Введение в теорию идентификации систем
Роль математического моделирования при решении задач управления, на базе которого производится анализ и синтез системы управления. Идентификация, общие понятия, модели. Классификация методов идентификации. Идентификация динамических и нелинейных систем.
Рубрика | Программирование, компьютеры и кибернетика |
Вид | реферат |
Язык | русский |
Дата добавления | 05.06.2017 |
Размер файла | 1,4 M |
Отправить свою хорошую работу в базу знаний просто. Используйте форму, расположенную ниже
Студенты, аспиранты, молодые ученые, использующие базу знаний в своей учебе и работе, будут вам очень благодарны.
26
Размещено на http://www.allbest.ru/
Реферат
Введение в теорию идентификации систем
Красноярск 2015
Содержание
- Введение
- 1. Идентификация, общие понятия, модели
- 2. Классификация методов идентификации
- 3. Структурная идентификация
- 4. Параметрическая идентификация
- 5. Идентификация линейной регрессионной модели
- 6. Идентификация динамических систем
- 7. Идентификация нелинейных систем
- Список использованной литературы
- Приложения
Введение
В последние годы значительно возросла роль математического моделирования в различных отраслях науки и техники, это позволяет глубже познавать закономерности и характеристики, присущие тем или иным объектам, явлениям, процессам. Если в физике и технике методы математического моделирования применяются относительно давно, то в последнее десятилетие они нашли широкое Распространение также в таких, казалось бы, далеких от математики областях зданий, как биологии, медицина, экономика, социология, психология и многие другие. Это с одной стороны, можно объяснить общностью этих методов. а с другой стороны - возможностью их практической реализации в связи с появлением современных средств вычислительной техники.
Особенно велика роль математического моделирования при решении задач управления, на базе которого производится анализ и синтез системы управления. Осуществление математического моделирования возможно при наличии математической модели изучаемого объекта, процесса или явления, т.е. при наличии уравнений, описывающих этот объект. В настоящее время мы часто сталкиваемся (даже при наличии современных вычислительных машин) с невозможностью моделировалирования из-за отсутствия математического описания интересующего нас объекта или явления. Построение математической модели или создание алгоритмов их автоматического получения, таким образом, является первым этапом математического моделирования. Естественно в связи с этим значительно возрос интерес к методам построения математических моделей и особенно к одному из этих методов - идентификации (Само понятие идентификация исходит от латинского слова identifico - отождествляю);
В этом случае модель строится по результатам, полученным в условиях нормального функционирования изучаемого объекта. Математическая модель в данном контексте означает математическое описание поведения какой-либо системы или процесса в частотной или временной области, к примеру, физических процессов (движение механической системы под действием силы тяжести), экономического процесса (реакция биржевых котировок на внешние возмущения) и т.п. В настоящее время эта область теории управления хорошо изучена и находит широкое применение на практике.
Сейчас можно говорить о широком применении методов математического моделирования для изучения объективных законов природы, для отображения реальной действительности. Метод построения модели объекта, явления, реальной действительности и ее использование для решения конкретных задач не нов и применяется человечеством с древних времен. Например, при решении задач земледелия строилась модель земельного участка и интенсивно развивалась геометрия, для этого создавались специальные понятия и символический язык.
1. Идентификация, общие понятия, модели
Несмотря на интенсивное развитие математического моделирования и методов построения моделей для решения как общепознавательных, гносеологических задач, так и конкретных задач управления, прогнозирования и др., до сих пор в этой области нет единой терминологии.
В настоящее время под моделью обычно понимают как символические, так и вещественные модели.
В символических (языковых) моделях фиксация, построение, описание объекта или явления дается на том или ином языке (например, естественный, математический, химический языки, язык чертежей, схем и т.д.). При этом, очевидно, не играет роли, на каком конкретном языке описан тот или иной объект, так как принципиально возможен переход с одного языка на другой. Например, дифференциальные уравнения второго порядка, описывающие колебания в электрическом контуре или пружинного маятника, чертеж изделия, схема технологической обработки, географическая карта, план здания являются символическими моделями.
