一种抗噪声的分布式循环神经网络,用于多智能体共识控制和声源定位

《Neural Networks》:A Noise-Resilient Distributed Recurrent Neural Network for Multi-Agent Consensus Control and Acoustic Source Localization

【字体: 大 中 小 】 时间:2026年04月06日 来源:Neural Networks 6.3

编辑推荐:

  本文提出噪声鲁棒分布式循环神经网络(NDRNN)框架,解决多智能体系统共识控制与声源定位中的噪声干扰问题。通过时间延迟机制和新型激活函数,实现抗周期噪声和随机干扰的全球稳定性控制,并在声源定位任务中验证其高精度与鲁棒性,较传统方法收敛更快且误差更低。

  
雷佳|熊伟宝|肖琳|李毅伟
内蒙古大学人工智能学院计算机科学系(软件学院),呼和浩特,010021,中国

摘要

在多智能体系统(MASs)中,共识控制和声源定位是基本但易受噪声影响的任务。尽管循环神经网络(RNNs)由于其动态建模能力而在这些领域显示出强大的潜力,但它们的控制精度在噪声干扰下会显著下降,基于RNN的控制在受干扰的多智能体场景中受到的关注有限。为了解决这一挑战,我们在多智能体共识框架内设计了一种抗噪声的分布式RNN(NDRNN),并开发了相应的共识控制协议,称为NDRNN-CP。NDRNN结合了时间延迟机制来适应性地学习噪声变化模式,并采用了优化的激活函数以加速收敛。严格的理论分析证明了NDRNN-CP能够确保全局稳定性、对抗周期性和随机干扰的鲁棒性以及预定义时间的收敛性。此外,基于NDRNN的设计原则,我们提出了NDRNN-S,这是一种能够在噪声多智能体环境中保持高精度的分布式声源定位算法。在多智能体共识和分布式声源定位上的广泛模拟表明,与传统的基于DRNN的方法相比,所提出的NDRNN-CP和NDRNN-S在各种噪声信号条件下实现了更快的收敛速度和显著更低的稳态误差,从而证实了所提出方法的有效性和广泛适用性。

