Professional Documents
Culture Documents
LISA
Universit dAngers - ISTIA
62 av. Notre Dame du Lac
49000 Angers
lagrange@istia.univ-angers.f r
E3I2
ENSIETA
2 rue F. Verny
29806 BREST
jaulin@ensieta.f r
LIS
INPG - UJF
46 Avenue F. Viallet
38000 Grenoble
Christian.Jutten@inpg.f r
Cet article traite du problme destimation des paramtres de systmes non linaires
temps continus pour lesquels les signaux dentres ne sont pas mesurs. Lobjectif est de montrer quuniquement partir dhypothses statistiques faibles sur les entres inconnues (telle
lindpendance), il est possible didentifier les paramtres inconnus dun systme.
Tout dabord, nous formalisons cette notion sous le nom didentifiabilit en aveugle par analogie avec lidentifiabilit au sens classique (lorsque les entres et sorties sont connues). Des
conditions ncessaires et suffisantes didentifiabilit sont introduites et illustres sur des exemples.
Ensuite, nous prsentons une mthodologie de rsolution de ce problme destimation paramtrique en aveugle ainsi que des simulations. A noter que loriginalit de la mthode destimation
en aveugle propose repose sur lutilisation conjointe de rsultats sur les drives des signaux
alatoires et des techniques de rsolution danalyse par intervalles qui ont lavantage dtre
globale et garantie.
RSUM.
This paper deals with the parameter estimation problem of nonlinear systems when
the input signals are not measured. The aim is to show that it is possible to identify the system
parameters only from weak statistical assumptions on the unknown inputs (such independency).
A formalization of this concept, call blind identifiability, is introduced by analogy with identifiability (when the inputs and outputs are known).
Finally, an illustration of these results is given considering various examples and simulations
in the particular case where the unknown inputs are supposed to be independent. It should be
added that the originality of the blind estimation method proposed is based on results concerning random signal derivatives with interval analysis techniques which remain guaranteed.
ABSTRACT.
MOTS-CLS :
KEYWORDS:
1. Introduction
Dans ce papier, nous nous intressons la classe des modles paramtrs inversibles, cest--dire o les entres dpendent des sorties et de leurs drives jusqu un
ordre fini. Formellement, un systme inversible paramtr de degr relatif r scrit
sous la forme
Figure 1. Systme hydraulique form de deux bacs remplis deau relis par un canal.
Ce systme, rgi par les quations dtats suivantes, (voir par exemple [JAU 05])
p
p
y 1 (t) = bp2gy1 (t) a.sign (y1 (t) y2 (t)) p2g |y1 (t) y2 (t)| + u1 (t)
y 2 (t) = b 2gy2 (t) + a.sign (y1 (t) y2 (t)) 2g |y1 (t) y2 (t)| + u2 (t)
(2)
(3)
o u (t) = (u1 (t) , u2 (t)) , y (t) = (y1 (t) , y2 (t)) , p = (a, b)T et la fonction
est dfinie par
p
p
y 1 (t) + bp2gy1 (t) + a.sign (y1 (t) y2 (t)) p2g |y1 (t) y2 (t)|
=
.
y 2 (t) + b 2gy2 (t) a.sign (y1 (t) y2 (t)) 2g |y1 (t) y2 (t)|
(4)
Le systme des bacs deau est donc un systme inversible (de degr relatif 1).
Dans ce papier, nous nous intressons au problme destimation des paramtres
de systmes inversibles non linaires, dcrits par (1), dans un contexte "en aveugle",
cest--dire o les entres ne sont pas mesures [AKH 03]. Seules les sorties y (t) sont
mesures et des hypothses statistiques faibles sur les entres inconnues sont mises
(comme lindpendance).
Par exemple, considrons lexemple 1 o seules les sorties (y1 , y2 ) sont mesures.
