综述了具有网络诱导现象的非线性随机系统递归滤波和滑模设计问题的一些最新进展。考虑中的网络诱导现象主要包括缺失测量、衰落测量、信号量化、概率传感器延迟、传感器饱和、随机发生的非线性和随机发生的不确定性。针对这些网络诱导现象，系统地回顾了滤波和滑模设计问题的发展。特别是，关于网络诱导现象，分别给出了时变非线性随机系统递归滤波和时不变非线性随机系统滑模设计的一些最新结果。最后，提出了结论，并指出了一些未来的研究工作。
1.简介
近年来，网络控制系统（NCS）由于具有降低硬件、安装成本和实施难度的优点而变得非常流行。它们的应用可以覆盖广泛的行业，例如空间和陆地探索、危险环境中的访问、工厂自动化、远程诊断和故障排除、实验设施、家用机器人、飞机、汽车和制造厂监控[1,2]. 在当今的网络世界中，信号通常通过网络（例如Internet）传输，这些网络可能会经历不可避免的通信延迟、数据包丢失和无序、量化、饱和等。这些网络引起的现象包括但不限于缺失测量、衰落测量、信号量化、，延迟、随机发生的非线性、概率传感器延迟和传感器饱和。众所周知，在实际工程应用中，这些网络诱导现象会导致结构和参数发生突变。因此，解决具有网络诱导现象的系统的滤波和滑模设计问题具有重要意义。
非线性和随机性是几乎所有实际系统中普遍存在的特征，这大大增加了系统建模的复杂性。由于非线性和随机性的出现，不可避免地会降低系统的性能，甚至导致不稳定，因此非线性随机系统的分析和综合问题一直是研究的主流课题，人们对非线性随机系统进行了大量的研究。因此，许多控制和过滤方法已成功应用于实际领域的许多分支，如计算机视觉、通信、导航和跟踪系统、计量经济学和金融学。在过去的十年里，随着网络控制系统的快速发展，具有网络诱导现象的非线性随机系统的控制器和滤波器设计最近成为了一个研究热点，引起了人们越来越多的兴趣。
本文旨在及时回顾具有网络诱导现象的非线性随机系统的递归滤波和滑模设计的最新进展。考虑中的网络诱导现象包括缺失测量、衰落测量、信号量化、概率传感器延迟、传感器饱和、随机发生的非线性和随机发生的不确定性。首先综述了网络诱导现象的最新发展。其次，详细回顾了非线性随机系统的各种滤波和滑模设计，并提出了一些有趣但具有挑战性的问题。随后，综述了具有网络诱导现象的离散非线性随机系统递归滤波和滑模设计的最新研究成果。最后，得出结论并指出了一些可能的相关研究方向。
本文的其余部分安排如下。在节中2讨论了网络诱导现象。在节中三综述了非线性随机系统滤波和滑模设计问题的研究进展。第节回顾了具有网络诱导现象的非线性随机系统递归滤波和滑模设计问题的一些最新结果4.在第节中5给出了本文的结论和未来的研究工作。
2.网络引发的现象
近年来，人们对网络引发的问题进行了大量研究，主要集中在缺失测量、衰落测量、信号量化、传感器饱和、概率传感器延迟、随机出现的非线性、时间延迟等方面。
2.1. 缺少测量值
大多数传统的控制器/滤波器设计方法都依赖于测量信号完全传输的假设。然而，在许多通信信道不可靠的工程实践中，这种假设是保守的。例如，由于时间传感器故障或网络拥塞，系统测量可能仅在特定时间点包含噪声，而真实信号则完全丢失。因此，缺失测量的控制和滤波问题受到了相当大的研究关注，近年来报道了许多重要的结果；例如，请参见[三–13]. 更具体地说，最优估计问题已经在[5,8]对于具有多个数据包丢失的线性系统。在[12]分析了具有间歇观测的扩展卡尔曼滤波（EKF）的随机稳定性。建模数据缺失的一种常见方法是引入满足伯努利二进制分布的随机变量，取值为1或0，其中1表示完美信号传递，0表示测量缺失。上述大多数结果都基于假设，即所有传感器都具有相同的故障特征[5]. 然而，在实际应用中，由于传感器老化、传感器暂时故障或来自高噪声环境的部分数据，测量丢失可能是部分的，单个传感器在数据传输过程中可能具有不同的丢失概率[11].
