Z变换解差分方程的思考
问题描述
今日碰到一道差分方程的题目,如下 [
y(n + 2) - cfrac{7}{10}y(n + 1) + cfrac{1}{10}y(n) = 7x(n+2) -2 x(n + 1)
] 已知(x(n) = left(cfrac{1}{2}right)^n u(n) , y(0) = 2, y(1) = 4),求全响应。
一般求解这种题目的思路很清晰,首先根据特征方程求出特征根,从而得出零输入解的形式,但是这个时候给的条件是(y(0))和(y(1)),而不是(y_{zi}(0))和(y_{zi}(1)),这意味着此时我们不能直接得出零输入解的系数。这个时候我们可以求出系统的零状态响应,然后可以得出(y_{zs}(0))和(y_{zs}(1)),然后根据(y_{zi}(0) = y(0) - y_{zs}(0)),(y_{zi}(1) = y(1) - y_{zs}(1)),然后得出零输入响应的系数,然后将零输入响应和零状态响应相加得到全响应。
上面的思路很清晰,但是却是有点麻烦,我们可以根据 [
begin{aligned}
Z{y(n + 2) } &= z^2(Y(z) - y(0) - y(1)z^{-1}) \
Z{y(n + 1) } &= z(Y(z) - y(0))
end{aligned}
] 对上面同时进行(Z)变换 [
z^2(Y(z) - y(0) - y(1)z^{-1}) - cfrac{7}{10}z(Y(z) - y(0)) + cfrac{1}{10}Y(z) = 7z^2X(z) - 2zX(z)
] 上面的式子是我在答案(不一定正确的答案)上看到的,但是你没有发现有没有一丝丝的不对,怎么 [
Z{x(n + 2)} = z^2X(z) neq z^2(X(z) - x(0) - x(1)z^{-1})
] 那么问题来了,哪种是对的呢?
我认为(Z{x(n + 2)} = z^2(X(z) - x(0) - x(1)z^{-1}))是对的。但是我们经常见到好像是(Z{x(n + 2)} = z^2X(z))的形式,这是怎么回事,这是因为在课本上我们见到的都是(y(n - n_0), x(n - n_0))这种后向差分的形式,因为这时做(Z)变换与(x(-n_0))有关,而(x(n) = 0 , n < 0),所以后面就没有长长的"尾巴"。我们将上面的差分方程改写为 [
y(n) - cfrac{7}{10}y(n - 1) + cfrac{1}{10}y(n - 2) = 7x(n) -2 x(n - 1)
] 然后对两边进行(Z)变换得到 [
Y(z) - cfrac{7}{10}z^{-1}(Y(z) + y(-1)z) + cfrac{1}{10}z^{-2}(Y(z) + y(-1)z + y(-2)z^2) = 7X(z) - 2z^{-1}X(z)
] 因为(x(-1) = x(-2) = 0),所以后面就没有"尾巴",然后两边同时乘以(z^2)得到
[
z^2Y(z) - cfrac{7}{10}z(Y(z) + y(-1)z) + cfrac{1}{10}(Y(z) + y(-1)z + y(-2)z^2) = 7z^2X(z) - 2zX(z)
]
求证想法
为了验证我的说法,这里使用最前面提到的方法(分别求零输入和零状态)和上面我的想法求解,看看答案是否一致,如果一致的话,说明我的想法是正确的。
解法一:
由特征方程 [
r^2 - cfrac{7}{10}r + cfrac{1}{10} = (r - cfrac{1}{2})(r - cfrac{1}{5}) = 0 Rightarrow r = cfrac{1}{2},cfrac{1}{5}
]
于是设零输入响应的解为 [
y_{zi}(n) = C_1 left( cfrac{1}{2} right)^nu(n) + C_2 left( cfrac{1}{5} right)^nu(n)
]
由差分方程知 [
H(z) = cfrac{7z^2 - 2z}{(z - cfrac{1}{2})(z - cfrac{1}{5})}
]
又 [
X(z) = cfrac{z}{z - cfrac{1}{2}}
]
故 [
Y(z) = H(z)X(z) = cfrac{z(7z^2 - 2z)}{(z - cfrac{1}{2})^2(z - cfrac{1}{5})} = cfrac{5}{2} cfrac{z}{(z - cfrac{1}{2})^2} + cfrac{25}{3}cfrac{z}{z - cfrac{1}{2}} - cfrac{4}{3} cfrac{z}{z - cfrac{1 大专栏 Z变换解差分方程的思考}{5}}
]
则 [
y_{zs}(n) = 5nleft( cfrac{1}{2} right)^nu(n) + cfrac{25}{3}left( cfrac{1}{2} right)^nu(n) - cfrac{4}{3}left( cfrac{1}{5} right)^nu(n)
]
则 [
begin{aligned}
y_{zi}(0) &= C_1 + C_2 &= y(0) - y_{zs}(0) &= -5 \
