CN103595777A - 非线性不确定时滞系统鲁棒控制云网络感知信号识别方法 - Google Patents

Abstract

本发明公开了一种非线性不确定时滞系统鲁棒控制云网络感知信号识别方法，该方法为：通过定义云理论非线性不确定时滞系统鲁棒H∞控制感知信号变换；确定云网络化控制化感知信号云理论非线性不确定时滞系统鲁棒H∞控制感知信号变换的分解型云网络化控制化感知信号算法；对基于云理论非线性不确定时滞系统鲁棒H∞控制感知信号变换的云网络化控制化感知信号的广义信号进行感知时频分布预测。本发明有效的实现了采集识别云网络化控制化感知信号和云网络化控制化感知信号的广义信号感知时频分布预测，较好的解决了现有方法的短时非线性不确定时滞系统鲁棒H∞控制感知信号变换又不能同时兼顾时间分辨率和云网络化控制化频率感知信号分辨率的问题。

Description

非线性不确定时滞系统鲁棒控制云网络感知信号识别方法

技术领域

本发明属于云网络化控制化感知信号宽带网络技术领域，尤其涉及一种非线性不确定时滞系统鲁棒控制云网络感知信号识别方法。

背景技术

随着云理论感知非线性不确定时滞系统鲁棒H∞控制感知信号变换模型应用云网络化控制化感知信号宽带网络是新时期我国经济社会发展的战略性公共基础设施，发展云理论感知非线性不确定时滞系统鲁棒H∞控制感知信号变换模型应用云网络化控制化感知信号宽带网络对拉动有效投资和促进信息消费、推进发展方式转变和小康社会建设具有重要支撑作用。从全球范围看，云理论感知非线性不确定时滞系统鲁棒H∞控制感知信号变换模型应用云网络化控制化感知信号宽带网络正推动新一轮信息化发展浪潮，众多国家纷纷将发展云理论感知非线性不确定时滞系统鲁棒H∞控制感知信号变换模型应用云网络化控制化感知信号宽带网络作为战略部署的优先行动领域，作为抢占新时期国际经济、科技和产业竞争制高点的重要举措。所谓信号感知时频分析，即云理论感知非线性不确定时滞系统鲁棒H∞控制感知信号变换；离散云理论感知非线性不确定时滞系统鲁棒H∞控制感知信号变换。

随着我国云理论感知非线性不确定时滞系统鲁棒H∞控制感知信号变换模型应用云网络化控制化感知信号宽带网络覆盖范围不断扩大，传输和接入能力不断增强，宽带技术创新取得显著进展，完整产业链初步形成，应用服务水平不断提升，电子网络化云商务、软件网络化云商务外包、网络化云理论和网络化云模型与物联网智能控制等新兴业态蓬勃发展，网络信息安全保障逐步加强，但我国云理论感知非线性不确定时滞系统鲁棒H∞控制感知信号变换模型应用云网络化控制化感知信号宽带网络仍然存在公共基础设施定位不明确、区域和城乡发展不平衡、应用服务不够丰富、技术原创能力不足、发展环境不完善等问题，亟需得到解决。非线性不确定时滞系统鲁棒H∞控制感知信号变换感知信号采集连续时间和感知信号采集离散时间云网络化控制化感知信号的广义信号感知时频分布处理中占有重要的地位。利用云理论非线性不确定时滞系统鲁棒H∞控制感知信号变换是近年来发展起来的一种新的信号感知时频分析工具，它是非线性不确定时滞系统鲁棒H∞控制感知信号变换的广义形式，具有诸多传统非线性不确定时滞系统鲁棒H∞控制感知信号变换所不具备的性质，已经广泛应用于光云网络化控制化感知信号的广义信号感知时频分布处理、云网络化控制化感知信号的广义信号感知时频分布分析、解微分方程、模式识别等领域。

现有的云网络化控制化感知信号的广义信号感知时频分布去噪的方法中都用到非线性不确定时滞系统鲁棒H∞控制感知信号变换和短时非线性不确定时滞系统鲁棒H∞控制感知信号变换，但非线性不确定时滞系统鲁棒H∞控制感知信号变换只基于确定知云网络化控制化感知信号的广义信号感知时频分布和平稳随机过程有显著的意义，而短时非线性不确定时滞系统鲁棒H∞控制感知信号变换又不能同时兼顾时间分辨率和云网络化控制化频率感知信号分辨率。

发明内容

本发明实施例的目的在于提供一种非线性不确定时滞系统鲁棒控制云网络感知信号识别方法，旨在解决现有方法的短时非线性不确定时滞系统鲁棒H∞控制感知信号变换又不能同时兼顾时间分辨率和云网络化控制化频率感知信号分辨率的问题。

本发明实施例是这样实现的，一种非线性不确定时滞系统鲁棒控制云网络感知信号识别方法，该非线性不确定时滞系统鲁棒控制云网络感知信号识别方法包括以下步骤：

步骤一，对云网络化控制下感知信号的广义信号感知时频分布感知信号的变换；将信号感知时频平面(λ，δ)坐标旋转θ角得到新的直角坐标(μ，τ)，以不同的μ值平行于τ轴积分，得到为云网络化控制化感知信号的广义信号感知时频分布感知信号变换；(λ，δ)和(μ，τ)两平面坐标之间的关系是(μ，τ) ，其中

$\left\{\begin{array}{c}\mathrm{\λ}=\mathrm{\μ}\sin \mathrm{\θ}-\mathrm{\τ}\cos \mathrm{\θ}\\ \mathrm{\δ}=\mathrm{\μ}\cos \mathrm{\θ}+\mathrm{\τ}\sin \mathrm{\θ}\end{array}\right.$

设平面(λ，δ)上有一个任意的二维函数f(λ，δ)，云网络化控制化感知信号的广义信号感知时频分布感知信号变换可以表示为

f_θ(μ)=∫_PQf(λ，δ)dτ

进而有

F_θ(μ)=∫_PQf(μcosθ-τsinθ，μsinθ+τcosθ)dτ；

步骤二，定义云理论非线性不确定时滞系统鲁棒H∞控制感知信号的变换；基于云网络化控制化感知信号的广义信号感知时频分布f(μ)的p阶云理论非线性不确定时滞系统鲁棒H∞控制感知信号变换定义为

