高等数学 / 系统课时

用特征分解分析动态系统

用特征分解分析动态系统

离散动态系统每走一步都在用同一个矩阵变换当前状态。直接连乘虽然能模拟轨迹,却不容易解释长期趋势。本节把状态矩阵分解为若干特征模态,用特征值判断增长、衰减和振荡,并用一个二维系统验证结论。

学习目标

  • 从离散状态方程推导出特征模态随时间演化的形式。
  • 根据特征值的模与相位判断增长、衰减、翻转和振荡。
  • 识别长期主导模态,并理解初始状态和不可对角化情形带来的边界。

从状态递推到特征模态

考虑离散状态空间模型:

xt+1=Axtx_{t+1}=Ax_t

连续迭代后有 xt=Atx0x_t=A^tx_0。如果 AA 可对角化,可写成:

A=VΛV−1A=V\Lambda V^{-1}

于是:

xt=VΛtV−1x0x_t=V\Lambda^tV^{-1}x_0

把初始状态写成特征向量的线性组合 x0=∑icivix_0=\sum_i c_iv_i 后,可得到:

xt=∑iciλitvix_t=\sum_i c_i\lambda_i^tv_i

这说明系统不是“整体一起变化”,而是多个特征模态分别乘上 λit\lambda_i^t 后再叠加。分析长期行为时,关键对象因此从矩阵连乘变成了各个特征值。

用特征值判断增长与振荡

特征值的模决定振幅如何变化,相位决定方向如何旋转或翻转。对离散系统而言,可以先用下面的规则判断单个模态:

特征值特征 模态行为
∣λ∣<1\lvert\lambda\rvert<1 振幅指数衰减,最终趋近于 0
∣λ∣>1\lvert\lambda\rvert>1 振幅指数增长,通常意味着不稳定
∣λ∣=1\lvert\lambda\rvert=1 振幅不因指数因子改变,需要继续看相位和耦合
负实特征值 相邻时刻方向交替,可表现为正负翻转
复特征值 λ=reiθ\lambda=re^{i\theta} 按 rr 缩放,并按 θ\theta 产生旋转或振荡

实矩阵出现复特征值时,它们会成共轭对出现。二维系统中的共轭对常对应“边旋转边缩放”的轨迹:模小于 1 时形成向内螺旋,模大于 1 时形成向外螺旋。

特征值位置与动态模态行为

用 Python 验证衰减振荡

下面选取状态矩阵 A=[0.9−0.20.20.9]A=\begin{bmatrix}0.9&-0.2\\0.2&0.9\end{bmatrix}。它的两个特征值为 0.9±0.2i0.9\pm0.2i,模约为 0.922<10.922<1,因此状态应一边旋转一边衰减。

python
import numpy as np

A = np.array([
    [0.9, -0.2],
    [0.2, 0.9],
])

# 先查看特征值,按虚部排序以稳定输出顺序。
eigenvalues = sorted(np.linalg.eigvals(A), key=lambda z: z.imag, reverse=True)
for lam in eigenvalues:
    print(f'eigenvalue={lam.real:.3f}{lam.imag:+.3f}j magnitude={abs(lam):.3f}')

# 从 x0=[1, 0] 出发,观察状态方向变化和范数衰减。
x = np.array([1.0, 0.0])
for t in range(4):
    print(f't={t} state=[{x[0]:.3f}, {x[1]:.3f}] norm={np.linalg.norm(x):.3f}')
    x = A @ x

预期输出

text
eigenvalue=0.900+0.200j magnitude=0.922
eigenvalue=0.900-0.200j magnitude=0.922
t=0 state=[1.000, 0.000] norm=1.000
t=1 state=[0.900, 0.200] norm=0.922
t=2 state=[0.770, 0.360] norm=0.850
t=3 state=[0.621, 0.478] norm=0.784

状态向量的方向持续变化,而范数从 1.000 降到 0.784,与复特征值“产生旋转”、模小于 1“产生衰减”的判断一致。

判断长期主导行为

若多个模态同时存在,长期通常由模最大的特征值对应分量主导。设 ∣λ1∣>∣λ2∣\lvert\lambda_1\rvert>\lvert\lambda_2\rvert,且初始状态在 v1v_1 方向上的系数 c1≠0c_1\neq0,那么随着 tt 增大,λ1t\lambda_1^t 相对其他项衰减得最慢或增长得最快,轨迹会越来越接近该模态的行为。

这个结论有两个重要边界。第一,如果初始状态恰好没有某个主导特征向量分量,对应模态就不会被激发;不能只看最大特征值而忽略 x0x_0。第二,如果矩阵不可对角化,需要使用 Jordan 形式,状态中会出现形如 tpλtt^p\lambda^t 的多项式因子;此时特征值的模仍控制主要指数趋势,但瞬态可能比简单的 λt\lambda^t 更复杂。

因此,用特征分解分析动态系统时,可靠顺序是先求特征值判断各模态的缩放与振荡,再检查初始状态是否激发这些模态,最后比较特征值模的大小来判断长期由谁主导。

按自己的节奏,确认真正理解。

目录与阅读设置

阅读设置

17

记录一个想法

用特征分解分析动态系统

0 / 10000 · 笔记保存到账号。未提交的修改会在关闭、离开或刷新后丢失。

登录哪都通