q 2 L que resulta de la division de los polinomios
del numerador por el denominador revela la respuesta al impulso del sistema,

G q

b0 L bnb q nb

g 0 g 1 q 1 g 2 q 2 L
na
1 L ana q

(7.2.4)

En terminos de la respuesta impulsiva, g t , la expresin general de un

modelo LTI discreto es del tipo:
2

Los coeficientes de (7.2.3) en general no son los mismos que (7.2.1). Comparar (7.2.3) con (7.21a), donde
muestra explicitamente el retardo puro de la entrada nd = na nb.
3

Un sistema es causal si la respuesta del sistema en un instante t depende slo de la entrada en ese instante y
anteriores. Es decir, un sistema es causal si la respuesta en un instante dado no depende de instantes futuros. A
estos sistemas tambin se les denomina no anticipativos, ya que su respuesta no anticipa valores futuros de la
entrada.
4

Cuando

G q 1

nb na

se dice que la funcion de transferencia

G q 1

es propia. Si

nb na entonces

es estrictamente propia.

Una funcion de transferencia como (7.2.3) es realizable si existe una realizacion en variables de estado [A,
B, C,D]. Si la funcion de transferencia se expresa como (7.2.3), (note el polinomio monico del denominador),
y es propia, entonces es realizable
6
Cuando el coeficiente de la mayor potencia de un polinomio es uno se dice que el polinomio es monico.

y t g k q lu t

(7.2.5)

k 0

En la mayoria de los casos consideraremos sistemas estables, es decir sistemas

que no poseen polos fuera del crculo unitario. Si el sistema es estable
entonces,

g k

(7.2.6)

k 0

7.2.1 Presencia de perturbaciones

De acuerdo con la ecuacin (7.2.2) la salida puede ser calculada en forma
exacta una vez conocida la entrada al sistema. Pero en la mayora de los casos
esto es imposible debido a que siempre existen seales espurias que afectan al
sistema y se escapan de nuestro control. Ahora, bajo un marco terico lineal,
podemos asumir que dichos efectos pueden ser representados por un trmino
aditivo v(t) a la salida (ver figura 7.1.1):
y t G q 1 u t v t

(7.2.1.1)

donde, en general, v(t) es el trmino que modela la salida debida a las

perturbaciones. Hay muchas fuentes y causas de perturbaciones, entre las
cuales podemos destacar las diferentes clases de ruido como as tambin las
entradas exgenas al sistema, que se comportan como variables de control
pero que no pueden ser controladas por el usuario.

Figura 7.1.1 Sistema con perturbacin

7.2.2 Caracterizacin de las perturbaciones

La caracterstica ms importante de una perturbacin es que su valor no se
puede conocer de antemano. Sin embargo, informacin acerca de
perturbaciones pasadas podra resultar de mucha utilidad para hacer adecuadas
suposiciones acerca de valores futuros. Por lo tanto, como siguiente paso ser
necesario emplear un marco probabilstico para describir futuras
perturbaciones.
Una simple aproximacin de v(t) podra ser la siguiente:
v t H q 1 e t

Hq

h k q

(7.2.1.2)

(7.2.1.3)

k 0

donde e(t) es un proceso estocastico de variables aleatorias independientes de

distribucion normal idnticamente distribuida y de media nula (ruido blanco).
1
En tanto que H q corresponde a la respuesta del modelo de ruido, y donde
asumimos que es causal y estable. Esta descripcin es muy verstil y
suficiente para la mayora de nuestros propsitos prcticos. Vale aclarar que
e(t) y, por lo tanto, v(t), son procesos estocsticos. Pero las perturbaciones que
observamos y que son sumadas a la salida del sistema son realizaciones del
proceso estocstico v(t) (Ver figura 7.2.1).

10

Figura 7.2.1 Sistema con perturbacin

En los mtodos de estimacin de parametros discretos los errores de
modelizacin se incluyen, a diferencia de otros mtodos de estimacin, en el
trmino e(t). G(q) y H(q) son entonces las funciones de transferencia de orden
finito que modelizan la parte determinista y la parte estocstica
respectivamente. Una caracterstica diferencial de las distintas estructuras
derivadas de la ecuacin general (7.2.1.1), es la forma de modelizar la parte
estocstica o ruido.
7.3 PREDICCIN
La descripcion del sistema dada en (7.2.1.1) puede ser utilizada para resolver
una gran variedad de problemas de diseo relacionados con los sistemas
reales. Sin embargo, la idea de predecir futuros valores de salida se va a tornar
en un tema de esencial importancia en el desarrollo de mtodos de
identificacin, es por eso que a continuacin presentaremos las ideas bsicas
para hallar un predictor de la salida en el instante t, dado que se conocen las
seales del sistema hasta el instante t 1.
7.3.1 Ecuacion general de prediccion para un sistema lineal
Consideremos el modelo de ruido (7.2.1.2). Asumamos la existencia del
1
1
modelo inverso H q definido como,

11

H 1 q 1

1
H q 1

(7.3.1.1)

Entonces a partir de (7.2.1.1), y cambiando momentaneamente, en aras de

hacer mas clara la notacion de las ecuaciones, el argumento de las funciones
de transferencia q 1 por q,
y t G q u t v t

(7.3.1.2)

H 1 q y t H 1 q G q u t H 1 q v t
H 1 q 1 1 y t H 1 q G q u t H 1 q v t
y t H 1 q 1 y t H 1 q G q 1 u t H 1 q v t

Se despeja y t
y t H 1 q G q u t 1 H 1 q y t H 1 q v t

(7.3.1.3)

Esta representa la ecuacion general de prediccion para un sistema lineal.

