脉冲响应曲线辨识：最小二乘法在Matlab中的实践指南

1. 项目概述：从脉冲响应曲线看透系统本质

在工程和科学研究的各个领域，无论是分析一个电路的瞬态特性，评估一个机械结构的阻尼性能，还是理解一个经济政策对市场的滞后影响，我们常常面对一个核心问题：如何在不了解系统内部精确数学结构的情况下，描述它的动态行为？这就是系统辨识要解决的难题。而“非参数模型辨识”，特别是通过“脉冲响应曲线”来刻画系统，提供了一种直观、稳健且无需预设模型阶次的强大工具。想象一下，你轻轻敲击一下吉他琴箱，听它发出的余响——这个余响的衰减过程，本质上就是琴箱这个机械系统对“敲击”（一个近似脉冲）的响应。通过分析这段声音，你就能了解琴箱的共振频率、阻尼特性，而不需要去解算复杂的偏微分方程。脉冲响应辨识做的正是这样一件事：给系统一个短暂的、强烈的激励（脉冲），然后“听”它的回声，从而直接描绘出系统的动态指纹。

这个方法特别适合两类场景：一是当你对系统机理知之甚少，不敢贸然假设其传递函数形式时；二是当你需要一种快速、直观的方式来初步评估系统动态特性，比如带宽、振荡、延迟等。它不纠结于系统是几阶的、有没有零点，而是直接给出输入输出之间的时域映射关系图。本次，我们将深入探讨如何利用实验数据或仿真数据，特别是结合最小二乘法等经典算法，在Matlab环境中高精度地获取这条关键的脉冲响应曲线。无论你是从事自动控制、信号处理、机械振动分析还是金融计量，掌握这套方法，都相当于拥有了一把直接窥探系统“黑箱”内部动态的钥匙。

2. 非参数模型辨识的核心思想与方案选型

2.1 参数模型与非参数模型的根本区别

在系统辨识的江湖里，主要有两大流派：参数模型派和非参数模型派。理解它们的区别，是选择正确工具的第一步。

参数模型辨识，好比是给系统“定制西装”。你需要预先选定一个合身的版型（模型结构），比如是西装（二阶系统）还是燕尾服（高阶系统），是双排扣（有零点）还是单排扣（无零点）。然后，通过测量身体的几个关键尺寸（输入输出数据），来调整这套西装的扣子位置、腰围大小（模型参数）。最终，你得到的是一个精确的数学公式，例如传递函数G(s) = K/(Ts+1)或状态空间方程。它的优点是模型紧凑、便于理论分析（如稳定性、可控性分析）和基于模型的设计（如控制器设计）。但缺点也很明显：如果版型选错了（模型结构失配），无论怎么调整参数，这套“西装”都不会合身，导致模型完全失效。

而非参数模型辨识，则更像是给系统“画一幅肖像画”。它不关心系统内部是齿轮还是电路，也不预设任何数学公式。它只忠实记录系统在特定激励下的“表情”和“反应”。脉冲响应曲线就是这样一幅最直接的时域肖像。这幅画包含了系统的全部动态信息：上升速度（快速性）、振荡情况（阻尼）、稳定时间（收敛性）以及延迟。它的最大优势在于无模型结构假设，避免了因预设错误模型结构而带来的根本性偏差。因此，它常被用于系统动态的初步诊断、作为高级辨识方法的输入、或是在模型机理复杂未知时的首选。当然，它的“画作”数据量通常比一个数学公式大，且对测量噪声更为敏感，这是其代价。

2.2 为什么脉冲响应是理想的非参数模型？

在众多非参数模型（如阶跃响应、频率响应）中，脉冲响应具有理论上的简洁性和完备性。从信号与系统理论可知，对于一个线性时不变系统，其脉冲响应h(t)包含了系统的全部动态信息。任何输入信号u(t)所产生的输出y(t)，都可以通过卷积运算得到：y(t) = ∫ h(τ) u(t-τ) dτ。这意味着，一旦我们获得了准确的脉冲响应，就等同于完全掌握了这个线性系统。

那么，如何获取这条曲线呢？理想情况下，我们输入一个狄拉克δ函数（无限高、无限窄、面积积分为1的理想脉冲），然后测量输出。但现实中，这样的理想脉冲无法实现。因此，工程上采用两种主要策略：

