⚡ electrical engineering

Stability of input-output maps and their minimal realizations in state-linear, state-affine, LPV, and linear switched systems

यह शोध पत्र यह स्थापित करता है कि स्टेट-लीनियर, स्टेट-एफाइन, एलपीवी (LPV), और लीनियर स्विच्ड सिस्टम में इनपुट-आउटपुट मानचित्रों के लिए मिनिमल रियलाइजेशन की स्थिरता सीधे तौर पर परिमित हैंकल रैंक (finite Hankel rank) और प्रतिक्रियाओं के एकसमान क्षय (uniform decay) द्वारा अभिलक्षित होती है, जो यह प्रदर्शित करता है कि इनपुट-आउटपुट डेटा की विस्मृति दर (forgetting rate) प्रत्येक मिनिमल रियलाइजेशन की क्षय दर को निर्धारित करती है।

मूल लेखक: Mihály Petreczky, Juan-Pablo Ortega, Florian Rossmannek, Bálint Daróczy

प्रकाशित 2026-07-07

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Mihály Petreczky, Juan-Pablo Ortega, Florian Rossmannek, Bálint Daróczy

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आप एक रहस्यमय काले बॉक्स (black box) को समझने की कोशिश कर रहे हैं। आप बटन दबा सकते हैं (इनपुट) और स्क्रीन पर दिखने वाली रोशनी को देख सकते हैं (आउटपुट), लेकिन आप इसके अंदर के गियर्स और तारों को नहीं देख सकते। यह इनपुट-आउटपुट मैप्स (input-output maps) की दुनिया है।

इंजीनियरिंग और डेटा साइंस में, हम अक्सर इस काले बॉक्स का एक "मॉडल" बनाने की कोशिश करते हैं—एक सरल संस्करण जिसमें आंतरिक भाग (states) हों जो यह समझा सके कि बटन दबाने से रोशनी कैसे जलती है। इसे रियलाइजेशन (realization) कहा जाता है।

बड़ा सवाल जिसका यह पेपर उत्तर देता है वह यह है: यदि काले बॉक्स का व्यवहार अंततः "शांत" हो जाता है (रोशनी पागलों की तरह चमकना बंद कर देती है और शून्य की ओर कम हो जाती है), तो क्या इसका मतलब यह है कि हमारे मॉडल के आंतरिक गियर्स भी शांत हो जाएंगे?

यहाँ उनके निष्कर्षों का सरल उपमाओं (analogies) के माध्यम से विवरण दिया गया है:

1. काले बॉक्स के तीन प्रकार

लेखकों ने चार विशिष्ट प्रकार के गणितीय मॉडलों का अध्ययन किया, जिन्हें वे कुछ मुख्य श्रेणियों में समूहबद्ध करते हैं:

स्टेट-लीनियर सिस्टम्स (SLS): इन्हें अलग-अलग मशीनों के एक सेट के रूप में सोचें। किसी भी क्षण, आप चलने के लिए एक मशीन चुनते हैं। मशीन स्विच बदलने पर अपनी आंतरिक स्थिति बदलती है।
स्टेट-एफाइन सिस्टम्स (SAS): ये ऊपर दी गई मशीनों की तरह ही हैं, लेकिन इनमें एक "धक्का" या "खिंचाव" भी जोड़ा गया है (जैसे नाव पर चलने वाली एक निरंतर हवा)।
LPV और स्विच्ड सिस्टम्स: ये वे बदलाव हैं जहाँ नियम एक शेड्यूल या स्विच के आधार पर बदलते हैं, जैसे कि एक कार चलाना जिसकी इंजन सेटिंग्स सड़क की स्थितियों के आधार पर बदलती रहती है।

2. "गूँज" बनाम "मंद होना" (The "Echo" vs. The "Fade")

पेपर इन दो अवधारणाओं को समझाने के लिए दो मुख्य विचार पेश करता है कि ये सिस्टम समय के साथ कैसे व्यवहार करते हैं:

