Матрица перехода состояний описывает, как ваши состояния распространяются со временем при заданном начальном состоянии. Для линейной неизменной во времени (LTI) системы это постоянная матрица.
Например, предположим, что у меня есть двумерная модель LTI с дискретным временем, приведенная ниже:
x(k+1) = x(k) ---- (1)
y(k+1) = y(k) + 2x(k) ----- (2)
Это можно записать в матричной форме, посмотрев на коэффициенты состояний в каждом уравнении, как показано ниже:
[x(k+1), y(k+1)] = [[1.0, 0.0],[2.0, 1.0]]*
[x(k),y(k)]
Матрица [[1.0, 0.0],[2.0, 1.0]] известна как матрица переходов между состояниями. Обратите внимание, это похоже на то, как вы пишете линейные системы уравнений в матричной форме для их решения. одновременно используя правило Крамера или обращение матрицы.
Как видите, в (1) появляется только x(k) с коэффициентом 1, следовательно, первая строка матрицы перехода — [1,0, 0,0]. Точно так же вторая строка — [2.0, 1.0].
Взгляните на структуру вашей матрицы
DT = np.matrix([[1.,0.,dt,0],[0.,1.,0.,dt],[0.,0.,1.,0.],[ 0.,0.,0.,1.]])
Я могу сказать, что у вас есть 4 переменные [x(t-1), y(t-1), vx, vy]. Вы показали только два уравнения состояния (x(t) и y(t)) и первые 2 строки вашей матрицы хорошо соответствуют коэффициентам переменных в уравнениях.
Из вашей матрицы я могу сделать вывод, что последние два уравнения
vx(t) = vx(t-1) и vy(t) = vy(t-1).
Я бы посоветовал вам больше узнать о моделях пространства состояний (должно быть достаточно LTI). https://en.wikipedia.org/wiki/State-space_representation
Примечание. Для моделей с непрерывным временем для получения матрицы перехода состояний потребуется найти экспоненциальную матрицу.
person
decardinb
schedule
16.03.2019