1. 近似脉冲激励：使用一个持续时间极短、幅度足够高的信号来近似理想脉冲，例如一个宽度很窄的方波。前提是脉冲宽度远小于系统的主导时间常数，这样其频谱才能在系统带宽内足够平坦，近似于白噪声激励。
2. 相关分析法：当系统在运行中，无法施加大幅值脉冲时，可以采用持续的白噪声或伪随机序列（如M序列）作为输入。通过计算输入输出信号的互相关函数，并利用维纳-霍普夫方程，可以间接估计出脉冲响应。这种方法抗噪声能力更强，但需要更长的数据记录时间。

在我们的讨论中，将聚焦于第一种情况，即通过设计合理的脉冲实验或利用已有数据，直接或间接地拟合出脉冲响应曲线，并重点介绍基于最小二乘法的直接辨识框架。

2.3 工具选型：为什么是Matlab与最小二乘法？

面对脉冲响应辨识任务，Matlab几乎是天然的选择。其强大的矩阵运算能力、丰富的信号处理工具箱（Signal Processing Toolbox）和系统辨识工具箱（System Identification Toolbox），为算法实现和数据分析提供了极大便利。例如，lsim函数可用于仿真，conv函数用于卷积计算，而辨识工具箱中的impulseest、arx等函数更是提供了现成的解决方案。

最小二乘法作为本次的核心算法，其被选中的理由同样充分。在脉冲响应辨识的语境下，我们通常将系统描述为一个有限脉冲响应模型：y(t) = h(1)*u(t-1) + h(2)*u(t-2) + ... + h(n)*u(t-n) + e(t)。其中h(1)...h(n)就是我们待求的脉冲响应序列，e(t)是误差。将一段时间内的输入输出数据按此方程排列，会得到一个线性方程组Y = ΦH + E。这里的H就是脉冲响应序列构成的向量。最小二乘法的目标就是找到一组H，使得所有误差的平方和E’E最小。其解析解为H_hat = (Φ’Φ)^(-1) Φ’Y。

注意：这里隐含了一个关键假设，即系统的脉冲响应在n拍之后衰减为0（或可忽略）。n的选择至关重要：太短会截断响应，丢失动态信息；太长则会引入过多待估参数，降低模型信噪比，并使Φ’Φ矩阵趋于病态。通常，n应大于系统过渡过程时间的1.5到2倍。

最小二乘法的优势在于原理直观、计算有解析解、且在许多情况下能给出无偏估计（在噪声与输入不相关时）。虽然现代系统辨识工具箱封装了更鲁棒的算法（如工具变量法、预测误差法），但理解最小二乘这一基石，是掌握所有高级方法的前提。

3. 脉冲响应曲线辨识的实操要点与核心细节

3.1 实验设计与数据采集的黄金法则

辨识的精度，七分靠数据。糟糕的实验数据，即使用最高级的算法也无法挽救。对于脉冲响应辨识，实验设计有几个必须遵守的要点：

激励信号的设计：如果采用直接脉冲法，脉冲的宽度Δt需要满足Δt << T_s，其中T_s是系统中最快动态模式的时间常数。例如，对于一个一阶惯性环节，其时间常数约为系统达到稳态63.2%所需的时间。脉冲幅度A应在不使系统饱和（如超出传感器量程、执行器限幅）的前提下尽可能大，以提高输出信号的信噪比。一个实用的方法是先进行阶跃测试，观察系统的大致动态范围，再确定一个安全的脉冲幅值。

采样频率的选择：根据香农采样定理，采样频率f_s至少应为系统感兴趣最高频率f_max的两倍。对于脉冲响应，我们关心其快速变化部分，因此f_max可以取脉冲响应上升沿所对应的频率。通常，选择f_s为系统预估闭环带宽的10倍以上是稳妥的。过低的采样率会丢失高频动态，产生混叠；过高的采样率则会产生海量数据，且可能引入更多高频测量噪声。

数据记录时长：记录时间应足够长，以确保脉冲响应完全衰减到零或进入稳态。通常需要记录到系统输出完全平静后，再额外记录一小段时间作为缓冲。如果记录过早终止，相当于截断了一个尚未结束的脉冲响应，后续辨识出的模型会存在畸变。

