时变系统

玻尔百科

核心要点

如果一个系统的响应不仅取决于输入，还取决于输入施加的具体时间，那么该系统就是时变的。
与时不变系统不同，时变系统不保持指数或正弦输入（特征函数）的形式，这使其能够产生新的频率。
时变系统的稳定性是复杂的；即使系统的定义参数在所有时刻都是瞬时稳定的，系统本身也可能是不稳定的。
对于精确描述现实世界中的现象，如火箭燃烧燃料、自适应电子设备以及利率波动的金融市场，时变模型至关重要。

引言

在许多科学和工程领域，我们首先学习的是具有固定规则的系统——时不变系统，在其中因果关系具有永恒性。然而，现实世界很少如此恒定。火箭因燃烧燃料而变轻，传感器的灵敏度随时间衰减，经济对政策的响应随市场情绪而变化。这些都是时变系统，其控制规律本身在演化。理解这种动态行为对于设计稳健和自适应的技术至关重要。那些在时不变系统中行之有效的分析工具，如傅里叶分析和拉普拉斯分析，在面对时变性时常常失效。这就产生了一个巨大的知识鸿沟，需要一个不同的框架来分析稳定性、可控性和系统响应等核心性质。

本文为探索这个复杂但至关重要的话题提供了指南。第一部分“原理与机制”将阐述基本概念，解释如何识别时变系统，以及为什么它们的行为——尤其是在稳定性和频率响应方面——有着根本性的不同。随后的“应用与跨学科联系”部分将展示这些原理如何应用于工程、电子、金融和数字信号处理领域的实际问题，揭示时变动力学的广泛相关性。

原理与机制

想象你有一架心爱的钢琴。你坐下来弹奏中央C，一个清澈、洪亮的音符充满了整个房间。现在，想象你第二天回来，用完全相同的力度按下完全相同的琴键，你听到了完全相同的音符。这就是时不变系统的本质。它的基本特性——其行为规则——不随时间改变。它今天做什么，明天还会做什么。因（按下琴键）与果（发出的声音）之间的关系是永恒的。

但是，如果这架钢琴很旧，并且放在一个潮湿的房间里呢？木材会膨胀和收缩，琴弦会失去张力。今天的中央C听起来不错，但明天它可能会变调。后天，它可能会发出嗡嗡声。这个系统现在是时变的。它的行为不仅取决于你做什么，还取决于你何时做。世界充满了这样的系统：燃烧燃料并变轻的火箭，对政策变化做出响应的国民经济，甚至是在太空中严酷环境下缓慢退化的简单传感器。理解这些系统需要一种不同且更微妙的思维方式。

试金石：系统是否与时间可交换？

我们如何确定一个系统的规则是否在变化？这个检验在概念上简单而深刻。我们问一个问题：是先等待再行动，还是先行动再等待观察结果，这两者有区别吗？对于一个时不变系统，顺序无关紧要。系统的操作与时移操作是可交换的。

让我们将其形式化。假设一个系统的算子是 $T$ ，它将输入信号 $x(t)$ 转换为输出 $y(t) = T\{x(t)\}$ 。假设我们将输入延迟 $t_0$ 的时间量，产生一个新的输入 $x_{\text{delayed}}(t) = x(t-t_0)$ 。输出将是 $y_1(t) = T\{x(t-t_0)\}$ 。

现在，我们反过来做。我们取原始输出 $y(t)$ ，然后简单地延迟它。结果是 $y_2(t) = y(t-t_0)$ 。

当且仅当对于任何输入 $x(t)$ 和任何延迟 $t_0$ ，都有 $y_1(t) = y_2(t)$ 时，一个系统是时不变的。处理信号的操作和延迟信号的操作是可互换的。对于时变系统，这种美妙的对称性被打破了。

考虑一个由方程 $y(t) = t x(t)$ 描述的简单信号调制器。可以把它想象成一个增益旋钮随着时间被稳定调大的放大器。让我们应用我们的检验方法。

先延迟后处理：我们输入一个延迟信号 $x(t-t_0)$ 。系统将其乘以当前时间 $t$ 。输出是 $y_1(t) = t x(t-t_0)$ 。
先处理后延迟：原始输出是 $y(t) = t x(t)$ 。要将其延迟 $t_0$ ，我们必须将输出表达式中所有的 $t$ 替换为 $(t-t_0)$ 。这得到 $y_2(t) = (t-t_0) x(t-t_0)$ 。

