matlab向量与x正方向的夹角_(5)合同变换、正定矩阵与控制系统V(x)的关系

本文主要参考《Applied Nonlinear Control》(Slotine，Li等著)这本书。如有错误疏漏，烦请指出。如需转载，请联系笔者，Dr.shenyue@http://gmail.com。

沈月：(4)La Salle不变集原理与渐近稳定​zhuanlan.zhihu.com

---

一、为什么合同变换跟控制系统扯上了关系

为了能利用La Salle不变集原理与渐近稳定文中最后一段

拉萨尔不变集原理(La Salle's Invariance Principle)的local version 和global version，加上它的引理，构成不变集原理(Invariant Set Therorems)，加上Lyapunov函数与稳定性判别最后一段的 ， <<局部稳定李雅普诺夫定理（Lyapunov Theorem for Local Stability）和全局稳定李雅普诺夫定理（Lyapunov Theorem for Global Stability）构成了Equilibrium Point Theorems，因为都是针对平衡点得出的稳定性结论！>> 共同构成了传说中的“”李雅普诺夫直接法(Lyapunov's Direct Method)“”。

中提到李雅普诺夫直接法(Lyapunov’s Direct Method)来分析系统稳定性，我们需要找到适当的标量正定函数V(x)。而通常V(x)代表着能量，比如机械系统中的能量：力乘以位移

，力矩乘以角度

；电力系统中的能量：电压乘以电量

；更多不同系统的能量，请参照Wikipedia的词条Energy - Wikipedia。有时候你希望V(x)代表控制系统的跟踪误差能量

或者输入能量

，或者控制与信号系统输入输出的点积

(物理意义请查看Passivity (engineering))等等这些都是向量内积的形式。

因此，实际物理系统不管是机械系统还是电力系统还是控制系统，能量通常是以两个物理量的向量的点积或者叫做内积的形式存在(或者它们内积的积分形式)：

。

点积可以让向量变成了标量，正好Lyapunov Theorem for Local/Global Stability也要求V(x)是个标量，代表了能量。点积的正负性，代表了两个向量的夹角是不是超过90度，正代表两个向量之间的夹角小于90度，负代表两个向量之间的夹角超过90度。点积的大小(magnitude)，如果将另外x向量单位化，

还代表了y在x方向上的投影的长度。

而通常我们的控制系统的李雅普诺夫函数(控制目标函数)选取V(x)具有以下形式

，这里的矩阵M是任意的方阵。进一步，我们会发现

永远跟一个对称矩阵

相等，所以干脆每次就认为M是个对称矩阵。

为什么任意矩阵M的二次型

一定等于对称矩阵N的二次型

?

因为 任意n阶方阵M都可以写成一个 对称矩阵

和一个 反对称矩阵

之和：

，其中

是对称矩阵，

是反对称矩阵。而任

意一个反对称矩阵的二次型永远等于0，因为

。因此，二次型

永远成立，

控制系统的李雅普诺夫函数(控制目标函数)选取

永远可以假定二次型中的M矩阵为对称矩阵。

，可以看成是增加了一个加权矩阵M。那么，M到底对向量x是如何加权的，跟单纯

的本质区别在哪里？有没有一个方式可以让我们显而易见地看出来？

实际的控制系统V(x)，如果我们想利用La Salle不变集原理与渐近稳定文中李雅普诺夫直接法(Lyapunov’s Direct Method)来分析系统稳定性，在通常要求V(x)正定。如果

，也就是要求M一般都选为正定实矩阵(复数的V没有很好的物理意义)，加上M又是对称的矩阵，而在矩阵分解、相似变换与奇异值分解文中我们写到：

实对称矩阵一定可以对角化(因为一定有n个特征向量，如果没有的话，就是相似于一个约当块，就不对称了，详细请参考矩阵的特征值、特征向量与相似对角化)，它的所有特征值都是实数(因为它对称)，它可以找到一组特征向量是不仅线性无关，还相互正交。

所以一定可以找到单位正交的U矩阵使得

，这里出现了合同变换

，其中

是M的特征值。M到底对向量x是如何加权的，跟单纯

的本质区别就可以通过对角阵

一眼就看出来了。

于是

。令

，那么我们有

(因为

)。所以进一步我们有

，其中

分别是矩阵M的最小和最大的特征值。于是如果

，

。于是有了一个正定矩阵的定义：

定义：如果n阶方阵满足

，我们说矩阵M是正定矩阵。

以上定义很好理解，

意味着矩阵M最小的特征值

，我们称之为正定矩阵，因为他所有的特征值都大于零。可见，正定矩阵是针对二次型来定义的。基于此我们引入n阶方阵的大小比较：

。它意味着什么呢？意味着

，意味着

的特征值都大于0。