1 基本概念
状态空间模型是一类用来描述动态系统演化过程的数学框架。它把系统在某一时刻的内部情况抽象为若干状态变量，再通过状态转移关系描述系统如何随时间变化，并用观测关系把内部状态与外部可测数据联系起来。由于这种表达方式兼具结构性与灵活性，它常被用于处理带噪声、时变或只能部分观测的系统。
1.1 状态变量
状态变量是用来概括系统内部信息的最小变量集合。只要在某个时刻知道这些变量的取值，原则上就可以推算系统在下一时刻的状态，而不必回溯全部历史。状态变量的选择通常依赖具体对象，例如机械系统中的位置和速度，经济系统中的潜在景气水平，或者信号系统中的隐藏特征等。
1.2 状态转移
状态转移描述系统状态如何从当前时刻演化到下一时刻。它反映了系统自身的动力学规律，可能由确定性规律决定，也可能包含随机扰动。状态转移是状态空间模型的核心部分之一，因为它决定了模型对时间演进的刻画能力。
1.3 观测变量
观测变量是可以直接测量或记录到的外部量。它们并不一定等于真实状态，而是状态经过传感器、采样过程或其他测量机制后得到的结果。由于观测过程常受到噪声、误差或缺失的影响，因此观测变量与内部状态之间通常只存在间接对应关系。
1.4 状态方程与观测方程
状态方程用于描述状态随时间变化的规律，观测方程则用于描述状态如何生成观测值。前者强调“系统如何演化”，后者强调“系统如何被看见”。二者共同构成状态空间模型的基本骨架，使模型既能表达内部机制，也能与实际数据相连接。
1.5 离散时间与连续时间模型
按时间变量的取值方式，状态空间模型可分为离散时间模型与连续时间模型。离散时间模型以固定时间步长递推，常用于采样数据分析；连续时间模型则以微分方程刻画系统变化，更适合物理过程和连续动力学描述。在实际应用中，两者之间也常通过离散化或连续化相互转换。
2 数学表示
状态空间模型的数学表示通常由状态方程和观测方程组成，并可根据系统性质写成线性、非线性、随机或连续时间等形式。不同表示方式对应不同的建模粒度和求解方法，但其基本思想一致，即用隐藏状态连接系统动力学与观测数据。
2.1 线性状态空间模型
线性状态空间模型假定状态演化与观测生成都可由线性关系描述。由于形式清晰、便于分析，线性模型在控制理论和信号处理中应用极为广泛，也是许多复杂模型的基础版本。
2.1.1 矩阵形式表示
在线性情况下，状态方程和观测方程常写成矩阵形式，便于统一处理多维状态、多通道输入与输出。矩阵表示能够直观反映各个变量之间的耦合关系，也方便进行稳定性、可控性和可观测性分析。
2.1.2 输入、输出与噪声项
线性模型中通常还会加入输入项、输出项与噪声项。输入项表示外部控制或激励，输出项对应系统的可观测结果，噪声项则用于刻画建模误差和随机扰动。通过这些附加项，模型可以更贴近实际系统。
2.2 非线性状态空间模型
当系统动力学或观测机制不能用简单线性关系描述时，就需要采用非线性状态空间模型。它能更真实地反映复杂系统的行为，但计算与分析难度也更高。
2.2.1 非线性状态转移函数
非线性状态转移函数用来描述状态在时间上的非线性演化。它可以体现阈值效应、饱和现象、耦合反馈等复杂机制，因此在生物系统、机器人和非线性控制中较为常见。
2.2.2 非线性观测函数
非线性观测函数用于表示观测值与状态之间的非线性映射关系。实际测量设备往往并非线性响应，或者观测量本身就是经过复杂转换得到的，因此这类函数能够增强模型对真实数据的适配能力。
2.3 随机状态空间模型
随机状态空间模型把噪声显式纳入状态演化与观测生成过程，用于描述不确定性较强的系统。它不仅关注平均行为，也刻画波动范围和概率分布。
2.3.1 过程噪声
过程噪声表示系统内部演化过程中的随机扰动，例如未建模因素、外界随机干预或微小误差。它会影响状态随时间的推进，使系统轨迹呈现随机特征。