$f_F\left(\mathrm{\μ}\right)={\∫}_{-\∞}^{+\∞}{Y}_F(\mathrm{\μ},\mathrm{\λ})F\left(\mathrm{\λ}\right)\mathrm{d\λ};$

步骤三，确定云网络化控制化感知信号云理论非线性不确定时滞系统鲁棒H∞控制感知信号变换的分解型云网络化控制化感知信号算法；分解型云网络化控制化感知信号云理论非线性不确定时滞系统鲁棒H∞控制感知信号变换分解型云网络化控制化感知信号内差计算两序列的线性卷积和；利用云网络化控制化感知信号的广义信号感知时频分布云网络化控制化频率感知信号动态等维矩阵样本进行2倍插值，运用 $X_f\left(\frac{n}{2\mathrm{\Δx}}\right)=\frac{B_{\mathrm{\θ}}}{2\mathrm{\Δx}}\underset{n=-M}{\overset{M}{\mathrm{\Σ}}}\exp [\frac{\mathrm{j\π}\left(\cot \mathrm{\θ}\right)n^2}{{\left(2\mathrm{\Δx}\right)}^2}-\frac{j2\mathrm{\π}\left(\csc \mathrm{\θ}\right)\mathrm{mn}}{{\left(2\mathrm{\Δx}\right)}^2}+\frac{\mathrm{j\π}\left(\cot \mathrm{\θ}\right)m^2}{{\left(2\mathrm{\Δx}\right)}^2}]x\left(\frac{m}{2\mathrm{\Δx}}\right)$ $=\frac{B_{\mathrm{\θ}}}{2\mathrm{\Δx}}\exp \left[\frac{-\mathrm{j\π}\tan \frac{\mathrm{\θ}}{2}{n}^2}{{\left(2\mathrm{\Δx}\right)}^2}\right]\×\underset{n=-M}{\overset{M}{\mathrm{\Σ}}}\exp \left[\frac{\mathrm{j\π}\left(\cos \mathrm{\θ}\right){(m-n)}^2}{{\left(2\mathrm{\Δx}\right)}^2}\right]\exp \left[\frac{-\mathrm{j\π}\tan \frac{\mathrm{\θ}}{2}{m}^2}{{\left(2\mathrm{\Δx}\right)}^2}\right]x\left(\frac{m}{2\mathrm{\Δx}}\right)$ 进行运算，再基于计算结果进行2倍抽取得到云理论阶非线性不确定时滞系统鲁棒H∞控制感知信号变换X_f(u)的N个云网络化控制化频率感知信号动态等维矩阵样本值；

步骤四，络化控制化感知信号的广义信号进行感知时频分布预测，基于云理论非线性不确定时滞系统鲁棒H∞控制感知信号变换的云网络化控制化感知信号的广义信号感知时频分布预测转换表示为

进一步，在步骤一中，云网络化控制化感知信号的广义信号感知时频分布感知信号变换是一种直线积分的投影感知信号变换，是基于云网络化控制化感知信号的广义信号感知时频分布的信号感知时频平面做直线积分投影的云网络化控制化感知信号的广义信号感知时频分布感知信号变换结构。

进一步，在步骤二中，云理论非线性不确定时滞系统鲁棒H∞控制感知信号变换的感知信号变换核Y_f(μ，τ)为

$Y_f(\mathrm{\μ},\mathrm{\λ})=\left\{\begin{array}{c}{B}_{\mathrm{\θ}}\exp \left[\mathrm{j\π}({\mathrm{\μ}}^2\cot \mathrm{\θ}-2\mathrm{\μ\λ}\csc \mathrm{\θ}+{\mathrm{\λ}}^2\cot \mathrm{\θ})\right],\mathrm{\θ}\≠\mathrm{n\π}\\ \mathrm{\δ}(\mathrm{\μ}-\mathrm{\λ}),\mathrm{\θ}=2\mathrm{n\π}\\ \mathrm{\δ}(\mathrm{\μ}+\mathrm{\λ}),\mathrm{\θ}=(2n\±1)\mathrm{\π}\end{array}\right.$

式中

$B_{\mathrm{\θ}}=\frac{\exp [-\mathrm{j\πsgn}\left(\sin \mathrm{\θ}\right)/4+\mathrm{j\θ}/2]}{{\left|\sin \mathrm{\θ}\right|}^{1/2}},\mathrm{\θ}=\frac{\mathrm{F\π}}{2}$

当云理论阶次F=1时，有θ=π/2，B₀=1，由广义信号感知时频分布感知信号变换式得

$f_1\left(\mathrm{\μ}\right)={\∫}_{-\∞}^{+\∞}{e}^{-j2\mathrm{\π\μ\λ}}f\left(\mathrm{\λ}\right)\mathrm{d\λ}$

f₁(μ)就是f(λ)的普通非线性不确定时滞系统鲁棒H∞控制感知信号变换，同样，f_-1(μ)是f(μ)的普通非线性不确定时滞系统鲁棒H∞控制逆感知信号变换，云理论阶非线性不确定时滞系统鲁棒H∞控制感知信号变换是核函数中θ=π/2θ₁=F₁π/2仅出现在对层三角函数的参数位置上，以F为参数的定义是以2为周期性的，因此只需考察区间F∈(-1，1]即可，当F=0时，F₀（μ）=f(μ)，当F=±1，f_±1(μ)=f(-μ)。

进一步，在步骤三中，分解型云网络化控制化感知信号云理论非线性不确定时滞系统鲁棒H∞控制感知信号变换的感知信号变换云网络化控制化频率感知信号动态等维矩阵模型描述为

F_f=XY_fJ

式中：X和J分别是分解型云网络化控制化感知信号云理论非线性不确定时滞系统鲁棒H∞控制感知信号变换分解型云网络化控制化感知信号内差和抽取分解型云网络化控制化感知信号内差运算的云网络化控制化频率感知信号动态等维矩阵，Y_f为离散云理论非线性不确定时滞系统鲁棒H∞控制感知信号变换的感知信号变换核云网络化控制化频率感知信号动态等维矩阵为

$Y_f=\frac{B_{\mathrm{\θ}}}{2\mathrm{\Δx}}\exp (\frac{\mathrm{j\π}\left(\cot \mathrm{\θ}\right)n^2}{{\left(2\mathrm{\Δx}\right)}^2}-\frac{j\mathrm{\π}\left(\csc \mathrm{\θ}\right)\mathrm{nm}}{{\left(2\mathrm{\Δx}\right)}^2}+\frac{\mathrm{j\π}\left(\cot \mathrm{\θ}\right)m^2}{{\left(2\mathrm{\Δx}\right)}^2}),\left|m\right|,\left|n\right|\≤N---\left(9\right)$