Sin embargo, si se desea utilizar (7.3.1.3) como predictor del valor de salida
en el siguiente paso de muestreo, para predecir el valor de y en el instante t se
requiere que la totalidad del lado derecho de esta ecuacion pueda ser conocido
en el instante t 1. Para que esto se de, se deben cumplir ciertos
requerimientos que consideraremos a continuacion.

12

En una primera instancia deberemos desarrollar un mtodo que nos permita

predecir valores futuros de v t en el caso de que su descripcin sea:

v t H q 1 e t h k e t k

(7.3.1.4)

k 0

Pero antes consideremos con mayor detalle el asunto de la invertibilidad del

modelo de ruido.
7.3.2 Invertibilidad del Modelo de Ruido
1
Una propiedad muy importante del modelo de ruido H q , la cual hemos

impuesto, es que sea invertible7. Esto quiere decir que si es conocida v

para todo t , entonces es posible hallar e t como
e t H 1 q 1 v t

(7.3.2.1)

donde H 1 es una funcion de transferencia causal, definida como

H 1 q 1

1
H q 1

h%
k q k
k 0

(7.3.2.2)

Ademas, H 1 debe ser estable, ya que e t es un proceso estocastico

estacionario. Es decir,

Un sistema S es invertible si existe otro sistema, que denominamos S1 o sistema inverso, de forma que al
combinarlo en serie con el primero y utilizar la respuesta del primero (S) como entrada del segundo (S1)
obtenemos la entrada inicial del sistema.

13

h% k

(7.3.2.3)

k 0

Por lo tanto,

e t h%
k v t k

(7.3.2.4)

k 0

Requerimientos para la invertibilidad del Modelo de Ruido

1
Siendo H q la funcion de transferencia de un sistema causal y estable, la
1
expresion general para H q es

Hq

C q 1

q
1

c0 c1q 1 L cnc q nc

1 d1q 1 L d nd q nd

(7.3.2.5)

Donde para que H q sea causal debe cumplirse que nc nd y donde los
polos, es decir las raices del polinomio del denominador, son estables.
1

Ahora bien, segn (7.3.1.1) el modelo inverso de H debe cumplir que,

q
1

1
1 d1q 1 L d nd q nd

H q 1 c0 c1q 1 L cnc q nc

(7.3.2.6)

Por lo tanto, para que el modelo inverso tenga una funcion de transferencia
causal y estable debe cumplirse que

14

1. nd nc . Esto porque el modelo inverso debe ser causal, es decir

nd nc
1
2. Los ceros de H q deben ser estables. Esto porque el modelo inverso
1
debe ser estable y sus polos son los ceros de H q .

1
3. Ademas, para mantener la realizabilidad de H q el coeficiente c0

1
debe ser igual a uno. Es decir, H q se debe expresar como el
cociente de dos polinomios monicos.

Por lo tanto, con respecto al modelo de ruido, para que sea invertible deben
cumplirse los siguientes requerimientos adicionales,
1
1. El modelo de ruido H q no introduce ningun retardo en su
respuesta. Es decir, es una funcion de transferencia propia

2. El modelo de ruido H q
de ceros estables.

es un sistema de fase no minima. Es decir

3. El primer termino de la respuesta al impulso vale uno, h 0 1 , ya que

H q 1 se debe expresar como el cociente de dos polinomios monicos.
Esto implica que el modelo de ruido se puede expresar como,

H q 1 1+ h k q k

(7.3.2.7)

k 1

15

7.3.3 Prediccin de v en el siguiente paso de muestreo8

Supongamos ahora que hemos observado v para todo t 1 (es decir,
hasta el instante anterior t 1 ) y que queremos predecir el valor de v t
basndonos en estas observaciones. Tenemos entonces,

k 0

k 1

v t h k e t k h 0 e t h k e t k

(7.3.3.1)

Surge ahora trabajar con la esperanza condicional de v t que se denota

v t t 1 . Esto se refiere al valor que se predice de v t con la informacin
obtenida de los instantes anteriores a t. Como el valor esperado de e t es
nulo, entonces, dados los valores de e para t 1:

v t t 1 h k e t k

(7.3.3.2)

k 1

Notese que e t 1 es el valor mas reciente utilizado en (7.3.3.2) para

calcular v t t 1 . Ahora, dado que h 0 1 ,

h k q e t H q 1 e t

v t t 1

k 1

De la invertibilidad de H de la acuacion (7.3.2.1)

v t t 1 H q 1 1 H 1 q 1 v t
8

En ingles: One-Step-ahead prediction

16

v t t 1 1 H 1 q 1 v t

(7.3.3.3)

La ecuacion (7.3.3.3) nos proporciona un mtodo que nos permite predecir el

1
1
valor de v t en el siguiente paso de muestreo ya que 1 H q
introduce al menos un retardo.

