CN114372238B - 一种分布式状态估计方法 - Google Patents
一种分布式状态估计方法 Download PDFInfo
- Publication number
- CN114372238B CN114372238B CN202111543310.4A CN202111543310A CN114372238B CN 114372238 B CN114372238 B CN 114372238B CN 202111543310 A CN202111543310 A CN 202111543310A CN 114372238 B CN114372238 B CN 114372238B
- Authority
- CN
- China
- Prior art keywords
- node
- information
- interaction
- moment
- matrix
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 34
- 230000003993 interaction Effects 0.000 claims abstract description 69
- 239000011159 matrix material Substances 0.000 claims abstract description 48
- 238000005259 measurement Methods 0.000 claims abstract description 14
- 238000004364 calculation method Methods 0.000 claims abstract description 9
- 230000005540 biological transmission Effects 0.000 claims description 12
- 238000004891 communication Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 5
- 230000002452 interceptive effect Effects 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 230000026676 system process Effects 0.000 claims description 3
- 230000009897 systematic effect Effects 0.000 claims description 3
- 230000007704 transition Effects 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000000342 Monte Carlo simulation Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Computational Mathematics (AREA)
- Mathematical Optimization (AREA)
- Theoretical Computer Science (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Computing Systems (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
- Debugging And Monitoring (AREA)
Abstract
本发明的一个实施例公开了一种分布式状态估计方法,包括:S10:每个节点基于自身所获取的量测信息,进行本节点的状态估计计算,获取本节点的本地信息向量以及本节点的本地信息矩阵;S20:每个节点根据信息组对交互信息向量以及交互信息矩阵进行初始化,并对信息发送序列和编号接受序列进行初始化;S30:每个节点按照预设的规则与其邻居节点进行多轮信息交互、存储和更新,直至达到预设的信息交互次数上限;S40:每个节点根据交互信息向量和交互信息矩阵完成状态估计,并将估计结果作为最终结果予以输出。
Description
技术领域
本发明涉及状态估计领域。更具体地,涉及一种分布式状态估计方法。
背景技术
分布式状态估计算法是目前状态估计领域的研究热点之一,其在电网监测、多无人机协同探测、分布式数据处理等方面均有广泛应用。在现阶段的研究中,基于一致性理论的分布式状态估计算法是目前的主流算法,其具有收敛性强,可扩展性强等诸多特点,但是基于一致性理论的分布式状态估计算法的信息交互效率是其应用短板,存在“交互效率较低”的情况。
发明内容
有鉴于此,本发明的第一个实施例提供一种分布式状态估计方法,包括:
