建立状态空间模型以后,下一步就是从已知初始状态和输入求出状态与输出。本节从状态转移矩阵出发,把响应拆成初始状态产生的部分和输入产生的部分,并说明实际计算中何时采用解析方法、何时改用数值积分。
考虑线性时不变状态模型
如果暂时令输入为零,状态方程变成
其解可以写成
矩阵指数
称为状态转移矩阵。它把某一时刻的状态映射到之后的状态,所以可以看成状态空间中的“自然演化规则”。对于标量方程 ,这个结果退化为熟悉的 。
当输入不为零时,从初始时刻 出发的完整状态响应为
第一项只由初始状态决定,称为初始状态响应;第二项由输入驱动产生,通常称为受迫响应。输出再由
得到。

这个分解非常重要。即使输入为零,只要 ,系统仍然可能产生响应;反过来,即使初始状态为零,输入也会通过第二项不断激励系统。
考虑一个便于手算的系统:
初始状态为
输入为单位阶跃 ,。由于 是对角矩阵,状态转移矩阵可直接写成
初始状态响应为
受迫响应则为
两部分相加后得到
因此输出为
可以看到,第一个状态的自然衰减 恰好被阶跃输入产生的对应项抵消,所以 始终保持为 ;第二个状态则从 逐渐趋于 。
解析结果至少应做两次快速校核。把 代入状态解,有
与给定初始状态一致。再令 ,得到
也可以直接令稳态满足 ,得到
因此
两种方法给出相同结果,说明状态响应计算内部一致。
当 维数较低、结构简单,或者可以方便求出 时,状态转移矩阵能直接展示自然模态、初始状态和输入之间的关系,适合理论分析与手算。
如果系统阶数很高、输入复杂、矩阵随时间变化,或者模型包含非线性项,直接求矩阵指数和积分通常不再方便。这时更常见的做法是使用欧拉法、Runge-Kutta 方法或专业数值求解器逐步积分状态方程。
状态空间求响应的关键不是记住一个矩阵公式,而是明确两条独立来源:系统当前已经存储的状态,以及之后持续施加的输入。状态转移矩阵负责传播前者,卷积积分负责累积后者,输出方程再把内部状态映射成可观察量。