Aportes a la Teoría y la Implementación del Método LSCR

J.A. Ramírez; Cristian R. Rojas; Juan C. Jarur; Ricardo A. Rojas

doi:10.1016/S1697-7912(10)70045-5

Autores/as

J.A. Ramírez Universidad Técnica Federico Santa María
Cristian R. Rojas ACCESS Linnaeus Center
Juan C. Jarur Universidad Técnica Federico Santa María
Ricardo A. Rojas Universidad Técnica Federico Santa María

DOI:

https://doi.org/10.1016/S1697-7912(10)70045-5

Palabras clave:

Error de modelado, Error de predicción, Estimación de parámetros, Incertidumbre, Muestras finitas, Método Bootstrap, Método LSCR, PEM, Simulación de Monte Carlo

Resumen

El método LSCR (Leave-out-Sign-dominant-Correlation-Regions) proporciona regiones de confianza para los parámetros de un sistema evaluando un conjunto de funciones de correlation calculadas a partir de los datos disponibles. Al confeccionar una aproximación para la región completa, el procedimiento debe repetirse para cada valor del vector de parámetros. Los atributos principales de LSCR son su validez para un conjunto de datos finitos y los escasos supuestos sobre el ruido. Sin embargo, el procedimiento necesita mucho esfuerzo computacional, lo que limita su aplicación a casos muy simples. En este trabajo se mejoran aspectos teóricos del método LSCR y se sugieren alternativas de implementación. También se lo compara, en términos del esfuerzo computacional, con Bootstrap, otra forma de obtener regiones de confianza.

Descargas

Los datos de descargas todavía no están disponibles.

Citas

Box, G.E.P. y G.M. Jenkins (1976). Time Series Analysis, Forecasting and Control. Revised ed. Prentice Hall.

Campi, M.C. y E. Weyer (2002). Finite sample properties of system identification methods. IEEE Transactions on Automatic Control 47(8), 1329-1334.

Campi, M.C. y E. Weyer (2005). Guaranteed non-asymptotic confidence regions in system identification. Automatica 41(10), 1751-1764.

Campi, M.C. y E. Weyer (2006). Identification with finitely many data points: The LSCR approach. En: 14th IFAC Symposium on System Identification, Newcastle, Australia.

Chung, K.L. (2001). A Course in Probability Theory. 3rd ed. Academic Press.

Efron, B. y R. J. Tibshirani (1993). An Introduction to the Bootstrap. Chapman & Hall.

Gordon, L. (1974). Completely separating groups in subsamplig. Annals of Statistics 2, 572-578.

Hartigan, J.A. (1969). Using subsample values as typical values. Journal of the American Statistical Association 64, 1303-1317.

Jarur, J.C. (2008). Cálculo de Regiones de Confianza Paramétricas con LSCR: Análisis, Experiencias y Aplicaciones. Tesis de Magíster, Universidad Técnica Federico Santa María, Valparaíso, Chile.

Knudsen, T. (1994). A New Method for Estimating ARMAX Models. En: 10th IFAC Symposium on System Identification, Copenhague, Dinamarca.

Knudsen, T. (1996). The Initialization Problem in Parameter Estimation for General SISO Models. En: 13th Triennial World Congress, San Francisco, USA.

Ljung, L. y Z. Yuan (1985). Asymptotic properties of black-box identification of transfer functions. IEEE Transactions on Automatic Control 30(6), 514-553.

Ljung, L. (1985). Asymptotic variance expressions for identified black-box transfer function models. IEEE Transactions on Automatic Control 30(9), 834-844.

Ljung, L. (1999). System Identification: Theory for the User. 2nd ed. Prentice-Hall.

Ninness, B., H. Hjalmarsson y F. Gustafsson (1999). On the fundamental role of orthonormal bases in system identification. IEEE Transactions on Automatic Control 44(7), 1384-1407.

Ninness, B. y H. Hjalmarsson (2004). Variance error quantifications that are exact for finite model order. IEEE Transactions on Automatic Control 49(8), 1275-1291.

Ninness, B. y H. Hjalmarsson (2005). On the frequency domain accuracy of closed loop estimates. Automatica 41(7), 1109- 1122.

Ninness, B. y H. Hjalmarsson (2005). Analysis of the variability of joint input-output estimation methods. Automatica 47(7), 1123-1132.

Tjärnström, F. (2000). Quality Estimation of Approximate Models. Licenciate thesis 810, Department of Electrical Engineering, Linköping University, Suecia.

Vapnik, V.N. (1998). The Nature of Statistical Learning Theory. Springer.

Weyer, E., R. C. Williamson y I. Mareels (1999). Finite Sample Properties of Linear Model Identification. IEEE Transactions on Automatic Control 44(7), 1370-1383.

Weyer, E. y M.C. Campi (2002). Non-asymptotic confidence ellipsoids for the least squares estimate. Automatica 38(9), 1529-1547.

Xie, L. y L. Ljung (2001). Asymptotic variance expressions for estimated frequency functions. IEEE Transactions on Automatic Control 46(12), 1887-1899.

Zhou, K. y J.C. Doyle (1998). Essentials of Robust Control. Prentice Hall.