数学建模 / 英语

离散动力系统

Mike, the Mathematician · YouTube · 6:41

YouTube · Mike, the Mathematician原视频

选中时刻 · 2:15 · 章节点是时间参考，不表示实时播放进度。

视频中的要点

01双序列离散系统
02离散线性动力系统的定义
03同一系统的矩阵形式

来自学习笔记

x_{n+1}=ax_n+by_n,\quad y_{n+1}=cx_n+dy_n

离散线性动力系统的定义

选中时刻

矩阵形式与迭代

建议预备知识

数列与下标记号
基本线性组合
列向量与 $2\times2$ 矩阵乘法
线性递推关系
矩阵乘法
特征值与特征向量
矩阵乘法
特征值与特征向量
$2\times2$ 矩阵的对角化
基本递推关系
线性代数：特征值与特征向量
矩阵对角化
数列的极限

阅读与收藏

把讲解展开来看。

被收藏 0

已审核学习内容 · 视频分析 · 中文

阅读完整概览

这段120秒的片段介绍了一个含两个分量的离散线性动力系统。讲师首先写出两个数列 $(x_n)$ 和 $(y_n)$ ，然后定义耦合递推关系 $x_{n+1}=ax_n+by_n$ 和 $y_{n+1}=cx_n+dy_n$ 。接着，他将这对递推关系重写为矩阵方程 $\begin{pmatrix}x_{n+1}\\y_{n+1}\end{pmatrix}=\begin{pmatrix}a&b\\c&d\end{pmatrix}\begin{pmatrix}x_n\\y_n\end{pmatrix}$ ，并通过将等式延拓至矩阵的平方与立方形式来演示迭代过程，其中状态向量的下标分别为 $n-1$ 和 $n-2$ 。本视频片段介绍由两个耦合的线性递推关系所定义的离散线性动力系统。讲师演示了如何将该系统表示为矩阵形式，并通过对矩阵方程进行迭代，推导出第 n 步状态关于初始状态的一般表达式。为高效计算所需的矩阵幂，引入了对角化的概念，说明可对角化矩阵的 n 次幂可通过其特征值与特征向量来计算。这段时长120秒的白板片段，通过矩阵对角化推导出一个2维离散线性动力系统的显式解。从 $\begin{bmatrix}x_{n+1}\\y_{n+1}\end{bmatrix}=A\begin{bmatrix}x_n\\y_n\end{bmatrix}$ 出发，讲师运用 $A^n=P\operatorname{diag}(\lambda_1^n,\lambda_2^n)P^{-1}$ ，重写 $P=[\vec v\ \vec w]$ ，将初始向量转换为特征坐标系下的表示 $[\tilde x_0,\tilde y_0]^T$ ，从而得到 $\begin{bmatrix}x_n\\y_n\end{bmatrix}=\tilde x_0\lambda_1^n\vec v+\tilde y_0\lambda_2^n\vec w$ 。接着，他假设 $|\lambda_1|>|\lambda_2|$ ，并提取公因子 $\lambda_1^n$ 以研究渐近行为，但视频片段在此处结束，尚未给出最终的口头结论。本片段结束了一堂关于离散线性动力系统的讲座。主讲人分析了通过矩阵对角化推导出的通解公式。他利用第一个特征值的绝对值大于第二个特征值（ $|\lambda_1| > |\lambda_2|$ ）这一条件，证明了与 $\lambda_2$ 相关的项在 $n$ 趋于无穷时消失。因此，系统长期行为渐近地由对应于 $\lambda_1$ 的特征向量主导。视频最后简要提到了后续主题，例如斐波那契数列和捕食者-猎物模型。

在学习检查器中查看要点和时刻，或切换阅读标签查看完整笔记。

章节

0:00标题卡片 0:05介绍两个数列 0:30定义耦合的线性递推关系 1:06改写为矩阵方程 1:28迭代得到矩阵的幂 2:00离散线性动力系统简介 2:15矩阵形式与迭代 2:45通解公式 3:05借助对角化的高效计算 3:35可对角化矩阵的幂 4:00递推关系与对角化准备 4:35重写

P

并变换初始条件 4:45展开为特征模态 5:15主特征值命题与因式分解形式 6:00通解的渐近分析 6:22后续主题与总结 6:31视频结束

学习解说文稿

依据视频画面与讲解整理，并非逐字语音转写。

本片段以标题卡片开场，点明主题为离散动力系统。

讲师首先口头介绍本讲内容，随后构建基本研究对象：一个在 $x$ 中的数列和一个在 $y$ 中的数列。

他在黑板上写下 $(x_0,x_1,x_2,\dots,x_n,\dots)$ 和 $(y_0,y_1,y_2,\dots,y_n,\dots)$ ，确立了每个时间指标处的一对离散状态。

接着，他给出相邻项之间的线性更新规律，并写出 $x_{n+1}=ax_n+by_n$ 和 $y_{n+1}=cx_n+dy_n$ 。

这一对递推关系被明确称为离散线性动力系统，即下一时刻的状态线性依赖于当前状态，且时间以离散步长推进。

擦去先前的板书后，他将同一系统重新表述为矩阵形式。

新方程为 $\begin{pmatrix}x_{n+1}\\y_{n+1}\end{pmatrix}=\begin{pmatrix}a&b\\c&d\end{pmatrix}\begin{pmatrix}x_n\\y_n\end{pmatrix}$ ，其中列向量存储两个状态分量，而 $2\times2$ 矩阵存储系数。

他指出，该矩阵方程与前面展示的两个标量递推关系具有完全相同的结构。

接着，他解释说该关系可以迭代：再次应用相同的更新规则，即可将当前状态用前一时刻的状态表示。

这得到了所展示的第二次迭代结果 $\begin{pmatrix}a&b\\c&d\end{pmatrix}^2\begin{pmatrix}x_{n-1}\\y_{n-1}\end{pmatrix}$ 。

再重复一次该过程，便得到第三次迭代结果 $\begin{pmatrix}a&b\\c&d\end{pmatrix}^3\begin{pmatrix}x_{n-2}\\y_{n-2}\end{pmatrix}$ ，由此揭示出规律：每多应用一次，矩阵的幂次就增加一，同时状态向量的下标向前移动一位。

我们从一个由两个序列 $x_n$ 和 $y_n$ 所定义的离散线性动力系统出发，这两个序列按线性递推关系 $x_{n+1} = ax_n + by_n$ 和 $y_{n+1} = cx_n + dy_n$ 演化。

该方程组可简洁地重写为矩阵形式： $\begin{bmatrix} x_{n+1} \\ y_{n+1} \end{bmatrix} = \begin{bmatrix} a & b \\ c & d \end{bmatrix} \begin{bmatrix} x_n \\ y_n \end{bmatrix}$ 。通过对这一关系式进行迭代，我们可以将第 $n+1$ 步的状态用前 $k$ 步的状态表示为： $\begin{bmatrix} x_{n+1} \\ y_{n+1} \end{bmatrix} = \begin{bmatrix} a & b \\ c & d \end{bmatrix}^k \begin{bmatrix} x_{n-k+1} \\ y_{n-k+1} \end{bmatrix}$ 。

为求任意步长处状态的直接公式 $n$ ，我们设 $k = n+1$ 并平移下标，得到通解 $\begin{bmatrix} x_n \\ y_n \end{bmatrix} = \begin{bmatrix} a & b \\ c & d \end{bmatrix}^n \begin{bmatrix} x_0 \\ y_0 \end{bmatrix}$ 。这表明系统的整个未来演化仅依赖于初始状态 $\begin{bmatrix} x_0 \\ y_0 \end{bmatrix}$ 以及系数矩阵的 $n$ 次幂 $A = \begin{bmatrix} a & b \\ c & d \end{bmatrix}$ 。

直接计算矩阵的高次幂效率低下。然而，若矩阵 $A$ 可对角化，即它可以分解为 $A = P \begin{bmatrix} \lambda_1 & 0 \\ 0 & \lambda_2 \end{bmatrix} P^{-1}$ ，其中 $\lambda_1$ 和 $\lambda_2$ 是它的特征值，而 $P$ 由其对应的特征向量构成，则其幂运算可大幅简化。

当我们将一个可对角化矩阵提升至 $n$ 次幂时，中间的 $P$ 和 $P^{-1}$ 项相互抵消，得到公式 $A^n = P \begin{bmatrix} \lambda_1^n & 0 \\ 0 & \lambda_2^n \end{bmatrix} P^{-1}$ 。这使我们能够高效地求出动力系统在任意步 $n$ 的状态，只需将特征值提升至 $n$ 次幂即可。

白板起始处给出一个双序列递推关系及其矩阵形式： $x_{n+1}=ax_n+by_n$ 、 $y_{n+1}=cx_n+dy_n$ ，等价地写作 $\begin{bmatrix}x_{n+1}\\y_{n+1}\end{bmatrix}=\begin{bmatrix}a&b\\c&d\end{bmatrix}\begin{bmatrix}x_n\\y_n\end{bmatrix}$ 。该形式被标记为离散线性动力系统。

由于每一步都应用同一矩阵，经过 $n$ 次迭代后的状态可写作 $\begin{bmatrix}x_n\\y_n\end{bmatrix}=A^n\begin{bmatrix}x_0\\y_0\end{bmatrix}$ ，其中 $A=\begin{bmatrix}a&b\\c&d\end{bmatrix}$ 。

讲师随后使用白板上已有的对角化恒等式：若 $A$ 可对角化，则 $A=P\begin{bmatrix}\lambda_1&0\\0&\lambda_2\end{bmatrix}P^{-1}$ ，因此 $A^n=P\begin{bmatrix}\lambda_1^n&0\\0&\lambda_2^n\end{bmatrix}P^{-1}$ 。

他将此式代入状态公式，并将 $P$ 显式重写为 $\begin{bmatrix}\vec v&\vec w\end{bmatrix}$ ，从而使解变为 $\begin{bmatrix}x_n\\y_n\end{bmatrix}=\begin{bmatrix}\vec v&\vec w\end{bmatrix}\begin{bmatrix}\lambda_1^n&0\\0&\lambda_2^n\end{bmatrix}P^{-1}\begin{bmatrix}x_0\\y_0\end{bmatrix}$ 。

乘积 $P^{-1}\begin{bmatrix}x_0\\y_0\end{bmatrix}$ 被圈出，并重新命名为 $\begin{bmatrix}\tilde x_0\\\tilde y_0\end{bmatrix}$ 。这正是初始向量在由 $P$ 的列所确定的特征基下的表示。

