Příklady k přednášce 27 Systémy s více vstupy a výstupy
|
|
- Emil Bartoš
- před 8 lety
- Počet zobrazení:
Transkript
1 Příklady k přednášce 7 Systémy s více vstupy a výstupy Michael Šebek Automatické řízení
2 Příklad
3 Příklad 3
4 Příklad ESO OWL koncept stotisíce vstupů výstupů Michael Šebek Pr-ARI
5 Příklad 5
6 systém s přenosovou maticí reprezentuje dvě (skalární) rovnice s y() s = u() s + u() s s s + s y() s = u() s + u() s s+ s+ 3 Gs () Příklad s s s+ = s s+ s+ 3 mdf Alternativně vyjádřeno různými typy maticových zlomků skalární jmenovatel Gs () sdf ( s+ )( s+ )( s+ 3) s( s )( s+ )( s+ 3) = ss ( + )( s+ )( s+ 3) s( s+ )( s+ 3) s ( s+ )( s+ ) levý polynomiální maticový zlomek pravý polynomiální maticový zlomek rdf ldf ss ( + ) 0 ( s+ ) ss ( ) Gs () = 0 ( s+ )( s+ 3) ( s+ 3) ss ( + ) ( s+ ) ( s+ 3)( s ) ss ( + ) 0 Gs () = s ss ( + ) 0 ( s+ )( s+ 3) 6
7 Příklad >> G=[mdf(/s) mdf((s-)/(s+));mdf(/(s+)) mdf(s/(s+3))] G = (s-) s (s+) s (s+) (s+3) >> sdf(g) ans = (s+3)(s+)(s+) s(s+3)(s+)(s-) s(s+3)(s+) s^(s+)(s+) s(s+3)(s+)(s+) s s s+ Gs () = s s+ s+ 3 >> ldf(g) ans = s(s+.0000) 0 \ (s+.0000) s(s-) 0 (s )(s+.0000) \ (s ) s(s+.0000) ans.numerator = >> rdf(g) ans = (s+.0000) (s )(s-.0000) / s(s+.0000) 0 s s(s+.0000) / 0 (s+3)(s+) Michael Šebek 7
8 Příklad: JAS-39 Gripen 8
9 model pohybu v horizontální rovině za předpokladu vlivu úhlu náběhu na otáčení (standardní předpoklad za normálního letu) kurs řídíme směrovkou (vytváří přímo točivý moment) Příklad: JAS-39 Gripen a křidélky (způsobí náklon podle podélné osy a tím změnu kursu) z y φ x ψ β v y ψ v y φ δ r δ a úhel kursu rychlost do strany náklon výchylka směrovky výchylka křidélek 9
10 Lineární stavový model, rozumný pro malé úhly x = vy x = p x3 = r x4 = φ, x5 = ψ, x6 = δa, x7 = δr cmd cmd u = δ, u = δ a rychlost náklonu (podle osy x) rychlost zatáčení (podle osy z) r Příklad: JAS-39 Gripen V režimu: rakety zavěšeny, Mach 0.6, výška 500 m, úhel náběhu 0.04 rad: >> A,B A = B =
11 Příklad Přenos na řízení kurs: >> G=mdf(A,B,C) G = Column 6.7e e+00s +.4e+00s^ + 96s^ s + 4.6e+00s^ +.4e+00s^3 + 77s^4 + 3s^5 + s^6 Column -.4e e+00s - 3.7e+00s^ -.3e+00s^3 +.5s^ s + 4.6e+00s^ +.4e+00s^3 + 77s^4 + 3s^5 + s^6 >> G=ldf(A,B,C) G.denominator = 8.8s + 4.6e+00s^ +.4e+00s^3 + 77s^4 + 3s^5 + s^6 G.numerator = Column 6.7e e+00s +.4e+00s^ + 96s^3 Column -.4e e+00s - 3.7e+00s^ -.3e+00s^3 +.5s^4 >> G=rdf(A,B,C) G.numerator = 75 -.e s G.denominator = -3-3s -.s^ + s^ s + 6.6s^ -.e+00-4s - 4s^ e s + 5s^ + s^3
12 Příklad >> Gstate=rdf(A,B,I) Gstate.numerator = s - 6.8s^ s^ s s^ -0.04s + s^ - 0.4s^3-0.06s s^ s s^ s^ s - 7e-005s^ s - 0.4s^ s s s^ e-005s.e s s^ + 0.7s^ s s^ 6e s s^ s^ s s^ Gstate.denominator = Column.e s s^ + 0.3s^ s^4 6e s s^ s^ s^4 Column s s^ -.3e-005s^ s s^ - 4.8e-005s^3 >> Gstate=ldf(A,B,I) Gstate.denominator = s -8. e s e s s s s s Gstate.numerator = Přenos na stav Michael Šebek Pr-ARI-7-05
13 NACRE New Aircraft Concepts Research Turning the dream of cleaner, quieter, cheaper aircraft into a reality is the goal of the NACRE project. The project s early results suggest that the aircraft of the future could look very different to the planes flying overhead today 3
14 Příklad Odezva na skok(y), Bode, Nyquist - po jednotlivých kanálech s s s+ Gs () = s s+ s+ 3 popisují odděleně jednotlivé kanály, ale o systému vcelku toho moc neříkají těžko lze použít pro návrh, neboť obvykle nelze navrhnout jeden kanál nezávisle na dalších mezi kanály jsou interakce Jaké má tento systém zesílení? G = - + s s + s s s 3 + s >> step(g) >> bode(g) >> nyquist(g) Michael Šebek Pr-ARI
15 Příklad Na systém x s (konstantní) přenosovou maticí postupně aplikujeme následujících 5 různých vstupních vektorů 5 4 G = 3 u u = = :, u,, u, u u u = a = b u = = c d e které mají stejnou velikost (normu) u u = ale různé směry k r=sqrt(.5); u=[,0,r,r,.6;0,,r,-r,-.8] u = compass(u(,:),u(,:)) u 5
16 Přestože mají všechny vstupní signály stejnou velikost, odezvy na ně (tedy příslušné výstupní signály) mají velikost různou = 0, 7, y 3 = 7.80, y , y 5 a tedy je zesílení závislé také na směru vstupních signálů (vektorů) Příklad y 5.83 y = 4.4 = = 0.88 G=[5 4;3 ]; y=g*u, compass(y(,:),y(,:)) y = [norm(y(:,)),norm(y(:,)),norm(y(:,3)),norm(y(:,4)),norm(y(:,5))] ans = u 5 4 G = 3 G y 6
17 Rozklad na singulární čísla - Singular Value Decomposition l m přenosová matici Gs () se po dosazení s = jω pro pevnou frekvenci stane konstantní maticí s komplexními prvky G = G( jω ) Na tu aplikujeme rozklad na singulární čísla SVD, což je rozklad na 3 matice G = UΣV, kde Σ je l m diagonální matice s k= min{ lm, } nezápornými singulárními čísly σ i matice G na hlavní diagonále seřazenými v klesajícím pořadí, na zbytku diagonály jsou případně 0 U je l l unitární matice: UU= I V je m m unitární matice: VV= I Zde G je komplexně sdružená transpozice ( v Matlabu označená G ), takže unitární vlastně znamená komplexně ortogonální σ Singulární čísla i matice G jsou kladné odmocniny z vlastních čísel matice GG, tedy σ ( G) = λ ( GG) i i 7
