⚡ electrical engineering

Randomized Atomic Feature Models for Physics-Informed Identification of Dynamic Systems

本文提出了一种物理信息系统辨识框架，该框架将脉冲响应表示为稳定阻尼指数函数的随机叠加，将问题构建为具有算子理论保证和灵活物理约束的凸优化任务，从而即使在激励条件不佳的情况下也能实现动态系统的鲁棒、可解释且稳定的恢复。

原作者： Rajiv Singh, Mario Sznaier, Lennart Ljung

发布于 2026-05-15

📖 1 分钟阅读☕ 轻松阅读

原作者： Rajiv Singh, Mario Sznaier, Lennart Ljung

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

想象一下，你试图仅通过观察输入（输入信号）和输出（输出信号）来弄清楚一台神秘机器是如何运作的。在工程学中，这被称为系统辨识。通常，这就像试图仅凭尝一勺汤就猜出汤的食谱。如果汤味淡或勺子里的汤很少，要准确猜出配料就非常困难。

本文提出了一种结合数据与物理规则的新方法来解决这个“汤之谜”。以下是他们名为“随机原子特征模型”（RAF）的方法的分解，使用简单的类比进行说明。

1. 问题：猜测太多，线索不足

传统上，工程师尝试通过两种主要方法来猜测机器的行为：

“乐高”方法（稀疏回归）： 你有一个装满预制乐高积木（数学构建模块）的大盒子。你尝试通过拼接其中几块积木来构建机器的行为。问题在于，你必须手动挑选具体使用哪些积木。如果你选错了形状，就必须手动将规则（如“它必须是稳定的”）强行纳入设计中，这使得数学变得混乱且难以求解。
“冰沙”方法（核方法）： 你将所有内容混合成一种平滑、连续的混合物。它非常灵活，能很好地处理海量数据，但你失去了观察单个配料的能力。很难说：“哦，机器的这个特定部分正以这个特定频率振动。”

2. 解决方案：一个“魔法骰子”积木盒

作者提出了一种名为随机原子特征的中间方案。

想象你有一个装满魔法乐高积木的盒子。每块积木代表一种特定类型的振动或衰减（比如铃铛响起并逐渐消失）。

“原子”： 这些就是积木。在数学上，它们是“阻尼复指数”。把它们想象成一个会响（振荡）但逐渐变轻（阻尼）的铃铛。
“魔法骰子”（随机化）： 不是由你来猜测具体使用哪些积木，而是计算机掷骰子，从“安全区”（一个数学圆盘，其中的振动保证会衰减而不会爆炸）中随机选取大量这些积木。
“混合”： 然后，计算机尝试找到完美的配方：我们需要混合多少比例的积木 A、多少比例的积木 B 和多少比例的积木 C，才能匹配机器的输出？

3. 秘密武器：作为“护栏”的物理规则

这种方法真正的力量在于它如何处理物理规则。在现实世界中，机器有限制：

它们必须是稳定的（不能无限振动或爆炸）。
它们可能有最大速度（直流增益）。
它们可能需要是单调的（不能超调后回落）。

在旧方法中，添加这些规则就像试图建造一座乐高城堡，而有人不断告诉你：“不，那块积木太重了，”或者“那座塔太高了，”迫使你不断重建。

在这个新的RAF 框架中，规则从一开始就内置于过程中：

采样： “骰子”只掷出代表稳定、安全振动的数字。你实际上无法选到不稳定的积木。
约束： 计算机求解一个数学谜题（凸优化问题），其中这些物理规则是“护栏”。解必须保持在护栏之内。

4. “圆盘 - 博赫纳”定理：数学保证

本文包含一个厚重的数学证明，称为圆盘 - 博赫纳定理。

类比： 想象你有一张城市地图（“圆盘”）。该定理证明，如果你从这个特定地图中挑选构建模块（积木），那么生成的结构保证是坚固且稳定的。
关键点： 它还证明，如果你想保证结构仅由这些特定积木建成，那么地图必须遵循一个非常具体的几何规则（称为“次正规性”）。作者证明了他们的方法遵循这一规则，从而确保他们的“魔法积木”在数学上确实有效。

