Este trabalho propõe uma metodologia de identificação para sistemas lineares sujeitos a saltos markovianos. Dada uma sequência de observações ruidosas da variável de estados, busca-se estimá-la juntamente com os parâmetros (desconhecidos) que descrevem o sistema dinâmico no espaço de estados. Como é bem conhecido, a ltragem ótima nesta classe de sistemas tem requisitos computacionais exponencialmente crescentes em função do tamanho da amostra, e torna-se inviável na prática. Recorre-se, portanto, a um algoritmo sub-ótimo de ltragem, cujos resultados são utilizados na identificação por máxima verossimilhança segundo a metodologia apresentada. Simulações realizadas mostram boa convergência. / This paper proposes a methodology for the identification of Markov-jump linear systems. Given a sequence of noisy observations of the state variable, our objective is to estimate it along with the (unknown) parameters that drive the system in the state-space. As it is well known, the optimal ltering in this class of systems requires exponentially increasing computing power, in proportion to the sample size, and is not feasible in practice. We resort, therefore, to a sub-optimal algorithm, whose results are used for a maximum likelihood identification according to the methodology presented here. Simulations show a good convergence.

Este trabalho propõe uma metodologia de identificação para sistemas lineares sujeitos a saltos markovianos. Dada uma sequência de observações ruidosas da variável de estados, busca-se estimá-la juntamente com os parâmetros (desconhecidos) que descrevem o sistema dinâmico no espaço de estados. Como é bem conhecido, a ltragem ótima nesta classe de sistemas tem requisitos computacionais exponencialmente crescentes em função do tamanho da amostra, e torna-se inviável na prática. Recorre-se, portanto, a um algoritmo sub-ótimo de ltragem, cujos resultados são utilizados na identificação por máxima verossimilhança segundo a metodologia apresentada. Simulações realizadas mostram boa convergência. / This paper proposes a methodology for the identification of Markov-jump linear systems. Given a sequence of noisy observations of the state variable, our objective is to estimate it along with the (unknown) parameters that drive the system in the state-space. As it is well known, the optimal ltering in this class of systems requires exponentially increasing computing power, in proportion to the sample size, and is not feasible in practice. We resort, therefore, to a sub-optimal algorithm, whose results are used for a maximum likelihood identification according to the methodology presented here. Simulations show a good convergence.