机器人、具身智能的起步——线性系统理论|【二】状态空间方程的解

线性系统理论二:状态空间方程的解


1. 问题背景:为什么要研究这个?

线性系统可以用两种模型描述:

  • 连续时间(CT) : x˙(t)=A(t)x(t)+B(t)u(t),y(t)=C(t)x(t)+D(t)u(t)\dot{x}(t) = A(t)x(t) + B(t)u(t), \quad y(t) = C(t)x(t) + D(t)u(t)x˙(t)=A(t)x(t)+B(t)u(t),y(t)=C(t)x(t)+D(t)u(t)
  • 离散时间(DT) : x(t+1)=A(t)x(t)+B(t)u(t),y(t)=C(t)x(t)+D(t)u(t)x(t+1) = A(t)x(t) + B(t)u(t), \quad y(t) = C(t)x(t) + D(t)u(t)x(t+1)=A(t)x(t)+B(t)u(t),y(t)=C(t)x(t)+D(t)u(t)

其中 x(t)x(t)x(t) 是状态,u(t)u(t)u(t) 是输入,y(t)y(t)y(t) 是输出。A(t),B(t),C(t),D(t)A(t), B(t), C(t), D(t)A(t),B(t),C(t),D(t) 是随时间变化的系数矩阵(因此叫"时变")。

对于离散系统,解可以很容易地递归计算 出来(知道 x(0)x(0)x(0) 就能算出 x(1)x(1)x(1), 然后 x(2)x(2)x(2) ...)。但对于连续系统,我们需要一套数学工具来求出其解析解,这就是本讲的重点。


2. 理论基础:微分方程解的存在与唯一性

对于一个一般的非线性微分方程 x˙=f(t,x),x(t0)=x0\dot{x} = f(t, x), \quad x(t_0) = x_0x˙=f(t,x),x(t0)=x0,需要满足两个条件:

  1. f(t,x)f(t, x)f(t,x) 关于 ttt 分段连续:允许系数矩阵有有限的、不连续的点(例如开关动作),但在大部分时间是连续的。
  2. f(t,x)f(t, x)f(t,x) 关于 xxx 是 Lipschitz 连续的 :存在一个函数 L(t)L(t)L(t),使得对于任意状态 x1,x2x_1, x_2x1,x2,有 ∣f(t,x1)−f(t,x2)∣≤L(t)∣x1−x2∣|f(t, x_1) - f(t, x_2)| \leq L(t) |x_1 - x_2|∣f(t,x1)−f(t,x2)∣≤L(t)∣x1−x2∣。这保证了系统不会"发散得太快",从而保证解唯一。

Assumption(Piecewise Continuity in t)
For each fixed x, the function f(⋅,x):R+\D→Rnf(\cdot, x): R_{+}\backslash D\rightarrow R^{n}f(⋅,x):R+\D→Rn is continuous,
where DDD is a set containing at most a finite number of possible discontinuity points in any closed and bounded interval of time,
and for any τ∈D\tau\in Dτ∈D, lim⁡t→τ−f(t,x)\lim_{t \rightarrow \tau^{-}} f(t, x)limt→τ−f(t,x) and lim⁡t→τ+f(t,x)\lim_{t\rightarrow\tau^{+}} f(t, x)limt→τ+f(t,x) exist.

理解:

这个假设要求函数 f(t,x)f(t, x)f(t,x) 在每个固定的状态 xxx 下,关于时间 ttt 是分段连续的。具体来说:

  1. 在整个时间轴 R+R_{+}R+ 上,除了一个集合 DDD 中的点之外,函数是连续的。
  2. 集合 DDD 中的点就是间断点,并且在任何有限的时间区间内,这样的间断点的数量是有限的。
  3. 对于每一个间断点 τ\tauτ,函数的左极限 lim⁡t→τ−f(t,x)\lim_{t\rightarrow\tau^{-}} f(t, x)limt→τ−f(t,x) 和右极限 lim⁡t→τ+f(t,x)\lim_{t\rightarrow\tau^{+}} f(t, x)limt→τ+f(t,x) 都必须存在(即间断类型只能是可去间断点或跳跃间断点,而非无穷间断点)。

