×
马立斌;王，毛

未知噪声分布下具有时变传感器延迟的非线性时变复杂网络的状态估计。 （英语） Zbl 1497.93219号

Commun公司。非线性科学。数字。模拟。 114，文章ID 106594，18 p.（2022）。
摘要：非线性时变复杂网络的状态估计是一个常见的问题，特别是对于具有时变传感器延迟的系统。本文提出了一种基于粒子滤波算法的人工免疫策略来估计状态。首先，考虑具有时变传感器延迟的非线性时变复杂网络，从理论上证明了粒子滤波可以用于状态估计。在此基础上，本文采用人工免疫算法来解决粒子算法中的粒子贫化问题。本文从理论上证明了该算法的收敛性。此外，对于具有未知噪声分布的非线性时变复杂网络，本文给出了一种改进算法，该算法使用窗宽随概率密度变化的改进核密度估计算法来估计噪声分布。仿真结果表明了该方案的有效性，特别是当非线性时变复杂网络具有时变传感器延迟且噪声分布未知时。

引用于1文件

MSC公司：

第93页第10页 随机控制理论中的估计与检测
93B70型 网络控制
93立方厘米 延迟控制/观测系统

关键词：

非线性时变复杂网络;时变传感器延迟;人工免疫算法;核密度估计;非高斯噪声;颗粒过滤器
PDF格式BibTeX公司 XML格式引用
\textit{L.Ma}和\textit{M.Wang}，Commun。非线性科学。数字。模拟。114，文章ID 106594，18 p.（2022；Zbl 1497.93219）
全文： 内政部