y_{zi}(1) &= cfrac{1}{2}C_1 + cfrac{1}{5}C_2 &= y(1) - y_{zs}(1) & = -cfrac{12}{5}
end{aligned}
]
得到 [
C_1 = -cfrac{14}{3} \
C_2 = -cfrac{1}{3}
]
则 [
y_{zi}(n) = -cfrac{14}{3} left( cfrac{1}{2} right)^nu(n) -cfrac{1}{3} left( cfrac{1}{5} right)^nu(n)
]
解法二: [
y(n + 2) - cfrac{7}{10}y(n + 1) + cfrac{1}{10}y(n) = 7x(n+2) -2 x(n + 1)
]
两边同时求(Z)变换 [
z^2(Y(z) - y(0) - y(1)z^{-1}) - cfrac{7}{10}z(Y(z) - y(0)) + cfrac{1}{10}Y(z) = 7z^2(X(z) - x(0) - x(1)z^{-1}) - 2z(X(z) - x(0))
]
得到 [
Y(z) = cfrac{(y(0) - 7x(0))z^2 + (y(1) - cfrac{7}{10} y(0) - 7x(1) + 2x(0))z}{(z - cfrac{1}{2})(z - cfrac{1}{5})} + H(z)X(z)
]
可知 [
Y_{zi}(z) = cfrac{(y(0) - 7x(0))z^2 + (y(1) - cfrac{7}{10} y(0) - 7x(1) + 2x(0))z}{(z - cfrac{1}{2})(z - cfrac{1}{5})} = cfrac{-5z^2 + cfrac{11}{10}z}{(z - cfrac{1}{2})(z - cfrac{1}{5})} = -cfrac{14}{3}cfrac{z}{z - cfrac{1}{2}} - cfrac{1}{3}cfrac{z}{z - cfrac{1}{5}}
]
所以 [
y_{zi}(n) = -cfrac{14}{3} left( cfrac{1}{2} right)^nu(n) -cfrac{1}{3} left( cfrac{1}{5} right)^nu(n)
]
同第一种解法一样,所以我的想法是正确的(小声BB答案错了)。
总结
其实根据题目给的初始条件不同,我们的解法也不相同,这里总结一下如果给出不同的初始条件应当采取什么解法(以二阶为例):
给出(y(0), y(1)),就是我上面提到的情况,有两种方法
- 分别求零输入响应和零状态响应,此时零输入响应的系数需要求出零状态响应后才能知道
- 直接进行(Z)变换
给出(y_{zi}(0), y_{zi}(1)),同样也有两种方法,不过与上面有所不同(实际上是简单了)
- 分别求零输入响应和零状态响应,此时由于直接给出了(y_{zi}(0), y_{zi}(1)),所以可以直接求出零输入响应的系数
- 直接进行(Z)变换,此时的形式与上面又有所不同,这时不是
[
z^2(Y(z) - y(0) - y(1)z^{-1}) - cfrac{7}{10}z(Y(z) - y(0)) + cfrac{1}{10}Y(z) = 7z^2(X(z) - x(0) - x(1)z^{-1}) - 2z(X(z) - x(0))
]而是 [
z^2(Y(z) - y_{zi}(0) - y_{zi}(1)z^{-1}) - cfrac{7}{10}z(Y(z) - y_{zi}(0)) + cfrac{1}{10}Y(z) = 7z^2X(z) - 2zX(z)
]给出(y(-2), y(-1)),同样两种解法,因为(y_{zs}(-2) = y_{zs}(-1) = 0),所以(y_{zi}(-2) = y(-2), y_{zi}(-1) = y(-1)),这时同第二种情况是一样的了
分别求零输入响应和零状态响应,过程同第二种情况一样
直接进行(Z)变换,此时的形式为 [
Y(z) - cfrac{7}{10}z^{-1}(Y(z) + y(-1)z) + cfrac{1}{10}z^{-2}(Y(z) + y(-1)z + y(-2)z^2) = 7X(z) - 2z^{-1}X(z)
]
给出(y(-1), y(0)),这时我们可以将值代入方程迭代处(y(1))从而转变为第一种情况,或者迭代出(y(-2))转变为第三种情况。鉴于求解的复杂性,最好迭代出(y(-2))
Z变换解差分方程的思考的更多相关文章
- 数字信号处理--Z变换,傅里叶变换,拉普拉斯变换
傅立叶变换.拉普拉斯变换.Z变换最全攻略 作者:时间:2015-07-19来源:网络 傅立叶变换.拉普拉斯变换.Z变换的联系?他们的本质和区别是什么?为什么要进行这些变换.研究的都是什么? ...
- 【转】傅里叶变换 拉普拉斯变 z变换 DFT DCT意义
傅里叶变换在物理学.数论.组合数学.信号处理.概率论.统计学.密码学.声学.光学.海洋学.结构动力学等领域都有着广泛的应用(例如在信号处理中,傅里叶变换的典型用途是将信号分解成幅值分量和频率分量). ...