18 Rozklad na singulární čísla - Singular Value Decomposition Visualization of the SVD of a -dimensional, real matrix M. First, we see the unit disc in blue together with the two canonical unit vectors. We then see the action of M, which distorts the disk to an ellipse. The SVD decomposes M into three simple transformations: a rotation V *, a scaling Σ along the rotated coordinate axes and a second rotation U. The lengths σ and σ of the semi-axes of the ellipse are the singular values of M. 8
19 Příklad Závislost zesílení na směru vstupu (při jednotkové velikosti vstupu) Vyneseme do grafu >> G=[5 4;3 ]; alpha=[-pi:*pi/000:pi]; >> u=[cos(alpha);sin(alpha)]; >> y=g*u; normy=sqrt(y(,:).^+y(,:).^); >> plot(alpha,normy), >> maximum=max(normy), minimum=min(normy) maximum = , minimum = 0.74, >> svd(g)' ans = Co jsou maximální a minimální hodnoty zesílení přes všechny směry vstupu? Maximální hodnota zesílení je maximální singulární číslo matice G Minimální hodnota zesílení je minimální singulární číslo matice G Gu max = max Gu = σ ( G) u 0 u u = Gu min = min Gu = σ ( G) u 0 u u = Michael Šebek Pr-ARI
20 Pokračujme ve zkoumání matice Největší zesílení je ve vstupním směru 5 4 G = 3 σ = v = T [ ] Nejmenší zesílení σ = 0.74 je ve vstupním směru v = GV = UΣ V V = UΣ y = UΣ V v, y = σ, y = UΣ V v, y = σ [ ] T Příklad: vstupní směry [U,S,V]=svd([5,4;3,]) U = S = V = >> norm(u*s*v.'*v(:,)) ans = >> norm(u*s*v.'*v(:,)) ans = 0.74 Systém je interaktivní (nediagonální): oba vstupy ovlivňují oba výstupy, protože má relativně velké nediagonální prvky Systém je špatně podmíněný: některé vstupy mají velký vliv na výstup, jiné velmi malý Číslo podmíněnosti (condition number) je tu velké γ= σσ Problémy nastanou, kdykoli γ= σσ> 0 = = 7.0 0
21 Příklad: vstupní směry Vstupní směry a odezva na ně Výstupní směry [U,S,V]=svd([5,4;3,]) U = S = V = >> compass(v(,:),v(,:)) >> Y=U*S*V.'*V >> compass(y(,:),y(,:)) >> norm(y(:,)) ans = >> norm(y(:,)) ans = 0.74 >> U U = >> compass(u(,:),u(,:))
22 Příklad: Nákupní vozík Dobrou ilustraci poskytne typický nákupní vozík v supermarketu: kolečka se snadno otáčejí dopředu, ale špatně do stran největším zesílení má tedy směr dopředu, vozík se tam tlačí nejsnadněji - to odpovídá největšímu singulárnímu číslu druhé největší zesílení je do strany - odpovídá druhému sing. č. nejslabší je směr vzhůru, odpovídá nejmenšímu singulárnímu číslu SVD poskytuje užitečný nástroj pro kvantifikaci směrovosti většina SISO výsledků založených na absolutní hodnotě (velikosti, amplitudě) se dá zobecnit pro MIMO: velikost (amplituda) frekvenčního přenosu je nahrazena největším singulárním číslem přenosové matice Bohužel neumíme podobně hezky zobecnit pojem fáze pro přenosovou matici proto výsledky založené na tomto pojmu pro MIMO neplatí (např. neplatí Nyquistovo kritérium) Michael Šebek
23 Vlastní čísla jsou špatnou mírou pro zesílení Vlastní čísla G(jω) nejsou dobrým zobecněním pojmu zesílení: ) existují jen pro čtvercový systém a ) i pro něj bývají zavádějící Příklad: Matice 0 00 G = má vlastní čísla nulová, a přesto nenulové zesílení. 0 0 Odezva vstup u = [ 0 ] T je totiž y = [ 00 0] T Vlastní číslo je mírou zesílení pouze když jsou vstupní a výstupní vektory rovnoběžné, tj. když je to vlastní vektor matice. Pro takový vlastní vektor t i je z definice y u = Gti ti takže λ je zesílení ve směru t = λt t = λ i i i i i Pro tuto matici je σ ( G) = 00, což dokládá, že singulární čísla jsou lepším vyjádřením zesílení. Dá se to i matematicky dokázat. i G=[0 00;0 0];svd(G) ans =
24 Uvažme soustavu Má nulu v s=0 Jednotkový skok musí být blokován Jednotkový skok v obou vstupních kanálech opravdu neprojde! s us () = s Co když jde jen do jednoho vstupu? us () = s 0 Prošel do obou! Jak to? Příklad: nula MIMO systému F=reduce(coprime(mdf([(s+)/(+s) -/(+s);(s-)/(3+s) /(3+s)]))); mimo_zero.mdl + s + s + s + s 0 + s Fs () = = s 0 3 s s + 3+ s 3+ s ( s + ) ys () = ( s + 3) s + ss ( + ) ys () = s ss ( + 3) det F ( s) = s 4 num
25 Systém s + 0 s + Gs () = s + 0 s + Má det Gs ( ) = ale přitom má zjevně dva póly v - a - a dvě nuly v - a -? Tedy pozor při používání determinantu k určení nul/pólů Póly a nuly mají stejné polohy, ale přesto nejdou vykrátit Mají totiž různé směry to ukazuje důležitost směrů! Např. pól p = má směry a nula z = má směry u p = yp = 0 Legrační příklad 0 = yz = Nulu v z = nelze žádnou FF ani ZV přesunout na druhý výstup 5 u z
26 Sériové spojení dvou integrátorů u s s u Paralelní kombinace dvou integrátorů u u s s y y y y Příklad: Opět dva integrátory s s Gs () = det Gs () = 0 s 0 s Gs () = det Gs () = 0 s Na rozdíl od SISO úvah jsou teď oba systémy normální, tedy plně řiditelné i pozorovatelné! Závěr: u MIMO systémů samotná poloha pólů moc neříká, hodně záleží i na struktuře systému s s oba systémy mají dvojnásobný pól v 0 6