"गूँज" (स्थिरता/Stability): यह आंतरिक गियर्स के बारे में है। एक सिस्टम "स्थिर" है यदि, चाहे आप इसे कैसे भी शुरू करें या कौन से बटन दबाएं, आंतरिक भाग अंततः शांत हो जाते हैं और बेतहाशा हिलना बंद कर देते हैं। गणित में इसे GUES कहा जाता है। इसका अर्थ है कि सिस्टम अपने अतीत को जल्दी भूल जाता है, जैसे तालाब में उठने वाली लहर जो तेजी से गायब हो जाती है।
"मंद होना" (इनपुट-आउटपुट डिके/Input-Output Decay): यह उस बारे में है जो आप स्क्रीन पर देखते हैं। यदि आप बटन दबाना बंद कर देते हैं, तो क्या स्क्रीन की रोशनी धीरे-धीरे कम हो जाएगी? या यह हमेशा चमकती रहेगी?
- यूनिफॉर्म डिके (Uniform Decay): रोशनी धीरे-धीरे धुंधली होती जाती है जब तक कि वह बंद न हो जाए।
- इनपुट फॉरगेटिंग (Input Forgetting): सिस्टम अपने पुराने इनपुट को "भूल" जाता है। यदि आप 100 स्टेप पहले दबाए गए बटन को बदलते हैं, तो आज की स्क्रीन को उसकी परवाह नहीं होनी चाहिए।

3. बड़ी खोज: "दर्पण" प्रभाव (The "Mirror" Effect)

लेखकों ने एक शक्तिशाली नियम सिद्ध किया है: बाहरी व्यवहार आंतरिक स्वास्थ्य की सटीक भविष्यवाणी करता है।

नियम: यदि आपके पास इनपुट-आउटपुट मैप्स (काले बॉक्स व्यवहार) का एक परिवार है जो मंद हो जाता है (रोशनी बुझ जाती है) और जिसकी जटिलता सीमित है (यह अनंत रूप से जटिल नहीं है), तो आप हमेशा इसका एक ऐसा मॉडल बना सकते हैं जहाँ आंतरिक गियर्स स्थिर होते हैं।
"मिनिमल" मॉडल: सभी संभावित मॉडलों में से जो काले बॉक्स की व्याख्या करते हैं, एक "मिनिमल" (सबसे सरल, सबसे कुशल संस्करण) होता है। पेपर सिद्ध करता है कि यदि काला बॉक्स मंद होता है, तो यह सबसे सरल मॉडल अनिवार्य रूप से स्थिर होगा। आप एक सरल, मंद होने वाले काले बॉक्स के साथ एक अराजक, अस्थिर आंतरिक इंजन नहीं रख सकते।
गति का मिलान: यदि काला बॉक्स एक विशिष्ट गति से मंद होता है (मान लीजिए, हर सेकंड अपनी चमक आधी कर देता है), तो मिनिमल मॉडल के आंतरिक गियर्स भी ठीक उसी गति से शांत हो जाएंगे।

4. यह क्यों महत्वपूर्ण है (पेपर के अनुसार)

लेखक इस उपयोगी होने के दो मुख्य कारण देते हैं, बिना भविष्य के चिकित्सा या औद्योगिक चमत्कारों का वादा किए:

मॉडल्स पर भरोसा: जब हम सिस्टम के व्यवहार को सीखने (identification) के लिए कंप्यूटर का उपयोग करते हैं, तो हमें अक्सर कई अलग-अलग मॉडल मिलते हैं जो डेटा के अनुकूल होते हैं। आमतौर पर, हमें चिंता होती है कि एक "स्थिर" मॉडल एक इत्तेफाक हो सकता है और एक "अराजक" मॉडल सच हो सकता है। यह पेपर कहता है: यदि डेटा मंद होता है, तो आपके द्वारा बनाया गया कोई भी सरलतम मॉडल स्थिर होगा। इसलिए, यदि आप सबसे सरल मॉडल को स्थिर करने के लिए एक कंट्रोलर डिजाइन करते हैं, तो वह सिस्टम के व्यवहार को स्थिर करेगा, चाहे आपने कौन सा भी विशिष्ट सरल मॉडल चुना हो।
सीखना और भविष्यवाणी करना: मशीन लर्निंग में, हम अक्सर अपने मॉडल्स को स्थिर बनाने के लिए मजबूर करते हैं ताकि वे समय के साथ बड़े पैमाने पर गलतियाँ न करें। यह पेपर आपको एक चेकलिस्ट देता है: स्थिरता लागू करने से पहले, यह जांच लें कि क्या वास्तविक दुनिया का डेटा वास्तव में मंद होता है। यदि डेटा मंद नहीं होता है, तो स्थिरता लागू करने का कोई भी प्रयास एक ऐसा स्थिर मॉडल नहीं बना पाएगा जो सत्य के अनुकूल हो। यदि डेटा मंद होता है, तो आप एक स्थिर मॉडल बनाने के लिए सुरक्षित हैं।