2.2. 褪色测量
衰减测量是网络系统中最常见的现象之一[14,15]. 它们指的是完美通信并非总是可用，系统测量以概率方式衰减/降级的情况。具体来说，线性状态估计问题在[14]其中，单个或多个传感器通过噪声衰落无线信道放大并将其对公共线性动力系统的测量转发给远程融合中心。结果表明，融合中心处的期望估计误差协方差（相对于衰落过程）保持有界并收敛到稳态值。估计中断最小化问题在[15]用于无线衰落信道上线性系统的状态估计。显然，上述缺失的测量值是衰落测量值的极端情况。因此，缺失测量的滤波问题引起了相当大的研究兴趣[5,12,16–18]. 最近，在[11]并且已经引起了一些研究兴趣，其中允许每个传感器在数据传输中具有单个丢失概率。如上所述，处理缺失测量的常用方法是引入由条件概率分布指定的伯努利分布白序列，其中假设测量信号完全缺失或完全可用。然而，这种假设在实际中对传感器阵列的衰落测量具有很大的限制性。
2.3. 信号量化
在网络系统的前沿，量化问题最近成为了一个越来越引起人们兴趣的研究焦点，因为在网络环境中，由于分组的字长有限，信号在传输到其他节点之前往往会被量化。到目前为止，文献中已经有一系列关于量化效应的结果；例如，请参见[19–25]以及其中的参考文献。在[21]研究了具有对数量化器的单输入单输出线性定常系统的二次镇定问题。随后，通过使用扇区边界方法，量化反馈控制问题在[23,26]对于线性离散时间系统。与量化反馈控制问题类似，量化估计问题也有广泛的应用，例如[27,28]以进行更详细的讨论。具体来说，当测量信号通过数字通信信道传输时，状态估计器已在[28]对于具有量化测量的线性系统。值得注意的是，大多数关于量化效应的公开结果都是针对无限视界上的时不变系统进行的。然而，在现实中，大多数具有时变特性和系统动力学的实际系统在有限范围内得到了更好的量化，这对于正在进行数字离散化的系统来说尤其如此。到目前为止，对于具有量化效应的非线性时变系统，有限时域递归滤波问题还没有得到适当的研究。
2.4. 随机发生的非线性和随机发生的不确定性
非线性和不确定性是系统建模的两种重要复杂性。众所周知，实际中的许多工程系统都受到环境条件引起的附加非线性扰动和/或不确定性的影响。此类不可预测的干扰可能会发生随机突变，例如部件的随机故障和维修、子系统互连的变化、突发环境干扰以及非线性系统线性化模型的工作点的修改。换句话说，非线性扰动和参数不确定性可能以某种类型和强度的概率方式发生。一个典型的例子是网络控制系统，其中信号通过网络传输，根据随机变化的网络条件，可能会发生非线性干扰和不确定性。在这种情况下，在设计实际控制系统时，应考虑随机发生的非线性（RON）和随机发生的不确定性（ROU）。最近，在[29,30]RON的概念被引入复杂网络的随机非线性函数建模，但ROU尚未得到足够的研究关注。
2.5。概率传感器延迟
大多数传统的滤波算法都是基于测量输出，这些测量输出应该包含有关系统当前状态的信息。然而，在工程实践中，系统测量可能会受到不可避免的传感器延迟的影响，这在网络环境中尤其如此。在过去十年中，针对具有确定性/固定传感器延迟的滤波问题，已报告了大量结果；参见示例[31–33]. 另一方面，由于通信信道的带宽有限，在实时分布式决策和多路数据通信环境中，当信息通过网络传输时，传感器延迟通常以随机方式发生[34]. 因此随机的，随机的传感器延迟最近受到了很多研究关注（参见，例如[35–39])，其中所有传感器共享相同类型的延迟特性[40,41]. 然而，在现实中，系统测量通常通过具有不同物理约束的多个传感器进行收集。在这种情况下，假设所有传感器都经历相同概率分布规律的随机延迟是相当保守的。相反，考虑随机发生的传感器延迟的个别特征更有实际意义。
2.6. 传感器饱和度
