Modellizzazione di processi non stazionari
Transcript
Modellizzazione di processi non stazionari
ELABORAZIONE dei SEGNALI nei SISTEMI di CONTROLLO Lezione 9: Modellizzazione di processi non stazionari • Motivazioni • Processo di Wiener • Proprietà qualitative • Processi ARIMA • Esempi di realizzazioni 7-1 Modellistica dei processi non stazionari: Motivazioni I processi non stazionari sono, molto spesso, la risposta ad ingressi stazionari di sistemi dinamici non lineari, o lineari ma instabili, o descrivono il comportamento durante il transitorio. Pertanto la loro caratterizzazione è strettamente collegata a quella del sistema dinamico che li produce. Tuttavia, in molte applicazioni, dove questa informazione non è disponibile, nasce la necessità di parametrizzare in maniera semplice famiglie di processi non stazionari, sulla falsariga di quanto fatto per i processi stazionari. Questo può avvenire in due modi: • Concentrando la non stazionarietà nella funzione di media: essa non è costante, ma ad es., una sinusoide, una rampa etc. • Usando filtri formatori marginalmente stabili (cioè con alcuni poli sul cerchio di raggio 1). L’esempio più illustre di processo non stazionario del secondo tipo è il processo di Wiener. 7-2 Il processo di Wiener TD Il processo di Wiener TD {W (t)}t∈Z è definito dall’equazione ricorsiva: w(t) = w(t − 1) + e(t), t > 0, w(0) = 0 (1) con {E(t)}t∈Z rumore bianco, gaussiano, a media nulla e di varianza φe . Formalmente w(t) = H(z) e(t), con H(z) = 1/(1 − z −1) (2) Tuttavia {W (t)} non può essere considerato un processo AR(1). Le proprietà delle sue realizzazioni sono qualitativamente diverse. Infatti: △ • W (t) non è stazionario; posto Rw (t, s) = E[ W (t) W (s) ] si ha: Rw (t, t) = t φe Rw (t, s) = min{t, s} φe (3) Si noti come la varianza del processo cresca col passare del tempo (diffusione), mentre la sua memoria non va a zero al crescere di k = |s − t|. • Il processo non è ergodico. Intuitivamente non si possono ricavare da una singola realizzazione, ancorché protratta nel tempo, informazioni corrette sui valori medi (primo e secondo momento) del processo stesso. 7-3 Realizzazione processo di Wiener Processi di Wiener 1.5 3 1 2 y y 0.5 1 0 0 −0.5 −1 0 20 40 60 80 −1 100 3 0 50 100 150 200 0 200 400 600 800 4 3 2 y y 2 1 1 0 −1 0 0 100 200 300 400 −1 Realizzazioni di un processo su orizzonti temporali crescenti 7-4 Processi ARIMA (AutoRegressivi Integrati a Media Mobile) I processi ARIMA sono una generalizzazione del processo di Wiener. Sono formalmente definiti come generati, a partire da un rumore bianco, dal filtro formatore H(z) = 1 C(z) ∆(z) A(z) (4) dove ∆(z) = 1 − z −1 (5) ∆(z) = 1 − 2 cos ω0 z −1 + z −2 (6) per processi a carattere diffusivo; per processi a carattere oscillatorio (intorno alla pulsazione ω0 ). I processi ARIMA sono non stazionari e non ergodici. Tuttavia il processo filtrato: Yf (k) = ∆(z) Y (k) (7) è un processo ARMA, quindi stazionario ed ergodico. 7-5 Esempi di realizzazioni ARIMA 4 40 30 2 20 0 y y 10 0 −2 −10 −4 −6 −20 0 20 40 60 80 −30 100 50 0 20 40 60 80 100 0 20 40 60 80 100 10 5 y y 0 0 −5 −10 −50 0 20 40 60 80 100 −15 Realizzazioni di processi ARIMA 1 1−0.8z −1 π −1 z + z −2; 6 Fig 11: ∆ = 1; H = H0 = . Fig 12: ∆ = 1 − z −1; H = H0 Fig 21: ∆ = 1 − 2 cos H = H0 Fig 22: ∆ = 1 − 2 cos π3 z −1 + z −2; H = H0 . 7-6