27 Příklady RGA. Příklad. Příklad T.5 3 A A RGA( A) = 3 4 = = vhodné párování je naopak (u,y ), (u,y ) k k k G( s) =, G(0) =, RGA( G) k 6 k = kk s + s+ s + 5s+ 6 kk kk 3 k s s s kk kk ( ) Pro k, k 0, je vhodné párování (u,y ), (u,y ). Třeba pro k = k = vychází 0. Pro k =, k = je tedy vhodné párování je naopak (u,y ), (u,y ) RGA( G) = RGA( G) = 7
28 Vlastnosti RGA Příklad λ λ Pro x matici je to RGA( G) =Λ ( G) =, λ λ λ = g g RGA má zajímavé vlastnosti: nezávisí na škálování vstupu i výstupu: pro diagonální D, D je RGA( G) = RGA( D GD ) řádkové a sloupcové součty jsou vždy součet velikostí všech prvků je blízko čísla podmíněnosti takže velké prvky v RGA vždy znamenají špatnou podmíněnost! Opačně to neplatí! po relativní změně λ ij prvku g ij je matice singulární gij gij ( λij ) permutace řádků (sloupců) A vede na stejnou permutaci RGA(A) trojúhelníková (a tedy i diagonální) matice má jednotkové RGA odchylka od jednotkové matice je mírou křížových interakcí ve vztahu y = Gx g g 8
29 RGA pro procesy v celulózce velikost prvků vyznačena barvami Příklady RGA: výroba celulózy 9
30 Příklad: Rozpojení - decoupling Nejprve rozpojíme Gs () 0 s = s s+ s 0 W() s = s( s) s + 0 s Gs () s = GsW () () s = 0 s a pak pokračujeme metodami SISO návrhu 30
27 Systémy s více vstupy a výstupy
7 Systémy s více vstupy a výstupy Mchael Šebek Automatcké řízení 017 4-5-17 Stavový model MIMO systému Automatcké řízení - Kybernetka a robotka Má obecně m vstupů p výstupů x () t = Ax() t + Bu() t y()
Více15 - Stavové metody. Michael Šebek Automatické řízení
15 - Stavové metody Michael Šebek Automatické řízení 2016 10-4-16 Stavová zpětná vazba Když můžeme měřit celý stav (všechny složky stavového vektoru) soustavy, pak je můžeme využít k řízení u = K + r [
VíceNumerické metody a programování
Projekt: Inovace výuky optiky se zaměřením na získání experimentálních dovedností Registrační číslo: CZ.1.7/2.2./28.157 Numerické metody a programování Lekce 4 Tento projekt je spolufinancován Evropským
VíceZáklady matematiky pro FEK
Základy matematiky pro FEK 2. přednáška Blanka Šedivá KMA zimní semestr 2016/2017 Blanka Šedivá (KMA) Základy matematiky pro FEK zimní semestr 2016/2017 1 / 20 Co nás dneska čeká... Závislé a nezávislé
Více14 - Moderní frekvenční metody
4 - Moderní frekvenční metody Michael Šebek Automatické řízení 28 4-4-8 Loop shaping: Chování pro nízké frekvence Tvar OL frekvenční charakteristiky L(s)=KD(s)G(s) určuje chování, ustálenou odchylku a
VíceNumerické metody a programování. Lekce 4
Numerické metody a programování Lekce 4 Linarní algebra soustava lineárních algebraických rovnic a 11 a 12 x 2 a 1, N x N = b 1 a 21 a 22 x 2 a 2, N x N = b 2 a M,1 a M,2 x 2 a M,N x N = b M zkráceně A
VíceOsnova přednášky. Univerzita Jana Evangelisty Purkyně Základy automatizace Stabilita regulačního obvodu
Osnova přednášky 1) Základní pojmy; algoritmizace úlohy 2) Teorie logického řízení 3) Fuzzy logika 4) Algebra blokových schémat 5) Vlastnosti členů regulačních obvodů 6) Vlastnosti regulátorů 7) 8) Kvalita
Více10. Soustavy lineárních rovnic, determinanty, Cramerovo pravidlo
0. Soustavy lineárních rovnic, determinanty, Cramerovo pravidlo (PEF PaA) Petr Gurka aktualizováno 9. prosince 202 Obsah Základní pojmy. Motivace.................................2 Aritmetický vektorový
VíceÚlohy k přednášce NMAG 101 a 120: Lineární algebra a geometrie 1 a 2,
Úlohy k přednášce NMAG a : Lineární algebra a geometrie a Verze ze dne. května Toto je seznam přímočarých příkladů k přednášce. Úlohy z tohoto seznamu je nezbytně nutné umět řešit. Podobné typy úloh se
VíceUčební texty k státní bakalářské zkoušce Matematika Vlastní čísla a vlastní hodnoty. študenti MFF 15. augusta 2008
Učební texty k státní bakalářské zkoušce Matematika Vlastní čísla a vlastní hodnoty študenti MFF 15. augusta 2008 1 14 Vlastní čísla a vlastní hodnoty Požadavky Vlastní čísla a vlastní hodnoty lineárního
VíceMENDELOVA UNIVERZITA V BRNĚ LDF MT MATEMATIKA VEKTORY, MATICE
MENDELOVA UNIVERZITA V BRNĚ LDF MT MATEMATIKA VEKTORY, MATICE Podpořeno projektem Průřezová inovace studijních programů Lesnické a dřevařské fakulty MENDELU v Brně (LDF) s ohledem na discipliny společného
VíceMENDELOVA UNIVERZITA V BRNĚ LDF MT MATEMATIKA VEKTORY, MATICE
MENDELOVA UNIVERZITA V BRNĚ LDF MT MATEMATIKA VEKTORY, MATICE Podpořeno projektem Průřezová inovace studijních programů Lesnické a dřevařské fakulty MENDELU v Brně (LDF) s ohledem na discipliny společného
VíceDEFINICE Z LINEÁRNÍ ALGEBRY
DEFINICE Z LINEÁRNÍ ALGEBRY Skripta Matematické metody pro statistiku a operační výzkum (Nešetřilová, H., Šařecová, P., 2009). 1. definice Vektorovým prostorem rozumíme neprázdnou množinu prvků V, na které
VíceMatice. Předpokládejme, že A = (a ij ) je matice typu m n: diagonálou jsou rovny nule.
