自动控制原理之控制系统的数学模型（类比神经网络学习数学模型）

背景

数学模型就像是真实世界的写照，它就像一个虚拟的世界，我们可以通过建模的方式了解这个真实世界的运作规律。

这一点很像强化学习，强化学习需要一个供智能体探索、学习的环境，于是，我们通常会事先建立一个虚拟的仿真环境。举个例子，对于人类来说，可能需要经过不断地尝试，甚至是生命的代价，才知道遇到熊时，比起逃跑，装死才是明智的选择。而有了一个虚拟环境以后，我们可以让智能体在环境中随意尝试，因为在虚拟环境中发生的事并不会影响现实世界。

如果说的大一点，就好像火箭发射。火箭的制造成本是很高的，如果每次做实验都用真火箭发射，那么这个实验的成本是相当高的，因此，我们首先需要建立一个数学模型，先在数学模型上分析，再应用到实际中去。

建模方法

数学模型有两种建模方法：

• 分析法——根据物理规律和化学规律列出方程式
• 实验法（系统辨识）——施加信号，记录响应，用适当的数学模型进行逼近

在电学、力学等传统科学中，一般都有很多前人留下的理论，比如基尔霍夫定律、牛顿定律等，因此一般都采用分析法来建立数学模型

而在一些比较新兴的领域，比如深度学习里用到的神经网络，探究某一神经网络的输入与输出关系时，可以用到实验法。比如输入一个数，输出它的相反数，我们需要不断地记录网络实际输出与我们的期望输出，并对网络的权重做出调整，最后达到我们想要的效果。

常用的数学模型

• 时域模型——微分、差分、状态方程
• 复数域模型——传递函数、结构图
• 频域模型——频率特性

时域数学模型的建立

微分方程是描述控制系统最基本的数学工具，他是对物理系统输入/输出的描述。

当系统的输入量和输出量都是时间t的函数，如果微分方程是线性的，并且各项系数都为常数，则称之为线性定常系统的数学模型。

比如一个RLC电路：

根据基尔霍夫定律，可以得到：

质量-弹簧-阻尼系统：

又牛顿定律可以得到：