Adaptation robuste de la mthode du propagateur

lidentification rcursive des sous-espaces

Guillaume MERCERE1,2 , Stphane LECUCHE1,3 , Christian VASSEUR1
1
Laboratoire dAutomatique, Gnie Informatique et Signal
Btiment P2, USTL, 59655 Villeneuve dAscq Cedex
2
Ecole dIngnieurs du Pas de Calais
Campus de la Malassise, BP39, 62967 Longuenesse Cedex
3
Ecole des Mines de Douai
941, rue Charles Bourseul, BP 838, 59508 Douai Cedex

gmercere@eipc.fr, lecoeuche@ensm-douai.fr, Christian.Vasseur@univ-lille1.fr

Rsum Lobjectif de cet article est de prsenter un nouvel
algorithme didentification rcursive des sous-espaces dont
la qualit premire est sa stabilit numrique. Cette am-
lioration concerne plus prcisment la phase de mise jour
dun oprateur linaire appel propagateur, oprateur par-
tir duquel il est facile de construire une base de lespace
dobservabilit. Nous montrons que, par application de rota-
tions hyperboliques et de Givens, il est possible dimposer la
dfinie-positivit de certaines matrices, condition ncessaire
la robustesse numrique de lalgorithme. Par ailleurs, la
description dune technique particulire destimation rcur-
sive dun vecteur concentrant lensemble des informations
des donnes dentre-sortie est galement dveloppe. Son
principal avantage est de possder un cot calculatoire plus
faible que la mise jour dune factorisation QR utilise jus-
quici. La partie application met en vidence les bnfices
de ces deux techniques sur un exemple de simulation.
Mots-cls Identification rcursive, mthodes des sous-
espaces, lemme dinversion matricielle, rotations hyperbo-
liques, rotations de Givens, stabilit numrique.
I. Introduction
Le problme didentification que nous souhaitons r-
soudre consiste estimer rcursivement une ralisation
dtat du systme tudi chaque mise jour des don-
nes dentr-sortie perturbes. Les solutions proposes au
sein de cet article sont fondes sur une approche de type
sous-espaces. Elles sinspirent plus particulirement de la
dmarche suivie par les techniques didentification MOESP
[1]. Leur objectif premier est dobtenir une estime consis-
tante de la matrice dobservabilit du systme, directement
partir des donnes dentre-sortie, sans calcul explicite du
vecteur dtat. Il est en effet ais den extraire ensuite des
estimes fiables des matrices dtat du systme [2]. Puisque
la reprsentation dtat est plurielle, nous nous intressons
plus prcisment lestimation rcursive dune base de les-
pace dobservabilit. Plusieurs solutions ont t proposes
dans la littrature [3], [4], [5], [6]. Lune dentre elles [7]
repose sur ladaptation de la mthode du propagateur [8]
notre problme didentification. Cette technique, nomme
EIVPM, permet dobtenir une estime consistante dune
base du sous-espace dobservabilit partir dun problme
doptimisation de type moindres carrs quil est facile de
minimiser par des algorithmes rcursifs simples. Elle sap-
puie plus prcisment sur deux tapes :
la mise jour, en ligne et partir des donnes dentre-
sortie perturbes, dun vecteur particulier nomm vec-
teur dobservation,
lobtention dune estime de la matrice dobservabilit
par estimation rcursive de loprateur propagateur.
Jusquici, la premire phase reposait soit sur une approxi-
mation [9], soit sur la mise jour dune factorisation QR
[10]. Afin dviter limprcision de la premire solution tout
en attnuant le cot calculatoire de la seconde, nous pro-
posons dactualiser, chaque acquisition, une projection
orthogonale particulire (cf. III) laide du lemme din-
version matricielle [11]. Enfin, puisque nous avons remar-
qu quune des matrices de covariance exploites par lalgo-
rithme EIVPM pouvait tre mal conditionne et non semi-
dfinie positive, nous exposons une amlioration de lalgo-
rithme de minimisation en imposant des conditions de sta-
bilit numrique (cf. IV-B). Cette robustesse est atteinte
en contraignant la dfinie positivit de cette matrice de co-
variance via lutilisation de rotations hyperboliques et de
Givens [11].
II. Problmatique et notations
Considrons la reprsentation dtat dun modle discret
linaire dordre n dfini par :
x(t + 1) = Ax(t) + Bu(t) + w(t)
(1)
y(t) = Cx(t) + Du(t)
o u(t) Rm1 et y(t) Rl1 sont respectivement les vec-
teurs dentre et de sortie non perturbes, x(t) Rn1 le
vecteur dtat et w(t) Rn1 le bruit dtat. Les vecteurs
dentre et de sortie sont caractriss de la faon suivante :
u(t) = u(t) + f (t)
(2)
y(t) = y(t) + v(t)
avec f (t) Rm1 et v(t) Rl1 des bruits de mesure.
Les bruits sont supposs tre trois vecteurs de bruit blanc
statistiquement indpendants. Nous faisons de plus lhypo- en la mise jour, chaque nouvelle acquisition, de les-
thse que la ralisation dtat du modle est minimale. time du vecteur dobservation zi . La solution propose
Comme prcis dans lintroduction, les mthodes dve- dans la suite de cette section sappuie sur ladaptation, au
loppes au sein de cet article sinspirent dune technique cas rcursif, dun problme similaire rencontr en identi-
particulire du traitement du signal. Afin de mettre en vi- fication hors ligne des sous-espaces : liminer de lespace
dence lanalogie entre la problmatique didentification et Imcol {Yt,i,j } le terme relatif Imcol {Hi } :
celle rencontre en traitement dantennes [12], introduisons
le vecteur de sorties dcales yi (t) Rli1 suivant : Zt,i,j = Yt,i,j Hi Ut,i,j (8)
T o Yt,i,j Rlij et Ut,i,j Rmij sont les matrices de
yi (t) = yT (t) yT (t + i 1) (3) Hankel des donnes dentre-sortie :

