Solution space characterisation of perturbed linear discrete and continuous stochastic Volterra convolution equations: the $\ell^p$ and $L^p$ cases

Each language version is independently generated for its own context, not a direct translation.

这篇文章探讨了一个非常深奥的数学问题，但我们可以用**“在风雨中行走”和“记忆”**的比喻来理解它。

想象一下，你正在一条路上行走（这代表一个随时间变化的系统，比如股票价格、温度变化或人口数量）。你的行走受到两个因素的影响：

你的“记忆”或“惯性”：你现在的步伐受到过去几步的影响（这就是Volterra 方程中的“卷积”部分，代表系统有记忆）。
外部的“扰动”：
- 有人推你一把（确定性扰动 $f$ ，比如政策变化）。
- 突然刮起一阵乱风，把你吹得东倒西歪（随机扰动 $\sigma$ ，比如市场噪音或布朗运动）。

这篇文章的核心问题是：在什么条件下，你最终能走得“平稳”且“可控”？

在数学上，“走得平稳可控”意味着你的路径在长时间内是**“可积的”**（ $L^p$ 或 $\ell^p$ ）。通俗地说，就是虽然你会被风吹得摇晃，但你不会无限地偏离轨道，你的总“晃动能量”是有限的。

1. 离散与连续：数数 vs. 流水

文章分成了两个部分来研究这个问题：

离散情况（数数）：就像你每秒拍一张照片。文章发现，如果你希望照片里的你最终是“平稳”的，那么推你的力（ $f$ ）和吹你的风（ $\sigma$ ）本身必须也是“平稳”的（可求和的）。这里没有奇迹，输入乱，输出必乱。
连续情况（流水）：就像看一段连续的视频。这里有一个惊人的发现：即使风（ $\sigma$ ）本身非常狂暴、不可控（不可积），你（系统）最终的路径却可能是平稳的！
- 比喻：想象风虽然很大，但它吹得非常有节奏，或者系统本身的“记忆”（惯性）非常强，能够把那些狂暴的阵风“平滑”掉，让你最终看起来走得很稳。

2. 核心发现：什么时候能“稳”？

作者们找到了一套**“完美配方”**（充要条件），告诉我们要满足什么条件，系统才能稳定：

对于推力（ $f$ ）：不管你是推一下还是推一阵，只要你在任何一小段时间内的平均推力是可控的，系统就能稳。
对于乱风（ $\sigma$ ）：
- 如果我们要看**“剧烈程度”**（ $p \ge 2$ ，比如看风力的平方），那么风在短时间内的平均强度必须可控。
- 如果我们要看**“温和程度”**（$1 \le p < 2$），条件稍微宽松一点，只要风在整数秒间隔内的平均强度可控即可。

最有趣的结论是：在连续时间里，系统具有某种“过滤”能力。即使输入的风暴（ $\sigma$ ）本身是混乱的（不可积的），只要它符合上述的“平均强度”条件，系统就能把它消化掉，输出一个平稳的路径。

3. 为什么这很重要？（打破常规）

以前，人们通常认为：如果输入是混乱的，输出一定也是混乱的。或者，为了证明系统稳定，我们需要构造非常复杂的“能量函数”（Lyapunov 函数），这就像为了证明一个人没摔倒，需要给他穿上一套极其复杂的防摔盔甲，而且只能证明“可能没摔”，不能证明“一定没摔”。

这篇文章的方法是**“直接观察”**：

它不需要穿复杂的盔甲。
它直接告诉你：只要输入满足这些具体的“平均”条件，输出就一定是稳定的。
而且，它证明了如果输入不满足这些条件，输出一定不稳定。这是一种“非此即彼”的精准判断。

4. 关于“记忆”的真相

文章还讨论了一个有趣的现象：系统的“记忆”（Memory）对稳定性影响不大。

无论是像“过去所有历史都影响现在”（Volterra 方程，记忆无限长）还是“只记得过去 1 秒”（功能微分方程，记忆有限长），只要输入条件满足，结果是一样的。
比喻：不管你是记性超好（记得过去一辈子）还是记性一般（只记得刚才），只要推你的力和吹你的风符合“平均可控”的规则，你最终都能走稳。

5. 最终目标：走向零

文章最后还研究了：在什么条件下，你不仅走得稳，而且最终会停下来（收敛到 0）？

这需要更严格的条件。特别是当风（噪音）是“对角线”形式（即每个方向的风互不干扰）时，作者给出了一个非常精确的公式。
这个公式告诉我们，风不仅要“平均可控”，而且它的爆发频率和强度必须满足一个特定的指数衰减关系，系统才能彻底平静下来。

总结

这篇文章就像是一位**“系统稳定性侦探”**：

它打破了“输入乱则输出必乱”的旧观念，指出在连续时间里，系统可以“化腐朽为神奇”。
它提供了一套精确的“体检标准”（条件 1.2, 1.3, 1.4），只要输入数据符合这些标准，系统就是安全的。
它证明了这种方法比传统的“穿盔甲”（Lyapunov 函数）方法更直接、更强大，不仅能判断是否稳定，还能判断是否一定稳定。

这对金融、工程、物理等领域非常重要，因为它帮助科学家们在面对充满噪音和不确定性的世界时，能够更准确地预测系统是否会崩溃，或者最终是否会回归平静。

Each language version is independently generated for its own context, not a direct translation.

