系统稳定性判定分析(二)---- 线性定常系统状态方程稳定性判据与n阶常微分方程稳定性判据的等价性

文章目录

n n n 阶线性齐次常微分方程与一阶常微分方程系统的等价转换

考虑如下 n n n 阶线性齐次常微分方程: a 0 x ( n ) + a 1 x ( n − 1 ) + … + a n − 1 x ( 1 ) + a n x = 0 , a 0 ≠ 0 , (1) a_0x^{(n)}+a_1x^{(n-1)}+\ldots+a_{n-1}x^{(1)}+a_nx=0, a_0\neq 0, \tag{1} a0x(n)+a1x(n1)++an1x(1)+anx=0,a0=0,(1)其中系数 a 0 , … , a n a_0, \ldots, a_n a0,,an 均为实数,则方程(1)可等价转换为如下 n n n维一阶系统 x ˙ = A x , (2) \dot{\pmb{x}}=A\pmb{x},\tag{2} x˙=Ax(2)其中 A A A 为系统(2)的系数矩阵,具有如下形式 A = [ 0 1 0 … 0 0 0 1 … 0 ⋮ ⋮ ⋮ ⋮ − a n a 0 − a n − 1 a 0 − a n − 2 a 0 … − a 1 a 0 ] . (3) A=\begin{bmatrix} 0&1&0&\ldots&0\\ 0&0&1&\ldots&0\\ \vdots&\vdots&\vdots& &\vdots\\ -\frac{a_n}{a_0}&-\frac{a_{n-1}}{a_0}&-\frac{a_{n-2}}{a_0}&\ldots&-\frac{a_1}{a_0} \end{bmatrix}.\tag{3} A= 00a0an10a0an101a0an200a0a1 .(3)转变过程如下:
~~~~~~        { x 1 = x x 2 = x ( 1 ) x 3 = x ( 2 ) ⋮ x n = x ( n − 1 ) (4) \begin{cases} x_1=x\\ x_2=x^{(1)}\\ x_3=x^{(2)}\\ \vdots\\ x_{n}=x^{(n-1)}\tag{4} \end{cases} x1=xx2=x(1)x3=x(2)xn=x(n1)(4)将方程(1)左右两边同除以 a 0 a_0 a0,移项可得 x ( n ) = − a n a 0 x − a n − 1 a 0 x ( 1 ) − … − a 1 a 0 x ( n − 1 ) , (5) x^{(n)}=-\frac{a_n}{a_0}x-\frac{a_{n-1}}{a_0}x^{(1)}-\ldots-\frac{a_1}{a_0}x^{(n-1)},\tag{5} x(n)=a0anxa0an1x(1)a0a1x(n1),(5)联立(4)和(5)可得 ( x ˙ 1 x ˙ 2 ⋮ x ˙ n − 1 x ˙ n ) = ( 0 1 0 … 0 0 0 1 … 0 ⋮ ⋮ ⋮ ⋮ − a n a 0 − a n − 1 a 0 − a n − 2 a 0 … − a 1 a 0 ) ( x 1 x 2 ⋮ x n − 1 x n ) , (6) \begin{pmatrix} \dot{x}_1\\ \dot{x}_2\\ \vdots\\ \dot{x}_{n-1}\\ \dot{x}_{n} \end{pmatrix}=\begin{pmatrix} 0&1&0&\ldots&0\\ 0&0&1&\ldots&0\\ \vdots&\vdots&\vdots& &\vdots\\ -\frac{a_n}{a_0}&-\frac{a_{n-1}}{a_0}&-\frac{a_{n-2}}{a_0}&\ldots&-\frac{a_1}{a_0} \end{pmatrix}\begin{pmatrix} x_1\\ x_2\\ \vdots\\ x_{n-1}\\ x_{n} \end{pmatrix},\tag{6} x˙1x˙2x˙n1x˙n = 00a0an10a0an101a0an200a0a1 x1x2xn1xn ,(6) x = ( x 1 x 2 … x n ) T \pmb{x}=(x_1~ x_2~ \ldots~ x_n)^T x=(x1 x2  xn)T,则有系统(2)成立。

多项式的根与常系数矩阵特征值的关联

从上一节系统稳定性判定分析(一)---- 基于时域状态方程的常系数线性系统内部稳定性判定 可知,当线性时不变系统系数矩阵的特征值均具有负实部时,系统具有渐近稳定性,若该系统具有唯一平衡点,则系统最终收敛于该平衡点。在实际生活中,我们可以应用常微分方程描述事物的发展规律,分析事物的运动特性,为刻画事物之间的逻辑关系,通常可能会用到高阶常微分方程,事物的动力特性可以通过分析常微分方程的性质得以说明。
