第2章 数学基础回顾（上）：向量与矩阵分析、范数、特征值与奇异值、李雅普诺夫稳定性基础概念

各位同学，欢迎来到非线性控制的第一道坎——数学基础。说实话，我见过太多人一上来就啃滑模、反步法，结果被矩阵求导卡得死死的。我个人习惯是：先把工具磨利，再砍柴。这一章我们只聊四件事：向量矩阵、范数、特征值与奇异值、还有李雅普诺夫那点直觉。

2.1 向量与矩阵：控制系统的“语言”

你想想看，一个非线性系统，状态变量可能十几个。用手写微分方程？不现实。所以我们用向量表示状态，用矩阵表示关系。比如一个机械臂，关节角度写成向量 q，角速度写成 q_dot，整个系统就是 q 和 q_dot 的演化。

矩阵在控制里最常见的角色——线性化。我在做无人机姿态控制时，就靠雅可比矩阵把非线性模型拍平成线性，然后设计 LQR。嗯，这里要注意：雅可比矩阵是时变的，你得在每个工作点重新算。

2.2 范数：衡量“大小”的尺子

范数是什么？说白了就是给向量或矩阵量个“长度”。为什么需要它？因为我们要判断误差大不大、系统稳不稳定。

常用的向量范数有：

• 1-范数：各分量绝对值之和。我早期做路径规划时用过，计算快但不够平滑。
• 2-范数：欧几里得距离。最常用，物理意义直观。
• ∞-范数：最大绝对值分量。适合分析最坏情况。

矩阵范数呢？我建议你记住诱导范数——它描述的是“矩阵对向量的放大倍数”。比如谱范数（2-范数），就等于最大奇异值。我在验证系统增益时，经常用这个判断输入输出稳定性。

2.3 特征值与奇异值：系统的“指纹”

特征值，学控制的人绕不开。线性系统的稳定性，就看特征值实部是否全负。但非线性系统呢？特征值只能告诉你局部行为——我在调试一个磁悬浮平台时，线性化后特征值全负，结果大扰动下照样发散。为什么？因为非线性项把系统推到了吸引域外面。

奇异值分解（SVD）就更强大了。它能把任意矩阵拆成旋转+缩放+旋转。我在做系统辨识时，用 SVD 降噪——把小的奇异值砍掉，模型立马干净很多。

概念	定义	控制中的应用
特征值	Av = λv	线性系统稳定性、模态分析
奇异值	A = UΣV^T	系统增益、鲁棒性、模型降阶

2.4 李雅普诺夫稳定性：直觉比公式更重要

李雅普诺夫稳定性，说白了就是回答一个问题：系统会不会跑飞？

第一法（间接法）：线性化后看特征值。简单粗暴，但只适用于局部。第二法（直接法）：找个能量函数 V(x)，看它是不是一直下降。如果 V 正定、V_dot 负定，那系统就稳定。

我刚开始学的时候，总觉得找 V 函数像玄学。后来做工程多了，发现套路其实有：

1. 机械系统用动能+势能
2. 电气系统用电感储能+电容储能
3. 实在不行，试试二次型 V = x^T P x

举个例子：一个简单的质量-弹簧-阻尼系统，总能量就是 ½mv² + ½kx²。求导后得到 -bv²，负的！说明能量在耗散，系统稳定。你看，不需要解微分方程，就能判断稳定性。

2.5 本章小结

这一章我们铺了四块基石：向量矩阵是语言，范数是尺子，特征值/奇异值是工具，李雅普诺夫是灵魂。下一章我们会继续聊数学——拉普拉斯变换、传递函数、还有那让人头疼的微分几何。但别怕，一步步来。

最后送你一句话：控制理论里，数学不是目的，是手段。我见过太多人沉迷公式推导，却忘了问“这个定理在工程里怎么用”。保持这种务实的心态，你会走得更远。