К вещественным (материальным, приборным) моделям, которым обычно противопоставляются символические относятся так называемые пилотные установки, которые специально строятся для изучения химических процессов, полигоны с соответствующими макетами для испытаний машин, макеты городов, кораблей и т.д.
Широкое проведение моделирования связано с построением специальных аналоговых или цифровых устройств, моделей установок, входящих в класс вещественных моделей.
Эти модели могут быть использованы для моделирования, результаты которого применяются при решении практических задач.
Кроме того, аналоговая или цифровая модель могут быть использованы в самой системе управления, где по результатам моделирования вырабатываются управляющие действия. Построение символических моделей осуществляется на стохастических (вероятностных) или детерминированных принципах в зависимости от природы объекта, степени его изученности и целей использовании модели.
Символические модели как стохастические, так и детерминированные могут быть гносеологическими, информационными и сенсуальными (чувственными).
Построение гносеологических моделей преследует познавательные цели - установление объективных законов природы (физические, химические, механические гидравлические и т.п. модели). Эти модели строятся не только для установления закономерностей, необходимых для управления, хотя до недавнего времени при построении моделей объектов управления в основном использовались закономерности, выведенные при создании гносеологических моделей. Но с ростом сложности объектов управления имеющихся моделей оказывалось недостаточно, и разрабатывались специальные методы построения моделей и проведения моделирования, чтобы использовать результаты моделирования для создания системы управлении или непосредственно модель - в системе управления.
Информационные модели представляют собой символические модели, описывающие поведение объекта оригинала, а не копирующие его по физической сущности. Целью построении информационной модели является разработка методов управления.
К сенсуальным (чувственным) моделям относятся модели, в которых дается описание чувств, эмоций, или модели, оказывающие эмоциональные воздействие на человека - произведении изобразительного искусства, литературы, музыки и т.п. Этот класс произведений также представляет собой модели реально существующих объектов (человека, природы, общества и др.), но во многих случаях еще не установлены методы их количественной оценки. Эта классификация является далеко не полной, приближенной, но до некоторой степени она отражает существующее положение вещей, и, может служить основой для дальнейшего уточнения и развития.
Но всех случаях моделирование требует знании математического описания (модели) объекта.
Л. Льюнг отмечал, что "Конструирование моделей по данным наблюдений включает три основных компонента.
1. Данные.
2. Множество моделей-кандидатов.
3. Правило оценки степени соответствия испытываемой модели данным наблюдений.
1. Данные наблюдений. Входо-выходные данные иногда регистрируются в процессе проведения целенаправленных идентификационных экспериментов, когда пользователь может определить перечень и моменты измерения сигналов, причем некоторые из входных сигналов могут быть управляемыми. Задача планирования экспериментов таким образом, состоит в том, чтобы, учитывая возможные ограничения, выбрать максимально информативные данные о сигналах системы. В некоторых случаях пользователь может быть лишен возможности влиять на ход эксперимента и должен опираться на данные нормальной эксплуатации.
2. Множество моделей. Множество моделей-кандидатов устанавливается посредством фиксации той группы моделей, в пределах которой мы собираемся искать наиболее подходящую. Несомненно, это наиболее важная и в то же время наиболее трудная часть процедуры идентификации. Именно на этом этапе знание формальных свойств моделей необходимо соединить с априорным знанием, инженерным искусством и интуицией. Множество моделей иногда становится результатом тщательного моделирования, после чего на основе законов физики и других достоверных знаний формируется модель, включающая физические параметры с еще не определенными значениями. Другая возможность состоит в том, чтобы без всякого физического обоснования использовать стандартные линейные модели. Множество таких моделей, у которых параметры рассматриваются прежде всего как варьируемые средства подстройки моделей к имеющимся данным и не отражают физики процесса, называется черным ящиком. Множества моделей с настраиваемыми параметрами, допускающими физическую интерпретацию, называют серыми ящиками.
3. Определение на основе данных наблюдений "наилучшей" модели множества. Эта часть есть собственно метод идентификации. Оценка качества модели связана, как правило, с изучением поведения моделей в процессе их использования для воспроизведения данных измерений.". (Льюнг Л. Идентификация систем. Теория для пользователя. 1991.С. 20)
Что же может дать идентификация систем? Методы идентификации систем являются гибким средством решения многих задач науки и техники. Ценность такого инструментария подтверждена многочисленными приложениями из различных областей.