显然， $t x(t-t_0) \neq (t-t_0) x(t-t_0)$ （除非 $t_0=0$ ）。该系统明确是时变的。区分这些系统的实验方法是测量系统对一个尖锐脉冲 $\delta(t)$ 的响应，得到一个冲激响应 $h(t)$ 。然后，测量对一个延迟脉冲 $\delta(t-\tau)$ 的响应。如果系统是时不变的，这第二个响应必须与第一个响应完全相同，只是在时间上平移了： $h(t-\tau)$ 。

时间之箭的足迹

一旦你知道要寻找什么，时变性的迹象就会随处可见。

一个常见的足迹是显式的、作为时间函数的系数，就像我们上一个例子中的 $t$ 。想象一个行星探测器上的传感器，灰尘慢慢积聚在镜头上，使其灵敏度随时间降低。一个简单的离散时间模型（其中 $n$ 是操作周期数）可能是 $y[n] = S_0 \exp(-\alpha n) x[n]$ ，其中 $x[n]$ 是真实的光强度， $y[n]$ 是测量到的信号。 $\exp(-\alpha n)$ 项作为一个时变增益，随着 $n$ 的增加而衰减。系统的规则在每个周期都在变化。类似的情况也出现在递归系统中，例如 $y[n] = y[n-1] + n x[n]$ ，其中当前输入 $x[n]$ 的影响被时间索引 $n$ 本身所缩放。

一个更微妙的情况是当一个系统的记忆在过去有一个固定的锚点。考虑一个计算信号从时间零点开始的总累积值的积分器： $y(t) = \int_{0}^{t} x(\tau) d\tau$ 。乍一看，它似乎不是时变的。但让我们应用我们的检验。对一个平移输入 $x(t-t_0)$ 的响应是 $\int_{0}^{t} x(\tau-t_0) d\tau$ 。通过变量替换 $u = \tau - t_0$ ，这可以变换为 $\int_{-t_0}^{t-t_0} x(u) du$ 。然而，原始输出的平移版本是 $y(t-t_0) = \int_{0}^{t-t_0} x(\tau) d\tau$ 。这两者不相同！系统的行为被束缚在绝对时间 $t=0$ 上。相比之下，一个计算移动平均的系统，如 $y(t) = \int_{t-T_0}^{t} x(\tau) d\tau$ ，是时不变的，因为它的记忆窗口 $[t-T_0, t]$ 总是具有相同的长度，并简单地随时间滑动。

变化的代价：对称性破缺与新现实

时不变性是物理学家的梦想。它是一种对称性，和物理学中所有的对称性一样，它带来了深刻的简化和强大的守恒律。当这种对称性被打破时，世界变得复杂得多。

对工程师和科学家来说，最重要的后果是特征函数的命运。对于任何线性时不变（LTI）系统，形式为 $x(t) = \exp(st)$ 的复指数信号是特征函数。这意味着，如果你输入一个复指数，输出就是相同的复指数乘以一个复数常数 $\lambda$ （特征值）： $y(t) = \lambda \exp(st)$ 。对于纯正弦波输入，你得到的输出是相同频率的正弦波。这个性质是傅里叶分析和拉普拉斯分析的基石，这些分析方法使我们能够将复杂信号分解成这些简单的指数分量，并单独分析系统对每个分量的响应。

在时变系统中，这种魔力消失了。让我们回到我们的老朋友 $y(t) = t x(t)$ 。如果我们输入 $x(t) = \exp(s_0 t)$ ，输出是 $y(t) = t \exp(s_0 t)$ 。输出不是输入的常数倍；乘法因子是 $t$ ，它随时间变化。信号 $\exp(s_0 t)$ 不再是特征函数。

