高阶系统怎么用matlab降阶,一种基于非线性规划的高阶系统最优降阶方法
一种基于非线性规划的高阶系统最优降阶方法
【技术领域】
[0001] 本发明涉及一种基于非线性规划的高阶系统最优降阶方法,它是一种线性时不变 系统的最优降阶方法,是针对单输入单输出系统给出的一种使得降阶前后系统频域响应误 差最小的模型降阶方法,用于处理高阶线性系统,简化控制律设计,属于自动控制技术领 域。
【背景技术】
[0002] 伴随着现代工程技术的飞速发展,出现了诸如飞行控制系统、电力系统、超大规模 集成电路等复杂的高阶系统。描述这些线性系统的微分方程个数众多,给系统的数值仿真 和控制设计带来巨大的挑战。通过对这些高阶系统进行有效的模型降阶处理可以降低系统 分析的难度,减少计算负载,方便仿真模拟。降阶是指通过较少个数的微分方程描述的低阶 系统,在特定的频率区间上近似高阶系统,保证降阶前后两个系统的动态响应尽可能接近。
[0003] 系统降阶的关键在于如何找到一个简单的低阶系统来逼近复杂的高阶系统。两个 系统的逼近程度可以通过二者在频域上的传递函数脉冲响应偏差来衡量。现有的模型降方 法包括Pade近似法、Routh近似法、奇异值分解的平衡法、Krylov子空间模型降阶方法。其 中前两种方法基于系统的暂态响应或者稳态响应,大大限制了其应用范围。奇异值分解的 平衡法根据原系统的奇异值进行截断降解,能够确保降阶后系统的稳定性,但是在实施过 程中需要求解两个高阶次的Lyapunov方程。Krylov子空间方法是最常用的降阶方法,它通 过构造适当的变换矩阵,使得变换矩阵的列向量所张成的空间能包含在适当的Krylov子 空间中,保证得到的降阶系统传递函数能与原系统传递函数在特定插值点处的项匹配。由 于存在无穷多个可行的插值点,在不同的插值点处采用同样的Krylov子空间降阶方法得 到的模型是不一样的,相应的系统响应品质和原来的系统差别也是很大的。可以通过非线 性规划方法,求解最优插值点,找到系统的最优降阶模型。
【发明内容】
[0004] 1、发明目的
[0005] 本发明的目的是提供一种基于非线性规划的高阶系统最优降阶方法,它是:针对 单输入单输出的线性是不变系统,构建系统降解的误差指标,利用非线性规划策略求解满 足最优指标的降阶插值点,最后得到最优降阶模型的传递函数。
[0006] 2、技术方案
[0007]为了达到上述目的,本发明结合流程框图1中的步骤,具体介绍该设计方法的技 术方案。
[0008] 本发明是一种基于非线性规划的高阶系统最优降阶方法,该方法具体步骤如下:
[0009] 步骤1 :降阶问题描述
[0010] 本发明所针对的是高阶单输入单输出线性系统。高维系统的分析和控制律设计都 十分困难。通过适当的降阶方法,使得低阶模型在相同的脉冲输入激励情况下,输出响应尽 可能接近原来系统,在一定频域范围内代替原来系统。
[0011] 步骤2 :系统最优降阶指标
[0012] 尽管系统降阶的方法各不相同,但是可以定义一个通用的范数误差指标 来衡量降阶前后系统传递函数输出品质差异。对比分析范数误差的各个组成部 分,要求两个系统在降阶模型传递函数Gm (s)的极点镜像对称处即点处越接近越好。
[0013] 步骤3 :Arnoldi降阶方法
[0014] 基于krylov子空间的Arnoldi降阶方法,可以在不计算传递函数展开式各项系数 的情况下,满足项匹配的要求。给出原系统的状态矩阵A,B,C,输入矩阵B,输出矩阵C,插值 点0 = { 0 ^ 0 2,…,0nJ,降阶误差阈值e = 1〇1,初始矩阵Vj= □,初始下标变量j= 0。经过降阶算法,先构造krylov投影子空间V,之后得到降阶模型Am=VTAV,Bm=VTB,Cm =CV。式中符号说明如下:Am代表降阶以后的状态矩阵,Bm代表降阶以后的输入矩阵,Cm代 表降阶以后的输出矩阵。
[0015] 步骤4:非线性规划求解最优插值点