众所周知，主要由于物理限制或技术限制，传感器可能并不总是产生无限振幅的信号。如果处理不当，传感器饱和将不可避免地影响所设计滤波/控制算法的实现精度，甚至可能导致滤波器/控制器性能的不良下降。因此，致动器/传感器饱和问题引起了越来越多的研究兴趣，这导致了最近文献中报道的许多重要结果；例如，请参见[42–48]. 更具体地说，输出反馈控制器已在中合成[43,47,48]以及鲁棒性过滤器的设计[44,45]对于传感器饱和的系统。值得一提的是，关于传感器饱和的大多数现有结果都与无限深上的时不变系统有关。不幸的是，在现实中，几乎所有的实时系统都应该是时变的，特别是那些经过数字离散化的系统。最近，由于传感器饱和问题的实际重要性控制问题已在[48]集合成员过滤问题已经在[46]对于一类具有饱和传感器的时变系统。
2.7. 随机参数矩阵
具有随机参数矩阵的离散时间系统出现在许多应用领域，如化工过程的数字控制、移动机器人定位、雷达控制、导弹轨迹估计、导航系统和经济系统[49–51]. 在这种情况下，一些系统参数可能会在一定的时间间隔内随机扰动，这可能是由于突然现象造成的，例如部件的随机故障和维修、子系统互连的变化、环境的突然变化以及非线性系统线性化模型的工作点的修改。因此，对随机参数矩阵滤波器的设计进行了一些研究。例如，递归最优估计问题已在[49]对于具有最小方差意义下随机参数矩阵的线性离散时间系统。分布式卡尔曼滤波融合问题在[50]对于具有随机参数矩阵的系统，还讨论了其潜在的应用。然而，可能由于其数学复杂性，具有随机参数矩阵的离散时变非线性随机系统的递归滤波问题尚未得到足够的研究关注。
2.8. 时间延迟
众所周知，由于放大器的有限开关速度或信息处理的有限速度，在许多工业和工程系统（例如，化学过程、气动长传输线和通信网络）中经常会遇到时滞[52,53]. 时滞的存在可能会导致不期望的动态行为，如振荡和不稳定性[54,55]. 在过去的几十年里，人们对时滞系统进行了大量的研究；例如，请参见[56–64]以及其中引用的参考文献。举几个例子，在[57]对于具有单/多状态延迟和加性扰动的不确定系统。在[58]利用线性矩阵不等式（LMI）技术，设计了一个积分滑模面来解决时变时滞不确定随机系统的滑模控制（SMC）问题。在系统状态不易测量的情况下，SMC问题已在[59]对于具有不匹配不确定性的系统，采用输出反馈方法。在[65]研究了一类具有马尔可夫切换的非线性奇异随机系统的SMC问题。实际上，根据时滞的发生方式，时滞一般可分为两类：离散时滞和分布时滞。上述大多数结果仅适用于连续时间系统，对于具有混合（即离散和分布）时滞的离散时间系统的相关结果很少。离散时间设置中的分布时滞是一个新兴概念，在[30,66]用于复杂网络。
3.非线性随机系统的递归滤波和滑模设计
在本节中，我们将回顾处理非线性随机系统递归滤波和滑模设计问题的方法。
3.1. 递归滤波器设计
非线性系统的分析与综合问题一直是研究的主流课题，人们在处理非线性随机系统方面做了大量的工作；例如，请参见[11,67–81]. 值得指出的是，在大多数文献中，非线性假设以确定性的方式发生。虽然这一假设通常是正确的，尤其是对于根据物理定律建模的系统，但其他类型的非线性，即随机非线性，值得特别关注，因为它们可能是由于间歇性网络拥塞、随机故障和部件维修而随机发生的，子系统互连的变化、环境的突然变化以及非线性系统线性化模型的工作点的修改。事实上，这种随机非线性包括作为特殊情况的状态乘性噪声和随机序列。最近，用统计方法描述的随机非线性滤波问题已经引起了一些研究兴趣，一些最新结果可以在[11,73,82]以及其中的参考文献。
