⚡ electrical engineering

Nonlinear Network Identifiability with Full Excitations

本文确立了对于具有加性动力学且具有全节点激发的非线性网络，在有向无环图中，测量所有汇点是可辨识性的充分必要条件（前提是动力学不含常数项），而在一般有向图中，测量每个缩并图汇集中的一个节点便已足够，尽管常数项的存在会导致若任何节点具有多个入邻居时无法实现可辨识性。

原作者： Renato Vizuete, Julien M. Hendrickx

发布于 2026-06-16

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Renato Vizuete, Julien M. Hendrickx

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一座规模宏大、结构复杂的城市，其中的每一栋建筑（即节点）都通过管道（即边）与邻居进行交流。水中流淌着，但这种流动并非简单的直线运动；它会被阀门、过滤器以及管道中的扭转所改变，从而产生复杂且非线性的行为。

这项研究的目标是：仅仅通过观察某些建筑的输出情况，就能精确地推断出那些特定阀门和过滤器的运作机制。这被称为可辨识性（Identifiability）：我们能否仅凭观测到的输出，就唯一确定管道的规则？

作者 Renato Vizuete 和 Julien Hendrickx 解决了一个棘手的问题：我们需要在最少多少栋建筑上安装传感器，才能摸清整座城市的供水系统？

以下是他们研究结果的拆解，使用了简单的类比：

1. 设置：充分激励 (Full Excitation)

想象城市管理者决定同时打开每一栋建筑里的水龙头。这被称为“充分激励”。研究人员假设我们可以精确看到我们选择进行测量的那些建筑所排出的水量。

2. “死胡同”规则 (DAGs)

首先，他们研究了水流方向单一且不会循环回流的城市。想象一个瀑布或一系列瀑布，水从顶端流向下一层，永不返回。在数学上，这些被称为有向无环图 (Directed Acyclic Graphs, DAGs)。

“静态”规则的问题： 如果管道只是增加一个恒定的水量（比如固定的泄漏量），而不随流量变化，那么系统就会变得一团糟。如果两根管道汇入同一栋建筑，而它们都有恒定的泄漏，你就无法分辨哪部分水量来自哪根管子。这就像试图猜出两个不同的人分别往汤里加了多少盐，如果他们每人都是加了一定量的固定勺数，你就无法将他们区分开来。
解决方案（动态规则）： 研究人员假设管道是“智能”的。它们不仅仅是增加固定量，还会对流量做出反应。例如，如果压力更高，阀门就会开得更大。至关重要的一点是，如果没有水流，就不会有额外的输出（在数学上表示为 $f(0)=0$ ）。
结果： 对于这类单向流动的城市，你只需要测量“汇”（Sinks）。
- 类比： “汇”是指没有管道流出的建筑；它是水的最终目的地，水在那里汇集。
- 神奇之处： 如果你测量瀑布最底端的（汇处的）水位，你可以通过数学方法逆向向上追溯整个链条，从而弄清楚整个系统中每一个阀门的运作方式。你不需要测量中间的建筑。阀门的非线性特征（即它们如何对流量做出反应）就像是一个独特的指纹，让你能够理清来自不同路径的信号。

3. “循环”问题 (General Digraphs)

现在，想象一座管道构成环路的城市。水从建筑 A 流向 B，再从 B 流向 C，最后又从 C 回到 A。这形成了一个环路。

问题所在： 在环路中，水会不断循环。如果你测量输出，那将是新进入的水量与已经在环路中循环了 10 次的水量的混合物。这看起来就像是一个变量无穷多的混乱状态。
解决方法： 研究人员假设在开启水龙头之前，城市是完全干燥且空的（处于静止状态）。
“展开”技巧： 为了解决环路问题，他们使用了一种叫做“展开（Unfolding）”的数学技巧。想象把城市的视频录像在侧边并排铺开。
- 第 1 帧：水进入。
- 第 2 帧：水移动到下一栋建筑。
- 第 3 帧：水再次移动。
- 通过观察“展开”后的版本，环路消失了，因为第 1 帧的水与第 2 帧的水是截然不同的。环路变成了一条长长的直线（即 DAG）。
结果： 即使存在环路，你也不需要测量所有地方。你需要测量城市结构中每一个“最终组”（汇）中的一个建筑。
- 类比： 如果城市有几个不同的街区，最终都会汇入几个主要的蓄水池，你只需要测量每个最终蓄水池中的一栋建筑。通过“展开”数学，可以证明这足以推导出导致这些环路的所有阀门的规则。

4. 为什么这与线性系统不同

在过去（线性系统）的时代，如果两根管道汇入一栋建筑，你需要非常特定且独立的路径来测量它们，以便将它们区分开。这就像需要两个不同的摄像机来观察人群中的两个人。

但在这种非线性世界里，那些“智能阀门”（非线性函数）对信号的反应极其独特，它们能自然地分离信号。

类比： 想象两个人对着麦克风低语。在线性世界中，他们的声音会混成一片嘈杂的噪音。但在这种非线性世界中，麦克风会以一种极其独特且复杂的方式扭曲他们的声音，以至于即使他们在同一时间说话，你也可以仅通过听最终输出就完美地将他们的声音分离出来。

规则总结

无环路 (DAGs)： 测量汇（死胡同）。仅此而已。
有环路： 假设系统从空状态开始。将环路“展开”成一条直线。测量**“凝聚”结构（城市的最终组）中每一个汇中的一个节点**。
限制条件： 管道必须是“动态的”（对流量有反应，而非仅仅是增加固定泄漏）且是平滑的（没有突跳）。如果一栋建筑有多个管道汇入，且这些管道表现为简单的恒定泄漏，则该系统是无法求解的。