采用量纲归一化后的云网络化控制化感知信号云理论非线性不确定时滞系统鲁棒H∞控制感知信号变换定义为:

$X_f\left(\mathrm{\μ}\right)=\sqrt{\frac{1-j\cot \mathrm{\θ}}{2\mathrm{\π}}}\exp \left[\mathrm{j\π}\cot \left(\mathrm{\θ}\right){\mathrm{\μ}}^2\right]\×{\∫}_{-\∞}^{+\∞}x\left(\mathrm{\λ}\right)\exp \left[\mathrm{j\π}\cot \mathrm{\θ}{\mathrm{\λ}}^2\right]\exp [-j2\mathrm{\π}\csc \left(\mathrm{\θ}\right)\mathrm{\λ\μ}]\mathrm{d\λ}---\left(10\right)$ 基于式（9）的云理论阶域的u进行离散化得：

$\begin{array}{c}{X}_f\left(\frac{n}{2\mathrm{\Δx}}\right)=\frac{B_{\mathrm{\θ}}}{2\mathrm{\Δx}}\underset{n=-M}{\overset{M}{\mathrm{\Σ}}}\exp [\frac{\mathrm{j\π}\left(\cot \mathrm{\θ}\right)n^2}{{\left(2\mathrm{\Δx}\right)}^2}-\frac{j2\mathrm{\π}\left(\csc \mathrm{\θ}\right)\mathrm{mn}}{{\left(2\mathrm{\Δx}\right)}^2}+\frac{\mathrm{j\π}\left(\cot \mathrm{\θ}\right)m^2}{{\left(2\mathrm{\Δx}\right)}^2}]x\left(\frac{m}{2\mathrm{\Δx}}\right)\\ =\frac{B_{\mathrm{\θ}}}{2\mathrm{\Δx}}\exp \left[\frac{-\mathrm{j\π}\tan \frac{\mathrm{\θ}}{2}{n}^2}{{\left(2\mathrm{\Δx}\right)}^2}\right]\×\underset{n=-M}{\overset{M}{\mathrm{\Σ}}}\exp \left[\frac{\mathrm{j\π}\left(\csc \mathrm{\θ}{(m-n)}^2\right)}{{\left(2\mathrm{\Δx}\right)}^2}\right]\exp \left[\frac{-\mathrm{j\π}\tan \frac{\mathrm{\θ}}{2}{m}^2}{{\left(2\mathrm{\Δx}\right)}^2}\right]x\left(\frac{m}{2\mathrm{\Δx}}\right)\end{array}$

其中， $B_{\mathrm{\θ}}=\exp \left[j(f-1)\frac{\mathrm{\π}}{4}\right]/\sqrt{\left|\cos \mathrm{\θ}\right|},0.5\≤f\≤1.5,\mathrm{\θ}=\frac{\mathrm{f\π}}{2},M={\left(\mathrm{\Δx}\right)}^2,$

基于求和分解型云网络化控制化感知信号内差运算时序为

与

的卷积和分解型云网络化控制化感知信号内差运算。

进一步，在步骤四中，由广义信号感知时频分布预测转换表达式：云网络化控制化感知信号的广义信号感知时频分布x(λ)的云理论非线性不确定时滞系统鲁棒H∞控制感知信号变换Y_f(u)可看作x(λ)在以逆感知信号变换核Y_-f(λ，u)为基的函数空间运行。

进一步，在步骤四中，预测含有未知参数的云网络化控制化感知信号的广义信号感知时频分布是以旋转α角进行扫描，观测云网络化控制化感知信号的广义信号感知时频分布的云理论非线性不确定时滞系统鲁棒H∞控制感知信号变换，形成云网络化控制化感知信号的广义信号感知时频分布能量在参数(θ，u)平面上的二维分布，平面上进行峰值点的二维搜索以预测云网络化控制化感知信号的广义信号感知时频分布并估计参数。

进一步，在步骤四中，云网络化控制化感知信号的广义信号感知时频分布的W分布在云理论非线性不确定时滞系统鲁棒H∞控制感知信号变换域上的直线积分投影是该云网络化控制化感知信号的广义信号感知时频分布在此云理论阶域上的云理论非线性不确定时滞系统鲁棒H∞控制感知信号变换模的平方。

本发明提供的非线性不确定时滞系统鲁棒控制云网络感知信号识别方法，通过定义云理论非线性不确定时滞系统鲁棒H∞控制感知信号变换；确定云网络化控制化感知信号云理论非线性不确定时滞系统鲁棒H∞控制感知信号变换的分解型云网络化控制化感知信号算法；对基于云理论非线性不确定时滞系统鲁棒H∞控制感知信号变换的云网络化控制化感知信号的广义信号进行感知时频分布预测，有效的实现了采集识别云网络化控制化感知信号和云网络化控制化感知信号的广义信号感知时频分布的预测。本发明方法简单，操作方便，较好的解决了现有方法的短时非线性不确定时滞系统鲁棒H∞控制感知信号变换又不能同时兼顾时间分辨率和云网络化控制化频率感知信号分辨率的问题。

附图说明

图1是本发明实施例提供的非线性不确定时滞系统鲁棒控制云网络感知信号识别方法的流程图；

图2是本发明实施例提供的无噪声云网络化控制化感知信号的广义信号感知时频分布当云理论阶F为0.1时云网络化控制化感知信号云理论非线性不确定时滞系统鲁棒H∞控制感知信号变换结构结果示意图；

图3是本发明实施例提供的无噪声云网络化控制化感知信号的广义信号感知时频分布当云理论阶F为0.59时云网络化控制化感知信号云理论非线性不确定时滞系统鲁棒H∞控制感知信号变换结构结果示意图；

图4是本发明实施例提供的无噪声云网络化控制化感知信号的广义信号感知时频分布当云理论阶F为1.21时云网络化控制化感知信号云理论非线性不确定时滞系统鲁棒H∞控制感知信号变换结构结果示意图；

图5是本发明实施例提供的加入高斯噪声的云网络化控制化感知信号的广义信号感知时频分布当云理论阶F为0.1时云网络化控制化感知信号云理论非线性不确定时滞系统鲁棒H∞控制感知信号变换结果示意图；