在过去的几十年里，随机系统的滤波或状态估计问题得到了广泛的研究，并成功地应用于实际领域的许多分支[83–86]. 众所周知，对于线性的假设系统模型是精确已知的。在系统模型为非线性和/或不确定性的情况下，人们越来越多地研究改进卡尔曼滤波器，希望提高其处理非线性和不确定性的能力。沿着这个方向，文献中报道了许多替代滤波方案，包括过滤[87–89]，混合过滤[90–92]和强大的EKF设计[93–97]. 举几个例子，最优线性估计问题在[9]具有多个数据包丢失和[40]对于具有不同延迟率的多个传感器，在[98]对于具有随机参数不确定性的线性时变系统，EKF问题已在[94]对于一类具有和二次约束的不确定系统。注意，几乎所有实时系统都是时变的，因此有限时域滤波问题具有实际意义[99]. 然而，对于具有网络诱导现象的时变非线性随机系统的有限时域滤波问题，文献中的结果很少。
在大多数可用的滤波算法中，保守的假设是过程和测量噪声不相关。在实际工程中，这两种噪声往往是相关的。例如，对于目标跟踪问题，如果过程噪声和测量噪声都依赖于系统状态，则它们之间可能存在相互关联。此外，从连续时间系统采样的离散时间系统的过程噪声序列在时间上具有内在的相关性，如果各种传感器在共同的噪声环境中工作，则不同传感器噪声之间可能存在交叉相关性。一个典型的例子是采样频率与误差带宽相比足够高的雷达系统[100]. 最近，滤波器设计问题在[101–106]具有自相关噪声和/或交叉相关噪声。值得一提的是，对于具有相关噪声和网络诱导现象的时变非线性随机系统的递归滤波问题，研究工作很少。
出于实际目的，滤波器设计不可避免地受到某些物理约束。例如，在许多应用中，系统状态应保持正值，系统输出经历饱和，滤波器增益可能需要具有特定的结构，以便于实现。应该指出的是，在过去十年中，带约束的过滤问题一直受到人们的关注；例如，请参见[103,107–111]. 最近，在[110]开发了一种KF算法来处理数据注入增益的约束。研究了一类实时动态系统的增益约束滤波问题；例如，参见陆基车辆的跟踪问题[103]双状态连续搅拌反应器的估算问题[112]以及车辆在环形道路上的跟踪问题[113].
3.2. 保证概率过滤器设计
在传统的控制理论中，通常要求精确地达到受控系统的性能目标[114]. 然而，对于许多随机控制问题，由于各种不可预测的干扰，用概率强制系统性能既不可能也不必要相反，对于实际控制系统来说，以一定的令人满意的概率实现其各自的性能目标是很常见的。这些工程问题对实现单个概率约束下的多个控制目标提出了巨大挑战。特别是，作为一个新兴的研究课题，概率保证控制器设计问题已在[115]然后在[116–119]以优雅的方式。具体来说，保证的概率分析问题已在[115,119]对于一类线性连续时间系统[116]研究了一类具有结构扰动的线性离散系统。最近，一种新的概率保证稳健在中提出了过滤问题[118]对于一类线性连续时不变系统。尽管在概率保证设计的研究课题上取得了进展，但为了涵盖更多的工程实践，对更全面的系统进行进一步研究仍有很大的空间。例如，在现实中，大多数工程系统都是非线性和时变的，带有饱和传感器，对于时变系统，性能通常在有限时域内进行评估。
3.3. 滑模控制器/观测器设计
在鲁棒控制的各种设计方法中，滑模控制（SMC）方案似乎是一种比较流行的方法，已被广泛研究和应用。这是因为SMC对模型不确定性、参数变化和外部干扰具有显著的强鲁棒性[65,120–122]. 在过去的二十年里，SMC已经成为控制理论中最活跃的分支之一，在各种实际工程系统中得到了成功的应用，例如机器人操作器、飞机、水下航行器、航天器、电机、定位系统和汽车发动机。例如，自适应滑模在[123,124]用于无传感器电机驱动。有效的SMC方案已在[125]用于高速定位系统和[126]用于航天器姿态跟踪机动。此外，对于不同系统的SMC问题的理论研究也受到了相当大的关注。例如，SMC的概念已广泛应用于不确定系统的控制器设计问题[61,127,128]，随机系统[58,59,65,129]和马尔科夫跳跃系统[65,130].
