能控性与能观性 Controllability and Observability

能控性与能观性是状态空间理论的两大结构性质：输入能否把状态引导到任意位置，输出能否把状态完全推断出来。它们不问稳定与否、只问结构通不通，由矩阵秩一刀判定；Kalman 分解进而表明——传递函数只描绘系统的能控能观部分，其余状态全是 I/O 看不见的内部动态。

两个结构问题

状态空间表示 State-Space $\dot{x}=Ax+Bu,y=Cx$ 描述 $n$ 维内部状态，但输入 $u$ 未必摸得着每个状态分量，输出 $y$ 未必看得清每个分量：

性质	问题	定义
能控性 controllability	输入能否指挥全部状态	存在有限时间 $T$ 与输入 $u(\cdot )$，把任意 $x(0)$ 转移到任意 $x(T)$
能观性 observability	输出能否看清全部状态	由 $[0,T]$ 上的 $u(\cdot ),y(\cdot )$ 可唯一确定 $x(0)$

二者只取决于 $(A,B)$、$(A,C)$ 的结构，与稳定性、增益大小无关——完全能控的系统可以极不稳定，反之亦然。

秩判据

把解 $x(T)=e^{AT}{x}_0+{\int }_0^T{e}^{A(T-\tau )}Bu(\tau )d\tau$ 中的矩阵指数展开可知：可达方向全部落在 $\mathrm{span}\{A^{k}B\}$ 里；由 Cayley–Hamilton 定理（矩阵满足自己的特征方程，正是常微分方程中特征方程解法的矩阵版），$k\ge n$ 的 $A^{k}B$ 都是低次幂的线性组合。于是只需检查两个有限矩阵：

$\mathcal{C}=\left[\begin{array}{cccc}B& AB& \cdots & A^{n-1}B\end{array}\right],\mathcal{O}=\left[\begin{array}{c}C\\ CA\\ ⋮\\ C{A}^{n-1}\end{array}\right]$

能控 ⟺ $\mathrm{rank}\mathcal{C}=n$；能观 ⟺ $\mathrm{rank}\mathcal{O}=n$。

能观性的读法：零输入下对输出反复求导得 $y^{(k)}(0)=C{A}^k{x}_0$，共 $n$ 组关于 $x_0$ 的线性方程——恰好定位初态 ⟺ $\mathcal{O}$ 列满秩。

能量形式是 Gramian：${\mathcal{W}}_c={\int }_0^T{e}^{A\tau }B{B}^{\top }{e}^{A^{\top }\tau }d\tau$ 正定 ⟺ 能控，且由它构造的输入给出最小能量转移。秩判据回答「通不通」，Gramian 回答「多费劲」。

import numpy as np
 
def ctrb(A, B):
    """能控性矩阵 [B, AB, ..., A^{n-1}B]"""
    blocks = [B]
    for _ in range(len(A) - 1):
        blocks.append(A @ blocks[-1])
    return np.hstack(blocks)
 
def obsv(A, C):
    """能观性矩阵 [C; CA; ...; CA^{n-1}]"""
    blocks = [C]
    for _ in range(len(A) - 1):
        blocks.append(blocks[-1] @ A)
    return np.vstack(blocks)
 
A = np.diag([1.0, 2.0])            # 两个独立模态
B = np.array([[1.0], [0.0]])       # 输入只驱动模态 1
C = np.array([[1.0, 0.0]])         # 输出只看见模态 1
 
print(np.linalg.matrix_rank(ctrb(A, B)))   # 1 < 2 → 不能控
print(np.linalg.matrix_rank(obsv(A, C)))   # 1 < 2 → 不能观

模态视角：PBH 判据

秩条件有一条透明的物理读法。设 $w$ 为 $A$ 的左特征向量 $w^{\top }A=\lambda w^{\top }$ 且 $w^{\top }B=0$，则

$\frac{d}{dt}(w^{\top }x)=w^{\top }Ax+w^{\top }Bu=\lambda (w^{\top }x)$

投影 $w^{\top }x$ 按 $e^{\lambda t}$ 自生自灭，任何输入都够不着这个模态——它与执行器绝缘。对偶地，右特征向量 $Av=\lambda v$ 且 $Cv=0$ 时，从 $x(0)=v$ 出发的响应全程 $y=C{e}^{At}v\equiv 0$——该模态对传感器隐形。