[0016] 对于不同的插值点,采用Arnoldi降阶算法得到的降阶模型是不一样的,因此对 于原来系统的逼近程度也是不一样的。如果采用传统的牛顿迭代方法,只能求解得到一 个插值点。但是通过非线性规划函数Fmincon可以找到一个插值点集合,满足系统最优 降阶指标所定义的三个必要条件。求出插值点对应的特征方程系数向量{Pi,P2,…,PJ, 然后利用Matlab自带的RootsO函数求解对应的根即为插值点{ 〇u〇 2,…,〇J。然 后采用Arnoldi降阶方法,求出所有插值点对应的降阶模型。使得二范数指标n= |G(s)-Gm(S) | |2最小的插值点,为需要求解的最优插值点。最优插值点对应的降阶模型, 即为系统最优降阶模型。式中符号说明如下:G(s)和Gm(s)分别代表原来高阶系统的传递 函数和降阶以后系统的传递函数,II?I|2表示?的二范数。
[0017] 步骤5 :仿真实验检验降阶性能
[0018] 为了验证所提出的系统最优降阶方法的有效性,检验降阶后系统的响应品质和原 模型的偏差,利用matlab7. 0仿真软件,进行仿真实验。首先选取一个4阶随机模型,将其降 低为1阶,分析发现找到了多个插值点,克服了牛顿迭代方法只能找到一个插值点的缺点, 并且在低频和高频段都有较好的逼近效果。之后选取一个标准的测试模型,BuildTOE。原 来高阶系统n= 120,降阶为m= 6的低阶系统。
[0019] 步骤6:设计结束
[0020] 整个设计过程分为六大步骤。第一步确定了高阶线性系统降阶的目的和数学描 述;第二步确立了系统降阶的误差范数指标,为最优降阶方法的提出做准备;第三步得到 了基于krylov子空间的Arnoldi降阶方法;第四步提出了基于非线性规划的最优插值点求 解方法,得到最优降阶模型;第五步是对设计的系统最优降阶方法进行仿真验证。经过上述 各步骤后,设计结束。
[0021] 3、优点及功效
[0022] 本发明的优点在于针对工程领域常见的高阶数学模型,提供了一种系统最优降阶 方法,可以找到一个在频域上尽可能逼近原系统响应品质的低阶系统,显著地降低系统数 值仿真和控制律设计难度。通过非线性规划方法,找到了最优降阶模型,克服了传统的牛顿 迭代方法只能找到单一插值点的缺点,在高频和低频段都能达到很好的降阶效果。
【附图说明】
[0023] 图1本发明实施步骤流程框图。
[0024] 图2本发明中非线性规划求解插值点原理示意图。
[0025] 图3本发明随机系统降阶仿真示意图。
[0026] 图4本发明标准BuildPDE系统降阶仿真示意图。
[0027] 图中符号说如下:
[0028] 图2中P"P2,卩3分别表示约束方程式(17)的三个不同根。
[0029] 图3中G(s),匕(s),G2 (s),G3(s)分别表示原来4阶随机系统以及3个降阶系统。
[0030] 图4中GQ(s),GQi(s)(i= 1,一,5)分别原来标准BuildPDE系统系统以及5个降 阶系统。
【具体实施方式】
[0031] 下面将结合技术方案和附图对本发明做进一步的详细说明。见图1,本发明是一种 基于非线性规划的高阶系统最优降阶方法,该方法具体步骤如下:
[0032] 步骤1 :系统降阶问题描述
[0033] 考虑如下单输入单输出线性时不变系统:
【主权项】
1. 一种基于非线性规划的高阶系统最优降阶方法,其特征在于:该方法具体步骤如 下: 步骤1:降阶问题描述 这里所针对的是高阶单输入单输出线性系统,高维系统的分析和控制律设计都十分困 难,通过降阶的方法,使得低阶模型在相同的脉冲输入激励情况下,输出响应尽可能接近原 来系统,并在预定频域范围内代替原来系统; 步骤2 :系统最优降阶指标 尽管系统降阶的方法各不相同,但是定义一个通用的范数误差指标||G-Gm|^来衡量 降阶前后系统传递函数输出品质差异;对比分析范数误差的各个组成部分,要求两个系统 在降阶模型传递函数Gm(s)的极点镜像对称处即点-^处越接近越好; 步骤3 :Arnoldi降阶方法 基于krylov子空间的Arnoldi降阶方法,在不计算传递函数展开式各项系数的情况 