⚡ electrical engineering

A note on input signal generators: A relaxation of Willems' fundamental lemma in the SISO case

该论文针对离散时间单输入单输出线性时不变系统，通过引入信号发生器视角放松了 Willems 基本引理中的持续激励条件，建立了激励阶数与信号发生器维度的关系，并给出了生成信息性输入输出数据的充要条件，从而允许使用更少频率的正弦序列等更广泛的输入信号，且该框架可自然推广至连续时间系统。

原作者： Yun Jeong Yang, Jin Gyu Lee

发布于 2026-04-08

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Yun Jeong Yang, Jin Gyu Lee

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

这篇论文探讨了一个在控制工程和系统识别领域非常核心的问题：我们如何用最少的“试探”，就能完全摸清一个未知系统的脾气秉性？

为了让你轻松理解，我们可以把这篇论文的核心思想想象成**“侦探破案”或“调音师试琴”**的故事。

1. 背景：什么是“未知系统”？

想象你面前有一台神秘的机器（比如一台复杂的音响，或者一个黑盒子），你看不见里面的齿轮和电路（内部状态），你只能看到两个东西：

输入（Input）：你按下的按钮或发出的声音（比如你输入一段音乐）。
输出（Output）：机器发出的声音或反应。

你的目标是：只通过观察输入和输出，就能完全猜出这台机器内部是怎么工作的。

2. 旧规则：Willems 的“万能钥匙”

以前，学术界有一个著名的理论叫Willems 基本引理。它告诉我们要想摸清机器，必须使用一种叫**“持续激励”（Persistency of Excitation）**的输入信号。

通俗比喻：这就好比你要测试一把新锁（系统）能不能被打开，或者要摸清锁芯的结构。旧规则说：“你必须用一把超级万能钥匙，这把钥匙必须包含所有可能的齿纹组合，而且组合数量要非常非常多，多到能覆盖所有可能性。”
缺点：这把“万能钥匙”太长了！如果你要测试一个有 $n$ 个零件的机器，旧规则要求你的测试信号长度至少是 $2n+1$ 甚至更多。这就像为了试一把锁，你得把全世界所有的钥匙都试一遍，效率太低，而且太笨重了。

3. 新发现：从“钥匙”回到“造钥匙的机器”

这篇论文的两位作者（Yang 和 Lee）做了一个聪明的思维转换。

旧思路：盯着“钥匙”本身（输入信号）看，看它够不够长、够不够复杂。
新思路：盯着**“造钥匙的机器”**（信号发生器）看。

作者提出：我们不需要直接去设计那把长长的“万能钥匙”。我们可以设计一个小型的“造钥匙机器”（信号发生器）。只要这个机器本身的**结构（维度）**足够好，它生成的钥匙（输入信号）自然就能帮我们摸清大机器。

4. 核心突破：更短、更聪明的测试

论文发现了一个惊人的事实：

旧规则：为了摸清一个有 $n$ 个零件的机器，你需要一个长度至少为 $2n+1$ 的复杂信号。
新规则：你只需要一个维度为 $n+1$ 的“造钥匙机器”。

这就像什么？

旧方法：为了知道一个 10 音阶的钢琴能发出什么声音，你必须把从 C 到 C 的所有 100 个音符都按一遍，而且还要按很多遍。
新方法：你只需要一个能自动演奏的简单机械装置（信号发生器），它的内部结构只需要比钢琴的音阶多一点点（ $n+1$ ）。只要这个装置启动，它自动生成的旋律（输入信号）就足以让你听出钢琴的所有秘密。

为什么这很厉害？

更短：你不需要那么长的测试时间。
更灵活：以前被认为“不合格”的信号（比如只有几个频率的简单正弦波），现在发现只要生成它们的“机器”结构对，它们也是完美的测试信号。
几乎适用所有情况：论文证明，对于绝大多数（99.99%...）的机器和初始状态，这个新规则都有效。只有极少数极其特殊的“倒霉”情况（数学上称为“零测度集”，就像在沙滩上随便抓一把沙子，刚好抓到特定那一粒的概率）才会失效，但这在工程上完全可以忽略。