这是一份关于论文《受扰线性离散和连续随机 Volterra 卷积方程的解空间刻画： $\ell^p$ 和 $L^p$ 情形》（Solution space characterisation of perturbed linear discrete and continuous stochastic Volterra convolution equations: the $\ell^p$ and $L^p$ cases）的详细技术总结。

1. 研究问题 (Problem)

本文主要研究受扰线性随机 Volterra 方程（包括离散求和方程和连续积分 - 微分方程）解的几乎必然 $p$ -可积性（almost surely $p$ -integrable）或 $p$ -可求和性（ $p$ -summable）的充要条件。

具体而言，文章关注以下两类方程：

离散情形：受扰随机 Volterra 求和方程
$X(n + 1) = X(n) + \sum_{j=0}^{n} K(n - j)X(j) + f(n) + \sigma(n)\xi(n + 1)$
连续情形：受扰随机 Volterra 积分 - 微分方程
$dX(t) = \left( f(t) + \int_{[0,t]} \nu(ds)X(t - s) \right) dt + \sigma(t)dB(t)$

核心目标：
确定外力项 $f$ （确定性扰动）和噪声系数 $\sigma$ （随机扰动）需要满足什么条件，才能确保解 $X$ 的样本路径属于 $L^p$ 空间（连续时间）或 $\ell^p$ 空间（离散时间），即 $\mathbb{E}\|X\|^p$ 可积或 $\|X\|^p$ 几乎必然可求和。

2. 方法论 (Methodology)

文章采用了一种直接且系统的分析方法，主要包含以下策略：

离散与连续的类比：首先解决离散时间方程（1.7）的解空间刻画问题，利用离散序列的性质推导充要条件。随后，通过适当的离散化技术，将连续时间方程（1.1）的结果与离散情形联系起来，从而证明连续情形的逆命题。
简化模型（OU 型过程）的嵌入：
- 在连续情形中，作者引入了一个辅助的 Ornstein-Uhlenbeck (OU) 型过程 $Y(t)$ ，其方程为 $dY(t) = (f(t) - Y(t))dt + \sigma(t)dB(t)$ 。
- 通过引理（Lemma 3），证明了原 Volterra 方程解 $X$ 的 $p$ -可积性与简化过程 $Y$ 的 $p$ -可积性是等价的。这一发现表明，Volterra 方程的“记忆”（由核 $\nu$ 决定）并不影响解是否属于 $L^p$ 空间，这一性质完全由扰动函数 $f$ 和 $\sigma$ 决定。
随机分析与不等式工具：
- 利用 Itô 等距（Itô's isometry）处理 $p \ge 2$ 的情形。
- 利用 Burkholder-Davis-Gundy (BDG) 不等式 和 Kolmogorov 两级数判别法 处理 $p \in [1, 2)$ 的情形。
- 引入特殊的随机变量类 $\mathcal{D}$ （定义 1），用于处理一般噪声序列的逆命题证明，确保在噪声非高斯或分量相关时结论依然成立。
渐近行为分析：结合确定性 Volterra 方程的渐近理论，分析随机解在 $L^p$ 可积条件下的几乎必然收敛性。

3. 主要贡献与结果 (Key Contributions and Results)

A. 离散情形的充要条件

对于离散方程，文章证明了：

解 $X$ 几乎必然属于 $\ell^p$ 空间，当且仅当 扰动项 $f$ 和噪声系数 $\sigma$ 均属于 $\ell^p$ 空间。
重要发现：不存在“噪声稳定化”（stabilisation by noise）效应。如果 $f$ 或 $\sigma$ 不可求和，解 $X$ 也不可能几乎必然可求和。这要求扰动本身必须具有良好的衰减性。