Matice Definice. Maticí typu m n nazýváme obdélníkové pole, tvořené z m n reálných čísel (tzv. prvků matice), zapsaných v m řádcích a n sloupcích. Značíme např. A = (a ij ), kde i = 1,..., m, j = 1,...,
VíceVĚTY Z LINEÁRNÍ ALGEBRY
VĚTY Z LINEÁRNÍ ALGEBRY Skripta Matematické metody pro statistiku a operační výzkum (Nešetřilová, H., Šařecová, P., 2009). 1. věta Nechť M = {x 1, x 2,..., x k } je množina vektorů z vektorového prostoru
VíceDefinice 28 (Ortogonální doplněk vektorového podprostoru). V k V n ; V k V. (Pech:AGLÚ/str D.5.1)
14.3 Kolmost podprostorů 14.3.1 Ortogonální doplněk vektorového prostou Ve vektorovém prostoru dimenze 3 je ortogonálním doplňkem roviny (přesněji vektorového prostoru dimenze ) přímka na ní kolmá (vektorový
VíceMatematika 1 MA1. 2 Determinant. 3 Adjungovaná matice. 4 Cramerovo pravidlo. 11. přednáška ( ) Matematika 1 1 / 29
Matematika 1 11. přednáška MA1 1 Opakování 2 Determinant 3 Adjungovaná matice 4 Cramerovo pravidlo 5 Vlastní čísla a vlastní vektory matic 6 Zkouška; konzultace; výběrová matematika;... 11. přednáška (15.12.2010
Více2.6. VLASTNÍ ČÍSLA A VEKTORY MATIC
.6. VLASTNÍ ČÍSLA A VEKTORY MATIC V této kapitole se dozvíte: jak jsou definována vlastní (charakteristická) čísla a vektory čtvercové matice; co je to charakteristická matice a charakteristický polynom
VíceSVD rozklad a pseudoinverse
SVD rozklad a pseudoinverse Odpřednesenou látku naleznete v kapitole 12 skript Abstraktní a konkrétní lineární algebra. Jiří Velebil: Lineární algebra 19.12.2016: SVD rozklad a pseudoinverse 1/21 Cíle
VíceMaticí typu (m, n), kde m, n jsou přirozená čísla, se rozumí soubor mn veličin a jk zapsaných do m řádků a n sloupců tvaru:
3 Maticový počet 3.1 Zavedení pojmu matice Maticí typu (m, n, kde m, n jsou přirozená čísla, se rozumí soubor mn veličin a jk zapsaných do m řádků a n sloupců tvaru: a 11 a 12... a 1k... a 1n a 21 a 22...
VíceVšechno, co jste kdy chtěli vědět o maticích, ale báli jste se zeptat
Všechno, co jste kdy chtěli vědět o maticích, ale báli jste se zeptat Čtvercová matice n n, např. může reprezentovat: A = A A 2 A 3 A 2 A 22 A 23 A 3 A 32 A 33 matici koeficientů soustavy n lineárních
VíceSoustava m lineárních rovnic o n neznámých je systém
1 1.2. Soustavy lineárních rovnic Soustava lineárních rovnic Soustava m lineárních rovnic o n neznámých je systém a 11 x 1 + a 12 x 2 +... + a 1n x n = b 1 a 21 x 1 + a 22 x 2 +... + a 2n x n = b 2...
VíceNALG 001 Lineární algebra a geometrie 1, zimní semestr MFF UK Doba řešení: 3 hodiny
NALG 001 Lineární algebra a geometrie 1, zimní semestr MFF UK Závěrečná zkouška verze cvičná 9.1.2013 Doba řešení: 3 hodiny Přednášející: L. Barto, J. Tůma Křestní jméno: Příjmení: Instrukce Neotvírejte
VícePříklady k přednášce 4 -Vlastnosti systému
Příklady k přednášce 4 -Vlastnosti systému Michael Šebek Automatické řízení 06-3-6 Příklad: Tužka na lavici Automatické řízení - Kybernetika a robotika Postavte tužku na lavici bez držení. Proč to nejde?
VíceZáklady maticového počtu Matice, determinant, definitnost
Základy maticového počtu Matice, determinant, definitnost Petr Liška Masarykova univerzita 18.9.2014 Matice a vektory Matice Matice typu m n je pravoúhlé (nebo obdélníkové) schéma, které má m řádků a n
Více11 Analýza hlavních komponet
11 Analýza hlavních komponet Tato úloha provádí transformaci měřených dat na menší počet tzv. fiktivních dat tak, aby většina informace obsažená v původních datech zůstala zachována. Jedná se tedy o úlohu
VíceFaculty of Nuclear Sciences and Physical Engineering Czech Technical University in Prague
Tomáš Faculty of Nuclear Sciences and Physical Engineering Czech Technical University in Prague 1 / 63 1 2 3 4 5 6 7 8 9 10 11 2 / 63 Aritmetický vektor Definition 1 Aritmetický vektor x je uspořádaná
VíceMnožinu všech matic typu m n nad tělesem T budeme označovat M m n (T ), množinu všech čtvercových matic stupně n nad T pak M n (T ).