5. 从“离散”到“连续”：不仅管数字，也管模拟

这篇论文不仅解决了数字信号（像电脑里的 0 和 1）的问题，还顺手把这套理论推广到了连续时间系统（像现实世界中的水流、温度变化等连续不断的信号）。

比喻：以前这套理论只适用于“按快门拍照”（离散），现在作者证明了，这套理论连“拍视频”（连续）也完全适用。

总结：这篇论文到底说了什么？

简单来说，这篇论文告诉工程师们：

“别再死板地追求那些又长又复杂的‘万能测试信号’了！
只要你们设计一个结构简单、小巧的‘信号发生器’（比如一个能产生特定频率组合的小机器），让它去驱动你的未知系统，就能用更短的时间、更少的数据，把系统的脾气摸得透透的。
这不仅省事儿，而且还能让你使用以前被认为‘不够格’的简单信号，大大拓宽了我们的工具箱。”

一句话概括：作者把“如何设计完美的测试信号”这个问题，从“死记硬背复杂的密码本”，变成了“设计一个聪明的密码生成器”，让系统识别变得更简单、更高效、更灵活。

这是一份关于论文《A note on input signal generators: A relaxation of Willems' fundamental lemma in the SISO case》（输入信号发生器注记：单输入单输出系统中 Willems 基本引理的松弛）的详细技术总结。

1. 研究背景与问题 (Problem)

背景：
Willems 基本引理（Willems' Fundamental Lemma）是数据驱动控制领域的基石。它指出，对于离散时间线性时不变（LTI）系统，如果输入信号满足“持续激励”（Persistency of Excitation, PE）条件，则收集到的输入 - 输出数据足以完全表征系统的行为（即恢复系统的输入 - 输出空间）。

现有局限：

条件过于保守： 传统的 Willems 引理要求输入信号的 PE 阶数 $K$ 必须满足 $K \ge L + n$ （其中 $L$ 是数据窗口长度， $n$ 是系统阶数）。这通常意味着需要非常长的数据序列或高维的激励信号。
设计导向性差： PE 条件通常是对已设计好的输入信号进行事后验证（基于 Hankel 矩阵的秩），而不是提供构造输入信号的具体指导规则。
适用范围限制： 传统引理主要针对离散时间系统，且未充分探讨在“几乎所有”初始条件下，是否可以使用更弱的激励条件（例如频率较少的多正弦信号）来获得 informative（信息丰富）的数据。

核心问题：
是否存在一类输入信号，虽然不满足传统 Willems 引理中严格的 PE 条件（即 $PE < L+n$），但依然能为几乎所有系统和初始条件生成信息丰富的输入 - 输出数据？如何从信号生成的角度重新表述这一条件，以提供更实用的设计指南？

2. 方法论 (Methodology)

作者提出了一种从**行为理论（Behavioral Theory）回归到动力系统理论（Dynamical Systems Theory）**的视角转换。

引入信号发生器模型 (Signal Generator Model)：
不再直接定义输入信号 $u(t)$ 的统计特性，而是将输入信号视为一个自主 LTI 系统（信号发生器）的输出：
$\begin{aligned} w(t+1) &= S_g w(t) \\ u(t) &= L_g w(t) \end{aligned}$
其中 $w(t)$ 是发生器状态， $S_g$ 是状态矩阵， $L_g$ 是输出矩阵。
- 假设： 假设 $(L_g, S_g)$ 是可观测的，且 $(S_g, w_0)$ 是可控的。这确保了信号发生器能激发所有模态且模态可见。
建立 PE 阶数与发生器维度的关系：
证明了信号发生器的状态维度 $N_g$ 与输入信号的最大 PE 阶数 $K$ 之间存在等价关系。具体而言，一个维度为 $N_g$ 的信号发生器产生的信号，其最大 PE 阶数通常等于 $N_g$ （在满足特定长度和秩条件时）。
系统互联与不变流形分解：
将信号发生器与被控系统（$x(t+1)=Ax(t)+Bu(t)$）互联。利用 Sylvester 方程 $A\Pi + B L_g = \Pi S_g$ 构造不变流形，将系统状态分解为与信号发生器相关的部分和剩余部分。
- 通过这种分解，输入 - 输出 Hankel 矩阵的秩被分解为信号发生器结构矩阵 $L_L$ 和状态轨迹矩阵 $R$ 的相互作用。
秩分析：
利用秩 - 零化度定理（Rank-Nullity Theorem），分析 Hankel 矩阵满秩（即数据具有信息性）的充要条件。重点考察在什么条件下，初始状态 $x(0)$ 的集合会导致数据丢失信息（即奇异集）。