这个条件是保证微分方程解存在性的一个重要前提。

Assumption(Lipschitz Continuity in x)

There is a piecewise continuous function L(⋅):R+→R+L(\cdot): R_{+}\rightarrow R_{+}L(⋅):R+→R+ such that
∥f(t,x1)−f(t,x2)∥≤L(t)∥x1−x2∥\|f(t, x_1) - f(t, x_2)\| \leq L(t)\|x_1 - x_2\|∥f(t,x1)−f(t,x2)∥≤L(t)∥x1−x2∥
a∥⋅∥{}^{\text{a}}\|\cdot\|a∥⋅∥ denotes the norm of a vector. Here you can temporarily understand it as a measure of the"length" or"size" of a vector.

Remark

Theoretically, it can be proved that the Lipschitz continuity in x guarantees the existence of at most one solution.

理解

这个假设要求函数 f(t,x)f(t, x)f(t,x) 在任意时刻 ttt,关于状态变量 xxx 是Lipschitz连续的。具体来说:

  1. 存在一个分段连续 的函数 L(t)L(t)L(t)(称为Lipschitz常数函数),
  2. 使得对于任意两个状态向量 x1x_1x1 和 x2x_2x2,函数值之差 ∥f(t,x1)−f(t,x2)∥\|f(t, x_1) - f(t, x_2)\|∥f(t,x1)−f(t,x2)∥ 都能被这两个状态向量之差 ∥x1−x2∥\|x_1 - x_2\|∥x1−x2∥ 的 L(t)L(t)L(t) 倍所限制。
  3. 脚注 a{}^{\text{a}}a 说明 ∥⋅∥\|\cdot\|∥⋅∥ 是向量的范数,可以直观理解为向量"长度"或"大小"的度量。

核心思想与重要性:

这个条件像一个"速度限制器"。它保证了系统动态 f(t,x)f(t, x)f(t,x) 的变化速度不会无限快,从而排除了系统状态在有限时间内跑向无穷远(即"爆炸")或者出现分叉(即解不唯一)的可能性。即相当程度上让非线性系统具有较强的线性性质!

  • 与Piecewise Continuity的关系 :两者结合,共同保证了微分方程解的存在性和唯一性

    • Piecewise Continuity in t -> 解存在
    • Lipschitz Continuity in x -> 解唯一
  • 在线性系统中的应用 :对于线性系统 x˙=A(t)x+B(t)u(t)\dot{x} = A(t)x + B(t)u(t)x˙=A(t)x+B(t)u(t),可以证明其满足Lipschitz条件(例如,其Lipschitz常数函数 L(t)L(t)L(t) 可以取为矩阵 A(t)A(t)A(t) 的范数 ∥A(t)∥\|A(t)\|∥A(t)∥)。这就是为什么PPT中紧接着就证明了线性时变系统的解是存在且唯一的。

结论 :只要系统矩阵 A(t),B(t),...A(t), B(t), ...A(t),B(t),... 和输入 u(t)u(t)u(t) 是分段连续的,线性时变系统的解就是存在且唯一的。这为我们后续的求解提供了坚实的基础。


3. 连续时间LTV系统的求解

求解分为两步:先求没有输入 的系统,再求有输入的系统。

a) 齐次系统(无输入): x˙(t)=A(t)x(t),x(t0)=x0\dot{x}(t) = A(t)x(t), \quad x(t_0) = x_0x˙(t)=A(t)x(t),x(t0)=x0

