降阶系统总结

降阶系统总结

线性系统

$$\{\begin{array}{l}E\frac{dx(t)}{dt}=Ax(t)+Bu(t),\\ y(t)=Cx(t).\end{array}$$

其中$E,A\in {\mathbb{R}}^{n\times n},B\in {\mathbb{R}}^{n\times p},C\in {\mathbb{R}}^{m\times n},x(t)\in {\mathbb{R}}^n,u(t)\in {\mathbb{R}}^p,y(t)\in {\mathbb{R}}^m$.

系统$(1)$的传递函数为
$$H(s)=C(sE-A{)}^{-1}B.$$

渐进波形估计模型降阶方法（AWE）

AWE就是对传递函数$H(s)$做$Pade$有理逼近得到$\hat{H}(s)$，再对$\hat{H}(s)$做逆Laplace变换，得到传递函数$H(s)$在时间域上的近似响应$\hat{h}(t)$，从而输出波形近似$\hat{y}(t)=\hat{h}(t)\ast u(t)$.

缺点：数值不稳定.

Krylov子空间模型降阶方法

构造$colspan(V)=K_r(A^{-1}E,A^{-1}B)$，利用$V$可得系统$(1)$的降阶系统：
$$\{\begin{array}{l}\tilde{E}\frac{d\tilde{x}(t)}{dt}=\tilde{A}\tilde{x}(t)+\tilde{B}u(t),\\ \tilde{y}(t)=\tilde{C}\tilde{x}(t).\end{array}$$
其中，$\tilde{E}=V^{T}EV,\tilde{A}=V^{T}AV,\tilde{B}=V^{T}B,\tilde{C}=C^{T}V,\tilde{x}(t)\in {\mathbb{R}}^r$.

则系统$(3)$即为系统$(1)$的$r$阶降阶系统，并且降阶系统$(3)$的传递函数匹配原始系统$(1)$传递函数的前$r$​​阶矩.

缺点：如果我们希望通过匹配传递函数的更多矩来获得更精确的降阶系统，我们就需要在$K_r$中添加更多的矩向量，那么降阶系统的阶数r将会相应增加。此外，如果线性系统是多输入的系统，那么$u(t)$是向量而不是标量函数，从而$B$相应的就会有许多列，这样的话$K_r$就会有许多列，也即$V$会有许多列。这就可能导致降阶系统的阶数$r$不够小，甚至接近原始系统的阶数$n$.

对于形式特殊的矩阵有PRIMA算法和SPRIM算法.

平衡阶段模型降阶方法

优点：平衡阶段方法可以很容易得到降阶系统与原始系统之间的误差关系.

在对系统进行截断降阶之前，需要对原始系统做平衡变换.首先给出平衡变换的定义：

系统Hankel奇异值的定义是：一个线性时不变系统的Hankel奇异值是系统的可控Gram矩阵P和可观Gram矩阵Q的乘积的特征值的平方根，即
$${\sigma }_i=\sqrt{{\lambda }_i(PQ)},i=1,2,\cdots ,n.$$
接下去让我们考虑平衡截断的算法，考虑如下最小实现系统：
$$\{\begin{array}{l}\frac{dx(t)}{dt}=Ax(t)+Bu(t),\\ y(t)=Cx(t)+Du(t).\end{array}$$
系统$(5)$经平衡变换T作用后的平衡系统为：
$$\{\begin{array}{l}\frac{d\hat{x}(t)}{dt}=\hat{A}\hat{x}(t)+\hat{B}u(t),\\ \hat{y}(t)=\hat{C}\hat{x}(t)+\hat{D}u(t).\end{array}$$
其中$\hat{A}=T^{-1}AT,\hat{B}=T^{-1}B,\hat{C}=CT,\hat{D}=D.$

除此之外，还有
P ^ = T − 1 P T − T = Q ^ = T T Q T = Σ = d i a g { σ 1 I n 1 , σ 2 I n 2 , ⋯   , σ k I n k } \hat{P}=T^{-1}PT^{-T}=\hat{Q}=T^TQT=\Sigma=diag\{\sigma_1I_{n_1},\sigma_2I_{n_2},\cdots,\sigma_kI_{n_k}\} P^=T−1PT−T=Q^​=TTQT=Σ=diag{σ1​In1​​,σ2​In2​​,⋯,σk​Ink​​}
其中,${\sigma }_i$按降序排列，${\sum }_{i=1}^k{n}_i=n$，这里$n_i$为${\sigma }_i$​的重数.

以下为截断Hankel奇异值得到$q$阶降阶模型的过程：

非线性系统

非线性系统具有以下形式：
$$\{\begin{array}{l}\frac{dx(t)}{dt}=f(x(t))+bu(t),\\ y=c^{T}x(t).\end{array}$$
其中$f(x(t))$是关于$x(t)$的非线性函数.

