⚡ electrical engineering

Experiment Design for Set-membership Identification: From Prior Knowledge to Universal Inputs

本文提出了一种设计通用输入信号的新方法，该方法通过利用一般先验知识，确保在有限时界内对未知线性时不变系统进行准确识别，从而超越了传统的持续激励输入，并实现了即使在噪声环境下也能进行精确识别。

原作者： Amir Shakouri, Henk J. van Waarde, M. Kanat Camlibel

发布于 2026-07-02

📖 1 分钟阅读☕ 轻松阅读

原作者： Amir Shakouri, Henk J. van Waarde, M. Kanat Camlibel

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，你是一名试图弄清楚一台神秘机器如何运作的侦探。你无法看到内部构造，但你可以按下按钮（输入）并观察结果（输出）。你的目标是为这台机器建立一个完美的数学模型，以便预测它未来的行为。

这篇论文讨论的是如何以最聪明的方式按下这些按钮，从而在不知道自己面对的具体是什么样的机器时，也能快速且准确地解开谜团。

以下是使用简单类比对他们思想的拆解：

1. 问题所在：猜测机器的规则

通常，要了解一台机器的工作原理，你必须随机按下按钮，并寄希望于获得足够的数据。这就像是通过向母语者随机喊一些单词来学习一门新语言，并希望他们最终能理解你。

作者提出了疑问：“我们能否设计出一套特定的按键序列，从而保证无论面对哪种具体的机器，只要它符合我们已有的几个基本线索，我们都能掌握其规则？”

这些“线索”被称为先验知识 (Prior Knowledge)。

例子： “我们知道这台机器是稳定的，”或者“我们知道物体的质量在 10 到 20 kg 之间。”

2. 神奇的解决方案：“通用输入” (Universal Inputs)

论文引入了“通用输入”的概念。把它想象成一把“万能钥匙”。

旧方法（持续激励输入）： 在过去，科学家认为：“要了解机器，你必须按照一种非常复杂、混乱且持续不断的模式来按键。”这就像是为了看清乐高积木是如何组合在一起的，而剧烈地摇晃一个装满乐高的盒子。这种方法有效，但耗时且耗能。
新方法（通用输入）： 作者发现，如果你已知关于机器的一些特定线索，你就不需要剧烈地摇晃盒子。你可以使用更简单、更短，甚至更“懒惰”的按键序列，却依然能揭示其中的秘密。

类比：
想象你正试图在一个黑暗的房间里识别一种特定的水果。

旧方法： 你抓起篮子里的每一种水果，挤压它们，闻它们，品尝它们（做了大量工作）。
新方法： 你预先知道这水果要么是红苹果，要么是绿苹果。你只需要检查一次颜色即可。你不需要挤压每一个水果。这个“通用输入”就是针对该篮子里任何苹果都有效的单次智能颜色检查。

3. “懒惰”的按键方式（不动手的输入）

最酷的发现之一是，有时最好的学习方式是暂时什么都不做。

论文表明，对于某些类型的机器，你可以按下按钮，等待很长一段时间（不做任何操作），然后再按下按钮。这种“不动手”的方法通常比不断按键更安全、更经济。

文中提到的现实案例： 航天器。你不想不断地发射推进器，因为这会消耗燃料。作者展示了如果已知轨道运动的基本定律，那么“发射、等待、再发射”的策略仍然可以完美识别航天器的物理特性。

4. 处理噪声（收音机里的静电）

在现实世界中，你的测量结果永远不会是完美的。总会有“噪声”（静电、传感器误差、风力）。

挑战： 如果存在噪声，你无法总是找到“精确”的答案。你只能找到一个“足够接近”的答案。
解决方案： 论文提供了一个配方，用于设计能够保证你的答案处于特定“误差范围”内的按键方式（例如：“我们知道重量在真实值的 ±0.1 kg 之内”）。
代价： 如果你想在有噪声的世界中获得“精确”答案，你起始的“线索”必须非常具体（比如已知参数是整数）。如果线索太模糊，噪声总会留下不确定性。

