状态转移矩阵计算方法及其离散化转换(含举例)

这篇具有很好参考价值的文章主要介绍了状态转移矩阵计算方法及其离散化转换(含举例)。希望对大家有所帮助。如果存在错误或未考虑完全的地方,请大家不吝赐教,您也可以点击"举报违法"按钮提交疑问。

1. 何为状态转移矩阵

一般地,对于一个线性定常系统,可以写成如下的柯西标准型形式
{ x ˙ ( t ) = A ( t ) x ( t ) + B ( t ) u ( t ) y ( t ) = C ( t ) x ( t ) + D ( t ) u ( t ) \begin{cases} \dot x (t) = A(t) x(t) + B(t) u(t) \\ y(t) = C(t) x(t) + D(t) u(t) \end{cases} {x˙(t)=A(t)x(t)+B(t)u(t)y(t)=C(t)x(t)+D(t)u(t)其中 x ( t ) , u ( t ) , y ( t ) x(t), u(t),y(t) x(t),u(t),y(t)分别为系统状态和、系统输入控制量和输出量,为向量。该方程组的解为
x ( t ) = e A t x 0 = ( I + A t + A 2 t 2 2 ! + ⋯   ) x 0 = Φ ( t ) x 0 (1) x(t) = e^{At} x_0 = \left( I + At + \frac{A^2 t^2} {2!} + \cdots \right) x_0 = \Phi (t) x_0 \tag{1} x(t)=eAtx0=(I+At+2!A2t2+)x0=Φ(t)x0(1)其中 I I I为单位矩阵。
式(1)中的 Φ ( t ) \Phi (t) Φ(t)即为状态转移矩阵

2. 状态转移矩阵计算举例

从式(1)可以看出,状态转移矩阵 Φ ( t ) = e A t \Phi (t)=e^{At} Φ(t)=eAt虽然具有指数形式,但由于 A A A是矩阵,因而其计算并不是简单地将 A A A中所有元素变为 e e e的指数就行的。相反,其计算需要具有式(1)的形式:
Φ ( t ) = e A t = I + A t + A 2 t 2 2 ! + A 3 t 3 3 ! + ⋯ + A i t i i ! + ⋯ (2) \Phi (t) = e^{At} = I + At + \frac{A^2 t^2} {2!} + \frac{A^3 t^3} {3!} + \cdots + \frac{A^i t^i} {i!} + \cdots \tag{2} Φ(t)=eAt=I+At+2!A2t2+3!A3t3++i!Aiti+(2)以下列传递函数为例,进行状态转移矩阵的计算。
例: W ( s ) = s + 1 s 2 + 12 s + 32 W(s) = \frac{s+1}{s^2 + 12s + 32} W(s)=s2+12s+32s+1可以写出其对应的状态空间形式: A = [ − 12 − 32 1 0 ] , A = \left[ \begin{matrix} -12 & -32 \\ 1 & 0 \end{matrix} \right], A=[121320], B = [ 1 0 ] , B = \left[ \begin{matrix} 1 \\ 0 \end{matrix} \right], B=[10], C = [ 1 1 ] , C = \left[ \begin{matrix} 1 & 1 \end{matrix} \right], C=[11], D = 0 , D = 0, D=0,
A 2 = [ 112 384 − 12 − 32 ] , A 3 = [ − 960 − 3584 112 384 ] , ⋯ A^2 = \left[ \begin{matrix} 112 & 384 \\ -12 & -32 \end{matrix} \right], A^3 = \left[ \begin{matrix} -960 & -3584 \\ 112 & 384 \end{matrix} \right], \quad \cdots A2=[1121238432],A3=[9601123584384],代入式(2)有
Φ ( t ) = e A t = I + A t + A 2 t 2 2 ! + A 3 t 3 3 ! + ⋯ + A i t i i ! + ⋯ = [ 1 0 0 1 ] + [ − 12 − 32 1 0 ] t + 1 2 [ 112 384 − 12 − 32 ] t 2 + 1 6 [ − 960 − 3584 112 384 ] t 3 + ⋯ = [ 1 − 12 t + 56 t 2 − 160 t 3 + ⋯ − 32 t + 192 t 2 − 1792 3 t 3 + ⋯ t − 6 t 2 + 56 3 t 3 + ⋯ 1 − 16 t 2 + 64 t 3 + ⋯ ] \begin{aligned} \Phi (t) &= e^{At} = I + At + \frac{A^2 t^2} {2!} + \frac{A^3 t^3} {3!} + \cdots + \frac{A^i t^i} {i!} + \cdots \\ &= \left[ \begin{matrix} 1 & 0 \\ 0 & 1 \end{matrix} \right] + \left[ \begin{matrix} -12 & -32 \\ 1 & 0 \end{matrix} \right] t + \frac{1}{2} \left[ \begin{matrix} 112 & 384 \\ -12 & -32 \end{matrix} \right] t^2 + \frac{1}{6} \left[ \begin{matrix} -960 & -3584 \\ 112 & 384 \end{matrix} \right] t^3 + \cdots \\ &= \left[ \begin{matrix} 1-12t + 56t^2 - 160t^3 + \cdots & -32t + 192t^2 - \frac{1792}{3} t^3 + \cdots \\ t - 6t^2 + \frac{56}{3} t^3 + \cdots & 1 - 16t^2 + 64t^3 + \cdots \end{matrix} \right] \end{aligned} Φ(t)=eAt=I+At+2!A2t2+3!A3t3++i!Aiti+=[1001]+[121320]t+21[1121238432]t2+61[9601123584384]t3+=[112t+56t2160t3+t6t2+356t3+32t+192t231792t3+116t2+64t3+]

