基于不充分信息的网络化系统状态估计方法技术方案

本发明专利技术的基于不充分信息的网络化系统状态估计方法，可适用于不同情况下的网络化系统，在其中考虑了非线性、时滞、变化拓扑、随机内耦合、估计器执行增益变化和不完全测量信息等现象对状态估计性能的影响，构建系统的动态模型和状态估计器模型，计算估计误差并同原系统状态进行增广，给出待设计估计器需满足的性能约束条件，然后得到能使得增广系统满足性能要求的充分条件，再将该条件转化为可解出状态估计器未知增益参数的LMI形式。相比于已有的状态估计器设计方法，本发明专利技术能够适用于现实情况中的普遍网络化系统，具有一般性。

State estimation method for networked systems based on insufficient information

The state estimation method of networked system based on inadequate information of the present invention can be applied to networked system under different circumstances, in which the effects of non-linearity, time delay, changing topology, random internal coupling, variation of estimator execution gain and incomplete measurement information on the state estimation performance are considered, and the system is constructed. The dynamic model and the state estimator model are used to calculate the estimation error and extend the state of the original system. The performance constraints to be satisfied by the designed estimator are given. Then the sufficient conditions to satisfy the performance requirements of the augmented system are obtained. Then the conditions are transformed into LMI forms which can solve the unknown gain parameters of the state estimator. Type. Compared with the existing design method of state estimator, the present invention can be applied to the general networked system in reality and has generality.