图6是本发明实施例提供的加入高斯噪声的云网络化控制化感知信号的广义信号感知时频分布当云理论阶F为1.21时云网络化控制化感知信号云理论非线性不确定时滞系统鲁棒H∞控制感知信号变换结果示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

下面结合附图及具体实施例对本发明的应用原理作进一步描述。

如图1所示，本发明实施例的非线性不确定时滞系统鲁棒控制云网络感知信号识别方法包括以下步骤：

S101：对云网络化控制下感知信号的广义信号感知时频分布感知信号的变换；

S102：定义云理论非线性不确定时滞系统鲁棒H∞控制感知信号的变换；

S103：确定云网络化控制化感知信号云理论非线性不确定时滞系统鲁棒H∞控制感知信号变换的分解型云网络化控制化感知信号算法；

S104：对基于云理论非线性不确定时滞系统鲁棒H∞控制感知信号变换的云网络化控制化感知信号的广义信号进行感知时频分布预测。

本发明的具体实施方法为：

第一步，对云网络化控制下感知信号的广义信号感知时频分布感知信号变换：

云网络化控制化感知信号的广义信号感知时频分布感知信号变换是一种直线积分的投影感知信号变换，是基于云网络化控制化感知信号的广义信号感知时频分布的信号感知时频平面做直线积分投影的云网络化控制化感知信号的广义信号感知时频分布感知信号变换结构；利用定义描述将信号感知时频平面(λ，δ)坐标旋转θ角得到新的直角坐标(μ，τ)，以不同的μ值平行于τ轴积分，所得结果即为云网络化控制化感知信号的广义信号感知时频分布感知信号变换；(λ，δ)和(μ，τ)两平面坐标之间的关系是(μ，τ)，其中

$\left\{\begin{array}{c}\mathrm{\λ}=\mathrm{\μ}\sin \mathrm{\θ}-\mathrm{\τ}\cos \mathrm{\θ}\\ \mathrm{\δ}=\mathrm{\μ}\cos \mathrm{\θ}+\mathrm{\τ}\sin \mathrm{\θ}\end{array}\right.---\left(1\right)$

设平面(λ，δ)上有一个任意的二维函数f(λ，δ)，其云网络化控制化感知信号的广义信号感知时频分布感知信号变换可以表示为

F_θ(μ)=∫_PQf(λ，δ)dτ                (2)

进而有

F_θ(μ)=∫_PQf(μcosθ-τsinθ，μsinθ+τcosθ)dτ      (3)

第二步，定义云理论非线性不确定时滞系统鲁棒H∞控制感知信号的变换：

非线性不确定时滞系统鲁棒H∞控制感知信号变换将相基于独立的云网络化控制化信号时域和云网络化控制化信号领域多层融合，基于云网络化控制化感知信号的广义信号感知时频分布的云网络化控制化频率感知信号成分，适于分析确定性云网络化控制化感知信号的广义信号感知时频分布和平稳云网络化控制化感知信号的广义信号感知时频分布。基于非线性不确定时滞系统鲁棒H∞控制感知信号变换是复杂非线性算分子，同时利用各个节点信号感知时频平面，若将其看作从时间轴逆时针旋转π/2到云网络化控制化频率感知信号轴，则云理论非线性不确定时滞系统鲁棒H∞控制感知信号变换算子就是可旋转任意角度为的算子。基于此，融合非线性不确定时滞系统鲁棒H∞控制感知信号变换和云网络化控制化感知信号的广义信号感知时频分布感知信号变换可以定义云网络化控制化感知信号的广义信号感知时频分布的云理论非线性不确定时滞系统鲁棒H∞控制感知信号变换。基于云网络化控制化感知信号的广义信号感知时频分布f(μ)的p阶云理论非线性不确定时滞系统鲁棒H∞控制感知信号变换定义为

$f_F\left(\mathrm{\μ}\right)={\∫}_{-\∞}^{+\∞}{Y}_F(\mathrm{\μ},\mathrm{\λ})F\left(\mathrm{\λ}\right)\mathrm{d\λ}---\left(4\right)$

其中云理论非线性不确定时滞系统鲁棒H∞控制感知信号变换的感知信号变换核Y_f(μ，τ)为

$Y_f(\mathrm{\μ},\mathrm{\λ})=\left\{\begin{array}{c}{B}_{\mathrm{\θ}}\exp \left[\mathrm{j\π}({\mathrm{\μ}}^2\cot \mathrm{\θ}-2\mathrm{\μ\λ}\csc \mathrm{\θ}+{\mathrm{\λ}}^2\cot \mathrm{\θ})\right],\mathrm{\θ}\≠\mathrm{n\π}\\ \mathrm{\δ}(\mathrm{\μ}-\mathrm{\λ}),\mathrm{\θ}=2\mathrm{n\π}\\ \mathrm{\δ}(\mathrm{\μ}+\mathrm{\λ}),\mathrm{\θ}=(2n\±1)\mathrm{\π}\end{array}\right.---\left(5\right)$

式中

$B_{\mathrm{\θ}}=\frac{\exp [-\mathrm{j\πsgn}\left(\sin \mathrm{\θ}\right)/4+\mathrm{j\θ}/2]}{{\left|\sin \mathrm{\θ}\right|}^{1/2}},\mathrm{\θ}=\frac{\mathrm{F\π}}{2}---\left(6\right)$

当云理论阶次F=1时，有θ=π/2，B₀=1，由式（4）得

$f_1\left(\mathrm{\μ}\right)={\∫}_{-\∞}^{+\∞}{e}^{-j2\mathrm{\π\μ\λ}}f\left(\mathrm{\λ}\right)\mathrm{d\λ}---\left(7\right)$

可见f₁(μ)就是f(λ)的普通非线性不确定时滞系统鲁棒H∞控制感知信号变换。同样，f_-1(μ)是f(μ)的普通非线性不确定时滞系统鲁棒H∞控制逆感知信号变换。基于此，可认为云理论阶非线性不确定时滞系统鲁棒H∞控制感知信号变换是核函数中θ=π/2θ₁=F₁π/2仅出现在对层三角函数的参数位置上，以F为参数的定义是以2为周期性的，因此只需考察区间F∈(-1，1]即可。当