3. 离散系统的状态方程

对于离散系统
{ x ( k + 1 ) = A d ( k ) x ( k ) + B d ( k ) u ( k ) y ( k ) = C d ( k ) x ( k ) + D d ( k ) u ( k ) \begin{cases} x (k+1) = A_d(k) x(k) + B_d(k) u(k) \\ y(k) = C_d(k) x(k) + D_d(k) u(k) \end{cases} {x(k+1)=Ad(k)x(k)+Bd(k)u(k)y(k)=Cd(k)x(k)+Dd(k)u(k)其中 k k k指量化后的第 k k k时刻,即:若离散化的每个时间单位为 T 0 T_0 T0,则 x ( k + 1 ) x(k+1) x(k+1)即指在 ( k + 1 ) T 0 (k+1)T_0 (k+1)T0时刻下的状态量。
在离散化的系统下,矩阵 A d , B d , C d , D d A_d, B_d, C_d, D_d Ad,Bd,Cd,Dd与原连续系统下的 A , B , C , D A, B, C, D A,B,C,D具有如下转换关系:
A d = Φ ( T 0 ) = e A T 0 , B d = ∫ 0 T 0 Φ ( q ) B d q , C d = C , D d = D (3) A_d = \Phi \left( T_0 \right) = e^{A T_0 }, \quad B_d = \int _0 ^{T_0} \Phi (q) B dq, \quad C_d = C, \quad D_d = D \tag{3} Ad=Φ(T0)=eAT0,Bd=0T0Φ(q)Bdq,Cd=C,Dd=D(3)