展开矩阵乘积可得模态分解 $\begin{bmatrix}x_n\\y_n\end{bmatrix}=\tilde x_0\lambda_1^n\vec v+\tilde y_0\lambda_2^n\vec w$ 。每一项均为一个特征方向，其尺度系数为对应特征值的 $n$ 次幂。

为分析长期行为，他引入假设 $|\lambda_1|>|\lambda_2|$ 。在此假设下，第一模态在模长意义上占主导地位。

他将 $\lambda_1^n$ 从解中提取出来，并将其重写为 $\begin{bmatrix}x_n\\y_n\end{bmatrix}=\lambda_1^n\left[\tilde x_0\vec v+\left(\frac{\lambda_2}{\lambda_1}\right)^n\tilde y_0\vec w\right]$ 。这样就分离出了主导增长因子，而第二模态则乘以比值 $(\lambda_2/\lambda_1)^n$ 。

视频片段在此人刚开始渐近解释这一因式分解形式时结束；代数设定已完成，但最终的口头结论未在本片段中给出。

我们考察解在 $n$ 趋于无穷时的行为。关键在于特征值的比值。若 $|\lambda_1| > |\lambda_2|$ ，则分式 $\frac{\lambda_2}{\lambda_1}$ 的模严格小于1。

从数学上讲，这意味着 $\left( \frac{\lambda_2}{\lambda_1} \right)^n$ 趋近于 0 当 $n \to \infty$ 时。在视觉上，讲师在通解方程中圈出这一特定项以突出显示它。

由于该项乘以向量 $\vec{w}$ ，整个分量 $\left( \frac{\lambda_2}{\lambda_1} \right)^n \widetilde{y}_0 \vec{w}$ 随之消失，趋近于零向量 $\begin{bmatrix} 0 \\ 0 \end{bmatrix}$ 。

因此，渐近地，系统的状态几乎完全由第一项 $\lambda_1^n \widetilde{x}_0 \vec{v}$ 决定。这意味着状态向量的方向与主特征向量 $\vec{v}$ 一致。

主讲人指出，后续课程将把该框架应用于具体实例，例如斐波那契数列和生物领域的捕食者-猎物模型。

知识卡片

双序列离散系统

讲座从两个带下标的序列 $(x_0,x_1,x_2,\dots,x_n,\dots)$ 和 $(y_0,y_1,y_2,\dots,y_n,\dots)$ 开始。它们是该模型的基本状态变量。

离散线性动力系统的定义

这两个序列通过线性递推关系 $x_{n+1}=ax_n+by_n$ 和 $y_{n+1}=cx_n+dy_n$ 相互耦合。主讲人将这种系统称为离散线性动力系统，因为下一时刻的状态是当前状态的线性函数，且时间以步进方式推进。

x_{n+1}=ax_n+by_n,\quad y_{n+1}=cx_n+dy_n

同一系统的矩阵形式

两个标量方程被压缩为一个向量方程： $\begin{pmatrix}x_{n+1}\\y_{n+1}\end{pmatrix}=\begin{pmatrix}a&b\\c&d\end{pmatrix}\begin{pmatrix}x_n\\y_n\end{pmatrix}$ 。矩阵中的各项恰好对应于标量递推关系中的系数。

\begin{pmatrix}x_{n+1}\\y_{n+1}\end{pmatrix}=\begin{pmatrix}a&b\\c&d\end{pmatrix}\begin{pmatrix}x_n\\y_n\end{pmatrix}

矩阵递推关系的迭代

通过反复应用相同的更新规则，主讲人将等式推广至系统矩阵的更高次幂。所展示的规律是 $\begin{pmatrix}x_{n+1}\\y_{n+1}\end{pmatrix}=\begin{pmatrix}a&b\\c&d\end{pmatrix}^2\begin{pmatrix}x_{n-1}\\y_{n-1}\end{pmatrix}=\begin{pmatrix}a&b\\c&d\end{pmatrix}^3\begin{pmatrix}x_{n-2}\\y_{n-2}\end{pmatrix}$ 。每个额外的矩阵因子对应状态下标向后退一步。

\begin{pmatrix}x_{n+1}\\y_{n+1}\end{pmatrix}=\begin{pmatrix}a&b\\c&d\end{pmatrix}^2\begin{pmatrix}x_{n-1}\\y_{n-1}\end{pmatrix}=\begin{pmatrix}a&b\\c&d\end{pmatrix}^3\begin{pmatrix}x_{n-2}\\y_{n-2}\end{pmatrix}

离散线性动力系统

由两个序列 $x_n$ 和 $y_n$ 所定义的系统，它们依照线性递推关系 $x_{n+1} = ax_n + by_n$ 和 $y_{n+1} = cx_n + dy_n$ 演化。该系统可用矩阵形式表示为： $\begin{bmatrix} x_{n+1} \\ y_{n+1} \end{bmatrix} = \begin{bmatrix} a & b \\ c & d \end{bmatrix} \begin{bmatrix} x_n \\ y_n \end{bmatrix}$ 。

\begin{cases} x_{n+1} = ax_n + by_n \\ y_{n+1} = cx_n + dy_n \end{cases}

通过矩阵迭代求通解

通过反复应用矩阵方程，第 $n$ 步的状态可表示为初始状态 $\begin{bmatrix} x_0 \\ y_0 \end{bmatrix}$ 与系数矩阵 $n$ 的 $A$ 次幂的乘积： $\begin{bmatrix} x_n \\ y_n \end{bmatrix} = A^n \begin{bmatrix} x_0 \\ y_0 \end{bmatrix}$ 。

\begin{bmatrix} x_n \\ y_n \end{bmatrix} = \begin{bmatrix} a & b \\ c & d \end{bmatrix}^n \begin{bmatrix} x_0 \\ y_0 \end{bmatrix}

矩阵的对角化

一个方阵 $A$ 可对角化，如果它可以分解为 $A = PDP^{-1}$ ，其中 $D$ 是一个对角矩阵，其对角线元素为 $A$ 的特征值，且 $P$ 是一个可逆矩阵，其各列为对应的特征向量。

A = P \begin{bmatrix} \lambda_1 & 0 \\ 0 & \lambda_2 \end{bmatrix} P^{-1}

利用对角化计算矩阵幂

若矩阵 $A$ 可对角化为 $A = PDP^{-1}$ ，则其 $n$ 次幂可高效计算为： $A^n = PD^nP^{-1}$ 。这是因为中间的 $P^{-1}P$ 项相互抵消后得到单位矩阵，最终仅剩对角矩阵 $D$ 的幂。

A^n = P \begin{bmatrix} \lambda_1^n & 0 \\ 0 & \lambda_2^n \end{bmatrix} P^{-1}

离散线性动力系统

一个由常数矩阵规则演化的双分量序列。视频同时展示了分量递推关系及其等价的向量-矩阵形式。

\begin{bmatrix}x_{n+1}\\y_{n+1}\end{bmatrix}=\begin{bmatrix}a&b\\c&d\end{bmatrix}\begin{bmatrix}x_n\\y_n\end{bmatrix}

使用 $A^n$ 的闭式解

迭代递推关系可得时刻 $n$ 的状态，即转移矩阵的 $n$ 次幂作用于初始状态。

\begin{bmatrix}x_n\\y_n\end{bmatrix}=A^n\begin{bmatrix}x_0\\y_0\end{bmatrix}

$A$ 的对角化及其幂

若 $A$ 可对角化，则其幂可通过将特征值在对角矩阵中提升至 $n$ 次幂来计算。

A^n=P\begin{bmatrix}\lambda_1^n&0\\0&\lambda_2^n\end{bmatrix}P^{-1}

初始条件的特征坐标

将乘积 $P^{-1}\begin{bmatrix}x_0\\y_0\end{bmatrix}$ 重新命名为 $\begin{bmatrix}\tilde x_0\\\tilde y_0\end{bmatrix}$ ，由此得到初始向量在特征向量基下的系数。

\begin{bmatrix}\tilde x_0\\\tilde y_0\end{bmatrix}=P^{-1}\begin{bmatrix}x_0\\y_0\end{bmatrix}

解的模态展开

状态向量被表示为两个特征模态贡献之和，一个沿 $\vec v$ 方向，另一个沿 $\vec w$ 方向。

\begin{bmatrix}x_n\\y_n\end{bmatrix}=\tilde x_0\lambda_1^n\vec v+\tilde y_0\lambda_2^n\vec w

主特征值重写法

假设 $|\lambda_1|>|\lambda_2|$ ，解被重新整理，以凸显主导因子 $\lambda_1^n$ 和衰减的相对项 $(\lambda_2/\lambda_1)^n$ 。

\begin{bmatrix}x_n\\y_n\end{bmatrix}=\lambda_1^n\left[\tilde x_0\vec v+\left(\frac{\lambda_2}{\lambda_1}\right)^n\tilde y_0\vec w\right]

渐近主导的条件

在2维离散线性动力系统中，若一个特征值的绝对值严格大于另一个（ $|\lambda_1| > |\lambda_2|$ ），则系统的长期行为由较大的特征值决定。较小特征值所对应特征向量的贡献相对于较大特征值的贡献将衰减至零。

|\lambda_1| > |\lambda_2| \implies \lim_{n \to \infty} \left( \frac{\lambda_2}{\lambda_1} \right)^n = 0

通解的结构

第 $n$ 步的状态向量是各特征向量的线性组合，每个特征向量按其对应特征值的 $n$ 次幂缩放。该形式便于直接分析系统的稳定性与增长速率。

\begin{bmatrix} x_n \\ y_n \end{bmatrix} = \lambda_1^n \left[ \widetilde{x}_0 \vec{v} + \left( \frac{\lambda_2}{\lambda_1} \right)^n \widetilde{y}_0 \vec{w} \right]

消失的分量

在主导条件下，含特征值之比的项趋近于零向量。这使得复杂的指数和式简化为沿主特征向量的单一主导几何级数。

\left( \frac{\lambda_2}{\lambda_1} \right)^n \widetilde{y}_0 \vec{w} \to \begin{bmatrix} 0 \\ 0 \end{bmatrix} \text{ as } n \to \infty

详细学习笔记

按知识点查看条件、步骤和证据。补充解释与视频直接内容分别标明。

符号定义 · 40

( $x_0$ , $x_1$ , $x_2$ , $\dots$ , $x_n$ , $\dots$ )