PBH 判据（Popov–Belevitch–Hautus）：能控 ⟺ 对每个特征值 $\lambda$ 有 $\mathrm{rank}\left[\begin{array}{cc}\lambda I-A& B\end{array}\right]=n$；能观 ⟺ $\mathrm{rank}\left[\begin{array}{c}\lambda I-A\\ C\end{array}\right]=n$。

一句话：能控 = 每个模态都可被输入激发；能观 = 每个模态都在输出留下痕迹。 工程原型俯拾皆是——激振器频率不合振型（不可激发），传感器装在振型节点上（不可观测）。

对偶性

$(A,B)$ 能控 ⟺ $(A^{\top },C^{\top })$ 能观：$\mathcal{C}(A,B)$ 转置恰是对偶系统的 $\mathcal{O}$。控制与估计因此共享一套数学，能控性理论原样翻译成观测器理论；卡尔曼滤波 Kalman Filter 与 LQR 的深层对偶正是这一关系的概率版。

Kalman 分解与最小实现

按能控、能观两个布尔属性，状态空间被切成四块。取适当坐标变换：

$\bar{A}=\left[\begin{array}{cccc}{A}_{co}& 0& A_{13}& 0\\ A_{21}& A_{c\bar{o}}& A_{23}& A_{24}\\ 0& 0& A_{\bar{c}o}& 0\\ 0& 0& A_{43}& A_{\bar{c}\bar{o}}\end{array}\right],\bar{B}=\left[\begin{array}{c}{B}_1\\ B_2\\ 0\\ 0\end{array}\right],\bar{C}=\left[\begin{array}{cccc}{C}_1& 0& C_3& 0\end{array}\right]$

耦合项在传函中全部抵消，只剩能控且能观块：

$G(s)=C(sI-A{)}^{-1}B=C_1(sI-A_{co}{)}^{-1}{B}_1$

三条推论：

• 传递函数是半张脸：传递函数 Transfer Function 只刻画 $x_{co}$ 子系统，其余状态是 I/O 测不到的内部动态
• 零极点对消 = 结构性失明：对消掉的极点并未消失，只是落入不可达或不可见的块。若被消的是右半平面极点，系统 BIBO 稳而内部发散——系统稳定性 Stability 中外部与内部稳定的裂缝正源于此
• 最小实现：给定 $G(s)$ 的最低阶实现在模相似意义下唯一，就是能控且能观的那个；一切非最小实现都是它挂载的死重

危险组合一目了然：不能控 + 不稳定模态是拆不掉的炸弹——反馈够不着；不能观 + 不稳定模态是隐形的炸弹——传感器看不见。两者都让基于传函的设计产生虚假的安全感。

可镇定与可检测

设计上常只需弱化版本：

弱化条件	要求	支撑的设计
可镇定 stabilizable	不能控模态均稳定	状态反馈与极点配置 Pole Placement：能控才可任意配置极点，可镇定则足以镇定
可检测 detectable	不能观模态均稳定	观测器 / 卡尔曼滤波误差收敛的充要条件

分离原理：可镇定 + 可检测时，状态反馈增益与观测器可独立设计、拼装后性能不打折——LQG 的模块化架构正立在这两条结构性质上。

表示的写入与读出：ML 视角

结构化状态空间模型（S4、Mamba）的递推 $h_{k+1}=\bar{A}{h}_k+\bar{B}{u}_k,y_k=C{h}_k$ 就是离散线性系统，能控/能观于是成为架构的先天属性——训练只能微调，无法凭空补上：

• 能控 = 写入带宽：$\mathcal{C}$ 满秩且良态，输入序列才能把 hidden state 引向任意方向；$\bar{B}$ 病态时，部分记忆维度永远收不到新信息
• 能观 = 读出无死角：hidden 的每个方向都应在输出留下可分辨痕迹，能观性病态的方向存了信息也读不出来。线性探针（linear probe）检验的正是表示的能观性
• S4 的 HiPPO 初始化刻意塑造 $A$ 的谱结构，让「最近输入可达、历史信息可读」成为先验而非运气

更广地看，表示学习反复追问的「信息能否写进表示、能否从表示恢复」（可达性与可辨识性 identifiability）与能控/能观同构——Kalman 的秩条件是任何「状态 + 输入输出接口」系统的通用体检表。