Возможности. Методы, рассматриваемые в этой работе, как таковые, не зависят от приложений. Любой объект, обладающий динамическими свойствами, составляет потенциальное приложение. В самом деле, сообщалось об успешном применении методов идентификации к решению задач в таких разных областях, как управление, медико-биологические системы, сейсмология, экология и окружающая среда, динамика самолета, эконометрика и многих других. Ключ к успеху в том, чтобы получить качественные данные и иметь хорошее представление о типе модельном структуры, которую следует использовать.
Адаптивные и робастные системы: делают ли они математическое описание ненужным? Модели динамических целей являются вспомогательным (инструментальным) средством при решении многих задач: предсказания, управления, имитационного моделирования, проектирования фильтров, восстановления наблюдений и др. Иногда говорят о том, что потребность в модели может быть поставлена под сомнение введением более тонких решений: механизмов адаптации, когда осуществляется непосредственная настройка параметров принимаемых решений, или робастных схем, которые нечувствительны к корректности используемой модели. Однако нужно отметить, что адаптивные схемы, как правило, могут быть истолкованы как рекуррентные алгоритмы идентификации, применяемые к модельной структуре специального вида (например, параметризация модели в терминах соответствующего оптимального регулятора). Таким образом, процедура построения модели оказывается по существу встроенной в механизм адаптации.
Робастное проектирование основано на номинальной модели и определяется так, чтобы гарантировать нормальное функционирование даже при отклонениях от номинальной модели. Обычно можно ввести некоторую окрестность вокруг номинальной модели, в рамках которой соответствующее ухудшение качества считается допустимым. И здесь важен тот факт, что модели, полученные в процессе системной идентификации, могут быть снабжены этикеткой с указанием их качества: оценок отклонений от истинного описания в параметрической или частотной области. В результате такие модели хорошо подходят для робастного проектирования.
2. Классификация методов идентификации
Различные методы идентификации зависят от формы представления математических моделей - обыкновенных дифференциальных, разностных уравнений, уравнений свертки и т.д. Однако универсальной классификации методов идентификации нет, для каждой системы они индивидуальны. Методы идентификации можно условно разделить по следующим признакам.
По способу тестирования различают активные и пассивные методы идентификации. В активных методах на вход объекта подаются специально сформированные воздействия - тестовые сигналы - детерминированного или случайного характера.
теория идентификация система
Достоинствами этого подхода являются минимальные требования к априорным сведениям об объекте, целенаправленный характер идентификации, и, как следствие, уменьшение временных и материальных затрат на проведение эксперимента.
При использовании пассивных методов объект находится в условиях нормального функционирования, и параметры модели отыскиваются по результатам статистической обработки наблюдений.
Преимуществами этого подхода является отсутствие необходимости проводить специальные исследования объекта, достаточно лишь измерение наблюдаемых сигналов в режиме рабочего функционирования объекта с последующим расчетом параметров модели. К числу недостатков такого подхода являются значительные временные затраты на сбор и необходимую статистическую обработку данных.
По характеру используемых сигналов различают детерминированные и статистические методы.
В реальных условиях сигналы всегда подвержены действию помех и сильно зашумлены, и детерминированные алгоритмы необходимо дополнять статистическим усреднением (сглаживанием) получаемых результатов. По признаку временных затрат методы делятся на оперативные и ретроспективные.
При оперативной идентификации обеспечивается текущее отслеживание меняющихся характеристик объекта. На основе рекуррентных алгоритмов, реализуемых в темпе, близком к скорости протекания процесса, оценки параметров моделей уточняются в реальном времени на каждом шаге поступления новых измерений. При ретроспективной идентификации вначале собирается весь массив данных, и оценки характеристик или параметров получаются после обработки этого массива.
3. Структурная идентификация
Подразумевает построение модели типа "черный ящик" (Рис. 3.1), т.е. об объекте мы ничего не знаем. Главная задача: определение структуры модели.
Рисунок 3.1 Модель типа черный ящик
Рекомендации по решению задач структурной идентификации:
1. Определить тип (класс) моделей.