5. 为什么在数据糟糕时效果更好

作者在输入数据“枯燥”（低带宽）且有噪声的系统上测试了这种方法。

旧方法： 当数据糟糕时，旧方法经常猜错配料。它们可能会说机器有一个以 10Hz 振动的部件，而实际上它以 12Hz 振动，因为数据不够清晰，无法区分差异。
RAF 方法： 由于 RAF 方法拥有“护栏”（物理规则）和“安全区”（圆盘），它可以表示：“数据很模糊，但我们知道机器必须是稳定的，并且必须保持在这个速度限制内。”这使它能够忽略数据中模糊的部分，专注于符合物理意义的部分。

6. 两步流程

本文提出了一个实用的工作流程：

“筛子”（凸阶段）： 使用魔法骰子挑选大量候选积木列表，并利用数学找出哪几个最可能是必需的。这很快，并且保证能在规则范围内找到一个好的答案。
“细化”（非凸阶段）： 一旦你知道了哪些“候选区域”是活跃的，你就可以微调具体数值。这就像先找到房子的正确街区，然后再购买具体的房子。

总结

本文介绍了一种通过以下方式识别机器工作原理的方法：

挑选大量随机的“稳定振动”构建模块。
使用智能数学求解器将它们混合在一起。
强制混合结果自动遵守严格的物理定律（如稳定性和速度限制）。

它弥合了“用数据猜测”与“了解物理”之间的差距，使工程师即使在数据混乱或不完整的情况下也能获得准确的模型。它找到的不仅仅是一个模型；它找到的是一个符合物理意义的模型。

技术摘要：用于动态系统物理信息辨识的随机原子特征模型

1. 问题陈述

系统辨识位于数据驱动学习与物理建模的交叉点。现有方法通常分为两类，各自存在局限性：

稀疏回归（有限字典）： 如非线性动力学稀疏辨识（SINDy）之类的方法使用预先选定的基函数。虽然估计过程简化为带稀疏惩罚的线性最小二乘，但若要纳入物理先验（稳定性、无源性、直流增益界限、调节时间），则需定制基函数或引入复杂约束，这往往会破坏原始公式的简洁性。
核正则化（无限字典）： 使用再生核希尔伯特空间（RKHS）的方法（如调谐相关核 TC 或稳定样条核）隐式地处理无限字典并编码稳定性。然而，原子是隐藏的，格拉姆矩阵的规模随数据量增长，且同时施加多个硬性工程约束通常要求重新设计核函数或求解混合问题。

本文旨在解决一种框架的需求，该框架需弥合上述方法：既要保留显式模态字典的可解释性，又要具备随机特征的扩展性，并能在单个凸优化问题中执行多样化的物理约束。

2. 方法论

作者提出了基于稳定原子特征的随机原子特征（RAF），这些特征是从复平面上指定的圆盘内采样的。

核心表示：
脉冲响应 $h(t)$ 被近似为稳定原子（阻尼复指数）的随机叠加：
$h(t) \approx \sum_{m=1}^M c_m p_m^t, \quad |p_m| \le \rho < 1$
其中极点 $p_m$ 从允许圆盘上的分布中采样，而留数 $c_m$ 从数据中学习得到。

数学框架：

原子范数（Atomic Gauge）： 该方法定义了由采样极点诱导的有限原子范数 $\gamma_{M,T}$ 。回归中的 $\ell_1$ 惩罚被证明恰好等于该有限原子范数惩罚。
核连接： 由采样极点形成的经验核近似于一个连续圆盘支撑核 $K_\mu(s,t) = \int_{|p|\le\rho} p^s \bar{p}^t d\mu(p)$ 。这将该方法与**幅度调制局部平稳（AMLS）**核联系起来，为稳定模态 RKHS 提供了随机特征解释。
凸优化： 辨识被表述为一个正则化最小二乘问题：
$\min_{c,D} \frac{1}{2}\|y - Xc - Du\|_2^2 + \lambda \Omega(c)$
其中 $X$ 是卷积原子的设计矩阵。关键在于，在此凸优化阶段极点位置是固定的，从而使问题可解。