S10:每个节点基于自身所获取的量测信息,进行本节点的状态估计计算,获取本节点的本地信息向量以及本节点的本地信息矩阵;
S20:每个节点根据信息组对交互信息向量以及交互信息矩阵进行初始化,并对信息发送序列和编号接受序列进行初始化;
S30:每个节点按照预设的规则与其邻居节点进行多轮信息交互、存储和更新,直至达到预设的信息交互次数上限;
S40:每个节点根据交互信息向量和交互信息矩阵完成状态估计,并将估计结果作为最终结果予以输出。
在一个具体实施例中,所述每个节点基于自身所获取的量测信息包括:
N个节点对同一系统进行量测,其系统服从:
其中,N为大于等于3的整数,下标k为系统采样时刻,Xk与Xk-1分别为k时刻与k-1时刻的系统状态,Φk为k时刻的系统状态转移矩阵,ωk为k时刻的系统过程噪声;为节点i在k时刻的系统量测,/>为节点i在k时刻的系统量测矩阵,/>和/>为节点i在k时刻的系统量测噪声以及未知故障;其中,ωk,/>均为互不相关的零均值高斯白噪声,其服从:
E{ωk(ωk)T}=Qk
其中,E{}代表数学期望计算。
在一个具体实施例中,每个节点被赋予通信网络内的唯一编号IDi。
在一个具体实施例中,所述S10包括:
计算k时刻节点i的一步预测信息矩阵:
计算k时刻节点i的一步预测信息向量:
计算k时刻节点i的本地信息向量:
计算k时刻节点i的本地信息矩阵:
其中,所述为k-1时刻节点i的信息向量,/>为k-1时刻节点i的信息矩阵。
在一个具体实施例中,所述信息组包括:节点自身编号、本地信息向量以及本地信息矩阵,
在k时刻节点i所生成的信息组为其服从于:
在k时刻节点i所生成交互信息向量以及交互信息矩阵/>服从于:
在一个具体实施例中,所述S30包括:
S301:判断节点是否达到信息交互次数上限,若达到次数上限则结束信息交互、存储和更新,否则进行S302,
S302:节点查询自身信息发送序列中是否为空,若是则进行S303,否则节点将信息发送序列中的第一个信息组发送至所有邻居节点,同时将该信息组从信息发送序列中删除,
S303:节点接收所有邻居节点所发送的信息组,
S304:判断是否存在邻居节点向节点发送信息,若是不存在则进行S307,否则获取第一个节点所接收到的邻居节点发送的信息组,
S305:获取邻居节点所发送的信息组编号,
S306:判断获取的邻居节点所发送的信息组编号是否已存储节点的编号接收序列,若已经存在,则进行S307,否则将该编号存入节点的编号接受序列,同时更新节点的交互信息向量以及交互信息矩阵,并将该信息组存入节点的信息发送序列,
S307:判断节点是否完成对所有邻居节点发送的信息组的遍历,若还未完成则提取下一个节点所接收到的邻居节点发送的信息组,并进行S305,否则进行下一轮邻居信息交互。
在一个具体实施例中,所述S40包括:节点i计算编号接受序列中存储的编号数目,该数目定义为:/>
计算节点i在k时刻的信息向量:
计算节点i在k时刻的信息矩阵:
计算节点i在k时刻的状态估计结果:
将节点i在k时刻的状态估计结果,信息向量和信息矩阵作为最终结果予以输出。
本发明的第二个实施例提供一种计算机设备,包括处理器及存储在存储有计算机程序的存储器,所述处理器执行所述程序时实现如第一个实施例中任一项所述的方法。
本发明的第三个实施例提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如第一个实施例中任一项所述的方法。
本发明的有益效果如下:
本发明所提出的分布式状态估计方法具有更高的信息交互效率,具体体现为在占用相同通信带宽的情况下,相较于传统分布式状态估计方法,本发明所提出的分布式状态估计方法具有更高的估计精度。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1示出根据本发明一个实施例的分布式状态估计方法方法流程图;
图2示出根据本发明一个实施例的5个节点之间的通信拓扑示意图;
图3示出根据本发明一个实施例的邻居节点间的信息交互流程示意图;
图4示出根据本发明一个实施例的采用两种分布式状态估计方法,在信息交互轮数为1的情况下,Errornetwork,k(1)和Errornetwork,k(3)的局部结果放大图;
图5示出根据本发明一个实施例的采用两种分布式状态估计方法,在信息交互轮数为1的情况下,Errornetwork,k(1)和Errornetwork,k(3)的局部结果放大图;
图6示出根据本发明一个实施例的采用两种分布式状态估计方法,在信息交互轮数为3的情况下,Errornetwork,k(1)和Errornetwork,k(3)的局部结果放大图;
图7示出根据本发明一个实施例的采用两种分布式状态估计方法,在信息交互轮数为5的情况下,Errornetwork,k(1)和Errornetwork,k(3)的局部结果放大图;
图8示出本发明的另一个实施例的计算机设备的结构示意图。
具体实施方式