а) Начинать построение модели с физической модели (по известным законам физики, не забывая о цели построения модели);
б) Начинать с самых простых моделей (линейная, непрерывная, одномерная и т.д.);
в) Постараться преобразовать модель к виду линейной регрессии:
2. Определение размера или порядка модели (определение количества внутренних переменных модели). Определение ковариационных (зависимость от шумовых характеристик) и корреляционных (взаимосвязь между определенными двумя внутренними переменными) матриц. На сегодняшний момент существует несколько методов исследования ковариационных и корреляционных матриц, которые позволяют определить недостаточность или избыточность модели.
3. Параметрическая идентификация (способ параметризации модели).
Рис 3.2 Общая схема идентификации модели
Текущие данные могут быть получены в результате пассивного или активного эксперимента. Пассивный эксперимент, когда исследователь не влияет на процедуру регистрации (изменения) данных. Активный эксперимент, когда исследователь формирует программу эксперимента. Методы программирования эксперимента исследует специальная область в ТАУ. В результате активного эксперимента упрощается процедура идентификации.
При выборе класса модели сначала определяются параметры: F = (Л,, Н М), где Л - линейность, Н - непрерывность, М - многомерность. Любое из этих значений может принимать либо 0, либо 1. Самая простая модель: F = (Л =1, Н =1, М = 0).
Выбор критерия согласия
Как писал П. Эйкхофф:
"Выходы объекта: , где - шум измерения i переменной.
Выходы модели =
Ошибки по отдельным переменным:
Ошибка системы:
1. Априорная информация: отсутствует.
Используется метод наименьших квадратов (МНК).
Критерий согласия J по методу наименьших квадратов имеет вид:
,
где I - единичная матрица.
2. Априорная информация:
- Ковариационная матрица шума Q:
Q=
Используются марковские оценки (обобщенный метод наименьших квадратов):
J =
3. Априорная информация:
ковариационная матрица шума Q.
информация о влиянии переменных друг на друга например, совместное распределение вероятностей p , зависящие от параметра а.
Используется метод максимального правдоподобия:
,
где - функция правдоподобия, - измеренные значения выходных переменных
4. Априорная информация:
ковариационная матрица шума Q,
информация о влиянии переменных друг на друга (совместное распределение вероятностей p )
плотности распределения x, , a. Используется метод минимального среднего риска". (Эйкхофф П. Основы идентификации систем управления. Оценивание параметров и состояния. - М.: Мир, 1975. - 681 с.)
4. Параметрическая идентификация
Свойства идентификации: управляемость, наблюдаемость, идентифицируемость.
Рассмотрим систему (Рис 4.1) в виде , порядок системы n.
Рисунок 4.1 Модель параметрической идентификации
Управляемость - система управляема, если для любого момента времени при любых состояниях существует такое управление u, которое переводит начальное состояние системы в конечное за ограниченное время.
Условие управляемости системы: rank () = n.
Наблюдаемость - система наблюдаема, если любое или все ее состояния можно непосредственно или косвенно определить по выходному вектору системы.
Условие наблюдаемости системы: rank () = n.
Идентифицируемость - система идентифицируема, если по измерениям координат состояния системы можно определить ее параметры.
В простейшем случае
,
Где - вектор начальных условий.
Условие идентифицируемости системы: rank () = n.
Рис 4.2 Схемы параметрической идентификации
5. Идентификация линейной регрессионной модели
Рис 5.1 Схема одномерной система
1)
В течение времени будет снято k измерений, а также матрица:
Используем ошибку , где - выходная переменная объекта; - выходная переменная модели.
a) использование метода наименьших квадратов.
б) использование обобщенного метода наименьших квадратов.
2)
Для того чтобы получить , исходная матрица X дополняется единичным столбцом:
3)
Обозначим и получим классическую модель:
6. Идентификация динамических систем
Допустим, динамическая система описана передаточной функцией следующего вида:
1. Получаем систему дифференциальных уравнений первого порядка из n уравнений
где Y - выходные переменные, U (t) - входные переменные, X - внутренние переменные.
Получить эту систему можно двумя способами:
а) - W (p) =
p =
замена переменной = =
= =
получаем систему дифференциальных уравнений.