o i est un entier fix par lutilisateur tel que i > n et y(t) y(t + j 1)
t = t + i 1. Il est alors facile de montrer rcursivement y(t + 1)
y(t + j)

que ce vecteur vrifie1 : Yt,i,j = .. . . .
. . (9)
. . .
yi (t) = i x(t i + 1) + Hi ui (t) y(t + i 1) y(t + i + j 2)
+ Hw wi (t) Hi fi (t) + vi (t) (4)
| i {z } En effet, lanalogie entre ces deux situations est facilement
bi (t) mise en vidence en considrant les galits suivantes2 :

avec i Rlin la matrice dobservabilit du systme : Zt,i,j+1 = Yt,i,j+1 Hi Ut,i,j+1

i = CT (CA)T (CAi1 )T , (5)
Hi Rlimi la matrice de Toeplitz contenant les para-
lini
mtres de Markov du procd et Hw i R la matrice
de Toeplitz associe au bruit dtat. La similitude entre le
problme didentification par approche des sous-espaces et
celui de la dtection des directions darrive est alors natu-
relle [10] si lquation (4) est rcrite de la faon suivante :
zi (t) = yi (t) Hi ui (t) = i x(t i + 1) + bi (t).
Cette analogie permet alors de dcomposer notre problme
didentification en deux tapes :
1. la mise jour du vecteur dobservation zi partir des
nouvelles donnes dentre-sortie (cf. III) :
zi (t) = yi (t) Hi ui (t),
2. lestimation dune base de la matrice dobservabilit (cf.
IV) partir de ce nouveau vecteur en adaptant la mthode
du propagateur [7], [8].
Sur ces deux tapes vient se greffer une troisime phase im-
prative en identification des systmes : la suppression des
effets des perturbations. En effet, en traitement dantennes,
la variance du bruit est, la plupart du temps, suppose pro-
portionnelle lidentit, hypothse laquelle ne droge pas
la mthode du propagateur [8], [13]. Cette condition tant
trop restrictive pour tre applique des processus rels, il
est essentiel dinclure une tape de traitement des pertur-
bations afin de fournir des estimations consistantes quelque
soit le type de bruit agissant sur le procd. Cette opration
est ralise en parallle lestimation dune base de lespace
= Yt,i,j yi (t + 1) Hi Ut,i,j ui (t + 1)
= Yt,i,j Hi Ut,i,j yi (t + 1) Hi ui (t + 1)
= Zt,i,j zi (t + 1) .
(10)
La mise jour de la matrice de Hankel Zt,i,j permet donc
davoir accs au vecteur dobservation linstant t + 1. Il
serait donc intressant dajuster la technique destimation
hors ligne de Zt,i,j+1 notre problme rcursif afin dob-
(6) tenir zi (t + 1). En identification des sous-espaces, dans le
cas dterministe, le calcul de Zt,i,j+1 est ralis laide de
la projection orthogonale sur le noyau de Ut,i,j+1 [2] :
Zt,i,j+1 = Yt,i,j+1 U
t,i,j+1
. (11)
Or, dans la plupart des situations rencontres en identifica-
(7) tion, ces matrices sont composes de donnes bruites. Pour
pallier le manque de consistance de lestimateur prcdent
