具有不确定量测丢失概率的非线性系统的基于累积的事件触发分布式融合滤波器

《European Journal of Control》:Accumulation-Based Event-Triggered Distributed Fusion Filter for Nonlinear Systems with Uncertain Probability of Missing Measurements

【字体: 大 中 小 】 时间:2026年08月28日 来源:European Journal of Control 2.6

编辑推荐:

   摘要:本文讨论了一类具有概率不确定的缺失测量和基于累积的事件触发方案(ETS)的离散时间非线性系统的分布式融合滤波(DFF)问题。系统考虑了缺失测量,且缺失概率被视为不确定概率,更好地反映了实际场景。此外,引入了基于累积的ETS,在保持对信号波动的鲁棒性的同时增强系统性能。针

  

摘要:本文讨论了一类具有概率不确定的缺失测量和基于累积的事件触发方案(ETS)的离散时间非线性系统的分布式融合滤波(DFF)问题。系统考虑了缺失测量,且缺失概率被视为不确定概率,更好地反映了实际场景。此外,引入了基于累积的ETS,在保持对信号波动的鲁棒性的同时增强系统性能。针对所讨论的DFF问题,本文的主要目标是根据逆协方差交集融合规则推导一个融合滤波器。具体来说,设计了局部滤波器并推导了滤波误差(FE)协方差。此外,可以通过选择合适的滤波器增益来获得局部FE协方差的上界并将其最小化。此外,分析了滤波性能的有界性。最后,通过两个数值算例验证了所提出DFF方法的有效性。

引言:在过去几十年中,随着通信技术和传感器的不断更新与迭代,传感器采集的大量测量数据需要传输,但这些数据往往混有随机噪声。为获取真实状态,已报道了一些经典滤波算法,包括H∞滤波方法(FA)、集成员FA、Kalman FA等。其中,当噪声为白噪声时,Kalman FA是一种有效且常用的方法。此外,Kalman FA被用于有效处理线性系统的状态估计问题,但无法处理非线性系统。因此,提出了一些方法来解决此类问题,如粒子FA、无迹Kalman FA和扩展Kalman FA等。在这些方法中,扩展Kalman FA被广泛用于非线性系统。例如,在Li等人(2020a)中,为具有状态饱和和网络攻击的非线性系统设计了分布式滤波器,其中讨论了滤波误差(FE)协方差的有界性。此外,为获取准确的状态变量,融合FA被提出,其主要思想是利用多个传感器的测量信息获取融合滤波结果。例如,在Li等人(2022)和Tan等人(2023)中,为多传感器(MS)线性系统分别提出了集中式融合估计器和顺序融合估计器。这些估计器具有高精度,但容错能力低且计算量大。此外,通过使用逆协方差交集(ICI)融合方法,Hu等人(2024b)针对具有衰减测量和随机通信方案的多传感器非线性系统研究了分布式形式的融合FA,该方法具有低通信带宽需求和高容错能力。

在传统状态估计方法的实现中,通常假设估计器能够连续获取真实测量信息。然而,应指出的是,这种理想化假设存在固有局限性,由于有限的网络带宽和外部网络攻击的影响,实际系统中经常发生测量信息缺失且无法实时更新的情况。特别是对于具有缺失测量(MM)的多传感器网络随机系统,已提供了相应的融合FA。例如,Han和Sun(2022)研究了具有MM的多传感器线性系统的分布式融合滤波(DFF)问题,设计了三种融合滤波器,仿真结果表明了所提方法的可行性。此外,在Zheng和Ran(2023)中,讨论了具有MM和不确定方差噪声的线性奇异系统的DFF问题,其中通过降阶变换方法将奇异系统变换为正常系统。此外,Hu等人(2025)和Hu等人(2023)分别针对多速率MS非线性系统和MS非线性系统研究了具有MM的融合FA。值得注意的是,对于前述讨论的结果,MM的概率是确定的。不幸的是,由于测量信息通过网络传输,这种情况并不总能保证,MM现象可能随时间变化,从而无法准确获取相应的发生概率。迄今为止,尽管具有不确定概率MM的MS非线性系统的DFF问题具有实际意义,但尚未得到充分的研究关注,这构成了本文的研究动机之一。