定义多项式 f ( λ ) = a 0 λ n + a 1 λ n − 1 + … + a n − 1 λ + a n , (7) f(\lambda)=a_0\lambda^n+a_1\lambda^{n-1}+\ldots+a_{n-1}\lambda+a_n,\tag{7} f(λ)=a0λn+a1λn1++an1λ+an,(7)根据常微分方程与常微分方程组的特征值解法总结笔记可以得知,方程 (1) 的特征方程即为 f ( λ ) = 0 f( \lambda)=0 f(λ)=0,通过求解上述多项式的根即可确定方程 (1) 解的形式。从系统稳定性角度,可有如下等价性成立:

性质 (3) 式中矩阵 A A A 的特征值与 (7) 式中多项式的根具有相同的取值。

证明. 如下应用数学归纳法进行证明。
(1) 对于1阶情况,即当 n = 1 n=1 n=1 时,此时 f ( λ ) = a 0 λ + a n f(\lambda)=a_0\lambda+a_n f(λ)=a0λ+an,多项式的根为 − a n / a 0 -a_n/a_0 an/a0。相应地,其对应的一阶系统的系数矩阵 A A A A 1 = [ − a n a 0 ] A_1 = [-\frac{a_n}{a_0}] A1=[a0an],经计算, A A A 的特征值亦为 − a n / a 0 -a_n/a_0 an/a0,上述性质满足。
(2) 假定当 n = k − 1 n = k-1 n=k1 时,上述性质满足,即有 d e t ( λ I k − 1 − A k − 1 ) = λ k − 1 + a 1 a 0 λ k − 2 + … + a k − 2 a 0 λ + a k − 1 a 0 . (8) det(\lambda I_{k-1}-A_{k-1})=\lambda^{k-1}+\frac{a_1}{a_0}\lambda^{k-2}+\ldots+\frac{a_{k-2}}{a_0}\lambda+\frac{a_{k-1}}{a_0}.\tag{8} det(λIk1Ak1)=λk1+a0a1λk2++a0ak2λ+a0ak1.(8)则当 n = k n=k n=k 时,方程 (1) 对应的 k k k 维状态方程的系数矩阵 A k A_k Ak A k = [ 0 1 0 … 0 0 0 1 … 0 ⋮ ⋮ ⋮ ⋮ − a k a 0 − a k − 1 a 0 − a k − 2 a 0 … − a 1 a 0 ] A_k=\begin{bmatrix} 0&1&0&\ldots&0\\ 0&0&1&\ldots&0\\ \vdots&\vdots&\vdots& &\vdots\\ -\frac{a_k}{a_0}&-\frac{a_{k-1}}{a_0}&-\frac{a_{k-2}}{a_0}&\ldots&-\frac{a_1}{a_0} \end{bmatrix} Ak= 00a0ak10a0ak101a0ak200a0a1 其特征行列式为 d e t ( λ I k − A k ) = ∣ λ − 1 0 … 0 0 λ − 1 … 0 ⋮ ⋮ ⋮ ⋮ a k a 0 a k − 1 a 0 a k − 2 a 0 … λ + a 1 a 0 ∣ det(\lambda I_k-A_k)= \left| \begin{array}{ccc} \lambda & -1 & 0 &\ldots&0 \\ 0 & \lambda & -1&\ldots&0\\ \vdots&\vdots&\vdots& &\vdots\\ \frac{a_k}{a_0} & \frac{a_{k-1}}{a_0} & \frac{a_{k-2}}{a_0}&\ldots&\lambda+\frac{a_1}{a_0} \end{array} \right| det(λIkAk)= λ0a0ak1λa0ak101a0ak200λ+a0a1
将上述行列式按第一列展开,可得:
d e t ( λ I k − A k ) = λ d e t ( λ I k − 1 − A k − 1 ) + ( − 1 ) 1 + k a k a 0 ( − 1 ) k − 1 = λ d e t ( λ I k − 1 − A k − 1 ) + a k a 0 , \begin{align*} det(\lambda I_k-A_k)&=\lambda det(\lambda I_{k-1}-A_{k-1})+(-1)^{1+k}\frac{a_k}{a_0} (-1)^{k-1}\\ &=\lambda det(\lambda I_{k-1}-A_{k-1})+\frac{a_k}{a_0} ,\tag{9} \end{align*} det(λIkAk)=λdet(λIk1Ak1)+(1)1+ka0ak(1)k1=λdet(λIk1Ak1)+a0ak,(9)将式 (8) 代入式 (9) 中可得
