1) Markovian jumping parameters
马尔可夫跳跃参数
1.
Global exponential stability for static neural network models with time-varying delays and Markovian jumping parameters;
具有马尔可夫跳跃参数的变时滞静态神经网络的全局指数稳定性
2) Markovian jump parameter
马尔科夫跳跃参数
3) jump Markov model
跳跃马尔可夫模型
1.
Infrared point targets detection using jump Markov model;
基于跳跃马尔可夫模型的红外点目标检测方法
4) Markovian jump system with time-delays
时滞马尔可夫跳跃系统
5) semi-Markovian Jump Linear System(SMJLS)
半马尔可夫跳跃系统
6) Markov parameter
马尔可夫参数
1.
By the optimal sequence, the optimal Markov parameters for the closed loop system can be achieved which bring out the optimal closed loop poles.
由最优误差序列得到闭环系统的马尔可夫参数 ,从而求取最优闭环极点 ,然后 ,应用一般的极点配置方法解出最优反馈矩阵 。
2.
By means ofthe batch-form or closed form of Riccati Eqation,the data-based LQG Controller directly using Markov Parameters of the system is derived.
该算法利用Riccati方程的闭合解,由系统的马尔可夫参数直接求得最优控制信号。
补充资料：马尔可夫参数估计
通过对传递函数阵（见传递函数）的辨识求出马尔可夫参数，以建立系统最小实现状态方程的非参数模型辨识方法。对于离散的单输入单输出系统，脉冲响应权序列{hi，i＝0，1，...}的Z变换就是脉冲传递函数H(z)，即 。对于满足完全可观测和完全可控条件的多输入多输出系统，存在着形式上与{hi}序列相似的非参数模型{Ji，i＝0，1,...}。如果多输入多输出的传递函数阵为G(z)，它可以表示为
G(z)＝D＋J0z-1＋J1z-2＋...这个矩阵序列{Ji，i＝0，1，...}称为多输入多输出系统的马尔可夫参数。多输入多输出系统辨识的困难在于无法得到惟一解，但可考虑其最小实现的辨识。设线性定常系统为
x(k＋1)＝Ax(k)＋Bu(k)
y(k)＝Cx(k)＋Du(k)式中x(k)是n维状态向量，y(k)是m维观测向量,u(k)为r维输入。系统的等价类上的传递函数为
G(z)＝C(zI-A)-1B＋D由定义JiCAiB 所给出的马尔可夫参数与G(z)之间的关系即符合上述Z变换的关系。由马尔可夫参数{Ji}构成的汉克尔矩阵Hn为
其中On为完全可观测矩阵，Cn为完全可控矩阵。由系统的完全可控与完全可观测的假定可知：rank (On) ＝n,rank(Cn)＝n,亦即rank(Hn)＝n。因此,系统为最小实现的充分必要条件是：由马尔可夫参数构成的汉克尔矩阵的秩为 n。为了获得马尔可夫参数的估计，需要先辨识传递函数阵G(z)，然后把G(z)展成z-1的矩阵多项式,其相应的系数矩阵就是马尔可夫参数的估计。辨识马尔可夫参数的目的在于建立最小实现的状态方程，著名的方法之一是何-卡尔曼方法,可表述为:给定{Ji，i＝0,1,2，...},存在有穷维最小实现(A，B，C),它以Ji为其马尔可夫参数的充分必要条件是存在一个整数q及常数α1，α2，...，αq,使对任何j≥0有。
G(z)＝D＋J0z-1＋J1z-2＋...这个矩阵序列{Ji，i＝0，1，...}称为多输入多输出系统的马尔可夫参数。多输入多输出系统辨识的困难在于无法得到惟一解，但可考虑其最小实现的辨识。设线性定常系统为
x(k＋1)＝Ax(k)＋Bu(k)
y(k)＝Cx(k)＋Du(k)式中x(k)是n维状态向量，y(k)是m维观测向量,u(k)为r维输入。系统的等价类上的传递函数为
G(z)＝C(zI-A)-1B＋D由定义JiCAiB 所给出的马尔可夫参数与G(z)之间的关系即符合上述Z变换的关系。由马尔可夫参数{Ji}构成的汉克尔矩阵Hn为
其中On为完全可观测矩阵，Cn为完全可控矩阵。由系统的完全可控与完全可观测的假定可知：rank (On) ＝n,rank(Cn)＝n,亦即rank(Hn)＝n。因此,系统为最小实现的充分必要条件是：由马尔可夫参数构成的汉克尔矩阵的秩为 n。为了获得马尔可夫参数的估计，需要先辨识传递函数阵G(z)，然后把G(z)展成z-1的矩阵多项式,其相应的系数矩阵就是马尔可夫参数的估计。辨识马尔可夫参数的目的在于建立最小实现的状态方程，著名的方法之一是何-卡尔曼方法,可表述为:给定{Ji，i＝0,1,2，...},存在有穷维最小实现(A，B，C),它以Ji为其马尔可夫参数的充分必要条件是存在一个整数q及常数α1，α2，...，αq,使对任何j≥0有。
说明：补充资料仅用于学习参考，请勿用于其它任何用途。
参考词条