Si lhypothse dindpendance des entres (u1 , u2 ) est raliste, les paramtres (a, b)
pourraient tre estims uniquement partir de la connaissance des sorties, sans aucune
autre mesure.
Notons que pour ce problme o linformation initiale est pauvre, notre objectif est, dans un premier temps, de nous intresser lidentifiabilit des paramtres
"en aveugle" (i.e. sans la connaissance des entres). Nous poursuivrons ce papier en
proposant une mthode destimation de p prouvant ainsi que la connaissance des entres nest pas toujours ncessaire lidentification ; des hypothses statistiques faibles
peuvent suffire.
o
p P| p, y (t) , . . . , , y(r) (t) M .
(5)
Dans ce papier, nous considrons uniquement le modle dentres nots MIs =
{H1 , H2 } o les hypothses Hi sont dfinies par :
H1 = "Le vecteur dentres u appartient S n , o S est lensemble des signaux alatoires stationnaires, ergodiques et lisses".
R
h:
(6)
(u1 , u2 ) E(u1 u2 ) E(u1 )E (u2 )
est une fonction destimation. Ces fonctions sont construites de faon sannuler
lorsque les hypothses statistiques du modle dentres M sont satisfaites. Par exemple,
si les signaux dentres u1 et u2 sont supposs dcorrls, la fonction destimation (6)
peut tre utilise.
Le problme destimation
de paramtre
en aveugle se formalise de la manire sui
o
P = p P | h p, y, . . . , y(r)
=0 .
(7)
y (t) et ses drives y(i) (t) sont connus. Toutefois, mme dans ce cadre idal o y (t)
et ses drives y(i) (t) sont connues, il nexiste, notre connaissance, aucune mthode
gnrale pour estimer p.
Remarque 3 Notons que lidentification de p implique la connaissance de u via la
fonction et les signaux y(i) connus (voir lgalit (1)). Le problme destimation
de paramtres en aveugle prsente donc de fortes similitudes avec le problme de
sparation aveugle de sources qui consiste estimer les signaux dentres u partir
de lobservation de mlanges de ces signaux et laide dhypothses statistiques sur
ces derniers [JUT 91, COM 94, BEL 95, CAR 96, HYV 01, CIC 02].
Ce papier sorganise de la manire suivante. Dans la section 2, nous commenons
par noncer les principales proprits de lindpendance statistique qui seront exploites dans la suite. Dans la section 3, nous formalisons le concept didentifiabilit en
aveugle et prsentons des conditions didentifiabilit en aveugle de systmes inversibles paramtrs. La section 4 prsente la mthodologie de rsolution propose dans
ce papier. Cette mthode repose sur la construction de fonctions destimation adaptes au modle dentres M considr. Ces fonctions destimation, qui exploitent les
rsultats de la section 2, ont pour rle de traduire en terme dquations les hypothses
statistiques du modle dentres. Rappelons que nous nous intresserons uniquement
aux fonctions destimation pour le modle dentres indpendant, not MIs . Enfin,
dans la section 5, nous proposons une simulation illustrant notre dmarche afin destimer en aveugle les paramtres du systme inversible non linaire de lexemple 1.
2. Quelques rsultats concernant les signaux alatoires indpendants
Le problme destimation de paramtres en aveugle mettant en jeu des hypothses
statistiques sur les signaux dentres inconnues, nous commenons par introduire les
proprits essentielles du modle dentres MIs exploit dans ce papier. Ces proprits seront utilises afin, dune part, dtablir des conditions didentifiabilit en aveugle
et, dautre part, de construire des fonctions destimation adaptes en vue de lidentification des paramtres.
Cette partie rappelle quelques dfinitions et rsultats concernant les drives de signaux alatoires issues de [GUI 80, BLA 81, PIC 89]. Afin dviter dalourdir les notations, les rsultats prsents concernent uniquement des vecteurs de deux signaux
T
altaoires u = (u1 , u2 ) . La gnralisation aux vecteurs de n signaux alatoires
T
u = (u1 , . . . , un ) ne prsente aucune difficult. Commenons par noncer la dfinition de lindpendance de signaux alatoires.