dans le cas stochastique, la stratgie suivie au sein de cet ar-
ticle consiste traiter leffet des perturbations au cours de
la seconde phase destimation. Nous pouvons donc consid-
rer, au cours de cette premire tape, que le problme envi-
sag est dterministe et ainsi analyser la projection (11), le
biais destimation tant annul lors du calcul de la matrice
i . La mthode propose jusquici [4], [10], [16] consistait
mettre jour la factorisation QR suivante3 :
Ut,i,j+1 R11 (t + 1) 0mili Q1 (t + 1)
= (12)
Yt,i,j+1 R21 (t + 1) R22 (t + 1) Q2 (t + 1)
sachant que [2] :
Yt,i,j+1 U = R22 (t + 1)Q2 (t + 1). (13)
t,i,j+1

dobservabilit en introduisant une variable instrumentale
[14] particulire au sein du critre minimis (cf. IV-A).
III. Estimation du vecteur dobservation par mise
jour dune projection orthogonale
Comme prcis dans la section prcdente, la premire
tape de notre technique didentification rcursive consiste
1 u (t), wi (t), fi (t) et vi (t) sont dfinis de manire similaire yi (t).
i
Cette technique, robuste numriquement, prsente lincon-
vnient de ncessiter un nombre doprations assez cons-
quent (cf. III-B). La solution dveloppe dans cet article
repose sur la mise jour directe de la projection orthogo-
nale Yt,i,j+1 Ut,i,j+1
.
2 t= t + i + j 2.
3 Il est dmontr dans [10] que cette mise jour fournit, au signe
prs, une estimation fiable du vecteur dobservation.
A. Mise jour directe de la projection orthogonale * Finalement, nous obtenons :
Lobjectif est dajuster, notre problme de mise jour,
une technique propose par H. Oku [15]. Pour cela, consi- Yj+1 Uj+1
= Yj Uj 0
drons quun nouveau couple de donnes est accessible 1
linstant t + 1 = t + i + j 1. Les matrices de Hankel den- + 2 Yj UTj i yi iT Uj
+ i
tre et de sortie sont alors modifies de la faon suivante4 : h i
= Yj 1 T
Uj 2 + zi i Uj
i
z
2 + i i
(25)
Yj+1 Yj yi
z }| { z }| { z }| {
Yt,i,j+1 = [ Yt,i,j yi (t + 1)] (14) avec :
Ut,i,j+1 = [ Ut,i,j ui (t + 1)]. (15)
zi = 2 yi Yj UTj i . (26)
| {z } | {z } | {z } + i
Uj+1 Uj ui
La relation entre zi et zi est dmontre en considrant
Lide est de mettre jour directement la relation suivante :
le produit Zj+1 ZTj+1 . En effet, partir de lquation (11),
Yj+1 U = nous avons :
j+1
n 1 o
Yj+1 I UTj+1 Uj+1 UTj+1 Uj+1 (16) Zj+1 ZTj+1 =
T
T
afin destimer le vecteur dobservation zi . Pour cela, calcu- Yj+1
Uj+1 Y j+1
Uj+1 = Yj+1
Uj+1 Yj+1 . (27)
lons, dans un premier temps, la projection orthogonale sur
le noyau de Uj+1 tape par tape : Or, en associant les quations (14) et (25), il est facile de
1 montrer que :
U = I UTj+1 Uj+1 UTj+1
j+1
Uj+1 . (17)
T 2 T T
* A partir de (15) : Yj+1
Uj+1 Yj+1 = Yj Uj Yj + zi zi . (28)