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

A. 理论松弛：新的基本引理 (Theorem 1)

作者提出了一个针对离散时间 SISO 系统的新基本引理，将 Willems 的条件从“对所有初始条件成立”松弛为“对几乎所有初始条件成立”。

传统 Willems 条件： 需要信号发生器维度 $N_g \ge L + n$ 才能保证对所有 $x(0)$ 数据有效。
本文新结果：
- 若 $N_g < L$ ：数据永远无法提供信息（必要条件）。
- 若 $L \le N_g < L + n$ ：数据对几乎所有（almost all，即除了一个勒贝格测度为零的集合外）的初始条件 $x(0)$ 都是信息丰富的。
- 若 $N_g \ge L + n$ ：数据对所有 $x(0)$ 都是信息丰富的。

关键突破： 只要信号发生器的维度 $N_g$ 满足 $N_g \ge L$ （而非 $L+n$ ），就能在绝大多数情况下获得系统辨识所需的数据。这意味着可以使用维度更低、频率更少的信号（如较短的多正弦序列）来替代传统的高阶持续激励信号。

B. 具体应用示例 (Corollary 2)

如果已知系统阶数为 $n$ ，为了辨识系统（即恢复 $n+1$ 阶的输入输出差分方程）：

传统方法： 需要 PE 阶数 $\ge 2n+1$ ，数据长度 $T \ge 4n+1$ 。
本文方法： 使用维度 $N_g = n+1$ $N_{g} = n + 1$ 的信号发生器，仅需数据长度 $T = 3n+1$ $T = 3 n + 1$ 。
- 这显著减少了所需的数据长度，提高了数据效率。

C. 连续时间系统的推广 (Theorem 2)

作者将上述结果自然推广到了连续时间 LTI 系统。

定义了连续时间的输入 - 输出流（Jets，即信号及其导数）。
证明了同样的结论：如果信号发生器维度 $N_g \ge L$ ，则对几乎所有初始状态，采样得到的连续时间数据足以表征系统行为。
这解决了 Willems 引理在连续时间领域缺乏直接构造性指导的问题。

D. 输入设计指南

论文将抽象的 PE 条件转化为具体的信号发生器结构设计：

直接构造： 研究者只需设计一个维度为 $N_g$ 的 $(S_g, L_g)$ 对。
涵盖广泛： 该方法涵盖了多正弦信号（Multisine）和随机信号。
放宽限制： 允许使用频率数量少于传统要求的信号（例如，传统要求 $K/2$ 个频率，现在可能只需要更少的频率组合，只要发生器维度满足 $N_g \ge L$ 即可）。

4. 意义与影响 (Significance)

理论视角的转换： 成功地将数据驱动控制从行为理论的“事后验证”框架，拉回到动力系统理论的“构造性设计”框架。这使得输入信号的设计更加直观和可控。
降低数据需求： 通过证明“几乎处处”（almost everywhere）的充分性，打破了传统引理中必须满足 $N_g \ge L+n$ 的严格限制。在实际工程中，这意味着可以用更短的数据记录、更简单的信号（如低频正弦波）来辨识系统，降低了实验成本和计算负担。
统一离散与连续： 提供了一个统一的框架，将离散时间和连续时间系统的信息丰富性条件统一在信号发生器的维度下，填补了连续时间 Willems 引理在构造性输入设计方面的空白。
实用性强： 为数据驱动控制（如模型预测控制 MPC、系统辨识）提供了更灵活、更高效的输入信号设计准则，特别适用于那些难以产生高维持续激励信号的实际场景。

总结

这篇论文通过引入信号发生器的概念，重新审视并松弛了 Willems 基本引理。它证明了对于几乎所有系统初始条件，仅需信号发生器维度 $N_g \ge L$ （而非 $L+n$ ）即可生成信息丰富的数据。这一发现不仅减少了数据长度要求，还为设计高效、低成本的输入信号提供了明确的数学指导，极大地推动了数据驱动控制理论的实用化进程。