论文部分内容阅读
在设计和研究一个控制系统时,必须建立这个系统的动态数学模型,分析系统的动态特性。建立动力系统的数学模型的主要目的有两点:一是为了模拟,二是为了控制。随着科学技术的日益发展,一些实际问题的数学模型往往具有很高的阶数。例如在微电路模拟中,这一阶数已达106。又如国际太空站,它是由许多小的模型结合起来的,而每一个小的模型都至少需要103个状态变量才能准确的描述它。因为大系统的模拟和控制需花费非常大的运算量和存储量,并且大规模问题往往都是病态的。为了能在较短时间内对系统进行模拟或者控制,就有必要对系统的模型进行简化。这种简化就称之为模型降阶。
本文主要研究了一种隐式重新启动的Lanczos算法在模型降阶中的应用,分析了用这个算法得到的降阶后的模型的一些性质。对于一个n阶稳定的线性时不变系统,模型降阶的思想是寻找一个m阶转换函数来近似原系统的n转换函数H(s),其中n>>m。传统的Krylov子空间方法往往产生一个不稳定的实现,并且在低频处的误差较大,本文所考虑的隐式重新启动的Lanczos方法,能较好的解决了上述两个问题。
本文主要分为以下几个部分,第一部分为引言,主要介绍了模型降阶的一些基本概念,回顾了前人在这方面的一些工作。第二部分介绍经典的Krylov子空间方法在模型降阶中的应用。第三部分介绍重新启动的Lanczos技术在模型降阶中的应用。第四部分分析降阶后的模型的一些性质并给出相应的证明。第五部分为数值实验。