物理信息约束：
该框架允许通过采样律（例如，将极点限制在特定扇区或环形区域）或通过凸约束（针对留数和直通项）来施加物理先验。支持的约束包括：

稳定裕度（通过 $|p_m| \le \rho$ ）。
调节时间和尾部预算（通过 $\ell_1$ 尾部界限）。
直流增益界限和马尔可夫参数。
无源性（通过 KYP 线性矩阵不等式 LMI）。
单调性和无超调（通过对实极点的符号约束）。
频率响应掩模（通过二阶锥规划 SOCP 或 LMI 约束）。

3. 主要贡献

本文在理论和实践方面做出了五项主要贡献：

统一性： 通过圆盘支撑极点测度的概念，统一了有限模态字典、核正则化和随机原子特征。
圆盘–博赫纳定理（Disk–Bochner Theorem）： 作者证明了一个新的算子理论结果。他们表明，稳定极点上的正测度生成具有半径相关移位缺陷的正定核。反之，他们证明了任意核存在标量圆盘矩表示当且仅当与该核相关的规范移位是次正规的。这将简单的收缩性与标量测度表示所需的更强谱结构区分开来。
奈维林纳–皮克（Nevanlinna–Pick, NP）联系： 本文建立了 RAF 框架与 NP 插值之间的一致性联系。它证明了满足增益约束的归一化传递函数可以通过线性分式变换（LFT）进行参数化，从而使 RAF 模型能够作为舒尔集成员问题的内近似。
稀疏恢复与条件数： 作者分析了圆盘范德蒙德矩阵的条件数。他们强调，对于圆盘支撑原子，角度分离和径向分离对于稀疏恢复保证都至关重要，因为在有限时域内，具有相似半径和角度的极点可能近乎共线。
工程先验集成： 该框架展示了如何将多样化的工程先验（稳定性、无源性、单调性等）同时编码到单个主凸问题（QP/SOCP/LMI）中，而无需重新设计核函数。

4. 结果与数值验证

本文提出了一个单输入单输出（SISO）系统的数值示例，该系统具有两个欠阻尼模态，由低带宽输入激励并叠加噪声（信噪比 SNR $\approx$ 30 dB）。

场景： 数据是“信息不足”的，意味着许多稳定模型都能拟合输出，但它们的外推行为不同。
比较： 将 RAF 方法与预测误差建模（PEM）、核正则化方法（KRM）和原子范数最小化（ANM）进行比较。
发现：
- 仅使用稳定性先验时，随机方法（ANM、RAF）能拟合数据，但由于激励不足，无法唯一恢复真实的脉冲响应。
- 增加极点扇区约束和稀疏性后，ANM 和 RAF 的模态恢复均得到改善。
- RAF 的优越性： 当增加额外的凸约束（直流增益、BIBO 预算、频率掩模）时，RAF 显著改善了恢复的脉冲响应，并产生了更具信息量的候选极点区域。
- 该示例说明，当数据质量较差时，施加硬性工程先验的能力比损失函数的具体选择更为关键。

5. 意义与主张

本文将 RAF 定位为核方法或原子范数最小化的实用桥梁，而非替代品。

可解释性： 与纯核方法不同，RAF 特征是显式的物理模态（阻尼指数），允许直接解释和约束执行。
扩展性： 与求解无限维问题的无网格原子范数方法不同，RAF 将问题简化为可扩展的有限维凸回归。
物理信息驱动： 该框架显式地将稳定裕度、模态定位以及时域/频域误差界限直接编码到优化过程中。
关于恢复的适度主张： 作者明确指出，该方法仅凭有限字典并不能保证精确的极点恢复。活跃原子被解释为候选极点区域，而非经过认证的连续估计。精确恢复需要额外的假设（信息丰富的数据、足够的分离度、低噪声），并且通常需要两阶段策略，其中凸 RAF 解作为局部非线性细化的热启动。

总之，本文提供了一个数学严谨且计算可行的系统辨识框架，该框架利用随机特征，结合了核方法的灵活性与显式模态字典的物理可解释性及约束处理能力。