这不仅仅是数学上的奇特性；它具有巨大的物理后果。LTI系统不能创造新的频率。而LTV系统则是多产的频率混合器。这是调幅收音机（AM radio）的原理，其中音频信号与高频载波（一个时变增益）相乘，以将其频谱向上移动以便广播。一般来说，如果一个频率为 $\omega_x$ 的周期性输入进入一个参数以频率 $\omega_p$ 周期性变化的LTV系统，输出可能包含一整套形式为 $k\omega_x + \ell\omega_p$ 的新频率，其中 $k$ 和 $\ell$ 是整数。只有当两个原始频率是谐波相关时——也就是说，它们的比率 $\omega_x / \omega_p$ 是一个有理数——输出才保证本身是周期性的。否则，产生的频率永远不会形成重复的模式，输出将成为一个复杂的非周期性信号。

稳定性问题：在动态世界中导航

也许可以问一个系统的最关键问题是：它稳定吗？它对小扰动的响应会无限增长，还是会衰减？对于LTI系统 $\dot{\mathbf{x}} = A\mathbf{x}$ ，答案可以通过查看常数矩阵 $A$ 的特征值找到。如果它们都具有负实部，系统就是稳定的。就这样。

对于时变系统 $\dot{\mathbf{x}} = A(t)\mathbf{x}$ ，这个简单的检验方法会 spectacularly 地失败。完全可能出现 $A(t)$ 的特征值在每个时刻都是稳定的，但整个系统却极不稳定！

想象一下粒子在粒子加速器中被一系列磁铁聚焦。当粒子飞过不同的磁场时，聚焦力会周期性地变化。这可以由一个系统来建模，其中矩阵 $A(t)$ 在一个周期 $T$ 内在两种不同形式之间切换，比如说 $A_1$ 和 $A_2$ 。即使 $A_1$ 和 $A_2$ 各自都对应于稳定的动态，它们的组合也可能是不稳定的。稳定性取决于一个完整周期内的净效应，这由一个称为单值矩阵的特殊矩阵来捕捉。整个系统的稳定性取决于这个矩阵的特征值，而不是 $A(t)$ 的瞬时特征值。聚焦强度或时间的微小变化都可能导致单值矩阵的特征值移动到单位圆外，从而导致灾难性的不稳定性。

这就把我们带到了一个更深层次的稳定性：一致性。对于一个时变系统，仅仅问它是否稳定是不够的。我们必须问它是否以一致的方式稳定。考虑非线性系统 $\dot{x} = -x + t x^2$ 。 $-x$ 项是稳定的，而 $t x^2$ 项是不稳定的，并且其影响随时间增长。如果我们在时间 $t_0=0$ 开始一个实验，我们可能会发现任何初始状态 $|x(0)| 0.5$ 最终都会回到零。但是如果我们想在更晚的时间开始实验，比如说 $t_0=1000$ ，不稳定的力会强得多。我们可能会发现我们需要从一个更小的初始条件开始，也许是 $|x(1000)| 0.001$ ，以避免解爆炸。初始条件的“安全”区域随着起始时间的增加而缩小。该系统对于任何给定的起始时间都是稳定的，但它不是一致稳定的。

黄金标准是一致指数稳定性。这意味着解不仅趋于零，而且是以一个保证的指数速率趋于零，这个速率与你何时开始无关。它满足一个不等式，如 $\| \mathbf{x}(t) \| \le M \exp(-\alpha (t-t_0)) \| \mathbf{x}(t_0) \|$ ，其中常数 $M$ 和 $\alpha$ 是普适的，与起始时间 $t_0$ 无关。在一个规则不断变化的系统中，我们如何保证如此稳健的稳定性？控制理论中最优雅的结果之一，李雅普诺夫直接法（Lyapunov's direct method），给了我们一个答案。如果我们能找到一个单一、恒定的二次“能量函数” $V(\mathbf{x}) = \mathbf{x}^\top P \mathbf{x}$ ，并保证它在系统的任何轨迹上，在所有时间内都是递减的，那么系统就是一致指数稳定的。这是一个非凡的想法：即使 $A(t)$ 在变化，如果我们能证明它对这个抽象能量的影响总是耗散的，稳定性就得到了保证。我们在变化中找到了一个不变量，一个在系统所有时间情绪中都成立的定律。