核心结论：
在复杂的非线性网络中，你不需要在每一栋建筑上都安装传感器。如果网络表现出“智能”（非线性）的方式，你通常只需通过观察最终目的地的输出，就能弄清楚整个系统的秘密规则。非线性函数的复杂性实际上是在帮助你解开谜题，而不是让它变得更难。

技术摘要：全激励下的非线性网络可辨识性

问题阐述
本文研究了具有边级加性动力学的非线性网络的可辨识性问题。网络被建模为一个弱连通有向图 $G=(V, E)$ ，其中每个节点 $i$ 在时刻 $k$ 的状态由外部激励信号 $u_{i}^{k-1}$ 和其入邻居 $j \in N_i$ 的过去输出通过非线性函数 $f_{i,j}$ 共同决定。该模型假设全激励（所有节点均可被激励）且具有有限记忆。目标是确定关于测量节点集 ( $N_m$ ) 的充分必要条件，使得局部动力学（即函数 $f_{i,j}$ ）能够从全局行为（输入-输出关系 $F_i$ ）中被唯一识别。

分析区分了两种主要的拓扑情况：

有向无环图 (DAGs)： 不含环路的网络。
一般有向图 (General Digraphs)： 可能包含环路的网络。

研究考虑了特定的非线性函数类，范围从所有连续可微函数到具有特定性质（例如 $f(0)=0$ 且包含非线性分量）的二阶连续可微函数。

方法论
作者采用基于系统辨识原理的理论框架，假设在一个理想场景下，全局输入-输出函数 $F_i$ 是完全已知的。该方法论流程如下：

类别限制： 作者在特定的函数类内进行分析。他们首先考虑所有函数类 ( $\mathcal{F}_{ALL}$ )，然后将其精炼为无静态偏移的连续可微函数类 ( $\mathcal{F}_Z$ ，其中 $f(0)=0$ )，最后到非纯线性的二阶连续可微函数类 ( $\mathcal{F}_{Z,NL}$ )。
DAG 分析： 对于 DAG，作者利用了信息单向流动的特性。他们采用递归方法，从汇点（没有出边的节点）开始。关键引理表明，如果节点 $i$ 被测量，且其有一个入邻居 $j$ 到 $i$ 存在唯一路径，则边函数 $f_{i,j}$ 可以被分离出来。对于一般的 DAG，他们使用“移除节点”的论证（引理 4）来证明，如果一个与测量节点有唯一路径的节点被识别，则剩余子图的可辨识性可以进行递归分析。
一般有向图分析： 对于含有环路的图，输入-输出关系涉及无限数量的过去输入。为了处理这一问题，作者引入了 假设 3（网络在 $k=0$ 时处于初始静止状态）和 假设 4（函数是加性可分的）。在这些假设下，他们构建了一个 展开有向图 $H_i^k(G)$ ，这是一个在时间 $k$ 之前的、对原始图进行时间扩展后的无环表示。这种构造将循环识别问题转化为 DAG 识别问题。
凝聚图 (Condensation Digraph)： 对于一般有向图，作者利用了凝聚图 $C(G)$ ，其中每个强连通分量都被压缩为一个节点。由于 $C(G)$ 是一个 DAG，因此可以将针对 DAG 导出的结果应用于 $C(G)$ ，以确定原始图所需的测量。

主要贡献与结果

在一般非线性类中的不可行性： 本文证明了对于所有函数类 ( $\mathcal{F}_{ALL}$ )，如果任何节点拥有超过一个入邻居，即使在全测量的条件下，可辨识性也是不可能实现的。这是由于无法区分加性函数中的常数偏移（命题 2）。
具有光滑函数的 DAGs：
- 对于 $\mathcal{F}_Z$ 类（连续可微且 $f(0)=0$ ）中的路径图和树图，测量 汇点 (sink) 是充分必要条件。
- 对于 $\mathcal{F}_{Z,NL}$ 类（二阶连续可微、 $f(0)=0$ 且非纯线性）中的一般 DAG，测量 所有汇点 是充分必要条件（定理 1）。
- 重要性： 与线性系统不同（在线性系统中，识别节点的出边需要多个指向测量节点的顶点不相交路径），非线性系统允许通过仅测量汇点来识别所有边，前提是函数具有足够的平滑度和非线性。
一般有向图：
- 在满足初始静止和加性可分函数假设的情况下，一个一般有向图是可辨识的，当且仅当 凝聚图的每个汇点中都测量了一个节点（定理 2）。
- 该结果通过利用展开图构造，将 DAG 的结论扩展到了循环网络，证明了测量凝聚图的汇点可以保证原始网络中所有路径的可辨识性。

意义与主张
本文声称推导出了基于网络拓扑结构的离散时间非线性网络的可辨识性条件，这是首个此类研究。其主要意义在于与线性系统可辨识性的对比：

更弱的测量要求： 在非线性网络中，函数的非线性特性允许系统区分通过不同路径到达的信息（这与线性系统的叠加原理形成对比）。因此，对指向测量节点的多个不相交路径的要求得到了放宽。
测量汇点的必要性： 作者表明，对于 DAG，测量汇点不仅是充分的，而且是必要的。如果未测量汇点，其输入的边将无法被识别。
函数性质的作用： 结果强调了可辨识性高度依赖于函数类。具体而言，常数项的存在（非零 $f(0)$ ）使得具有多个入邻居的节点变得不可辨识，而纯线性函数则会阻碍非线性导数所能实现的路径分离。

文章总结道，虽然分析假设了理想条件（完美的全局行为知识、特定的函数类），但这些理论界限为实验设计提供了基本的直觉。如果一个边在完美信息下都不可辨识，那么在部分信息下也无法被识别。这项工作为未来研究非加性模型和非微分函数类奠定了基础。