关于N阶常系数差分方程和微分方程的对比易误点(d ' y(t)/dt 对应 y[n - 1] ? )

2024-06-06 09:48

本文主要是介绍关于N阶常系数差分方程和微分方程的对比易误点(d ' y(t)/dt 对应 y[n - 1] ? ),希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

Linear Constant-coefficient difference equations







这里有个容易“让人困惑”的地方,仔细观察两个方程,加上这里书上说了一句“1.109式(图中上面的公式),对应的离散时间方程是下面的方程”


发现会有一种感觉,"既然是对应的,那么这里d ' y(t)/dt 岂不是对应 y[n - 1]  (当k = 1时)"

正是这样,我就陷入了深深的困惑。。。

会觉得“怎么连续领域内的一阶导数等于离散领域内的偏移即可?”想不明白


实质上这样思考是不对的。


陷入了误区, 这两个方程针对的对象不同,前者是为了刻画连续领域而建立的模型,后者是离散领域的。



这个方程之所以成立,就是因为它刻画的是输入和输出之间的关系,对于LIT系统,总能找到相应的系数,使得输入信号的各个阶次的导数的线性组合能够等于输出信号的各阶导数的线性组合。



input --> | system | -->output

而对于离散系统来说,LTI系统的输出仅可能和输入或者输出(有反馈的情况),有关系,

而为了描述建立这种关系,于是就会有下面的公式



当系统有反馈的时候k就不等于1了,右边作为系统的单独输入量的各种组合.



举个例子

y[n] = y[n-1] + x[n];

这个系统描述的就是当前系统的输出量y[n] 取决于前一时刻系统的输出量加上当前系统的输入量(这家伙是个正反馈).


                                                                        x[n] ---(+)-->| system | ---> y[n] 

                                                                                    ^--------------------|



把系统描述方程稍作变形,把y[] 相关项和x[]相关项分别分离在等式的左右两边,于是有

y[n] - y[n-1] =x[n];




因此,他们仅仅是对不同系统构建的描述方法而已,都是尝试利用已知的系统输入输出建立描述系统的模型.

连续系统里面,系统的阶数会对输入输出有影响,于是会用到微分,

离散系统里面,系统的输入输出的偏移量有可能会影响系统的输出,于是会用到系统的偏移量。


不要陷入“d ' y(t)/dt 对应 y[n - 1] ”对比性的困惑







这篇关于关于N阶常系数差分方程和微分方程的对比易误点(d ' y(t)/dt 对应 y[n - 1] ? )的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/1035763

相关文章

poj 3159 (spfa差分约束最短路) poj 1201

poj 3159: 题意: 每次给出b比a多不多于c个糖果,求n最多比1多多少个糖果。 解析: 差分约束。 这个博客讲差分约束讲的比较好: http://www.cnblogs.com/void/archive/2011/08/26/2153928.html 套个spfa。 代码: #include <iostream>#include <cstdio>#i

【生成模型系列(初级)】嵌入(Embedding)方程——自然语言处理的数学灵魂【通俗理解】

【通俗理解】嵌入(Embedding)方程——自然语言处理的数学灵魂 关键词提炼 #嵌入方程 #自然语言处理 #词向量 #机器学习 #神经网络 #向量空间模型 #Siri #Google翻译 #AlexNet 第一节:嵌入方程的类比与核心概念【尽可能通俗】 嵌入方程可以被看作是自然语言处理中的“翻译机”,它将文本中的单词或短语转换成计算机能够理解的数学形式,即向量。 正如翻译机将一种语言

poj 3169 spfa 差分约束

题意: 给n只牛,这些牛有些关系。 ml个关系:fr 与 to 牛间的距离要小于等于 cost。 md个关系:fr 与 to 牛间的距离要大于等于 cost。 隐含关系: d[ i ] <= d[ i + 1 ] 解析: 用以上关系建图,求1-n间最短路即可。 新学了一种建图的方法。。。。。。 代码: #include <iostream>#include

POJ 1364差分约束

给出n个变量,m个约束公式 Sa + Sa+1 + .... + Sa+b < ki or > ki ,叫你判断是否存在着解满足这m组约束公式。 Sa + Sa+1   +   .+ Sa+b =  Sum[a+b] - Sum[a-1]  . 注意加入源点n+1 。 public class Main {public static void main(Strin

免费也能高质量!2024年免费录屏软件深度对比评测

我公司因为客户覆盖面广的原因经常会开远程会议,有时候说的内容比较广需要引用多份的数据,我记录起来有一定难度,所以一般都用录屏工具来记录会议内容。这次我们来一起探索有什么免费录屏工具可以提高我们的工作效率吧。 1.福晰录屏大师 链接直达:https://www.foxitsoftware.cn/REC/  录屏软件录屏功能就是本职,这款录屏工具在录屏模式上提供了多种选项,可以选择屏幕录制、窗口

类的load方法和initialize方法对比

1. load方法在main()之前被调用,而initialize方法在main()之后调用 load方法实际是在load_images过程中被调用的。load_images会将当前应用依赖的所有镜像(动态库)加载到内存,在在加载中首先是对镜像进行扫描,将所有包含 load 方法的类加入列表 loadable_classes ,然后从这个列表中逐一调用其所包含的 load 方法。 +[XXCl

JavaScript正则表达式六大利器:`test`、`exec`、`match`、`matchAll`、`search`与`replace`详解及对比

在JavaScript中,正则表达式(Regular Expression)是一种用于文本搜索、替换、匹配和验证的强大工具。本文将深入解析与正则表达式相关的几个主要执行方法:test、exec、match、matchAll、search和replace,并对它们进行对比,帮助开发者更好地理解这些方法的使用场景和差异。 正则表达式基础 在深入解析方法之前,先简要回顾一下正则表达式的基础知识。正则

【HarmonyOS】-TaskPool和Worker的对比实践

ArkTS提供了TaskPool与Worker两种多线程并发方案,下面我们将从其工作原理、使用效果对比两种方案的差异,进而选择适用于ArkTS图片编辑场景的并发方案。 TaskPool与Worker工作原理 TaskPool与Worker两种多线程并发能力均是基于 Actor并发模型实现的。Worker主、子线程通过收发消息进行通信;TaskPool基于Worker做了更多场景化的功能封装,例

一些数学经验总结——关于将原一元二次函数增加一些限制条件后最优结果的对比(主要针对公平关切相关的建模)

1.没有分段的情况 原函数为一元二次凹函数(开口向下),如下: 因为要使得其存在正解,必须满足,那么。 上述函数的最优结果为:,。 对应的mathematica代码如下: Clear["Global`*"]f0[x_, a_, b_, c_, d_] := (a*x - b)*(d - c*x);(*(b c+a d)/(2 a c)*)Maximize[{f0[x, a, b,

Matlab/Simulink中PMSM模型的反电动势系数和转矩系数

Matlab/Simulink中PMSM模型的反电动势系数和转矩系数_matlab pmsm-CSDN博客