б) C помощью методов пространства состояния.
2. От дифференциальных уравнений переходим к разностным уравнениям
, где V= - обобщенный вектор.
3. Получаем матрицу перехода:
Ф () =,
При этом V (k) при r измерениях примет значение:
Количество измерений определяется по аналогичной формуле для линейного регрессионного анализа.
7. Идентификация нелинейных систем
Существует несколько методов идентификации нелинейных систем:
Метод прямого поиска;
Аппроксимация нелинейности;
Модели Гаммерштейна, Винера;
Двухэтапная процедура.
Метод прямого поиска
Нелинейную функцию f (x) преобразуют в линейную функцию . Далее применяют любой метод идентификации линейных систем.
Допустим, что модель объекта имеет вид
y= ,
Где , - входные параметры, y - выходной параметр, ,, - искомые параметры.
ln y= ln + n+ln
Z = ln y
Рассматриваем только положительные значения y.
Апроксимация нелинейности
Таблично заданная функция (явно нелинейная) аппроксимируется с помощью полинома произвольным методом. Полученный полином и есть модель нашего объекта. Функция должна быть непрерывна.
Теорема Вейерштрасса:
Пусть f - непрерывная функция, определенная на отрезке [a,b]. Тогда для любого > 0
существует такой многочлен p с вещественными коэффициентами, что для любого x из [a,b] выполнено условие f (x) - p (x) <
Таким образом, все нелинейности можно описать полиномом, а полином свести к линейной регрессии.
Модели Гаммерштейна, Винера
Система приводится к одному из следующих видов: модель Гаммерштейна, модель Винера, модель Гаммерштейна-Винера.
Рис 7.1 Модель Гаммерштейна
X= f (U)
Y = AX=A f (U)
Входной сигнал u (t) известен.
1. Если известна функциональная зависимость f (u (t)) - вид нелинейности, то вводим
x = f (u (t)).
Идентификация сводится к определению параметров линейной части:
y (t) = Ax (t).
2. Функциональная зависимость f (u (t)) не известна. Строится таблица этой нелинейной зависимости. По этой таблице любой интерпретируемой формулой получаем аппроксимирующий полином нелинейности f (u (t)). Зная параметры аппроксимирующего полинома, вводим x (t) = f (u (t)) и, снимая соответствующие ему y (t), решаем задачу идентификации:
y (t) = Ax (t).
Рис 7.2 Модель Винера
X= АU
Y = f (X) = f (A U)
Рис 7.3 Модель Гаммерштейна-Винера
X= f (U)
Y = AX=A f (U)
Z = g (Y) = g (A f (U))
Двухэтапная процедура
1. Нелинейная характеристика разбивается на участки, в пределах которых нелинейная функция может быть с достаточной долей точности представлена линейной функцией. Данные участки называются участками линеаризации. Начало участков называется точкой линеаризации. В каждой точке линеаризации входной переменной придается незначительное приращение и
фиксируется изменение выходной переменной. По данным входного и выходного переходного процесса с помощью линейных методов идентификации строятся линейные модели.
2. Аппроксимация линейных моделей в нелинейную функцию.
На основе зарегистрированного переходного процесса строится матрица коэффициентов линейным реверсионным методом. В результате получим столько матриц, сколько узловых точек.
Каждый коэффициент матрицы аппроксимируется по той или иной интерполяционной формуле с помощью любого полинома.
Пример: Рассматривается отдельно нелинейное звено. На нелинейной характеристике выбирается отрезок, где система ведет себя как линейная функция.
Рис 7.4 График нелинейной функции
Отрезок, где функция линейна - , где - точки или узлы линеаризации.
Для точек линеаризации подбираем соответствующие входные точки
Каждой точке линеаризации подаем входную переменную, увеличивающуюся на величину
Снимаем переходный процесс системы для каждой точки линеаризации.
Для каждой точки линеаризации получаем линейную модель
По каждому получаем функциональную зависимость = f методом аппроксимации тем же самым полиномом
Список использованной литературы
1. Бояршинова А.К., Фишер А.С. "Теория инженерного эксперимента: текст лекций." - Челябинск: Издательство ЮУрГУ, 2006. - 85 с.