为使本发明的、技术方案和优点更加清楚,下面将结合附图对本发明实施方式作进一步地详细描述。
如图1所示,本发明的一个实施例提供一种分布式状态估计方法,包括:
S10:每个节点基于自身所获取的量测信息,进行本节点的状态估计计算,获取本节点的本地信息向量以及本节点的本地信息矩阵;
在一个具体实施例,首先,每个节点基于自身所获取的量测信息,具体地,N个节点对同一系统进行量测,其系统服从:
其中,N为大于等于3的整数,下标k为系统采样时刻,Xk与Xk-1分别为k时刻与k-1时刻的系统状态,Φk为k时刻的系统状态转移矩阵,ωk为k时刻的系统过程噪声;为节点i在k时刻的系统量测,/>为节点i在k时刻的系统量测矩阵,/>和/>为节点i在k时刻的系统量测噪声以及未知故障;其中,ωk,/>均为互不相关的零均值高斯白噪声,其服从:
其中,E{}代表数学期望计算。
此外,N个节点之间的通信拓扑可以采用图G予以描述,图G对应的邻接矩阵为A,A中的元素服从于:
然后,计算k时刻节点i的一步预测信息矩阵:
计算k时刻节点i的一步预测信息向量:
计算k时刻节点i的本地信息向量:
计算k时刻节点i的本地信息矩阵:
其中,所述为k-1时刻节点i的信息向量,/>为k-1时刻节点i的信息矩阵。
S20:每个节点根据信息组对交互信息向量以及交互信息矩阵进行初始化,并对信息发送序列和编号接受序列进行初始化;
在一个具体实施例中,每个节点被赋予通信网络内的唯一编号IDi。
所述信息组包括:节点自身编号、本地信息向量以及本地信息矩阵,
在k时刻节点i所生成的信息组为其服从于:
在k时刻节点i所生成交互信息向量以及交互信息矩阵/>服从于:
在k时刻节点i所生成的信息发送序列为编号接受序列为/>且其分别服从于:
S30:每个节点按照预设的规则与其邻居节点进行多轮信息交互、存储和更新,直至达到预设的信息交互次数上限;
具体地,S301:判断节点是否达到信息交互次数上限,若达到次数上限则结束信息交互、存储和更新,否则进行S302,
S302:节点查询自身信息发送序列中是否为空,若是则进行S303,否则节点将信息发送序列中的第一个信息组发送至所有邻居节点,同时将该信息组从信息发送序列中删除,
S303:节点接收所有邻居节点所发送的信息组,
S304:判断是否存在邻居节点向节点发送信息,若是不存在则进行S307,否则获取第一个节点所接收到的邻居节点发送的信息组,
S305:获取邻居节点所发送的信息组编号,
S306:判断获取的邻居节点所发送的信息组编号是否已存储节点的编号接收序列,若已经存在,则进行S307,否则将该编号存入节点的编号接受序列,同时更新节点的交互信息向量以及交互信息矩阵,并将该信息组存入节点的信息发送序列,
S307:判断节点是否完成对所有邻居节点发送的信息组的遍历,若还未完成则提取下一个节点所接收到的邻居节点发送的信息组,并进行S305,否则进行下一轮邻居信息交互。
为方便理解,邻居节点间的信息交互流程示意图,以节点i为例,如图2所示。
定义预设的信息交互轮数上限为L轮,则在每轮信息交互中,节点i将按照如下规则与其邻居节点进行多轮信息交互、存储与更新,为方便介绍,假设此时已经进行至第l轮信息交互:
1)、节点i查询自身信息发送序列中是否为空:如果不为空的话,则将中的第一个信息组传递至所有邻居节点,同时将该信息组从/>中删除;如果为空的话,则不进行任何操作;
2)、节点i接受所有邻居节点发送的信息组(在邻居节点向节点i发送信息的情况下),为方便下文进行描述,将在k时刻、第l轮信息交互中,假定节点j向节点i发送了信息组,则此时节点j向节点i发送的信息组定义为: 代表在k时刻、第l轮信息交互中,向节点i发送信息的节点的集合。
3)、对所有邻居节点发送的信息组进行遍历,如果存在邻居节点向节点发送信息,则执行如下操作;如果不存在邻居节点向节点发送信息,则直接跳过该步,执行4)步;
以为例对操作过程进行说明:
①、提取中的全部信息,由前文信息组定义可知,信息组中包含三类信息,分别为:编号、信息向量以及信息矩阵;方便起见,定义/>中所包含的编号、信息向量以及信息矩阵分别为:/>以及/>
②、查找编号接受序列中,是否存在某一元素,与/>相同,如果不存在,则执行③,否则执行⑤;
③、将存入编号接受序列/>即:/>同时利用/>和/>对交互信息向量/>以及交互信息矩阵/>进行更新:
④、将存入信息发送序列/>即:/>
⑤、对下一个、节点i所接收到的邻居节点发送的信息组进行①操作,直至完成所有邻居节点发送的信息组的遍历。
4)、结束本轮(第l轮)邻居信息交互,执行下一轮(第l+1轮)邻居信息交互,直至达到预设的信息交互轮数上限。
S40:每个节点根据交互信息向量和交互信息矩阵完成状态估计,并将估计结果作为最终结果予以输出。
具体地,节点i计算编号接受序列中存储的编号数目,该数目定义为:/>
计算节点i在k时刻的信息向量:
计算节点i在k时刻的信息矩阵:
计算节点i在k时刻的状态估计结果:
