6、傅里叶级数与电路周期解相关知识解析

傅里叶级数与电路周期解相关知识解析

1. 傅里叶级数基础与周期解问题引入

在分析线性时不变微分方程在周期强迫函数作用下的周期解问题时,我们先从一些基础概念入手。假设数字 ${l_j}$ 是连续函数 $g$ 的采样值,即 $l_i = g(j\Delta)$。通过将 $\frac{n}{N}$ 视为小参数,利用泰勒级数可将相关公式识别为用于计算 $g$ 对应傅里叶系数的“黎曼和”。

这类周期解问题在多个领域都有出现,比如线性电路分析、线性机械系统和结构研究。在处理这类问题时,通常会先假设存在周期解,然后基于此进行计算。然而,若这个假设不成立,就可能出现问题。

当控制微分方程的齐次解包含与强迫项频率重合的周期分量时,会出现明显的问题,即共振现象。此时可能存在振幅无界的解,在这种情况下寻找周期解意义不大,而且在正式计算过程中,这种共振通常会表现为试图除以零。

还有一种更微妙的问题,当齐次解包含非共振振荡项或随时间增长无界的项时,正式计算可能会得出一个周期解的候选,但由于“不良不稳定模式”在实际实验中几乎会被激发,这个解在物理上是无法实现的。不过,在本质稳定的物理系统(如无源电路)分析中,不会出现这种情况,但包含有源器件的电路则可能会遇到此类陷阱。

2. 周期解计算示例

下面通过几个具体的电路示例来说明如何计算周期解。

2.1 RC 电路示例

考虑图 2.8 - 1 所示的 RC 电路,电压源 $e_0(t)$ 是周期为 2 的方波,表达式为:
[
f(t) =
\begin{cases}
1, & 0 < t \leq 1 \

先展示下效果 https://pan.quark.cn/s/a4b39357ea24 遗传算法 - 简书 遗传算法的理论是根据达尔文进化论而设计出来的算法: 人类是朝着好的方向(最优)进化,进化过程中,会自动选择优良基因,淘汰劣等基因。 遗传算法(英语:genetic algorithm (GA) )是计算数学中用于决最佳化的搜索算法,是进化算法的一种。 进化算法最初是借鉴了进化生物学中的一些现象而发展起来的,这些现象包括遗传、突变、自然选择、杂交等。 搜索算法的共同特征为: 首先组成一组候选 依据某些适应性条件测算这些候选的适应度 根据适应度保留某些候选,放弃其他候选 对保留的候选进行某些操作,生成新的候选 遗传算法流程 遗传算法的一般步骤 my_fitness函数 评估每条染色体所对应个体的适应度 升序排列适应度评估值,选出 前 parent_number 个 个体作为 待选 parent 种群(适应度函数的值越小越好) 从 待选 parent 种群 中随机选择 2 个个体作为父方和母方。 抽取父母双方的染色体,进行交叉,产生 2 个子代。 (交叉概率) 对子代(parent + 生成的 child)的染色体进行变异。 (变异概率) 重复3,4,5步骤,直到新种群(parentnumber + childnumber)的产生。 循环以上步骤直至找到满意的。 名词释 交叉概率:两个个体进行交配的概率。 例如,交配概率为0.8,则80%的“夫妻”会生育后代。 变异概率:所有的基因中发生变异的占总体的比例。 GA函数 适应度函数 适应度函数由决的问题决定。 举一个平方和的例子。 简单的平方和问题 求函数的最小值,其中每个变量的取值区间都是 [-1, ...
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符  | 博主筛选后可见
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值