5. "रिजर्वायर" कनेक्शन

पेपर रिजर्वायर कंप्यूटिंग (AI का एक प्रकार) में एक विशिष्ट अनुप्रयोग का उल्लेख करता है। इस क्षेत्र में, "फेडिंग मेमोरी" (सिस्टम पुराने इनपुट को भूल जाता है) की एक अवधारणा है। लेखक दिखाते हैं कि इन विशिष्ट सिस्टमों के लिए, "फेडिंग मेमोरी" वास्तव में एक "स्थिर आंतरिक इंजन" होने के समान है। यदि सिस्टम अतीत को भूल जाता है, तो उसके आंतरिक गियर्स सुरक्षित और सुव्यवस्थित हैं।

सारांश

काले बॉक्स को एक ड्रम के रूप में सोचें।

यदि आप ड्रम को पीटते हैं और आवाज जल्दी ही मंद हो जाती है (इनपुट-आउटपुट डिके), तो पेपर सिद्ध करता है कि ड्रम की आंतरिक संरचना (मिनिमल रियलाइजेशन) ठोस है और हमेशा के लिए कंपन नहीं करेगी।
इसके अलावा, जिस गति से ध्वनि मंद होती है, ठीक उसी गति से आंतरिक कंपन भी समाप्त हो जाता है।
यह तब भी सच है जब आपका ड्रम एक साधारण लीनियर ड्रम हो, एक जटिल ड्रम हो जिसमें अतिरिक्त धक्के हों, या एक ऐसा ड्रम हो जो एक शेड्यूल के आधार पर अपना आकार बदलता हो।

पेपर अनिवार्य रूप से कहता है: यदि आउटपुट अच्छा व्यवहार करता है (मंद होता है), तो सबसे सरल आंतरिक स्पष्टीकरण भी अच्छा व्यवहार करेगा।

तकनीकी सारांश: इनपुट-आउटपुट मानचित्रों की स्थिरता और उनके न्यूनतम यथार्थीकरण (Minimal Realizations)

समस्या विवरण
यह शोध पत्र सिस्टम आइडेंटिफिकेशन (system identification) और लर्निंग में एक मौलिक अंतराल को संबोधित करता है: जबकि मजबूत दीर्घकालिक भविष्यवाणी सुनिश्चित करने और त्रुटि संचय (error accumulation) को रोकने के लिए स्टेट-स्पेस रिप्रजेंटेशन (SSR) के लिए स्थिरता को अक्सर माना जाता है, इसे इनपुट-आउटपुट डेटा से सीधे लक्षणित करना दुर्लभ है। विशेष रूप से, यह स्पष्ट नहीं है कि क्या किसी इनपुट-आउटपुट मानचित्र का क्षय (decay), अंतर्निहित सिस्टम के यथार्थीकरण (विशेष रूप से ग्लोबल यूनिफॉर्म एक्सपोनेंशियल स्टेबिलिटी, या GUES) को दर्शाता है। यह महत्वपूर्ण है क्योंकि इनपुट-आउटपुट व्यवहार को पुनरुत्पादित करने वाले SSR केवल व्यवहार को कैप्चर करते हैं; पूर्व ज्ञान के बिना, कोई भी SSR जो इस व्यवहार को प्रदर्शित करता है, एक वैध उम्मीदवार होगा। लेखक यह जांचते हैं कि किन परिस्थितियों में इनपुट-आउटपुट मानचित्रों का एक परिवार एक स्थिर परिमित-आयामी यथार्थीकरण (finite-dimensional realization) को स्वीकार करता है और इन मानचित्रों के क्षय दर (decay rates) चार विशिष्ट सिस्टम वर्गों के लिए न्यूनतम यथार्थीकरण की स्थिरता से कैसे संबंधित हैं: स्टेट-लीनियर सिस्टम (SLS), स्टेट-एफाइन सिस्टम (SAS), एफाइन डिपेंडेंस के साथ लीनियर पैरामीटर-वेरिंग सिस्टम (LPV-SSA), और लीनियर स्विच्ड सिस्टम (LSS)।

कार्यप्रणाली (Methodology)
लेखक यथार्थीकरण सिद्धांत (realization theory) को ज्ञात SSR स्थिरता परिणामों के साथ जोड़कर इसका उपयोग करते हैं। मुख्य कार्यप्रणाली दृष्टिकोण निम्नलिखित है:

स्टेट-लीनियर सिस्टम (SLS) में न्यूनीकरण: SAS, LPV-SSA, और LSS के लिए, लेखक इन सिस्टमों को स्टेट-लीनियर सिस्टम (SLS) के साथ जोड़ने के लिए स्थापित रूपांतरणों का उपयोग करते हैं। SAS के लिए, इसमें मूल मानचित्र $H$ से व्युत्पन्न रिस्पॉन्स मानचित्रों का एक परिवार $\Psi_H$ शामिल है। LPV-SSA और LSS के लिए, इसमें सिस्टम को सब-मार्कोव मापदंडों (इम्पल्स रिस्पॉन्स) के आधार पर SLS में मैप करना शामिल है।
हैंकेल-रैंक विश्लेषण (Hankel-Rank Analysis): एक परिमित-आयामी यथार्थीकरण का अस्तित्व इनपुट-आउटपुट परिवार के परिमित हैंकेल-रैंक (Hankel-rank) से जुड़ा हुआ है।
क्षय और विस्मरण (Decay and Forgetting) परिभाषाएँ: लेखक इनपुट-आउटपुट मानचित्रों के लिए विशिष्ट क्षय गुणों को परिभाषित करते हैं:
- यूनिफॉर्म डिके (UD) / यूनिफॉर्म एक्सपोनेंशियल डिके (UED): SLS के लिए, रिस्पॉन्स मानचित्रों के शून्य की ओर यूनिफॉर्म कन्वर्जेंस द्वारा परिभाषित।
- इनपुट फॉरगेटिंग (UF) / यूनिफॉर्म एक्सपोनेंशियल फॉरगेटिंग (UEF): SAS के लिए, परिभाषित किया गया कि समय के साथ वर्तमान आउटपुट पर पिछले इनपुट्स का प्रभाव कैसे कम होता है।
- इम्पल्स रिस्पॉन्स डिके (IRR-UD/IRR-UED): LPV-SSA/LSS के लिए, सब-मार्कोव मापदंडों के क्षय द्वारा परिभाषित।
- $\ell_\infty$ -फॉरगेटिंग: एक गुण जो BIBO स्थिरता को पिछले इनपुट्स के प्रभाव के यूनिफॉर्म क्षय के साथ जोड़ता है।
न्यूनतम यथार्थीकरण विश्लेषण (Minimal Realization Analysis): पेपर न्यूनतम यथार्थीकरणों (जो स्पैन-रीचेबल और ऑब्जर्वेबल दोनों हैं) का विश्लेषण यह निर्धारित करने के लिए करता है कि क्या इनपुट-आउटपुट मानचित्र की स्थिरता गुण स्टेट-स्पेस डायनेमिक्स द्वारा विरासत में प्राप्त होते हैं।

मुख्य योगदान और परिणाम

स्टेट-लीनियर सिस्टम (SLS):
पेपर यह स्थापित करता है कि इनपुट-आउटपुट मानचित्रों का एक परिवार एक GUES SLS यथार्थीकरण को तभी स्वीकार करता है जब उस परिवार का परिमित हैंकेल-रैंक हो और मानचित्र यूनिफॉर्म रूप से शून्य की ओर क्षय होते हों। महत्वपूर्ण रूप से, यदि मानचित्र यूनिफॉर्म रूप से क्षय होते हैं, तो वे अनिवार्य रूप से एक्सपोनेंशियल रूप से क्षय होते हैं। इसके अलावा, यदि इनपुट-आउटपुट परिवार $\beta$ दर के साथ यूनिफॉर्म एक्सपोनेंशियल डिके (UED) प्रदर्शित करता है, तो सभी न्यूनतम SLS यथार्थीकरण उसी दर $\beta$ के साथ GUES होंगे। यह निहित करता है कि यदि इनपुट-आउटपुट व्यवहार क्षय होता है, तो स्थिरता एक न्यूनतम यथार्थीकरण का अंतर्निहित गुण है।
स्टेट-एफाइन सिस्टम (SAS):
SAS को SLS में कम करके, लेखक दिखाते हैं कि एक रिस्पॉन्स मैप $H$ एक GUES SAS यथार्थीकरण को तभी स्वीकार करता है जब $H$ यूनिफॉर्मली फॉरगेटिंग (UF) हो और संबद्ध परिवार $\Psi_H$ का परिमित हैंकेल-रैंक हो। पेपर सिद्ध करता है कि SAS के लिए, UF, यूनिफॉर्म एक्सपोनेंशियल फॉरगेटिंग (UEF) के समकक्ष है। फलस्वरूप, यदि एक मानचित्र दर $\beta$ के साथ UEF है, तो सभी न्यूनतम SAS यथार्थीकरण $\beta$ दर के साथ GUES हैं। यह परिणाम रिसर्वोइर कंप्यूटिंग (reservoir computing) में "फेडिंग मेमोरी" गुण को न्यूनतम परिमित-आयामी यथार्थीकरणों की स्थिरता से सीधे जोड़ता है।
LPV-SSA और लीनियर स्विच्ड सिस्टम (LSS):
इन परिणामों को उनके इम्पल्स रिस्पॉन्स रिप्रेजेंटेशन (IRR) के माध्यम से LPV-SSA और LSS तक विस्तारित किया गया है। एक GUES यथार्थीकरण का अस्तित्व एक ऐसे IRR के अस्तित्व के बराबर है जो यूनिफॉर्म रूप से क्षय (IRR-UD) होता है, जो एक्सपोनेंशियल डिके (IRR-UED) को दर्शाता है। पेपर प्रदर्शित करता है कि इन सिस्टमों के लिए, $\ell_\infty$ -फॉरगेटिंग (BIBO स्थिरता प्लस यूनिफॉर्म इनपुट फॉरगेटिंग) एक GUES यथार्थीकरण के अस्तित्व के समकक्ष है। SLS और SAS की तरह, इम्पल्स रिस्पॉन्स का क्षय दर प्रत्येक न्यूनतम यथार्थीकरण के क्षय दर को निर्धारित करता है।
न्यूनतम यथार्थीकरण (Minimal Realizations):
सभी वर्गों में एक केंद्रीय निष्कर्ष यह है कि इनपुट-आउटपुट मानचित्र का क्षय/विस्मरण दर न केवल स्थिरता के लिए एक आवश्यक शर्त है, बल्कि यह प्रत्येक न्यूनतम यथार्थीकरण के क्षय दर को भी निर्धारित करता है। न्यूनतम यथार्थीकरण अनिवार्य रूप से इस विशिष्ट दर के साथ GUES होते हैं।

