Ferramentas para melhoria da convergência dos métodos de identificação por erro de predição

Abstract

O método de identificação por minimização do erro de predição está relacionado com um problema de otimização não convexo. É comum utilizar algoritmos iterativos para resolver o problema de otimização. Contudo, os algoritmos iterativos podem ficar presos em mínimos locais da função custo ou convergir para a borda do domínio de busca. Uma análise da função custo e condições suficientes para garantir a convergência dos algoritmos iterativos para o mínimo global são apresentadas neste trabalho. Observa-se que estas condições dependem do espectro do sinal de entrada utilizado no experimento. Este trabalho apresenta ferramentas para melhorar a convergência dos algoritmos para o mínimo global, as quais são baseadas na manipulação do espectro do sinal de entrada.

The Prediction Error Method is related to a non-convex optimization problem. It is usual to apply iterative algorithms to solve this optimization problem. However, iterative algorithms can get stuck at a local minimum of the cost function or converge to the border of the searching space. An analysis of the cost function and sufficient conditions to ensure the convergence of the iterative algorithms to the global minimum are presented in this work. It is observed that this conditions depend on the spectrum of the input signal used in the experiment. This work presents tools to improve the convergence of the algorithms to the global minimum, which are based on the manipulation of the input spectrum.