  • 解的形式 : x(t)=Φ(t,t0)x0x(t) = \Phi(t, t_0) x_0x(t)=Φ(t,t0)x0
  • 核心概念:状态转移矩阵(State Transition Matrix, STM)- Φ(t,t0)\Phi(t, t_0)Φ(t,t0)
    • 它是一个矩阵函数,描述了系统状态如何从初始时刻 t0t_0t0 "转移"到当前时刻 ttt。
    • 如何求? 理论上,Φ(t,t0)\Phi(t, t_0)Φ(t,t0) 是下面这个矩阵微分方程的解:
      ddtΦ(t,t0)=A(t)Φ(t,t0),Φ(t0,t0)=I\frac{d}{dt}\Phi(t, t_0) = A(t)\Phi(t, t_0), \quad \Phi(t_0, t_0) = IdtdΦ(t,t0)=A(t)Φ(t,t0),Φ(t0,t0)=I (单位矩阵)
    • 性质
      1. 微分方程:满足上述定义。
      2. 半群性质 : Φ(t,t0)=Φ(t,t1)Φ(t1,t0)\Phi(t, t_0) = \Phi(t, t_1)\Phi(t_1, t_0)Φ(t,t0)=Φ(t,t1)Φ(t1,t0)。这意味着状态转移可以分步进行。
      3. 可逆性 : Φ(t,t0)\Phi(t, t_0)Φ(t,t0) 总是可逆的,且 Φ−1(t,t0)=Φ(t0,t)\Phi^{-1}(t, t_0) = \Phi(t_0, t)Φ−1(t,t0)=Φ(t0,t)。这意味着线性连续系统是时间可逆的。

b) 非齐次系统(有输入): x˙(t)=A(t)x(t)+B(t)u(t),x(t0)=x0\dot{x}(t) = A(t)x(t) + B(t)u(t), \quad x(t_0) = x_0x˙(t)=A(t)x(t)+B(t)u(t),x(t0)=x0

  • 解的形式(非常重要!)
    x(t)=Φ(t,t0)x0⏟零输入响应+∫t0tΦ(t,τ)B(τ)u(τ)dτ⏟零状态响应x(t) = \underbrace{\Phi(t, t_0) x_0}{\text{零输入响应}} + \underbrace{\int{t_0}^{t} \Phi(t, \tau) B(\tau) u(\tau) d\tau}_{\text{零状态响应}}x(t)=零输入响应 Φ(t,t0)x0+零状态响应 ∫t0tΦ(t,τ)B(τ)u(τ)dτ

    • 零输入响应 :仅由初始状态 x0x_0x0 引起的响应。输入为0。
    • 零状态响应 :仅由输入 u(t)u(t)u(t) 引起的响应。初始状态为0。这是一个卷积积分,体现了输入的历史对整个系统当前状态的累积影响。
  • 得到 x(t)x(t)x(t) 后,输出 y(t)y(t)y(t) 就很容易得到了:y(t)=C(t)x(t)+D(t)u(t)y(t) = C(t)x(t) + D(t)u(t)y(t)=C(t)x(t)+D(t)u(t)。

连续时间线性时变(CLTV)系统状态转移矩阵(State Transition Matrix, STM) 的性质。

对于CLTV系统状态转移矩阵 Φ(t,t0)\Phi(t, t_0)Φ(t,t0) 的性质表述如下:

Properties of the CT state transition matrix Φ(t,t0)\Phi(t,t_{0})Φ(t,t0)

  1. (Matrix Differential Equation) For every t0≥0,Φ(t,t0)t_{0}\geq 0,\Phi\left(t, t_{0}\right)t0≥0,Φ(t,t0) is the unique solution to
    ddtΦ(t,t0)=A(t)Φ(t,t0),Φ(t0,t0)=I\frac{d}{dt}\Phi(t, t_0) = A(t)\Phi(t, t_0), \quad \Phi(t_0, t_0) = IdtdΦ(t,t0)=A(t)Φ(t,t0),Φ(t0,t0)=I

  2. For every fixed t0≥0t_{0}\geq 0t0≥0, the i th column of Φ(t,t0)\Phi\left(t, t_{0}\right)Φ(t,t0) is the unique solution to x˙=A(t)x,x(t0)=ei,t∈R+\dot{x}=A(t) x, x\left(t_{0}\right)=e_{i}, t\in R_{+}x˙=A(t)x,x(t0)=ei,t∈R+, where eie_{i}ei is the i th column of I.

