鲁棒控制——线性矩阵不等式处理（俞立）(1)

Neverdice

已于 2022-06-23 20:47:06 修改

阅读量4k

点赞数 2

分类专栏：鲁棒控制文章标签：线性矩阵不等式非线性系统 Schur补性质系统分解特征值问题

于 2022-06-23 11:56:44 首次发布

本文链接：https://blog.csdn.net/slimen/article/details/125414061

版权

鲁棒控制专栏收录该内容

1 篇文章

订阅专栏

本文探讨了物理系统模型的不确定性，通常由于复杂性而需要简化。通过将系统分解为线性与非线性部分，利用线性矩阵不等式（LMI）处理非线性映射。介绍了如何将非线性微分方程线性化，并通过Schur补性质转化线性矩阵不等式，解决可行性、特征值和广义特征值问题。LMI在系统分析和控制设计中起到关键作用。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

第一章引言

1.1 模型的不确定性

- 描述物理系统的解析模型很难，甚至不可能精确地刻画，因此为了便于处理，不得不简化模型。
- 一个模型，无论多么详细，都不可能是物理系统的一个精确表示。因此模型存在本质的不精确性。

1.2 解决的手段

将一个系统分解成线性部分和非线性部分，进而用一个更容易处理和分析的对象来代替这个非线性部分，达到简化目的。

如非线性微分方程(1.1)：

$\dot x=f(x,u)$

$y=h(x,u)$

初始条件：
$x(0),x(t),y(t),u(t)$ 是向量值函数
$f,h$ 是光滑的向量值函数

PS.向量值函数：一个函数，其值域是一个线性空间或一个线性空间的子集。

PPS.线性空间：该空间内的向量满足加法和数乘封闭。

将其在原点 $(x,u)=(0,0)$ 处分解(1.2):

$\dot x=Ax+Bu+g(x,u)$

$y=Cx+Du+r(x,u)$

其中： $A,B,C,D$ 就是系统的一个线性化近似

$A=\frac{\partial f}{\partial x}|_{(x,u)=(0,0)},B=\frac{\partial f}{\partial x}|_{(x,u)=(0,0)},C\frac{\partial h}{\partial u}|_{(x,u)=(0,0)},D=\frac{\partial h}{\partial u}|_{(x,u)=(0,0)}$

改写(1.2)成(1.3):

$\dot x=Ax+Bu+w_1$

$y=Cx+Du+w_2$

$(w_1,w_2)=(g(x,u),r(x,u))$

假设G是 $(\dot x,y)$ 的映射， $G:(w_1,w_2,u)\mapsto (x,u,y)$

Q是 $(w_1,w_2)$ 的映射, $Q:(x,u) \mapsto (w_1,w_2)$

系统关系图：

其中，G是系统的线性部分，Q是静态的非线性映射，这样就把系统的非线性部分分离出来，归入映射Q中，非线性部分和线性部分通过反馈关联。

为了处理这部分非线性映射Q，人为定义一个集合 $\Delta$ 来代替它：

集合 $\Delta$ 有如下性质，对于某个输入 $p$ ， $q=Q(p)$ ，则存在一个映射 $\Delta_i \in \Delta$ ，使 $q=\Delta _i (p)$

集合 $\Delta$ 比函数Q要来的简单的多，它们之间相差的程度确定了用集合 $\Delta$ 代替非线性映射Q的保守程度。

第二章线性矩阵不等式

2.1 线性矩阵不等式的一般表示

一个线性矩阵一般式（2.1）

$F(x)=F_0+x_1F_1+...+x_mF_m<0$

其中 $x_1,...,x_m$ 是m个实数变量，称为(2.1)的决策变量， $x=(x_1,...,x_m)^T\in R^m$ ，称为决策向量

$F_i=F_i^T\in R^{n*n},i=0,1,...,m$ 是一组给定的实对称矩阵

<代表矩阵 $F(x)$ 是负定的，即对于所有非零向量 $v \in R^n$ , $v^TF(x)v<0$ ,或者 $F(x)$ 的最大特征值小于0。

2.2 Schur补性质

在许多将一些非线性矩阵不等式转化为线性矩阵不等式的问题中，常常用到Schur补性质：

这里的矩阵小于0是矩阵负定的意思。

由上述引理2.1.2推导到一般线性矩阵不等式 $F(x)<0$ ，其中 $F(x)=\begin{bmatrix} F_{11}(x) & F_{12}(x) \\ F_{21}(x) & F_{22}(x) \end{bmatrix}$ ， $F_{11}(x)$ 是方阵，则可以应用到Schur补性质