论文部分内容阅读
本论文以网络化系统模型为主要研究对象,探讨了几种典型网络化系统在不同数据传输机制调度下的性能分析与综合问题。其中考虑的网络化系统模型主要包括离散时间情形下的时变随机参数系统、随机复杂网络系统和多智能体系统。对于感兴趣的几类数据传输机制主要包括事件触发机制、多速率采样/传输机制、基于冗余通道的数据传输机制、数据编码-解码机制等。此外,在研究以上问题中发展/提出了一些新的技术方法,例如基于递推矩阵不等式(RMI)的参数设计法、基于动态量化的编码方法、动态差分编码方法等。本文的主要研究内容分为两个主题。第一个主题为基于事件触发通信机制研究几类复杂系统(复杂网络、传感器网络、神经网络)的状态估计问题,通过采用李雅普诺夫稳定性理论以及RMI技术,分别详细讨论了这几类系统状态估计策略的分析问题以及对应的估计器设计问题,发展了几种在网络资源受限环境下简洁有效且易于实现的估计器设计方案。第二个研究主题旨在针对几类网络化系统,研究其在数据编码-解码机制下的控制与滤波问题,主要采用动态量化方法、差分编码方法和类黎卡提方程技术,建立了适合刻画特定编码-解码策略的数学模型,解决了不同编码机制下系统的性能(渐近/指数稳定性、一致性、滤波误差方差最优性)分析问题,丰富了编码-解码理论在控制领域的应用场景。此外,对于一类随机时变多速率系统,考虑了具有冗余通道传输机制的有限域滤波问题,建立了此类多速率系统满足多性能指标的滤波器设计方案。具体来讲,本论文的研究内容主要由以下几个方面构成:对于一类具有混合型时延的时不变复杂网络系统,在基于事件触发通信机制下,讨论了其状态估计问题。利用李雅普诺夫稳定性理论以及随机分析技术,得到了保证估计误差动态均方指数一致有界的充分条件,同时获得了估计误差上界的具体表达形式并定性分析了系统各参数对该上界大小的影响。此外,基于类似的分析手段,研究了一类带有时延的时不变递归神经网络在事件触发通信协议调度下的状态估计问题,采用了更为一般的基于独立分量的事件触发方式,给出满足估计误差指数有界的估计器具体设计方案。进一步,将之前时不变系统模型推广至时变情形,考虑了带有连续测量丢失的时变随机参数系统多指标有限时域分布式滤波问题。传感器之间的信息传输遵循事件触发原则,并同时考察了滤波误差系统的干扰抑制和方差受限性能。对于一类多速率线性时变系统,考虑了其多指标(H∞性能和方差约束性能)有限时域滤波问题。假设传感器端数据在传输至滤波器端过程中发生丢失现象,为了提高数据传输的可靠性,引入基于冗余通道的传输策略。借助于提升方法和递推矩阵不等式技术,获得了在有限时域上满足给定滤波性能的滤波器存在性条件,同时给出了滤波器参数的具体求解方法。为了进一步说明所采用的冗余通道策略的有效性,在仿真例子中给出了带有不同通道数的滤波效果对比实验。通过对比仿真结果再次验证所得理论结果的正确性。在网络资源受限情形下,讨论了一类离散时间动态网络的基于状态观测器的同步控制问题。针对每个节点的状态观测器的输出,引入动态均匀量化方法和差分编码策略。同时在编码值的传输过程中考虑了随机发生的数据包丢失现象。在解码器端,解码器根据所接收到的码值得到相应的解码值,并利用解码状态对每一个节点设计同步控制器,借助输入到状态稳定性(ISS)理论,得到保证同步误差系统渐近稳定的充分条件。根据线性矩阵不等式方法,获得了相应的同步控制器参数。进一步,对一类带有有向通信拓扑结构的网络化多智能体系统,对其基于观测器的一致性控制问题进行了研究。类似地,采用动态均匀量化方法,对于观测器输出值设计了差分编码策略。对于每个智能体,首先将观测器输出值编码成对应的占用比特数更少的码值进行传输,在控制器端设计相应的解码算法将收到的码值进行解码。借助于图论和输入到状态稳定性理论,获得保证被控智能体系统渐近一致性的充分条件。采用矩阵分解技术,进一步将原系统解耦成M个子系统进行分析。然后通过分析智能体系统邻接矩阵的特征值特性,获得了基于线性矩阵不等式的系统一致性的充分条件,其中线性矩阵不等式个数独立于智能体个数。分析了基于多描述编码机制的一类离散时间随机非线性系统递推滤波问题。传感器端和编码器端之间考虑了信道衰减效应。对于遭受信道衰减效应的测量输出采用基于均匀量化的多描述编码策略。通过引入服从特定概率分布的随机序列以及Kronecker-delta函数来刻画解码后的测量输出,并获得了不同情形下解码误差的范围。通过求解一组耦合的类黎卡提方程得到了保证滤波误差协方差上界最优情形下的滤波器参数。进而,将多描述编码策略应用至一类离散时间线性系统的控制问题。不同于传统的静态编码策略,首次提出动态多描述编码策略。在合理设置编码器-解码器参数条件下,此编码机制能够保证解码误差渐近收敛。基于此,得到了被控闭环系统渐近稳定的充分条件。进一步定量分析了系统(原系统、编码器、解码器、信道)参数与闭环系统稳定性之间的相互关系。