最近，关于SMC问题的许多重要结果已被报道离散时间系统；参见[60,61,131–135]. 在[136,137]研究了一类具有不匹配不确定性的不确定系统的SMC问题。在离散时间系统的SMC背景下，准滑模概念已在[133]并且基于趋近律方法对离散时间滑模的趋近条件进行了深入的研究。这种达到目的的条件最近在[60,61,138–140]是解决一类离散时间系统的SMC问题的一种流行且方便的方法。注意到网络控制系统的优点，研究具有各种网络诱导现象的离散时间系统的SMC问题似乎非常重要。
另一方面，众所周知，系统状态并不总是可用的，这主要是由于物理条件的限制或实际测量的费用。因此，状态估计问题受到了广泛的研究关注。近年来，滑模观测器（SMO）理论已成功应用于感应电机驱动、，-自由度机械系统和单连杆柔性关节机器人系统[141–143]. 在设计滑模观测器（SMO）时，通常会引入合适的非线性输出注入，以保证有限时间收敛并诱发滑动运动。SMO设计的大部分研究都是沿着这条线进行的；例如，请参见[141,142,144–149]. 具体来说，通过构造适当的SMO，故障重建和估计问题在[143,146–148,150]对于不确定系统。应该指出，上面提到的几乎所有结果都与连续时间系统有关离散时间尽管当今数字化控制系统本质上是离散时间系统，但系统却很少。
如上所述，在各种工业系统中不可避免地会遇到时滞和非线性。时滞和非线性的出现会导致系统性能的大幅度下降。因此，非线性和/或时滞系统的SMO问题得到了广泛的研究兴趣，并在文献中发表了各种重要的结果；参见[143,148,150–152]. 举几个例子[151]，一个研究了具有故障和扰动的不确定非线性Lipschitz型系统的SMO问题，给出了一个充分条件，使得满足性能要求。通过使用泰勒级数展开和非线性变换，在中导出了离散时间模型[150,152]从其连续时间对应项出发，研究了不确定非线性系统的离散滑模状态估计问题。到目前为止，对于离散时滞系统的SMO问题，已有的研究成果很少。
4.最新进展
最近，对于具有网络诱导现象的非线性随机系统，递归滤波和滑模设计问题得到了广泛的研究，并已报道了一些有趣的结果。在本节中，将总结与此主题相关的一些最新作品。
（i） 在[153,154]研究了两类时变非线性随机系统的递归滤波问题。首先，测量丢失的现象是随机发生的，每个传感器的丢失概率由满足一定概率分布的单个随机变量控制这种概率分布可以是区间内任何常用的分布条件概率已知。系统模型中包含了确定性和随机非线性，其中随机非线性由统计方法描述，可以反映乘性随机扰动。年首次设计了一种新的过滤器[153]这样，在存在随机非线性和多重缺失测量的情况下，滤波误差协方差存在一个上界，通过适当设计滤波器增益可以最小化该上界。其次，在[154]对于一类受乘性噪声、测量缺失和量化效应影响的时变非线性系统。缺失测量值由一系列相互独立的随机变量建模，这些随机变量服从可能具有不同发生概率的伯努利分布。用对数函数描述了量化现象，并考虑了乘性噪声对系统状态的随机扰动。通过使用类似的技术，通过求解两个适用于在线应用的递归形式的类Riccati差分方程，获得了所需的滤波器参数。
（ii）在[155,156]研究了两类随机非线性时变随机系统的递归滤波问题。首先，测量衰落现象以随机的方式发生，每个传感器的衰落概率由单个随机变量控制，在已知间隔内服从一定的概率分布这种概率分布可以是区间内任何常用的离散分布这将伯努利分布作为一个特例进行了介绍。过程噪声和测量噪声分别是一步自相关的。过程噪声和测量噪声是两步交叉相关的。在中设计了无偏、递归和局部最优滤波器[155]对于一类具有随机参数矩阵、随机非线性、多重衰落测量以及相关噪声的时变非线性随机系统。其次，将所提出的滤波方法扩展到处理增益约束递归滤波器设计问题[156]对于具有概率传感器延迟、随机非线性和有限步相关噪声的系统。为了获得以递归矩阵方程解为特征的滤波器增益，进行了深入的随机分析。结果表明，所提方案的形式适合在线应用中的递归计算。
（iii）保证的概率有限时域滤波问题在[157]针对一类参数不确定且传感器饱和的时变非线性系统。系统矩阵是相互独立的随机变量在已知有限范围内服从均匀分布的函数。通过使用扇区边界方法，采用了一种分解技术，以便于根据差分线性矩阵不等式（DLMIs）进行滤波器设计。关注的是时变滤波器的构造，以便性能要求可以通过预先指定的概率约束来保证。通过采用DLMIs方法，已经建立了充分的条件来保证所设计的有限时域滤波器的预期性能。根据一组DLMI的可行解获得了时变滤波器增益，这些DLMI可以用半定规划方法递归求解。已经专门为保证的寻址概率开发了一种计算算法有限时域滤波问题。