7.3.4 Prediccin de y en el siguiente paso de muestreo

Considerando una descripcin del sistema como la (7.2.1.1),
y t G q 1 u t v t

(7.2.1.1)

1
si asumimos que G q es estrictamente propia (esto es, no tiene un termino

directo de entrada-salida), y asumimos que tanto y como u son

conocidas para todo t 1, entonces, los terminos de la derecha de la
expresion estan disponibles en el instante t 1. Podemos decir que
v y G q 1 u

(7.3.3.4)

Es decir, v t tambin es conocida para t 1. Por lo tanto la esperanza

condicional de y t , dada la informacin anterior, es
y t t 1 G q 1 u t v t t 1
Utilizando (7.3.3.3)

17

y t t 1 G q 1 u t 1 H 1 q 1 v t
G q 1 u t 1 H 1 q 1

y t G q 1 u t

Luego,
y t t 1 H 1 q 1 G q 1 u t 1 H 1 q 1 y t

(7.3.3.5)

Esta expresion representa entonces el predictor de y(t) con un paso de

anticipacion. La ecuacion (7.3.3.5) ser, de aqu en adelante, la expresin que
utilizaremos para predecir los valores futuros de la salida del sistema.
Como resultado, podemos escribir,
y t y t t 1 e t

(7.3.3.6)

Esta ecuacion representa una descomposicion de y t en un termino y t t 1

que esta disponible en el instante t 1 , y un termino e t que no esta
disponible en ese momento.
La mejor prediccion de y t no esta determinada de una manera univoca.
Existen varias posibilidades a escoger, en dependencia del significado de lo
que sea llamado mejor.
El Error de prediccion (t)
El predictor con un paso de anticipacion (7.3.3.5) se ha encontrado para la
situacion en que el mecanismo generador de datos que genera y(t) es descrito
por un modelo conocido (G(q), H(q)). Si y satisface esta condicion, entonces,

18

y t y t t 1 e t
lo cual es un resultado directo de (7.3.3.5).
En general, sin embargo, (G(q), H(q)) no son conocidos. Podemos denotar
entonces el error de prediccion con un paso de anticipacion como:

t : y t y t t 1

(7.3.3.7)

Este error de prediccion solo puede ser calculado a posteriori, cuando est
disponible la medida de y(t). Sustituyendo en la ecuacion (7.3.3.5), el error de
prediccion (t) queda,

t H 1 q 1 y t G q 1 u t

(7.3.3.8)

Este error de prediccion (t) es exactamente aquella componente de y(t) que no

pudo ser predicha en el instante t 1. Por esta razon es tambien denominado
la innovacion en el tiempo t.
Cuando sustituimos nuestra descripcin del sistema dada por la relacion
(7.2.1.1) en (7.3.3.8) es inmediato que t e t , pero esto por supuesto
solo es valido si el sistema generador de datos es exactamente igual a (G(q),
H(q)) en (7.2.1.1).
7.4 ESTRUCTURAS DE LOS MODELOS DE CAJA NEGRA
LINEALES
Un modelo de un sistema consiste en una descripcin conveniente de algunas
de sus propiedades, y de acuerdo a un propsito particular. El modelo no
necesita ser una exacta descripcin del sistema, y el usuario debe saber esto
para poder llevar a cabo su propsito. El primer paso en la identificacin de

19

sistemas es determinar una clase de modelos, dentro de la cual se hallar el

modelo ms conveniente.
7.4.1 Modelos lineales y sets de modelos lineales
Un modelo lineal invariante en el tiempo, como vimos con anterioridad, puede
ser especificado por su respuesta impulsiva y el modelo de ruido. Por lo tanto
un modelo completo estara dado por:
y t G q u t H q e t

(7.4.1.1)

f e x , la funcion densidad de probabilidad de e(t)

Con
G q

g k q
k 0

Hq

1+ h k q

(7.4.1.2)

k 1

En la mayora de los casos es poco practico el hecho de hacer esta

especificacin tomando las secuencias infinitas g k y h k
conjuntamente con la funcin f e x . En lugar de esto se elige trabajar con
estructuras que permitan la especificacin de G y H en trminos de un nmero
finito de valores. Tal es as que las funciones de transferencia racionales son
tpicos ejemplos de esto. Incluso es muy comn que la funcion densidad de
probabilidad (pdf) no sea especificada como funcin, sino descrita en funcin
de unas pocas caractersticas numricas como los momentos de primer y
segundo orden:
E e t 0

(7.4.1.3a)

E e2 t 2

(7.4.1.3b)

20

Es tambin muy comn asumir que e(t) tiene una distribucin Gaussiana, en
cuyo caso la pdf queda enteramente especificada por (7.4.1.3).
La especificacin (7.4.1.1) en trminos de un nmero finito de valores, o
coeficientes, se conoce como modelado paramtrico e involucra mtodos de
estimacin y prediccin conocidos como mtodos de identificacin
paramtrica.
Muy a menudo no es posible determinar a priori estos coeficientes partiendo
del conocimiento de las leyes fsicas que gobiernan el comportamiento del
sistema. Es por eso que la determinacin de todos o algunos de dichos valores
se debe dejar a los procedimientos de estimacin. Esto quiere decir que los
coeficientes en cuestin entran en el modelo como parmetros a ser
determinados. Llamaremos entonces al vector que contenga todos los
parmetros a estimar. O sea que ahora la descripcin del modelo ser la
siguiente:
y t , G q , u t H q , e t
f e x, , la fdp de e(t), ruido blanco

(7.4.1.4a)
(7.4.1.4b)