依据清楚

视频直接表达

来源依据

公式
观察依据
教师在黑板上写下序列 $(x_0, x_1, x_2, \dots, x_n, \dots)$ 。
声音
观察依据
他说：“我们来考虑两个序列”，然后口头读出第一个序列为 x 零、x 一、x 二、x n。

符号

( $x_0$ , $x_1$ , $x_2$ , $\dots$ , $x_n$ , $\dots$ )

含义

一个由非负整数索引的状态变量离散序列。

适用范围

序列各项未注明明确单位；视频未说明这些项是实数值还是整数值。

( $y_0$ , $y_1$ , $y_2$ , $\dots$ , $y_n$ , $\dots$ )

依据清楚

视频直接表达

来源依据

公式
观察依据
教师在第一个序列下方写下第二个序列 $(y_0, y_1, y_2, \dots, y_n, \dots)$ 。
声音
观察依据
他口头读出该序列为 y 零、y 一、y 二、y n，等等。

符号

( $y_0$ , $y_1$ , $y_2$ , $\dots$ , $y_n$ , $\dots$ )

含义

一个与第一个序列配对构成二维动力系统的第二个离散序列。

适用范围

序列各项未注明明确单位；视频未说明其所属的数集。

a

依据清楚

视频直接表达

来源依据

公式
观察依据
在递推式 $x_{n+1}=ax_n+by_n$ 中，乘以 $x_n$ 的系数写作小写 $a$ 。
声音
观察依据
他说：“进一步假设 x n 加一等于 a 乘以 x n 加上 b 乘以 y n。”

符号

含义

第一个递推方程中 $x_n$ 的系数。

适用范围

标量系数；视频未指明其允许取值范围。

b

依据清楚

视频直接表达

来源依据

公式
观察依据
在递推式 $x_{n+1}=ax_n+by_n$ 中，乘以 $y_n$ 的系数写作小写 $b$ 。
声音
观察依据
他说：“xₙ₊₁ 等于 a 乘以 xₙ 加上 b 乘以 yₙ。”

符号

含义

第一个递推方程中 $y_n$ 的系数。

适用范围

标量系数；视频未说明其允许取值。

c

依据清楚

视频直接表达

来源依据

公式
观察依据
在递推式 $y_{n+1}=cx_n+dy_n$ 中，乘以 $x_n$ 的系数写作小写 $c$ 。
声音
观察依据
他说：“而 yₙ₊₁ 等于 c 乘以 xₙ 加上 d 乘以 yₙ。”

符号

含义

第二个递推方程中 $x_n$ 的系数。

适用范围

标量系数；视频未说明其允许取值。

d

依据清楚

视频直接表达

来源依据

公式
观察依据
在递推式 $y_{n+1}=cx_n+dy_n$ 中，乘以 $y_n$ 的系数写作小写 $d$ 。
声音
观察依据
他说：“yₙ₊₁ 等于 c 乘以 xₙ 加上 d 乘以 yₙ。”

符号

含义

第二个递推方程中 $y_n$ 的系数。

适用范围

标量系数；视频未说明其允许取值。

$\begin{pmatrix}x_{n+1}\\y_{n+1}\end{pmatrix}$

依据清楚

视频直接表达

来源依据

公式
观察依据
教师将列向量 $\begin{pmatrix}x_{n+1}\\y_{n+1}\end{pmatrix}$ 写在矩阵方程的左侧。
声音
观察依据
他说：“我将把它写成 xₙ₊₁，yₙ₊₁。”

符号

$\begin{pmatrix}x_{n+1}\\y_{n+1}\end{pmatrix}$

含义

该双分量离散系统的下一时刻状态向量。

适用范围

其分量为标量序列在下标 $n+1$ 处各项的列向量。

$\begin{pmatrix}x_n\\y_n\end{pmatrix}$

依据清楚

视频直接表达

来源依据

公式
观察依据
教师将列向量 $\begin{pmatrix}x_n\\y_n\end{pmatrix}$ 写在矩阵右侧。
声音
观察依据
他说：“x 下标 n，y 下标 n。”

符号

$\begin{pmatrix}x_n\\y_n\end{pmatrix}$

含义

该双分量离散系统的当前时刻状态向量。

适用范围

其分量为标量序列在下标 $n$ 处各项的列向量。

$\begin{pmatrix}a&b\\c&d\end{pmatrix}$

依据清楚

视频直接表达

来源依据

公式
观察依据
教师在两个状态向量之间写下矩阵 $\begin{pmatrix}a&b\\c&d\end{pmatrix}$ 。
声音
观察依据
他说：“等于矩阵 a，a b，c，d。”

待核验内容

音频；大约在01:18处，他在说出“a b，c，d”前多说了一个口头的“a”；而所写的矩阵本身是清晰的。

符号

$\begin{pmatrix}a&b\\c&d\end{pmatrix}$

含义

编码了从 $(x_n,y_n)$ 到 $(x_{n+1},y_{n+1})$ 线性更新规则的系数矩阵。

适用范围

一个 $2\times 2$ 矩阵，其标量元素为 $a,b,c,d$ 。

$\begin{pmatrix}a&b\\c&d\end{pmatrix}^2$

依据清楚

视频直接表达

来源依据

公式
观察依据
黑板上显示了迭代表达式中的 $\begin{pmatrix}a&b\\c&d\end{pmatrix}^2$ 。
声音
观察依据
他说：“这将是一个a b c d量的平方。”

符号

$\begin{pmatrix}a&b\\c&d\end{pmatrix}^2$

含义

系统矩阵的第二次迭代，通过对同一组线性更新应用两次得到。

适用范围

$2\times 2$ 阶系统矩阵的矩阵幂。

$\begin{pmatrix}a&b\\c&d\end{pmatrix}^3$

依据清楚

视频直接表达

来源依据

公式
观察依据
黑板上显示了下一个迭代表达式中的 $\begin{pmatrix}a&b\\c&d\end{pmatrix}^3$ 。
声音
观察依据
他说：“你也可以有a b c d的立方。”

符号

$\begin{pmatrix}a&b\\c&d\end{pmatrix}^3$

含义

系统矩阵的第三次迭代，通过对同一组线性更新应用三次得到。

适用范围

$2\times 2$ 阶系统矩阵的矩阵幂。

$\begin{pmatrix}x_{n-1}\\y_{n-1}\end{pmatrix}$

依据清楚

视频直接表达

来源依据

公式
观察依据
黑板上显示了平方矩阵之后的 $\begin{pmatrix}x_{n-1}\\y_{n-1}\end{pmatrix}$ 。
声音
观察依据
他说：“然后再进一步乘以x下标n减一、y下标n减一。”

符号

$\begin{pmatrix}x_{n-1}\\y_{n-1}\end{pmatrix}$

含义

比 $(x_n,y_n)$ 早一步的状态向量，用于反向迭代模式。

适用范围

列向量，其分量为指标 $n-1$ 处的标量序列项。

知识点 · 16

由两个耦合递推式定义的离散线性动力系统

依据清楚

视频直接表达

来源依据

公式
观察依据
黑板上展示了耦合递推式 $x_{n+1}=ax_n+by_n$ 和 $y_{n+1}=cx_n+dy_n$ 。
声音
观察依据
他说：“因此这是一个离散动力系统，线性动力系统，离散线性动力系统。”
字幕依据
观察依据
他在方程下方写下标签“离散线性动力系统”。

定义

解释

视频引入了一个双序列系统，其中每一项均由当前项的线性组合生成；这一对递推式被明确定名为离散线性动力系统。

公式

x_{n+1}=ax_n+by_n,\quad y_{n+1}=cx_n+dy_n

适用条件

存在两个序列 $(x_n)$ 和 $(y_n)$ 。
从步骤 $n$ 到步骤 $n+1$ 的更新，是关于当前数对 $(x_n,y_n)$ 的线性运算。
系数 $a,b,c,d$ 在所展示的公式中被视为固定的标量。

先修条目

( $x_0$ , $x_1$ , $x_2$ , $\dots$ , $x_n$ , $\dots$ )
( $y_0$ , $y_1$ , $y_2$ , $\dots$ , $y_n$ , $\dots$ )
a
b
c
d

二维线性递推关系的矩阵方程

依据清楚

视频直接表达

来源依据

声音
观察依据
他说：“我们将这个离散动力系统表示为一个矩阵方程。”
公式
观察依据
黑板上显示的是 $\begin{pmatrix}x_{n+1}\\y_{n+1}\end{pmatrix}=\begin{pmatrix}a&b\\c&d\end{pmatrix}\begin{pmatrix}x_n\\y_n\end{pmatrix}$ 。

公式

解释

耦合的标量递推式被重写为一个向量方程：时刻 $n+1$ 的状态向量等于系数矩阵乘以时刻 $n$ 的状态向量。

公式

\begin{pmatrix}x_{n+1}\\y_{n+1}\end{pmatrix}=\begin{pmatrix}a&b\\c&d\end{pmatrix}\begin{pmatrix}x_n\\y_n\end{pmatrix}

适用条件

该系统恰好包含两个状态分量。
更新规则即为所展示的、系数为 $a,b,c,d$ 的线性递推式。

先修条目

由两个耦合递推式定义的离散线性动力系统
$\begin{pmatrix}x_{n+1}\\y_{n+1}\end{pmatrix}$
$\begin{pmatrix}a&b\\c&d\end{pmatrix}$
$\begin{pmatrix}x_n\\y_n\end{pmatrix}$

将矩阵递推式向时间后方迭代

依据清楚

视频直接表达

来源依据

声音
观察依据
他说：“然后，我可以对这个式子进行迭代。”
公式
观察依据
黑板依次将方程延拓至 $\begin{pmatrix}a&b\\c&d\end{pmatrix}^2\begin{pmatrix}x_{n-1}\\y_{n-1}\end{pmatrix}$ ，再延拓至 $\begin{pmatrix}a&b\\c&d\end{pmatrix}^3\begin{pmatrix}x_{n-2}\\y_{n-2}\end{pmatrix}$ 。

方法

解释

教师演示了相同的线性更新可以被重复应用：每次额外应用一次，矩阵的幂次增加一，且状态向量向前移动一个索引。

公式

\begin{pmatrix}x_{n+1}\\y_{n+1}\end{pmatrix}=\begin{pmatrix}a&b\\c&d\end{pmatrix}\begin{pmatrix}x_n\\y_n\end{pmatrix}=\begin{pmatrix}a&b\\c&d\end{pmatrix}^2\begin{pmatrix}x_{n-1}\\y_{n-1}\end{pmatrix}=\begin{pmatrix}a&b\\c&d\end{pmatrix}^3\begin{pmatrix}x_{n-2}\\y_{n-2}\end{pmatrix}