Dfinition 1 Soit F lensemble des fonctions dfinies de RR dans R. Les signaux
alatoires u1 et u2 sont statistiquement indpendants si f1 , f2 , F , les variables
alatoires x1 = f1 (u1 ) , x2 = f2 (u2 ) sont statistiquement indpendantes, i.e.
px1 ,x2 = px1 px2 ,
(8)
avec pxi et px1 ,x2 , respectivement, les densits de probabilit marginales et conjointe
des variables alatoires xi .
Dans la suite, lindpendance de deux signaux alatoires u1 , u2 et deux variables
alatoires x1 , x2 sera respectivement not Is (u1 , u2 ) et Iv (x1 , x2 ).
Maintenant, la proposition suivante prsente lensemble des fonctions qui conservent
lindpendance statistique.
Proposition 1 Soient F lensemble des fonctions dfinies de RR valeurs dans RR et
(u1 , u2 ) deux signaux alatoires, on a
Is (u1 , u2 ) g1 , g2 F, Is (g1 (u1 ) , g2 (u2 )) .
(9)
(10)
RR
R
, i = 1, 2.
hi :
ui (t) fi (gi (ui (t)))
Sachant que Is (u1 , u2 ) et hi F, on a Iv (h1 (u1 ) , h2 (u2 )), i.e.
Iv (f1 (g1 (u1 )) , f2 (g2 (u2 ))). Daprs (10), on obtient Is (g1 (u1 ) , g2 (u2 )).
() Trivial avec g1 = g2 = Id.
Exemple 2 Les deux fonctions suivantes
RR
RR
g1 :
2
u (t) 7 u (t) + exp (u (t))
RR
7 cos (u (t))
(11)
appartenant F, on a Is (u1 , u2 ) Is (u21 + exp (u 1 ) , cos (u2 )).
et g2 :
RR
u (t)
u1 = g1 (u)
u1 et u2 sont dpendants.
u2 = g2 (u)
(12)
3.1. Dfinition
?
p , y, . . . , y(r) M
= p
= p? ,
(13)
p
, y, . . . , y(r) M
En dautres termes, pour un systme est
en aveugle, il suffit de trouver
identifiable(r)
M pour que le vecteur p
un vecteur de paramtres p
tel que u
= p
, y, . . . , y
ainsi obtenu soit une estime de p? . Notons que la notion didentifiabilit en aveugle
est dfinie relativement un modle dentres M.
avec u? = p? , y, . . . , y(r) et u
= p
, y, . . . , y(r) .
).
Figure 2. Systme H(p? , p
Ce systme
sobtienten deux tapes : Tout dabord, il faut inverser le systme
= p
.
y dans le second systme u
, y, . . . , y(r) pour obtenir u
) dun systme inverLexemple suivant illustre la construction du systme H(p? , p
sible donn.
Exemple 3 Considrons le systme inversible des bacs deau de lexemple 1 dcrit
par les quations (4). On a
p
p
u?1 (t) = y 1 (t) + p?2 p2gy1 (t) + p?1 sign (y1 (t) y2 (t)) p2g |y1 (t) y2 (t)|
u?2 (t) = y 2 (t) + p?2 2gy2 (t) p?1 sign (y1 (t) y2 (t)) 2g |y1 (t) y2 (t)|
(15)
et
p
p
u
1 = y 1 (t) + p2 p2gy1 (t) + p1 sign (y1 (t) y2 (t)) p2g |y1 (t) y2 (t)|
u
2 = y 2 (t) + p2 2gy2 (t) p1 sign (y1 (t) y2 (t)) 2g |y1 (t) y2 (t)|
(16)
) est donc
Lexpression du systme H(p? , p
p
p
y 1 (t) = p?2 p2gy1 (t) p?1 sign (y1 (t) y2 (t)) p2g |y1 (t) y2 (t)| + u?1 (t)
?