Vale destacar que este no es un modelo sino un set de modelos, aunque por lo
general vamos a hablar despreocupadamente del modelo (7.4.1.4) auque sea
una abuso de notacin desde un punto de vista formal.
Usando el predictor (7.3.3.5), vamos a poder predecir las muestras futuras
para (7.4.1.4), y para enfatizar la dependencia que mantiene el estimador con
el vector de parmetros , la notacin se hace de la siguiente manera:
y t , H 1 q 1 , G q 1 , u t 1 H 1 q 1 , y t

(7.4.1.5)

21

Observese que la forma de este predictor no depende de f e t , . Esto en

razon a las condiciones impuestas para llegar a esta expresion (7.4.1.5), en las
que no se hicieron consideraciones probabilsticas9.
A continuacin sern analizados diferentes modos de describir (7.4.1.4a) en
trminos de .
7.4.2 Familias de modelos de funciones de transferencia
Una caracterstica diferencial de las distintas estructuras derivadas de la
ecuacin general (7.2.1.1), es la forma de modelizar la parte estocstica o
ruido. Por este motivo es posible agrupar los modelos en dos bloques:
1
Modelos en que H q 1
1
Modelos en que H q 1

1
Modelos en que H q 1

a) Modelos de media ajustada, MA:

y t B q 1 u t nk e t

(7.4.2.1)

1
1
1
donde: G q B q , nk representa el retardo puro del proceso y B q
es un polinomio de grado nb que tiene la forma:

B q 1 b0 b1q 1 L bnb q nb

(7.4.2.2)

Es decir, todos los terminos de la derecha de (7.4.1.5) son conocidos en el instante t 1.

22

Se les denomina tambin modelos de respuesta impulso finita (FIR).

b) Modelos del error en la salida, OE:

y t

B q 1

F q 1

u t nk e t

en este caso: G q

B q 1

q
1

(7.4.2.3)

, donde F es un polinomio autoregresivo de

orden nf:
F q 1 1 f1q 1 L f nf q nf

1
Modelos en que H q 1

c) Modelos autoregresivos con variables exgenas, ARX:

A q 1 y t B q 1 u t nk e t

(7.4.2.4)

en este modelo se considera que la parte determinista y la parte estocstica

tienen el mismo denominador:

G q

B q 1

A q

1

(7.4.2.5)

23

H q 1

1
A q 1

1
El polinomio A q es el polinomio autoregresivo de orden na:

A q 1 1 a1q 1 L ana q na

(7.4.2.6)

d) Modelos autoregresivos de media mvil y variables exgenas, ARMAX:

A q 1 y t B q 1 u t nk C q 1 e t

(7.4.2.7)

1
1
Al igual que en c), G q y H q , tienen el mismo denominador:

G q

B q 1

A q

1

(7.4.2.8)
Hq

C q 1

A q

1

1
y C q es un polinomio monico parecido a (7.4.2.6) de orden nc.

e) Modelos ARARX.
A q 1 y t q nk B q 1 u t

1
e t
D q 1

(7.4.2.9)

24

siendo D q un polinomio monico autoregresivo de orden nd. Un modelo

ms general es la estructura ARARMAX:
1

A q

y t q

nk

B q

C q 1

u t D

q
1

e t

(7.4.2.10)

f) Modelos Box-Jenkins, BJ:

y t q

nk

B q 1

F q 1

u t

C q 1

D q 1

e t

(7.4.2.11)

1
1
Una propiedad particular de esta estructura es que G q y H q no tienen
parmetros comunes.

Resumen de los distintos tipos de modelos

Toda esta familia de modelos se puede representar por el siguiente modelo
general, (7.4.2.12), esquematizado en la figura 7.4.1.

A q

y t q

nk

B q 1

F q 1

u t

C q 1

D q 1

e t

(7.4.2.12)

Esta estructura es conocida como PEM. Esta estructura es muy general, pero
es til para elaborar algoritmos ya que sus resultados cubren todos los casos
especiales.

25

Figura 7.4.1. Esquema de bloques del modelo general (7.4.2.12)

Finalmente, la relacin entre modelos y los casos particulares se exponen en la
tabla 7.4.1. En las Figuras 7.4.2 y 7.4.3 se muestran los diagramas de bloques
equivalentes para algunos de los modelos particulares de la tabla 7.4.1.

Tabla 7.4.1. Relacin entre el modelo general y los casos especiales.

Polinomios utilizados de Nombre de la estructura del modelo
(7.4.2.12)
B
FIR
AB
ARX
ABC
ARMAX
ABD
ARARX
ABCD
ARARMAX
BF
OE
BFCD
BJ

26

a)
b)
Figura 7.4.2. Diagramas de bloques de las estructuras a) Estructura ARX, b)
Estructura OE de la tabla 7.4.1.

a)
b)
Figura 7.4.3. Diagramas de bloques de las estructuras a) Estructura ARMAX,
b) Estructura BJ de la tabla 7.4.1.

7.5 MTODOS PARA EL AJUSTE DE PARMETROS

Para elegir la estructura del tipo de modelos considerados hay que determinar
el orden de cada uno de los polinomios anteriores, es decir na, nb, nc, nd, nf y
el retardo entre la entrada y la salida nk. Una vez elegidos estos valores, slo
queda determinar el vector de coeficientes (ai, bi, ci, di y fi ) que hacen que el
modelo se ajuste a los datos de entrada-salida del sistema real.
La anulacin de alguno de los polinomios, resultando estructuras
simplificadas, facilita el proceso de ajuste de parmetros. Cada una de las
estructuras (ARX, ARMAX, OE o BJ) tiene sus propias caractersticas y debe
ser elegida fundamentalmente en funcin del punto en el que se prev que se
aade el ruido en el sistema. En cualquier caso, puede ser necesario ensayar
con varias estructuras y con varios rdenes dentro de una misma estructura
hasta encontrar un modelo satisfactorio.