Uj+1 UTj+1 = 2 Uj UTj + ui uTi . (18) Ainsi :

* En appliquant le lemme dinversion matricielle [11] (18), Zj+1 ZTj+1 = 2 Yj T T
Uj Yj + zi zi . (29)
nous obtenons : De plus, nous savons que :
1 1 T

2
Uj+1 UTj+1 = Uj UTj 2i+i / (19)
i ZTj
Zj+1 ZTj+1 = Zj zi = 2 Zj ZTj + zi zTi . (30)
en posant : zTi
1
i = Uj UTj ui (20) Puisque Yj T T
Uj Yj = Zj Zj , la relation suivante est alors
i = uTi i . (21) vidente :
zi = zi . (31)
* En multipliant (19) droite par Uj+1 :
1 1 La mise jour du vecteur zi est ainsi ralisable en appli-
Uj+1 UTj+1 Uj+1 = Uj+1 UTj+1 Uj ui quant lalgorithme rcursif (nomm IM) suivant :
h n o i
1
T 1 i iT i
U U U U +i . (22)
j j j j 2 1
2
+i i = Uj UTj ui (32a)
* En multipliant (22) gauche par UTj+1 : i = uTi i (32b)


UTj+1 Uj+1 UTj+1
1
Uj+1 = zi = 2 yi Yj UTj i (32c)
+ i
" #
1 T
UTj Uj UTj Uj UTj 2i+i i Uj UTj 2+
i
Yj+1 Uj+1 = Yj UTj + yi uTi
T 2
(32d)
iT i
i . (23) 1
Uj 1 T 2
2 + i 2 +i Uj+1 UTj+1 = Uj UTj 2i+i i / . (32e)
* La projection orthogonale sur le noyau de Uj+1 vaut :
Il est important de noter que les dimensions des matrices
U = Ij+1 UTj+1 (Uj+1 UTj+1 )1 Uj+1 = composant lalgorithme (32) nvoluent pas au cours de la
j+1

