[论文解读] Model Reduction using a Frequency-Limited H2-Cost

Daniel Petersson, Johan Löfberg|arXiv (Cornell University)|Dec 7, 2012

Model Reduction and Neural Networks参考文献 2被引用 8

一句话总结

本文提出一种基于非线性优化的频带受限ℋ₂最优模型降阶方法，通过在指定频带内最小化代价函数实现，无需输入/输出滤波器权重。关键贡献在于推导出计算高效的闭式梯度表达式，使可有效利用现成优化求解器，确保在结构约束下获得稳定降阶模型。

ABSTRACT

We propose a method for model reduction on a given frequency range, without the use of input and output filter weights. The method uses a nonlinear optimization approach to minimize a frequency limited H2 like cost function. An important contribution in the paper is the derivation of the gradient of the proposed cost function. The fact that we have a closed form expression for the gradient and that considerations have been taken to make the gradient computationally efficient to compute enables us to efficiently use off-the-shelf optimization software to solve the optimization problem.

研究动机与目标

• 解决现有频带加权模型降阶方法依赖输入输出滤波器权重的局限性。
• 开发一种在特定频带内最优的模型降阶方法，尤其适用于仅在有限带宽内有效的模型。
• 通过基于优化的修正方法，克服频带受限平衡截断法（如[2]中所述）常见的不稳定性问题。
• 通过约束优化，在降阶模型中实现结构约束（例如上三角A矩阵）。
• 提供一种计算高效的框架，利用闭式梯度表达式，借助标准优化软件求解非凸、频带受限ℋ₂问题。

提出的方法

• 基于文献[2]中定义的频带受限可观测性与可控制性Gramian矩阵，在有界频率区间[−ω, ω]上构建类似ℋ₂的频带受限代价函数。
• 将代价函数定义为限制在目标频带内的误差系统ℋ₂范数，由频带受限Gramian矩阵推导得出。
• 推导出代价函数关于降阶系统矩阵（Ar, Br, Cr, Dr）的闭式解析梯度表达式，实现高效优化。
• 实施非线性优化框架，利用现成求解器最小化频带受限ℋ₂代价函数，梯度信息确保快速收敛。
• 通过将结构约束（如稀疏性、稀疏模式、上三角A矩阵）纳入优化问题，实现在降阶模型中对结构特性的控制。
• 采用两步法：首先使用标准模型降阶方法（如平衡截断或Hankel）进行初始化，再通过所提优化方法进行精炼，以提升目标频带内的精度。

实验结果

研究问题

• RQ1 能否在不依赖输入输出滤波器权重的前提下实现频带受限ℋ₂最优模型降阶？
• RQ2 能否在频带受限ℋ₂设置下保证降阶模型的稳定性，而不同于以往的平衡截断方法？
• RQ3 能否推导出频带受限ℋ₂代价函数的高效闭式梯度，以支持实际的基于优化的降阶？
• RQ4 在保持频域精度的前提下，能在多大程度上对降阶模型施加结构约束？
• RQ5 所提出的基于优化的方法在稳定性与目标频带精度方面，相较于现有频带受限及标准模型降阶技术，性能如何？

主要发现

• 所提方法在所有测试实例中达到至少与[2]中方法相当的精度，同时保证了降阶模型的稳定性。
• 在示例1（10阶系统）中，方法将频带受限ℋ₂误差降低至0.0012，优于[2]中方法，并与Gawronski方法性能相当。
• 在示例2（12阶系统）中，所提方法在目标频带[1.5, 3.2] rad/s内实现了0.0035的相对误差，优于所有其他方法，包括对滤波后模型使用Hankel方法的结果。
• 在示例3（22阶飞机模型）中，所提方法生成了最精确的稳定降阶模型（15阶），频带受限ℋ₂误差为0.0041；而Gawronski方法虽误差更低（0.0029），但生成了不稳定模型。
• 小规模模型的收敛时间在1秒以内，22阶飞机模型约20秒，表明具有实际计算效率。
• 使用标准模型降阶方法（如Hankel）作为初始化，显著提升了收敛速度与最终精度，证实了两步精炼策略的有效性。