27

Ejemplo 7.5.1
Supngase el sistema de la figura 7.5.1.

Figura 7.5.1. Sistema discreto generador de seal

Dado que el ruido se suma directamente a la salida, el tipo de estructura ms
apropiada para identificacin debe ser del tipo Output Error (OE). Dentro de
este tipo, el nmero de parmetros ptimo de los polinomios B y F son los que
coinciden con la estructura real del sistema, es decir:

y t

y t

B q 1

F q 1

u t nk e t

b1q 2 b2q 3
u t e t
1 f1q 1 f 2 q 2 f3q 3

y por tanto nb = 2, nf = 3 y nk = 2.
Sin embargo, es importante tener en cuenta que en la mayora de los casos el
diseador no dispone de esta informacin sobre el sistema real, por lo que ser
necesario ensayar con varios tipos de estructuras y nmero de parmetros
hasta dar con el modelo que mejor se ajusta a los datos de entrada-salida
registrados.

28

7.5.1 Objetivos de los mtodos de estimacin paramtricos

Una vez elegida la estructura del modelo (tanto el tipo ARX, ARMAX, BJ,
OE...), como los rdenes de cada polinomio, es necesario determinar el valor
de los parmetros del mismo que ajustan la respuesta del modelo a los datos
de entrada-salida experimentales.
Todo modelo matemtico de un sistema dinamico pretende predecir el valor de
la salida del sistema en funcin de las entradas y salidas en instantes
anteriores. Hemos denominado error de prediccin t a la diferencia entre
la salida real del sistema y la salida estimada por el modelo en un determinado
instante de tiempo:

t y t y t

(7.5.1.1)

donde y t es la salida estimada por el modelo en el instante t.

Los mtodos de estimacin de parametros tienen por objetivo entonces estimar
los parmetros de los polinomios: A, B, C, D y/o F segn el modelo
considerado, de forma que, en algun sentido, el error de prediccin sea
mnimo. Existen varios mtodos o criterios para realizar este ajuste de
parmetros, entre los que cabe destacar el mtodo de mnimos cuadrados y el
metodo de la variable instrumento, los que seran discutidos mas adelante.
En el caso de la ecuacin general PEM, Ec. (7.4.2.12), el error de
modelizacin o residuos se determina a partir de la ecuacin,

t y t y t

D q 1

C q 1

A q

y t q

nk

B q 1

u
t

F q 1

(7.5.1.2)

29

La ecuacin de los residuos (7.5.1.2) se puede evaluar considerando dos

trminos:
Modelizacin de la parte determinista.
Se observa que hay una relacin lineal entre el error de prediccin y los
coeficientes de los polinomios A y B, mientras que respecto a los
coeficientes del polinomio F la relacin es no lineal.
Este hecho comporta que, para estimar los parmetros del polinomio F,
se debe utilizar un mtodo de clculo iterativo, mientras que si solo es
necesario estimar los parmetros de los polinomios A y B, los mtodos
de clculo a utilizar son analticos y, por tanto, ms sencillos.
Modelizacin de la parte estocstica.
Los errores de modelizacin, representados, en parte, en e(t), no son
conocidos y la relacin que hay entre los coeficientes de los polinomios
en (7.5.1.2) y los residuos t no es lineal. Consecuentemente, se
deben estimar los valores de e(t) al mismo tiempo que los valores de los
parmetros de los polinomios. En este caso, por lo tanto, los mtodos de
clculo sern iterativos.
7.5.2 Mtodo de estimacin por mnimos cuadrados (LS)
Descripcin del mtodo de mnimos cuadrados
Las estructuras ARX y FIR tienen la propiedad que la prediccin con un paso
de anticipacion es una funcin lineal de los coeficientes de los polinomios, los
que constituyen el vector de parmetros. Para una estructura ARX el modelo
de prediccin es,
y t t 1 B q 1 u t 1 A q 1 y t

(7.5.2.1)

30

Se observa que en la expresin de la derecha, todos los trminos son simples

productos de una muestra de los datos y un coeficiente de los polinomios. Esto
implica que esta es una expresin de la forma
y t t 1 T t

(7.5.2.2)

con t el vector regresor o informacin, y el vector de parmetros, los

cuales satisfacen,

T t y t 1 L y t na u t u t 1 L u t nb 1
a1 L
T

ana

b1 L

bnb

(7.5.2.3)

En el mtodo de los minimos cuadrados el problema a resolver consiste en

hallar el vector de parmetros estimados, N , partiendo de las N observaciones
realizadas: y 1 , 1 , ., y N , N , tal que se minimize la funcion
de costo (o, funcion de perdidas),
VN , Z

1 N 2
t
N t 1

(7.5.2.4)

donde,

t y t T t

(7.5.2.5)

es el error de prediccion.
De la ecuacin (7.5.2.2) se deducen un conjunto de ecuaciones lineales que
pueden ser escritas en forma matricial segn:

31

(7.5.2.6)

siendo: Y el vector de dimensin N, Y y 1 y 2 L y N ; y una

matriz de dimensin (N,d), siendo d el nmero de parmetros del modelo,
T
1 2 L N . El vector error de prediccin o vector
T

residuo se define como:

N Y

(7.5.2.7)

con N 1

2 L

En estas condiciones la funcion de perdidas a minimizar, VN , definida por

la ecuacin
VN , Z

1 N 2
1
t NT N
N t 1
N
(7.5.2.8).

VN , Z N

1
1
T
Y Y
N
N

De donde se obtiene que la funcin a minimizar es:

VN , Z N

1 T
Y Y 2Y T T T

(7.5.2.9)

La derivada de la funcin (7.5.2.9) respecto a los parmetros debe ser nula,

32

VN , Z N

1 T
Y Y 2Y T T T 0

(7.5.2.10)

Deducindose que el valor de los parmetros que minimiza VN es:

N arg min VN , Z N

(7.5.2.11)

1
N T T Y

(7.5.2.12)

A fin de retener expresiones que sean computacionalmente factibles para

seales de entrada cuasi-estacionarias, es preferible usar la expresin,

1 T
N

N

1 T
Y
N

(7.5.2.13)

De esta manera los dos componentes separados de la expresin de la derecha

permanecen acotados para valores crecientes de N.
Una forma alterna equivalente de expresar (7.5.2.13) es mediante la expresion,
1

1 N

N t T t
N t 1

1 N
t
N t 1

y t

(7.5.2.14)

A partir de (7.5.2.12), conocido el orden del modelo: na, nb y nk, es

fcilmente calculable el valor estimado de sus parmetros.

33

Se debe tener en cuenta que la ecuacin planteada tiene solucin si la matriz

T tiene inversa, es decir si es de rango completo, o, equivalentemente, si
es definida positiva. En caso contrario la ecuacin tiene infinitas soluciones.
El requisito necesario para garantizar una solucin nica de la
ecuacin (7.5.2.12) es que la seal de excitacin sea
persistentemente excitada de orden mayor que d, siendo d el
numero de parametros del modelo, [Sderstrm89].
Propiedades del mtodo de los Minimos Cuadrados
Supongamos la existencia de un juego de parametros * , con el que
representamos el vector de parmetros verdadero, tal que
y t T t * e t

(7.5.2.15)

donde e(t) es un ruido blanco de media cero y variancia 2 . Las propiedades

estadsticas del mtodo LS demuestran que:
1. N converge a * cuando N tiende a infinito
2. la variable aleatoria

N N * se comporta como una distribucin

normal de media cero y covariancia PLS

PLS 2 T

(7.5.2.16)

3. un estimador de 2 es:

34

2V N

N d

(7.5.2.17)

siendo d el nmero de parmetros del modelo.

Tal y como se demuestra en [Sderstrm89].
Observaciones
Resaltar como principal ventaja de este mtodo que la conversin a un
mnimo global est garantizada y no existen mnimos locales.
Y como inconveniente resaltar que si la perturbacin v(t) no es un ruido
blanco y la relacin seal til/seal ruido es importante, la convergencia
al valor real de * no est garantizada. Este hecho limita su utilizacin
como mtodo general de estimacin.
Solucin de LS utilizando la ecuacin normal
La estimacin de los parmetros por el mtodo LS se realiza a partir de la
ecuacin (7.5.2.18), conocida con el nombre de ecuacin normal.
1
N T T Y

(7.5.2.18)

Resaltar como ventaja que la resolucin directa de esta ecuacin es

sencilla y que los clculos algebraicos a realizar son sencillos.
Presenta el inconveniente que la matriz T puede estar mal
condicionada, particularmente si es de gran dimensin, lo cual comporta
errores numricos importantes en la resolucin de la ecuacin
(7.5.2.18). Es por este motivo que diferentes investigadores han
presentado alternativas para resolver esta ecuacin, una de ellas es por
triangulacin ortonormal.
35

Criterio de Akaike
Una variante del mtodo LS, conocido como Criterio de Akaike consiste en
minimizar otra funcin de prdidas distinta a la anterior, que puede obtenerse
a partir de sta del siguiente modo:
d

VNAIC 1 2 VN
N

(7.5.2.19)

siendo d el nmero de parmetros del modelo y N el nmero de muestras de

los datos de entrada-salida utilizados para su identificacin.
Ejemplo 7.5.2
Utilice el mtodo de mnimos cuadrados para estimar los parmetros del
modelo OE escogido en el ejemplo 7.5.1, utilizando para ello los datos de
entrada-salida generados por el sistema. Estime tambin un modelo ARX del
mismo orden que el anterior, y compare los parmetros de los modelos
obtenidos con los del sistema real.
Solucion:
numd = [0.5 0.3]; %numerador de la funcin de transferencia en z
dend = [1 0.2 0.16 0.24]; %denominador de la funcin de transferencia
en z
%Generacin de una entrada binaria pseudoaleatoria con 1000 muestras
u = idinput(1000,'PRBS',[0 0.25],[0 50]);
%Obtencin mediante simulacin de la salida sin ruido
y_sin = dlsim(numd,dend,u);
%Generacin del ruido aleatorio, tambin con 1000 muestras
e = randn(1000,1);

36

y = y_sin+e; %Adicin del ruido a la salida.

datos = [y u]; %Construccin de la matriz con los datos de entrada-salida
% Obtencion del modelo
th_oe = oe(datos,[2 3 2]);
present(th_oe)
Se puede comprobar que los parmetros del modelo OE obtenido son
prcticamente idnticos a los del sistema real. Entre la informacin obtenida
del modelo se encuentran tanto la funcin de prdidas por el mtodo de
mnimos cuadrados simple (0.967) como con el criterio de Akaike (0.9767).
A continuacin se realiza la estimacin del modelo ARX:
th_arx = arx(datos,[3 2 2]);
present(th_arx)
En este caso los parmetros se desvan ms que en el anterior puesto que se
supone el ruido aadido en otro punto del sistema (ver Figura 7.5.1). Puede
observarse que las funciones de prdidas son superiores que en el caso
anterior.

