离散到连续时间传递函数
Discrete to continuous time transfer function
我实现了 class 来识别 Python 中的 ARX 模型。下一步是基于 LQR 计算最优 PID 参数。显然需要一个连续时间模型,我有以下可能性:
- 将离散时间模型转换为连续时间模型,
- 识别连续时间模型,
- 采用 LQR 方法来确定离散时域的最佳 PID 参数。
在 Matlab 中,前两种方法很容易完成,但我在 Python 中需要它们。有人知道 Matlab 是如何实现的 d2c
并有参考资料吗?
有几个选项可以使用 python-control
包或 scipy.signal
模块或使用 harold
(无耻的插件:我是作者)。
这是一个例子
import harold
G = harold.Transfer(1, [1, 2, 1])
H_zoh = harold.discretize(G, dt=0.1, method='zoh')
H_tus = harold.discretize(G, dt=0.1, method='tustin')
H_zoh.polynomials
Out[5]:
(array([[0.00467884, 0.00437708]]),
array([[ 1. , -1.80967484, 0.81873075]]))
H_tus.polynomials
Out[6]:
(array([[0.00226757, 0.00453515, 0.00226757]]),
array([[ 1. , -1.80952381, 0.8185941 ]]))
目前支持 zoh
、foh
、tustin
、forward euler
、backward euler
,包括非离散化。文档位于 http://harold.readthedocs.io/en/latest/index.html
我实现了 class 来识别 Python 中的 ARX 模型。下一步是基于 LQR 计算最优 PID 参数。显然需要一个连续时间模型,我有以下可能性:
- 将离散时间模型转换为连续时间模型,
- 识别连续时间模型,
- 采用 LQR 方法来确定离散时域的最佳 PID 参数。
在 Matlab 中,前两种方法很容易完成,但我在 Python 中需要它们。有人知道 Matlab 是如何实现的 d2c
并有参考资料吗?
有几个选项可以使用 python-control
包或 scipy.signal
模块或使用 harold
(无耻的插件:我是作者)。
这是一个例子
import harold
G = harold.Transfer(1, [1, 2, 1])
H_zoh = harold.discretize(G, dt=0.1, method='zoh')
H_tus = harold.discretize(G, dt=0.1, method='tustin')
H_zoh.polynomials
Out[5]:
(array([[0.00467884, 0.00437708]]),
array([[ 1. , -1.80967484, 0.81873075]]))
H_tus.polynomials
Out[6]:
(array([[0.00226757, 0.00453515, 0.00226757]]),
array([[ 1. , -1.80952381, 0.8185941 ]]))
目前支持 zoh
、foh
、tustin
、forward euler
、backward euler
,包括非离散化。文档位于 http://harold.readthedocs.io/en/latest/index.html