F=0时，f₀(μ)=f(μ),当F=±1，f_±1(μ)=f(-μ)。

第三步，确定云网络化控制化感知信号云理论非线性不确定时滞系统鲁棒H∞控制感知信号变换的分解型云网络化控制化感知信号算法：

在数字云网络化控制化感知信号的广义信号感知时频分布处理的应用中，必须采用离散形式的云理论阶非线性不确定时滞系统鲁棒H∞控制感知信号变换（云网络化控制化感知信号云理论非线性不确定时滞系统鲁棒H∞控制感知信号变换），云网络化控制化感知信号云理论非线性不确定时滞系统鲁棒H∞控制感知信号变换也可以采用数字方法进行计算；基于该算法计算速度几乎与分解型云网络化控制化感知信号内差相当，被公认为计算速度最快的一种云理论非线性不确定时滞系统鲁棒H∞控制感知信号变换数值计算方法；分解型云网络化控制化感知信号云理论非线性不确定时滞系统鲁棒H∞控制感知信号变换的感知信号变换云网络化控制化频率感知信号动态等维矩阵模型描述为

F_f=XY_fJ     (8)

式中：X和J分别是分解型云网络化控制化感知信号云理论非线性不确定时滞系统鲁棒H∞控制感知信号变换分解型云网络化控制化感知信号内差和抽取分解型云网络化控制化感知信号内差运算的云网络化控制化频率感知信号动态等维矩阵，Y_f为离散云理论非线性不确定时滞系统鲁棒H∞控制感知信号变换的感知信号变换核云网络化控制化频率感知信号动态等维矩阵为

$Y_f=\frac{B_{\mathrm{\θ}}}{2\mathrm{\Δx}}\exp (\frac{\mathrm{j\π}\left(\cot \mathrm{\θ}\right)n^2}{{\left(2\mathrm{\Δx}\right)}^2}-\frac{j\mathrm{\π}\left(\csc \mathrm{\θ}\right)\mathrm{nm}}{{\left(2\mathrm{\Δx}\right)}^2}+\frac{\mathrm{j\π}\left(\cot \mathrm{\θ}\right)m^2}{{\left(2\mathrm{\Δx}\right)}^2}),\left|m\right|,\left|n\right|\≤N---\left(9\right)$

采用量纲归一化后的云网络化控制化感知信号云理论非线性不确定时滞系统鲁棒H∞控制感知信号变换定义为:

$X_f\left(\mathrm{\μ}\right)=\sqrt{\frac{1-j\cot \mathrm{\θ}}{2\mathrm{\π}}}\exp \left[\mathrm{j\π}\cot \left(\mathrm{\θ}\right){\mathrm{\μ}}^2\right]\×{\∫}_{-\∞}^{+\∞}x\left(\mathrm{\λ}\right)\exp \left[\mathrm{j\π}\cot \mathrm{\θ}{\mathrm{\λ}}^2\right]\exp [-j2\mathrm{\π}\csc \left(\mathrm{\θ}\right)\mathrm{\λ\μ}]\mathrm{d\λ}---\left(10\right)$ 基于式（9）的云理论阶域的u进行离散化得：

$\begin{array}{c}{X}_f\left(\frac{n}{2\mathrm{\Δx}}\right)=\frac{B_{\mathrm{\θ}}}{2\mathrm{\Δx}}\underset{n=-M}{\overset{M}{\mathrm{\Σ}}}\exp [\frac{\mathrm{j\π}\left(\cot \mathrm{\θ}\right)n^2}{{\left(2\mathrm{\Δx}\right)}^2}-\frac{j2\mathrm{\π}\left(\csc \mathrm{\θ}\right)\mathrm{mn}}{{\left(2\mathrm{\Δx}\right)}^2}+\frac{\mathrm{j\π}\left(\cot \mathrm{\θ}\right)m^2}{{\left(2\mathrm{\Δx}\right)}^2}]x\left(\frac{m}{2\mathrm{\Δx}}\right)\\ =\frac{B_{\mathrm{\θ}}}{2\mathrm{\Δx}}\exp \left[\frac{-\mathrm{j\π}\tan \frac{\mathrm{\θ}}{2}{n}^2}{{\left(2\mathrm{\Δx}\right)}^2}\right]\×\underset{n=-M}{\overset{M}{\mathrm{\Σ}}}\exp \left[\frac{\mathrm{j\π}\left(\csc \mathrm{\θ}{(m-n)}^2\right)}{{\left(2\mathrm{\Δx}\right)}^2}\right]\exp \left[\frac{-\mathrm{j\π}\tan \frac{\mathrm{\θ}}{2}{m}^2}{{\left(2\mathrm{\Δx}\right)}^2}\right]x\left(\frac{m}{2\mathrm{\Δx}}\right)\end{array}---\left(11\right)$

其中， $B_{\mathrm{\θ}}=\exp \left[j(f-1)\frac{\mathrm{\π}}{4}\right]/\sqrt{\left|\cos \mathrm{\θ}\right|},0.5\≤f\≤1.5,\mathrm{\θ}=\frac{\mathrm{f\π}}{2},M={\left(\mathrm{\Δx}\right)}^2,$

基于求和分解型云网络化控制化感知信号内差运算时序为

与

的卷积和分解型云网络化控制化感知信号内差运算，可以用分解型云网络化控制化感知信号云理论非线性不确定时滞系统鲁棒H∞控制感知信号变换分解型云网络化控制化感知信号内差计算两序列的线性卷积和；利用云网络化控制化感知信号的广义信号感知时频分布云网络化控制化频率感知信号动态等维矩阵样本进行2倍插值，运用上式（11）进行运算，再基于计算结果进行2倍抽取得到云理论阶非线性不确定时滞系统鲁棒H∞控制感知信号变换X_f(u)的N个云网络化控制化频率感知信号动态等维矩阵样本值。

第四步，对基于云理论非线性不确定时滞系统鲁棒H∞控制感知信号变换的云网络化控制化感知信号的广义信号进行感知时频分布预测；

基于云理论非线性不确定时滞系统鲁棒H∞控制感知信号变换的云网络化控制化感知信号的广义信号感知时频分布预测转换描述为

$x\left(\mathrm{\λ}\right)={\∫}_{-\∞}^{+\∞}{X}_f\left(\mathrm{\μ}\right)Y_{-f}(\mathrm{\λ},\mathrm{\μ})\mathrm{d\μ}---\left(12\right)$

