用于非线性状态空间辨识的空间填充输入设计

基于摘要分析。本文研究非线性黑箱系统辨识中的实验输入设计，提出面向状态空间形式非线性动态系统的空间填充实验设计方法，目标是使实验覆盖所关注的完整运行范围，从数据采集环节改善辨识所需的信息覆盖。 核心动机是：线性时不变系统的输入设计主要关注输入功率谱，而非线性系统的数据信息量同时受频域内容和输入的时域演化影响；建模与外推误差也使运行范围覆盖更加重要。这里的 state-space 指动态系统的状态空间表示，不能据此将其等同于序列学习中的预训练 State Space Model。摘要未给出空间覆盖度的具体定义、优化目标、输入约束或求解流程，这些尚未验证。 作者报告，所提方法可使用较广泛的输入信号，并可扩展到 NARMAX 等系统类别；其有效性通过采用 multisine 输入的非线性质量—弹簧—阻尼系统实验设计示例展示。摘要未提供量化结果、对照基线或辨识误差，因此不能判断相对常规输入设计的收益大小。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：该方法可能与具有可控刺激或干预输入的 EEG 系统辨识存在机制对应，即通过改善输入诱发的动态响应覆盖，降低只在局部运行条件下拟合带来的外推风险；这不直接适用于仅有被动 EEG 记录的解码任务。迁移假设依赖可控输入、同步输入—输出记录以及可辨识的动态关系。可复用的是输入设计思路，需改造的是安全约束、运行范围定义和 EEG 观测模型；低信噪比、隐状态不可观测、跨被试差异、通道变化及小数据都可能使覆盖改善无法转化为辨识收益。若全文支持实现，可在固定被试、通道和采集预算下，对比常规输入与覆盖导向输入，并用独立输入序列评估动态响应预测误差。已有 EEG 相关工作尚未检索确认。