[发明专利]一种基于协议的时滞马尔科夫系统的状态估计方法和系统

说明书

本发明公开了一种基于协议的时滞马尔科夫系统的状态估计方法，包括：建立具有马尔科夫参数、传感器非线性、模态依赖时滞和随机干扰的神经网络系统的动态模型；在给定协议下，根据被选择传输数据的传感器建立更新矩阵；根据所述更新矩阵和所述神经网络系统的动态模型，建立在协议下的神经网络系统的动态模型；根据所述协议下的神经网络系统的动态模型构建估计器；根据所述估计器的估计状态向量和所述协议下的神经网络系统的状态向量计算状态估计误差；利用所述状态估计误差，获得估计增广系统；利用系统稳定性判断定理，根据估计增广系统求解所述估计器的增益矩阵；将所述增益矩阵带入所述估计器，完成所述神经网络系统的动态模型的估计。及系统。

技术领域

本发明涉及信号处理领域，具体说是一种基于协议的时滞马尔科夫系统的状态估计方法和系统。

背景技术

几十年来，由于人工神经网络非凡的并行信息处理能力，自适应能力及自学习能力，已经被广泛应用到脑科学、认知科学和计算机科学等领域，因此针对人工神经网络的状态估计问题已经受到了广泛的关注。而值得注意的是由于工作环境及其他影响因素，系统的结构及参数会发生不确定的变化，因此马尔科夫参数是近年来受到大家青睐的课题。更值得注意的是，在现有的神经网络系统状态估计研究中，很少考虑到通信受限的问题，因此本文着重考虑了通信受限的问题，引入了Round-Robin协议，来调度传输测量数据的传感器。

目前现有的状态估计方法不能同时考虑通信受限、马尔科夫参数、传感器非线性、模态依赖时滞、随机干扰，进而影响状态估计性能。

发明内容

有鉴于此，本发明提供一种基于协议的时滞马尔科夫系统的状态估计方法和系统，以解决目前现有的状态估计方法不能同时考虑通信受限、马尔科夫参数、传感器非线性、模态依赖时滞、随机干扰，进而影响状态估计性能的问题。

第一方面，本发明提供一种基于协议的时滞马尔科夫系统的状态估计方法，包括：

建立具有马尔科夫参数、传感器非线性、模态依赖时滞和随机干扰的神经网络系统的动态模型；

在给定协议下，根据被选择传输数据的传感器建立更新矩阵；

根据所述更新矩阵和所述神经网络系统的动态模型，建立在协议下的神经网络系统的动态模型；

根据所述协议下的神经网络系统的动态模型构建估计器；

根据所述估计器的估计状态向量和所述协议下的神经网络系统的状态向量计算状态估计误差；

利用所述状态估计误差，获得估计增广系统；

利用系统稳定性判断定理，根据所述估计增广系统求解所述估计器的增益矩阵；

将所述增益矩阵带入所述估计器，完成所述神经网络系统的动态模型的估计。

优选地，所述给定协议，为Round-Robin协议；

在所述Round-Robin协议下，根据被选择传输数据的传感器建立更新矩阵。

优选地，建立具有马尔科夫参数、传感器非线性、模态依赖时滞和随机干扰的神经网络系统的动态模型的K+1步状态向量为K步状态向量、具有马尔科夫参数的激励函数、具有模态依赖时滞的激励函数和随机干扰的线性组合。

优选地，建立具有马尔科夫参数、传感器非线性、模态依赖时滞和随机干扰的神经网络系统的动态模型的K步测量输出为K步状态向量和传感器非线性的线性组合。

优选地，所述激励函数，满足扇形约束条件。

优选地，所述协议下的神经网络系统的动态模型的K+1步协议状态向量为K步增广协议状态向量、具有扩展维度的马尔科夫参数激励函数、具有扩展维度的模态依赖时滞激励函数、协议传感器非线性和扩展维度随机干扰的线性组合；