下,满足项匹配的要求;给出原系统的状态矩阵A,B,C,输入矩阵B,输出矩阵C,插值点〇 ={01,02,…,0nJ,降阶误差阈值e =瓜8,初始矩阵Vj=□,初始下标变量j= 〇 ;经 过降阶算法,先构造krylov投影子空间V,之后得到降阶模型Am=VTAV,Bm=VTB,Cm=CV; 式中符号说明如下:Am代表降阶以后的状态矩阵,Bm代表降阶以后的输入矩阵,Cm代表降阶 以后的输出矩阵; 步骤4 :非线性规划求解最优插值点 对于不同的插值点,采用Arnoldi降阶算法得到的降阶模型是不一样的,因此对于原 来系统的逼近程度也是不一样的,如果采用传统的牛顿迭代方法,只能求解得到一个插值 点;但是通过非线性规划函数Fmincon能找到一个插值点集合,满足系统最优降阶指标 所定义的三个必要条件;求出插值点对应的特征方程系数向量{Pi,P2,…,PJ,然后利用 Matlab自带的RootsO函数求解对应的根即为插值点{op〇2,…,〇m},然后采用Arnoldi 降阶方法,求出所有插值点对应的降阶模型,使得二范数指标n= | |G(s)-Gm(S) | |2最小的 插值点,为需要求解的最优插值点;最优插值点对应的降阶模型,即为系统最优降阶模型; 式中符号说明如下:G(s)和Gm(s)分别代表原来高阶系统的传递函数和降阶以后系统的传 递函数,II?I|2表示?的二范数; 步骤5 :仿真实验检验降阶性能 为了验证所提出的系统最优降阶方法的有效性,检验降阶后系统的响应品质和原模型 的偏差,利用matlab7. 0仿真软件,进行仿真实验;首先选取一个4阶随机模型,将其降低为 1阶,分析发现找到了多个插值点,克服了牛顿迭代方法只能找到一个插值点的缺点,并且 在低频和高频段都有较好的逼近效果,之后选取一个标准的测试模型,BuildTOE,原来高 阶系统n= 120,降阶为m= 6的低阶系统; 步骤6 :设计结束 整个设计过程分为六大步骤:第一步确定了高阶线性系统降阶的目的和数学描述;第 二步确立了系统降阶的误差范数指标,为最优降阶方法的提出做准备;第三步得到了基于 krylov子空间的Arnoldi降阶方法;第四步提出了基于非线性规划的最优插值点求解方 法,得到最优降阶模型;第五步是对设计的系统最优降阶方法进行仿真验证;经过上述各 步骤后,设计结束。
【专利摘要】一种基于非线性规划的高阶系统最优降阶方法,该方法有六大步骤:步骤1:降阶问题描述;步骤2:系统最优降阶指标;步骤3:Arnoldi降阶方法;步骤4:非线性规划求解最优插值点;步骤5:仿真实验检验降阶性能;步骤6:设计结束。第一步确定了高阶线性系统降阶的目的和数学描述;第二步确立了系统降阶的误差范数指标,为最优降阶方法的提出做准备;第三步得到了基于krylov子空间的Arnoldi降阶方法;第四步提出了基于非线性规划的最优插值点求解方法,得到最优降阶模型;第五步是对设计的系统最优降阶方法进行仿真验证;经过上述各步骤后,设计结束。本发明用于处理高阶线性系统,简化控制律设计。
【IPC分类】G05B13-04
【公开号】CN104614985
【申请号】CN201410710029
【发明人】刘金琨, 杨柳
【申请人】北京航空航天大学
【公开日】2015年5月13日
【申请日】2014年11月27日
高阶系统怎么用matlab降阶,一种基于非线性规划的高阶系统最优降阶方法相关推荐
- 距离矢量算法matlab实现,一种基于最小费用距离模型的城市生态网络构建方法与流程...
本发明涉及生态网络构建技术领域,特别是涉及一种城市网络的构建方法. 背景技术: 最小费用距离是网络分析的一种计算方法,这种方法被用于物种保护.自然保护区功能规划.动物栖息地的确定.区域生态安全格局设计 ...
- 机器人系统 是局域linux,一种基于命令行接口的机器人测试系统及测试方法
一种基于命令行接口的机器人测试系统及测试方法 [技术领域] [0001]本发明涉及机器人测试领域,具体是一种基于命令行接口的机器人测试系统. [背景技术] [0002]近年来,智能机器人技术飞速发展, ...