应用与跨学科联系

在深入研究了时变系统的原理之后，我们可能会觉得我们一直在一个比熟悉的、舒适的时不变系统世界更复杂、更具挑战性的领域中航行。的确如此！但这次旅程的回报是巨大的，因为我们现在可以审视我们周围的世界，并看到它的真实面貌：一个不断变化、演化和适应的地方。游戏规则很少是固定的。材料会疲劳，火箭会燃烧燃料，经济会波动，甚至我们构建的数字工具也被设计为自适应的。现在让我们来探索这些思想在何处得以体现，从坚实的工程领域到信息和金融的抽象王国。

可感知的世界：当物理规律不再静止

也许时变系统最直观的例子来自物理世界。在我们的入门物理课程中，我们经常使用理想的弹簧和恒定的质量。但是，当一个系统的物理属性本身在运行时发生变化时会发生什么呢？

想象一下高性能汽车中的先进自适应悬挂系统。一个关键部件是填充有特殊液体的减震器，其粘度随温度变化。当汽车激烈驾驶时，减震器变热，液体粘度降低，其抵抗运动的能力——即其阻尼系数——减小。如果我们对悬挂系统对力 $x(t)$ 的位移 $y(t)$ 进行建模，我们会得到一个熟悉的方程： $m \frac{d^2 y(t)}{dt^2} + b(t) \frac{dy(t)}{dt} + k y(t) = x(t)$ 关键的区别在于，阻尼系数 $b(t)$ 不是一个常数，而是时间的函数，反映了变化的温度。系统在比赛开始时（当它很凉爽）对路面颠簸的响应，将不同于稍后（当它很热）对同一次颠簸的响应。系统的“个性”随时间改变了。

这个原理远远超出了机械系统的范畴。考虑一个简单的 RC 电路，这是电子学的一个基石。现在，让我们用一个光敏电阻替换标准电阻器，光敏电阻的阻值随照射在其上的光强度而变化。如果这个电路被用作一个在闪烁或忽明忽暗光线环境中的传感器，它的电阻 $R(t)$ 就会成为一个时间的显式函数。控制电容器两端电压（我们系统的输出）的微分方程将有一个时变系数。系统仍然是线性的——输入电压加倍将使输出加倍——但它不再是时不变的。它过滤信号的方式现在取决于那一刻的外部光照条件。

最引人注目的例子之一是上升入轨的火箭。火箭大部分是燃料，当它燃烧这些燃料时，其总质量会显著而迅速地变化。描述火箭振动的方程 $\boldsymbol{M}(t)\ddot{\boldsymbol{q}}(t) + \boldsymbol{K}\boldsymbol{q}(t) = \boldsymbol{0}$ 包含一个随时间递减的质量矩阵 $\boldsymbol{M}(t)$ 。这带来了深远的影响。我们熟悉的模态分析方法，即寻找一个结构的恒定“自然频率”和“振型”的方法，完全失效了。为什么？因为该方法的基础依赖于能量守恒。对于一个时变质量的系统，总机械能不守恒；其变化率取决于质量变化的速度 $\dot{\boldsymbol{M}}(t)$ 。不再有永恒、普适的振动模式。工程师必须采用更复杂的技术，如“冻结时间”分析，他们在每个瞬间计算“瞬时”自然频率，承认这些属性随着火箭质量的减少而不断变化。

从金融到数字信号：时间的抽象之舞

时变系统的影响远不止于物理硬件。想一想一个金融投资组合。一个简单的价值模型 $y(t)$ 可能是 $\frac{dy(t)}{dt} - r(t) y(t) = x(t)$ ，其中 $x(t)$ 代表存款和取款。关键项是 $r(t)$ ，即利率。在现实世界中，这绝不是恒定的；它随市场条件波动，有时因季节性经济周期而周期性变化。你的投资增长受一个本身每天都在变化的规则支配。要了解你投资组合的未来价值，你必须考虑利率的整个未来历史。