महत्व और दावे
पेपर मुख्य रूप से सिस्टम आइडेंटिफिकेशन और लर्निंग थ्योरी के लिए अपने महत्व का दावा करता है। यह तर्क देता है कि चूंकि पहचाने गए SSR अक्सर गैर-अद्वितीय (non-unique) होते हैं (एक ही इनपुट-आउटपुट व्यवहार का प्रतिनिधित्व करते हैं), इसलिए स्थिरता विश्लेषण और नियंत्रण डिजाइन को आदर्श रूप से उन सभी SSR पर लागू होना चाहिए जो समान व्यवहार साझा करते हैं। परिणाम बताते हैं कि यदि इनपुट-आउटपुट मानचित्र क्षय होता है, तो न्यूनतम यथार्थीकरण स्वाभाविक रूप से उसी स्थिरता गुणों (GUES) और क्षय दरों को धारण करेंगे। यह पहचाने गए मॉडलों पर स्थिरता बाधाएं लगाने के लिए एक सैद्धांतिक औचित्य प्रदान करता: यदि वास्तविक इनपुट-आउटपुट व्यवहार एक स्थिर यथार्थीकरण को स्वीकार करता है, तो न्यूनतम यथार्थीकरण स्थिर होगा।

इसके अतिरिक्त, SAS के लिए, यह कार्य रिसर्वोइर कंप्यूटिंग में अध्ययन किए गए "फेडिंग मेमोरी" गुणों और न्यूनतम परिमित-आयामी यथार्थीकरणों की स्थिरता के बीच के अंतर को पाटता है, यह सुझाव देते हुए कि अनंत अनुक्रमों (infinite sequences) पर फेडिंग मेमोरी मानचित्र उन मानचित्रों के अनुरूप होते हैं जिन्हें GUES SAS द्वारा साकार किया जा सकता है।

लेखक अपने दायरे के संबंध में विनम्र बने हुए हैं, यह नोट करते हुए कि जबकि लीनियर सिस्टम के लिए इंटरनल स्टेबिलिटी, BIBO स्टेबिलिटी और $\ell_p$ -गेंस अच्छी तरह से समझे गए हैं, संरचित नॉन-लीनियर वर्गों (जैसे SLS/SAS/LPV-SSA/LSS) के लिए संबंध अधिक सूक्ष्म हैं। उनका योगदान विशेष रूप से इन सिस्टमों के लिए इनपुट-आउटपुट मानचित्रों के क्षय और उनके न्यूनतम यथार्थों की स्थिरता के बीच समानता स्थापित करना है, न कि सभी संभावित स्थिरता अवधारणाओं का पूर्ण लक्षण वर्णन प्रदान करना। भविष्य के कार्य के रूप में ल्यपुनोव फंक्शन (क्वाड्रेटिक, पॉलीहेड्रल, SOS) और इको-स्टेट गुणों के साथ संबंधों की खोज करने का सुझाव दिया गया है।