可知，云网络化控制化感知信号的广义信号感知时频分布x(λ)的云理论非线性不确定时滞系统鲁棒H∞控制感知信号变换Y_f(u)可看作x(λ)在以逆感知信号变换核Y_-f(λ，u)为基的函数空间运行，而该核是u域上的一组正交的广义信号感知时频，即采用云理论非线性不确定时滞系统鲁棒H∞控制感知信号变换的某个阶次的云理论非线性不确定时滞系统鲁棒H∞控制感知信号变换域基于给定的云网络化控制化感知信号的广义信号感知时频分布具有很好的能量聚集特性；

一方面，云网络化控制化感知信号的广义信号感知时频分布在不同的云理论非线性不确定时滞系统鲁棒H∞控制感知信号变换域上呈现出不同的能量聚集性，预测含有未知参数的云网络化控制化感知信号的广义信号感知时频分布是以旋转α角进行扫描，观测云网络化控制化感知信号的广义信号感知时频分布的云理论非线性不确定时滞系统鲁棒H∞控制感知信号变换，形成云网络化控制化感知信号的广义信号感知时频分布能量在参数(θ,u)平面上的二维分布，在此平面上进行峰值点的二维搜索以预测云网络化控制化感知信号的广义信号感知时频分布并估计其参数；

另一方面，云网络化控制化感知信号的广义信号感知时频分布的W分布在云理论非线性不确定时滞系统鲁棒H∞控制感知信号变换域上的直线积分投影就是该云网络化控制化感知信号的广义信号感知时频分布在此云理论阶域上的云理论非线性不确定时滞系统鲁棒H∞控制感知信号变换模的平方。而噪声的能量均匀地分布在整个信号感知时频平面内，在任何的云理论非线性不确定时滞系统鲁棒H∞控制感知信号变换域上均不会出现能量聚集。

本发明的工作原理：云理论非线性不确定时滞系统鲁棒H∞控制感知信号变换可以看作是云网络化控制化感知信号的广义信号感知时频分布在信号感知时频平面内绕原点旋转任意角度后所构成的云理论非线性不确定时滞系统鲁棒H∞控制感知信号变换域上的表示，将云理论非线性不确定时滞系统鲁棒H∞控制感知信号变换分解为云网络化控制化感知信号的广义信号感知时频分布卷积形式利用分解型云网络化控制化感知信号内差计算，具有计算速度快的优点；由于云网络化控制化感知信号的广义信号感知时频分布在云理论非线性不确定时滞系统鲁棒H∞控制感知信号变换域呈现的冲激特性，当云理论非线性不确定时滞系统鲁棒H∞控制感知信号变换的阶数与云网络化控制化感知信号的广义信号感知时频分布的调频斜率一致时，云网络化控制化感知信号的广义信号感知时频分布呈现尖峰，以此实现云网络化控制化感知信号的广义信号感知时频分布的预测。

结合以下仿真分析对本发明的效果做说明：

本发明的基于云理论非线性不确定时滞系统鲁棒H∞控制感知信号变换域，可预测云网络化控制化感知信号的广义信号感知时频分布是否存在，并根据呈现最大值时所基于应的云理论非线性不确定时滞系统鲁棒H∞控制感知信号变换的阶数估计调频斜率参数。图2-图4分别表示无噪声云网络化控制化感知信号的广义信号感知时频分布当云理论阶F分别为0.1，0.59，1.21时云网络化控制化感知信号云理论非线性不确定时滞系统鲁棒H∞控制感知信号变换结构结果。图5图6分别表示加入高斯噪声的云网络化控制化感知信号的广义信号感知时频分布当云理论阶F为0.1，和1.21时云网络化控制化感知信号云理论非线性不确定时滞系统鲁棒H∞控制感知信号变换结果。每个图的四部分分别为原云网络化控制化感知信号的广义信号感知时频分布、云网络化控制化感知信号的广义信号感知时频分布实部、云网络化控制化网络感知信号虚部及模值。

图2说明给云网络化控制化感知信号的广义信号感知时频分布为实云网络化控制化感知信号的广义信号感知时频分布。图3可以看出当云理论阶F=0.59时，云网络化控制化感知信号的广义信号感知时频分布在云理论非线性不确定时滞系统鲁棒H∞控制感知信号变换域表现冲击特征不明显，而当F=1.21时云网络化控制化感知信号的广义信号感知时频分布在云理论非线性不确定时滞系统鲁棒H∞控制感知信号变换域表现冲击特征很明显，即云理论非线性不确定时滞系统鲁棒H∞控制感知信号变换的阶数与云网络化控制化感知信号的广义信号感知时频分布的调频斜率一致时，云网络化控制化感知信号的广义信号感知时频分布呈现尖峰，同时有效的预测云网络化控制化感知信号的广义信号感知时频分布。

本发明中云理论非线性不确定时滞系统鲁棒H∞控制感知信号变换可以看作是云网络化控制化感知信号的广义信号感知时频分布在信号感知时频平面内绕原点旋转任意角度后所构成的云理论非线性不确定时滞系统鲁棒H∞控制感知信号变换域上的表示，将云理论非线性不确定时滞系统鲁棒H∞控制感知信号变换分解为云网络化控制化感知信号的广义信号感知时频分布卷积形式利用分解型云网络化控制化感知信号内差计算，具有计算速度快的优点。由于云网络化控制化感知信号的广义信号感知时频分布在云理论非线性不确定时滞系统鲁棒H∞控制感知信号变换域呈现的冲激特性，当云理论非线性不确定时滞系统鲁棒H∞控制感知信号变换的阶数与云网络化控制化感知信号的广义信号感知时频分布的调频斜率一致时，云网络化控制化感知信号的广义信号感知时频分布呈现尖峰，以此实现云网络化控制化感知信号的广义信号感知时频分布的预测。基于实验数据分析，运用实验仿真分析结果证实，采用本发明算法模型能够有效的采集识别云网络化控制化感知信号。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种非线性不确定时滞系统鲁棒控制云网络感知信号识别方法，其特征在于，该非线性不确定时滞系统鲁棒控制云网络感知信号识别方法包括以下步骤：

步骤一，对云网络化控制下感知信号的广义信号感知时频分布感知信号的变换；将信号感知时频平面(λ，δ)坐标旋转θ角得到新的直角坐标(μ，τ)，以不同的μ值平行于τ轴积分，得到为云网络化控制化感知信号的广义信号感知时频分布感知信号变换；(λ，δ)和(μ，τ)两平面坐标之间的关系是(μ，τ)，其中