引言

多智能体系统(MASs)被越来越多地应用于先进的应用中,如多架飞机的协同控制(Liang等人,2026年)、移动机器人(Li等人,2024年)、地面车辆(Wang等人,2025a年)以及分布式传感网络(He等人,2023年),在这些应用中,协调操作对于确保稳定性和效率至关重要(Cao等人,2025年;Wang等人,2025b年;Zhang等人,2025年)。该领域的两个代表性挑战是共识控制(Lu等人,2024年),其目标是设计控制律使所有智能体达到共同状态,以及声源定位(Zhang等人,2024b年),它支持从机器人听觉到语音信号增强等各种任务。RNNs(Yan等人,2024年),源自连续霍普菲尔德网络,由于其固有的动态建模能力和分布式架构,已成为此类多智能体协调任务的强大范式。然而,这些方法面临一个关键障碍:在现实场景中,无论是传统方法还是基于RNN的方法,在噪声、外部干扰或混响存在的情况下都会严重丧失精度和稳定性。对于共识控制,已经开发了多种控制器(Lee等人,2025年;Yuan等人,2025年),但它们的性能在非理想条件下会下降。同样,对于声源定位,如时间延迟估计(Kocur等人,2024年)和卡尔曼滤波(Tian等人,2023年)等技术容易受到实际场景中固有的非线性的影响,例如涉及到达时间差(TDOA)测量的情况(Manamperi等人,2022年;Wang等人,2024年)。
为了提高抗噪声能力,特别是在有前景的RNN框架内,研究主要遵循了三种策略。第一种策略使用具有内在噪声抑制特性的专用激活函数(AFs)(Cao等人,2024年;Dai等人,2021年),尽管这些函数可能会引入不连续性并可能导致次优的精度。第二种策略结合了积分项(Jin等人,2015年;Liao等人,2024年),它们对恒定或低幅度有界噪声有效,但对于更复杂的时变干扰则不够适用。第三种方法集成了自适应组件来学习周期性变化噪声的特性(Guo等人,2019年;Li等人,2023年;Liao等人,2022年;Luo等人,2021年;Zhang等人,2019年),但这些方法在一般噪声场景中仍然有限。当应用于MASs时,这些解决方案通常会面临一个艰难的权衡:大多数方法依赖于只有中等鲁棒性的激活函数(Cao等人,2024年;Li等人,2025年;Luo等人,2023年),而其他方法,如模糊控制器(Dai等人,2022年;Jia等人,2023年),虽然提高了噪声抑制效果,但计算复杂性显著增加,从而影响了实时性能。这些局限性凸显了一个明显的需求:需要一个结合了强抗噪声能力的分布式RNN框架,以实现受干扰多智能体环境中的可靠共识控制和声源定位。
为了解决这些挑战,本研究开发了一个适用于受干扰环境中的多智能体系统的NDRNN框架。该框架首先实现为一个共识控制协议,称为NDRNN-CP,它引入了两个主要创新:一个时间延迟机制,作为内部模型来拒绝已知周期的周期性干扰;以及一种新的激活函数,保证系统在预定义时间内收敛。这些贡献得到了严格理论分析的支持,证明了所提出协议的全局稳定性、鲁棒性和预定义时间的收敛性。为了展示这种架构的实际效用和多功能性,我们进一步应用其核心原理设计了一个基于NDRNN的求解器(NDRNN-S),用于分布式声源定位这一具有挑战性的任务。该求解器使智能体能够仅使用本地交换的信息在噪声和混响条件下协作追踪声源。在多智能体共识和3D声源定位任务上的广泛模拟验证了NDRNN-CP和NDRNN-S的一致性表现优于现有的基于RNN的方法,表现出预定义时间的收敛性以及增强的噪声容忍度和鲁棒性,适用于复杂的多智能体协调和分布式传感任务。
本文的主要贡献如下:
  • •
    我们提出了一个从共识问题角度设计的NDRNN框架,该框架结合了时间延迟组件来适应性地学习噪声变化模式,并将噪声信号处理集成到控制架构中,以实现增强的干扰抑制。
  • •
    基于NDRNN框架,我们开发了两种方法:一种共识控制协议(NDRNN-CP),使所有智能体在多种噪声条件下能够在预定义时间内达成共识;以及一种基于NDRNN的求解器(NDRNN-S),用于在噪声和混响环境中实现高精度和鲁棒性的分布式声源定位。
  • •
    我们专门设计了一种新的激活函数,以确保预定义时间的收敛性,并利用共识问题作为理论基础,严格证明了所提出的NDRNN框架的全局稳定性、鲁棒性和预定义时间的收敛性。
  • •
    广泛的模拟和实验表明,与主流的基于DRNN的方法相比,NDRNN-CP在大型网络中实现了更鲁棒的预定义时间共识,而NDRNN-S在无噪声和有噪声条件下都提供了更高的定位精度。
  • 本文的其余部分结构如下。第2节讨论了领导者-追随者共识问题,为我们的工作提供了基础背景。第3节介绍了基于DRNN的常见控制协议的设计,特别关注我们提出的NDRNN-CP。第4节提出了理论分析,包括稳定性、鲁棒性和预定义时间收敛性的证明。第5节进行了实验评估,我们将NDRNN-CP与其他基于DRNN的控制协议进行了比较,强调了其在抗噪声和收敛性方面的优越性能。第6节将NDRNN框架扩展到了分布式声源定位。最后,第7节总结了本文。

    节选

    共识控制问题描述

    本节介绍了MASs中的领导者-追随者共识问题(Lewis等人,2013年;Amini等人,2018年)。在这个问题中,一组智能体合作达成共识,其中一些智能体被指定为领导者,其余的作为追随者。共识问题的目标是使所有智能体的状态一致,确保追随者的状态与领导者的状态相匹配。重要的是,追随者可能无法与领导者直接通信;相反,信息交换遵循

    基于DRNN的控制协议

    在本节中,我们首先从共识问题的角度设计了所提出的NDRNN。基于这一框架,我们开发了NDRNN-CP,它保证了所有追随者在各种噪声条件下能够在预定义时间内与领导者达成共识。为了进行比较分析,我们还介绍了两种基线协议,即ODRNN-CP和IDRNN-CP。
    在NDRNN-CP的设计中,通信拓扑结构起着关键作用。由于并非所有追随者都能直接访问

    理论分析

    本节通过一系列理论结果展示了NDRNN-CP(8)的能力。首先,我们研究了它在无噪声情况下的收敛行为,详细内容见定理1。随后,定理2关注了该方法在面对周期性干扰时的鲁棒性。最后,定理3讨论了NDRNN-CP(8)的预定义时间收敛性。

    定义1

    (Xiao等人,2024) Γ(a) 函数由积分Γ(a)=∫0+∞ta?1exp(?t)dt,
    相关新闻
    生物通微信公众号
    微信
    新浪微博
    • 搜索
    • 国际
    • 国内
    • 人物
    • 产业
    • 热点
    • 科普

    热点排行

      今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

      版权所有 生物通

      Copyright© eBiotrade.com, All Rights Reserved

      联系信箱:

      粤ICP备09063491号