Identification de modèles sous forme de représentation d'état pour les systèmes à sortie binaire

Model identification as state representation for binary output systems

• Auteur / Autrice : Ali Mestrah
• Direction : Mathieu Pouliquen
• Type : Thèse de doctorat
• Discipline(s) : Automatique, signal, productique, robotique
• Date : Soutenance le 20/12/2023
• Etablissement(s) : Normandie
• Ecole(s) doctorale(s) : École doctorale mathématiques, information et ingénierie des systèmes (Caen)
• Partenaire(s) de recherche : Laboratoire : Laboratoire d'ingénierie des systèmes (Caen ; 2022-....)
• Partenaire(s) de recherche : établissement co-accrédité : Université de Caen Normandie (1971-....)
• Jury : Président / Présidente : Jérôme Juillard
• Jury : Examinateurs / Examinatrices : Thierry Poinot, Xavier Bombois, Estelle Cherrier, Carine Jauberthie, Eric Pigeon
• Jury : Rapporteurs / Rapporteuses : Thierry Poinot, Xavier Bombois

Mots clés

Mots clés contrôlés

Estimation de paramètres

Méthodes des sous-espaces

Identification des systèmes

Mots clés libres

Méthodes des sous-espaces

Systèmes à sortie binaire

Subspaces methods

Binary output system

Identification

Résumé

Cette thèse porte sur la modélisation paramétrique des systèmes linéaires invariants à partir de mesures binaires de la sortie. Ce problème demodélisation est abordée via l’usage des méthodes des sous-espaces. Ces méthodes permettent l’estimation de modèles sous forme de représentation d’état,un des avantages de ces méthodes étant que leur mise en œuvre ne nécessite pas la connaissance préalable de l’ordre du système. Ces méthodes ne sontinitialement pas adaptées au traitement de données binaires, l’objectif de cette thèse est ainsi leur adaptation à ce contexte d’identification. Dans cette thèse nousproposons trois méthodes des sous-espaces. Les propriétés de convergence de deux d’entre elles sont établies. Des résultats de simulations de Monte-Carlo sontprésentés afin de montrer les bonnes performances, mais aussi les limites, de ces méthodes.

This thesis focuses on parametric modeling of invariant linear systems from binary output measurements. This identification problem is addressed via the use ofsubspace methods. These methods allow the estimation of state-space models, an added benefit of these methods being the fact that their implementation doesnot require the prior knowledge of the order of the system. These methods are initially adapted to high resolution data processing, the objective of this thesis istherefore their adaptation to the identification using binary measurements. In this thesis we propose three subspace methods. Convergence properties of two ofthem are established. Monte Carlo simulation results are presented to show the good performance, but also limits, of these methods.