[01455325]网络化系统的建模与估计算法研究

1.课题来源与背景 课题来源于两项国家自然科学基金项目：“传感器网络中的分布式融合状态估计算法研究”（批准号：60874062）和“自校正信息融合滤波理论及其应用研究”（批准号：60874063）。 由于网络控制系统和传感器网络在目标跟踪、医疗保健、工业监控、地震勘探和森林防火等军事和民用上具有广泛的应用背景,因而近些年得到了国内外学者和工程人员的广泛关注。在网络控制系统和传感器网络中,由于通信网络的不可靠性（如网络拥塞）,数据在传感器之间、以及传感器与数据处理中心之间进行传输时往往存在时间滞后和丢包现象。同时,由于传感器的老化和故障等原因可能导致传感器观测信息的不完整性甚至丢失。由于网络系统的这些随机不确定性给网络系统的控制与估计带来了新的挑战。一个重要的问题是：对这些不确定现象如何建立合理有效的数学模型描述,以及基于滞后和丢失的信息如何设计状态估计算法。本课题就是基于这样的背景开展了网络化系统的建模与估计算法的研究。并将所提出的算法应用于目标跟踪和信号处理等领域。 2.技术原理及性能指标; 本课题研究网络化系统的建模与估计问题,网络系统中数据的传输滞后和丢失是随机的,我们采用随机变量来刻画这种随机现象。在线性最小方差准则下,基于所建立的模型设计最优线性估值器,利用Lyapunov方程和Riccati方程分析了估值器的稳定性,给出了稳态存在的充分条件;提出了模型参数和噪声统计未知时的自校正信息融合估值器,利用动态误差方程证明了算法的收敛性,即渐近最优性。 3.技术的创造性与先进性; 利用一组Bernoulli分布的随机变量建立了统一描述传感器数据丢失、网络数据传输的随机滞后和丢失现象。可转化为随机参数化系统,可统一处理多随机滞后和丢包网络化系统的状态估计问题。应用新息分析方法设计最优线性估计算法。新息分析方法是寻求最小均方最优线性估计的通用和有效方法。能获得递推的估计算法,便于实现。 在自校正估计算法的收敛性分析中,提出了按实现收敛的概念。它是一个比概率1收敛性弱的收敛性概念。在这一概念下,使收敛性分析问题转化为一个非随机的确定性的普通极限问题,它可用严格的数学分析工具来解决。 对多传感器系统,提出了批处理和惯序协方差交叉融合估计算法。算法计算简单,避免了分布式最优加权融合要求互协方差阵的计算。这在海量数据的融合处理中具有重要意义。 4.技术的成熟程度,适用范围和安全性; 所建立的描述网络化系统随机滞后和丢包模型具有通用性,可应用于线性和非线性系统。近两年,国内外学者基于我们所提出的模型开展了信息融合估计和鲁棒估计问题的研究。我们在自校正信息融合方面的研究成果也得到了同行的广泛关注,发表在国际核心期刊《IET Control Theory and Application》上的一篇评论文章将我们所提出的“自校正信息融合估计理论”列为当今分布式卡尔曼滤波的一个新的研究方向：基于自校正的分布式融合卡尔曼滤波（ST-based distributed fusion KF）。我们的工作促进了学科相关领域的发展。 代表性研究成果发表在了控制理论国际权威刊物《IEEE Transactions on Automatic Control》和《IEEE Transactions on Signal Processing》上。 5.应用情况及存在的问题; 所提出的网络化系统的最优线性估计理论和自校正融合估计理论在目标跟踪、工业监测、信号处理等领域具有潜在的应用价值。今后有待应用于解决实际工程系统的估计问题。