Représentation détats Commandabilité Observabilité Dualité
Cours OCS CFI INSA de Rouen
Cours dAutomatique
28 jun 2017 Ceci traduit le fait que dans ce montage électronique
Analyse des propriétés structurelles dobservabilité de létat et de l
25 sept 2008 appelée faisceau de matrices du système ??. Cette matrice contient une grande partie de l'information importante relative à la structure du ...
Observabilité et inversibilité de la matrice dinformation de Fisher
? se définit comme la matrice de variance- covariance du Jacobien de la fonction log- vraisemblance
Cours dAutomatique Master de Mathématiques Université d
4.2 Interprétation en termes de matrice de transfert . 5.1 Définition et critères d'observabilité . ... On définit l'exponentielle de la matrice A.
Observabilité et systèmes discrets:
29 mar 2018 et la généricité de l'observabilité des systèmes non linéaires discrets. ... _; ô J "* une matrice de rotation les sorties que I'on obtient ...
Chapitre III Commandabilité et observabilité des systèmes
des matrices A et B. III.1.2 Observabilité. Nous nous intéressons au même modèle (III.1). Définition 3.5 : Un état xi du système est observable en t0
page de garde2
(rank) le calcul de la matrice par ( obsv) et le calcul du déterminant par la fonction (det). Figure 3.1 : Etude d'observabilité sous Matlab. Exemple3.2.
Travaux dirigés III Commandabilité et observabilité des systèmes
Il est également complètement observable puisque aucune colonne dans le vecteur ˜C n'est nulle. III.2 Solution de l'exercice 2. La matrice de commandabilité est
Représentation et analyse des syst`emes multi-variables Notes de
5 Gouvernabilité et observabilité: analyse pratique par les grammiens 63 et le calcul d'une réalisation minimale `a partir d'une matrice de transfert ...
Notes de cours
D.Alazard
2 3Contents
Introduction 7
Notations 9
1.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
1.2 Problµeme de l'inversion . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
1.2.3 Illustration: problµeme de l'approximation polynomiale . . . . . 17
matricielle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 192 Analyse des systµemes multi-variables par les valeurs singuliµeres 27
2.2 Application des valeurs singuliµeres: marge de module . . . . . . . . . . 28
2.2.1 Rappel mono-variable: insu±sance des notions de marge de gain
et de phase . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 282.2.2 Marge de module dans le cas multi-variable . . . . . . . . . . . 30
2.2.3 Illustration . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
2.3 Exercise sur l'analyse par les valeurs singuliµeres (sousMatlab) . . . . . 33
trices de transfert 374Contents
3.2.2 Critµeres particuliers . . . . . . . . . . . . . . . . . . . . . . . . . 40
Output) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 403.3.1 Formes diagonales . . . . . . . . . . . . . . . . . . . . . . . . . . 41
3.3.2 Formes compagnes . . . . . . . . . . . . . . . . . . . . . . . . . 41
3.3.3 Formes deJordan. . . . . . . . . . . . . . . . . . . . . . . . . 43
3.4 Cas SIMO (Single Input Multi Output) et MISO (Multi Input Single
output) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 433.6.2 Calcul algorithmique des invariants . . . . . . . . . . . . . . . . 46
3.6.3 Invariants d'une matrice rationnelle . . . . . . . . . . . . . . . . 47
3.9 Exercice . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
4.1 Notations et Problµematique . . . . . . . . . . . . . . . . . . . . . . . . 55
4.2 Rappel cas SISO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56
L(D) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 564.3.2 Changement de variable (post-multiplication) . . . . . . . . . . 57
4.4 Exemple . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
4.5 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
5.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
Contents5
6Contents
7Introduction
ces notes par rapport aux autres documents disponibles.8Introduction
9Notations
Symboles courants
Censemble des complexes
R C nensemble des vecteurs complexes de dimensionn R C m£nensemble des matrices complexesm£n jindex ouj2=¡1 ln logarithme naturel log10logarithme en base 10
kxk;kxk2norme Euclidienne de vecteurs dansRnouCn N(m;¾) loi gaussienne (normale) de moyennemet de variance¾ I 0 nou 0n£mmatrices nullesn£noun£m M M MHerm(M)1
2 M¡1inverse deM
M¡T(MT)¡1= (M¡1)T
M M i(M)i-µeme valeur singuliµere deM min(M) valeur singuliµere minimale deM max(M) valeur singuliµere maximale deM10Notations
i(M)i-µeme valeur propre deM¹¸(M) valeur propre maximale deM ½(M) rayon spectral deM,½(M) = maxij¸i(M)j·(M) conditionnement deM:¾max(M)=¾min(M)
Trace (M) trace deM, trace(M) =Pn
i=1Mi;i spec(M) ensemble des valeurs propres deM ker(M) noyau deM, ker(M) =fx:Mx= 0gIm(M) espace image deM, Im(M) =fMx:x2Cng
dim(V) dimension de l'espaceV rang(M) dim(Im(M))Notations systµeme
svariable deLaplace B C D parfois matrice de transfertC(sI¡A)¡1B+DAcronymes
B.O. Boucle Ouverte
Notations11
A=ATHermitienne
A=¡AT
Anti-hermitienne
Orthogonale
AAT=ATA=I
Unitaire
AAIdempotente
A 2=ANilpotente
A k= 08k¸2 x toutes les valeurs propres sont>0 x toutes les valeurs propres sont¸0Table 1: Classi¯cation des matrices
12Notations
13Chapter 1
1.1 Introduction
Lyapunov,Riccati, LMI1, analyse des systµemes pas les valeurs singuliµeres, ...)1.2 Problµeme de l'inversion
8>>>< >>:y1=a11x1+a12x2+¢¢¢+a1nxn
y2=a21x1+a22x2+¢¢¢+a2nxn...