4. 离散系统的状态方程计算举例

仍以如下连续系统传递函数为例:
W ( s ) = s + 1 s 2 + 12 s + 32 W(s) = \frac{s+1}{s^2 + 12s + 32} W(s)=s2+12s+32s+1设量化时间单位为 T 0 = 0.01 s T_0 = 0.01s T0=0.01s。连续系统下的矩阵 A , B , C , D A, B, C, D A,B,C,D A = [ − 12 − 32 1 0 ] , B = [ 1 0 ] , C = [ 1 1 ] , D = 0 , A = \left[ \begin{matrix} -12 & -32 \\ 1 & 0 \end{matrix} \right], \quad B = \left[ \begin{matrix} 1 \\ 0 \end{matrix} \right], \quad C = \left[ \begin{matrix} 1 & 1 \end{matrix} \right], \quad D = 0, A=[121320],B=[10],C=[11],D=0, A d = Φ ( T 0 ) = e A T 0 = I + A T 0 + A 2 T 0 2 2 ! + A 3 T 0 3 3 ! + ⋯ = [ 1 0 0 1 ] + [ − 12 − 32 1 0 ] T 0 + 1 2 [ 112 384 − 12 − 32 ] T 0 2 + 1 6 [ − 960 − 3584 112 384 ] T 0 3 + ⋯ = [ 1 − 12 T 0 + 56 T 0 2 − 160 T 0 3 + ⋯ − 32 T 0 + 192 T 0 2 − 1792 2 T 0 3 + ⋯ T 0 − 6 T 0 2 + 56 3 T 0 3 + ⋯ 1 − 16 T 0 2 + 64 T 0 3 + ⋯ ] ∣ T 0 = 0.01 ≈ [ 0.8854 − 0.3014 0.0094 0.9985 ] \begin{aligned} A_d &= \Phi \left( T_0 \right) = e^{A T_0} \\ &= I + AT_0 + \frac{A^2 T_0^2}{2!} + \frac{A^3 T_0^3}{3!} + \cdots \\ &= \left[ \begin{matrix} 1 & 0 \\ 0 & 1 \end{matrix} \right] + \left[ \begin{matrix} -12 & -32 \\ 1 & 0 \end{matrix} \right] T_0 + \frac{1}{2} \left[ \begin{matrix} 112 & 384 \\ -12 & -32 \end{matrix} \right] T_0^2 + \frac{1}{6} \left[ \begin{matrix} -960 & -3584 \\ 112 & 384 \end{matrix} \right] T_0^3 + \cdots \\ &= \left[ \begin{matrix} 1-12T_0 + 56T_0^2 - 160T_0^3 + \cdots & -32T_0 + 192T_0^2 - \frac{1792}{2} T_0^3 + \cdots \\ T_0 - 6T_0^2 + \frac{56}{3} T_0^3 + \cdots & 1 - 16T_0^2 + 64T_0^3 + \cdots \end{matrix} \right] \Bigg\rvert _{T_0 = 0.01} \\ &\approx \left[ \begin{matrix} 0.8854 & -0.3014 \\ 0.0094 & 0.9985 \end{matrix} \right] \end{aligned} Ad=Φ(T0)=eAT0=I+AT0+2!A2T02+3!A3T03+=[1001]+[121320]T0+21[1121238432]T02+61[9601123584384]T03+=[112T0+56T02160T03+T06T02+356T03+32T0+192T0221792T03+116T02+64T03+] T0=0.01[0.88540.00940.30140.9985]同时 B d = ∫ 0 T 0 Φ ( q ) B d q = ∫ 0 T 0 e A q B d q = ∫ 0 T 0 ( I + A q + A 2 q 2 2 ! + A 3 q 3 3 ! + ⋯   ) B d q = ∫ 0 T 0 B d q + ∫ 0 T 0 A B q d q + 1 2 ∫ 0 T 0 A 2 B q 2 d q + 1 6 ∫ 0 T 0 A 3 B q 3 d q + ⋯ = ∫ 0 T 0 B d q + ∫ 0 T 0 A B q d q + 1 2 ∫ 0 T 0 A 2 B q 2 d q + 1 6 ∫ 0 T 0 A 3 B q 3 d q + ⋯ = B q ∣ 0 T 0 + A B ⋅ 1 2 q 2 ∣ 0 T 0 + 1 2 A 2 B ⋅ 1 3 q 3 ∣ 0 T 0 + 1 6 A 3 B ⋅ 1 4 q 4 ∣ 0 T 0 + ⋯ = B T 0 + 1 2 A B T 0 2 + 1 6 A 2 B T 0 3 + 1 24 A 3 B T 0 4 + ⋯ (4) \begin{aligned} B_d &= \int _0 ^{T_0} \Phi (q) B dq = \int _0 ^{T_0} e^{Aq} B dq \\ &= \int _0 ^{T_0} \left( I + Aq + \frac{A^2 q^2}{2!