  3. (Semigroup Property) Φ(t,t0)=Φ(t,t1)Φ(t1,t0)\Phi(t, t_0) = \Phi(t, t_1)\Phi(t_1, t_0)Φ(t,t0)=Φ(t,t1)Φ(t1,t0)

  4. (Nonsingularity) Φ(t1,t0)\Phi\left(t_{1}, t_{0}\right)Φ(t1,t0) is nonsingular and Φ−1(t,t0)=Φ(t0,t)\Phi^{-1}(t, t_0) = \Phi(t_0, t)Φ−1(t,t0)=Φ(t0,t)

理解

我们可以将这些性质分为三类:定义性结构性独特性

1. 定义性性质(它是什么?)

性质1: 矩阵微分方程

  • 表述 : ddtΦ(t,t0)=A(t)Φ(t,t0),Φ(t0,t0)=I\frac{d}{dt}\Phi(t, t_0) = A(t)\Phi(t, t_0), \quad \Phi(t_0, t_0) = IdtdΦ(t,t0)=A(t)Φ(t,t0),Φ(t0,t0)=I
  • 理解 : 这是状态转移矩阵的定义方式最基本的属性
    • 它表明STM本身就是一个矩阵微分方程的解。这个方程和原齐次系统 x˙=A(t)x\dot{x} = A(t)xx˙=A(t)x 形式完全一致,只不过xxx换成了矩阵Φ\PhiΦ。
    • 初始条件 Φ(t0,t0)=I\Phi(t_0, t_0) = IΦ(t0,t0)=I(单位矩阵)至关重要。它意味着"从 t0t_0t0 时刻转移到 t0t_0t0 时刻"的状态转移是自身,这符合直觉。

性质2: 列的含义

  • 表述 : 第 i 列是系统在初始状态为 eie_iei(第 i 个标准基向量)时的解。
  • 理解 : 这个性质是性质1的直接推论,但它提供了更直观的视角。
    • 它将一个复杂的矩阵函数分解为一系列简单的、有物理意义的列向量。
    • 你可以将STM的每一列看作系统对某个"方向"上的初始脉冲的响应。整个STM就是所有这些基本响应的集合。
2. 结构性性质(它如何运作?)

性质3: 半群性质

  • 表述 : Φ(t,t0)=Φ(t,t1)Φ(t1,t0)\Phi(t, t_0) = \Phi(t, t_1)\Phi(t_1, t_0)Φ(t,t0)=Φ(t,t1)Φ(t1,t0)
  • 理解 : 这是最重要、最直观 的性质之一。它描述了状态转移的可分性复合性
    • 物理意义 : 系统从 t0t_0t0 时刻的状态 x(t0)x(t_0)x(t0) 转移到 ttt 时刻的状态 x(t)x(t)x(t),可以分两步进行:
      1. 先从 t0t_0t0 转移到某个中间时刻 t1t_1t1: x(t1)=Φ(t1,t0)x(t0)x(t_1) = \Phi(t_1, t_0)x(t_0)x(t1)=Φ(t1,t0)x(t0)
      2. 再从 t1t_1t1 转移到最终时刻 ttt: x(t)=Φ(t,t1)x(t1)=Φ(t,t1)Φ(t1,t0)x(t0)x(t) = \Phi(t, t_1)x(t_1) = \Phi(t, t_1)\Phi(t_1, t_0)x(t_0)x(t)=Φ(t,t1)x(t1)=Φ(t,t1)Φ(t1,t0)x(t0)
    • 最终结果必须等于直接转移 Φ(t,t0)x(t0)\Phi(t, t_0)x(t_0)Φ(t,t0)x(t0)。因此,Φ(t,t0)=Φ(t,t1)Φ(t1,t0)\Phi(t, t_0) = \Phi(t, t_1)\Phi(t_1, t_0)Φ(t,t0)=Φ(t,t1)Φ(t1,t0)。
    • 这类似于旅程中途径中转站,无论中途是否停留,总的位移变化是各段位移的累积。
3. 独特性性质(它有何特别之处?)