y m=am1x1+am2x2+¢¢¢+amnxn(1.1) 1LMI: Linear Matrix Inegality
que l'on note matriciellement : y=Axavecy=2 6 664y1 y 2... y m3 7
775; x=2
6 664x1 x 2... x n3 7
775etA=2
6 664a11a12¢¢¢a1n
a21a22¢¢¢a2n...
a m1am2¢¢¢amn3 7 775:A est une matrice de dimensionm£n. Le problµeme de l'inversion consiste µa trouver 2: m=n= rang(A))une solution unique: x=A¡1y m < n)pulsieurs solutions
Introduction d'un critµere:
on choisit la solution de longueur minimale.MinimiserJ=1
2 xTx=1 2 n X i=1x 2i: C'est un problµeme d'optimisation sous les contraintes:y=Ax. On applique alors les principes d'optimisation (voir [3] : cours de de M.Llibreet M.Corrµege "Commande optimale") :Lagrangien:Ja=1
2 xTx+¸T(y¡Ax) (¸: vecteur des paramµetres deLagrange).Principe:
@Ja @x¯¯x=bx= 0)bx¡AT¸= 0
@J a = 0)y=Abx )y=AAT¸(AATde rangmdonc inversible): )¸= (AAT)¡1y) bx=AT(AAT)¡1yRappel:
(calcul de gradiant) 2 rang(A) =min(m;n).1.2 Problµeme de l'inversion15
@[xTy] @x =y,@[yTx] @x =y, @[xTMx] @x = (M+MT)x. m > n)pas de solution exacte.MinimiserJ=1
2 kek2=1 2 eTe=1 2 (y¡Ax)T(y¡Ax) 1 2 (yTy¡xTATy¡yAx+xTATAx): @J @x¯¯¯x=bx= 0) ¡2ATy+ 2ATAbx= 0
est quadratique). x= (ATA)¡1ATyExemple: approximation polyn^omiale
(macropolyfitsous matlab). Soitmcou- ples de mesures (ti; yi). On cherche les coe±cientsxidu polyn^ome d'ordren¡1 passant par les points (ti; yi); soit : y i=x1+x2ti+x3t2i+¢¢¢xntn¡1 ii= 1;2;¢¢¢; m ou encore : 2 6 664y1 y 2... y m3 7 775=2
6
6641t1t21¢¢¢tn¡11
1t2t22¢¢¢tn¡12...
