Please use this identifier to cite or link to this item: http://repositorio.unicamp.br/jspui/handle/REPOSIP/334924
Type: TESE DIGITAL
Degree Level: Doutorado
Title: Propostas para modelagem computacional on-line de dados de séries temporais e de sistemas altamente não lineares
Title Alternative: Proposals for on-line computational modeling of highly nonlinear time series and systems data
Author: Alegria, Elvis Omar Jara, 1986-
Advisor: Bottura, Celso Pascoli, 1938-
Abstract: Resumo: Esta tese apresenta duas propostas para modelagem computacional de dados de séries temporais e de sistemas altamente não lineares. Cada proposta aproxima os dados a um modelo de regressão não linear, mas linear nos parâmetros, onde os parâmetros são funções desconhecidas que dependem de variáveis conhecidas, que chamamos regressores causais. Assim, propomos chamar estes modelos como AutoRegressivos com Parâmetros Dependentes de Regressores Causais (ARX-RDP). A principal dificuldade para estimar modelos ARX-RDP é que seus parâmetros podem variar muito rapidamente. A nossa primeira proposta de modelagem, divide o problema de estimação de parâmetros com dinâmicas muito variáveis, em subproblemas de estimação de parâmetros com dinâmicas suavizadas localmente. Deste modo, múltiplos sub-modelos locais com parâmetros suavizados, são estimados utilizando um filtro de mínimos quadrados recursivo convencional. Esta técnica está inspirada nos métodos clássicos de linearização por partes e no método de reordenamento de dados para suavizar parâmetros rápidos, de Peter Young. A segunda proposta é um método de estimação de parâmetros completamente On-Line, obtido como resultado de uma análise da modelagem de cada parâmetro, no domínio do seu regressor causal associado, ao invés de no domínio do tempo, como usual. Deste modo, um estimador recursivo, conformado pelo preditor causal proposto e por um corretor de mínimos quadrados convencional, é obtido. Até onde conhecemos, todos os métodos On-Line alternativos para estimar modelos ARX-RDP, na literatura, precisam de uma etapa de estimação Off-Line prévia. Por isto denominamos esta proposta como estimador completamente On-Line. Múltiplos exemplos são apresentados para abordar diversos casos de modelagem de dados: Modelamento caixa-preta, modelagem MIMO, estimação de parâmetros multi-dependentes. Finalmente tratamos o controle adaptativo tipo Proporcional-Integral-Plus de sistemas descritos por modelos ARX-RDP e apresentamos um exemplo de aplicação

Abstract: This thesis presents two proposals for computational modeling of highly nonlinear time series and systems data. Each proposal approximates the data to a nonlinear regression model, but linear in the parameters, where the parameters are unknown functions that depend on known variables, that we call causal regressors. We call these models as AutoRegressive with Causal Regressors Dependent Parameters (ARX-RDP). The main difficulty for estimating ARX-RDP models is that their parameters may vary very quickly. Our first proposal of modeling, divides the problem of fast variable parameters dynamics estimation, into parameter estimation subproblems with locally smoothed dynamics. Thus, multiple local sub-models with smoothed parameters variations are estimated using conventional recursive least squares filters. This technique is inspired by classical methods of piecewise linearization and by the Peter Young's method of data reordering of fast parameters smoothing. The second proposal is a completely On-Line parameter estimation method, obtained as a result of a data modeling procedure for each parameter, in the domain of its associated causal regressor, rather than in the time domain, as usual. Thus, a recursive parameter estimator, conformed by the proposed causal predictor and by a conventional least squares corrector, is obtained. As far as we know, all alternative existing On-Line methods for estimating ARX-RDP models in the literature require a previous Off-Line estimation step. This is why we call this proposal an on-line parameter estimator. Multiple examples are presented to address several cases of data modeling: black box systems, MIMO modeling, multi-dependent parameters modeling. Finally, the adaptive Proporcional-Integral-Plus control of ARX-RDP systems is treated and an application example is presented
Subject: Modelagem de dados
Modelos não-lineares (Estatistica)
Sistemas não-lineares
Séries temporais
Análise de regressão
Language: Português
Editor: [s.n.]
Citation: ALEGRIA, Elvis Omar Jara. Propostas para modelagem computacional on-line de dados de séries temporais e de sistemas altamente não lineares. 2019. 1 recurso online (156 p.) Tese (doutorado) - Universidade Estadual de Campinas, Faculdade de Engenharia Elétrica e de Computação, Campinas, SP. Disponível em: http://www.repositorio.unicamp.br/handle/REPOSIP/334924. Acesso em: 7 May. 2020.
Date Issue: 2019
Appears in Collections:FEEC - Tese e Dissertação

Files in This Item:
File SizeFormat 
Alegria_ElvisOmarJara_D.pdf7.96 MBAdobe PDFView/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.