将节点i在k时刻的状态估计结果,信息向量和信息矩阵作为最终结果予以输出。
在一个具体实施例中,有5个节点,5个节点之间的通信拓扑如附图3所示,对同一系统进行量测,其系统模型服从:
其中ωk为零均值高斯白噪声,其协方差矩阵 为零均值高斯白噪声,其协方差矩阵/>
针对上述模型,采用本发明的一个实施例提出的一种提升信息交互效率的分布式状态估计方法进行状态估计,为了更加直观地看出本专利方法的优越性,在计算过程中同样采用了传统分布式状态估计方法进行了状态估计,为了使得比较结果足够可信,本实施例中采用了300次独立重复蒙特卡洛的实验方式来抑制随机误差对于结果的干扰。
在信息交互轮数分别为1,3,5,10的情况下,以网络状态估计误差为例,对两种方法的状态估计精度进行比较。其中,在k时刻,计算网络状态估计误差Errornetwork,k:
其中,Errornetwork,k(1)~Errornetwork,k(4)代表Errornetwork,k的第1个至第4个元素,Xk(1)~Xk(4)代表Xk的第1个至第4个元素,代表/>的第1个至第4个元素,/>代表在第t次蒙特卡洛实验中,在k时刻,节点m对Xk的状态估计结果;| |代表绝对值计算。
以Errornetwork,k(1)和Errornetwork,k(3)为例,不同信息交互轮数下的误差比较结果放大图分别如附图4~附图7所示,其中附图4至附图7分别对应信息交互轮数为1,3,5,10下的网络状态估计误差结果。
从上述结果图中可以看出:在相同的信息交互轮数下,本发明的实施例所提出的分布式状态估计方法始终具有比传统分布式状态估计方法更小的估计误差,即具有更高的估计精度;换言之,在占用相同通信资源的前提下,本发明的实施例所提出的分布式状态估计方法具有比传统分布式状态估计方法更优的估计精度,也就是说本发明的实施例所提出的分布式状态估计方法具有更高的信息交互效率。
本发明的另一个实施例提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现,在实际应用中,所述计算机可读存储介质可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本实施例中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
如图8所示,本发明的另一个实施例提供的一种计算机设备的结构示意图。图8显示的计算机设备12仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图8所示,计算机设备12以通用计算设备的形式表现。计算机设备12的组件可以包括但不限于:一个或者多个处理器或者处理单元16,系统存储器28,连接不同系统组件(包括系统存储器28和处理单元16)的总线18。
总线18表示几类总线结构中的一种或多种,包括存储器总线或者存储器控制器,外围总线,图形加速端口,处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说,这些体系结构包括但不限于工业标准体系结构(ISA)总线,微通道体系结构(MAC)总线,增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。
计算机设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被计算机设备12访问的可用介质,包括易失性和非易失性介质,可移动的和不可移动的介质。
系统存储器28可以包括易失性存储器形式的计算机系统可读介质,例如随机存取存储器(RAM)30和/或高速缓存存储器32。计算机设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例,存储系统34可以用于读写不可移动的、非易失性磁介质(图8未显示,通常称为“硬盘驱动器”)。尽管图8中未示出,可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器,以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下,每个驱动器可以通过一个或者多个数据介质接口与总线18相连。存储器28可以包括至少一个程序产品,该程序产品具有一组(例如至少一个)程序模块,这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块42的程序/实用工具40,可以存储在例如存储器28中,这样的程序模块42包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本发明所描述的实施例中的功能和/或方法。