Matice Definice 4.1 Necht (T ; +, je číselné těleso, m, n N a dále necht a ij T pro všechny indexy i = 1, 2,..., m a j = 1, 2,..., n. Potom schéma a 11 a 12... a 1n a 21 a 22... a 2n... = (a ij m n a m1
VíceZdrojem většiny příkladů je sbírka úloh 1. cvičení ( ) 2. cvičení ( )
Příklady řešené na cvičení LA II - LS 1/13 Zdrojem většiny příkladů je sbírka úloh http://kam.mff.cuni.cz/~sbirka/ 1. cvičení (..13) 1. Rozhodněte, které z následujících operací jsou skalárním součinem
VíceSingulární rozklad. Petr Tichý. 31. října 2013
Singulární rozklad Petr Tichý 31. října 2013 1 Outline 1 Úvod a motivace 2 Zavedení singulárního rozkladu a jeho vlastnosti 3 Výpočet a náklady na výpočet singulárního rozkladu 4 Moor-Penroseova pseudoinverze
Více1 0 0 u 22 u 23 l 31. l u11
LU dekompozice Jedná se o rozklad matice A na dvě trojúhelníkové matice L a U, A=LU. Matice L je dolní trojúhelníková s jedničkami na diagonále a matice U je horní trojúhelníková. a a2 a3 a 2 a 22 a 23
VíceKapitola 11: Vektory a matice:
Kapitola 11: Vektory a matice: Prostor R n R n = {(x 1,, x n ) x i R, i = 1,, n}, n N x = (x 1,, x n ) R n se nazývá vektor x i je i-tá souřadnice vektoru x rovnost vektorů: x = y i = 1,, n : x i = y i
VíceAVDAT Vektory a matice
AVDAT Vektory a matice Josef Tvrdík Katedra informatiky Přírodovědecká fakulta Ostravská univerzita Vektory x = x 1 x 2. x p y = y 1 y 2. y p Řádkový vektor dostaneme transpozicí sloupcového vektoru x
VíceOperace s maticemi
Operace s maticemi Seminář druhý 17.10. 2018 Obsah 1 Operace s maticemi 2 Hodnost matice 3 Regulární matice 4 Inverzní matice Matice Definice (Matice). Reálná matice typu m n je obdélníkové schema A =
VíceOperace s maticemi. 19. února 2018
Operace s maticemi Přednáška druhá 19. února 2018 Obsah 1 Operace s maticemi 2 Hodnost matice (opakování) 3 Regulární matice 4 Inverzní matice 5 Determinant matice Matice Definice (Matice). Reálná matice
Více3. ANTAGONISTICKÉ HRY
3. ANTAGONISTICKÉ HRY ANTAGONISTICKÝ KONFLIKT Antagonistický konflikt je rozhodovací situace, v níž vystupují dva inteligentní rozhodovatelé, kteří se po volbě svých rozhodnutí rozdělí o pevnou částku,
VíceAutomatizace je proces při němž je řídicí funkce člověka nahrazována činností
Automatizace je proces při němž je řídicí funkce člověka nahrazována činností různých přístrojů a zařízení. (Mechanizace, Automatizace, Komplexní automatizace) Kybernetika je Věda, která zkoumá obecné
VíceIdentifikace systémů
Identifikace systémů Přednáška 2 Osvald Modrlák, Lukáš Hubka TECHNICKÁ UNIVERZITA V LIBERCI Fakulta mechatroniky, informatiky a mezioborových studií Tento materiál vznikl v rámci projektu ESF CZ.1.07/2.2.00/07.0247,
Víceekologie Pavel Fibich Vektor a Matice Operace s maticemi Vlastnosti matic Pavel Fibich Shrnutí Literatura
emi - nalévárna pavel.fibich@prf.jcu.cz 4. října 2012 Obsah emi 1 2 3 emi 4 5 6 emi Proč povídat o ích v kurzu? ové modely se používají v populační ekologii téměř nejčastěji bude snažší porozumět práci
VíceKapitola 11: Vektory a matice 1/19
Kapitola 11: Vektory a matice 1/19 2/19 Prostor R n R n = {(x 1,..., x n ) x i R, i = 1,..., n}, n N x = (x 1,..., x n ) R n se nazývá vektor x i je i-tá souřadnice vektoru x rovnost vektorů: x = y i =
VíceANTAGONISTICKE HRY 172
5 ANTAGONISTICKÉ HRY 172 Antagonistický konflikt je rozhodovací situace, v níž vystupují dva inteligentní rozhodovatelé, kteří se po volbě svých rozhodnutí rozdělí o pevnou částku, jejíž výše nezávisí
Více5. Singulární rozklad
5. Singulární rozklad Petr Tichý 31. října 2012 1 Singulární rozklad matice Jeden z nejdůležitějších teoretických i praktických nástrojů maticových výpočtů. Umožňuje určit hodnost či normu matice, ortogonální
Více11MAMY LS 2017/2018. Úvod do Matlabu. 21. února Skupina 01. reseni2.m a tak dále + M souborem zadané funkce z příkladu 3 + souborem skupina.