性质4: 非奇异性与可逆性

  • 表述 : Φ(t1,t0)\Phi\left(t_{1}, t_{0}\right)Φ(t1,t0) 是非奇异的(即可逆),且其逆矩阵为 Φ−1(t,t0)=Φ(t0,t)\Phi^{-1}(t, t_0) = \Phi(t_0, t)Φ−1(t,t0)=Φ(t0,t)。
  • 理解 : 这个性质是连续时间线性系统 的一个关键特征 ,但离散时间系统通常不具备
    • 非奇异性 意味着状态转移过程是"无损"的,没有丢失信息。你知道当前状态,就唯一地 可以推算出过去的状态(在 t0t_0t0 之后的所有时间)。
    • 逆矩阵的表达式 Φ−1(t,t0)=Φ(t0,t)\Phi^{-1}(t, t_0) = \Phi(t_0, t)Φ−1(t,t0)=Φ(t0,t) 极具美感。它的物理意义是:"反向时间转移"就等于"正向时间转移"的逆运算 。要把状态从 ttt 时刻"倒回"到 t0t_0t0 时刻,使用的转移矩阵正好是从 t0t_0t0 到 ttt 的转移矩阵的逆,而这个逆矩阵恰好等于从 ttt 到 t0t_0t0 的转移矩阵。
    • 重要性: 这个性质是状态观测器、最优平滑滤波等理论的基础,因为这些理论都需要从当前输出回溯估计过去的状态。
总结与启示
性质 数学表述 核心理解 重要性
1. 矩阵微分方程 ddtΦ=A(t)Φ,Φ(t0,t0)=I\frac{d}{dt}\Phi = A(t)\Phi, \quad \Phi(t_0, t_0)=IdtdΦ=A(t)Φ,Φ(t0,t0)=I STM本身的定义和演化规律 理论基础,用于求解和推导
2. 列的含义 第i列是 x˙=A(t)x\dot{x}=A(t)xx˙=A(t)x 对 eie_iei 的解 STM是系统对所有基本初始条件响应的集合 提供了构建和理解STM的视角
3. 半群性质 Φ(t,t0)=Φ(t,t1)Φ(t1,t0)\Phi(t, t_0) = \Phi(t, t_1)\Phi(t_1, t_0)Φ(t,t0)=Φ(t,t1)Φ(t1,t0) 状态转移过程在时间上可分解 理论分析和计算的关键工具
4. 非奇异性 Φ−1(t,t0)=Φ(t0,t)\Phi^{-1}(t, t_0) = \Phi(t_0, t)Φ−1(t,t0)=Φ(t0,t) 连续时间线性系统是时间可逆 是系统分析(如观测器设计)的重要基础

这些性质共同描绘了状态转移矩阵的完整画像:它是一个由系统矩阵 A(t)A(t)A(t) 唯一决定的、描述系统状态自由演化规律的、具有可分性和时间可逆性的基本解矩阵。它是求解和分析线性系统的核心钥匙


