博苏克一乌拉姆定理-博苏克 - 乌拉姆定理

博苏克一乌拉姆定理的综合

算法应用实例：从参数估计到状态重构

假设我们有一个二阶线性时不变系统，其状态方程为 $dot{x} = Ax + Bu$，其中 $x$ 为状态向量，$u$ 为控制输入。假设我们只有对系统输出的观测，且输入 $u$ 是常数向量。根据博苏克一乌拉姆定理，系统的状态空间维数必须满足：状态维数 $n_s leq$ 输入次数 $n_u$ - 输出维数 $n_{obs}$。

若输入是常数向量，则输入次数为 0（因为常数多项式与任意多项式环生成的商环次数为 0）。若我们要估计一个 3 维的状态，且只能观测输出，那么必须满足 $3 leq 0 - n_{obs}$，这显然不可能。因此，我们无法通过有限的输出信息唯一确定 3 维系统的状态。

为了恢复状态，我们必须提供足够的输入信息。假设我们施加了 2 阶的阶跃输入（即线性增长序列，次数为 1）。此时，输入次数为 1。若要估计 3 维系统，需满足 $3 leq 1 - n_{obs}$，仍然不可能。

若我们施加了 2 阶的常数输入（次数为 0）。此时，输入次数为 0。若要估计 3 维系统，需满足 $3 leq 0 - n_{obs}$，依然不可能。

实际上，当输入次数为 0 时，输入多项式 $u(t)$ 与任意 $n$ 维输出多项式 $y(t)$ 的商环，其维数由博苏克一乌拉姆定理给出，等于 $n$。但这并不直接给出状态维数 $n_s$。正确的理解是，状态空间维数 $n_s$ 必须满足 $n_s leq$ 输入次数 $n_u$ - 输出维数 $n_{obs}$ 的某种变体。更准确的表述是，若输入次数为 $n_u$，输出维数为 $n_{obs}$，则系统的状态空间维数 $n_{state} leq n_u + n_{obs}$ 是必要条件，但由博苏克一乌拉姆定理的推论可知，若我们考虑的是输出的维数，则输出维数 $n_{out} = n_{state} - n_u leq n_u - n_{state} + n_{state} - n_u$，这似乎不太直观。

让我们换一个更清晰的例子。考虑线性系统辨识中的经典场景：系统状态维数 $n=2$，输入维数 $m=2$，输出维数 $p=2$。根据博苏克一乌拉姆定理，输出的维数 $p$ 与输入次数 $n_u$ 和状态维数 $n$ 的关系是：$p leq n_u - n + n$，即 $p leq n_u$。这里 $n_u$ 代表输入信号的阶数（若输入为阶跃序列，则 $n_u=1$；若为常数序列，则 $n_u=0$）。

如果输入是常数序列（$n_u=0$），且输出维数为 2，根据定理，输出维数不能超过输入次数，即 $p leq 0$，这意味着 $p$ 必须为 0，但这与 $p=2$ 矛盾。这说明我们的假设不成立，或者我们需要输入更丰富的信号。

如果输入是 1 阶的阶跃序列（$n_u=1$），且输出维数为 2，那么 $2 leq 1 - 2 + 2$，即 $2 leq 1$，仍然不成立。这说明我们需要重新审视定理的应用边界。

实际上，博苏克一乌拉姆定理最直接的应用是在计算生成多项式的维数或商环的维数。

设想一个线性系统，状态维数为 $n_s=2$，输入维数为 $m=1$（例如单位脉冲响应），输出维数为 $p$。

博苏克一乌拉姆定理指出：商环 $mathbb{R}[t] / langle x, y rangle$ 的维数等于 $n_s - n_u$ 吗？不，定理是：商环 $mathbb{R}[t] / langle x, y rangle$ 的维数等于 $n_s - n_u$。这里 $n_s$ 是状态维数，$n_u$ 是输入次数。

如果我们有一个状态维数为 2 的系统，输入为常数向量（次数为 0），那么商环（即系统的输入输出关系）的维数应该等于 $2 - 0 = 2$。这意味着，通过观测反应（即输出），我们可以唯一地确定系统的状态。

反之，如果输入次数为 0，且输出维数为 2，那么系统状态维数 $n_s$ 必须满足 $n_s leq 0 + 2$。

如果输入次数为 1（阶跃），且输出维数为 1，那么 $n_s leq 1 + 1 = 2$。

这个逻辑链条表明，为了恢复系统状态，输入信号的次数必须足够多，以覆盖系统的状态维数和输出维数的组合。具体来说，若要唯一确定状态，我们需要输入次数 $n_u$ 满足 $n_u geq n_s + n_{out}$。而在博苏克一乌拉姆定理的语境下，这通常表现为：若输入次数为 $n_u$，输出维数为 $p$，则状态维数 $n_s = p + n_u$ 是可能的上限，即 $n_s leq n_u + p$。

因此，在设计参数估计算法时，我们需要确保输入的阶数足够大，使得 $n_u geq n_s + n_{out}$。例如，对于一个状态维数为 3，输出维数为 1 的系统，我们需要至少 4 阶的输入信号（如 4 阶的常数序列或线性上升序列）才能通过系数的系数矩阵恢复出状态向量。

总结而言，博苏克一乌拉姆定理为算法工程师提供了一种简洁而深刻的约束条件。它告诉我们，系统可辨识度的上限由输入次数与输出维度的和决定。在实现模型预测控制（MPC）或自适应滤波时，工程师需要精确计算这个上限，以确保估计器能够收敛到真实状态。如果输入次数不足，系统参数存在多重解，导致估计错误；如果输入次数过多，虽然也能估计，但降低了效率。

总结