11MAMY LS 2017/2018 Cvičení č. 2: 21. 2. 2018 Úvod do Matlabu. Jan Přikryl 21. února 2018 Po skupinách, na které jste se doufám rozdělili samostatně včera, vyřešte tak, jak nejlépe svedete, níže uvedená
VíceVektory a matice. Obsah. Aplikovaná matematika I. Carl Friedrich Gauss. Základní pojmy a operace
Vektory a matice Aplikovaná matematika I Dana Říhová Mendelu Brno Obsah 1 Vektory Základní pojmy a operace Lineární závislost a nezávislost vektorů 2 Matice Základní pojmy, druhy matic Operace s maticemi
VíceUniverzita Pardubice Chemicko-technologická fakulta Katedra analytické chemie
Univerzita Pardubice Chemicko-technologická fakulta Katedra analytické chemie 12. licenční studium PYTHAGORAS Statistické zpracování dat 3.1 Matematické principy vícerozměrných metod statistické analýzy
VíceRegulační obvod s měřením akční veličiny
Regulační obvod s měřením akční veličiny Zadání Soustava vyššího řádu je vytvořena z několika bloků nižšího řádu, jak je patrno z obrázku. Odvoďte výsledný přenos soustavy vyššího řádu popisující dané
VíceRegulační obvod s měřením regulováné veličiny
Regulační obvod s měřením regulováné veličiny Zadání Soustava vyššího řádu je vytvořena z několika bloků nižšího řádu, jak je patrno z obrázku. Odvoďte výsledný přenos soustavy vyššího řádu popisující
Více4 - Vlastnosti systému: Stabilita, převrácená odezva, řiditelnost a pozorovatelnost
4 - Vlastnosti systému: Stabilita, převrácená odezva, řiditelnost a pozorovatelnost Michael Šebek Automatické řízení 25 25-2-5 Stabilita obecně Automatické řízení - Kybernetika a robotika Stabilita obecně
VíceČíselné vektory, matice, determinanty
Číselné vektory, matice, determinanty Základy vyšší matematiky LDF MENDELU Podpořeno projektem Průřezová inovace studijních programů Lesnické a dřevařské fakulty MENDELU v Brně (LDF) s ohledem na discipĺıny
VíceVI. Maticový počet. VI.1. Základní operace s maticemi. Definice. Tabulku
VI Maticový počet VI1 Základní operace s maticemi Definice Tabulku a 11 a 12 a 1n a 21 a 22 a 2n, a m1 a m2 a mn kde a ij R, i = 1,, m, j = 1,, n, nazýváme maticí typu m n Zkráceně zapisujeme (a ij i=1m
VíceSoustavy lineárních rovnic
Přednáška MATEMATIKA č 4 Katedra ekonometrie FEM UO Brno kancelář 69a, tel 973 442029 email:jirineubauer@unobcz 27 10 2010 Soustava lineárních rovnic Definice Soustava rovnic a 11 x 1 + a 12 x 2 + + a
VíceUspořádanou n-tici reálných čísel nazveme aritmetický vektor (vektor), ā = (a 1, a 2,..., a n ). Čísla a 1, a 2,..., a n se nazývají složky vektoru
1 1. Lineární algebra 1.1. Lineární závislost a nezávislost vektorů. Hodnost matice Aritmetické vektory Uspořádanou n-tici reálných čísel nazveme aritmetický vektor (vektor), ā = (a 1, a 2,..., a n ).
Více1 Báze a dimenze vektorového prostoru 1
1 Báze a dimenze vektorového prostoru 1 Báze a dimenze vektorového prostoru 1 2 Aritmetické vektorové prostory 7 3 Eukleidovské vektorové prostory 9 Levá vnější operace Definice 5.1 Necht A B. Levou vnější
VíceCW01 - Teorie měření a regulace
Ústav technologie, mechanizace a řízení staveb CW01 - Teorie měření a regulace ZS 2010/2011 SPEC. 2.p 2010 - Ing. Václav Rada, CSc. Ústav technologie, mechanizace a řízení staveb Teorie měření a regulace
Více1 Determinanty a inverzní matice
Determinanty a inverzní matice Definice Necht A = (a ij ) je matice typu (n, n), n 2 Subdeterminantem A ij matice A příslušným pozici (i, j) nazýváme determinant matice, která vznikne z A vypuštěním i-tého
Více1 Zobrazení 1 ZOBRAZENÍ 1. Zobrazení a algebraické struktury. (a) Ukažte, že zobrazení f : x
1 ZOBRAZENÍ 1 Zobrazení a algebraické struktury 1 Zobrazení Příklad 1.1. (a) Ukažte, že zobrazení f : x na otevřený interval ( 1, 1). x x +1 je bijekce množiny reálných čísel R (b) Necht a, b R, a < b.
Více6. Vektorový počet Studijní text. 6. Vektorový počet
6. Vektorový počet Budeme se pohybovat v prostoru R n, což je kartézská mocnina množiny reálných čísel R; R n = R R. Obvykle nám bude stačit omezení na případy n = 1, 2, 3; nicméně teorie je platná obecně.
VícePříklady k přednášce 14 - Moderní frekvenční metody
Příklady k přednášce 4 - Moderní frekvenční metody Michael Šebek Automatické řízení 28 4-4-8 Přenosy ve ZV systému Opakování: Přenosy v uzavřené smyčce ys () = Tsrs ()() + Ssds () () Tsns ()() us () =
VíceGymnázium, Brno. Matice. Závěrečná maturitní práce. Jakub Juránek 4.A Školní rok 2010/11
Gymnázium, Brno Matice Závěrečná maturitní práce Jakub Juránek 4.A Školní rok 2010/11 Konzultant: Mgr. Aleš Kobza Ph.D. Brno, 2011 Prohlášení Prohlašuji, že jsem předloženou práci zpracoval samostatně
VíceEukleidovský prostor a KSS Eukleidovský prostor je bodový prostor, ve kterém je definována vzdálenost dvou bodů (metrika)
Eukleidovský prostor a KSS Eukleidovský prostor je bodový prostor, ve kterém je definována vzdálenost dvou bodů (metrika) Kartézská soustava souřadnic je dána počátkem O a uspořádanou trojicí bodů E x,
VíceDeterminanty. Obsah. Aplikovaná matematika I. Pierre Simon de Laplace. Definice determinantu. Laplaceův rozvoj Vlastnosti determinantu.