另一个有价值的主题是事件触发方案(ETS),由于其减少通信开销、传感器节点能耗和抑制网络攻击方面的显著效率,在控制系统研究中引起了极大关注。具体而言,当ETS的预定义触发条件满足时,允许当前传感器测量信息被传输,这可避免在"不必要/异常"信息传输上浪费通信资源。例如,在集合成员Kalman FA方面,Lin等人(2024)针对非线性复杂网络研究了具有ETS的状态滤波问题。此外,Li等人(2024)针对传感器网络上具有ETS和延迟测量的非线性多速率系统处理了分布式形式的滤波问题。与先前提到的通常被称为静态ETS的方案相比,动态ETS被提出用于估计/控制问题,以进一步降低信息传输频率。例如,在Li等人(2020b)中,针对Gilbert-Elliott信道上的MS非线性系统报道了动态ETS下的分布式形式状态滤波器。此外,Hu等人(2024c)讨论了存在放大转发中继和动态ETS的饱和系统的分布式滤波问题。此外,对于一类线性非高斯系统,Wang等人(2024b)提供了二次FA,其中系统考虑了乘性噪声、MM和动态ETS,以更好地模拟真实场景。最近,基于上述ETS,Guo等人(2022)和Guo等人(2025a)提出了基于累积的ETS,其中在事件生成器函数中考虑了权重系数,从而增强系统性能并保持对信号扰动的鲁棒性。例如,Guo等人(2022)解决了具有执行器故障和基于累积ETS的线性系统的状态与故障估计问题。

重要的是,最近的研究重点是增强由ETS和其他网络复杂性引起的协同设计,以提高资源效率和系统在面临不完美现实时的鲁棒性。例如,Wei等人(2025)研究了具有缺失测量和动态ETS的随机Markov跳跃复值网络(CVN)的弹性状态估计,强调了通信调度与数据不完整性之间的相互作用。同样,在持续驻留时间切换的切换复值网络背景下,Li等人(2025b)使用了延迟动态ETS。此外,动态ETS也被扩展到处理具有Markov跳跃和部分未知转移率的神经网络状态估计问题,见Li等人(2025c)。因此,本文的主要动机是连接上述两个方向:i)在基于累积的ETS框架下研究非线性MS系统的DFF问题;ii)同时考虑具有不确定概率的MM这一研究较少但在网络环境中重要且相关的实际情况。据作者所知,尚未研究具有基于累积ETS的MS非线性系统的DFF问题,更不用说同时考虑具有不确定概率的MM现象的情况。这构成了本文的另一个研究动机。

基于上述讨论,根据ICI融合方法和设计的局部滤波器,本文的主要目的是研究具有MM和基于累积ETS的MS非线性系统的DFF问题。与现有结果相比,本文首次在一个统一的递归DFF框架内解决了基于累积ETS、具有不确定概率的MM和MS非线性系统动力学三者的耦合挑战。大多数现有工作使用简单的阈值触发,而本文考虑的基于累积ETS允许误差随时间累积,仅当累积量超过阈值时才传输测量信息,这可进一步节省通信资源同时保证估计性能。同时,MM的概率不再假设为已知常数或遵循标准Bernoulli分布,而是将其建模为具有不确定性的区间变量,这更接近工程实践中准确获取丢包统计特性的难度。关于该问题,主要难点在于:1)如何表征测量输出的具有不确定概率的MM现象;2)如何通过基于累积的ETS构建局部滤波器;3)如何开发分布式融合FA;4)如何从理论角度验证FE协方差的有界性。因此,主要贡献如下:i)为有效解决表征具有不确定概率的MM现象的困难,在传感器测量信息中采用了涉及有界不确定扰动项的概率框架;ii)在网络带宽约束下,设计了一种新颖的两步递归局部滤波器,其中联合考虑滤波器增益和基于累积的触发条件,以实现通信效率与估计准确性之间的平衡,进一步反映实际场景;iii)通过使用ICI融合方法实现融合FA;iv)引入了一个充分条件以确保FE协方差的有界性。

