考斯塔夫·乔蒂（Kaustav Jyoti Borah）;Krishna Dev库马尔 增强型无迹卡尔曼滤波器用于执行器故障下不确定多智能体系统的一致性实现。 （英语） Zbl 07821113号 国际J鲁棒非线性控制 33，第18号，10867-10892（2023）. 综述：本文研究了不确定多智能体系统（MAS）一致性跟踪中的执行器故障检测和重构。假设通信是无方向连接的。提出了一种用于检测执行器故障的自适应故障检测方法。采用一种新的增强型无迹卡尔曼滤波器（RUKF），通过调整无迹卡尔文滤波器（UKF）的噪声协方差矩阵来重构故障，并通过提供一组先验测量值来训练神经网络内部参数。采用切比雪夫神经网络（CNN）学习不确定对象。为了防止神经网络逼近误差，采用了基于双曲正切函数的鲁棒控制项。Lyapunov稳定性方法保证了所提出的RUKF的稳定性，该方法与鲁棒控制方法一起运行。最后，通过数值仿真验证了所提出的RUKF在执行器突变、间歇和瞬态故障条件下的有效性。©2023 John Wiley&Sons有限公司。 MSC公司： 93E11号机组 随机控制理论中的滤波 93D50型 共识 93甲16 多代理系统 关键词：故障检测与重构;李亚普诺夫稳定性;多智能体系统;强化学习;状态估计 PDF格式BibTeX公司 XML格式引用 \textit{K.J.Borah}和\textit{K.D.Kumar}，《国际鲁棒非线性控制》33，No.18，10867--10892（2023；Zbl 07821113） 全文： 内政部 参考文献： [1] 新华、先翁、建和。一类非线性多智能体系统的分布式故障估计。IEEE Trans-Syst Man，Cybernet。2020;50(9):3382‐3390. [2] ChadliM、DavoodiMR、MeskinN。异构多代理线性参数变化系统的分布式状态估计、故障检测和隔离滤波器设计。IET控制理论应用。2017;11(2):254‐262. [3] 洪一L、吴Y、陈M。基于强化学习算法的离散时间多智能体系统自适应容错跟踪控制。IEEE Trans Cybernet。2021;51(3):1163‐1174. [4] 秦杰、张刚、郑伟X、康毅。具有执行器故障的二阶非线性多智能体系统的自适应滑模一致性跟踪。IEEE Trans Cybernet。2019;49(5):1605‐1615. [5] 刘C、王毅、周德、申克思。基于分布式协同滤波器的多智能体系统的最小方差无偏未知输入和状态估计。IEEE接入。2018;6:18128‐18141. [6] JinX、LuS、YuJ。一类带有执行器故障和故障网络的非线性多智能体系统的基于自适应神经网络的一致性。IEEE Tran Neural Netw学习系统。2022;33（8）：3474‐3486。doi:10.1109/TNNLS.2021.3053112 [7] 呼罗珊阿齐兹姆。用于深空编队飞行卫星执行器故障估计的分布式卡尔曼滤波器。2009年第三届IEEE系统年会：354-359。 [8] Yang P、XuM、LiD、Liu Z、HuangY。基于自适应观测器的执行器故障多智能体系统分布式容错一致性控制。传输仪器测量控制。2019;41(15):4207‐4217. [9] XiaoB，Yin S.（音）。一种机器人智能执行器故障重构方案。IEEE Trans Cybern公司。2018;48(2):639‐647. [10] 张凯、蒋斌、石鹏、徐杰。离散时间模糊系统有限频率鲁棒H故障估计观测器的分析与设计。IEEE Trans Cybern公司。2015;45(7):1225‐1235. [11] 韩杰、刘翔、高翔、魏翔。具有有向图的非线性多智能体系统基于中间观测器的鲁棒分布式故障估计。IEEE Trans Ind信息。2020;16(12):7426‐7436. [12] 张凯、刘刚、江波。基于未知输入观测器的领导-跟随线性多智能体系统鲁棒故障估计。循环系统信号处理。2016;36(2):525‐542. ·Zbl 1368.93141号 [13] WangH、TongM、ZhaoX、NiuB、YangM。非线性切换系统的预定义时间自适应神经跟踪控制。IEEE Trans Cybern公司。2022:1‐11. doi:10.1109/TCYB.2022.3204275 [14] 萨基维尔R、帕里瓦尔拉A、卡维亚拉桑B、利赫、利米。具有时变执行器故障和输入饱和的马尔可夫跳跃多智能体系统的有限时间一致性。ISA事务。2018;83:89‐99. [15] SakthivelR、KaviarasanB、Ahn KiC、KarimiRH。基于观测器和随机故障执行器的多智能体系统可靠共识协议。IEEE Trans-Syst、Man、Cybern：系统。2018;48（12）：2383‐2393。 [16] 蔡明、湘姿、郭杰。使用神经网络实现多智能体系统的自适应有限时间一致性协议。IET控制理论应用。2016;10(4):371‐380. [17] KhaliM、Zhang X、Polycarpou MM、ParisiniT、CaoY。不确定多智能体系统的分布式自适应容错控制。自动化。2018;87:142‐151. ·Zbl 1378.93040号 [18] LiY、WangC、CaiX、LiL、WangG。具有输入量化和执行器故障的非线性多智能体系统的基于神经网络的分布式自适应渐近一致性跟踪控制。神经计算。2019;349:64‐76. [19] DongG、LiH、MaH、LuR。多智能体系统的有限时间一致性跟踪神经网络FTC。IEEE Trans Neural Netw学习系统。2020;32(2):653‐662. [20] HanL、SunP、DuY等。视频游戏AI中多智能体强化学习的网格化控制。2019年第36届国际机器学习会议论文集；加利福尼亚州长滩（PMLR 97）。 [21] 刘Y、王Z、王Y。执行器故障时多代理系统的基于数据的输出同步。IEEE Trans Neural Netw学习系统。2022:1‐8. doi:10.1109/TNNLS.2022.3160603 [22] 王赫、科克斯、张赫。动态不确定性非线性系统的自适应有限时间跟踪控制。IEEE传输自动控制。2022:1‐8. doi:10.1109/TAC.2022.3226703 [23] ZouAM、KumarKS、HouZG。基于终端滑模和切比雪夫神经网络的多智能体系统分布式一致性控制。Int J鲁棒非线性控制。2013;23(3):334‐357. ·Zbl 1273.93015号 [24] 西蒙D。最优状态估计、卡尔曼、H∞和非线性方法。约翰·威利父子公司；2006 [25] RahimiA、KumarKD、AlighanbariH。使用基于协方差的自适应无迹卡尔曼滤波器对卫星反作用轮进行故障估计。《宇航员学报》。2017;134:159‐169. [26] LiL，XiaY。具有间歇观测的无迹卡尔曼滤波器的随机稳定性。自动化。2012;48:978‐981. ·Zbl 1246.93121号 [27] ReifK、GuntherS、YazE、UnbehauenR。离散时间扩展卡尔曼滤波器的随机稳定性。IEEE传输自动控制。1999;44(4):714‐728. ·Zbl 0967.93090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。