【技术实现步骤摘要】
基于不充分信息的网络化系统状态估计方法
本专利技术涉及网络控制
，具体涉及一种基于不充分信息的网络化系统状态估计方法。
技术介绍
网络控制系统是由通信网络组成闭环回路的空间分布式控制系统。随着网络技术的快速发展，网络化系统的应用领域越来越广泛，控制对象日益复杂，控制系统朝着更加分散化、智能化的方向发展。网络的性能不断提高，网络技术也相对成熟，网络可以使用户进行远程的数据传输及交互操作，并且其成本、布线复杂性、维护难度等大大降低。由于网络技术的种种优点，大量的研究及应用开始集中在将数据网络用于远程的工业控制及工业自动化等领域中，并且在先进飞行器、太空船、汽车、机器人、楼宇智能、远程医疗、远程教学及实验、军事指挥及生产制造等复杂控制过程的应用中取得了很大的成果。但网络的介入使控制系统的规模和复杂性显著增加，网络诱导现象也不可避免地出现，例如通信时滞、参数不确定、传感器饱和等，这些现象往往常见于实际工程应用中。所以，网络控制系统的研究具有重要的意义。状态估计问题一直是控制理论和信号处理领域的热点研究问题之一，目的是利用被估计系统的测量输出合理地估计系统的内部状态。这是因为在实际应用中，由于物理约束、技术限制或者昂贵的测量成本等原因，系统状态并不总是可直接获得的。因此，网络化系统的状态估计问题近年来受到了广泛的研究注意。提出能够适用于各种情况下的网络化系统的状态估计器设计方法就具有了重要的实际意义。
技术实现思路
针对现有技术中的缺陷，本专利技术提供一种基于不充分信息的网络化系统状态估计方法，该方法能适用于普遍网络化系统，具有一般性。本专利技术提供的基于不充分信息的网络化系统状态估计方法，具体包括以下步骤：步骤一：构建待研究的网络化系统的动态模型，所述动态模型中包含网络化系统状态，设定动态模型中函数满足的条件；步骤二：构建含有未知参数的状态估计器模型，根据状态估计器模型对所述动态模型进行状态估计，得到状态估计误差，对所述系统状态和估计误差进行增广，得到状态估计增广系统模型；步骤三：设定估计误差需满足的约束条件，得到确保状态估计增广系统模型满足性能要求的充分条件；步骤四：根据状态估计器存在的充分条件计算出状态估计器中的未知参数。本专利技术的有益效果：本专利技术的基于不充分信息的网络化系统状态估计方法，可适用于不同情况下的网络化系统，在其中考虑了非线性、时滞、变化拓扑、随机内耦合、估计器执行增益变化和不完全测量信息(输出非线性、量化、随机发生传感器饱和)等现象对状态估计性能的影响，构建系统的动态模型和状态估计器模型，计算估计误差并同原系统状态进行增广，给出待设计估计器需满足的性能约束条件，然后得到能使得增广系统满足性能要求的充分条件，再将该条件转化为可解出状态估计器未知增益参数的LMI形式。相比于已有的状态估计器设计方法，本专利技术能够适用于现实情况中的普遍网络化系统，具有一般性。附图说明为了更清楚地说明本专利技术具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍。在所有附图中，类似的元件或部分一般由类似的附图标记标识。附图中，各元件或部分并不一定按照实际的比例绘制。图1示出了本专利技术所提供的一种基于不充分信息的网络化系统状态估计方法的流程图；图2示出了本专利技术的实施例1的系统模态切换图形；图3示出了本专利技术的实施例1仿真得到的估计误差图形；图4示出了本专利技术的实施例1仿真得到的实际神经网络状态轨迹x1(k)及其状态估计轨迹图5示出了本专利技术的实施例1仿真得到的实际神经网络状态轨迹x2(k)及其状态估计轨迹图6示出了本专利技术的实施例1仿真得到的实际神经网络状态轨迹x3(k)及其状态估计轨迹图7示出了本专利技术的实施例2中的网络变化拓扑的模态演变图形；图8示出了本专利技术的实施例2中对3个节点的输出信号zi(k)(i＝1,2,3)的估计误差曲线；图9示出了本专利技术的实施例2中节点1的状态估计误差(e1(k))协方差的设定上限值曲线和实际值曲线；图10示出了本专利技术的实施例2中节点2的状态估计误差(e2(k))协方差的设定上限值曲线和实际值曲线；图11示出了本专利技术的实施例2中节点3的状态估计误差(e3(k))协方差的设定上限值曲线和实际值曲线；图12示出了本专利技术的实施例3中节点1的事件触发时刻和相邻事件触发时刻间的时间间隔图形；图13示出了本专利技术的实施例3中节点2的事件触发时刻和相邻事件触发时刻间的时间间隔图形；图14示出了本专利技术的实施例3中均方意义下的增广估计误差图形。具体实施方式下面将结合附图对本专利技术技术方案的实施例进行详细地描述。以下实施例仅用于更加清楚地说明本专利技术的技术方案，因此只是作为示例，而不能以此来限制本专利技术的保护范围。需要注意的是，除非另有说明，本申请使用的技术术语或者科学术语应当为本专利技术所属领域技术人员所理解的通常意义。图1示出了本专利技术所提供的基于不充分信息的网络化系统状态估计方法的流程图，该方法具体包括以下步骤：步骤一：构建待研究的网络化系统的动态模型，所述动态模型中包含网络化系统状态，设定动态模型中函数满足的条件；步骤二：构建含有未知参数的状态估计器模型，根据状态估计器模型对所述动态模型进行状态估计，得到状态估计误差，对所述系统状态和估计误差进行增广，得到状态估计增广系统模型；步骤三：设定估计误差需满足的约束条件，得到确保状态估计增广系统模型满足性能要求的充分条件；步骤四：根据状态估计器存在的充分条件计算出状态估计器中的未知参数。在实施例中使用的符号说明：Rn表示n维欧几里得空间，Rn×m表示所有n×m阶实矩阵的集合。Z-表示非正整数集合。符号P＞0表示P为实对称正定矩阵。I和0分别表示合适维数的单位矩阵、零矩阵。||x||代表向量x的欧几里得范数。||A||是定义为||A||＝(trace(ATA))1/2的矩阵A的范数。MT表示矩阵M的转置。对于实对称矩阵X，Y，符号X≥Y(X＞Y)表示X-Y是正半定(正定)。我们建立一个概率空间其中Prob是总和为1的概率测量。E{x}和E{x|y}分别代表x的期望和条件y下x的期望。diag{A1,A2,...,An}表示对角块为矩阵A1,A2,...,An的块对角矩阵。在对称矩阵中，符号*表示对对称项的省略。如果M是一个对称矩阵，则λmax(M)和λmin(M)表示矩阵M的最大特征值和最小特征值。符号表示克罗内克积。若说明书中没有明确指定矩阵维数，则假定其维数适合矩阵的代数运算。实施例1待研究的网络化系统为含有马尔可夫跳参数的离散时滞神经网络系统，构建具有马尔可夫跳参数的离散时滞神经网络系统动态模型的具体方法包括：马尔可夫链θ(k)(k≥0)在有限状态空间S＝{1,2,...,s}中取值，其转移概率矩阵Λ＝[λij]s×s为其中，λij≥0(i,j∈S)是从i到j的转移概率，且采用含有n个神经元的离散时间马尔可夫跳神经网络，采用以下动态方程描述：y(k)＝D(θ(k))x(k)+E(θ(k))h(x(k))，(1-2)其中，x(k)＝[x1(k),x2(k),…,xn(k)]T为神经状态向量；g(x(k))＝[g1(x1(k)),g2(x2(k)),…,gn(xn(k))]T表示初始条件为g(0)＝0的非线性激励函数；d1(θ(k))和d本文档来自技高网...