d e t ( λ I k − A k ) = λ d e t ( λ I k − 1 − A k − 1 ) + a k a 0 = λ ( λ k − 1 + a 1 a 0 λ k − 2 + … + a k − 2 a 0 λ + a k − 1 a 0 ) + a k a 0 = λ k + a 1 a 0 λ k − 1 + … + a k − 1 a 0 λ + a k a 0 , \begin{align*} det(\lambda I_k-A_k) &=\lambda det(\lambda I_{k-1}-A_{k-1})+\frac{a_k}{a_0} \\ &=\lambda (\lambda^{k-1}+\frac{a_1}{a_0}\lambda^{k-2}+\ldots+\frac{a_{k-2}}{a_0}\lambda+\frac{a_{k-1}}{a_0})+\frac{a_k}{a_0} \\ &=\lambda^{k}+\frac{a_1}{a_0}\lambda^{k-1}+\ldots+\frac{a_{k-1}}{a_0}\lambda+\frac{a_{k}}{a_0},\tag{10} \end{align*} det(λIkAk)=λdet(λIk1Ak1)+a0ak=λ(λk1+a0a1λk2++a0ak2λ+a0ak1)+a0ak=λk+a0a1λk1++a0ak1λ+a0ak,(10)(10) 式两侧同乘系数 a 0 a_0 a0即得 (7) 式,即当 n = k n=k n=k 时,上述性质成立。
因此,综上所述,(3) 式中矩阵 A A A 的特征值与 (7) 式中多项式的根具有相同的取值。

有关多项式得概念

(1)若 n n n 阶实系数多项式 f ( λ ) f(\lambda) f(λ)所有零点均具有负实部,则称该多项式是稳定的;
(2)若 n n n 阶实系数多项式 f ( λ ) f(\lambda) f(λ)所有零点中至少一个零点的实部为正,则称该多项式是不稳定的;
(3)若 n n n 阶实系数多项式 f ( λ ) f(\lambda) f(λ)既不是稳定的也不是不稳定的,则称其为临界的

一个稳定的多项式被称为Hurwitz多项式

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:http://www.mzph.cn/bicheng/10617.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

关键点检测——面部情绪数据集

引言 亲爱的读者们,您是否在寻找某个特定的数据集,用于研究或项目实践?欢迎您在评论区留言,或者通过公众号私信告诉我,您想要的数据集的类型主题。小编会竭尽全力为您寻找,并在找到后第一时间与您分享。 …

算法提高之字串变换

算法提高之字串变换 核心思想&#xff1a;双向广搜 双向bfs 建立两个队列 一起bfs到中间态 #include <iostream>#include <cstring>#include <algorithm>#include <queue>#include <unordered_map>using namespace std;const int N 6;int n;…

【北京迅为】《iTOP-3588从零搭建ubuntu环境手册》-第6章 安装Samba

RK3588是一款低功耗、高性能的处理器&#xff0c;适用于基于arm的PC和Edge计算设备、个人移动互联网设备等数字多媒体应用&#xff0c;RK3588支持8K视频编解码&#xff0c;内置GPU可以完全兼容OpenGLES 1.1、2.0和3.2。RK3588引入了新一代完全基于硬件的最大4800万像素ISP&…

【数据结构】顺序表(一)

✨✨✨专栏&#xff1a;数据结构 &#x1f9d1;‍&#x1f393;个人主页&#xff1a;SWsunlight 不怕别人看不起&#xff0c;就怕自己不争气。路是人走出来的&#xff0c;关键要靠自己闯。振作起来&#xff0c;生活的含义就是前进。 目录 一、顺序表的概念&#xff1a; 二…

SQLite性能测试(插入)

最近一直在思考一个问题&#xff0c;SQLite 做到这么轻量级&#xff0c;那它注定不会像 MySql 一样强性能&#xff0c;那么它的性能怎么样呢&#xff1f;并发量多高呢&#xff1f; 官方解释&#xff1a; About SQLite 最大数据库大小&#xff1a;281TB 最大行大小&#xff1…

音视频--AAC编码解析和示例

目录 1&#xff1a;AAC编码介绍 2&#xff1a;AAC格式介绍 3&#xff1a;AAC -ADTS帧组成 4&#xff1a;AAC-ADTS&#xff1a;&#xff08;adts_fixed_header&#xff09;格式介绍 5&#xff1a;AAC-ADTS&#xff1a;&#xff08;adts_variable_header&#xff09;格式介绍…

什么是机器视觉应用解决方案?

