5. 5 Identification
Il existe de nombreuses approches pour identifier un système, dont l'une des plus pertinentes est l'identification paramétrique. C'est à celle-ci que nous limiterons le bref exposé qui suit. Les systèmes considérés sont linéaires stationnaires à temps discret. Ils sont supposés être des filtres causaux et stables, représentés par leur « fonction de transfert » F(q—1) [où q—1 est l'opérateur de retard], qui est à interpréter ici comme l'opérateur de convolution associé. Considérons le modèle M défini par
y(t) = G(q—1, θ) u(t) + H(q—1, θ) w(t) (23)
où le vecteur de paramètres θ est une variable aléatoire à valeurs dans ℝN et w est un bruit blanc à temps discret (c'est-à-dire une suite de variables aléatoires réelles, indépendantes et centrées, de variance E[w(t)2] = σ2 : cf. calcul des probabilités) ; on suppose que le filtre G(q—1, θ) est strictement causal, que H(q—1, θ) est bicausal, bistable et vérifiant H(0, θ) = 1 (ceci sans perte de généralité grâce au « théorème de factorisation spectrale causale directe et inverse ») et que w(t) est indépendant de θ et des entrées u(ô) [cette dernière hypothèse excluant le cas où l'on identifie un système en boucle fermée] ; G et H sont des fractions rationnelles. Soit le système à identifier Σ ayant pour équation
y(t) = Ĝ(q—1) u(t) + Ĥ(q—1) w(t), où Ĥ(0) = 1.
Ce système est dit identifiable à l'aide du modèle M s'il existe une valeur unique vθ de θ telle que G(q—1, vθ) = Ĝ(q—1) et H(q—1, vθ) = Ĥ(q— […]
… pour nos abonnés, l'article se prolonge sur 17 pages…