- [离散时间信号处理学习笔记] 10. z变换与LTI系统
我们前面讨论了z变换,其实也是为了利用z变换分析LTI系统. 利用z变换得到LTI系统的单位脉冲响应 对于用差分方程描述的LTI系统而言,z变换将十分有用.有如下形式的差分方程: $\displays ...
- z 变换
1. z 变换 单位脉冲响应为 \(h[n]\) 的离散时间线性时不变系统对复指数输入 \(z^n\) 的响应 \(y[n]\) 为 \[ \tag{1} y[n] = H(z) z^{n}\] 式中 ...
- 16 Z变换
Z变换 由于\(DTFT\)变换是有收敛条件的,并且其收敛条件比较严格,很多信号不能够满足条件,为了有效的分析信号,需要放宽收敛的条件,引入\(Z\)变换. 定义 已知序列的\(DTFT\)为 \[ ...
- z变换
---恢复内容开始--- z变换作用很大 将离散信号从时间域转到频率域 网址 ---恢复内容结束--- z变换作用很大 将离散信号从时间域转到频率域 网址 http://stackoverflow.c ...
- 常用函数的DTFT变换对和z变换对
直接从书上抓图的,为以后查表方便 1.DTFT 2.z变换对
- [离散时间信号处理学习笔记] 9. z变换性质
z变换描述 $x[n] \stackrel{\mathcal{Z}}{\longleftrightarrow}X(z) ,\quad ROC=R_x$ 序列$x[n]$经过z变换后得到复变函数$X(z ...
- [离散时间信号处理学习笔记] 7. z变换
z变换及其收敛域 回顾前面的文章,序列$x[n]$的傅里叶变换(实际上是DTFT,由于本书把它叫做序列的傅里叶变换,因此这里以及后面的文章也统一称DTFT为傅里叶变换)被定义为 $X(e^{j\ome ...
随机推荐
- HTTP协议(三):状态码
前言 作者说:在上一节的内容中,HTTP大佬介绍了他是怎么让服务器和用户达成信息交互的,详细的说明了连接建立过程中用到的一些基本的技术原理,包括请求报文响应报文.建立持久化连接用的Cookie技术等内 ...
- 19 01 12 javascript 定时器 封闭函数
定时器 定时器在javascript中的作用1.制作动画2.异步操作3.函数缓冲与节流 定时器: setTimeout 只执行一次的定时器 clearTimeout 关闭只执行一次的定时器 setIn ...
- ROS的Target Platforms
问题 今天编译VIORB遇到了以下错误: 查到的资料 ubuntu18安装的二进制ros包需要特定版本的库函数 ros官方文档 文档pdf 参考回答 参考回答pdf
- 用户体验评价——win10自带微软拼音输入法
目前正在使用的一款输入法就是win10自带的微软拼音输入法, 用户界面,一直在用个人感觉最大的特点就是十分简洁,界面的布局十分清晰,可以隐藏悬浮窗让他显示在菜单栏, 另外其记住用户输入习惯方面也十分优 ...
- 吴裕雄--天生自然 JAVASCRIPT开发学习:Date(日期) 对象
<!DOCTYPE html> <html> <head> <meta charset="utf-8"> <title> ...
- Eclipse上传Git远程仓库,并且增加Maven Dependencies
前言: 遇见问题了,公司一台电脑,家里一台电脑,当有项目在进行的时候,又不想把电脑背来背去的,就像一个人玩单机,这个时候GIT就可以帮你解决这个问题.当GIT准备就绪的时候,新的问题来了git下载下载 ...
- Linux-让程序不能多次运行
1.因为守护进程是长时间运行而不退出的,因此./a.out执行一次就有一个进程,执行多次就有多个进程. 2.这样并不是我们想要的.我们的守护进程一般都是服务器,服务器程序只要运行一个就够了,多次同时运 ...
- ICRA 2019最佳论文公布 李飞飞组的研究《Making Sense of Vision and Touch: Self-Supervised Learning of Multimodal Representations for Contact-Rich Tasks》获得了最佳论文
机器人领域顶级会议 ICRA 2019 正在加拿大蒙特利尔举行(当地时间 5 月 20 日-24 日),刚刚大会公布了最佳论文奖项,来自斯坦福大学李飞飞组的研究<Making Sense of ...
- Python笔记_第四篇_高阶编程_高阶函数_2.filter
1. filter函数: 原型:filter(fn,lsd) 参数1为函数 参数2为序列 功能:用于过滤序列,把传入的函数一次作用域序列每个元素,根据返回的是True还是False决定是否保留该元素. ...
- sklearn 模型评估
原文链接 http://d0evi1.com/sklearn/model_evaluation/ 预测值:pred 真实值:y_test #### 直接用平均值 ``` mean(pred == y_ ...