基础数学回顾：线性代数、概率论与优化理论
说实话，很多做控制的同行，一听到「数学」两个字就头疼。我当年刚入行时也一样，觉得搞算法就是调调PID参数，哪用得上什么矩阵、特征值？
直到我第一次做多轴协同控制，系统怎么调都震荡，最后发现是状态耦合没解对。嗯，从那以后我老老实实把线性代数捡了起来。
今天咱们就把控制算法里最常用的数学工具过一遍。不搞纯理论推导，只讲你写代码、调参数时真正用得上的东西。
矩阵运算：控制系统的「语言」
你想想看，一个多输入多输出系统，如果不用矩阵，光写方程就能写满一黑板。矩阵说白了就是「批量处理」的工具。
我个人习惯把状态空间方程写成这样：
x_dot = A * x + B * u
y = C * x + D * u这里的A、B、C、D全是矩阵。A矩阵描述系统内部怎么演化，B矩阵描述控制输入怎么影响状态，C矩阵描述你观测到了什么。
举个实际例子。我在做无人机姿态控制时，状态向量是 [roll, pitch, yaw, roll_rate, pitch_rate, yaw_rate]，一共6个状态。A矩阵就是6x6的，描述了角速度怎么影响角度，以及角加速度怎么影响角速度。
核心要点：矩阵乘法不满足交换律，AB ≠ BA。这在控制系统里特别重要——你施加控制的顺序会影响结果。
矩阵运算里还有个东西叫「逆矩阵」。A的逆矩阵记作A⁻¹，满足A * A⁻¹ = I。在控制里，求逆经常出现在解耦、状态观测器设计这些地方。
注意：不是所有矩阵都有逆。行列式为0的矩阵是「奇异矩阵」，没有逆。我在项目中遇到过这种情况——设计的控制器矩阵奇异，仿真直接报错。后来检查发现是状态选取有冗余，两个状态线性相关了。
特征值与特征向量：系统的「灵魂」
特征值这东西，我第一次学的时候觉得抽象得要命。后来做系统稳定性分析才明白——特征值就是系统的「性格」。
定义很简单：对于方阵A，如果存在非零向量v和标量λ，使得：
A * v = λ * v那么λ就是特征值，v就是对应的特征向量。
在控制领域，特征值决定了系统的动态行为：
- 特征值实部为负 → 系统稳定（衰减）
- 特征值实部为正 → 系统不稳定（发散）
- 特征值有虚部 → 系统有振荡
说白了，你设计控制器就是在「配置特征值」。把特征值放到左半平面，系统就稳定。放到你想要的位置，系统就有你想要的响应速度。
个人经验：我曾经调试一个倒立摆系统，怎么调参数都立不住。后来算了一下A矩阵的特征值，发现有一个特征值实部为正——系统天生不稳定。这时候光调PID没用，得用状态反馈把特征值「推」到左半平面。这就是极点配置法的核心思想。
高斯分布：噪声的「标准模型」
实际系统中到处都是噪声。传感器噪声、执行器噪声、环境扰动...这些噪声怎么建模？
高斯分布是最常用的模型。它的概率密度函数长这样：
p(x) = (1 / sqrt(2πσ²)) * exp(-(x-μ)² / (2σ²))μ是均值，σ是标准差。68%的数据落在μ±σ范围内，95%落在μ±2σ范围内。
为什么大家都用高斯分布？两个原因：
- 中心极限定理——很多独立随机变量的和趋近于高斯分布
- 数学性质好——计算方便，有闭式解
我在做卡尔曼滤波时，就假设过程噪声和观测噪声都是高斯分布。这个假设在大多数工程场景下都够用。
协方差矩阵：多维变量的「关系网」
单个变量的不确定性用方差描述。多个变量之间的关系呢？用协方差矩阵。
对于n维随机向量x，协方差矩阵P是n×n的对称矩阵：
P[i][j] = E[(x_i - μ_i)(x_j - μ_j)]对角线元素是各个变量的方差，非对角线元素是变量之间的协方差。
协方差矩阵在控制里太重要了：
- 卡尔曼滤波里，P矩阵表示状态估计的不确定性
- 系统辨识里，协方差矩阵用来评估参数估计的精度
- 传感器融合里，协方差矩阵决定各个传感器的权重
关键理解：协方差矩阵越大，说明不确定性越大。协方差矩阵的非对角线元素不为0，说明变量之间有相关性——一个变量的信息可以帮助推断另一个变量。
最小二乘法：最朴素的「拟合」
最小二乘法，说白了就是找一条线，让所有点到这条线的距离平方和最小。
数学形式：给定数据点(x_i, y_i)，要找参数θ使得：
J(θ) = Σ(y_i - f(x_i, θ))² 最小对于线性模型 y = Xθ，解是：
θ = (XᵀX)⁻¹Xᵀy这个公式我闭着眼睛都能写出来。为什么？因为我在系统辨识里用了不下上百次。
避坑指南：我曾经用最小二乘法辨识一个系统的传递函数，结果算出来的参数完全不对。后来发现是输入信号不够丰富——激励信号要包含足够的频率成分，才能把系统的各个模态都「激发」出来。这就是所谓的「持续激励条件」。
梯度下降：迭代求解的「爬山法」
最小二乘法有闭式解，但不是所有问题都有。当目标函数太复杂时，就得用迭代方法。
梯度下降的思路很简单：沿着梯度反方向走，就能让函数值下降。
θ_new = θ_old - α * ∇J(θ_old)α是学习率，∇J是梯度。
学习率怎么选？太小了收敛慢，太大了可能发散。我一般从0.01开始试，观察损失函数的变化曲线，再调整。
在控制领域，梯度下降的应用场景：
- 神经网络控制器训练
- 模型预测控制中的在线优化
- 自适应控制中的参数更新
注意：梯度下降只能找到局部最优，不保证全局最优。如果你的目标函数是非凸的，初始值的选择就特别重要。我习惯多试几个初始点，选效果最好的那个。
小结
这一章的内容，说白了就是控制算法的「工具箱」：
- 矩阵运算帮你处理多变量系统
- 特征值告诉你系统稳不稳定
- 高斯分布和协方差矩阵帮你处理不确定性
- 最小二乘和梯度下降帮你从数据中学习模型
这些工具在后面的章节里会反复用到。别急，咱们慢慢来。
下一章，咱们开始讲状态空间模型——控制算法的「骨架」。