噪声与干扰的应对：

• 预处理：采集到的原始数据通常包含直流偏移和高频噪声。务必先去除数据的直流分量（detrend函数），再考虑使用低通滤波器（如lowpass函数）滤除明显的高频噪声。但滤波器的相位畸变可能会影响辨识结果，需谨慎选择滤波器类型和参数，或使用零相位滤波（filtfilt函数）。
• 多次实验平均：如果条件允许，进行多次独立的脉冲实验，然后将各次输出的响应进行时间对齐并求平均。这能有效抑制随机噪声，是提高数据质量最直接有效的方法。

3.2 最小二乘辨识的具体步骤与Matlab实现

假设我们已经获得了一段干净的输入脉冲序列u和对应的输出序列y，采样时间间隔为Ts，数据点数为N。我们的目标是估计出前M个点的脉冲响应序列h。

步骤1：构建数据矩阵 Φ 和输出向量 Y

根据 FIR 模型y(t) = Σ_{i=1}^{M} h(i)*u(t-i)，对于从t=M到t=N的每一个输出点，我们都可以写出一个方程。将所有方程堆叠起来，就形成了矩阵形式Y = ΦH。

在Matlab中，我们可以避免低效的循环，而使用向量化操作来构建Φ（一个托普利兹矩阵）：

% 假设 u 和 y 是列向量 N = length(y); M = 100; % 假设脉冲响应长度为100拍 % 构建数据矩阵 Phi Phi = zeros(N-M+1, M); for i = 1:M Phi(:, i) = u(M-i+1 : N-i+1); % 注意索引，将输入序列移位 end % 构建输出向量 Y（从第M个点开始，与Phi的行对应） Y = y(M:end);

步骤2：求解最小二乘问题

直接使用矩阵求逆公式H_hat = inv(Phi' * Phi) * (Phi' * Y)在理论上是正确的，但在数值计算上可能不稳定，尤其是当Phi’Phi接近奇异时。Matlab 提供了更稳健的求解方式：

% 方法1：使用反斜杠运算符，它会自动选择高效的求解算法（如QR分解） H_hat = Phi \ Y; % 方法2：使用 pinv 求伪逆，对于病态矩阵更鲁棒，但计算量稍大 H_hat = pinv(Phi) * Y; % 方法3：使用系统辨识工具箱的 arx 命令，它本质上也是最小二乘，但提供了更多选项和验证工具 data = iddata(y, u, Ts); % 将数据封装为 iddata 对象 model_fir = arx(data, [0 M 1]); % 模型结构：na=0（无自回归项），nb=M（输入项阶次），nk=1（延迟为1，对应FIR模型） H_hat = model_fir.B; % 提取B多项式系数，即脉冲响应序列

步骤3：绘制与分析脉冲响应曲线

得到H_hat后，我们可以将其与采样时间结合，绘制出脉冲响应曲线：

t_impulse = (0:M-1)' * Ts; % 脉冲响应的时间轴 figure; stem(t_impulse, H_hat, 'filled', 'MarkerSize', 3); % 使用 stem 图更符合离散序列特性 xlabel('时间 (s)'); ylabel('幅度'); title('辨识得到的脉冲响应序列'); grid on;

分析这条曲线，我们可以直接读出：

• 峰值与稳态值：峰值可能对应系统的超调，稳态值（若收敛）对应系统的直流增益。
• 上升时间：从10%到90%稳态值所需的时间，反映系统快速性。
• 调节时间：响应进入并保持在稳态值±5%误差带内所需的时间。
• 振荡频率与阻尼：如果曲线呈现衰减振荡，可以估算其振荡频率和阻尼比。

3.3 关键参数选择与经验技巧

1. 脉冲响应长度 M 的选择：这是一个权衡。太短会截断响应。一个实用的方法是先设定一个较大的M（比如对应10倍系统预估时间常数），进行辨识。然后观察辨识出的h(M)是否已经衰减到接近零。如果早已衰减到零，则可以逐步减小M重新辨识，直到h(M)刚好不再显著衰减为止。也可以观察损失函数（误差平方和）随M增加的变化，当损失函数不再显著下降时，对应的M即为合适值。

2. 处理时滞（Dead Time）：实际系统常有输入到输出之间的纯时滞d。这反映在脉冲响应曲线上，就是前d个点的值理论上应为零。如果直接辨识，前几个点的估计值可能因噪声而波动。更好的做法是在构建Φ矩阵时，显式地考虑时滞d，即模型变为y(t) = Σ_{i=1}^{M} h(i)*u(t-d-i+1)。时滞d可以通过互相关分析初步估计。