$\left\{\begin{array}{c}\mathrm{\λ}=\mathrm{\μ}\sin \mathrm{\θ}-\mathrm{\τ}\cos \mathrm{\θ}\\ \mathrm{\δ}=\mathrm{\μ}\cos \mathrm{\θ}+\mathrm{\τ}\sin \mathrm{\θ}\end{array}\right.$

设平面(λ，δ)上有一个任意的二维函数f(λ，δ)，云网络化控制化感知信号的广义信号感知时频分布感知信号变换可以表示为

F_θ(μ)=∫_PQf(λ,δ)dτ

进而有

F_θ(μ)=∫_PQf(μcosθ-τsinθ，μsinθ+τcosθ)dτ；

步骤二，定义云理论非线性不确定时滞系统鲁棒H∞控制感知信号的变换；基于云网络化控制化感知信号的广义信号感知时频分布f(μ)的p阶云理论非线性不确定时滞系统鲁棒H∞控制感知信号变换定义为

$f_F\left(\mathrm{\μ}\right)={\∫}_{-\∞}^{+\∞}{Y}_F(\mathrm{\μ},\mathrm{\λ})F\left(\mathrm{\λ}\right)\mathrm{d\λ};$

步骤三，确定云网络化控制化感知信号云理论非线性不确定时滞系统鲁棒H∞控制感知信号变换的分解型云网络化控制化感知信号算法；分解型云网络化控制化感知信号云理论非线性不确定时滞系统鲁棒H∞控制感知信号变换分解型云网络化控制化感知信号内差计算两序列的线性卷积和；利用云网络化控制化感知信号的广义信号感知时频分布云网络化控制化频率感知信号动态等维矩阵样本进行2倍插值，运用 $X_f\left(\frac{n}{2\mathrm{\Δx}}\right)=\frac{B_{\mathrm{\θ}}}{2\mathrm{\Δx}}\underset{n=-M}{\overset{M}{\mathrm{\Σ}}}\exp [\frac{\mathrm{j\π}\left(\cot \mathrm{\θ}\right)n^2}{{\left(2\mathrm{\Δx}\right)}^2}-\frac{j2\mathrm{\π}\left(\csc \mathrm{\θ}\right)\mathrm{mn}}{{\left(2\mathrm{\Δx}\right)}^2}+\frac{\mathrm{j\π}\left(\cot \mathrm{\θ}\right)m^2}{{\left(2\mathrm{\Δx}\right)}^2}]x\left(\frac{m}{2\mathrm{\Δx}}\right)$ $=\frac{B_{\mathrm{\θ}}}{2\mathrm{\Δx}}\exp \left[\frac{-\mathrm{j\π}\tan \frac{\mathrm{\θ}}{2}{n}^2}{{\left(2\mathrm{\Δx}\right)}^2}\right]\×\underset{n=-M}{\overset{M}{\mathrm{\Σ}}}\exp \left[\frac{\mathrm{j\π}\left(\cos \mathrm{\θ}\right){(m-n)}^2}{{\left(2\mathrm{\Δx}\right)}^2}\right]\exp \left[\frac{-\mathrm{j\π}\tan \frac{\mathrm{\θ}}{2}{m}^2}{{\left(2\mathrm{\Δx}\right)}^2}\right]x\left(\frac{m}{2\mathrm{\Δx}}\right)$ 进行运算，再基于计算结果进行2倍抽取得到云理论阶非线性不确定时滞系统鲁棒H∞控制感知信号变换X_f(u)的N个云网络化控制化频率感知信号动态等维矩阵样本值；

步骤四，络化控制化感知信号的广义信号进行感知时频分布预测，基于云理论非线性不确定时滞系统鲁棒H∞控制感知信号变换的云网络化控制化感知信号的广义信号感知时频分布预测转换表示为

2.如权利要求1所述的非线性不确定时滞系统鲁棒控制云网络感知信号识别方法，其特征在于，在步骤一中，云网络化控制化感知信号的广义信号感知时频分布感知信号变换是一种直线积分的投影感知信号变换，是基于云网络化控制化感知信号的广义信号感知时频分布的信号感知时频平面做直线积分投影的云网络化控制化感知信号的广义信号感知时频分布感知信号变换结构。

3.如权利要求1所述的非线性不确定时滞系统鲁棒控制云网络感知信号识别方法，其特征在于，在步骤二中，云理论非线性不确定时滞系统鲁棒H∞控制感知信号变换的感知信号变换核Y_f(μ，τ)为

$Y_f(\mathrm{\μ},\mathrm{\λ})=\left\{\begin{array}{c}{B}_{\mathrm{\θ}}\exp \left[\mathrm{j\π}({\mathrm{\μ}}^2\cot \mathrm{\θ}-2\mathrm{\μ\λ}\csc \mathrm{\θ}+{\mathrm{\λ}}^2\cot \mathrm{\θ})\right],\mathrm{\θ}\≠\mathrm{n\π}\\ \mathrm{\δ}(\mathrm{\μ}-\mathrm{\λ}),\mathrm{\θ}=2\mathrm{n\π}\\ \mathrm{\δ}(\mathrm{\μ}+\mathrm{\λ}),\mathrm{\θ}=(2n\±1)\mathrm{\π}\end{array}\right.$

式中

$B_{\mathrm{\θ}}=\frac{\exp [-\mathrm{j\πsgn}\left(\sin \mathrm{\θ}\right)/4+\mathrm{j\θ}/2]}{{\left|\sin \mathrm{\θ}\right|}^{1/2}},\mathrm{\θ}=\frac{\mathrm{F\π}}{2}$

当云理论阶次F=1时，有θ=π/2，B₀=1，由广义信号感知时频分布感知信号变换式得

$f_1\left(\mathrm{\μ}\right)={\∫}_{-\∞}^{+\∞}{e}^{-j2\mathrm{\π\μ\λ}}f\left(\mathrm{\λ}\right)\mathrm{d\λ}$

f₁(μ)就是f(λ)的普通非线性不确定时滞系统鲁棒H∞控制感知信号变换，同样，f_-1(μ)是f(μ)的普通非线性不确定时滞系统鲁棒H∞控制逆感知信号变换，云理论阶非线性不确定时滞系统鲁棒H∞控制感知信号变换是核函数中θ=π/2θ₁=F₁π/2仅出现在对层三角函数的参数位置上，以F为参数的定义是以2为周期性的，因此只需考察区间F∈(-1，1]即可，当F=0时，f₀(μ)=f(μ)，当F=±1，f_±1(μ)=f(-μ)。