适用条件

每一步的更新规则均保持不变。
迭代过程中，下标一致地发生偏移：多一个矩阵因子，就对应早一个状态向量。

先修条目

二维线性递推关系的矩阵方程
$\begin{pmatrix}a&b\\c&d\end{pmatrix}^2$
$\begin{pmatrix}a&b\\c&d\end{pmatrix}^3$
$\begin{pmatrix}x_{n-1}\\y_{n-1}\end{pmatrix}$
$\begin{pmatrix}x_{n-2}\\y_{n-2}\end{pmatrix}$

离散线性动力系统

依据清楚

视频直接表达

来源依据

公式
观察依据
黑板上写出的离散线性动力系统

定义

解释

由两个序列 xₙ 和 yₙ 构成的系统，它们按线性递推关系演化：xₙ₊1 = axₙ + byₙ 和 yₙ₊1 = cxₙ + dyₙ。

公式

\begin{cases} x_{n+1} = ax_n + by_n \\ y_{n+1} = cx_n + dy_n \end{cases}

适用条件

a、b、c、d 是常数

系统的矩阵形式

依据清楚

视频直接表达

来源依据

公式
观察依据
向量 x 下标 n 加 1、y 下标 n 加 1 组成的列向量，等于由 a、b、c、d 构成的二乘二矩阵，乘以向量 x 下标 n、y 下标 n 组成的列向量。

公式

解释

该递推关系可表示为矩阵乘法：第 $n+1$ 步的状态向量等于系数矩阵 A 乘以第 n 步的状态向量。

公式

\begin{bmatrix} x_{n+1} \\ y_{n+1} \end{bmatrix} = \begin{bmatrix} a & b \\ c & d \end{bmatrix} \begin{bmatrix} x_n \\ y_n \end{bmatrix}

先修条目

离散线性动力系统

迭代矩阵方程

依据清楚

视频直接表达

来源依据

公式
观察依据
列向量 x 下标 n 加 1、y 下标 n 加 1 等于二乘二矩阵 a、b、c、d 的 k 次方，乘以列向量 x 下标 n 减 k 加 1、y 下标 n 减 k 加 1。

方法

解释

通过反复应用该矩阵方程，第 $n+1$ 步的状态可由系数矩阵的 k 次幂与 k 步前的状态相关联。

公式

\begin{bmatrix} x_{n+1} \\ y_{n+1} \end{bmatrix} = \begin{bmatrix} a & b \\ c & d \end{bmatrix}^k \begin{bmatrix} x_{n-k+1} \\ y_{n-k+1} \end{bmatrix}

适用条件

k 是一个非负整数

先修条目

系统的矩阵形式

矩阵 A 的对角化

依据清楚

视频直接表达

来源依据

公式
观察依据
A 等于由 a、b、c、d 构成的二阶方阵，也等于 P 乘以由 λ1、0、0、λ2 构成的二阶对角矩阵，再乘以 P 的负1次方。

定义

解释

若方阵 A 可分解为 $P D P^{-1}$ 的形式，其中 D 是以 A 的特征值为对角元的对角矩阵，P 是以其对应特征向量为列向量的可逆矩阵，则称 A 可对角化。

公式

A = P \begin{bmatrix} \lambda_1 & 0 \\ 0 & \lambda_2 \end{bmatrix} P^{-1}

适用条件

A 必须具有一组完整的线性无关特征向量

先修条目

系统的矩阵形式

矩阵形式的离散线性动力系统

依据清楚

视频直接表达

来源依据

公式
观察依据
黑板上写有 $\begin{bmatrix}x_{n+1}\\y_{n+1}\end{bmatrix}=\begin{bmatrix}a&b\\c&d\end{bmatrix}\begin{bmatrix}x_n\\y_n\end{bmatrix}$ 以及标量递推关系 $x_{n+1}=ax_n+by_n,\ y_{n+1}=cx_n+dy_n$ 。
字幕依据
观察依据
黑板上的标题为“离散线性动力系统”。

定义

解释

该片段研究一个双分量序列，其下一状态由将当前状态乘以一个常数 $2\times2$ 矩阵得到。同一规则分别以分量形式和向量-矩阵形式展示。

公式

\begin{bmatrix}x_{n+1}\\y_{n+1}\end{bmatrix}=\begin{bmatrix}a&b\\c&d\end{bmatrix}\begin{bmatrix}x_n\\y_n\end{bmatrix},\quad x_{n+1}=ax_n+by_n,\quad y_{n+1}=cx_n+dy_n

适用条件

系数 $a,b,c,d$ 是固定的。
该系统以离散时间步长 $n$ 推进。

利用 $A^n$ 表示的状态向量的闭式

依据清楚

视频直接表达

来源依据

公式
观察依据
黑板上显示 $\begin{bmatrix}x_n\\y_n\end{bmatrix}=\begin{bmatrix}a&b\\c&d\end{bmatrix}^n\begin{bmatrix}x_0\\y_0\end{bmatrix}$ 。
声音
观察依据
主讲人从这个已写出的闭式出发，推导出最终答案。

公式

解释

将递推关系迭代 $n$ 次，得到第 $n$ 步的状态，即转移矩阵的 $n$ 次幂作用于初始状态。

公式

\begin{bmatrix}x_n\\y_n\end{bmatrix}=A^n\begin{bmatrix}x_0\\y_0\end{bmatrix},\quad A=\begin{bmatrix}a&b\\c&d\end{bmatrix}

适用条件

初始向量 $\begin{bmatrix}x_0\\y_0\end{bmatrix}$ 是固定的。
$n$ 是非负整数。

先修条目

矩阵形式的离散线性动力系统

转移矩阵的对角化

依据清楚

视频直接表达

来源依据

公式
观察依据
黑板在 $A=P\begin{bmatrix}\lambda_1&0\\0&\lambda_2\end{bmatrix}P^{-1}$ 旁边写有“若可对角化”。
字幕依据
观察依据
黑板上还可见短语“A 可对角化”。

待核验内容

视频并未完整展开可对角化的代数判据，仅写出了该条件性短语。

定义

解释

当矩阵 $A$ 可对角化时，它可以分解为一个特征向量矩阵、一个对角化的特征值矩阵以及该特征向量矩阵的逆矩阵。这一分解是计算 $A$ 的幂的基础。

公式

A=P\begin{bmatrix}\lambda_1&0\\0&\lambda_2\end{bmatrix}P^{-1}

适用条件

$A$ 必须可对角化。
$P$ 是可逆的。
对角线上的元素是 $A$ 的特征值。

先修条目

矩阵形式的离散线性动力系统

可对角化矩阵的幂

依据清楚

视频直接表达

来源依据

公式
观察依据
黑板上显示的是 $A^n=P\begin{bmatrix}\lambda_1^n&0\\0&\lambda_2^n\end{bmatrix}P^{-1}$ 。
声音
观察依据
讲师明确读出了对角线上的元素的 $n$ 次幂。

公式

解释

一旦 $A$ 被对角化，求其 $n$ 次幂就简化为将对角线上的每个特征值分别提升至 $n$ 次幂，同时保持 $P$ 和 $P^{-1}$ 不变。

公式

A^n=P\begin{bmatrix}\lambda_1^n&0\\0&\lambda_2^n\end{bmatrix}P^{-1}

适用条件

对应的式子为： $A=P\operatorname{diag}(\lambda_1,\lambda_2)P^{-1}$ 。
$n$ 是非负整数。

先修条目

转移矩阵的对角化

用特征坐标重写初始条件

依据清楚

视频直接表达

来源依据

公式
观察依据
讲师圈出 $P^{-1}\begin{bmatrix}x_0\\y_0\end{bmatrix}$ 并将其重命名为 $\begin{bmatrix}\tilde x_0\\\tilde y_0\end{bmatrix}$ 。
声音
观察依据
他说这一部分“将转变为一种新东西”，称为“x零波浪号，y零波浪号”。

方法

解释

乘积 $P^{-1}\begin{bmatrix}x_0\\y_0\end{bmatrix}$ 将原始初始向量转换为相对于特征向量基的坐标。这些新坐标成为最终解中两个模态项的系数。

公式

\begin{bmatrix}\tilde x_0\\\tilde y_0\end{bmatrix}=P^{-1}\begin{bmatrix}x_0\\y_0\end{bmatrix}

适用条件

$P$ 必须是可逆的。
对角化中使用的同一个 $P$ 被应用于初始向量。

先修条目

转移矩阵的对角化
利用 $A^n$ 表示的状态向量的闭式

定理与条件 · 5

耦合递推式与矩阵方程之间的等价性

依据清楚

视频直接表达

来源依据

声音
观察依据
他说：“当然，这一精确结构可以在此处写成一个矩阵方程。”
公式
观察依据
标量递推式与矩阵方程同时呈现在黑板上。

命题

一对标量递推式 $x_{n+1}=ax_n+by_n$ 和 $y_{n+1}=cx_n+dy_n$ 等价地表示为 $\begin{pmatrix}x_{n+1}\\y_{n+1}\end{pmatrix}=\begin{pmatrix}a&b\\c&d\end{pmatrix}\begin{pmatrix}x_n\\y_n\end{pmatrix}$ 。

前提

两组表示中使用了相同的系数 $a,b,c,d$ 。
状态向量的排列顺序为 $(x,y)^T$ 。

量词

针对所展示的系统，以及递推式被应用的每个下标 $n$ 。

重复应用同一线性更新的模式

依据清楚

视频直接表达

来源依据

声音
观察依据
他说：“如果我这样做 n 次……我可以说再次应用相同的递推……该量的平方……再往下走一步……立方。”
公式
观察依据
黑板上展示了带有幂次 $1,2,3$ 及下标为 $n,n-1,n-2$ 的状态向量的连续等式。

待核验内容

音频；口语短语“如果我这样做 n 次”相对于所展示的例子略显不严谨，因为该例在视频片段结束前仅将模式推进至第三次迭代。

命题

反复应用相同的矩阵更新，会产生系统矩阵的更高次幂，同时将状态向量移至更早的时间索引，如屏幕上展示的直至三次幂的推导链所示。

前提

更新规则是固定的且为线性的。
每次迭代都使用相同的矩阵 $\begin{pmatrix}a&b\\c&d\end{pmatrix}$ 。

量词

本片段中明确展示了前三个已显示迭代步骤。

可对角化矩阵的幂

依据清楚

视频直接表达

来源依据

公式
观察依据
A 的 n 次方等于 P 乘以一个二阶矩阵，该矩阵第一行第一列是 1，第一行第二列是 0，第二行第一列是 0，第二行第二列是 2，再乘以 P 的负 1 次方。

