2/17/2016

SE 513: System Identification
Lecture 4: 
Simulation and prediction

Dr. Sami El Ferik, KFUPM,  Term 152. 1

Objectives:

• Describe how to predict future output values
• Illustrate different use of system descriptions

Dr. Sami El Ferik, KFUPM,  Term 152. 2

1
 2/17/2016

Expected Outcomes

• Formulate k‐step‐ahead prediction of v(t)
• Formulate k‐step‐ahead prediction of y(t)
• Introduce inverse noise model.
• Compute the different terms in the prediction equation. 

Dr. Sami El Ferik, KFUPM,  Term 152. 3

Lecture Outlines

• Prediction
• One‐step‐ahead prediction of v.
• One‐step‐ahead prediction of y.
• Unknown initial conditions.
• k‐step‐ahead prediction of y.

Dr. Sami El Ferik, KFUPM,  Term 152. 4

2
 2/17/2016

• Assume that the system is described by

• Where e(t) is white noise with variance

(3.4)
• Using convolution, we know that 

with
and h(0)=1, (monic)
Dr. Sami El Ferik, KFUPM,  Term 152. 5

Noise inverse model

• Assumption: Noise model in invertible 

(3.6)

Dr. Sami El Ferik, KFUPM,  Term 152. 6

3
 2/17/2016

Noise inverse model

Dr. Sami El Ferik, KFUPM,  Term 152. 7

Example:

1‐0.8z‐1

Z Z‐0.8
Z
‐0.8
‐0.8
0

Dr. Sami El Ferik, KFUPM,  Term 152. 8

4
 2/17/2016

Example 2:

Dr. Sami El Ferik, KFUPM,  Term 152. 9

Z‐transform table

Sequence z-Transform ROC

δ[n] 1 All values of z

u[n] |z| > 1

αnu[n] |z| > |α|

nαnu[n] |z| > |α|

(n+1) αnu[n] |z| > |α|

(rn cos ωon) u[n] |z| > |r|

(rn sin ωon) u[n] |z| > |r|

Dr. Sami El Ferik, KFUPM,  Term 152. 10

5
 2/17/2016

Practice

• Compute the inverse model of the noise filter 

Dr. Sami El Ferik, KFUPM,  Term 152. 11

Example 3.1: Practice

• Assume

• What will be the inverse of the noise model?

Dr. Sami El Ferik, KFUPM,  Term 152. 12

6
 2/17/2016

One step‐ahead prediction of  v

• The one step prediction of v(t) knowing all the all past up to t‐1 is 
given by

Dr. Sami El Ferik, KFUPM,  Term 152. 13

One step‐ahead prediction of  v

Dr. Sami El Ferik, KFUPM,  Term 152. 14

7
 2/17/2016

Example 3.3

Auto‐regressive

Dr. Sami El Ferik, KFUPM,  Term 152. 15

One step ahead prediction of y(t)

Dr. Sami El Ferik, KFUPM,  Term 152. 16

8
 2/17/2016

One step ahead prediction of y(t)

Dr. Sami El Ferik, KFUPM,  Term 152. 17

• Define

• Then

Dr. Sami El Ferik, KFUPM,  Term 152. 18

9
 2/17/2016

Example

Dr. Sami El Ferik, KFUPM,  Term 152. 19

The prediction error equation

• e(t) is called the innovation at time t.

Dr. Sami El Ferik, KFUPM,  Term 152. 20

10
 2/17/2016

K‐step‐ahead prediction of  v

Expand 

Dr. Sami El Ferik, KFUPM,  Term 152. 21

Dr. Sami El Ferik, KFUPM,  Term 152. 22

11
 2/17/2016

• Let’s define

• then

Dr. Sami El Ferik, KFUPM,  Term 152. 23

Example

• H(q)=1+0.8q‐1+0.82q‐2+…..

• What will be

Dr. Sami El Ferik, KFUPM,  Term 152. 24

12
 2/17/2016

K‐step‐ahead prediction of  y
• Recall

• define

Dr. Sami El Ferik, KFUPM,  Term 152. 25

Prediction error

Dr. Sami El Ferik, KFUPM,  Term 152. 26

13
 2/17/2016

Other method to find a k‐ahead predictor for  
y(t)
• Advantage: independent from noise characteristic (H(q))

• If W(q) has an exponential decay, the prediction of y(t) will be less 
erroneous with respect to the initial values.

Dr. Sami El Ferik, KFUPM,  Term 152. 27

Dr. Sami El Ferik, KFUPM,  Term 152. 28

14
 2/17/2016

Summary

Dr. Sami El Ferik, KFUPM,  Term 152. 29

Assignment

• Your assignment is as follows:
• 1‐ Problems: 3E.1, 3E.2, 3T.1 and 3D.2
• 2‐ Practice: Redo examples and practice problems done in class

• Reading: Read Chapter 4.

Dr. Sami El Ferik, KFUPM,  Term 152. 30

15