rcursion.
U
j
z }| { B. Complexit
I UT (U UT )1 U +UT i iT U UT i =
j j j j j j +i
2 j j +i
2
iT
2 + U 2 Il est intressant de remarquer que la technique propose
j 2
+i
i
T prcdemment prsente certains avantages calculatoires en
Uj 0 1 Uj i T comparaison avec le cot numrique de la mthode base
+ 2 i Uj . (24)
0 0 + i sur la mise jour de la factorisation QR (12) [10], [16].
4 est un facteur doubli facultatif permettant de pondrer leffet
Le nombre de multiplications ncessaires est rduit ainsi
des donnes passes. t, i et t + 1 sont supprimes afin dallger les que la capacit de stockage mmoire utile (cf. tab. I). Cest
quations. lintrt majeur de lalgorithme IM.
 Complexit Mmoire
2 m 2 2
QR O(4mi (l + 2 )) (m + l) i
2
IM O(2mi (l + m)) mi (m + l) 2
TABLE I
Complxit et espace mmoire de deux techniques
destimation du vecteur dobservation.
IV. Algorithme robuste pour lestimation
rcursive de la matrice dobservabilit
Nous venons de voir quil est possible destimer le vecteur
dobservation chaque instant laide dun algorithme de
faible cot calculatoire. La seconde tape consiste donc
estimer rcursivement une base de lespace dobservabilit,
une estimation consistante des matrices dtat du systme
tant ralisable partir de cette dernire [2]. Plus prcis-
ment, il sagit de dvelopper un algorithme de minimisation
plus robuste que celui propos jusquici [10] afin dassu-
rer la fiabilit des estimes. Il est malgr tout ncessaire
de faire quelques rappels sur la technique du propagateur
applique en identification afin de mettre en vidence les
lacunes possibles de lalgorithme EIVPM [9], [10].
Il dcoule de la minimisation du critre suivant :
t
X 2
J(P) = tk kzi2 (k) T (k) PT zi1 (k) T (k)kF (36)
k=1
pour lequel est un facteur doubli permettant de pond-
rer les donnes passes, R1 ( > n) une variable
instrumentale suppose non corrle avec le bruit mais suf-
fisamment corrle avec ltat et {zi1 , zi2 } des sous-vecteurs
de zi correspondant au dcoupage {i1 , i2 } de i [7].
B. Amlioration de EIVPM : algorithme EIVsqrtPM
Comme tout algorithme de type moindres carrs rcur-
sifs, une condition ncessaire de stabilit numrique est
dimposer, chaque itration, que la matrice M soit semi-
dfinie positive. De par sa formule de mise jour (cf. (35h)),
cette condition ne peut tre vrifie. En effet, mme si la
matrice M est semi-dfinie positive linstant t, lexpres-
sion :
1
M(t + 1) = 2 M(t) M(t)(t + 1) ((t + 1)
1 T
+T (t + 1)M(t)(t + 1) (t + 1)M(t) (37)

A. Algorithme EIVPM ne respecte pas cette proprit linstant t + 1 puisque :

Supposons que {A, C} soit observable. On dfinit le pro-
pagateur P Rlin comme lunique oprateur tel que : (t + 1) + T (t + 1)M(t)(t + 1) =
"
T (t + 1) I RTzi1 (t)M(t)Rzi1 (t) (t + 1)
i1 I
i = i1 = = nT i1 (33) + zTi1 (t + 1)M(t)Rzi1 (t)(t + 1)
i2 PT i1 P

+ T (t + 1)RTzi (t)M(t)zi1 (t + 1)
avec i1 Rnn une sous-matrice de i contenant n lignes 1 (38)
zTi1 (t + 1)M(t)zi1 (t + 1)
linairement indpendantes de i et i2 Rlinn la sous-
matrice complmentaire. Il est facile de montrer que : possde deux valeurs propres de signe oppos, I
RTzi (t)M(t)Rzi1 (t) tant une matrice semi-dfinie po-
In 1
spancol {i } = spancol . (34) sitive. Il est alors impossible de garantir une bonne conver-
PT
gence de EIVPM (ou tout autre algorithme utilisant la
Ainsi, en supposant que lordre est a priori connu, une es- technique EIV [14]). La solution propose jusquici reposait
time du sous-espace engendr par les colonnes de i est sur lvaluation de M partir de lquation (35h), de lex-
accessible via lestimation de P. Deux algorithmes desti- traction de la partie triangulaire suprieure puis de lutili-
mation du propagateur ont t proposs dans [7]. Le plus sation de sa proprit de symtrie pour complter sa mise
efficace est lalgorithme EIVPM dont les formules de mise jour [3]. La technique dveloppe au sein de cette section est
jour sont les suivantes : plus fiable puisquelle utilise des outils mathmatiques ro-
bustes. Elle consiste en ladaptation, au cas multivariable,

g(t + 1) = Rzi2 (t)(t + 1) zi2 (t + 1) (35a) dun algorithme de mise jour de la mthode de la variable
T instrumentale tendue propose par B. Porat et B. Fried-
(t + 1)(t + 1)
(t + 1) = (35b) lander [17]. Lide sous-jacente est de calculer, chaque
0
itration, la racine carre de M, condition suffisante la
(t + 1) = Rzi1 (t)(t + 1) zi1 (t + 1) (35c) vrification de la semi-dfinie positivit de M.
T
K(t + 1) = (t + 1) + (t + 1) Supposons donc que la matrice M soit semi-dfinie posi-
1
(35d) tive linstant t. Si tait galement semi-dfinie positive,
M(t)(t + 1)) T (t + 1)M(t) il serait possible dcrire M(t + 1) de la faon suivante :
PT (t + 1) = PT (t)
(35e) 1
+ g(t + 1) PT (t)(t + 1) K(t + 1) M(t + 1) = 2 M1/2 (t)MT /2 (t)