定理

命题

若矩阵 A 可对角化为 $A = P D P^{-1}$ ，则其 n 次幂为 $A^n = P D^n P^{-1}$ ，其中 $D^n$ 是将 D 的各个对角元提升至 n 次幂所得的对角矩阵。

前提

A 可对角化
D 是一个对角矩阵
P 是一个可逆矩阵

量词

对于所有非负整数 n。

关于主特征值的命题

依据清楚

视频直接表达

来源依据

公式
观察依据
黑板上明确写出‘命题： $|\lambda_1|>|\lambda_2|$ ’。
声音
观察依据
讲师说：‘假设……若λ₁的绝对值大于λ₂。’

待核验内容

该命题的结论在视频片段结束前未完整说出；仅展示了前提设定与代数重写过程。

命题

在假设 $|\lambda_1|>|\lambda_2|$ 下，解可因式分解为 $\lambda_1^n\left[\tilde x_0\vec v+\left(\frac{\lambda_2}{\lambda_1}\right)^n\tilde y_0\vec w\right]$ ，从而分离出主导增长因子 $\lambda_1^n$ 。

前提

$A$ 可对角化。
$P=\begin{bmatrix}\vec v&\vec w\end{bmatrix}$ 和 $A=P\operatorname{diag}(\lambda_1,\lambda_2)P^{-1}$ 。
对应的式子为： $|\lambda_1|>|\lambda_2|$ 。
对应的式子为： $\lambda_1\neq 0$ 。

量词

对应于非负整数索引的离散时间解 $n$ 。

模较大的特征值的渐近主导性

依据清楚

视频直接表达

来源依据

声音
观察依据
主讲人说：‘若 lambda 二与 lambda 一的比值的绝对值……此处这些项趋近于零……渐近地，起主导作用的正是这些项。’
公式
观察依据
黑板上显示条件 $|\lambda_1| > |\lambda_2|$ ，并圈出项 $\left( \frac{\lambda_2}{\lambda_1} \right)^n$ 。

命题

若 $|\lambda_1| > |\lambda_2|$ ，则当 $n \to \infty$ 时，含 $(\lambda_2/\lambda_1)^n$ 的项趋近于零，使得含 $\lambda_1^n$ 的项在渐近意义上占主导地位。

前提

对应的式子为： $|\lambda_1| > |\lambda_2|$
对应的式子为： $\lambda_1 \neq 0$

量词

对所有趋于无穷大的 n。

推导与证明 · 7

由标量递推关系推导出矩阵方程

依据清楚

视频直接表达

来源依据

声音
观察依据
他说道：“我们将把它写成一个矩阵方程”，然后读出向量-矩阵-向量形式。
公式
观察依据
黑板上的内容从两个标量方程转变为单个矩阵方程。

严格证明

步骤

公式
$x_{n+1}=ax_n+by_n,\quad y_{n+1}=cx_n+dy_n$
解释
从屏幕上显示的两个标量递推方程出发。
步骤依据
这些定义写在引入矩阵形式之前黑板上的位置。
视频直接表达
公式
$\begin{pmatrix}x_{n+1}\\y_{n+1}\end{pmatrix}$
解释
将下一步的量整理为一个列向量。
步骤依据
这将时间 $n+1$ 处的两个标量未知量打包为一个单一的状态对象。
视频直接表达
公式
$\begin{pmatrix}a&b\\c&d\end{pmatrix}\begin{pmatrix}x_n\\y_n\end{pmatrix}$
解释
将当前步的量写成一个列向量，并将系数填入一个 $2\times2$ 矩阵中，使得第一行重现 $ax_n+by_n$ ，第二行重现 $cx_n+dy_n$ 。
步骤依据
这是二维坐标下线性映射的标准矩阵-向量编码。
视频直接表达
公式
$\begin{pmatrix}x_{n+1}\\y_{n+1}\end{pmatrix}=\begin{pmatrix}a&b\\c&d\end{pmatrix}\begin{pmatrix}x_n\\y_n\end{pmatrix}$
解释
将前两行合并为所展示的矩阵方程。
步骤依据
等式两边精确地编码了同一对标量关系。
视频直接表达

结论

耦合的线性递推关系等价地由一个关于状态向量的矩阵方程表示。

所展示的迭代矩阵幂的推导过程

依据清楚

视频直接表达

来源依据

声音
观察依据
他说：“我可以迭代这个……再次应用相同的递推关系……量的平方……再往下走一步……立方。”
公式
观察依据
黑板将等式链从一次幂延伸至平方，再延伸至立方。

待核验内容

公式；在‘然后 y n 减二’之后的最终口述延续被视频片段结尾截断，因此此处实际上并未展示更一般的公式。

严格证明

步骤

公式
$\begin{pmatrix}x_{n+1}\\y_{n+1}\end{pmatrix}=\begin{pmatrix}a&b\\c&d\end{pmatrix}\begin{pmatrix}x_n\\y_n\end{pmatrix}$
解释
从单步矩阵递推关系开始。
步骤依据
这是黑板上已建立的方程。
视频直接表达
公式
$\begin{pmatrix}x_n\\y_n\end{pmatrix}=\begin{pmatrix}a&b\\c&d\end{pmatrix}\begin{pmatrix}x_{n-1}\\y_{n-1}\end{pmatrix}$
解释
将相同的递推关系提前一步应用，以用前一时刻的状态表示当前状态。
步骤依据
更新规则在每一步都相同；讲师明确指出他可以再次应用相同的递推关系。
依据视频推导
公式
$\begin{pmatrix}x_{n+1}\\y_{n+1}\end{pmatrix}=\begin{pmatrix}a&b\\c&d\end{pmatrix}^2\begin{pmatrix}x_{n-1}\\y_{n-1}\end{pmatrix}$
解释
将前一时刻的表达式代入一步方程，得到平方矩阵形式。
步骤依据
同一个线性映射与自身复合，得到其二阶迭代。
视频直接表达
公式
$\begin{pmatrix}x_{n-1}\\y_{n-1}\end{pmatrix}=\begin{pmatrix}a&b\\c&d\end{pmatrix}\begin{pmatrix}x_{n-2}\\y_{n-2}\end{pmatrix}$
解释
再应用一次相同的递推关系，将指标为 $n-1$ 处的状态用指标为 $n-2$ 处的状态表示。
步骤依据
教师继续采用完全相同的反向迭代模式。
依据视频推导
公式
$\begin{pmatrix}x_{n+1}\\y_{n+1}\end{pmatrix}=\begin{pmatrix}a&b\\c&d\end{pmatrix}^3\begin{pmatrix}x_{n-2}\\y_{n-2}\end{pmatrix}$
解释
再次代入，得到黑板上所示的立方矩阵形式。
步骤依据
对同一线性更新规则连续应用三次，得到该矩阵的三次幂。
视频直接表达

结论

所展示的链式过程表明：对同一线性更新规则的重复应用，会产生越来越高的矩阵幂次以及更早指标的状态向量。

通解的推导

依据清楚

视频直接表达

来源依据

声音
观察依据
讲解人说明将该公式反复迭代直至零。
公式
观察依据
向量 $x_n$ 、 $y_n$ 等于矩阵 a、b、c、d 的 n 次方乘以初始向量 $x_0$ 、 $y_0$ 。

严格证明

步骤

公式
$\begin{bmatrix} x_{n+1} \\ y_{n+1} \end{bmatrix} = \begin{bmatrix} a & b \\ c & d \end{bmatrix} \begin{bmatrix} x_n \\ y_n \end{bmatrix}$
解释
从基本的矩阵递推关系出发。
步骤依据
离散线性动力系统的定义。
视频直接表达
公式
$\begin{bmatrix} x_{n+1} \\ y_{n+1} \end{bmatrix} = \begin{bmatrix} a & b \\ c & d \end{bmatrix}^2 \begin{bmatrix} x_{n-1} \\ y_{n-1} \end{bmatrix}$
解释
将第 n 步状态向量的表达式代入方程。
步骤依据
代数代入。
视频直接表达
公式
$\begin{bmatrix} x_{n+1} \\ y_{n+1} \end{bmatrix} = \begin{bmatrix} a & b \\ c & d \end{bmatrix}^k \begin{bmatrix} x_{n-k+1} \\ y_{n-k+1} \end{bmatrix}$
解释
在 k 次迭代后归纳出一般规律。
步骤依据
数学归纳法（隐含）。
视频直接表达
公式
$k = n+1$
解释
选取 k，使得右侧下标变为0。
步骤依据
为了用初始状态表示解。
视频直接表达
公式
$\begin{bmatrix} x_n \\ y_n \end{bmatrix} = \begin{bmatrix} a & b \\ c & d \end{bmatrix}^n \begin{bmatrix} x_0 \\ y_0 \end{bmatrix}$
解释
调整下标，以直接表示第 n 步的状态。
步骤依据
代数运算。
视频直接表达

结论

系统在任意第 n 步的状态，可通过将系数矩阵的 n 次幂乘以初始状态向量得到。

利用对角化推导矩阵幂。

依据清楚

视频直接表达

来源依据

声音
观察依据
讲解者指出中间的 P 与 P 的逆相互抵消。
公式
观察依据
A 的 n 次方等于 P 乘以一个二阶矩阵，该矩阵第一行第一列是 1 的 n 次方，第一行第二列是 0，第二行第一列是 0，第二行第二列是 2 的 n 次方，再乘以 P 的负 1 次方

