多步随机滞后和多丢包系统的建模与分布式融合估计

In this project, we will carry out the research on new algorithms of linear optimal estimation and information fusion estimation for the phenomena of random delays and packet dropouts which exist in networked control systems and sensor networks due to unreliable data transmission. To avoid network congestion, we assume that each data packet at the sender is only sent once, and the receiver may receive one or multiple data packets or nothing during a sampling period due to random delays and packet dropouts. A novel model is developed to describe the stochastic phenomena by a group of Bernoulli distributed random variables. It is different form the received model in almost all literature. Based on the developed model, for single sensor systems, the linear optimal estimation new algorithm dependent on time stamps and steady-state suboptimal estimation new algorithm dependent on probabilities are presented in the linear minimum variance sense by the innovation analysis approach. A condition for the existence of the steady-state estimation is also explored. Further, for the corresponding multi-sensor systems, the distributed information fusion optimal and steady-state suboptimal estimation new algorithms are proposed in the linear minimum variance sense. Moreover, a condition for the existence of the steady-state fusion estimation is given. Further, the research of this project will enrich the theory of distributed state estimation, and provide referential method to solve some information fusion estimation problems in networked control systems.

本项目针对网络化控制系统和传感器网络中由于不可靠的数据传输导致的随机滞后和随机丢包现象，拟开展线性最优估计和信息融合估计新算法的研究。不同于大多数文献中采用的数据接收模型，为了避免网络拥塞，假设发送端的每个数据包仅发送一次，由于随机滞后和丢包导致接收端在一个采样周期内可能接收到一个或多个数据包，或者没有数据包收到，利用一组Bernoulli分布的随机变量建立新的数学模型来描述这种随机现象。基于所建立的数学模型，对单传感器系统应用新息分析方法，在线性最小方差意义下分别提出依靠数据包时间戳的线性最优估计新算法和依靠概率的稳态次优估计新算法，同时探索稳态估计存在的条件。进而，对相应的多传感器系统，分别提出线性最小方差意义下的分布式信息融合最优与稳态次优估计新算法，同时给出稳态融合估计存在的条件。本项目的研究将进一步丰富分布式状态估计理论，为解决网络化控制系统的信息融合估计问题提供可借鉴的方法。

对网络化控制系统和传感器网络中由于不可靠的数据传输导致的随机观测滞后和丢包现象，基于新息分析方法在线性最小方差意义下开展了线性最优估计和信息融合估计新算法的研究。主要成果包括：1）对随机数据包丢失系统建立了两种新的丢包补偿机制：改进的保持输入补偿法和观测预报补偿法。基于改进的保持输入补偿法方法提出了依赖概率的线性局部最优以及集中式与分布式信息融合最优估计新算法。同时对算法的稳定性进行了分析，给出了稳态估计存在的一个充分条件。2）对既带有随机观测滞后和随机丢包系统，为了避免网络拥塞，假设发送端的每个数据包仅发送一次。由于随机滞后和丢包导致接收端在一个采样周期内可能接收到一个或多个数据包，或者没有数据包收到。基于所提出的预报补偿方法设计了依靠概率的线性最优估值器包括滤波器、预报器和平滑器；基于保持输入补偿法设计了分布式信息融合估值器并分析了算法的稳定性，给出了稳态估值器存在的一个充分条件；基于数据的时间戳设计了不存在稳态的分布式信息融合最优估值器。以上研究成果进一步丰富了分布式状态估计理论，为解决网络化控制系统的信息融合估计问题提供可借鉴的方法。

内容获取失败，请点击重试