参考文献：

[1] 何，P。；张庆林。；Jing，C.G。；Chen，C.Z。；Fan，T.，《离散和分布式时变时滞中立型复杂网络的鲁棒指数同步：广义模型变换方法》，Optim Control Appl Methods，35，6，676-695（2015）·兹比尔1305.93026
[2] 李凯。；关，S.G。；龚，X.F。；Lai，C.H.，具有时变时滞的一般复杂动态网络的同步稳定性，Phys-Lett A，372，48，7133-7139（2008）·Zbl 1226.05232号
[3] Sheng，S。；冯·J·W。；唐，Z。；赵毅，时变时滞耦合和非时滞耦合两个耦合复杂网络的混合外同步，非线性动力学，80，1-2，803-815（2015）·兹比尔1345.93005
[4] Sottile，S。；Liu，X.Z.，异质网络中的时间传播流行病传播及其在麻疹中的应用，生物系统杂志，28，4，901-926（2020）·Zbl 1460.92222号
[5] 胡，J。；王，Z.D。；刘，S。；Gao，H.J.，具有缺失测量的时变复杂网络递归状态估计的方差约束方法，Automatica，64，155-162（2016）·兹比尔1329.93135
[6] 李海杰。；宁，Z.J。；Yin，Y.H。；Tang，Y.，具有时变时滞的奇异复杂动态网络的同步和状态估计，Commun非线性科学数值模拟，18，1，194-208（2013）·Zbl 1306.93044号
[7] Sheng，L。；王，Z.D。；邹，L。；Alsaadi，F.E.，含状态和扰动相关噪声的时变随机动态网络的基于事件的H∞状态估计，IEEE跨神经网络学习系统，28，10，2382-2394（2017）
[8] Liang，J.L。；王，Z.D。；Liu，X.H.，具有缺失测量和时变延迟的耦合不确定随机网络的状态估计：离散时间情况，IEEE Trans Neural Netw，20，5，781-793（2009）
[9] 沈，B。；王，Z.D。；Liu，X.H.，有限时域离散时变随机复杂网络的有界H无限同步和状态估计，IEEE Trans Neural Netw，22，1，145-157（2011）
[10] Sheng，L。；牛Y.C。；邹，L。；Liu，Y.R。；Alsaadi，F.E.，round-robin协议下随机耦合强度时变复杂网络的Finite-horizon状态估计，J Franklin Inst Eng Appl Math，355，15，7417-7442（2018）·Zbl 1398.93033号
[11] 邹，L。；王，Z.D。；高海杰。；Liu，X.H.，在round-robin协议下具有时变时滞和随机扰动的离散时间动态网络的状态估计，IEEE Trans Neural Netw Learn Syst，28，5，1139-1151（2017）
[12] 黄，H。；冯·G。；Cao，J.D.，时变时滞不确定神经网络的鲁棒状态估计，IEEE Trans neural Netw，19，8，1329-1339（2009）
[13] 刘海杰。；王，Z.D。；Fei，W.Y。；Dong，H.L.，《WTOD协议下离散时滞记忆神经网络的状态估计：弹性集成员方法》，IEEE Trans-Syst Man Cybern，52，4，2145-2155（2021）
[14] Liu，Y.R。；王，Z.D。；马，L.F。；Alsaadi，F.E.，离散时间延迟随机复杂网络状态估计的基于局部节点的信息融合方法，Inf fusion，49，240-248（2019）
[15] Yu，L.Y。；Liu，Y.R。；崔，Y。；新墨西哥州阿洛塔比。；Alsaadi，F.E.，基于部分节点的延迟复杂网络的间歇动态事件触发状态估计，神经计算，459，59-69（2021）
[16] Nagamani，G。；阿迪拉，B。；Soundararajan，G.，时滞离散时间神经网络的非脆弱扩展耗散状态估计：在四重坦克过程模型中的应用，非线性动力学，104，1，451-466（2021）
[17] Sakthivel，R。；Sakthivel，R。；Kwon，O.M。；Kaviarasan，B.，具有时变耦合延迟的复杂动态网络的故障估计和同步控制，国际鲁棒非线性控制杂志，31，6，2205-2221（2021）·Zbl 1526.93250号
[18] Liu，C.Y。；王，X。；Xue，Y.，具有时变离散时滞和无界分布时滞的离散时间遗传调控网络的全局指数稳定性分析，神经计算，372100-108（2019）
[19] 萧，S.S。；王，X。；张，X。；朱建伟。；Yang，X.，具有泄漏和离散异质延迟的遗传调控网络的状态估计设计：非线性模型转换方法，神经计算，446，86-94（2021）
[20] 严晓川。；Tong，D.B。；Chen，Q.Y。；周，W.N。；Xu，Y.H.，分数布朗运动随机延迟神经网络的自适应状态估计，神经过程Lett，50,22007-2020（2019）
[21] 崔，Y。；Liu，Y.R。；张，W.B。；Hayat，T。；Alsadei，A.，通过间歇传输对一类延迟复杂网络的采样数据状态估计，神经计算，260，211-220（2017）
[22] 艾哈迈德，N。；Rutten，M。；贝塞尔，T。；堪萨斯州。；戈登，N。；Jha，S.，《使用基于粒子滤波器的无线传感器网络的检测和跟踪》，IEEE Trans-Mob Compute，9，9，1332-1345（2010）
[23] Jing，L。；Vadakkepat，P.，用于跟踪机动目标的交互式MCMC粒子滤波器，数字信号处理，20，2，561-574（2010）
[24] 马云（Ma，Y.）。；陈，Y。；周晓伟。；Chen，H.，基于高斯粒子滤波器的锂离子电池剩余使用寿命预测，IEEE Trans Control Syst Technol，27，4，1788-1795（2019）
[25] 张晓云。；刘，D。；Lei，B.Y。；Liang，J.L。；Ji，R.R.，一种多种群合作重采样的智能粒子滤波器，数字信号处理，115（2021）
[26] 邓，X.K。；穆萨维安，A。；Xiang，Y。；夏，F。；Bretl，T。；Fox，D.，PoseRBPF:6维物体姿态跟踪的rao-blackwellized粒子过滤器，IEEE Trans-Robot，37，5，1328-1342（2021）
[27] Wang，X.L。；谢伟新。；李立清，自适应在线估计模型传递概率矩阵的交互式T-S模糊粒子滤波算法，数字信号处理，110（2021）
[28] 邱，Z.B。；Qian，H.M.，自适应遗传粒子滤波器及其在姿态估计系统中的应用，数字信号处理，81，163-172（2018）
[29] Wu，X.H。；Song，S.M.，基于M估计的鲁棒信息无迹粒子滤波，IET信号处理，13，1，14-20（2019）
[30] 胡晓乐。；肖恩，T.B。；Ljung，L.，粒子滤波的一般收敛结果，IEEE Trans-Signal Process，59，7，3424-3429（2011）·Zbl 1391.93242号
[31] 普拉卡萨，R。；Bhagavatula，L.S.，非参数函数估计（1983），学术出版社·Zbl 0542.62025号
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。