严格证明

步骤

公式
$A = P \begin{bmatrix} \lambda_1 & 0 \\ 0 & \lambda_2 \end{bmatrix} P^{-1}$
解释
假设 A 可对角化。
步骤依据
该定理的假设条件。
视频直接表达
公式
$A^2 = \left( P \begin{bmatrix} \lambda_1 & 0 \\ 0 & \lambda_2 \end{bmatrix} P^{-1} \right) \left( P \begin{bmatrix} \lambda_1 & 0 \\ 0 & \lambda_2 \end{bmatrix} P^{-1} \right)$
解释
写出 A 与自身相乘的乘积。
步骤依据
矩阵幂的定义。
依据视频推导
公式
$A^2 = P \begin{bmatrix} \lambda_1 & 0 \\ 0 & \lambda_2 \end{bmatrix} \left( P^{-1} P \right) \begin{bmatrix} \lambda_1 & 0 \\ 0 & \lambda_2 \end{bmatrix} P^{-1}$
解释
将中间项分组。
步骤依据
矩阵乘法的结合律。
依据视频推导
公式
$P^{-1} P = I$
解释
矩阵与其逆矩阵的乘积是单位矩阵。
步骤依据
矩阵逆的定义。
依据视频推导
公式
$A^2 = P \begin{bmatrix} \lambda_1^2 & 0 \\ 0 & \lambda_2^2 \end{bmatrix} P^{-1}$
解释
通过将两个对角矩阵相乘来化简该表达式。
步骤依据
对角矩阵与单位矩阵的性质。
依据视频推导
公式
$A^n = P \begin{bmatrix} \lambda_1^n & 0 \\ 0 & \lambda_2^n \end{bmatrix} P^{-1}$
解释
将该结果推广至 n 次幂的情形。
步骤依据
数学归纳法。
视频直接表达

结论

将一个可对角化矩阵提升至 n 次幂，等价于在其对角化形式中将其特征值各自提升至 n 次幂。

通过矩阵对角化推导显式解

依据清楚

视频直接表达

来源依据

公式
观察依据
黑板上已写出 $\begin{bmatrix}x_n\\y_n\end{bmatrix}=A^n\begin{bmatrix}x_0\\y_0\end{bmatrix}$ 和 $A^n=P\begin{bmatrix}\lambda_1^n&0\\0&\lambda_2^n\end{bmatrix}P^{-1}$ 。
声音
观察依据
讲师说：“因此结论是，x 下标 n、y 下标 n 等于 P……再将 P 的逆作用于初始条件。”

严格证明

步骤

公式
$\begin{bmatrix}x_n\\y_n\end{bmatrix}=A^n\begin{bmatrix}x_0\\y_0\end{bmatrix}$
解释
从离散线性系统的闭合形式出发。
步骤依据
该公式已在黑板上通过迭代递推关系写出。
视频直接表达
公式
$A^n=P\begin{bmatrix}\lambda_1^n&0\\0&\lambda_2^n\end{bmatrix}P^{-1}$
解释
将 $A^n$ 替换为其对角化后的幂形式。
步骤依据
使用黑板上展示的可对角化矩阵的对角化恒等式。
视频直接表达
公式
$\begin{bmatrix}x_n\\y_n\end{bmatrix}=P\begin{bmatrix}\lambda_1^n&0\\0&\lambda_2^n\end{bmatrix}P^{-1}\begin{bmatrix}x_0\\y_0\end{bmatrix}$
解释
将 $A^n$ 的表达式代入状态公式中。
步骤依据
直接代入。
视频直接表达
公式
$P=\begin{bmatrix}\vec v&\vec w\end{bmatrix}$
解释
通过命名其列来重写 $P$ 。
步骤依据
讲师明确表示他将按这种方式写出 $P$ 。
视频直接表达
公式
$\begin{bmatrix}\tilde x_0\\\tilde y_0\end{bmatrix}=P^{-1}\begin{bmatrix}x_0\\y_0\end{bmatrix}$
解释
为变换后的初始向量引入新的符号。
步骤依据
讲师圈出该乘积，并将其重命名为“x零波浪号，y零波浪号”。
视频直接表达
公式
$\begin{bmatrix}x_n\\y_n\end{bmatrix}=\begin{bmatrix}\vec v&\vec w\end{bmatrix}\begin{bmatrix}\lambda_1^n&0\\0&\lambda_2^n\end{bmatrix}\begin{bmatrix}\tilde x_0\\\tilde y_0\end{bmatrix}$
解释
将重写后的各部分合并为一个矩阵乘积。
步骤依据
代入前两个步骤的结果。
依据视频推导
公式
$\begin{bmatrix}x_n\\y_n\end{bmatrix}=\tilde x_0\lambda_1^n\vec v+\tilde y_0\lambda_2^n\vec w$
解释
将该乘积展开为两项特征模态项的和。
步骤依据
讲师说“把整个式子用乘法分配律展开”，并准确写出这一展开式。
视频直接表达

结论

状态向量被表示为特征向量的线性组合，各项权重由对应特征值的幂次以及初始条件在特征坐标系下的坐标共同决定。

提取主控特征值的幂次作为公因式

依据清楚

视频直接表达

来源依据

公式
观察依据
由 $\tilde x_0\lambda_1^n\vec v+\tilde y_0\lambda_2^n\vec w$ ，讲师写出 $\lambda_1^n\left[\tilde x_0\vec v+\left(\frac{\lambda_2}{\lambda_1}\right)^n\tilde y_0\vec w\right]$ 。
声音
观察依据
他说：“我可以在这里把解提取公因式……把 lambda 一的 n 次方提出来。”

待核验内容

视频片段在此处结束，他尚未口头完成渐近解释。

严格证明

步骤

公式
$\begin{bmatrix}x_n\\y_n\end{bmatrix}=\tilde x_0\lambda_1^n\vec v+\tilde y_0\lambda_2^n\vec w$
解释
从解的模态展开式出发。
步骤依据
这是黑板上刚刚推导出的公式。
视频直接表达
公式
$|\lambda_1|>|\lambda_2|$
解释
假设第一个特征值的模较大。
步骤依据
这是黑板上以“命题：”形式写出的假设。
视频直接表达
公式
$\begin{bmatrix}x_n\\y_n\end{bmatrix}=\lambda_1^n\left[\tilde x_0\vec v+\left(\frac{\lambda_2}{\lambda_1}\right)^n\tilde y_0\vec w\right]$
解释
从两项中都提取出 $\lambda_1^n$ 。
步骤依据
利用 $\lambda_2^n=\lambda_1^n(\lambda_2/\lambda_1)^n$ 进行代数因式分解。
视频直接表达

结论

在 $|\lambda_1|>|\lambda_2|$ 条件下，解被重写为显式包含主导因子 $\lambda_1^n$ 的形式，而第二模态则通过比值 $(\lambda_2/\lambda_1)^n$ 体现。

渐近行为分析

依据清楚

视频直接表达

来源依据

声音
观察依据
讲解者阐释比值项的极限行为。
公式
观察依据
黑板上展示项 $\left( \frac{\lambda_2}{\lambda_1} \right)^n$ 及条件 $|\lambda_1| > |\lambda_2|$ 。

直观解释

步骤

公式
$\left| \frac{\lambda_2}{\lambda_1} \right| < 1$
解释
给定条件 $|\lambda_1| > |\lambda_2|$ 。
步骤依据
不等式的代数变形。
依据视频推导
公式
$\lim_{n \to \infty} \left( \frac{\lambda_2}{\lambda_1} \right)^n = 0$
解释
一个绝对值小于1的数，其 n 次幂当 n 趋于无穷大时趋近于0。
步骤依据
标准极限性质。
依据视频推导
公式
$\begin{bmatrix} x_n \\ y_n \end{bmatrix} \approx \lambda_1^n \widetilde{x}_0 \vec{v}$
解释
括号中的第二项消失，仅剩下第一项。
步骤依据
将极限结果代入通解公式。
依据视频推导

结论

该系统的长期行为由特征值 $\lambda_1$ 及其对应的特征向量 $\vec{v}$ 主导。沿 $\vec{w}$ 方向的分量相对于沿 $\vec{v}$ 方向的分量衰减。

图示与动画 · 9

开场标题卡片

依据清楚

视频直接表达

来源依据

字幕依据
观察依据
标题卡片显示“离散动力系统”及“迈克尔·达布科夫斯基博士”。

图中对象

标题文字
大学标志区块

变化过程

静态标题信息在讲座画面出现之前显示。

不变量

教学板面上尚未出现任何数学符号。

数学含义

本片段在教师开始书写系统之前，先明确本次授课的主题。

在黑板上构建标量系统

依据清楚

视频直接表达

来源依据

动画
观察依据
教师先写出两个序列，再写出对应的两个递推方程，最后将其标注为“离散线性动力系统”。
公式
观察依据
黑板上逐步呈现了 $(x_0,x_1,x_2,\dots,x_n,\dots)$ 、 $(y_0,y_1,y_2,\dots,y_n,\dots)$ 以及这两个耦合的递推关系。

图中对象

两条序列线
两个递推方程
粉色标签文字

变化过程

首先写出两个序列。
接着添加关于 $x_{n+1}$ 的递推关系。
接着再次添加关于 $y_{n+1}$ 的递推关系。
最后用粉色字体为整个系统添加标签。

不变量

这两个数列在整个过程中始终保持配对关系。
系数一旦写出，便始终保留在相同的位置 $a,b,c,d$ 。

数学含义

这种可视化构建过程，将一对抽象的数列转化为一个具有名称的二维线性递推系统。

从标量方程过渡到矩阵形式

依据清楚

视频直接表达

来源依据

动画
观察依据
教师擦去先前的书写内容，随后在黑板左侧写下一条新的向量-矩阵-向量方程。
公式
观察依据
黑板上显示 $\begin{pmatrix}x_{n+1}\\y_{n+1}\end{pmatrix}=\begin{pmatrix}a&b\\c&d\end{pmatrix}\begin{pmatrix}x_n\\y_n\end{pmatrix}$ 。

图中对象

左侧列向量
中间 $2\times2$ 矩阵
右侧列向量

变化过程

标量形式的表达被清除。
一个紧凑的矩阵方程取而代之。

不变量

相同的系数 $a,b,c,d$ 被重复使用。
状态顺序保持为 $(x,y)$ 。

数学含义

该重写将两个标量方程压缩为一个线性代数对象，为迭代做准备。

矩阵递推关系向更高次迭代的可视化延展

依据清楚

视频直接表达

来源依据

动画
观察依据
教师在原等式右侧追加了额外的等号，并写出矩阵的平方形式与立方形式。
公式
观察依据
黑板上依次扩展到 $\begin{pmatrix}a&b\\c&d\end{pmatrix}^2\begin{pmatrix}x_{n-1}\\y_{n-1}\end{pmatrix}$ ，然后是 $\begin{pmatrix}a&b\\c&d\end{pmatrix}^3\begin{pmatrix}x_{n-2}\\y_{n-2}\end{pmatrix}$ 。