4.如权利要求1所述的非线性不确定时滞系统鲁棒控制云网络感知信号识别方法，其特征在于，在步骤三中，分解型云网络化控制化感知信号云理论非线性不确定时滞系统鲁棒H∞控制感知信号变换的感知信号变换云网络化控制化频率感知信号动态等维矩阵模型描述为

F_f=XY_fJ

式中：X和J分别是分解型云网络化控制化感知信号云理论非线性不确定时滞系统鲁棒H∞控制感知信号变换分解型云网络化控制化感知信号内差和抽取分解型云网络化控制化感知信号内差运算的云网络化控制化频率感知信号动态等维矩阵，Y_f为离散云理论非线性不确定时滞系统鲁棒H∞控制感知信号变换的感知信号变换核云网络化控制化频率感知信号动态等维矩阵为

$Y_f=\frac{B_{\mathrm{\θ}}}{2\mathrm{\Δx}}\exp (\frac{\mathrm{j\π}\left(\cot \mathrm{\θ}\right)n^2}{{\left(2\mathrm{\Δx}\right)}^2}-\frac{j\mathrm{\π}\left(\csc \mathrm{\θ}\right)\mathrm{nm}}{{\left(2\mathrm{\Δx}\right)}^2}+\frac{\mathrm{j\π}\left(\cot \mathrm{\θ}\right)m^2}{{\left(2\mathrm{\Δx}\right)}^2}),\left|m\right|,\left|n\right|\≤N---\left(9\right)$

采用量纲归一化后的云网络化控制化感知信号云理论非线性不确定时滞系统鲁棒H∞控制感知信号变换定义为:

$X_f\left(\mathrm{\μ}\right)=\sqrt{\frac{1-j\cot \mathrm{\θ}}{2\mathrm{\π}}}\exp \left[\mathrm{j\π}\cot \left(\mathrm{\θ}\right){\mathrm{\μ}}^2\right]\×{\∫}_{-\∞}^{+\∞}x\left(\mathrm{\λ}\right)\exp \left[\mathrm{j\π}\cot \mathrm{\θ}{\mathrm{\λ}}^2\right]\exp [-j2\mathrm{\π}\csc \left(\mathrm{\θ}\right)\mathrm{\λ\μ}]\mathrm{d\λ}---\left(10\right)$ 基于式（9）的云理论阶域的u进行离散化得：

$\begin{array}{c}{X}_f\left(\frac{n}{2\mathrm{\Δx}}\right)=\frac{B_{\mathrm{\θ}}}{2\mathrm{\Δx}}\underset{n=-M}{\overset{M}{\mathrm{\Σ}}}\exp [\frac{\mathrm{j\π}\left(\cot \mathrm{\θ}\right)n^2}{{\left(2\mathrm{\Δx}\right)}^2}-\frac{j2\mathrm{\π}\left(\csc \mathrm{\θ}\right)\mathrm{mn}}{{\left(2\mathrm{\Δx}\right)}^2}+\frac{\mathrm{j\π}\left(\cot \mathrm{\θ}\right)m^2}{{\left(2\mathrm{\Δx}\right)}^2}]x\left(\frac{m}{2\mathrm{\Δx}}\right)\\ =\frac{B_{\mathrm{\θ}}}{2\mathrm{\Δx}}\exp \left[\frac{-\mathrm{j\π}\tan \frac{\mathrm{\θ}}{2}{n}^2}{{\left(2\mathrm{\Δx}\right)}^2}\right]\×\underset{n=-M}{\overset{M}{\mathrm{\Σ}}}\exp \left[\frac{\mathrm{j\π}\left(\csc \mathrm{\θ}{(m-n)}^2\right)}{{\left(2\mathrm{\Δx}\right)}^2}\right]\exp \left[\frac{-\mathrm{j\π}\tan \frac{\mathrm{\θ}}{2}{m}^2}{{\left(2\mathrm{\Δx}\right)}^2}\right]x\left(\frac{m}{2\mathrm{\Δx}}\right)\end{array}$

其中， $B_{\mathrm{\θ}}=\exp \left[j(f-1)\frac{\mathrm{\π}}{4}\right]/\sqrt{\left|\cos \mathrm{\θ}\right|},0.5\≤f\≤1.5,\mathrm{\θ}=\frac{\mathrm{f\π}}{2},M={\left(\mathrm{\Δx}\right)}^2,$

基于求和分解型云网络化控制化感知信号内差运算时序为

与

的卷积和分解型云网络化控制化感知信号内差运算。

5.如权利要求1所述的非线性不确定时滞系统鲁棒控制云网络感知信号识别方法，其特征在于，在步骤四中，由广义信号感知时频分布预测转换表达式：云网络化控制化感知信号的广义信号感知时频分布x(λ)的云理论非线性不确定时滞系统鲁棒H∞控制感知信号变换Y_f(u)可看作x(λ)在以逆感知信号变换核Y_-f(λ，u)为基的函数空间运行。

6.如权利要求1所述的非线性不确定时滞系统鲁棒控制云网络感知信号识别方法，其特征在于，在步骤四中，预测含有未知参数的云网络化控制化感知信号的广义信号感知时频分布是以旋转α角进行扫描，观测云网络化控制化感知信号的广义信号感知时频分布的云理论非线性不确定时滞系统鲁棒H∞控制感知信号变换，形成云网络化控制化感知信号的广义信号感知时频分布能量在参数(θ，u)平面上的二维分布，平面上进行峰值点的二维搜索以预测云网络化控制化感知信号的广义信号感知时频分布并估计参数。

7.如权利要求1所述的非线性不确定时滞系统鲁棒控制云网络感知信号识别方法，其特征在于，在步骤四中，云网络化控制化感知信号的广义信号感知时频分布的W分布在云理论非线性不确定时滞系统鲁棒H∞控制感知信号变换域上的直线积分投影是该云网络化控制化感知信号的广义信号感知时频分布在此云理论阶域上的云理论非线性不确定时滞系统鲁棒H∞控制感知信号变换模的平方。

Images