计算机设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信,还可与一个或者多个使得用户能与该计算机设备12交互的设备通信,和/或与使得该计算机设备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡,调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。并且,计算机设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图8所示,网络适配器20通过总线18与计算机设备12的其它模块通信。应当明白,尽管图8中未示出,可以结合计算机设备12使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
处理器单元16通过运行存储在系统存储器28中的程序,从而执行各种功能应用以及数据处理,例如实现本发明实施例所提供的一种分布式状态估计方法。
显然,本发明的上述实施例仅仅是为清楚地说明本发明所作的举例,而并非是对本发明的实施方式的限定,对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动,这里无法对所有的实施方式予以穷举,凡是属于本发明的技术方案所引伸出的显而易见的变化或变动仍处于本发明的保护范围之列。
Claims (3)
1.一种分布式状态估计方法,其特征在于,包括:
S10:每个节点基于自身所获取的量测信息,进行本节点的状态估计计算,获取本节点的本地信息向量以及本节点的本地信息矩阵;
S20:每个节点根据信息组对交互信息向量以及交互信息矩阵进行初始化,并对信息发送序列和编号接受序列进行初始化;
S30:每个节点按照预设的规则与其邻居节点进行多轮信息交互、存储和更新,直至达到预设的信息交互次数上限;
S40:每个节点根据交互信息向量和交互信息矩阵完成状态估计,并将估计结果作为最终结果予以输出;
所述每个节点基于自身所获取的量测信息包括:
N个节点对同一系统进行量测,其系统服从:
其中,N为大于等于3的整数,下标k为系统采样时刻,Xk与Xk-1分别为k时刻与k-1时刻的系统状态,Φk为k时刻的系统状态转移矩阵,ωk为k时刻的系统过程噪声;为节点i在k时刻的系统量测,/>为节点i在k时刻的系统量测矩阵,/>和/>为节点i在k时刻的系统量测噪声以及未知故障;其中,ωk,/>均为互不相关的零均值高斯白噪声,其服从:
E{ωk(ωk)T}=Qk
其中,E{}代表数学期望计算;
每个节点被赋予通信网络内的唯一编号IDi;
所述S10包括:
计算k时刻节点i的一步预测信息矩阵:
计算k时刻节点i的一步预测信息向量:
计算k时刻节点i的本地信息向量:
计算k时刻节点i的本地信息矩阵:
其中,所述为k-1时刻节点i的信息向量,/>为k-1时刻节点i的信息矩阵;
所述信息组包括:节点自身编号、本地信息向量以及本地信息矩阵,
在k时刻节点i所生成的信息组为其服从于:
在k时刻节点i所生成交互信息向量以及交互信息矩阵/>服从于:
所述S30包括:
S301:判断节点是否达到信息交互次数上限,若达到次数上限则结束信息交互、存储和更新,否则进行S302,
S302:节点查询自身信息发送序列中是否为空,若是则进行S303,否则节点将信息发送序列中的第一个信息组发送至所有邻居节点,同时将该信息组从信息发送序列中删除,
S303:节点接收所有邻居节点所发送的信息组,
S304:判断是否存在邻居节点向节点发送信息,若是不存在则进行S307,否则获取第一个节点所接收到的邻居节点发送的信息组,
S305:获取邻居节点所发送的信息组编号,
S306:判断获取的邻居节点所发送的信息组编号是否已存储节点的编号接收序列,若已经存在,则进行S307,否则将该编号存入节点的编号接受序列,同时更新节点的交互信息向量以及交互信息矩阵,并将该信息组存入节点的信息发送序列,
S307:判断节点是否完成对所有邻居节点发送的信息组的遍历,若还未完成则提取下一个节点所接收到的邻居节点发送的信息组,并进行S305,否则进行下一轮邻居信息交互;
所述S40包括:节点i计算编号接受序列中存储的编号数目,该数目定义为:/>
计算节点i在k时刻的信息向量:
计算节点i在k时刻的信息矩阵:
计算节点i在k时刻的状态估计结果:
将节点i在k时刻的状态估计结果,信息向量和信息矩阵作为最终结果予以输出。
2.一种计算机设备,包括处理器及存储在存储有计算机程序的存储器,其特征在于,所述处理器执行所述程序时实现如权利要求1所述的方法。
3.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111543310.4A CN114372238B (zh) | 2021-12-16 | 2021-12-16 | 一种分布式状态估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111543310.4A CN114372238B (zh) | 2021-12-16 | 2021-12-16 | 一种分布式状态估计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114372238A CN114372238A (zh) | 2022-04-19 |