【技术保护点】
1.一种基于不充分信息的网络化系统状态估计方法，其特征在于，具体包括以下步骤：步骤一：构建待研究的网络化系统的动态模型，所述动态模型中包含网络化系统状态，设定动态模型中函数满足的条件；步骤二：构建含有未知参数的状态估计器模型，根据状态估计器模型对所述动态模型进行状态估计，得到状态估计误差，对所述系统状态和估计误差进行增广，得到状态估计增广系统模型；步骤三：设定估计误差需满足的约束条件，得到状态估计增广系统模型满足性能要求的充分条件；步骤四：根据状态估计器存在的充分条件计算出状态估计器中的未知参数。

【技术特征摘要】
1.一种基于不充分信息的网络化系统状态估计方法，其特征在于，具体包括以下步骤：步骤一：构建待研究的网络化系统的动态模型，所述动态模型中包含网络化系统状态，设定动态模型中函数满足的条件；步骤二：构建含有未知参数的状态估计器模型，根据状态估计器模型对所述动态模型进行状态估计，得到状态估计误差，对所述系统状态和估计误差进行增广，得到状态估计增广系统模型；步骤三：设定估计误差需满足的约束条件，得到状态估计增广系统模型满足性能要求的充分条件；步骤四：根据状态估计器存在的充分条件计算出状态估计器中的未知参数。2.如权利要求1所述的基于不充分信息的网络化系统状态估计方法，其特征在于，所述待研究的网络化系统为含有马尔可夫跳参数的离散时滞神经网络系统。3.如权利要求2所述的基于不充分信息的网络化系统状态估计方法，其特征在于，构建具有马尔可夫跳参数的离散时滞神经网络系统动态模型的具体方法包括：马尔可夫链θ(k)(k≥0)在有限状态空间S＝{1,2,…,s}中取值，其转移概率矩阵Λ＝[λij]s×s为其中，λij≥0(i,j∈S)是从模态i到模态j的转移概率，且考虑含有n个神经元的离散时间马尔可夫跳神经网络，采用以下动态方程描述：y(k)＝D(θ(k))x(k)+E(θ(k))h(x(k))，(1-2)其中，x(k)＝[x1(k),x2(k),…,xn(k)]T为神经状态向量；g(x(k))＝[g1(x1(k)),g2(x2(k)),…,gn(xn(k))]T表示初始条件为g(0)＝0的非线性激励函数；d1(θ(k))和d2(θ(k))表示离散时滞；A(θ(k))＝diag{a1(θ(k)),a2(θ(k)),…,an(θ(k))}描述当某神经元与网络和外部输入断开连接时，将电位重置为孤立的静息状态的速率；Ad(θ(k))＝diag{ad1(θ(k)),ad2(θ(k)),…,adn(θ(k))}为状态时滞的参数矩阵；W(θ(k))＝[wij(θ(k))]n×n是连接权重矩阵；为离散时滞连接权重矩阵；y(k)为输出；h(x(k))是输出中的非线性干扰，ψ(k)为给定的初始序列，假定非线性向量值函数为连续，且对于所有x，满足下面扇形有界条件[h(x)-h(y)-Φ(x-y)]T[h(x)-h(y)-Ω(x-y)]≤0(1-3)其中Φ和Ω是合适维数的实矩阵；非线性向量值函数g(x(k))满足：‖g(x(k)+δ(k))-g(x(k))‖≤‖Bδ(k)‖(1-4)对于所有系统模态，B＝diag{b1,b2,…,bn}>0为一个已知矩阵，δ(k)为一个向量。4.如权利要求3所述的基于不充分信息的网络化系统状态估计方法，其特征在于，构建含有未知参数的离散时间状态估计器模型为：其中，为估计器的状态，Ki为待设计的矩阵，ΔKi表示增益变化，具有如下范数有界乘法形式：ΔKi＝KiHkF(k)Ek(1-6)其中，Hk,Ek为适当维数的已知矩阵，F(k)为满足FT(k)F(k)≤I的未知矩阵。5.如权利要求1所述的基于不充分信息的网络化系统状态估计方法，其特征在于，所述待研究的网络化系统为具有随机变化拓扑的复杂网络系统。6.如权利要求5所述的基于不充分信息的网络化系统状态估计方法，其特征在于，采用由M个耦合节点构成的随机离散时变复杂网络的模型为，其中，为第i个节点的状态向量，为第i个节点的输出，干扰输入为概率空间上的零均值高斯白噪声序列，方差为V1>0，A(k)，和Mi(k)(i＝1,2,…,M)为已知的具有合适维数的矩阵，随机离散时变复杂网络的外耦合配置矩阵为非零矩阵，其中W(l)＝W(l)T，并满足Γ＝diag{r1I,r2I,…,rnI}为内耦合矩阵，为概率空间上的高斯白噪声序列，满足δ(·,·)为克罗内克尔delta函数，即：τ(k)为描述复杂网络随机变化拓扑的随机变量，考虑序列{τ(k)}满足一个离散时间同...

【专利技术属性】
技术研发人员：董宏丽，侯男，李雪融，韩非，张勇，路阳，
申请(专利权)人：东北石油大学，
类型：发明
国别省市：黑龙江,23