} + \frac{A^3 q^3}{3!} + \cdots \right) B dq \\ &= \int _0 ^{T_0} B dq + \int _0 ^{T_0} AB q dq + \frac{1}{2} \int _0 ^{T_0} A^2 B q^2 dq + \frac{1}{6} \int _0 ^{T_0} A^3 B q^3 dq + \cdots \\ &= \int _0 ^{T_0} B dq + \int _0 ^{T_0} AB q dq + \frac{1}{2} \int _0 ^{T_0} A^2 B q^2 dq + \frac{1}{6} \int _0 ^{T_0} A^3 B q^3 dq + \cdots \\ &= B q \Big\rvert_0^{T_0} + AB \cdot \frac{1}{2} q^2 \bigg\rvert_0^{T_0} + \frac{1}{2} A^2B \cdot \frac{1}{3} q^3 \bigg\rvert_0^{T_0} + \frac{1}{6} A^3B \cdot \frac{1}{4} q^4 \bigg\rvert_0^{T_0} + \cdots \\ &= B T_0 + \frac{1}{2} AB T_0^2 + \frac{1}{6} A^2 B T_0^3+ \frac{1}{24} A^3 B T_0^4 + \cdots \tag{4} \end{aligned} Bd=0T0Φ(q)Bdq=0T0eAqBdq=0T0(I+Aq+2!A2q2+3!A3q3+)Bdq=0T0Bdq+0T0ABqdq+210T0A2Bq2dq+610T0A3Bq3dq+=0T0Bdq+0T0ABqdq+210T0A2Bq2dq+610T0A3Bq3dq+=Bq 0T0+AB21q2 0T0+21A2B31q3 0T0+61A3B41q4 0T0+=BT0+21ABT02+61A2BT03+241A3BT04+(4)下面计算 A B , A 2 B , A 3 B AB, A^2 B, A^3 B AB,A2B,A3B。由于 A = [ − 12 − 32 1 0 ] , B = [ 1 0 ] A = \left[ \begin{matrix} -12 & -32 \\ 1 & 0 \end{matrix} \right], \quad B = \left[ \begin{matrix} 1 \\ 0 \end{matrix} \right] A=[121320],B=[10] A B = [ − 12 1 ] , A 2 B = [ 112 − 12 ] , A 3 B = [ − 960 112 ] AB = \left[ \begin{matrix} -12 \\ 1 \end{matrix} \right], \quad A^2 B = \left[ \begin{matrix} 112 \\ -12 \end{matrix} \right], \quad A^3 B = \left[ \begin{matrix} -960 \\ 112 \end{matrix} \right] AB=[121],A2B=[11212],A3B=[960112]则式(4)为
B d = B T 0 + 1 2 A B T 0 2 + 1 6 A 2 B T 0 3 + 1 24 A 3 B T 0 4 + ⋯ = [ 1 0 ] T 0 + 1 2 [ − 12 1 ] T 0 2 + 1 6 [ 112 − 12 ] T 0 3 + 1 24 [ − 960 112 ] T 0 4 ∣ T 0 = 0.01 = [ 0.00942 4.8047 × 1 0 − 5 ] \begin{aligned} B_d &= B T_0 + \frac{1}{2} AB T_0^2 + \frac{1}{6} A^2 B T_0^3+ \frac{1}{24} A^3 B T_0^4 + \cdots \\ &= \left[ \begin{matrix} 1 \\ 0 \end{matrix} \right] T_0 + \frac{1}{2} \left[ \begin{matrix} -12 \\ 1 \end{matrix} \right] T_0^2 + \frac{1}{6} \left[ \begin{matrix} 112 \\ -12 \end{matrix} \right] T_0^3 + \frac{1}{24} \left[ \begin{matrix} -960 \\ 112 \end{matrix} \right] T_0^4 \Bigg\rvert_{T_0 = 0.01} \\ &= \left[ \begin{matrix} 0.00942 \\ 4.8047\times 10^{-5} \end{matrix} \right] \end{aligned} Bd=BT0+21ABT02+61A2BT03+241A3BT04+=[10]T0+21[121]T02+61[11212]T03+241[960112]T04 T0=0.01=[0.009424.8047×105]进一步地, C d = C = [ 1 1 ] , D d = D = 0 C_d = C = \left[ \begin{matrix} 1 & 1 \end{matrix} \right], \quad D_d = D = 0 Cd=C=[11],Dd=D=0文章来源地址https://www.toymoban.com/news/detail-472358.html