2.3.2 观测噪声
观测噪声指测量过程中产生的误差，包括传感器误差、采样偏差和环境干扰等。它会使观测值偏离真实状态，因此状态估计通常需要专门方法来抑制这类噪声影响。
2.4 连续时间状态空间模型
连续时间状态空间模型通常以微分方程表示状态变化，并以连续观测关系连接测量量。它适合描述物理、工程和生物中的连续动力过程，也常作为离散化模型的源头。在理论分析中，这类模型与控制、滤波和系统辨识密切相关。
3 建模方法
状态空间模型的建立可以来自物理规律，也可以来自数据学习，还可以通过参数辨识与模型简化逐步得到。实际建模往往不是单一途径，而是结合机理知识和观测数据共同完成。
3.1 物理机理建模
物理机理建模依据系统的守恒定律、运动方程或结构关系来建立状态方程和观测方程。这种方法的优点是解释性强，模型结构清楚，适合已有较多先验知识的场景。
3.2 数据驱动建模
数据驱动建模主要依赖观测样本来识别系统规律，不必完整掌握内部机理。它特别适用于复杂、难以解析建模的对象，但通常更依赖数据质量和样本规模。
3.3 参数辨识
参数辨识是指在模型结构既定时，估计其中未知参数，使模型尽可能符合观测数据。它是状态空间建模中的关键步骤，直接影响模型的准确性与预测能力。
3.3.1 最大似然估计
最大似然估计通过寻找使观测数据出现概率最大的参数值来进行辨识。该方法在统计上具有明确解释，常用于线性高斯模型和许多近似可处理的系统。
3.3.2 贝叶斯估计
贝叶斯估计把参数视为随机变量，将先验信息与观测数据结合起来推断后验分布。这种方法能更自然地表达不确定性，特别适合数据有限或先验知识较强的情形。
3.4 模型简化与降阶
在高维系统中，完整模型往往过于复杂，不利于分析和计算，因此常需要进行简化或降阶。常见做法包括保留主导模态、忽略弱耦合项或合并相近状态，以获得更紧凑的模型表示。
4 状态估计
状态估计的目标是依据观测数据推断系统的隐藏状态。由于真实状态通常不能直接测得，这一环节是状态空间模型能否落地应用的关键。
4.1 卡尔曼滤波
卡尔曼滤波是一类经典的递推估计方法，适用于线性高斯系统。它通过“预测—更新”的循环不断修正状态估计，在工程实践中具有极高的地位。
4.1.1 标准卡尔曼滤波
标准卡尔曼滤波在系统线性、噪声服从高斯分布的条件下给出最优线性估计。它计算效率较高，能够实时处理动态数据，因此在导航、控制和跟踪中应用广泛。
4.1.2 扩展卡尔曼滤波
扩展卡尔曼滤波通过局部线性化处理非线性系统，使卡尔曼思想能够延伸到非线性场景。它实现简单，但当非线性较强时，近似误差可能增大。
4.1.3 无迹卡尔曼滤波
无迹卡尔曼滤波利用确定性采样点传播均值和协方差，避免了显式线性化。相比扩展卡尔曼滤波，它在一定条件下能更好地保持非线性传播特性。
4.2 粒子滤波
粒子滤波通过一组随机样本近似后验分布，适合处理非线性、非高斯以及多峰分布问题。虽然计算开销较大，但在复杂目标跟踪和非标准观测环境中很有优势。
4.3 平滑与预测
除了实时估计当前状态，状态空间模型还常用于回溯历史状态和预测未来演化。平滑关注对过去状态的修正，预测则面向未来状态的推断。
4.3.1 后验平滑
后验平滑利用全部观测信息对过去的状态估计进行统一修正，因此通常比单步滤波结果更精确。它适合离线分析和高精度重建任务。
4.3.2 未来状态预测
未来状态预测基于当前估计与模型结构外推后续演化。预测效果取决于模型准确性、噪声水平以及系统本身的可预测性。
4.4 观测缺失与噪声鲁棒处理
实际数据中常出现缺测、离群点或噪声较强的情况。为提高稳健性，状态空间方法会结合插补、鲁棒损失、重加权估计或概率建模等策略，尽量降低异常数据对状态推断的影响。
5 系统分析