3. 利用正则化应对病态问题：当输入信号u激励不充分（例如，脉冲幅度太小，或数据长度太短），或者M设置过大时，Φ’Φ矩阵可能病态，导致最小二乘解H_hat对噪声极度敏感，数值波动巨大。此时可以采用正则化最小二乘法（Ridge Regression），通过增加一个惩罚项来稳定解：H_hat = (Φ’Φ + λI)^(-1) Φ’Y。其中λ是正则化参数，I是单位矩阵。λ的选择需要权衡：λ越大，解越平滑（方差小），但可能引入偏差。可以使用 L-曲线法或交叉验证法来选择λ。

4. 完整实操流程：从仿真验证到实际数据处理

4.1 构建仿真系统生成理想数据

为了验证算法的有效性，我们首先创建一个已知的系统，用它来生成“干净”的输入输出数据。这里我们以一个典型的二阶系统为例：

% 1. 定义系统参数 omega_n = 2*pi*1; % 自然频率 1 Hz zeta = 0.5; % 阻尼比 0.5 K = 2.5; % 系统增益 % 构建连续传递函数：G(s) = K * omega_n^2 / (s^2 + 2*zeta*omega_n*s + omega_n^2) num = K * omega_n^2; den = [1, 2*zeta*omega_n, omega_n^2]; sys_true = tf(num, den); % 2. 设计输入信号（近似脉冲） Ts = 0.01; % 采样时间 10ms t_total = 5; % 总仿真时间5秒 t = (0:Ts:t_total)'; % 生成一个宽度为3个采样周期，幅度为5的脉冲 u = zeros(size(t)); pulse_width = 3; % 脉冲宽度（采样点数） pulse_amp = 5; u(10:10+pulse_width-1) = pulse_amp; % 从第0.1秒开始施加脉冲 % 3. 仿真得到无噪声输出 y_clean = lsim(sys_true, u, t); % 4. 添加高斯白噪声，模拟真实测量 SNR = 20; % 信噪比 20 dB y_noisy = awgn(y_clean, SNR, 'measured'); % 绘制输入输出信号 figure; subplot(2,1,1); plot(t, u, 'b-', 'LineWidth', 1.5); ylabel('输入 u(t)'); title('输入脉冲信号'); grid on; subplot(2,1,2); plot(t, y_clean, 'k--', 'LineWidth', 1.5); hold on; plot(t, y_noisy, 'r-', 'LineWidth', 0.8); ylabel('输出 y(t)'); xlabel('时间 (s)'); title('系统输出（黑虚线：无噪声，红线：含噪声）'); legend('理想输出', '含噪声测量'); grid on;

4.2 应用最小二乘法进行辨识

使用上一节的方法，对含噪声的数据y_noisy和输入u进行辨识。为了对比，我们同时计算真实系统的脉冲响应。

% 5. 设置脉冲响应长度 M (应大于系统调节时间/Ts) sys_info = stepinfo(sys_true); % 获取阶跃响应信息 settling_time = sys_info.SettlingTime; M = ceil(2 * settling_time / Ts); % 取2倍调节时间对应的点数 % 6. 构建数据矩阵和向量 N = length(y_noisy); Phi = zeros(N-M+1, M); for i = 1:M Phi(:, i) = u(M-i+1 : N-i+1); end Y = y_noisy(M:end); % 7. 最小二乘估计 H_hat = Phi \ Y; % 或使用 pinv(Phi)*Y % 8. 获取真实系统的离散脉冲响应，用于对比 sys_d_true = c2d(sys_true, Ts, 'zoh'); % 零阶保持器离散化 [true_impulse, t_imp] = impulse(sys_d_true, (M-1)*Ts); true_impulse_seq = true_impulse(:); % 转换为列向量 % 9. 绘制对比图 t_est = (0:M-1)' * Ts; figure; stem(t_est, H_hat, 'r', 'filled', 'MarkerSize', 4, 'DisplayName', '辨识结果'); hold on; plot(t_imp, true_impulse_seq, 'b-', 'LineWidth', 2, 'DisplayName', '真实脉冲响应'); xlabel('时间 (s)'); ylabel('幅度'); title('脉冲响应辨识结果对比'); legend('show'); grid on;