Determinanty Aplikovaná matematika I Dana Říhová Mendelu Brno Obsah 1 Determinanty Definice determinantu Sarrusovo a křížové pravidlo Laplaceův rozvoj Vlastnosti determinantu Výpočet determinantů 2 Inverzní
Více8 Matice a determinanty
M Rokyta, MFF UK: Aplikovaná matematika II kap 8: Matice a determinanty 1 8 Matice a determinanty 81 Matice - definice a základní vlastnosti Definice Reálnou resp komplexní maticí A typu m n nazveme obdélníkovou
VíceMatematika I pracovní listy
Matematika I pracovní listy Dagmar Dlouhá, Radka Hamříková, Zuzana Morávková, Michaela Tužilová Katedra matematiky a deskriptivní geometrie VŠB - Technická univerzita Ostrava Úvod Pracovní listy jsou určeny
VíceRegresní a korelační analýza
Regresní a korelační analýza Mějme dvojici proměnných, které spolu nějak souvisí. x je nezávisle (vysvětlující) proměnná y je závisle (vysvětlovaná) proměnná Chceme zjistit funkční závislost y = f(x).
VícePřipomenutí co je to soustava lineárních rovnic
Připomenutí co je to soustava lineárních rovnic Příklad 2x 3y + z = 5 3x + 5y + 2z = 4 x + 2y z = 1 Soustava lineárních rovnic obecně Maticový tvar: a 11 x 1 + a 12 x 2 + + a 1n x n = b 1 a 21 x 1 + a
VíceTeorie náhodných matic aneb tak trochu jiná statistika
Teorie náhodných matic aneb tak trochu jiná statistika B. Vlková 1, M.Berg 2, B. Martínek 3, O. Švec 4, M. Neumann 5 Gymnázium Uničov 1, Gymnázium Václava Hraběte Hořovice 2, Mendelovo gymnázium Opava
VíceMatematika B101MA1, B101MA2
Matematika B101MA1, B101MA2 Zařazení předmětu: povinný předmět 1.ročníku bc studia 2 semestry Rozsah předmětu: prezenční studium 2 + 2 kombinované studium 16 + 0 / semestr Zakončení předmětu: ZS zápočet
VíceČetba: Texty o lineární algebře (odkazy na webových stránkách přednášejícího).
Předmět: MA 4 Dnešní látka Vektorový (lineární) prostor (připomenutí) Normovaný lineární prostor Normy matic a vektorů Symetrické matice, pozitivně definitní matice Gaussova eliminační metoda, podmíněnost
Více12 - Frekvenční metody
12 - Frekvenční metody Michael Šebek Automatické řízení 218 28-3-18 Proč frekvenční metody? Řídicích systémy se posuzují z časových odezev na určité vstupní signály Naopak v komunikačních systémech častěji
VíceD C A C. Otázka 1. Kolik z následujících matic je singulární? A. 0 B. 1 C. 2 D. 3
atum narození Otázka. Kolik z následujících matic je singulární? 4 A. B... 3 6 4 4 4 3 Otázka. Pro která reálná čísla a jsou vektory u = (,, 3), v = (3, a, ) a w = (,, ) lineárně závislé? A. a = 5 B. a
VícePříklady k přednášce 15 - Stavové metody
Příklady k přednášce 5 - Stavové metody Michael Šebek Automatické řízení 8 9-4-8 Příklad: Naivní návrh stavové ZV Naivní přístup je schůdný jen pro jednoduché případy, obvykle. řádu Uvažme soustavu (kyvadlo
VíceDefinice 13.1 Kvadratická forma v n proměnných s koeficienty z tělesa T je výraz tvaru. Kvadratická forma v n proměnných je tak polynom n proměnných s
Kapitola 13 Kvadratické formy Definice 13.1 Kvadratická forma v n proměnných s koeficienty z tělesa T je výraz tvaru f(x 1,..., x n ) = a ij x i x j, kde koeficienty a ij T. j=i Kvadratická forma v n proměnných
VícePodobnost matic. Definice 8.6. Dány matice A, B M n (C). Jestliže existuje regulární matice P M n (C) tak,
Podobnost matic Definice 84 Dány matice A, B M n (C) Jestliže existuje regulární matice P M n (C) tak, že B = P 1 AP, pak říkáme, že matice B je podobná matici A a píšeme A B Takto zavedená binární relace
Více4. Trojúhelníkový rozklad p. 1/20
4. Trojúhelníkový rozklad 4. Trojúhelníkový rozklad p. 1/20 4. Trojúhelníkový rozklad p. 2/20 Trojúhelníkový rozklad 1. Permutační matice 2. Trojúhelníkové matice 3. Trojúhelníkový (LU) rozklad 4. Výpočet
VíceÚlohy nejmenších čtverců
Úlohy nejmenších čtverců Petr Tichý 7. listopadu 2012 1 Problémy nejmenších čtverců Ax b Řešení Ax = b nemusí existovat, a pokud existuje, nemusí být jednoznačné. Často má smysl hledat x tak, že Ax b.
VíceVlastní čísla a vlastní vektory
Kapitola 11 Vlastní čísla a vlastní vektory Základní motivace pro studium vlastních čísel a vektorů pochází z teorie řešení diferenciálních rovnic Tato teorie říká, že obecné řešení lineární diferenciální
VícePodobnostní transformace
Schurova věta 1 Podobnostní transformace a výpočet vlastních čísel Obecný princip: Úloha: Řešíme-li matematickou úlohu, je často velmi vhodné hledat její ekvivalentní formulaci tak, aby se řešení úlohy
VíceSelected article from Tento dokument byl publikován ve sborníku
Selected article from Tento dokument byl publikován ve sborníku Nové metody a postupy v oblasti přístrojové techniky, automatického řízení a informatiky 2018 New Methods and Practices in the Instrumentation,
VíceCo je obsahem numerických metod?