状态空间模型不仅用于估计和预测，也常用于分析系统本身的性质，例如是否稳定、是否可控、是否能从观测中恢复状态等。这些分析为模型设计与应用提供理论基础。
5.1 稳定性分析
稳定性分析研究系统在扰动或初始偏差下是否能够保持有界，或是否会回到平衡状态。它是判断模型是否可靠的重要指标。
5.1.1 渐近稳定
渐近稳定表示系统状态在足够长时间后会趋近于某个平衡点或稳定轨迹。对于工程系统而言，这通常意味着误差会逐渐消失，运行趋于平稳。
5.1.2 李雅普诺夫稳定性
李雅普诺夫稳定性通过构造能量型函数来判断系统在扰动下是否保持稳定。该方法不必显式求解系统轨迹，因此在复杂系统分析中十分常用。
5.2 可控性与可观测性
可控性与可观测性是线性系统理论中的核心概念，也广泛用于状态空间模型。前者关注外部输入能否驱动系统到达期望状态，后者关注能否仅凭观测数据重建内部状态。
5.2.1 可控性判定
可控性判定用于检查系统在给定输入作用下是否能够被充分操纵。若系统不可控，则某些状态无法通过控制输入有效改变。
5.2.2 可观测性判定
可观测性判定用于判断能否通过有限观测恢复系统状态。若系统不可观测，则存在不同内部状态产生相同观测结果的情况。
5.3 频域与时域性质
状态空间模型既可以在时域中分析，也可以借助频域工具研究其响应特征。时域分析更强调动态过程，频域分析则有助于理解系统对不同频率输入的反应。两者结合能够更全面地揭示系统行为。
5.4 结构可辨识性
结构可辨识性关注的是：在理想条件下，模型参数和状态结构是否能够从观测中唯一恢复。它不同于数值辨识，重点在于模型本身是否具备被辨认的理论可能性。
6 典型应用
状态空间模型的应用范围很广，尤其适合研究带有时间演化、隐藏变量和测量误差的问题。在不同领域中，它通常会结合各自的专业背景进行具体化处理。
6.1 自动控制
在自动控制中，状态空间模型用于描述系统动态、设计控制器和分析闭环性能。它比单纯的输入输出描述更适合处理多变量系统。
6.1.1 伺服系统
伺服系统需要精确跟踪目标位置、速度或力矩，状态空间模型可用于建立跟踪误差和动态补偿机制，从而提升响应速度与稳定性。
6.1.2 飞行器姿态控制
飞行器姿态控制涉及角度、角速度和外部扰动的综合处理。状态空间方法有助于描述复杂耦合关系，并为姿态稳定与轨迹跟踪提供基础。
6.2 信号处理
信号处理中，状态空间模型常被用于表示信号生成过程、滤除噪声以及进行动态预测。它能将“信号”和“噪声”分离为不同层次的变量。
6.2.1 噪声去除
通过状态估计，模型能够从受污染的观测中恢复更平滑、更接近真实过程的信号。这在音频、图像和传感数据处理中都很常见。
6.2.2 时序信号预测
对于时间序列，状态空间模型可根据历史观测推断未来走势。它特别适合趋势变化明显或存在隐含动力机制的序列。
6.3 经济与金融
在经济与金融领域，状态空间模型常用于描述难以直接观测的潜在变量，例如趋势、周期或风险水平。它有助于把宏观波动和观测指标联系起来。
6.3.1 宏观经济建模
宏观经济建模中，状态空间框架可用于刻画产出、通胀或景气等变量的动态变化，并结合统计数据进行估计和预测。
6.3.2 隐含变量分析
隐含变量分析常借助状态空间模型提取看不见但实际存在的潜在因素，例如长期趋势、市场情绪或结构性水平。
6.4 机器学习
机器学习中的序列建模经常需要处理时间依赖与不确定性，状态空间模型因此成为重要工具之一。它与概率图模型、递推估计和深度学习方法都有交叉。
6.4.1 序列建模
序列建模利用状态空间结构表达前后时刻之间的依赖关系，适用于语音、文本、传感器和行为序列等任务。
6.4.2 隐马尔可夫与相关扩展
隐马尔可夫模型可以看作状态空间思想在离散状态条件下的一种重要形式。其相关扩展进一步增强了对复杂时序模式的表达能力。
6.5 神经科学与生物系统