在数字信号处理（DSP）中出现了一类特别优美而微妙的时变系统。这些是周期时变（PTV）系统，其操作规则会变化，但这种变化是周期性重复的。想象一个数字滤波器，它在偶数时间步使用一种公式，在奇数时间步使用另一种不同的公式：

y[n] = \begin{cases} p_1 y[n-1] + x[n] \text{若 } n \text{ 为偶数} \\ p_2 y[n-1] + x[n] \text{若 } n \text{ 为奇数} \end{cases}

如果你单独分析每个操作的稳定性，你可能会得出结论，如果 $|p_1| 1$ 且 $|p_2| 1$ ，则系统是稳定的。这是充分条件，但并非全部真相！组合系统的实际稳定性条件是 $|p_1 p_2| 1$ 。一个参数可以很大（例如 $p_1 = 2$ ，一个不稳定的操作），只要另一个参数足够小以在一个完整的两步周期内进行补偿（例如 $p_2 = 0.4$ ，因为 $|2 \times 0.4| = 0.8 1$ ）。稳定性不是个别时刻的属性，而是整个周期内动力学的属性。

这一思想与多速率信号处理有着深刻的联系。当我们对一个LTI滤波后的信号进行“抽取”，即只保留每 $M$ 个采样点中的一个，整体操作就不再是时不变的了；它变成了一个周期为 $M$ 的PTV系统。有一种非常优雅的数学技术叫做“提升技术”（lifting），可以让我们分析这样的系统。通过将 $M$ 个连续的输入样本捆绑成一个向量，并只在每个周期开始时跟踪状态，我们可以将PTV系统转换成一个更大、更复杂但完全时不变的系统。这揭示了一个深刻的对偶性：一个周期性变化的系统可以被看作是一个在时间“块”上操作的静态、不变的系统。

更深层次的问题：控制、观测与稳定性

最后，时变系统理论迫使我们重新审视系统科学中一些最基本的问题：系统稳定吗？我们能控制它吗？我们能知道它在做什么吗？

对于LTI系统，稳定性通常只是检查系统的极点是否在“安全”区域内这么简单。对于LTV系统，这个概念要微妙得多。考虑一个简单的乘法系统 $y(t) = g(t)x(t)$ 。如果增益函数 $g(t)$ 本身是无界的，比如 $g(t) = \exp(-at)$ 且 $a > 0$ ，那么系统是不稳定的，因为一个简单的有界输入（如 $x(t)=1$ ）会产生一个当 $t \to -\infty$ 时爆炸的输出。然而，如果我们通过乘以一个阶跃函数使系统变为因果系统， $g(t) = \exp(-at)u(t)$ ，增益现在在所有时间内都被1所界定，系统就变得稳定了。稳定性取决于系统系数在其整个历史上的行为。即使是一个系数永远振荡的系统，比如方程 $\dot{y}(t) + (2 + \sin(t))y(t) = u(t)$ ，也可以被证明是稳定的。虽然 $(2 + \sin(t))$ 项永不平息，但它的时间平均值为正，确保了系统整体上是耗散的，任何初始能量都会衰减掉。

这引导我们到控制和观测的关键挑战。想象你负责一个在行星磁场中翻滚的科学探测器。它的姿态由一组时变方程描述。为了纠正其姿态，你需要一个观测器——一种从简单测量中估计探测器真实状态（角度和角速度）的算法。实现这一点的能力被称为可观测性。然而，对于某些关键的系统参数，探测器的动力学可能与测量过程串通一气，使得某种特定类型的运动对你的传感器完全不可见。探测器可能以某种方式旋转，而你的输出却读数为零！对于那个关键参数，系统是不可观测的，设计一个可靠的估计器变得不可能。这不仅仅是一个数学上的奇特性；这是任务的生死攸关的设计约束。

同样，可控性——将一个系统驱动到任何期望状态的能力——也变得更加复杂。对于LTV系统，可控性可能不是一个永久的特性，而可能取决于你采取行动的时间区间。

从汽车悬挂的平凡现实到数字滤波器的优雅数学，再到太空探测器的关键任务，时变系统并非工程学的一个晦涩角落。它们是常态，而非例外。其数学可能要求更高，但它为宇宙提供了一个更丰富、更忠实的描述，揭示了支配变化的规律中一种动态且不断演化的美。