- 声散射 matlab,一种基于声波散射的高强度聚焦超声声场测量方法与流程
本发明涉及超声波聚焦测量.软件仿真.传感器技术领域,特别是涉及一种基于声波散射的高强度聚焦超声声场测量方法. 背景技术: 近年来,声学在各行各业的应用日益增加,尤其是在制造业,以及医疗行业,超声波技术 ...
- matlab碎纸拼接相似函数,基于蒙特卡洛算法构建能量函数的碎纸图片拼接方法
基于蒙特卡洛算法构建能量函数的碎纸图片拼接方法 [专利摘要]本发明提供了一种基于蒙特卡洛算法构建能量函数的碎纸图片拼接方法,主要涉及双面打印文件的拼接及复原问题,通常由于图片较多,信息量较大,故通常为 ...
- 区块链相关数据报表_一种基于区块链的财务报表系统及其使用方法与流程
本发明涉及区块链领域,尤其是一种基于区块链的财务报表系统及其使用方法. 背景技术: 随着社会的发展,公司的成立数量越来越多,而公司的财务报表是一个公司的关键资料,这就要求资料数据的绝对安全防止他人的恶 ...
- 掌纹与掌静脉融合matlab代码,一种基于人脸和掌纹掌静脉识别的身份比对方法与流程...
本发明涉及生物识别技术领域,具体为一种基于人脸和掌纹掌静脉识别的身份比对方法. 背景技术: 生物特征是指人体所固有的生理特征或行为特征,生理特征包括指纹.人脸.虹膜.掌静脉等,行为特征有声纹.步态以及 ...
- matlab 重叠峰分解 算法,一种基于粒子群算法的光谱重叠峰分解方法与流程
本发明涉及一种基于粒子群算法的光谱重叠峰分解方法. 背景技术: 由于探测器能量分辨率等原因,峰位接近且峰宽较大的不同谱峰之间常常出现严重重叠干扰的现象,要对光谱作进一步较为准确.全面的成分定量和定性分 ...
- android 订餐系统,一种基于Android平台手机订餐系统的实现方法
一种基于Android平台手机订餐系统的实现方法[ 技术领域: ][0001]本发明涉及一种手机订餐系统,能够通过手机上的Android软件实现订餐.[ 背景技术: ][0002]目前已有的网上订餐系 ...
- 一种基于实时分位数计算的系统及方法
一.问题描述与技术挑战 在实际工作中,我们发现许多业务场景中都有对某一数值型指标实时统计分位数的需求,一般要求计算结果有很高准确率同时具备极低的计算延迟,实现这类需求给数据RD的开发工作带来一定的挑战 ...
最新文章
- 面试前必知必会的二分查找及其变种
- 5进程间锁:进程间pthread_mutex,文件锁
- MYSQL中group_concat有长度限制!默认1024
- .NET Core 3.0:System.Data的变化
- wso2 esb_通过运行示例从WSO2 ESB开始
- 虚拟邮箱怎么设置方法_腾讯企业邮箱邮件列表白名单设置方法
- XEngine:深度学习模型推理优化
- java中max函数blog_感受 lambda 之美!
- html自适应布局_三分钟学会响应式布局和自适应布局
- 06.大厂面试题:请讲下SpringBoot的日志框架原理
- c语言入门敲打,C语言基础三(敲打键盘、寻找资料,循环语句)
- 国际化的支持--多编码问题
- html动态绑定树形菜单,jQuery ztree实现动态树形多选菜单
- Swift-函数学习
- 明晰监管范围保护信息安全
- java计算两个时间差的方法_java计算两个时间相差天数的方法汇总
- JVAV SE冒泡排序
- JAVA之线程子类秒表(静态)
- 第四十一章 2D游戏(2)
- c语言next函数,详谈全排列next_permutation() 函数的用法(推荐)
热门文章
- 警惕三星白电这个重磅杀手
- linux dd iflag oflag,Linux dd 命令
- Error creating bean with name 'userServiceImpl'Injection of autowired 分布式新搭建项目无法自动装配 creating bean
- linux之cal命令
- 跨境电商亚马逊 速卖通 阿里国际 shopee 运营策略与实践
- 邓应海:3.25晚间黄金一波大涨,后市又该怎么操作
- 前端面试题整理(vue/js/css)
- 中国“纳斯达克”凌晨出炉,创新企业的新机遇来了!
- 高等数学:学习路线图
- cocos2d-x笔记(九)Lua开发飞机大战-3-背景图的滚动