4. 离散时间LTV系统的求解

概念与连续时间系统非常类似,但用的是差分方程

  • 齐次系统 :x(t+1)=A(t)x(t),x(t0)=x0x(t+1) = A(t)x(t), \quad x(t_0) = x_0x(t+1)=A(t)x(t),x(t0)=x0
    • : x(t)=Φ(t,t0)x0x(t) = \Phi(t, t_0) x_0x(t)=Φ(t,t0)x0
    • DT STM : Φ(t,t0)=A(t−1)A(t−2)...A(t0)\Phi(t, t_0) = A(t-1)A(t-2)...A(t_0)Φ(t,t0)=A(t−1)A(t−2)...A(t0) (对于 t>t0t > t_0t>t0)
  • 非齐次系统 :x(t+1)=A(t)x(t)+B(t)u(t),x(t0)=x0x(t+1) = A(t)x(t) + B(t)u(t), \quad x(t_0) = x_0x(t+1)=A(t)x(t)+B(t)u(t),x(t0)=x0
    • : x(t)=Φ(t,t0)x0+∑τ=t0t−1Φ(t,τ+1)B(τ)u(τ)x(t) = \Phi(t, t_0) x_0 + \sum_{\tau=t_0}^{t-1} \Phi(t, \tau+1) B(\tau) u(\tau)x(t)=Φ(t,t0)x0+∑τ=t0t−1Φ(t,τ+1)B(τ)u(τ)
    • 同样也是零输入响应 + 零状态响应(这里零状态响应是一个求和式)。

重要区别 :离散时间系统的STM Φ(t,t0)\Phi(t, t_0)Φ(t,t0) 不一定是可逆的 (如果某个 A(k)A(k)A(k) 是奇异矩阵),因此离散系统不一定是时间可逆的。

关于离散时间线性时变(DLTV)系统状态转移矩阵(State Transition Matrix, STM) 的性质,并与CLTV系统进行对比以加深理解。

对于DLTV系统状态转移矩阵 Φ(k,k0)\Phi(k, k_0)Φ(k,k0) 的性质表述如下:

Properties of the DT state transition matrix Φ(k,k0)\Phi(k,k_{0})Φ(k,k0)

  1. (Matrix Difference Equation) For every k0≥0, Φ(k,k0)k_{0}\geq 0,\,\Phi(k,k_{0})k0≥0,Φ(k,k0) is the unique solution to
    Φ(k+1,k0)=A(k)Φ(k,k0),Φ(k0,k0)=I\Phi(k+1, k_0) = A(k)\Phi(k, k_0), \quad \Phi(k_0, k_0) = IΦ(k+1,k0)=A(k)Φ(k,k0),Φ(k0,k0)=I

  2. For every fixed k0≥0k_{0}\geq 0k0≥0, the i th column of Φ(k,k0)\Phi\left(k, k_{0}\right)Φ(k,k0) is the unique solution to x(k+1)=A(k)x,x(k0)=ei,k∈N,k≥k0x(k+1)=A(k) x, x\left(k_{0}\right)=e_{i}, k\in N, k\geq k_{0}x(k+1)=A(k)x,x(k0)=ei,k∈N,k≥k0, where eie_{i}ei is the ith column of I.

  3. (Semigroup Property) Φ(k,k0)=Φ(k,k1)Φ(k1,k0)\Phi(k, k_0) = \Phi(k, k_1)\Phi(k_1, k_0)Φ(k,k0)=Φ(k,k1)Φ(k1,k0)

Remark

The DT STM(k,k0) does NOT own the nonsingularity property, because A(k) might be singular for some k≥k0k\geq k_{0}k≥k0. This is a difference between CT STM and DT STM. In other words, DLTV systems is not time reversible in general.

理解

同样,我们可以将这些性质分为三类,并与CLTV系统进行对比。

1. 定义性性质(它是什么?)