7.5.3 Mtodo de la variable instrumento

Descripcin del mtodo de la variable instrumento
El mtodo de la variable instrumento (IV) tiene como objetivo aprovechar las
ventajas del mtodo LS y superar sus limitaciones. Tiene el inconveniente que
para su utilizacin es necesario definir una nueva variable llamada
instrumento.
El planteamiento de este mtodo es muy sencillo. Consiste en multiplicar la
ecuacin (7.5.1.2) por un vector instrumento z(t)

37

z t y t z t T t z t v t

(7.5.3.1)

que se debe caracterizar por ser independiente del ruido v(t), pero dependiente
de la entrada y la salida del sistema. Esta propiedad permite plantear el
siguiente sistema de ecuaciones lineales:
z t t z t y t T t

(7.5.3.2)

El vector de parmetros que minimiza la funcin prdida (7.5.2.9) vale, en

este caso:
1
N Z T Z T Y

(7.5.3.3)

donde Z es una matriz de la misma dimensin que .

Para que N converja a * es necesario que la variable instrumento tenga
como propiedades:
1 N
z t T t

N t 1

sea triangular
(7.5.3.4)

1 N
z t v t 0
N t 1
En otras palabras, es necesario que la variable instrumento sea fuertemente
dependiente del vector regresin, t , pero sea independiente del ruido.

38

Este mtodo, al igual que el LS, presenta el inconveniente de que la matriz

Z T puede estar mal condicionada cuando su dimensin es grande. Por este
motivo puede utilizarse la triangulacin ortonormal para calcular el valor de
los parmetros.
Si se considera un modelo con una estructura ARMAX, una forma de
garantizar las condiciones (7.5.3.4) es considerando un vector instrumento
definido por:
z T t L q 1 x t 1 L

x t na

u t 1 L

u t nb

(7.5.3.5)
donde L es un filtro lineal y x(t) se genera a partir del sistema lineal:
N q 1 x t M q 1 u t

(7.5.3.6)

1
El problema consiste en determinar el filtro, L, y el modelo lineal, N q y

M q 1 . Una forma sencilla seria:

1) Aplicar LS

2) Utilizar el modelo estimado como polinomios N y M, y determinar x(t)

con (7.5.3.6)
3) Considerando L=1, definir z(t) segn (7.5.3.5) y estimar el vector de
parmetros a partir de la ecuacin (7.5.3.3).
Mtodo IV ptimo propuesto por Ljung
El mtodo de la variable instrumento ptimo propuesto por Ljung [Ljung87],
tambin denominado de la variable instrumento en cuatro etapas, genera el
instrumento, z(t), y el filtro, L, estimando al mismo tiempo la funcin de
transferencia de la parte determinista y estocstica.
39

Las propiedades estadsticas de este mtodo demuestran que la variable

*
aleatoria N N tiende a una distribucin Normal de media cero y

varianza calculables.
7.6 COMANDOS RELEVANTES DE MATLAB
Se incluyen a continuacin las principales funciones relacionadas con la
identificacin paramtrica proporcionadas por el Toolbox de Identificacin en
Matlab.
Tipos de modelos paramtricos
El Toolbox de Identificacin contempla una gran variedad de modelos
paramtricos para sistemas lineales. Todos ellos se ajustan a la estructura
general de la ecuacion (7.4.2.12).
Escoger una estructura significa escoger los rdenes de todos los polinomios
que intervienen. En muchas ocasiones esta eleccin lleva a simplificaciones
tpicas de la estructura general PEM de (7.4.2.12).
Ejemplo 7.6.1
Supngase un sistema dinmico cuyo comportamiento puede aproximarse por
la siguiente ecuacin en diferencias:
y(t) 1.5y(t 1) + 0.7y(t 2) = 2.5u(t 2) + 0.9u(t 3)
La ecuacin anterior corresponde a un modelo ARX en el que:
A(q1) = 1- 1.5q1 + 0.7q2
B(q1) = 0 + 0q1 + 2.5q2 + 0.9q3

40

Funciones para identificacin de modelos paramtricos

Todas las funciones del Toolbox de Identificacin para identificacin
paramtrica responden al siguiente formato de llamada:
th = funcion ([y u], ths)
donde y y u son vectores columna que contienen las muestras de salida y
entrada respectivamente, ths es un vector con informacin sobre la estructura
escogida y th es el modelo estimado en formato codificado (formato theta).
Se utilizar una funcin u otra dependiendo del tipo de modelo escogido
(ARX, ARMAX, OE, BJ) o el mtodo de ajuste de los parmetros (mnimos
cuadrados o variables instrumentales).
El formato del vector ths es el siguiente:
ths = [na nb nc nd nf nk]
siendo na, nb, nc, nd y nf el nmero de coeficientes de los polinomios A,
B, C, D y F de la estructura escogida, y nk el nmero de retardos entre la
entrada y la salida. En caso de que el modelo escogido no tenga alguno/s de
los polinomios anteriores, se suprimen del vector anterior el/los componente/s
correspondientes a dicho/s polinomio/s.
Todas las funciones devuelven los parmetros del modelo en formato
codificado. Para presentar dichos parmetros en pantalla puede utilizarse la
funcin:
present(th)
que muestra por cada polinomio del modelo un vector que contiene los
coeficientes del mismo comenzando por el trmino independiente a la
izquierda, y continuando con las potencias crecientes del operador retardo q1.
41