到了这里,关于状态转移矩阵计算方法及其离散化转换(含举例)的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处: 如若内容造成侵权/违法违规/事实不符,请点击违法举报进行投诉反馈,一经查实,立即删除!

领支付宝红包 赞助服务器费用

相关文章

  • 状态模式-对象状态及其转换

     某信用卡业务系统,银行账户存在3种状态,且在不同状态下存在不同的行为: 1)正常状态(余额大等于0),用户可以存款也可以取款; 2)透支状态(余额小于0且大于-2000),用户可以存款也可以取款,但需要对欠款支付利息。 3)受限状态(余额小等于-2000),用户只能

    2024年02月08日
    浏览(42)
  • 卷积计算转换为矩阵乘计算的几种场景和方法

    本文默认卷积的输入输出数据格式为NHWC。 为什么要把卷积转换为矩阵乘计算 有几个原因,1. 因为矩阵乘优化已经被研究了几十年,有丰富的研究成果,有性能很好的BLAS加速库可用。2. 矩阵乘优化比卷积更加简单,这主要是因为矩阵乘的参数比较少,主要是M, N, K三个参数,

    2024年02月04日
    浏览(53)
  • 邻接矩阵与邻接表的输出及其相互转换

    (1) 文件 1 :  pubuse.h 是公共使用的常量定义和系统函数调用声明。 2)文件GraphDef.h定义了图的邻接矩阵表示类型和邻接表表示类型,该头文件在下面的程序中都会使用到,其代码如下: (3)头文件GraphAlgo4-1.h包含若干图的操作函数 1.将邻接矩阵转化为邻接表 2.将邻接表转化

    2024年02月11日
    浏览(39)
  • ENVI监督分类后背景值也被分成一种地物,解决方案和转移矩阵制作方法

    背景值也被分为一种地物是由于一开始没有选择mask掩膜,让背景不参与运算,百度可了解具体过程。 现在来解决已经分类完后怎么补救 之后转移矩阵的制作,对文件格式有着严格要求,分类结果如果裁剪或者地物名字发生更改,就不再是分类结果,无法进行转移矩阵的制作

    2024年02月11日
    浏览(36)
  • 卡尔曼滤波器-概述及用递归思想解读卡尔曼滤波器 | 卡尔曼滤波器应用举例(附Matlab程序)| 数学基础-数据融合、协方差矩阵、状态空间方程

      卡尔曼滤波器是最优化的(Optimal)、递归的(Recursive)、数字处理的(Data Processing)算法(Algorithm)。卡尔曼滤波器更像是观测器,而不是一般意义上的滤波器,应用广泛,尤其是在导航中,它的广泛应用是因为生活中存在大量的不确定性。   当描述一个系统的不确

    2024年02月06日
    浏览(51)
  • 【Python 矩阵:快速入门指南】-深入理解矩阵运算及其常用计算

    【Python 矩阵:快速入门指南】-深入理解矩阵运算及其常用计算 在数据科学和机器学习中,矩阵是一个非常重要的数学概念,它被广泛应用于数据处理、图像处理、自然语言处理等领域。Python作为一门高效且广泛应用的编程语言,提供了许多强大的工具来处理矩阵。本文将介

    2024年02月13日
    浏览(64)
  • 动态规划——状态转移方程

    DP问题的核心即确定动态转移方程。 (1)寻找变量,确定子问题。DP表一般为二维,故需要两个变量。 (2)寻找总问题与子问题迭代关系,确定中间值、迭代值 例1: 有5个物品,其重量分别是{2, 2, 6, 5, 4},价值分别为{6, 3, 5, 4, 6},背包的容量为10,计算背包所能装入物品的

    2023年04月08日
    浏览(34)
  • 时序逻辑电路的状态转移图

    步骤大致如下:1.根据逻辑电路图列出状态、驱动、输出方程 2.列出状态转移表 3.根据状态转移表画出状态转移图 以以下逻辑电路图为例:   注意:状态转移图的由来以00到01为例,00表示Q2=0,Q1=0(注意状态转移图中Q2在前),将Q2=0,Q1=0,A=0代入驱动、状态和输出方程,得到

    2024年02月11日
    浏览(37)
  • 【JavaEE】_线程的状态与转移

    目录 1. 线程的状态 1.1 NEW 1.2 RUNNABLE 1.3 BLOCKED 1.4 WAITING 1.5 TIMED_WAITING 1.6 TERMINATED  2. 线程状态的转移 在多线程Thread类相关一文中已经介绍过进程的状态:就绪状态与阻塞状态; 若需详情请查看原文,链接如下: 【JavaEE】_多线程Thread类及其常用方法-CSDN博客 这个状态决定

    2024年02月22日
    浏览(32)
  • 计算机视觉:点云的PCD和BIN格式及其转换与可视化

    点云数据通常以不同的格式存储,其中PCD(Point Cloud Data)和BIN(Binary)是两种常见的格式,用于表示三维点云数据。下面是它们的具体介绍: PCD格式是一种常见的开放式点云数据存储格式,最初由ROS(Robot Operating System)中的PCL(Point Cloud Library)项目引入,现在广泛用于点云

    2024年02月03日
    浏览(37)

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

博客赞助

微信扫一扫打赏

请作者喝杯咖啡吧~博客赞助

支付宝扫一扫领取红包,优惠每天领

二维码1

领取红包

二维码2

领红包