Rzi1 (t + 1) = Rzi1 (t) + zi1 (t + 1) T (t + 1) (35f) T
M (t) (t + 1)M1/2 (t)
1/2 T
1/2 (t + 1)T /2 (t + 1)
T
Rzi2 (t + 1) = Rzi2 (t) + zi2 (t + 1) (t + 1) (35g)
1 T 1
T 1/2 T 1/2
M(t + 1) = 2 (M(t) M(t)(t + 1)K(t + 1)) (35h) + (t + 1)M (t) (t + 1)M (t)

1
avec M(t) = Rzi1 (t)RTzi1 (t) . (35i) T (t + 1)M1/2 (t)MT /2 (t) . (39)
La mise jour des diffrents lments composant cette ex- avec L11 et L22 deux matrices triangulaires infrieures de
pression serait alors accessible en considrant la matrice dimension respective 2 2 et n n. Ainsi :
suivante :
J 0
1/2 W(t + 1) WT (t + 1)
(t + 1) T (t + 1)M1/2 (t) 0 In
W(t + 1) = (40)
0 M1/2 (t)
J 0

= W(t + 1)Rot RotT WT (t + 1)
0 In
puisque :
L 0 J 0 LT11 LT21
= 11 . (48)
L21 L22 0 In 0 LT22
W(t + 1)WT (t + 1) =

(t + 1) + T (t + 1)M(t)(t + 1) T (t + 1)M(t) Les galits suivantes sont alors vrifies :
M(t)(t + 1) M(t)
(t + 1)JT (t + 1)
(41) (49)
+ T (t + 1)M(t)(t + 1) = L11 JLT11
contient les composantes de M(t + 1). M(t)(t + 1) = L21 JLT11 (50)
Malheureusement, (cf. equ. (35b)) nest pas semi-
M(t) = L21 JLT21 + L22 LT22 . (51)
dfinie positive. Elle peut cependant tre rcrite de la fa-
on suivante : A partir, de lexpression (50) :
"p #
T (t + 1)(t + 1) 0 L21 = M(t)(t + 1)LT
11 J
1
. (52)
(t + 1) = T T
(t+1)(t+1) (t+1)(t+1) Ainsi, avec (49), (52) et (35d), lquation (51) devient :
p
T (t + 1)(t + 1)

1 0
(42)
T
(t+1)(t+1) L22 LT22 = M(t) L21 JLT21 = M(t)
0 1 T
0 1 T
(t+1)(t+1) M(t)(t + 1) L11 JLT11 (t + 1)MT (t)
T
= (t + 1)J (t + 1) = M(t) M(t)(t + 1)K(t + 1) = 2 M(t + 1). (53)

avec J matrice de signature de [11]. Ainsi, en posant : Donc :

1
M1/2 (t + 1) = L22 . (54)

(t + 1) T (t + 1)M1/2 (t)
W(t + 1) = , (43) De plus :
0 M1/2 (t)
1 T
lexpression (41) est modifiable comme suit : K(t + 1) = L11 JLT11 (t + 1)MT (t)
1
= L11 JLT11 L11 JLT21 = LT T
11 L21 (55)

J 0
W(t + 1) WT (t + 1) = donc :
0 In T
K(t + 1) = L21 L1
11 . (56)
(t + 1) + T (t + 1)M(t)(t + 1) T
(t + 1)M(t)
. Lalgorithme complet devient alors :
M(t)(t + 1) M(t)
(44)
g(t + 1) = Rzi2 (t)(t + 1) zi2 (t + 1) (57a)
"p #
Ltape suivante consiste donc mettre jour la matrice T (t + 1)(t + 1) 0
(t + 1) = T (57b)
W(t + 1). En se rfrant [11], nous savons quil existe (t+1)(t+1) T (t+1)(t+1)
une matrice RotH R22 compose de rotations hyper-
(t + 1) = Rzi1 (t)(t + 1) zi1 (t + 1) (57c)
boliques telle que :
Trouver la matrice de rotations Rot telle que :
(RotH )J(RotH )T = J et RotH triangulaire infrieure.