机器视觉应用解决方案通常指的是利用视觉系统自动检测、处理和分析图像的技术方案&#xff0c;以便执行各种工业或研究任务&#xff0c;如质量控制、自动检测、导航和识别等。在LabVIEW环境中&#xff0c;这些解决方案通常涉及到硬件和软件的紧密集成&#xff0c;以实现高效的数…

C语言收尾 预处理相关知识

一. 预处理详解 1.1 预定义符号 FILE //进行编译的源文件LINE //文件当前的行号DATE //文件被编译的日期TIME //文件被编译的时间FUNCTION //文件当前所在的函数STDC //如果编译器遵循ANSI C标准&#xff0c;其值为1&#xff0c;否则未定义 这些预定义符号都是语言内置的 我们…

用 Python 和 AkShare 进行个股数据清洗:源码剖析和建议优化

这是《个股清洗源码》一个获取股票买卖盘信息并将其打印到控制台并保存到文件的脚本。 下面我们来对源码进行剖析 先复习一下源码 import os import akshare as ak from akshare import stock_bid_ask_em from datetime import datetime import pandas as pd from io import …

类和对象中篇

类的六个默认成员函数 如果一个类中什么成员都没有&#xff0c;简称为空类。空类中什么都没有吗&#xff1f;并不是的&#xff0c;任何一个类在我们不写的情况下&#xff0c;都会自动生成下面6个默认成员函数 ①初始化和清理&#xff1a;构造函数和析构函数 ②拷贝复制&#x…

无线通信模块通过TCP/IP协议实现与PC端的数据传输

在当今的信息时代&#xff0c;无线通信技术的发展日新月异&#xff0c;为我们的工作和生活带来了极大的便利。其中&#xff0c;无线通信模块通过TCP/IP协议向PC端传送数据已经成为了一种常见的通信方式。本文将详细介绍这一过程的主要步骤和涉及的关键技术&#xff0c;并以WIFI…

Linux——信号量

什么是信号量&#xff1f; 信号量是用来用于同步和互斥的。其实就是一个计数器&#xff0c;进行PV操作&#xff0c;其中P操作就是让计数器–&#xff0c;V操作就是让计数器。 从物理上说明信号量的P、V操作的含义。 P(S)表示申请一个资源&#xff0c;S.value>0表示有资源可…

OBS插件--复合模糊

复合模糊 复合是一款滤镜插件&#xff0c;支持多种模糊类型和多种蒙版效果。支持模糊源的部分显示区域&#xff0c;可以反选区域进行模糊&#xff0c;这个功能对于场景部分区域需要遮盖非常实用。 下面截图演示下操作步骤&#xff1a; 首先&#xff0c;打开 OBS直播助手 在…

实现用户个人随机salt生成jwt及鉴别用户权限的实现思路

实现用户个人随机salt生成jwt及鉴别用户权限的实现 盐值是什么&#xff1f; 盐值&#xff08;salt&#xff09;是在密码学中用于增加密码安全性的一种随机值。它通常是一个随机生成的字符串&#xff0c;与用户密码结合在一起&#xff0c;然后再进行加密处理。盐值的作用是增加…

【Unity 鼠标输入检测】

Unity 鼠标输入检测 Unity提供了多种方法来检测和处理鼠标输入&#xff0c;允许开发者在游戏中实现对鼠标移动、点击和滚轮滚动的响应。以下是一些基本的鼠标输入检测方法&#xff1a; 1. Input.mousePosition 这个属性返回当前鼠标指针的屏幕坐标。坐标是以像素为单位的&…

【吊打面试官系列】Java高并发篇 - 同步方法和同步块,哪个是更好的选择?

大家好&#xff0c;我是锋哥。今天分享关于 【同步方法和同步块&#xff0c;哪个是更好的选择&#xff1f;】面试题&#xff0c;希望对大家有帮助&#xff1b; 同步方法和同步块&#xff0c;哪个是更好的选择&#xff1f; 同步块是更好的选择&#xff0c;因为它不会锁住整个对象…

Prim算法(Prim‘s Algorithm)

Prim算法&#xff08;Prims Algorithm&#xff09;&#xff0c;由罗伯特普里姆&#xff08;Robert C. Prim&#xff09;于1957年提出&#xff0c;是一种用于构造加权无向图的最小生成树&#xff08;Minimum Spanning Tree, MST&#xff09;的贪心算法。最小生成树是一个无环子图…

临近空间相关概念

临近空间概念 距地 20KM-100KM 的临近空间位于内外层空间之中&#xff0c;也称为 超高空、近空间、亚轨道等。 特点就是&#xff1a;纵跨 非电离层和电离层、空气稀薄&#xff0c;存在 臭氧、紫外、辐射等特殊环境 存在 重力波、行星波、大气放电等特殊现象。 临近空间高速飞…

##15 探索高级数据增强技术以提高模型泛化能力

文章目录 前言数据增强的重要性常见的数据增强技术高级数据增强技术在PyTorch中实现数据增强结论 前言 在深度学习领域&#xff0c;数据增强是一种有效的技术&#xff0c;它可以通过在原始数据上应用一系列变换来生成新的训练样本&#xff0c;从而增加数据的多样性&#xff0c…

前端 | 易混词卡片切换

文章目录 &#x1f4da;实现效果&#x1f4da;模块实现解析&#x1f407;html&#x1f407;css&#x1f407;javascript &#x1f4da;实现效果 绘制单词卡片效果&#xff0c;实现点击左半部分上翻&#xff0c;点击右半部分下翻。 &#x1f4da;模块实现解析 &#x1f407;…