运行这段代码，你应该能看到辨识出的红色 stem 图与真实的蓝色连续曲线基本吻合，但在尾部可能因为噪声和截断效应存在一些偏差。这验证了最小二乘法的基本有效性。

4.3 结果验证与模型评估

辨识出脉冲响应后，不能仅凭图形“看起来像”就下结论，需要进行定量评估。

评估方法1：仿真验证用辨识出的 FIR 模型H_hat去仿真系统对另一组输入信号（非用于辨识的数据）的响应，并与实际测量输出对比。这是最有力的验证。

% 生成一个新的验证输入信号（例如，一个幅值变化的阶跃序列） u_val = 1.5 * (t > 1) - 0.8 * (t > 3); % 一个复合阶跃信号 y_val_true = lsim(sys_true, u_val, t); % 真实系统输出 y_val_true_noisy = awgn(y_val_true, SNR, 'measured'); % 带噪声的真实测量（模拟） % 使用辨识的 FIR 模型进行仿真 % FIR 模型的输出即输入与脉冲响应的卷积 y_val_sim = conv(u_val, H_hat, 'same'); % 'same' 选项使输出长度与输入相同 % 注意：conv 的默认全卷积会使结果变长，需要截取或使用 'same' % 计算拟合优度 fit_percent = 100 * (1 - norm(y_val_true_noisy - y_val_sim) / norm(y_val_true_noisy - mean(y_val_true_noisy))); fprintf('模型在验证数据上的拟合优度：%.2f%%\n', fit_percent); % 绘制验证对比图 figure; plot(t, y_val_true_noisy, 'b-', 'LineWidth', 1.2, 'DisplayName', '实测输出'); hold on; plot(t, y_val_sim, 'r--', 'LineWidth', 1.5, 'DisplayName', '模型仿真'); xlabel('时间 (s)'); ylabel('幅度'); title('模型验证对比'); legend('show'); grid on;

拟合优度越接近100%，说明模型精度越高。通常，在工程上，超过80%的拟合度可以认为模型是有效的。

评估方法2：残差分析检查辨识残差e = Y - Phi * H_hat是否近似为白噪声。如果残差是白噪声，说明模型已经提取了数据中所有可预测的信息；如果残差仍有相关性，则说明模型结构（此处是 FIR 长度 M）可能不足，或者存在非线性未建模动态。

e = Y - Phi * H_hat; figure; subplot(2,1,1); plot(e, 'b-'); ylabel('残差 e'); title('残差序列'); grid on; subplot(2,1,2); autocorr(e, 'NumLags', 50); % 计算残差的自相关函数 title('残差自相关图'); grid on;

理想情况下，自相关图除了在零滞后处为1，在其他滞后处都应落在置信区间（蓝色阴影区域）内。如果出现显著超出区间的峰值，则表明残差存在相关性。

5. 常见问题、陷阱与高级技巧实录

5.1 辨识结果不理想？问题排查清单

在实际操作中，你可能会遇到辨识出的脉冲响应曲线杂乱无章、与预期相差甚远的情况。别急，按照以下清单逐一排查：

• 问题1：脉冲激励不充分

  • 现象：辨识出的脉冲响应幅度很小，或者曲线看起来像噪声。
  • 诊断：输入脉冲的能量不足以激励出系统的全部动态模式。检查脉冲幅度是否太小，或者脉冲宽度是否太宽（能量被分散）。
  • 解决：在系统安全允许范围内，增大脉冲幅度。确保脉冲宽度远小于系统最快时间常数。

• 问题2：数据信噪比过低

  • 现象：脉冲响应曲线毛刺多，振荡剧烈，不像一个物理系统应有的光滑衰减曲线。
  • 诊断：输出信号中的噪声功率与真实响应功率相比过大。
  • 解决：
    1. 硬件层面：检查传感器、接线、接地，优化测量环境。
    2. 信号层面：进行多次实验平均。如果无法重复实验，尝试对输入输出数据进行同步平滑滤波（注意相位影响）。
    3. 算法层面：增大脉冲响应长度M可能适得其反。尝试使用正则化最小二乘法。在Matlab中，可以使用ridge函数或手动实现(Phi'*Phi + lambda*eye(M)) \ (Phi'*Y)来获得更平滑的解。