(t + 1) T (t + 1)M1/2 (t) L11 0
(45) Rot =
0 M1/2 (t) L21 L22
De mme, pour toute rotation de Givens RotG [11] : (57d)
1
(RotG )I(RotG )T = I. (46) M1/2 (t + 1) = L22 (57e)

T
La mthode adapte de [17] consiste associer ces deux K(t + 1) = L21 L1 11 (57f)
types de rotations afin de les appliquer la matrice W(t+1) PT (t + 1) = PT (t)
de telle sorte que leurs actions cumules fournissent une (57g)
matrice triangulaire : + g(t + 1) PT (t)(t + 1) K(t + 1)
Rzi1 (t + 1) = Rzi1 (t) + zi1 (t + 1) T (t + 1) (57h)
RotH 0 L 0
W(t + 1) = 11 (47) Rzi2 (t + 1) = Rzi2 (t) + zi2 (t + 1) T (t + 1). (57i)
0 RotG L21 L22
| {z }
Rot Il sera dsormais nomm EIVsqrtPM.
 V. Application
Lobjectif de cette simulation est de mettre en vidence
la robustesse numrique de lalgorithme EIVsqrtPM (57)
et de comparer le cot calculatoire de lalgorithme IM (32)
avec celui de la mise jour de la factorisation QR [10].
Pour cela, considrons le systme suivant :
0.9 0.5 0.5
x(t + 1) =
0 0.3 x(t) + 0.5 u(t) (58)
y(t) = ( 0.3 0.6 ) x(t) + v(t)
pour lequel u et v sont deux bruits blancs gaussiens de
moyenne nulle et de variance respective 1 et 0.1. Dans un
premier temps, les deux algorithmes tudis utilisent lalgo-
rithme (32) pour estimer le vecteur dobservation. La figure
1 semi-dfinie positivit de certaines matrices.
0.8
0.6
0.4
Valeurs propres
0.2
0 state space models given in innovations form from input output
Valeurs propres thoriques
Valeurs propres avec EIVPM
0.2
Valeurs propres avec EIVsqrtPM
0.4
0.6
0 100 200 300 400 500 600
Echantillons
Fig. 1. Comparaison des algorithmes EIVPM et EIVsqrtPM.
1 illustre la fiabilit de lalgorithme EIVsqrtPM en compa-
raison avec EIVPM. Sur 1000 appels de fonctions, le condi-
tionnement de la matrice M est en moyenne de lordre de
150. On peut remarquer que la technique EIVPM prsente
des difficults estimer les valeurs propres du systme alors
que EIVsqrtPM fournit des estimes non biaises. De plus,
le trac des valeurs propres obtenues avec EIVPM est beau-
coup plus chaotique que celui produit avec EIVsqrtPM. En
revanche, EIVsqrtPM prsente linconvnient daugmenter
le temps de calcul par comparaison avec EIVPM. En ef-
fet, sur un Pentium IV 2.4GHz, lalgorithme (35) est, en
moyenne, 3 fois plus rapide que lalgorithme (57) pour ra-
liser le mme calcul. Ainsi, une tude du conditionnement
de la matrice M est justifie pour choisir parmi ces deux
algorithmes, EIVPM ayant montr de bonnes dispositions
sur des systmes matrice M bien conditionne [10].
Mthodes Sub IM QR
Dure adimensionne 1 0.7 1.1
TABLE II
Comparaison du temps de calcul des trois mthodes.
La seconde partie de simulation concerne le temps de
calcul accord lestimation du vecteur dobservation. Sur
cet exemple entre bien conditionne (bruit blanc), toutes
les techniques fournissent des estimes consistantes. Le ta-
bleau II prsente la comparaison des trois algorithmes sur
1000 appels de fonction : la mthode de soustraction (Sub)
[7], la mthode QR [10] et lalgorithme IM. Ces rsultats
confirment les avantages numriques de lalgorithme (32).
VI. Conclusion
Le problme de lidentification rcursive de procds mo-
dliss sous forme dtat est considr au sein de cet article.