待核验内容

动画；视频片段在教师仍在延展该模式时结束，因此最终的一般项并未完整呈现。

图中对象

原始的单步方程
平方项
立方项
下标更小的状态向量

变化过程

等式链向右延伸。
矩阵指数从1增至2，再增至3。
状态向量的索引从 $n$ 递减至 $n-1$ ，再递减至 $n-2$ 。

不变量

每一阶段均使用相同的系统矩阵。
向量形式始终保持为二分量列向量。

数学含义

动画使迭代结构清晰可见：每多应用一次规则，就增加一个矩阵因子，并使序列索引向后退一步。

在黑板上书写方程

依据清楚

视频直接表达

来源依据

动画
观察依据
主讲人于透明板上书写方程，逐步推导。

图中对象

方程
矩阵
向量
文本

变化过程

新的方程随时间逐步添加到黑板上。
讲解者在解释时，会指向方程的不同部分。

不变量

问题的初始设定始终显示在左上方。
标题‘离散线性动力系统’始终显示在右上方。

数学含义

视觉演进过程与数学推导的逻辑流程相一致：从基本定义出发，逐步推进至通解及对角化方法。

整体黑板布局

依据清楚

视频直接表达

来源依据

图示
观察依据
黑板被划分为多个彩色区域：左上方为绿色递推定义，右上方为粉色标题文字，中部为黄色对角化公式，下方则随讲师讲解逐步添加了紫色与绿色的演算内容。

图中对象

绿色递推公式
粉色标题“离散线性动力系统”
黄色对角化公式
紫色解向量及重写的 $P$
绿色圆圈标注 $P^{-1}\begin{bmatrix}x_0\\y_0\end{bmatrix}$ 及最终展开式

变化过程

讲师在左下区域添加了紫色向量方程。
他将 $P$ 重写为 $\begin{bmatrix}\vec v&\vec w\end{bmatrix}$ 。
他用绿色圆圈标出乘积 $P^{-1}\begin{bmatrix}x_0\\y_0\end{bmatrix}$ ，并将其标记为 $\begin{bmatrix}\tilde x_0\\\tilde y_0\end{bmatrix}$ 。
他用绿色写出展开后的模态和。
他将命题假设与因式分解后的渐近形式写在右侧。

不变量

原始递推关系式与对角化公式始终可见。
系统始终保持离散矩阵形式，而不切换为图示或数值表格。

数学含义

视觉演进过程与代数推导过程一致：从递推关系出发，过渡到 $A^n$ ，进行对角化，转换初始条件，展开为本征模态，最后分离出主导项。

突出坐标变换

依据清楚

视频直接表达

来源依据

动画
观察依据
在 $P^{-1}\begin{bmatrix}x_0\\y_0\end{bmatrix}$ 周围画一个绿色圆圈，讲师随即在其旁边写出 $\begin{bmatrix}\tilde x_0\\\tilde y_0\end{bmatrix}$ 。

图中对象

对应的式子为： $P^{-1}\begin{bmatrix}x_0\\y_0\end{bmatrix}$
新标签 $\begin{bmatrix}\tilde x_0\\\tilde y_0\end{bmatrix}$

变化过程

圆圈标出的乘积在视觉上被单独强调为一个新对象。
引入一个重命名的向量来表示该乘积。

不变量

外围的矩阵乘积结构保持不变。

数学含义

画圈强调：初始条件正被重新表达为特征基下的形式，以便展开解。

突出显示衰减项

依据清楚

视频直接表达

来源依据

动画
观察依据
主讲人用绿色粉笔圈出项 $\left( \frac{\lambda_2}{\lambda_1} \right)^n \widetilde{y}_0 \vec{w}$ 。

图中对象

公式中的项 $\left( \frac{\lambda_2}{\lambda_1} \right)^n \widetilde{y}_0 \vec{w}$

变化过程

圈出该项以引起注意。

不变量

方程其余部分保持不变。

数学含义

在给定条件下，直观标识出当 $n \to \infty$ 时趋于可忽略的解的一部分。

写出极限结果

依据清楚

视频直接表达

来源依据

动画
观察依据
主讲人在被圈出的项旁写下 $\to \begin{bmatrix} 0 \\ 0 \end{bmatrix}$ 。

图中对象

箭头与零向量记号

变化过程

黑板上新增文字。

不变量

原始方程结构保持不变。

数学含义

明确指出条件 $|\lambda_1| > |\lambda_2|$ 对特定项所产生的数学后果。

易错点 · 2

非正式口语与所展示的有限示例之间可能存在混淆。

时间近似

视频直接表达

来源依据

声音
观察依据
他说：‘如果我这样做 n 次’，而本片段中展示的演算范例仅推进到了平方与立方的情形。

待核验内容

音频；措辞可能是非正式的，而非作为一条严谨定理的陈述。

误区

观众可能误以为口头所说的‘如果我这样做 n 次’这一短语，正在本片段中被严格证明。

说明

此处实际展示的是迭代模式在二次幂与三次幂处的起始部分；该片段并未完成一般性的 $n$ 步公式。

本片段内渐近结论不完整

依据清楚

视频直接表达

来源依据

声音
观察依据
讲师提出“渐近行为”问题并开始陈述命题，但视频片段在此处中断。
公式
观察依据
仅写出含 $\left(\frac{\lambda_2}{\lambda_1}\right)^n$ 的因式分解形式；结束前未出现完整的口头极限表述。

误区

从突然中断的结尾可推测，讲师此前已陈述过该系统的完整极限行为。

说明

在此120秒的片段中，仅展示了设定与代数重写过程；关于极限的最终口头结论未完成。

概念关系 · 14

由两个耦合递推式定义的离散线性动力系统 → 二维线性递推关系的矩阵方程

依据清楚

视频直接表达

来源依据

声音
观察依据
他说：‘我们将把这个离散动力系统表示为一个矩阵方程。’
公式
观察依据
标量递推关系被替换为使用相同系数的矩阵方程。

等价

解释

矩阵方程被呈现为对同一组两个标量递推关系的另一种等价编码方式。

二维线性递推关系的矩阵方程 → 将矩阵递推式向时间后方迭代

依据清楚

视频直接表达

来源依据

声音
观察依据
他说：“然后我可以对这个过程进行迭代。”
公式
观察依据
单步矩阵方程被推广到平方和立方形式。

应用

解释

一旦系统被写成矩阵形式，重复应用相同的更新就转化为矩阵的幂运算。

( $x_0$ , $x_1$ , $x_2$ , $\dots$ , $x_n$ , $\dots$ ) → 由两个耦合递推式定义的离散线性动力系统

依据清楚

视频直接表达

来源依据

公式
观察依据
该定义使用了紧邻其前引入的序列与系数。

先修

解释

第一个序列在系统定义中提供状态的一个分量。

( $y_0$ , $y_1$ , $y_2$ , $\dots$ , $y_n$ , $\dots$ ) → 由两个耦合递推式定义的离散线性动力系统

依据清楚

视频直接表达

来源依据

公式
观察依据
该定义同时使用第二个序列与第一个序列。

先修

解释

第二个序列在系统定义中提供状态的另一个分量。

离散线性动力系统 → 系统的矩阵形式

依据清楚

视频直接表达

来源依据

公式
观察依据
从标量方程过渡到矩阵方程。

等价

解释

线性递推关系组在数学上等价于单个矩阵方程。

系统的矩阵形式 → 迭代矩阵方程

依据清楚

视频直接表达

来源依据

公式
观察依据
对矩阵方程进行迭代。

应用

解释

将矩阵迭代的概念应用于该矩阵形式，以求得第 n 步状态的一般表达式。

矩阵 A 的对角化 → 可对角化矩阵的幂

依据清楚

视频直接表达

来源依据

公式
观察依据
利用对角化计算 A 的 n 次幂。

证明依赖

解释

计算矩阵幂的定理依赖于该矩阵可对角化。

矩阵形式的离散线性动力系统 → 利用 $A^n$ 表示的状态向量的闭式

依据清楚

视频直接表达

来源依据

公式
观察依据
板书从 $\begin{bmatrix}x_{n+1}\\y_{n+1}\end{bmatrix}=A\begin{bmatrix}x_n\\y_n\end{bmatrix}$ 推进到 $\begin{bmatrix}x_n\\y_n\end{bmatrix}=A^n\begin{bmatrix}x_0\\y_0\end{bmatrix}$ 。

应用

解释

通过对递推关系反复应用，得到状态的闭式表达式。

转移矩阵的对角化 → 可对角化矩阵的幂

依据清楚

视频直接表达

来源依据

公式
观察依据
黑板上显示 $A=P\operatorname{diag}(\lambda_1,\lambda_2)P^{-1}$ ，其正下方直接显示 $A^n=P\operatorname{diag}(\lambda_1^n,\lambda_2^n)P^{-1}$ 。

应用

解释

对角化被用于高效计算 $A$ 的幂。

可对角化矩阵的幂 → 展开为两个本征模的贡献

依据清楚

视频直接表达

来源依据

公式
观察依据
代入后的乘积 $P\operatorname{diag}(\lambda_1^n,\lambda_2^n)P^{-1}\begin{bmatrix}x_0\\y_0\end{bmatrix}$ 被展开为 $\tilde x_0\lambda_1^n\vec v+\tilde y_0\lambda_2^n\vec w$ 。

应用

解释

重写 $P$ 和变换后的初始向量后，幂公式变为显式的本征模分解。

展开为两个本征模的贡献 → 在主本征值主导下的渐近形式

依据清楚

视频直接表达

来源依据

公式
观察依据
讲师从 $\tilde x_0\lambda_1^n\vec v+\tilde y_0\lambda_2^n\vec w$ 出发，在 $|\lambda_1|>|\lambda_2|$ 下将其重写为 $\lambda_1^n[\tilde x_0\vec v+(\lambda_2/\lambda_1)^n\tilde y_0\vec w]$ 。