La tabla 7.6.1 muestra las distintas funciones de identificacin paramtrica

disponibles en el Toolbox de Identificacin:
Tabla 7.6.1. Funciones para la identificacin paramtrica y presentacin de
modelos paramtricos.
ar
Estimacin de un modelo AR*.
armax Estimacin de un modelo ARMAX*.
arx
Estimacin de un modelo ARX*.
bj
Estimacin de un modelo Box-Jenkins*.
oe
Estimacin de un modelo Output Error*.
pem
Estimacin de un modelo lineal genrico*.
ivar
Estimacin de un modelo AR usando variables instrumentales.
ivx
Estimacin de un modelo ARX usando variables instrumentales.
iv4
Estimacin de un modelo ARX usando variables instrumentales
de 4 etapas.
presen Presentacin de modelos paramtricos en formato theta.
t
*Usando mnimos cuadrados recursivos
Ejemplo 7.6.2
Utilice los datos de entrada-salida del Toolbox de Identificacin
correspondientes a un secador de mano proporcionados en el fichero (dryer2).
Obtenga un modelo que se ajuste a la siguiente estructura:
y(t) + a1y(t T) + a2y(t 2T) = b1u(t 3T) + b2u(t 4T)
La ecuacin anterior corresponde a un modelo ARX con dos coeficientes para
el polinomio A, dos para el polinomio B y tres retardos entre la entrada y la
salida. La funcin arx permite obtener los coeficientes del modelo por el
mtodo de mnimos cuadrados recursivos, para que ste se ajuste a los datos
de entrada salida contenidos en la matriz datos_ident:
th=arx(datos_ident,[2 2 3]);
42

present(th)

Eleccin de la estructura ptima

La eleccin de la estructura del modelo es una de las decisiones ms
importantes y difciles que debe tomar el diseador. Si no se tiene ningn
conocimiento del sistema que facilite dicha eleccin, puede recurrirse a varias
funciones del Toolbox de Identificacin que permiten calcular las funciones de
prdidas de muchas estructuras, y escoger de entre ellas aqulla cuyo resultado
sea ptimo. Estas funciones se muestran en la tabla 7.6.2.
Tabla 7.6.2. Funciones para la seleccin de la estructura ptima de un modelo.
arxstruc Clculo de las funciones de prdidas de un conjunto de estructuras
ARX.
ivstruc
Clculo de las funciones de prdidas de un conjunto de estructuras
OE.
selstruc Seleccin de la estructura con menor funcin de prdidas.
struc
Generacin de un conjunto de estructuras.
Ejemplo 7.6.3
Para el ejemplo del secador de mano, obtenga la estructura que mejor ajusta el
comportamiento del sistema a un modelo ARX. La funcin struc devuelve una
matriz con todas las estructuras resultantes de combinar los rdenes na, nb y
nk pasados como parmetros de entrada. La funcin arxstruc, a la cual se le
pasan la matriz de datos de identificacin, la de datos de validacin y la de
estructuras generada anteriormente, devuelve las funciones de prdidas de
todas las estructuras. Por ltimo, la funcin selstruc selecciona de todas las
estructuras aqulla que presenta una menor funcin de prdidas.
nn=struc([1:10],[1:10],[1:10]);
v=arxstruc(datos_ident,datos_val,nn);
nn=selstruc(v)

43

donde se obtiene que nn = 10 5 2. Por tanto, la estructura ARX ptima para

los datos del secador de mano es aqulla que tiene diez coeficientes para A(q1), 5 para B(q-1) y dos retardos entre la entrada y la salida.

7.7 PROBLEMAS Y EJERCICIOS

Ver el documento Tema 3_problemes.pdf bajado de la pagina web del curso
Identificacin de sistemas orientado por los profesores Teresa Escobet y
Bernardo Morcego de la Escola Universitria Politcnica de Manresa [Escobet
et al., 2003].

FUENTES
Van den Hof Paul M.J., Bombois Xavier, System Identication for
Control. Lecture Notes DISC Course. Delft Center for Systems and
Control. Delft University of Technology. March, 2004
Escobet Teresa, Morcego Bernardo, Identificacin de sistemas. Notas de
clase. Departament d'Enginyeria de Sistemes, Automtica i Informtica
Industrial. Escola Universitria Politcnica de Manresa. 2003
Kunusch Cristian, Identificacin de Sistemas de Dinamicos. Catedra de
Control y Servomecanismos. Universidad Nacional de La Plata,
Facultad de Ingenieria, Dpto. de Electrotecnia. 2003
Lpez Guilln, M Elena, Identificacin de Sistemas. Aplicacin al
modelado de un motor de continua. Universidad de Alcal de Henares,
Departamento de Electrnica. Enero, 2002.
Rengifo Carlos Felipe, Identificacion de Sistemas. Notas de Clase.
Departamento de Electronica, Control e Instrumentacion. Universidad
del Cauca. Marzo 2005.

44