2. Красовский Г.И., Филаретов Г.Ф. "Планирование эксперимента." - Минск: Издательство БГУ, 1982. - 302 с.
3. Эйкхофф П. "Основы идентификации систем управления. Оценивание параметров и состояния." - Москва: Мир, 1975. - 681 с.
4. Дилигенская А.Н. "Идентификация объектов управления." - Самара: Самарский государственный технический университет, 2009. - 136 с.
5. Льюнг Л. "Идентификация систем. Теория для пользователя." Москва: Наука 1991.
6. Райбман Н.С. "Что такое идентификация?" Москва: Наука, 1970
Приложения
Общие задания
1. Построение графиков функций и поверхностей функций выполнено с помощью графического средства Mathcad и Wolframalpha. (Рис 8.1-8.4)
Рис. 1 График функции f (x) =5x-12
Рис. 2 График функции f (x) =
Рис. 3. График поверхности ф-и f (x,y) =
Рис. 4. График поверхности ф-и f (x,y)
2. Контрпример - классический способ опровержения гипотез, утверждений. Это не математическое понятие, а прежде всего пример чего-либо, а приставка контр - означает опровержение некой теории или утверждения.
Например, утверждение "Квадрат любого числа есть число положительное" ложно, т.к. в качестве контрпримера можно привести квадрат числа 0, которое при возведении в степень не является ни положительным ни отрицательным.
Утверждение "Все делители четных чисел должны быть четными" ложно, т.к. в качестве контрпримера можно взять числа 6, 10, 12, 14, 18 и т.д. у которых есть не четные делители.
Утверждение "Любое число, оканчивающееся на 6 делится на 6" ложно т.к. качестве контрпримера можно привести числа 16, 26, 46, 56 и т.д.
Утверждение "Электрический заряд способен передаваться через любой материал" ложно, т.к. в физике существует целая группа веществ, сред и материалов, практически не проводящие электрический ток, получившие название диэлектрики (изоляторы).
Утверждение "Холод и темнота существуют" ложно, т.к. в физике нет понятия "холода" есть понятие "отсутствие тепла", тоже относится и к "темноте", в физите используется формулировка "отсутствие света". [А. Энштейн]
Утверждение "Земля является центром мира, а все остальные небесные тела вращаются вокруг нее" ложно, на протяжении долгого времени господствующей была геоцентрическая модель, в соответствии с которой в центре вселенной покоится неподвижная Земля, а вокруг неё по достаточно сложным законам движутся все небесные тела. Наиболее полно эта система была разработана античным математиком и астрономом Клавдием Птолемеем и позволяла с весьма высокой точностью описывать наблюдаемые движения светил. Важнейший прорыв в понимании истинной структуры Солнечной системы произошёл в XVI веке, когда великий польский астроном Николай Коперник разработал гелиоцентрическую систему мира
3. Необходимыми условиями истинности утверждения А называются условия, без соблюдения которых А не может быть истинным.
Достаточными называются такие условия, при наличии (выполнении, соблюдении) которых утверждение А является истинным.
Есть такое понятие - простые числа - делящиеся только на 1 и самого себя. Необходимым условием того, чтобы натуральное число от 3 и выше было простым, является нечётность. Если такое число чётное, то оно делится как минимум на 1, 2 и самого себя, то есть оно уже не простое. То есть если число чётное и выше 2, оно уже точно не простое. А если нечётное? А это смотря какое число, то есть не факт, что оно простое. Скажем, число 5 - нечётное и выше 2, и оно простое. А вот число 9 не является простым (имеет 3 делителя: 1, 3,9).
Равенство нулю младшей цифры числа, есть достаточное условие для деления на 5. Однако если это условие не выполняется, это не означает однозначного невыполнения необходимого условия. К примеру если число оканчивается не на 0 а на 5, число все равно делится на 5.