性质1: 矩阵差分方程

  • 表述 : Φ(k+1,k0)=A(k)Φ(k,k0),Φ(k0,k0)=I\Phi(k+1, k_0) = A(k)\Phi(k, k_0), \quad \Phi(k_0, k_0) = IΦ(k+1,k0)=A(k)Φ(k,k0),Φ(k0,k0)=I
  • 理解 : 这是离散系统状态转移矩阵的定义方式
    • 它不是一个微分方程,而是一个差分方程,这反映了离散系统的演化是"步进"的,而不是连续的。
    • 初始条件 Φ(k0,k0)=I\Phi(k_0, k_0) = IΦ(k0,k0)=I(单位矩阵)与连续系统一致,表示"从 k0k_0k0 时刻转移到 k0k_0k0 时刻"的状态转移是自身
    • 如何求解? 这个差分方程的解是前向迭代的形式,即PPT中给出的:
      Φ(k,k0)=A(k−1)A(k−2)⋯A(k0)\Phi(k, k_0) = A(k-1)A(k-2) \cdots A(k_0)Φ(k,k0)=A(k−1)A(k−2)⋯A(k0) (对于 k>k0k > k_0k>k0)
      这意味着STM是从 k0k_0k0 到 k−1k-1k−1 时刻的所有系统矩阵 A(⋅)A(\cdot)A(⋅) 的乘积。这个明确的表达式是离散系统比连续系统更容易处理的原因之一。

性质2: 列的含义

  • 表述 : 第 i 列是系统在初始状态为 eie_iei(第 i 个标准基向量)时的解。
  • 理解 : 这个性质与连续系统完全一致
    • 它将矩阵函数分解为有物理意义的列向量。STM的每一列代表了系统对某个"方向"上的初始脉冲的响应。整个STM就是所有这些基本响应的集合。
2. 结构性性质(它如何运作?)

性质3: 半群性质

  • 表述 : Φ(k,k0)=Φ(k,k1)Φ(k1,k0)\Phi(k, k_0) = \Phi(k, k_1)\Phi(k_1, k_0)Φ(k,k0)=Φ(k,k1)Φ(k1,k0)
  • 理解 : 这个性质在形式上和物理意义上与连续系统完全相同 。它描述了状态转移的可分性
    • 物理意义 : 系统从 k0k_0k0 时刻的状态 x(k0)x(k_0)x(k0) 转移到 kkk 时刻的状态 x(k)x(k)x(k),可以经由中间时刻 k1k_1k1 分两步进行。总的转移矩阵等于两个阶段转移矩阵的乘积。
    • 这个性质是状态估计、系统分析和迭代计算的基础。
3. 独特性性质(与CLTV的关键区别)

性质4: 奇异性与不可逆性(缺失的性质)

  • 表述 : DT STM does NOT own the nonsingularity property... DLTV systems is not time reversible in general. (DT STM不具有非奇异性...DLTV系统通常是时间不可逆的。)
  • 理解 : 这是离散时间系统与连续时间系统的一个最根本、最重要的区别
    • 原因 : 从STM的表达式 Φ(k,k0)=A(k−1)A(k−2)⋯A(k0)\Phi(k, k_0) = A(k-1)A(k-2) \cdots A(k_0)Φ(k,k0)=A(k−1)A(k−2)⋯A(k0) 可以看出,如果在 k0k_0k0 到 k−1k-1k−1 的任何一个时刻 ,系统矩阵 A(m)A(m)A(m) 是奇异矩阵 (即不可逆,行列式为0),那么整个乘积 Φ(k,k0)\Phi(k, k_0)Φ(k,k0) 也必然是奇异矩阵。
    • 后果 : 一旦 Φ(k,k0)\Phi(k, k_0)Φ(k,k0) 是奇异的,它就不可逆 。这意味着无法从当前状态 x(k)x(k)x(k) 唯一地回溯到过去的状态 x(k0)x(k_0)x(k0) 。系统丢失了部分状态信息,这个过程是不可逆的。
    • 对比: 连续时间LTV系统的STM总是可逆的,因此总是可以回溯历史。离散时间系统的这个特性使得其分析在某些方面更复杂。
总结与对比
性质 DLTV表述 CLTV对比 核心理解
1. 定义方程 差分方程 : Φ(k+1,k0)=A(k)Φ(k,k0)\Phi(k+1, k_0) = A(k)\Phi(k, k_0)Φ(k+1,k0)=A(k)Φ(k,k0) 微分方程 : ddtΦ=A(t)Φ\frac{d}{dt}\Phi = A(t)\PhidtdΦ=A(t)Φ DLTV是迭代乘积,CLTV是矩阵微分方程的解。
2. 列的含义 第i列是 x(k+1)=A(k)xx(k+1)=A(k)xx(k+1)=A(k)x 对 eie_iei 的解 相同 物理意义一致,都是系统对基本初始条件的响应集合。
3. 半群性质 Φ(k,k0)=Φ(k,k1)Φ(k1,k0)\Phi(k, k_0) = \Phi(k, k_1)\Phi(k_1, k_0)Φ(k,k0)=Φ(k,k1)Φ(k1,k0) 相同 物理意义一致,状态转移在时间上可分解。
4. 非奇异性 通常不成立 总是成立 Φ−1(t,t0)=Φ(t0,t)\Phi^{-1}(t, t_0) = \Phi(t_0, t)Φ−1(t,t0)=Φ(t0,t) 最关键区别 。DLTV因为A(k)A(k)A(k)可能奇异而不可逆(时间不可逆),CLTV总是可逆(时间可逆)。
启示