符号说明:r维欧几里得空间表示为?r。??{q}表示关于随机变量q的数学期望。Prob(n)表示事件"n"的发生概率。对于矩阵Y,其欧几里得范数、逆、迹和转置分别表示为‖Y‖、???1、tr(Y)和YT。设I表示具有适当维度的单位矩阵。|a|表示实数a的绝对值。min{·}表示集合"{·}"中的最小元素。τo ≥ 0表示采样时间。i表示第i个传感器。N表示传感器节点数。

问题表述:考虑一个具有N个传感器的多传感器随机系统,对于传感器i,状态空间模型如下:

??τo+1 = ??(??τo) + ??τo ??τo,
??i,τo = ??i,τo ??i,τo ??τo + ??i,τo,i = 1, 2, ?, N

其中??τo ∈ ?n为采样时刻τo的状态。??i,τo ∈ ?ny为第i个测量输出。??(??τo): ?n → ?n为具有有界二阶导数的非线性函数。??τo ∈ ?p和??i,τo ∈ ?ny为系统噪声,假设均值为零,协方差分别为??τo和??i,τo > 0。??τo和??i,τo为已知矩阵。

主要结果:本节针对受MM和基于累积ETS影响的多传感器非线性系统提出融合FA。具体而言,使用Taylor展开方法对非线性函数??(??τo)进行线性化。接下来,基于设计的滤波器(7)-(8),主要任务是计算FE协方差矩阵的最小上界(UB),然后获得期望的滤波器增益。

此外,基于ICI融合方法,发展了DFF方法。有界性分析
以下内容介绍了有界性分析,表明通过合适的条件,FE协方差的上界被保证为一致有界。在此过程中,给出了以下假设。假设1存在正实标量$\bar{a}$、$\bar{b}$、$\bar{c}$、$\bar{d}$、$\bar{e}$、$r$、$\bar{r}$、$\bar{q}$、$\beta$、$\bar{\beta}$、$\lambda$、$\bar{\lambda}$和$\breve{x}$,满足以下条件:$\mathcal{A}_{\tau_o}\mathcal{A}_{\tau_o}^T \leq \bar{a}I$,$B_{\tau_o}B_{\tau_o}^T \leq \bar{b}I$,$C_{i,\tau_o}C_{i,\tau_o}^T \leq \bar{c}I$,$D_{i,\tau_o}D_{i,\tau_o}^T \leq \bar{d}I$,$E_{i,\tau_o}E_{i,\tau_o}^T \leq \bar{e}I$,$\bar{r} \leq R_{i,\tau_o} \leq \bar{r}$,$Q_{\tau_o} \leq \bar{q}I$,$\bar{\beta} \leq \beta_i \leq \bar{\beta} < 1$,$\bar{\lambda} \leq \lambda_i \leq \bar{\lambda}$,$|\hat{x}_{i,\tau_o+1}|\tau_o\hat{x}_{i,\tau_o+1}^T\tau_o \leq \breve{x}I$,对任意时刻。两个数值算例
在本节中,通过两个数值算例展示第3节中描述的理论结果,并验证所提融合FA的相应有效性。结论
本文在基于累积的ETS下,针对存在具有不确定概率的测量缺失的MS非线性系统,提出了一种DFF方法,该方法可以缓解测量概率不确定性和异常信号对系统性能的影响。具体而言,设计了一种两步迭代格式的局部滤波器,然后在每个采样时刻推导预测和FE协方差矩阵。随后,利用矩阵不等式和未引用的参考文献Luo等(2025)。作者贡献Z.H.提出了算法的构思并撰写了论文。T.G.推导了算法并进行了仿真实验。所有作者均已阅读并同意已发表版本的手稿。CRediT作者贡献声明Zhibin Hu:写作—审阅与编辑,写作—初稿,监督,资源,方法论,调查,资金获取,形式化分析,概念化。Tana Guo:写作—审阅与编辑,监督,方法论,调查,资金获取。利益冲突声明作者声明他们不存在可能影响本文所报告工作的已知的竞争性经济利益或个人关系。Zhibin Hu|Tana Guo,集宁师范学院数学与统计学院,乌兰察布,012000,中国
相关新闻
生物通微信公众号
微信
新浪微博

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