我们可以用如下非线性电路作为示例：

The quadratic reduction method（二次规约法）

假设$f(x)$足够光滑而且其$Taylor$展开如下：

其中$D_f(0)$是$f$在0处的Jacobian矩阵，$H_f(0)$是Hessen tensor.

利用$f(x)$的$Taylor$展开可以得到如下的二次非线性系统，它是系统$(8)$的近似：

投影矩阵$V$由线性系统的$Krylov$子空间方法启发得到：
s p a n c o l u m n V = s p a n { A − 1 b , A − 2 b , ⋯   , A − q b } spancolumn{V}=span\{A^{-1}b,A^{-2}b,\cdots,A^{-q}b\} spancolumnV=span{A−1b,A−2b,⋯,A−qb}
从而降阶系统是($x=Vz$)：
$$\{\begin{array}{l}\frac{dz}{dt}=\hat{A}z+\hat{A}{V}^T{A}^{-1}{z}^T{V}^{T}WVz+\hat{A}{V}^T{b}_{1}u(t),\\ y=c^{T}Vz.\end{array}$$
其中$\hat{A}=(V^T{A}^{-1}V{)}^{-1}$.

二次规约法虽然比如下传统线性系统近似更精确，但它在形成正交投影矩阵V的时候不包含$f$的非线性部分.

Bilinearazation reduction method（双线性化降阶方法）

假设$f(x)$可以写成如下多元级数表示的形式：

其中${\varphi }_j$​是j元线性函数.

通常情况下，${\varphi }_j$有不同的选择方式.以下根据Kronecker乘积给出一种具体表达式.记:

对非线性函数$f(x)$进行多元函数展开，得：

将上式代入系统的状态方程，就有：

我们使用前两项逼近$f(x)$​，即：

由以下可知Kronecker乘积满足的等式：
$$\begin{array}{rl}\frac{dx\otimes x}{dt}& =\dot{x}\otimes x+x\otimes \dot{x}\\ & =[A_{1}x+A_{2}x\otimes x+bu]\otimes x+x\otimes [A_{1}x+A_{2}x\otimes x+bu]\\ & =[(A_1\otimes I)(x\otimes x)+\cdots ]+(b\otimes I)xu+[(I\otimes A_1)(x\otimes x)+\cdots ]+(I\otimes b)xu\\ & =[(A_1\otimes I+I\otimes A_1)(x\otimes x)+\cdots ]+[(b\otimes I)+(I\otimes b)]xu.\end{array}$$
若记：

则可得如下双线性系统，它是对原始系统$(8)$的近似：

考虑如下单输入单输出系统：

以下给出上述双线性系统的Volterra级数输入输出表达形式.上述系统的输入变量$u(t)$和输出变量$y(t)$的关系可以写成下列Volterra级数形式：

其中$h_k$具有如下的形式：

已知$e^{At}$的Laplace变换为 L { e A t } = ( s I − A ) − 1 \mathcal{L}\{e^{At}\}=(sI-A)^{-1} L{eAt}=(sI−A)−1.

从而$h_k(t_1,t_2,\cdots ,t_k)$的多元Laplace变换具有形式：

我们称$H_k(s_1,s_2,\cdots ,s_k)$为双线性系统的第k阶传递函数.

同时我们化简$H_k$：

其中$m_k(l_1,l_2,\cdots ,l_k)$为$H_k(s_1,s_2,\cdots ,s_k)$的矩，并且有：

由各阶传递函数的矩，我们构造多重Krylov子空间.记第一重Krylov子空间为$colspan{V}^{(1)}=K_{q1}(A^{-1};A^{-1}b)$.同时，对于$k=2,3,\cdots ,r$，则第$k$重krylov子空间可以写为：

综合这些矩阵 { V ( k ) } \{V^{(k)}\} {V(k)}，应用QR分解，可以得到标准列正交矩阵V，它满足：

利用V对原始双线性系统进行降阶.

假设矩阵A非奇异，则原始系统可以转化为：

利用变换矩阵V，就可以构造如下系统：

其中$\tilde{x}(t)\in {\mathbb{R}}^q$.再对上述系统的状态方程两端左乘$V^T$，并且注意到$V^{T}V=I_q$，就可以得到如下降阶系统：

其中$\tilde{A}=(V^T{A}^{-1}V{)}^{-1}$，$\tilde{N}=\tilde{A}{V}^T{A}^{-1}NV$，$\tilde{b}=\tilde{A}{V}^T{A}^{-1}b$，$\tilde{c}=V^{T}c$.

至此，部分总结了线性与非线性系统的降阶方法.