在神经科学与生物系统中，状态空间模型可用于描述神经活动、群体动力学和生理信号的变化。由于这类系统通常具有噪声强、维度高和变量不可完全观测等特点，状态空间方法具有较强适配性。
7 扩展与变体
随着应用需求增加，状态空间模型发展出多种扩展形式，以适应不同类型的随机性、非线性和结构复杂度。
7.1 线性高斯模型
线性高斯模型假定系统线性且噪声服从高斯分布，是最经典、最易分析的一类形式。它在理论上可得到较完整的解析结果，因此常作为基准模型使用。
7.2 非高斯模型
非高斯模型允许噪声或状态分布偏离高斯假设，更适合尖峰厚尾、偏态分布或异常值较多的数据环境。不过，这类模型通常需要更复杂的估计方法。
7.3 混合状态空间模型
混合状态空间模型将多个状态子模型组合在一起，用于描述具有不同工作模式的系统，例如阶段切换、工况变化或多机制并存的情形。
7.4 时变参数模型
时变参数模型允许系统参数随时间改变，适合描述环境变化明显或系统结构逐渐漂移的对象。它常用于非平稳数据分析。
7.5 高维状态空间模型
高维状态空间模型面向大规模系统，状态维数较高，常见于复杂网络、图像序列和多变量时序分析。其主要挑战在于计算效率、参数估计和过拟合控制。
8 优缺点
状态空间模型之所以广泛使用，在于它能够统一刻画动力学、观测和噪声；但与此同时，它在建模和计算上也存在一定门槛。
8.1 优势
状态空间模型结构清晰，能够表达隐藏状态、时序依赖和观测误差，适用范围广。它兼具理论分析能力与工程实现价值，尤其适合处理部分可观测和含噪系统。
8.2 局限性
该模型的局限主要体现在参数估计复杂、非线性情形难以精确求解，以及高维系统计算成本较高等方面。若状态定义不合理，模型解释性和预测效果也会受到影响。
8.3 适用场景
状态空间模型适用于需要动态建模、状态推断和在线更新的任务，尤其适合控制、预测、跟踪和潜变量分析等场景。对于静态或几乎不随时间变化的问题，其优势相对不明显。
9 相关理论与方法
状态空间模型与多个数学和工程领域紧密相关，其理论基础涉及线性系统、优化、统计推断和辨识方法等。
9.1 线性系统理论
线性系统理论为状态空间表示提供了基础语言，涉及矩阵、特征值、稳定性和系统响应等内容。许多状态空间分析工具都源自这一理论框架。
9.2 最优控制
最优控制研究在约束条件下如何设计输入，使系统性能指标达到最优。状态空间模型为最优控制提供了自然的描述平台。
9.3 隐马尔可夫模型
隐马尔可夫模型与状态空间思想关系密切，二者都强调隐藏状态与可观测结果之间的联系。前者多用于离散状态序列，后者则更强调一般动力系统表达。
9.4 系统辨识
系统辨识关注从数据中建立系统模型，状态空间模型是其中的重要对象之一。辨识过程通常包括结构选择、参数估计和模型验证。
9.5 贝叶斯推断
贝叶斯推断为状态空间模型提供了概率化处理方式，可以同时描述状态不确定性、参数不确定性和观测误差。它在现代时序建模中占有重要地位。
10 发展历史
状态空间模型的发展经历了从经典系统理论到现代概率建模的长期演进。它的形成与控制工程、统计推断和计算方法的进步密切相关。
10.1 早期系统理论
早期系统理论主要关注动态系统的输入输出关系、稳定性和线性分析。随着工程实践的发展，人们逐渐意识到只用外部观测并不足以完整描述复杂系统，于是开始引入内部状态概念。
10.2 卡尔曼滤波的提出
卡尔曼滤波的提出使状态空间模型在工程估计中取得突破性进展。它将动态系统描述与递推估计结合起来，推动了导航、控制和信号处理等领域的发展。
10.3 现代扩展与应用发展
进入现代以后，状态空间模型不断扩展到非线性、非高斯、高维和层次化结构，并与计算统计、机器学习和复杂系统研究相结合。随着数据获取能力增强和算法发展，它的应用边界也持续扩大。