1tmt2m¢¢¢tn¡1m3
7 77526 664x
1 x 2... x n3 7
775(soit:y=Ax)
matrice deVandermonde3pourmetngrands (avecm > n, voir
exercice 1.2.3 sous Matlab). 3 Le conditionnement d'une matrice est le rapport de la plus grande valeur singuliµere de cette matrice sur la plus petite:·(A) =¾max(A)=¾min(A) a)Inversion brutale: bx1= (ATA)¡1ATy (ATA)bx2=ATy : arriµere. sous la forme: A=QR oµuUest une matricen£n ·U d)Pseudo-inverse de Moore-Penrose ou (SVD)(Singular Value decomposition): on note bx4=A+y(pinv(A)en syntaxe Matlab)Remarque 1.2.1
1.2 Problµeme de l'inversion17
1.2.3 Illustration: problµeme de l'approximation polynomiale
Soit :
²[ti] = [0;1;2;3;¢¢¢; m¡1],
²x= [1;1;1;1;¢¢¢;1] (nfois) la valeur vraievraiedu vecteur des coe±cients du dans le casm= 20 etn= 8. Nous pouvons constater que l'inversion directeest trµes mauvaise et que les techniques de lapseudo-inverseet parfactorisation QRdonnent >> % LMS: problµeme de l'approximation polynomiale >> clear all >> format long e >> m=20; >> n=8; >> t=[0:1:m-1]'; >> x=ones(n,1); >> a=[]; >> for ii=1:n,a=[a t.^ii];end; >> y=a*x; >> % Inversion directe: >> xhat1=inv(a'*a)*a'*y Warning: Matrix is close to singular or badly scaled.Results may be inaccurate. RCOND = 1.315754e-22.
xhat1 =4.990038871765137e-01
1.020576477050781e+00
1.205293655395508e+00
1.030517876148224e+00
9.941211566329002e-01
1.000405412632972e+00
9.999893351923674e-01
1.000000218589548e+00
>> norm(xhat1-x)/norm(x) ans =1.918762776683313e-01
>> % Utilisation de la pseudo-inverse: >> xhat4=pinv(a)*y xhat4 =1.000003337860107e+00
9.999985694885254e-01
1.000000953674316e+00
9.999998211860657e-01
1.000000022351742e+00
9.999999990686774e-01
1.000000000014552e+00
1.000000000000227e+00
>> norm(xhat4-x)/norm(x) ans =1.328986586111962e-06
>> [q,r]=qr(a); >> u=r(1:n,1:n); >> qt=q'; >> q1t=qt(1:n,:); >> xhat3=zeros(n,1); >> sec=q1t*y; >> for ii=n:-1:1, prem=0; for jj=ii+1:n, prem=prem+u(ii,jj)*xhat3(jj); end xhat3(ii)=1/u(ii,ii)*(sec(ii)-prem); end >> xhat3 xhat3 =1.2 Problµeme de l'inversion19
9.999995821321698e-01
1.000000000037892e+00
1.000000094150625e+00
9.999999700429867e-01
1.000000004047405e+00
9.999999997290243e-01
1.000000000008738e+00
9.999999999998931e-01
>> norm(xhat3-x)/norm(x) ans =1.518188652864724e-07
d'inversion matricielle y 2¸ =·A11A12 A21A22¸·
x1 x 2¸ ou½y1=A11x1+A12x2 y2=A21x1+A22x2:
x1=A¡111y1¡A¡111A12x2
y2=A21A¡111y1+ (A22¡A21A¡111A12)x2
Posons: ¢ =A22¡A21A¡111A12, alors :
x2= ¢¡1y2¡¢¡1A21A¡111y1
x1= (A¡111+A¡111A12¢¡1A21A¡111)y1¡A¡111A12¢¡1y2
A¡1=·A11A12
A21A22¸
¡1¡¢¡1A21A¡111¢¡1¸
·A11A12
A21A22¸
¡1 =·r¡1¡r¡1A12A¡122 avecr=A11¡A12A¡122A21. D'oµu le lemme d'inversion : A ¡111+A¡111A12(A22¡A21A¡111A12)¡1A21A¡111= (A11¡A12A¡122A21)¡1 de covariance en estimation). avec le cas de blocs deJordan),V= [v1; v2;¢¢¢; vn].
Av i=¸iBvi: systµeme:½_x=Ax+Bu y=Cx avec: dim(A) =n£n, dim(B) =n£m, dim(C) =p£net on suppose queAest diagonalisable.E®ectuons le changement de variable :
x=VexavecVmatrice des vecteurs propresquotesdbs_dbs47.pdfusesText_47[PDF] Matrice de suites
[PDF] matrice de trace nulle semblable ? une matrice de diagonale nulle
[PDF] matrice de transition cours
[PDF] matrice de transition definition
[PDF] matrice de transition exemple
[PDF] matrice de transition terminale s
[PDF] matrice des coefficients techniques
[PDF] matrice diagonalisable exemple
[PDF] Matrice et variable aléatoire
[PDF] matrice identité d'ordre 3
[PDF] matrice inverse de leontief definition
[PDF] matrice inversible exercice corrigé
[PDF] matrice nilpotente exercice corrigé
[PDF] Matrice probabiliste, terminale