La solution propose se compose de deux tapes :
La mise jour en ligne dune projection orthogonale
laide du lemme dinversion matricielle aboutissant
lestimation fiable dun vecteur concentrant les infor-
mations contenues dans les donnes dentre-sortie.
Lestimation dune base de lespace dobservabilit
partir dune mise jour rcursive dun oprateur li-
naire nomm propagateur, estimation ralise laide
dun algorithme robuste de minimisation imposant la
Les performances de ces algorithmes sont mises en vidence
laide dune simulation.
Rfrences
[1] M. Verhaegen et P. Dewilde. Subspace model identification : part
1 and part 2. International Journal of Control, 56 :11871241,
1992.
[2] M. Verhaegen. Identification of the deterministic part of MIMO
data. Automatica, 30 :6174, 1994.
[3] T. Gustafsson. Instrumental variable subspace tracking using
projection approximation. IEEE Transactions on Signal Pro-
cessing, 46 :669681, 1998.
[4] M. Lovera, T. Gustafsson, et M. Verhaegen. Recursive subspace
identification of linear and non linear Wiener state-space models.
Automatica, 36 :16391650, 2000.
700 800 900 1000
[5] H. Oku et H. Kimura. Recursive 4SID algorithms using gradient
type subspace tracking. Automatica, 38 :10351043, 2002.
[6] M. Lovera. Recursive subspace identification based on projector
tracking. The 13th IFAC Symposium on System Identification,
August 2003.
[7] G. Mercre, S. Lecuche, et C. Vasseur. Output noise insensitive
identification of systems : a new recursive state-space method.
The 3rd workshop on Physics in Signal and Image Processing
(PSIP), Grenoble, France, January 2003.
[8] J. Munier et G. Y. Delisle. Spatial analysis using new proper-
ties of the cross spectral matrix. IEEE Transactions on Signal
Processing, 39 :746749, 1991.
[9] G. Mercre, S. Lecuche, et C. Vasseur. A new recursive method
for subspace identification of noisy systems : EIVPM. The 13th
IFAC Symposium on System Identification, Rotterdam, The Ne-
therlands, August 2003.
[10] G. Mercre et S. Lecuche. Identification en ligne de sys-
tmes bruits : une nouvelle mthode rcursive des sous-espaces.
Journes Doctorales dAutomatique, Valenciennes, France, June
2003.
[11] G. H. Golub et C. F. Van Loan. Matrix computations. John
Hopkins University Press, Baltimore MD, 3rd edition edition,
1996.
[12] H. Krim et M. Viberg. Two decades of array signal processing
research : the parametric approach. IEEE Signal Processing
Magazine, 13 :6794, 1996.
[13] S. Marcos, A. Marsal, et M. Benidir. The propagator method
for source bearing estimation. Signal Processing, 42 :121138,
1995.
[14] T. Sderstrm et P. Stoica. System identification. Prentice Hall
International Series in Systems and Control Engineering, New
York, 1989.
[15] H. Oku et H. Kimura. A recursive 4SID from the input-output
point of view. Asian Journal of control, 1 :258269, 1999.
[16] M. Verhaegen et E. Deprettere. A fast, recursive MIMO state
space model identification algorithm. The 30th IEEE Conference
on Decision and Control, Brighton,England, December 1991.
[17] B. Porat et B. Friedlander. The square-root overdetermined re-
cursive instrumental variable algorithm. IEEE Transactions on
Automatic Control, 34 :656658, 1989.