Numerické metody Úvod Úvod Co je obsahem numerických metod? Numerické metody slouží k přibližnému výpočtu věcí, které se přesně vypočítat bud nedají vůbec, nebo by byl výpočet neúměrně pracný. Obsahem
VíceDRN: Soustavy linárních rovnic numericky, norma
DRN: Soustavy linárních rovnic numericky, norma Algoritmus (GEM: Gaussova eliminace s částečným pivotováním pro převod rozšířené regulární matice na horní trojúhelníkový tvar). Zadána matice C = (c i,j
VíceMatice. Modifikace matic eliminační metodou. α A = α a 2,1, α a 2,2,..., α a 2,n α a m,1, α a m,2,..., α a m,n
[1] Základní pojmy [2] Matice mezi sebou sčítáme a násobíme konstantou (lineární prostor) měníme je na jiné matice eliminační metodou násobíme je mezi sebou... Matice je tabulka čísel s konečným počtem
Více[1] Determinant. det A = 0 pro singulární matici, det A 0 pro regulární matici
[1] Determinant je číslo jistým způsobem charakterizující čtvercovou matici det A = 0 pro singulární matici, det A 0 pro regulární matici používá se při řešení lineárních soustav... a v mnoha dalších aplikacích
VíceHODNOST A DETERMINANT MATICE, INVERZNÍ MATICE
MENDELOVA UNIVERZITA V BRNĚ LDF MT MATEMATIKA HODNOST A DETERMINANT MATICE, INVERZNÍ MATICE Podpořeno projektem Průřezová inovace studijních programů Lesnické a dřevařské fakulty MENDELU v Brně (LDF) s
VíceMatematika (CŽV Kadaň) aneb Úvod do lineární algebry Matice a soustavy rovnic
Přednáška třetí (a pravděpodobně i čtvrtá) aneb Úvod do lineární algebry Matice a soustavy rovnic Lineární rovnice o 2 neznámých Lineární rovnice o 2 neznámých Lineární rovnice o dvou neznámých x, y je
VíceMatematika 3. Úloha 1. Úloha 2. Úloha 3
Matematika 3 Úloha 1 Co lze říci o funkci imaginární část komplexního čísla která každému komplexnímu číslu q přiřazuje číslo Im(q)? a. Je to funkce mnohoznačná. b. Je to reálná funkce komplexní proměnné.
VíceMatematika I 12a Euklidovská geometrie
Matematika I 12a Euklidovská geometrie Jan Slovák Masarykova univerzita Fakulta informatiky 3. 12. 2012 Obsah přednášky 1 Euklidovské prostory 2 Odchylky podprostorů 3 Standardní úlohy 4 Objemy Plán přednášky
VíceHODNOST A DETERMINANT MATICE, INVERZNÍ MATICE
MENDELOVA UNIVERZITA V BRNĚ LDF MT MATEMATIKA HODNOST A DETERMINANT MATICE, INVERZNÍ MATICE Podpořeno projektem Průřezová inovace studijních programů Lesnické a dřevařské fakulty MENDELU v Brně (LDF) s
VíceII. Úlohy na vložené cykly a podprogramy
II. Úlohy na vložené cykly a podprogramy Společné zadání pro příklady 1. - 10. začíná jednou ze dvou možností popisu vstupních dat. Je dána posloupnost (neboli řada) N reálných (resp. celočíselných) hodnot.
Více11. Skalární součin a ortogonalita p. 1/16
11. Skalární součin a ortogonalita 11. Skalární součin a ortogonalita p. 1/16 11. Skalární součin a ortogonalita p. 2/16 Skalární součin a ortogonalita 1. Definice skalárního součinu 2. Norma vektoru 3.
VíceRegresní analýza 1. Regresní analýza
Regresní analýza 1 1 Regresní funkce Regresní analýza Důležitou statistickou úlohou je hledání a zkoumání závislostí proměnných, jejichž hodnoty získáme při realizaci experimentů Vzhledem k jejich náhodnému
VíceLinearní algebra příklady
Linearní algebra příklady 6. listopadu 008 9:56 Značení: E jednotková matice, E ij matice mající v pozici (i, j jedničku a jinak nuly. [...]... lineární obal dané soustavy vektorů. Popište pomocí maticového
VíceLineární algebra Operace s vektory a maticemi
Lineární algebra Operace s vektory a maticemi Robert Mařík 26. září 2008 Obsah Operace s řádkovými vektory..................... 3 Operace se sloupcovými vektory................... 12 Matice..................................
Více2 Vektorové normy. Základy numerické matematiky - NMNM201. Definice 1 (Norma). Norma je funkcionál splňující pro libovolné vektory x a y a pro
Cvičení 1 Základy numerické matematiky - NMNM201 1 Základní pojmy opakování Definice 1 (Norma). Norma je funkcionál splňující pro libovolné vektory x a y a pro libovolný skalár α C následující podmínky:
VíceMATICE. a 11 a 12 a 1n a 21 a 22 a 2n A = = [a ij]
MATICE Matice typu m/n nad tělesem T je soubor m n prvků z tělesa T uspořádaných do m řádků a n sloupců: a 11 a 12 a 1n a 21 a 22 a 2n A = = [a ij] a m1 a m2 a mn Prvek a i,j je prvek matice A na místě
VíceÚvod do lineární algebry
Úvod do lineární algebry 1 Aritmetické vektory Definice 11 Mějme n N a utvořme kartézský součin R n R R R Každou uspořádanou n tici x 1 x 2 x, x n budeme nazývat n rozměrným aritmetickým vektorem Prvky
VíceVektorový prostor. Př.1. R 2 ; R 3 ; R n Dvě operace v R n : u + v = (u 1 + v 1,...u n + v n ), V (E 3 )...množina vektorů v E 3,
Vektorový prostor Příklady: Př.1. R 2 ; R 3 ; R n...aritmetický n-rozměrný prostor Dvě operace v R n : součet vektorů u = (u 1,...u n ) a v = (v 1,...v n ) je vektor u + v = (u 1 + v 1,...u n + v n ),
VíceDeterminanty. Determinanty. Přednáška MATEMATIKA č. 3. Jiří Neubauer
Přednáška MATEMATIKA č. 3 Katedra ekonometrie FEM UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.cz 21. 10. 2010 Uvažujme neprázdnou množinu přirozených čísel M = {1, 2,..., n}. Z kombinatoriky
Více1 Linearní prostory nad komplexními čísly
1 Linearní prostory nad komplexními čísly V této přednášce budeme hledat kořeny polynomů, které se dále budou moci vyskytovat jako složky vektorů nebo matic Vzhledem k tomu, že kořeny polynomu (i reálného)
VíceVlastní číslo, vektor
[1] Vlastní číslo, vektor motivace: směr přímky, kterou lin. transformace nezmění invariantní podprostory charakteristický polynom báze, vzhledem ke které je matice transformace nejjednodušší podobnost
Více