?
y 2 (t) = p?2 2gy2 (t) +
pp1 sign (y1 (t) y2?(t)) 2g |y1 (t) y2 (t)|
p + u2 (t)
?
?
u
= u1 (t) + (
p2 p2 )p2gy1 (t) + (
p1 p1 )sign (y1 (t) y2 (t)) p2g |y1 (t) y2 (t)|
1
u
2 = u?2 (t) + (
p2 p?2 ) 2gy2 (t) + (p?1 p1 )sign (y1 (t) y2 (t)) 2g |y1 (t) y2 (t)|
(17)
est la sortie.
Il sagit dun modle dtat o y est ltat, u? est lentre et u
) peut tre vue comme le "transfert" entre les entres engenLe systme H(p? , p
. Lintroduction
dres par les paramtres p? et celles engendres par les paramtres p
de ce systme nous permet dobtenir une condition ncessaire et suffisante didentifiabilit en aveugle selon le modle dentres indpendantes.
3.2.2. Conditions didentifiabilit en aveugle selon le modle dentres
indpendantes MIs
Dans ce paragraphe, nous prsentons une condition didentifiabilit en aveugle
selon le modle dentres indpendantes.
(18)
?
u = p? , y, . . . , y(r)
MIs
p
= p? .
(19)
u
= p
, y, . . . , y(r) MIs
La contrapose de cette limplication nous donne
?
/ MIs
u = p? , y, . . . , y(r)
ou
p
6= p?
.
u
= p
, y, . . . , y(r)
/ MIs
(20)
/ MIs
u = p? , y, . . . , y(r)
)
ou
H(p? , p
/ F.
(21)
(r)
u
= p
, y, . . . , y
/ MIs
Par consquent, en combinant (20) et (21), on obtient
)
p
6= p? H(p? , p
/ F.
(22)
) F p
H(p? , p
= p? .
(23)
) F p
H(p? , p
= p? .
(24)
ou encore
() Supposons que
Par dfinition de F, on a
?
u = p? , y, . . . , y(r)
MIs
) F.
H(p? , p
u
= p
, y, . . . , y(r) MIs
(25)
10
?
u = p? , y, . . . , y(r)
MIs p
= p? ,
(26)
(r)
, y, . . . , y
MIs
u
= p
Nous illustrons cette condition didentifiabilit en aveugle selon le modle dentres indpendantes sur deux exemples simples.
Exemple 4 (Systme non identifiable en aveugle) Considrons le systme inversible
u1
1 p1
y1
=
(27)
u2
p2 1
y2
). Sachant que
et le modle dentres MIs et dterminons le systme H(p? , p
?
?
y1
y1
u1
u1
1 p?1
1
p?1
1
=
,
=
?
?
1p1 p2
y2
y2
1
u?2
u?2
p?2 1
p?2
) scrit
le systme H(p? , p
u
1
1
=
u
2
p2
1
?
1p?
1 p2
p1
1
?
u1
1
p?1
1
u?2
p?2
{z
}
y
u?1
p?1 + p1
.
?
u?2
1 p1 p2
1
1 p?1 p?2
|
1 p1 p?2
p?2 + p2
u
1
u1
1 p1 p?2 p?1 + p1
1
= 1p? p?
est dcoupl = p
= p? .
1 2
u
2
p?2 + p2 1 p?1 p2
u?2
|
{z
}
M
?
1 p1 p?2 = 0
p?1 + p1 = 0
ou
.
?
1 p1 p2 = 0
p?2 + p2 = 0
Et, en rsolvant ces deux systmes dquations dinconnus p
, on obtient
(
p1 = p1?
p1 = p?1
2
et
.
p2 = p?2
p2 = p1?
(28)
Donc, daprs le thorme 1, le systme (27) nest pas identifiable en aveugle selon
MIs (voir solutions du systme dquations (28)).