（iv）SMO设计问题已在[158]对于一类非线性离散时滞系统。非线性描述量化了线性模型的最大可能导数，并且允许系统状态是不可测量的。人们关注的是离散时间SMO的设计，其渐近稳定性以及在存在非线性、时滞和外部干扰的情况下，可以保证误差动力学的性能要求。首先，构造了一个离散时间间断切换项，以确保到达条件成立。然后，通过基于“延迟分步”思想构造一个新的Lyapunov-Krasovskii泛函，并引入适当的自由加权矩阵，通过求解一个最小化问题，建立了一个充分条件，以保证误差动力学在指定滑动面上的期望性能。特别是，我们构造性地引入了所谓的“加权”标量参数，以适应延迟分馏思想和滑模方法。研究表明，通过求解一组矩阵不等式的可行解，可以获得期望的观测器增益，这些矩阵不等式可以用半定规划方法很容易地求解。
（v） 在[159,160]研究了具有时变时滞的离散时间不确定非线性随机系统的鲁棒SMC问题。首先，根据已知条件概率的贝努利分布白序列对描述一类非线性扰动随机发生现象的随机发生非线性（RON）进行建模。通过构造一个新的Lyapunov-Krasovskii泛函，将延迟分馏的思想应用于具有时滞的鲁棒SMC问题。已经在中导出了充分的条件[159]以确保系统动力学在指定滑动表面中的稳定性。这些条件已经用一组具有等式约束的LMI来描述。合成了一种新的离散时间滑模控制律，以保证离散时间滑面的到达条件。此外，稳健SMC问题已在[160]针对一类具有随机非线性和时变时滞的离散时间不确定系统。通过构造一个相似的滑动面并设计SMC律，已经给出了充分的条件，以确保对于所有参数不确定性、不匹配的随机非线性、时变时滞和不匹配的外部扰动，滑模动力学在达到规定的扰动衰减水平的同时是渐近均方稳定的。
（vi）输入[161,162]研究了具有混合时滞的离散时间不确定非线性随机系统的鲁棒SMC问题。首先，扇形非线性和范数不确定性都以随机的方式进入系统，这些ROU和RON服从某些互不相关的Bernoulli分布白噪声序列，且条件概率已知。这种描述可以反映这样一个事实，即由于环境环境的不可预测变化，ROU和RON可能以概率的方式出现或消失。混合时滞由离散时滞和分布时滞组成，随机扰动具有一般的Itó型。SMC法设计于[161]这样，在存在ROU和RON以及混合时滞的情况下，可以保证滑模动力学的均方渐近稳定性。利用延迟分步的思想，构造了一个新的Lyapunov-Krasovskii泛函，通过求解某个半定规划问题，建立了在指定滑动面上达到期望性能的充分条件。其次，在[162]对于一类具有马尔可夫跳变参数和混合时滞的不确定非线性系统，得到了一组并行结果。
5.结论和未来工作
本文总结了具有网络诱导现象的非线性随机系统的递归滤波和滑模设计的一些最新进展。综述了网络诱导现象的发展。随后，讨论了非线性随机系统的各种递归滤波和滑模设计问题。此外，给出了具有网络诱导现象的非线性随机系统的递推滤波和滑模设计方法，并对最新结果进行了评述。为了总结这篇调查论文，我们强调了以下与进一步研究工作相关的一些主题。（i）所述非线性具有一些约束，可能会带来一些保守的结果。具有网络诱导现象的更一般非线性系统的分析与综合将是未来的研究课题之一。（ii）另一个未来的研究方向是研究非线性时变系统在有限时间内随机发生执行器故障的保成本控制问题。（iii）如果递归滤波方法的收敛性分析受到关注，可以对系统参数进行一些附加假设，以确保估计误差的全局有界性，这是未来的研究课题之一。（iv）当系统状态不可测时，对于具有网络诱导现象的时滞非线性随机系统，需要进行动态输出反馈滑模设计。（v）未来研究的另一个趋势是将现有方法推广到具有网络诱导现象的非线性随机复杂网络的同步、控制和滤波问题。
致谢
这项工作得到了中国国家自然科学基金会（批准号：61134009、61329301、61333012、61374127和11301118）、英国工程与物理科学研究委员会（EPSRC）（批准号为GR/S27658/01）、英国皇家学会和德国亚历山大·冯·洪堡基金会的部分支持。