DLTV系统状态转移矩阵的性质揭示了其与CLTV系统的深刻区别

  1. 可求解性: DLTV的STM有明确的迭代计算公式(矩阵连乘),而CLTV的STM通常没有解析解。
  2. 可逆性 : CLTV系统总是可逆的,可以回溯历史;而DLTV系统不一定可逆 ,只要在演化过程中经历过一次"信息丢失"(A(k)A(k)A(k)奇异),就无法唯一地回溯过去。这个特性在设计观测器和分析系统历史状态时需要格外注意。

5. 要点总结与启示
  1. 核心工具 :求解线性系统的关键是找到状态转移矩阵 (STM) Φ(t,t0)\Phi(t, t_0)Φ(t,t0)。
  2. 解的结构:全响应 = 零输入响应 + 零状态响应。这是一个普适的线性系统特性。
  3. 连续 vs. 离散:连续系统用微分方程和积分,离散系统用差分方程和求和。概念高度对应。
  4. 时变的困难 :对于一般的时变系统 ,很难(甚至不可能)找到STM Φ(t,t0)\Phi(t, t_0)Φ(t,t0) 的解析表达式 。这引出了后续课程的内容:对于线性时不变系统(LTI) ,即 A,B,C,DA, B, C, DA,B,C,D 是常数矩阵的情况,我们有非常成熟的方法(如拉普拉斯变换)来求解。LTI系统是LTV系统的一个特例,也是工程中最常见、最重要的一类系统。
相关推荐
Guan jie3 小时前
10.4作业
数据结构·算法
我搞slam4 小时前
赎金信--leetcode
算法·leetcode
xxxmmc4 小时前
Leetcode 100 The Same Tree
算法·leetcode·职场和发展
Asmalin4 小时前
【代码随想录day 32】 力扣 509.斐波那契数列
算法·leetcode·职场和发展
胖咕噜的稞达鸭4 小时前
算法入门:专题攻克主题一---双指针(1)移动零 复写零
c语言·开发语言·c++·算法
海琴烟Sunshine4 小时前
leetcode 35.搜索插入的位置 python
python·算法·leetcode
程序员-King.4 小时前
day85——区域和的检索(LeetCode-303)
算法·前缀和
剪一朵云爱着5 小时前
力扣2200. 找出数组中的所有 K 近邻下标
算法·leetcode
胖咕噜的稞达鸭6 小时前
算法入门:专题攻克主题一---双指针(2)快乐数 呈最多水的容器
开发语言·数据结构·c++·算法