11
p2 p?2 = 0
.
(29)
p1 p?1 = 0
= u? ). Donc, daprs le
Et donc, il faut ncessairement p1 = p?1 et p2 = p?2 (ainsi u
thorme 1, le systme (2) est identifiable en aveugle selon le modle dentre indpendantes MIs .
4. Mthode destimation en aveugle
Rappelons que la rsolution du problme destimation de paramtres en aveugle
repose sur la construction de fonctions destimation adaptes dont le rle est de traduire les hypothses statistiques M sur les signaux dentres en quations (appeles
quations destimation) du type h (u) = 0 (voir paragraphe 1.2). Ainsi, pour chaque
modle dentres M, nous allons construire une fonction destimation h adapte de
telle sorte que
u M = h (u) = 0.
(30)
et de caractriser lensemble P = {p P | h((p, y, . . . , y(r) )) = 0}.
Remarque 5 Notons que, bien que la fonction destimation h soit nulle, il est possible que les signaux u ne vrifient pas M. Trouver une fonction h de telle sorte que
la condition de suffisance pour (30) soit vrifie est un problme extrmement complexe au del de lobjectif de ce papier. Cependant, dans la mesure o les techniques
danalyse par intervalles mises en oeuvre sont garanties (aucun solution nest perdue
[JAU 01]), lensemble des zros de h est dtermin. Ainsi, si plusieurs zros pour h
sont obtenus alors que le systme considr est identifiable en aveugle (voir paragraphe 3.2.2 pour tester lidentifiabilit en aveugle), le nombre de composantes pour
h peut tre augment afin didentifier les paramtres solutions de faon unique. Inversement, considrons maintenant un systme complexe pour lequel il est impossible de
tester lidentifiabilit en aveugle de ces paramtres. Si lensemble des zros de h est un
singleton, on peut garantir (a posteriori) lidentifiabilit en aveugle des paramtres.
Dans un premier temps, nous montrerons comment de telles fonctions peuvent tre
construites dans le cas particulier du modle dentres MIs considr jusqu prsent.
Puis, pour terminer, nous approximons ces fonctions afin dobtenir une expression
analytique caractrisant lensemble solution P.
2. La condition (de dcouplage) quivalente u?2 = g1 (
u1 ) et u?1 = g2 (
u2 ) est ici impossible,
puisque u?1 dpendent explicitement de u
1 et u?2 de u
2 .
12
(`)
(k)
(k)
(`)
(i) u(k) ,u(`) ( ) = E ui (t) uj (t )
i
(`)
(31)
si k + ` 1,
(32)
(t) uj (t )) E(ui
(t))E(uj (t )),
(ii) k1 + `1 = k2 + `2
`1 `2
u(k2 ) ,u(`2 ) ( ).
i
(33)
Preuve : Voir [BLA 81]. Lide de la preuve repose sur les deux galits suivantes :
(k)
dk+` ui uj ( )
.
dk+`
(34)
(k)
(ui
(l)
et uj sont dcorrls)
Pour simplifier, nous posons = 0 afin dutiliser uniquement linfluence des drivations successives des fonctions dintercorrlation et notons u(k) ,u(l) u(k) ,u(l) (0).
i
Dautre part, en remarquant daprs la proposition 2 quil existe des relations entre
certains moments (par exemple u(2) ,uj = u(1) ,u(1) ) et dans le but dliminer ces
i
k=0,...,q
h:
u
7
u(k) ,uj
i=1,...,n1, j=i+1,...,n
T
h (u) = u1 ,u2 , u(1) ,u2 , u(2) ,u2
1
(35)
13
En pratique, lentier q est choisi de faon ce que le nombre dquations destimation (les composantes de h) soit suprieur ou gal au nombre dinconnues (les
paramtres). Plus q est grand, plus le nombre dquations est grand par rapport au
nombre dinconnues, et on peut ainsi esprer obtenir une estimation robuste.
