状态空间的离散时间模型
离散时间模型可表示为如下形式:
$\mathbf{x}_{k+1} = \boldsymbol{\phi}_k \mathbf{x}_k + \mathbf{w}_k$
$\mathbf{y}_k = \mathbf{B}_k\mathbf{x}_k $
其中:
$\mathbf{x}_k$: $t_k$时刻的状态向量
$\boldsymbol{\phi}_k$: 状态转换矩阵
$\mathbf{w}_k$: 零均值时间不相关序列
注意:对同一时刻$t_k$,状态向量各元素$\mathbf{w}_1,\mathbf{w}_2\ldots$一般是相关的。将$\mathbf{w}_k$的协方差矩阵记为$\mathbf{Q}_k$。
如果离散时间模型是通过对连续时间模型采样得到的,我们需要求解连续时间状态方程以得到离散时间模型中的各参数($\boldsymbol{\phi}_k,\mathbf{w}_k,\mathbf{Q}_k$等)。
连续过程方程如下:
$\dot{\mathbf{x}}=\mathbf{Fx} + \mathbf{Gw}$
设采样时间点为$t_0, t_1 \ldots, t_k, t_{k+1} \ldots$,可得方程在$t_{k+1}$时刻的解为*:
$\mathbf{x}(t_{k+1}) = \boldsymbol{\phi} (t_{k+1}, t_k)\mathbf{x}(t_k) + \int_{t_k}^{t_{k+1}} \boldsymbol{\phi}(t_{k+1},\tau) \mathbf{G}(\tau) \mathbf{w}(\tau)d\tau$
*现代控制工程.第四版.Katsuhiko Ogata.708.
将这个式子和前面离散时间模型的式子对比可看出,两者具有相似的形式,即$ \boldsymbol{\phi}_k$就是$\boldsymbol{\phi} (t_{k+1}, t_k)$,是从step$t_k$到step$t_{k+1}$的状态转换矩阵;$\mathbf{w}_k$是在${t_k,t_{k+1}}$间隔内由输入端白噪声驱动的响应。
$w_k$的协方差矩阵可计算如下:
$\mathbf{Q}_k=E[\mathbf{w}_k\mathbf{w}_k^T]$
$=E\big\{ \big[ \int_{t_k}^{t_{k+1}} \boldsymbol{\phi}(t_{k+1}, u) \mathbf{G}(u) \mathbf{w}(u)du \big] \big[ \int_{t_k}^{t_{k+1}}\boldsymbol{\phi}(t_{k+1},v) \mathbf{G}(v) \mathbf{w}(v)dv \big]^T \big\}$
$=\int_{t_k}^{t_{k+1}} \int_{t_k}^{t_{k+1}} \boldsymbol{\phi}(t_{k+1}, u)\mathbf{G}(u)E[\mathbf{w}(u)\mathbf{w}^T(v)]\mathbf{G}^T(v)\boldsymbol{\phi}^T(t_{k+1},v)dudv$
我们用下面的系统作例子。
$w(t) \longrightarrow \bigg[\frac{\sqrt{2\sigma ^2\beta}}{s+\beta}\bigg] \longrightarrow \bigg[\frac{1}{s}\bigg] \longrightarrow y$
上图中,$w(t)$是单位白噪声,经过系统$\bigg[\frac{\sqrt{2\sigma ^2\beta}}{s+\beta}\bigg]$之后得到Gauss Markov process $x_2$,再经过积分$\bigg[\frac{1}{s}\bigg]$后得到integrated Gauss Markov process $x_1$,$x_1$同时也是系统最终输出的观察量$y$。
连续模型如下:
$\left[\begin{matrix}\dot{x_1}\\\dot{x_2}\end{matrix}\right] = \left[\begin{matrix}0&1\\0&-\beta\end{matrix}\right] \left[\begin{matrix}x_1\\x_2\end{matrix}\right] + \left[\begin{matrix}0\\\sqrt{2\sigma^2\beta}\end{matrix}\right]w(t)$
$y=\left[\begin{matrix}1&0\end{matrix}\right]\left[\begin{matrix}x_1\\x_2\end{matrix}\right]$
状态空间的离散时间模型相关推荐
- 线性连续时间状态空间模型的离散化及实例
线性连续时间状态空间模型的离散化(Discretization of Linear Continuous-Time State-Space Models) 1 .状态空间模型 非线性连续时间状态空间模 ...