应用

解释

渐近分析通过对模态展开式提取主导本征值的幂来完成。

用特征坐标重写初始条件 → 展开为两个本征模的贡献

依据清楚

视频直接表达

来源依据

公式
观察依据
新命名的向量 $\begin{bmatrix}\tilde x_0\\\tilde y_0\end{bmatrix}$ 提供了展开和式中的系数。

证明依赖

解释

模态展开依赖于首先将初始条件重写为本征坐标形式。

问题定位 · 14

视频中所说的离散线性动力系统是什么意思？

依据清楚

视频直接表达

来源依据

声音
观察依据
他将所展示的系统命名为离散线性动力系统。
字幕依据
观察依据
标签写在黑板上。

涉及知识点

由两个耦合递推式定义的离散线性动力系统

这两个递推关系是如何重写为一个矩阵方程的？

依据清楚

视频直接表达

来源依据

声音
观察依据
他说，该系统将被写成一个矩阵方程。
公式
观察依据
黑板上展示了从两个标量递推关系到一个矩阵方程的转化过程。

涉及知识点

二维线性递推关系的矩阵方程
由标量递推关系推导出矩阵方程
耦合递推式与矩阵方程之间的等价性

为什么在递推关系被迭代时会出现矩阵的幂？

依据清楚

视频直接表达

来源依据

声音
观察依据
他说可以对这个关系进行迭代，并再次应用相同的递推。
公式
观察依据
黑板上展示了矩阵的平方项和立方项。

涉及知识点

将矩阵递推式向时间后方迭代
所展示的迭代矩阵幂的推导过程
重复应用同一线性更新的模式

每次增加一个矩阵因子时，状态向量的下标会发生什么变化？

依据清楚

视频直接表达

来源依据

公式
观察依据
随着矩阵幂次的增加，状态向量依次从 $(x_n,y_n)$ 变为 $(x_{n-1},y_{n-1})$ ，再变为 $(x_{n-2},y_{n-2})$ 。

涉及知识点

将矩阵递推式向时间后方迭代
所展示的迭代矩阵幂的推导过程

如何求解离散线性动力系统的通解？

依据清楚

视频直接表达

来源依据

声音
观察依据
主讲人讨论如何求解离散系统。

涉及知识点

离散线性动力系统
系统的矩阵形式
迭代矩阵方程
通解的推导

计算矩阵高次幂的高效方法是什么？

依据清楚

视频直接表达

来源依据

声音
观察依据
主讲人讲解如何高效地计算这类离散系统的相关量。

涉及知识点

矩阵 A 的对角化
可对角化矩阵的幂
利用对角化推导矩阵幂。

开头展示的双序列递推关系对应的矩阵形式是什么？

依据清楚

视频直接表达

来源依据

公式
观察依据
开场黑板内容定义了递推关系，并将其标记为离散线性动力系统。

涉及知识点

矩阵形式的离散线性动力系统

为什么第 $n$ 步的状态可以表示为 $A^n$ 乘以初始向量？

依据清楚

视频直接表达

来源依据

公式
观察依据
黑板显示 $\begin{bmatrix}x_n\\y_n\end{bmatrix}=A^n\begin{bmatrix}x_0\\y_0\end{bmatrix}$ 。

涉及知识点

利用 $A^n$ 表示的状态向量的闭式

对 $A$ 进行对角化为何能简化 $A^n$ 的计算？

依据清楚

视频直接表达

来源依据

公式
观察依据
黑板上显示了 $A=P\operatorname{diag}(\lambda_1,\lambda_2)P^{-1}$ 和 $A^n=P\operatorname{diag}(\lambda_1^n,\lambda_2^n)P^{-1}$ 。

涉及知识点

转移矩阵的对角化
可对角化矩阵的幂

在解中， $\tilde x_0$ 和 $\tilde y_0$ 分别代表什么？

依据清楚

视频直接表达

来源依据

公式
观察依据
讲师圈出 $P^{-1}\begin{bmatrix}x_0\\y_0\end{bmatrix}$ 并将其重命名为 $\begin{bmatrix}\tilde x_0\\\tilde y_0\end{bmatrix}$ 。

涉及知识点

用特征坐标重写初始条件

该解如何表示为若干特征模态之和？

依据清楚

视频直接表达

来源依据

公式
观察依据
展开后的结果写作 $\tilde x_0\lambda_1^n\vec v+\tilde y_0\lambda_2^n\vec w$ 。

涉及知识点

展开为两个本征模的贡献

当一个特征值的绝对值大于另一个时，代数上会发生什么？

依据清楚

视频直接表达

来源依据

公式
观察依据
黑板上写着“命题： $|\lambda_1|>|\lambda_2|$ ”，并提取出 $\lambda_1^n$ 。

待核验内容

视频片段在完整说出渐近结论前结束。

涉及知识点

在主本征值主导下的渐近形式
关于主特征值的命题

覆盖情况与待核验内容

已覆盖 · 片头字幕卡，显示讲座名称与主讲人；此时尚无数学内容。

已覆盖 · 讲师引入两个数列，并将它们写在黑板上。

已覆盖 · 写出耦合的线性递推关系，并将其命名为离散线性动力系统。

已覆盖 · 标量系统被重写为一个矩阵方程。

已覆盖 · 讲师对矩阵递推式进行迭代，展示其平方形式与立方形式，并使用更早下标的状态向量表示。

已覆盖 · 本片段完整涵盖离散线性动力系统的定义、矩阵形式、迭代法以及对角化求解法。

已覆盖 · 预先写在黑板上的内容给出了递推关系、通过 $A^n$ 得到的闭式解，以及推导中所用的对角化恒等式。

已覆盖 · 讲师重写 $P$ ，命名变换后的初始向量，并将解展开为两个特征模态项。

已覆盖 · 命题的假设 $|\lambda_1|>|\lambda_2|$ 被提出，解被因式分解以分离主导幂次；视频片段在口头结论完成前结束。

已覆盖 · 基于特征值模长的渐近行为解释。

已覆盖 · 提及未来应用（斐波那契数列、捕食者-猎物模型）及结束语。

已覆盖 · 静音／视频结束。

探索视频中的知识

已审核的主题路径

离散动力系统

离散动力系统

把讲解展开来看。

章节

学习解说文稿

知识卡片

双序列离散系统

离散线性动力系统的定义

同一系统的矩阵形式

矩阵递推关系的迭代

离散线性动力系统

通过矩阵迭代求通解

矩阵的对角化

利用对角化计算矩阵幂

离散线性动力系统

使用AnA^nAn的闭式解

AAA的对角化及其幂

初始条件的特征坐标

解的模态展开

主特征值重写法

渐近主导的条件

通解的结构

消失的分量

详细学习笔记

(x0x_0x0​, x1x_1x1​, x2x_2x2​, …\dots…, xnx_nxn​, …\dots…)

(y0y_0y0​, y1y_1y1​, y2y_2y2​, …\dots…, yny_nyn​, …\dots…)

a

b

c

d

(xn+1yn+1)\begin{pmatrix}x_{n+1}\\y_{n+1}\end{pmatrix}(xn+1​yn+1​​)

(xnyn)\begin{pmatrix}x_n\\y_n\end{pmatrix}(xn​yn​​)

(abcd)\begin{pmatrix}a&b\\c&d\end{pmatrix}(ac​bd​)

(abcd)2\begin{pmatrix}a&b\\c&d\end{pmatrix}^2(ac​bd​)2

(abcd)3\begin{pmatrix}a&b\\c&d\end{pmatrix}^3(ac​bd​)3

(xn−1yn−1)\begin{pmatrix}x_{n-1}\\y_{n-1}\end{pmatrix}(xn−1​yn−1​​)

由两个耦合递推式定义的离散线性动力系统

二维线性递推关系的矩阵方程

将矩阵递推式向时间后方迭代

离散线性动力系统

系统的矩阵形式

迭代矩阵方程

矩阵 A 的对角化

矩阵形式的离散线性动力系统

利用AnA^nAn表示的状态向量的闭式

转移矩阵的对角化

可对角化矩阵的幂

用特征坐标重写初始条件

耦合递推式与矩阵方程之间的等价性

重复应用同一线性更新的模式

可对角化矩阵的幂

关于主特征值的命题

模较大的特征值的渐近主导性

由标量递推关系推导出矩阵方程

所展示的迭代矩阵幂的推导过程

通解的推导

利用对角化推导矩阵幂。

通过矩阵对角化推导显式解

提取主控特征值的幂次作为公因式

渐近行为分析

开场标题卡片

在黑板上构建标量系统

从标量方程过渡到矩阵形式

矩阵递推关系向更高次迭代的可视化延展

在黑板上书写方程

整体黑板布局

突出坐标变换

突出显示衰减项

写出极限结果

非正式口语与所展示的有限示例之间可能存在混淆。

本片段内渐近结论不完整

由两个耦合递推式定义的离散线性动力系统 → 二维线性递推关系的矩阵方程

二维线性递推关系的矩阵方程 → 将矩阵递推式向时间后方迭代

(x0x_0x0​, x1x_1x1​, x2x_2x2​, …\dots…, xnx_nxn​, …\dots…) → 由两个耦合递推式定义的离散线性动力系统

(y0y_0y0​, y1y_1y1​, y2y_2y2​, …\dots…, yny_nyn​, …\dots…) → 由两个耦合递推式定义的离散线性动力系统

离散线性动力系统 → 系统的矩阵形式

系统的矩阵形式 → 迭代矩阵方程

矩阵 A 的对角化 → 可对角化矩阵的幂

矩阵形式的离散线性动力系统 → 利用AnA^nAn表示的状态向量的闭式

转移矩阵的对角化 → 可对角化矩阵的幂

可对角化矩阵的幂 → 展开为两个本征模的贡献

使用 $A^n$ 的闭式解

$A$ 的对角化及其幂

( $x_0$ , $x_1$ , $x_2$ , $\dots$ , $x_n$ , $\dots$ )

( $y_0$ , $y_1$ , $y_2$ , $\dots$ , $y_n$ , $\dots$ )

$\begin{pmatrix}x_{n+1}\\y_{n+1}\end{pmatrix}$

$\begin{pmatrix}x_n\\y_n\end{pmatrix}$

$\begin{pmatrix}a&b\\c&d\end{pmatrix}$

$\begin{pmatrix}a&b\\c&d\end{pmatrix}^2$

$\begin{pmatrix}a&b\\c&d\end{pmatrix}^3$

$\begin{pmatrix}x_{n-1}\\y_{n-1}\end{pmatrix}$

利用 $A^n$ 表示的状态向量的闭式

( $x_0$ , $x_1$ , $x_2$ , $\dots$ , $x_n$ , $\dots$ ) → 由两个耦合递推式定义的离散线性动力系统

( $y_0$ , $y_1$ , $y_2$ , $\dots$ , $y_n$ , $\dots$ ) → 由两个耦合递推式定义的离散线性动力系统

矩阵形式的离散线性动力系统 → 利用 $A^n$ 表示的状态向量的闭式

为什么第 $n$ 步的状态可以表示为 $A^n$ 乘以初始向量？

对 $A$ 进行对角化为何能简化 $A^n$ 的计算？

在解中， $\tilde x_0$ 和 $\tilde y_0$ 分别代表什么？