5. 为什么这很重要

作者证明了，通过利用你已有的知识（先验知识），你可以：

节省时间： 你需要更少的数据点（更少的按键次数）来学习系统。
节省能量： 你可以使用更简单的、“懒惰”的输入，而不是复杂的、混乱的输入。
更安全： 在航空航天或生物学等领域，你不能总是用最大力量冲击一个系统。这种方法允许你温和地学习系统。

总结

这篇论文是一本关于智能实验的指南。它告诉工程师们：“不要只是把数据乱投到墙上。如果你预先了解一点关于系统的知识，你就可以设计出一个特定的、高效的测试，确保你能学到所需的一切，即使数据有点杂乱无章。”

他们提供了数学公式（即“配方”），用以计算出对于不同类型的机器和不同类型的先验知识，那个完美的测试究竟应该是什么样子的。

技术摘要：集合成员识别的实验设计

问题陈述

本文研究了针对未知线性时不变（LTI）系统的集合成员识别（set-membership identification）的离线实验设计问题。其目标是设计一个输入信号 $u[0, T-1]$ ，使得在有限时界内收集到的输入-状态（或输入-输出）数据足以以期望的精度识别系统参数。

本研究在两种不同的噪声机制下运行：

无噪声 ( $\varepsilon = 0$ )： 目标是精确识别，即数据必须能够唯一确定真实的系统参数。
有噪声 ( $\varepsilon > 0$ )： 目标是 $\rho$ -精度识别，即数据必须将可能的系统集约束在一个切比雪夫半径（最坏情况误差）小于或等于预设容差 $\rho$ 的有界集合内。

核心挑战在于真实的系统是未知的。因此，设计必须依赖于先验知识 ( $\Sigma_{pk}$ )，即一个与现有信息（如参数范围、结构约束或可控性属性）一致的系统集合。本文引入了**通用输入（universal inputs）*的概念：如果一个输入信号在应用于先验知识集 $\Sigma_{pk}$ 中的任何*系统时，都能生成适用于所需识别任务的数据，则称该输入信号是通用的。

方法论

作者开发了一个基于数据信息性（data informativity）和输入通用性的框架，利用了集合成员识别原理。

1. 数据信息性与通用输入

数据信息性： 若数据集 $D$ 对于 $\rho$ -精度是 $\Sigma_{pk}$ -信息的，则数据一致系统集 $\Sigma_D$ 与先验知识 $\Sigma_{pk}$ 的交集所具有的切比雪夫半径 $\le \rho$ 。
通用输入： 若对于每一个系统 $(A, B) \in \Sigma_{pk}$ ，由该系统在输入作用下产生的所有可能数据集都是 $\Sigma_{pk}$ -信息的，则称输入 $u[0, T-1]$ 是 $\Sigma_{pk}$ -通用的。

2. 无噪声分析

在不存在噪声的情况下，作者分析了通用输入存在的条件及其与**持续激励（persistency of excitation, PE）**的关系。

开先验知识： 对于包含在可控系统集 ( $\Sigma_{cont}$ ) 内的开先验知识集，本文确立了通用输入等价于 $n+1$ 阶持续激励输入（其中 $n$ 为状态维度）。
一般先验知识： 作者推导了取决于特定 $\Sigma_{pk}$ 结构的通用性充分条件（定理 9 和 14）。这些条件利用了系统矩阵 $A$ 的最小多项式及特定的矩阵构造（ $M_{A,B}, D_A$ ）。
核心见解： 对于某些结构化先验知识（例如特定的范数界限或已知的最小多项式阶数），可以设计出长度 $T$ 显著短于标准 PE 所需的 $nm+n+m$ 个样本的通用输入。在某些情况下，甚至被证明是非持续激励的输入（例如在长区间内取零值的“手放开/hands-off”输入）也是通用的。