- MATLAB-在命令行估计状态空间模型
黑箱与结构化状态空间模型估计 黑盒估计 在这种方法中,您可以指定模型顺序,也可以指定配置状态空间矩阵总体结构的其他模型结构属性.您使用数据和模型顺序作为主要输入参数调用ssest.ssregest或n ...
- matlab状态空间模型,Matlab做状态空间辨识2
转载自了凡春秋USTChttps://chunqiu.blog.ustc.edu.cn/?p=334 命令行辨识状态空间模型 准备工作: 构造iddata对象(输入输出数据对象)或frd.idfrd对 ...
- MATLAB 命令行状态空间模型辨识
matlab状态空间模型,Matlab做状态空间辨识2 - 百度文库 (baidu.com) 分类: 黑箱辨识: 指定模型阶次,选择性的对一些模型矩阵结构属性进行配置.可以使用ssest或n4sid函 ...
- 交互式多模型算法IMM——机动目标跟踪中的应用
机动目标跟踪--交互式多模型算法IMM 原创不易,路过的各位大佬请点个赞 WX: ZB823618313 机动目标跟踪--交互式多模型算法IMM 机动目标跟踪--交互式多模型算法IMM 1. 对机动目 ...
- 数学建模——减肥模型Python实现
注:本模型代码在Jupyter编译 一.模型分析 通常,当体内能量守恒被破坏时就会引起体重的变化.人们通过饮食吸收热量,转化为脂肪等,导致体重增加:又由于代谢和运动消耗热量,引起体重减少.只要作适当的 ...
- 信用风险理论、模型及应用研究(综述)
作者:李兴法 国内外研究历史和现状 一.国外研究 (一)均值一方差理论综述. Harry Markowitz(1952)引入了均值一方差框架用以科学计量风险与收益问题,从而为风险的定量研究建立了数学基 ...
- 独立级联模型线性阈值模型
预备知识 一个社交网络描述成一张有向图G,其中V是节点的集合,E⊆V∗VE\subseteq V*VE⊆V∗V是有向边的集合. 每一个节点v∈Vv\in Vv∈V代表一个社交网络中的人,每一条边(u, ...
- 翻译: 自动驾驶 一步一步解释基本的2D自行车模型
1. 介绍 二维自行车模型可以表示为简化的汽车模型.这是一款经典车型,在正常驾驶条件下能够很好地捕捉车辆运动. 我们将开发的自行车模型称为前轮转向模型,因为可以相对于车辆的前进方向控制前轮方向.后轮方 ...
最新文章
- HDR sensor 原理介绍
- 如何用 Python 和 Flask 建立部署一个 Facebook Messenger 机器人
- Python中的lambda是什么?
- html任务清单源码,JavaScript jQuery 任务清单 ToDoList
- patent sub categories
- head,branch,version,date
- 正态分布的前世今生(1)
- C#委托、类和事件的验证【C#】
- java ext pagesize_更改透明图像的不透明度/更改extgstate字典的值
- java浪漫代码_Elasticsearch,从一个浪漫的故事开始(原理篇)
- djanjo 使用a标签跳转_djangoGETPOST用法以及点击a标签和form表单跳转的类型取参等...
- 多个 Linux 发行版考虑移除 Chromium 软件包
- [CTO札记]社区领域模型-SRC抽象模型
- QT自定义控件(电池)
- 计算机管理无法输入密码,光大网银控件已安装但无法输入密码
- 推荐10款适合C/C++开发人员的IDE
- 微信小程序布局及嵌套地图
- DDoS 攻击次数和流量峰值情况
- java xml 大文件怎么打开_JAVA xml 流方式读取。数据挖掘大文件预处理。
- Python绘图一条龙--大小/坐标/标签/多图布局/配色方案等