B. 连续情形的充要条件（核心贡献）

对于连续方程，文章给出了 $f$ 和 $\sigma$ 的精确刻画，这取决于 $p$ 的取值范围：

确定性扰动 $f$ 的条件：
无论 $p$ 取何值， $f$ 必须满足：对于任意 $\theta > 0$ ，滑动积分 $t \mapsto \int_t^{t+\theta} f_i(s) ds$ 属于 $L^p(\mathbb{R}^+)$ 。
- 注：这比要求 $f \in L^p$ 更弱。 $f$ 本身可以剧烈振荡甚至不可积，只要其局部平均积分是可积的。
随机扰动 $\sigma$ 的条件（二分法）：
- 当 $p \ge 2$ 时：要求 $\sigma^2$ 的滑动积分属于 $L^{p/2}$ 。即 $t \mapsto \int_t^{t+\theta} \sigma_{ij}^2(s) ds \in L^{p/2}(\mathbb{R}^+)$ 。
- **当 $1 \le p < 2 $时**：要求$ \sigma^2 $的整数区间积分序列属于$ \ell^{p/2} $。即$ n \mapsto \int_n^{n+1} \sigma_{ij}^2(s) ds \in \ell^{p/2}(\mathbb{N})$。
- 注：这种差异源于 Itô 等距在 $p \ge 2$ 时的直接应用与 $p < 2$ 时需要的更精细估计。
记忆无关性：
文章证明了只要核 $\nu$ 的预解式（resolvent）是可积的（ $L^1$ ），解的 $L^p$ 可积性完全取决于 $f$ 和 $\sigma$ 的上述条件，与记忆核的具体形式无关。

C. 渐近行为与收敛性

几乎必然收敛到零：文章给出了解 $X(t) \to 0$ $X (t) \to 0$ (a.s.) 的充要条件。
- 对于对角噪声矩阵，条件包括： $f$ 的滑动积分趋于零，且 $\sigma$ 满足特定的指数衰减求和条件（类似于 $\sum \sqrt{\int \sigma^2} e^{-\epsilon \int \sigma^2} < \infty$ ）。
与均值收敛的区别：文章指出， $L^p$ 可积性（即 $\mathbb{E}\|X(t)\|^p$ 可积）通常只是收敛到零的充分条件，而非必要条件。通过具体例子展示了即使解是 $L^p$ 可积的，其收敛速度可能非常慢，或者需要更强的条件才能保证几乎必然收敛。

D. 随机泛函微分方程 (SFDE) 的推广

文章将结果推广到具有有限记忆（时滞 $\tau$ ）的随机泛函微分方程。
显著改进：在有限记忆情形下，不需要预先假设预解式 $r_\tau \in L^1$ 。相反，解的 $L^p$ 可积性蕴含了预解式的指数衰减（即 $r_\tau \in L^1$ ）。这使得 SFDE 的刻画比 Volterra 方程更加完整和强有力。

4. 示例与反例 (Examples)

文章在第五节构造了具体的反例函数：

构造了一个高度振荡的确定性函数 $f(t)$ ，使得 $\int |f|^p = \infty$ ，但其滑动积分 $\int_t^{t+\theta} f(s) ds$ 属于 $L^p$ 。
构造了一个具有尖峰（spikes）的函数 $g(t)$ 作为 $\sigma^2$ ，使得 $\int g^{p/2} = \infty$ ，但其局部积分序列属于 $\ell^{p/2}$ 。
这些例子证明了本文提出的条件（滑动积分或局部积分序列）比传统的 $L^p$ 或 $\ell^p$ 条件更弱、更精确，能够涵盖更多“病态”但物理上合理的扰动。

5. 意义与影响 (Significance)

理论完整性：填补了随机 Volterra 方程解空间刻画的空白。此前文献多关注充分条件，而本文提供了充要条件，明确了扰动项必须满足的精确性质。
方法论创新：通过建立 Volterra 方程与简化 OU 过程之间的等价性，极大地简化了复杂记忆系统的分析。这一方法表明，对于 $L^p$ 可积性问题，记忆效应可以被“吸收”，从而将问题转化为对扰动项的局部性质分析。
应用价值：
- 为控制理论和随机系统稳定性分析提供了严格的判据。
- 揭示了 $p$ 值不同（ $p \ge 2$ vs $p < 2$ ）时，随机噪声对系统可积性要求的本质差异。
- 为处理具有不规则或振荡扰动的实际工程系统（如金融模型、生物系统）提供了理论工具。
对现有方法的超越：相比传统的 Lyapunov 泛函方法（通常只能给出充分条件且构造困难），本文的方法更直接，能够给出精确的刻画，并揭示了 $L^p$ 可积性与几乎必然收敛之间的微妙关系。

综上所述，该论文通过严谨的数学推导，彻底解决了受扰随机 Volterra 方程解空间 $L^p/\ell^p$ 性质的刻画问题，并揭示了记忆、噪声与扰动项在解的渐近行为中的相互作用机制。

Solution space characterisation of perturbed linear discrete and continuous stochastic Volterra convolution equations: the ℓp\ell^pℓp and LpL^pLp cases