• 问题3：脉冲响应长度 M 选择不当

  • 现象：响应曲线在尾部没有衰减到零，而是被突然截断，或者曲线末端出现不正常的翘起或振荡。
  • 诊断：M太小，不足以包含完整的过渡过程。
  • 解决：增加M重新辨识。一个经验法则是M应大于5 * settling_time / Ts。观察损失函数随M变化的曲线，选择拐点处的M值。

• 问题4：存在未考虑的时滞

  • 现象：辨识出的脉冲响应起始部分有若干点不为零，或者整体形状与预期相比有平移。
  • 诊断：系统存在纯时滞d，但辨识时未考虑。
  • 解决：先估计时滞。计算输入输出互相关函数xcorr(u, y)，找到峰值位置对应的滞后点数，即为时滞d的估计。然后在构建Phi矩阵时，将输入序列u相应地延迟d拍。

• 问题5：系统非线性或时变

  • 现象：用不同幅值的脉冲激励，得到的脉冲响应形状差异很大；或者同一实验重复做，响应不一致。
  • 诊断：系统可能不是线性时不变的，脉冲响应辨识的基本假设不成立。
  • 解决：脉冲响应法仅适用于线性时不变系统。如果系统非线性显著，需要考虑使用其他方法，如 Volterra 级数（非线性系统）或在线辨识算法（时变系统）。对于轻度非线性，可以尝试在工作点附近进行小信号脉冲测试。

5.2 高级技巧与心得分享

1. 从阶跃响应中“提取”脉冲响应：有时我们只有阶跃响应数据。由于阶跃响应的导数是脉冲响应，我们可以通过对阶跃响应数据进行数值微分来近似获取脉冲响应。在Matlab中，可以使用diff函数并除以采样时间Ts。但数值微分会放大噪声，因此需要对阶跃响应数据先进行平滑处理。

   % 假设 step_response 是阶跃响应数据，Ts是采样时间 step_response_smooth = smoothdata(step_response, 'gaussian', 20); % 高斯平滑 impulse_response_approx = diff(step_response_smooth) / Ts; % 注意 diff 会使数据长度减1，时间轴需要调整

2. 使用系统辨识工具箱简化流程：Matlab的系统辨识工具箱 (System Identification Toolbox) 提供了更专业、更鲁棒的工具。对于脉冲响应辨识，可以直接使用impulseest函数，它内部采用了相关分析法和正则化技术，对噪声有更好的鲁棒性，尤其适用于不能施加理想脉冲的场合。

   data = iddata(y, u, Ts); % 准备数据 % 使用 impulseest 函数，可以指定正则化参数和响应长度 opt = impulseestOptions('RegularizationKernel', 'TC'); % 使用 Tuned-Correlated 核 sys_imp = impulseest(data, M, opt); % 绘制结果 figure; impulse(sys_imp); % 与真实系统对比 hold on; impulse(sys_true, 'r--');

   impulseest函数处理非理想激励和噪声的能力通常强于直接的最小二乘法。

3. 脉冲响应在模型降阶中的应用：对于高阶系统，我们有时需要降阶简化模型。脉冲响应曲线可以作为一个重要的匹配目标。我们可以寻找一个低阶的传递函数，使其脉冲响应与原系统（或辨识出的高阶脉冲响应）在最小二乘意义下最接近。这可以通过tfest或procest函数，以脉冲响应数据作为拟合目标来实现。

4. 关于初始条件的处理：我们的最小二乘推导默认系统初始状态为零。如果实验开始时系统不在平衡点，数据中会包含零输入响应，这会被错误地归因于脉冲输入。因此，实验前务必让系统充分静止在稳态工作点，或者记录一段施加脉冲前的数据，用于估计和消除初始状态的影响。

脉冲响应曲线就像系统的“动态身份证”，它不告诉你系统的内部构造（参数），却清晰地展示了其对外部激励的完整时域行为模式。掌握从数据中提取这张“身份证”的技能，意味着你拥有了在缺乏先验知识时，快速理解、评估乃至预测一个未知系统动态的第一步，也是最坚实的一步。无论是用于控制器的初始整定，还是作为复杂系统建模的验证基准，这条曲线都以其直观和通用性，持续发挥着不可替代的作用。