Remarquons que nous utilisons uniquement des moments dordre deux dans la fonction
destimation
(35).
Toutefois, des moments dordres suprieurs (comme par exemple
E u 3i uj , E u i u
5j , . . . ) peuvent tre ajouts [J.L 97].
g(p) , h p, y, y,
. . . , y(r)
= 0.
Dans la pratique, il est impossible dobtenir une expression analytique de la fonction
g. En effet, si le systme est non linaire ou instable, alors le signal y est rarement
stationnaire, mme si u S n . Et, mme si les signaux sont stationnaires, les esprances statistiques ne peuvent qutre estims. Nous allons dtailler, sur un exemple
simple, comment il est possible dobtenir une estimation empirique de g.
Considrons le systme inversible dcrit par lquation suivante
u = (p, y, y)
= y + p sin y,
(36)
= E y y + py 2 cos y + p
y sin y + p2 y sin y cos y .
(37)
(38)
E(x)
=
x(k ),
(39)
N
k=0
(40)
(41)
La fonction g(p) est approxime par un polynme du second degr g(p) dont les
coefficients sont connus puisque le signal y est connu.
14
5. Simulation
Dans cette partie, nous considrons le systme des bacs deau de lexemple 1. Nous
supposons que les entres inconnues u sont indpendantes (modle dentres MIs ),
puis nous construisons une fonction destimation adapte afin destimer en aveugle les
paramtres inconnus p = (a, b) partir de la mesure des sorties y.
Rappelons que le systme considr est dcrit par les quations suivantes :
p
p
u1
y 1 (t) + bp2gy1 (t) + a.sign (y1 (t) y2 (t)) p2g |y1 (t) y2 (t)|
=
.
u2
y 2 (t) + b 2gy2 (t) a.sign (y1 (t) y2 (t)) 2g |y1 (t) y2 (t)|
(42)
Pour la simulation de ce systme, nous considrons deux entres u1 et u2 indpendantes Is (u1 , u2 ) et gaussiennes Gs (u1 ) , Gs (u2 ) obtenues par filtrage dun bruit
blanc gaussien de N = 9000 chantillons avec une priode de 0.01 (voir figure 3). A
noter que par la suite, le caractre gaussien des entres nest pas exploite. Les deux
valeurs des paramtres sont p?1 = a? = 0.3 et p?2 = b? = 0.5. Les sorties correspondantes sont reprsentes sur la figure 4.
u1 u2
E (u1 u2 ) E (u1 ) E (u2 )
h=
=
(43)
u 1 u2
E (u 1 u2 )
qui fournit deux quations (autant que de paramtres inconnus). Cette fonction destimation sannule lorsque les entres u1 et u2 , et u 1 et u2 sont dcorrles. A noter
15
que nous nous plaons ici dans la situation limite o lon dispose dautant dquations
que dinconnus, toutefois, il est clair que nous pouvons ajouter des composantes supplmentaires la fonction h afin damliorer lestimation et ainsi exploiter plus en
profondeur lhypothse dindpendance.