Бывают случаи когда одновременно требуется выполнение как необходимого условия так и достаточного, например натуральное число делится на 18 тогда и только тогда, когда оно делится одновременно на 2 и на 9
Отношение R, заданное на множестве X, называется отношением эквивалентности, если оно обладает следующими свойствами:
1) рефлекивность: xRx ЃНxЃёX;
2) симметричность: xRyЃЛyRx ЃНx,yЃёX;
3) транзитивность: xRy yRzЃЛxRz ЃНx,y,zЃёX
Например отношение равенства
1) ЃНxЃёZ x=x
2) ЃНx,yЃёZ x=yЃЛy=x
3) ЃНx,y,zЃёZ x=y, y=zЃЛх=z
Все три условия определения выполняются, следовательно отношение равенства есть отношение эквивалентности.
4. Числовые последовательности
Последовательность называется сходящейся, если существует такое число , что последовательностьявляется бесконечно малой. При этом число а называется пределом последовательности .
Пример последовательностей, сходящихся к 9.1
5. Графики функций с точками разрыва первого и второго рода.
Точка x = a называется точкой разрыва первого рода функции y=f (x), если в этой точке односторонние пределы конечны и не равны между собой (Рис 5)
Рис. 5 График функции с точкой разрыва первого порядка
Точка x = a называется точкой разрыва второго рода функции y=f (x), если в этой точке, по крайней мере, один из односторонних пределов равен бесконечности или не существует (Рис. 6).
Рис. 6 График функции с точкой разрыва второго рода
Пример функции с разрывом второго рода в точках (Рис. 7)
Рис. 7. График функции с разрывом второго рода в точках
Размещено на Allbest.ru
Подобные документы
Проведение идентификации модели по схеме МНК. Запись исходной модели в дискретной форме. Сравнение параметров модели и результатов идентификации. Анализ графиков модельного выходного сигнала и оценки выходного сигнала, восстановленных по схеме МНК.
лабораторная работа [461,0 K], добавлен 19.02.2015Исследование полных динамических характеристик систем Simulink. Параметрическая идентификация в классе APCC-моделей. Идентификация характеристик пьезокерамических датчиков с использованием обратного эффекта. Синтез систем автоматического управления.
курсовая работа [2,7 M], добавлен 14.06.2019Формулировка поставленной задачи при конструировании систем управления для идентификации нестационарных объектов. Изучение основ алгоритмического конструирования системы с неполной информацией. Рассмотрение использования метода адаптивной идентификации.
курсовая работа [110,8 K], добавлен 10.08.2014Изучение современных принципов, подходов и методов моделирования сложно формализуемых объектов. Решение задач структурной и параметрической идентификации. Характеристики вычислительных систем как сложных систем массового обслуживания. Теория потоков.
курс лекций [2,3 M], добавлен 18.02.2012Идентификация моделей каналов преобразования координатных воздействий объекта управления. Реализация моделей на ЦВМ и их адекватность. Формулирование задач управления, требований к их решению и выбор основных принципов построения автоматических систем.
курсовая работа [1,4 M], добавлен 10.04.2013Содержание активного и пассивного методов идентификации динамических объектов. Проведение полного факторного эксперимента, в котором реализуются все возможные сочетания уравнений факторов. Применение метода наименьших квадратов и регрессионного анализа.
контрольная работа [140,1 K], добавлен 05.11.2011Классификация и основные характеристики биометрических средств идентификации личности. Особенности реализации статических и динамических методов биометрического контроля. Средства авторизации и аутентификации в электронных системах охраны и безопасности.
курсовая работа [1,7 M], добавлен 19.01.2011Поведение идентификации термического объекта исследования, компьютерного моделирования объекта по полученной математической модели. Расчет переходных характеристик замкнутой системы автоматического управления, а также анализ ее устойчивости и качества.
дипломная работа [1,8 M], добавлен 17.09.2011Рассмотрение основных способов идентификации объектов: реккурентного; с использованием степенных полиномов; ортогональных полиномов Чебышева; методом наименьших квадратов для авторегрессионной модели. Алгоритм построения простых диагностических тестов.
курсовая работа [1,9 M], добавлен 14.06.2012Назначение, классификация и состав системы контроля управления доступом. Основные характеристики биометрических средств идентификации личности. Идентификация пользователя по радужной оболочке глаз. Разработка алгоритма функционирования устройства.
дипломная работа [1,1 M], добавлен 25.11.2014