3. 有噪声分析

在存在 $\ell_\infty$ 有界噪声的情况下，分析转向对识别误差的界定。

$\rho$ -精度： 本文提供了确保最坏情况误差被限制在 $\rho$ 以内的条件（定理 21）。这涉及确保特定数据相关矩阵的最小奇异值相对于噪声水平 $\varepsilon$ 足够大。
可行性条件： 作者证明，如果先验知识集是有界的且满足可控性度量 $\gamma_{pk} > 0$ ，则实现 $\rho$ -精度的通用实验设计是可行的。他们还提出了一个划分策略（定理 24），用于处理无法在整个 $\Sigma_{pk}$ 上满足条件、但能在其子集上满足条件的情况（前提是剩余子集具有较小的固有半径）。
噪声下的精确识别： 本文证明，在存在噪声时，实现精确识别 ( $\rho=0$ ) 仅在先验知识集是**一致离散（uniformly discrete）**时才可行（定理 29, 30）。这意味着先验集中的不同系统之间必须存在最小间距，这一条件在具有整数参数的系统中经常被满足。

4. 向输入-输出数据的扩展

通过将 ARX 系统（输入-输出模型）重新表述为状态空间表示形式，该框架被扩展到了输入-输出数据领域。这使得可以将推导出的输入-状态结果应用于输入-输出数据场景。

核心贡献

通用输入框架： 开发了一个全新的框架，通过显式地纳入一般先验知识来研究离线实验设计，超越了仅基于可控性假设的局限性。
通用性与 PE 的特征化：
- 对于具有开先验知识的单输入系统，通用性被证明等价于 $n+1$ 阶持续激励。
- 对于多输入系统和特定的先验知识结构，本文展示了存在并非 $n+1$ 阶持续激励的通用输入，从而减少了所需的样本量（例如，从 $nm+n+m $减少到$ 2n+m $甚至$ k+1$）。
噪声鲁棒设计： 提供了用于在有噪声环境下设计保证识别误差在给定界限 $\rho$ 内的输入的充分条件。
噪声下的精确识别： 本文确立了在噪声存在下实现精确识别的充要条件（即先验知识集为一致离散），并为这类情况提供了设计方法。
“手放开”输入（Hands-off Inputs）： 该方法能够设计出“手放开”输入（具有显著零区间的信号），这在持续激励输入不可行的安全关键型或资源受限应用中具有很高的实际价值。

结果与示例

理论界限： 本文推导了实现通用识别所需的样本数 $T$ 的下界。例如，在特定先验知识下， $T \ge 2n+m$ 即可满足要求，优于标准的 $T \ge nm+n+m$ 。
示例 1（轨道运动）： 使用航天器相对运动模型演示了双脉冲输入（在大部分时界内为零）对于识别轨道速率和质量是 $\Sigma_{pk}$ -通用的，而标准的 PE 则需要更长的连续激励。
示例 2（系统网络）： 考虑了一个由 1000 个相同系统组成的网络。结果展示了如何在具有噪声的高维设置中，利用网络的结构来设计用于 $\rho$ -精度识别的通用输入，从而降低复杂度。

意义

本文声称其结果泛化了基于 Willems 等人基本引理（fundamental lemma）的实验设计方法。虽然基本引理依赖于持续激励，且受限于仅关于可控性的先验知识，但本研究可以容纳一般先验知识。

其重要性在于发现：在存在先验知识（如参数范围、结构约束或离散参数集）的许多实际场景中，持续激励输入并非必要。所提出的方法可以产生**样本高效（sample-efficient）**的实验设计，其性能优于现有方法。这对于以下应用特别重要，因为在这些应用中施加持续激励输入是不切实际的：

安全考量；
物理约束；
资源受限（例如化学/生物系统、临床环境、大规模网络以及航空航天系统）。

通过提供关于何时可以使用更短、更具结构化或“手放开”输入的条件，本文为受限环境下的系统识别提供了一种更灵活、更高效的方法。