给定一个全阶模型和一个降阶模型的初始估计,可以获得在
意义上最优的降阶模型。此方法使用 LMI 技术迭代地获得结果。
给定系统的状态空间表示
和降阶模型的初始估计
.

其中
和
。其中
分别代表全阶、降阶、输入数量和输出数量。
全阶状态矩阵
和降阶模型阶数
.
优化的目标是降低两个系统的
范数距离。最小化
相对于
.
目标:
.
条件: 
从上面的 LMI 可以看出,第二个矩阵不等式对于
不是线性的。通过使
保持不变,它对于
是线性的。如果
保持不变,它对于
是线性的。因此可以使用以下迭代算法。
(a) 从初始估计
开始,该估计值可以通过 Hankel 范数约简/平衡截断等技术获得。
(b) 固定
并针对
进行优化。
(c) 固定
并针对
进行优化。
(d) 重复步骤 (b) 和 (c),直到解决方案收敛。
LMI 技术产生的模型降阶结果接近于最大移除的 Hankel 奇异值所设定的理论极限。改进通常与 Hankel 范数约简相比并不显著。由于计算量大,建议仅在最优性能成为必要时才使用此算法。
记录和验证 LMI 的参考资料列表。