Par une dmarche similaire au paragraphe 4.2, la condition h(u) = 0 peut tre approxime par
1 u2 ) E(u
1 )E(u
2) = 0
E(u
(44)
u 1 u2 )
E(
= 0
Daprs les quations (42) et sachant que
gby 1 (t)
gay 1 (t)
+p
,
u 1 (t) = y1 (t) + p
2y1 (t)
2 |y1 (t) y2 (t)|
(45)
on obtient
1)
E(u
p
y 1 ) + b2g E(
y1 ) + a2g E(sign
E(
(y1 y2 ) |y1 y2 |),
2)
E(u
p
y 2 ) + b2g E(
y2 ) a2g E(sign
E(
(y1 y2 ) |y1 y2 |),
1 u2 )
E(u
p
y 1 y 2 ) + b2g E(
y 2 y1 + a2g E(
y 2 sign (y1 y2 ) |y1 y2 |)
= E(
y 1 y2 ) + 2gb2 E(
+ 2gbE(
p y1 y2 )
+2gabE(sign
(y1 y2 ) yp
2 |y1 y2 |)
a 2g E(y 1 sign (y1 y2 ) |y1 p
y2 |)
1 y2 |),
ab 2g E(
2gy1 sign (y1 y2 ) 2g |y1 y2 |) 2a2 g E(|y
ga
1 y 2
y1 y 2 ) + gb E(
y
y 1 y 2
= E(
y1 y2 )
2
y1 ) + 2 E( |y1 y2 | ) + b 2g E(
q
q
y2
y 1 y2 ) + gabE(
y 1
+b2 g E(
)
y1
p |y1 y2 |
a 2g E(
y1 sign (y1 y2q
) |y1 y2 |)
2|
u 1 u2 )
E(
6. Conclusion
Dans cet article, nous nous sommes intresss au problme destimation de paramtres dun systme lorsque ses entres sont inconnues. Prcisons que, dans ce
16
N
2
(
p1 (N ) p1 )
2
(
p2 (N ) p2 )
100
4, 8.102
7, 8.102
600
1, 1.102
3, 5.102
1000
1, 1.102
1, 4.102
6000
104
103
10000
2, 5.105
9.105
16000
105
3.106
contexte difficile, notre objectif nest pas de fournir une estimation robuste des paramtres, mais simplement de montrer que ce problme, basiquement considr insoluble, peut tre rsolu en utilisant des hypothses faibles sur les entres. Lintrt de
ces hypothses faibles est quelles sappliquent pour une grande gamme de signaux et
donc de problmes.
Dans un premier temps, aprs avoir prsent quelques rsultats gnraux sur les drives de signaux alatoires, nous avons introduit la notion didentifiabilit en aveugle
selon un modle dentre. Cette nouvelle notion, fortement inspire de lidentifiabilit
structurelle, caractrise les chances de succs de lidentification des paramtres sans
connatre les entres. Nous avons, en particulier, tudi le deux modle dentres indpendantes, pour lequel nous avons tabli des conditions formelles didentifiabilit
en aveugle.
Dans un second temps, nous avons propos une dmarche originale de rsolution du
problme destimation en aveugle pour une grande classe de systme paramtr (incluant les systmes plats). Notre mthode de rsolution repose sur la construction de
fonctions destimation qui permettent destimer les paramtres. En particulier, lutilisation des moments des signaux et de leurs drives permet dintroduire (en thorie)
un nombre arbitraire dquations et destimer les paramtres de faon aveugle.
Ainsi, bien que les entres et les paramtres du modle soient inconnus, nous avons
montr quuniquement partir dhypothses statistiques sur ces dernires, lestimation
des paramtres tait possible. Malheureusement, nous ne sommes pas encore capables
de prsenter des conditions rigoureuses de ce rsultat nouveau dans la mesure o il
existe sans doute des distributions de signaux dentres pathologiques pour lesquelles
les fonctions destimation choisies se rvlent inadaptes. Par exemple, les composantes de la fonction destimation peuvent tre linairement dpendantes faisant ainsi
chouer notre mthode.
Toutefois, la mthode de rsolution que nous proposons utilise des techniques danalyse par intervalles qui ont lavantage tre globales et garanties. Ainsi, bien quaucune
preuve dunicit des paramtres ne soit donne, notre mthode fournit lensemble des
paramtres compatibles (avec la fonction destimation choisie). Lintrt de lutilisation des outils danalyse par intervalles est majeur puisque, mme dans le cas o
lidentifiablilit en aveugle dun systme ne peut tre teste (par exemple pour des
systmes complexes), lanalyse par intervalles nous donne une information a posteriori sur lidentifiabilit en aveugle du systme. En effet, si une unique solution est
obtenue (comme ces le cas dans de lexemple prsent), alors le systme considr
est, sans aucun doute, identifiable en aveugle selon le modle fix.
17
Pour conclure, prcisons que notre mthode de rsolution (qui exploite autant dquations que dinconnues) nest clairement pas robuste. En effet, lorsque les sorties sont
bruites, lorsque le nombre dchantillons est faible, lorsque le modle nest pas parfaitement connu (e.g. lordre r est inconnu) ou lorsque les signaux dentres sont non
stationnaires, la mthode propose ne conduit pas une estimation efficace des paramtres. En perspectives, il serait donc intressant de raliser une tude de robustesse
en particulier de vrifier que lorsque les sorties sont bruites ou lorsque peu dchantillons sont disponibles, lestimation des paramtres est encore possible moyennant
lajout dquations supplmentaires.
7. Bibliographie
[AKH 03] A KHENAK A., C AHLDI M., M AQUIN D., R AGOT J., Sliding mode multiple observer for fault detection and isolation , 42nd IEEE Conf. on Decision and Control, vol. 1,
Hawaii, USA, december 2003, p. 953-958.
[BEL 95] B ELL T., S EJNOWSKI T., An Information-Maximization Approach to Blind Separation and Blind Deconvolution , Neural Computation, vol. 7, 1995, p. 1004-1034.
[BLA 81] B LANC -L APIERRE A., P ICINBONO B., Fonctions Alatoires, Masson, Paris, 1981.
[CAR 96] C ARDOSO J. F., L AHELD B., Equivariant Adaptive Source Separation. , IEEE
Transactions on Signal Processing, vol. 44, no 12, 1996, p. 3017-3030.
[CAR 97] C ARDOSO J. F., Infomax and Maximum Likelihood for Blind Source Separation , IEEE Signal Processing Letters, vol. 4, no 4, 1997, p. 112-114.
[CIC 02] C ICHOCKI A., A MARI S., Adaptative Blind Signal and Image Processing : Learning
algoritms and applications, John Wiley, 2002.
[COM 94] C OMON P., Independent Component Analysis, a new concept ? , Signal Processing, vol. 36, no 3, 1994, p. 287314.
[FLI 95] F LIESS M., L VINE J., M ARTIN P., ROUCHON P., Flatness and defect of non linear
systems : Introductory theory and examples , Int J. Control, no 61, 1995, p. 1327-1361.
[GUI 80] G UIKHMAN I., S KOROKHOD A., Introduction la thorie des processus alatoires,
Editions Mir, 1980.
[HYV 01] H YVARINEN A., K ARHUNEN J., O JA E., Independent Component Analysis, John
Wiley, 2001.
[JAU 01] JAULIN J., K IEFFER M., D IDRIT D., WALTER E., Applied Interval Analysis, Springer, 2001.
[JAU 05] JAULIN L., Reprsentation dtat pour la modlisation et la commande des systmes,
Herms - Lavoisier, 2005.
[J.L 97] J.L. L ACOUME P. A., C OMON P., Statistiques dordre suprieur pour le traitement
du signal, Masson dition, 1997.
[JUT 91] J UTTEN C., H RAULT J., Blind Separation of Sources, Part I : an adaptative Algorithm Based on Neuromimetic Architecture , IEEE Transactions on Signal Processing,
vol. 24, 1991, p. 110.
[MOO 79] M OORE R., Methods and Applications of Interval Analysis, Society for Industrial
and Applied Mathematics, Philadelphia, 1979.
18
[OLL 90] O LLIVIER F., Le problme de lidentifiabilit structurelle globale : approche thorique, mthodes effectives et bornes de complexit , PhD thesis, Ecole Polytechnique,
1990.
[PIC 89] P ICINBONO B., Thorie des signaux et des systmes, Dunod, 1989.
[WAL 97] WALTER E., P RONZATO L., Identification of parametric models from experimental
data, Springer, 1997.