CN114372238B true CN114372238B (zh) | 2024-05-07 |
Family
ID=81140841
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111543310.4A Active CN114372238B (zh) | 2021-12-16 | 2021-12-16 | 一种分布式状态估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114372238B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101505532A (zh) * | 2009-03-12 | 2009-08-12 | 华南理工大学 | 一种基于分布式处理的无线传感器网络目标跟踪方法 |
CN106685427A (zh) * | 2016-12-15 | 2017-05-17 | 华南理工大学 | 一种基于信息一致性的稀疏信号重构方法 |
CN108255791A (zh) * | 2018-01-09 | 2018-07-06 | 中国人民解放军海军航空大学 | 基于分布式传感器一致性的机动目标跟踪方法 |
CN110958639A (zh) * | 2019-01-31 | 2020-04-03 | 北京航空航天大学 | 一种目标状态估计方法及系统 |
AU2020103330A4 (en) * | 2020-11-09 | 2021-01-21 | Southwest University | distributed adaptive quantization estimation algorithm |
-
2021
- 2021-12-16 CN CN202111543310.4A patent/CN114372238B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101505532A (zh) * | 2009-03-12 | 2009-08-12 | 华南理工大学 | 一种基于分布式处理的无线传感器网络目标跟踪方法 |
CN106685427A (zh) * | 2016-12-15 | 2017-05-17 | 华南理工大学 | 一种基于信息一致性的稀疏信号重构方法 |
CN108255791A (zh) * | 2018-01-09 | 2018-07-06 | 中国人民解放军海军航空大学 | 基于分布式传感器一致性的机动目标跟踪方法 |
CN110958639A (zh) * | 2019-01-31 | 2020-04-03 | 北京航空航天大学 | 一种目标状态估计方法及系统 |
AU2020103330A4 (en) * | 2020-11-09 | 2021-01-21 | Southwest University | distributed adaptive quantization estimation algorithm |
Non-Patent Citations (3)
Title |
---|
Distributed State Estimation for Nonlinear Networked System with Correlated Noises;Yuan Liang等;《2020 16th International Conference on Control, Automation, Robotics and Vision (ICARCV)》;20201215;1292-1297 * |
Networked State Estimation Over a Shared Communication Medium;Meng Xia等;《IEEE Transactions on Automatic Control 》;20170430;第62卷(第4期);1729-1741 * |
多智能体系统中分布式源点定位与状态估计的研究;林澈;《中国博士学位论文全文数据库信息科技辑》;20180615(第06期);I140-13 * |
Also Published As
Publication number | Publication date |
---|---|
CN114372238A (zh) | 2022-04-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2020151129A1 (zh) | 量子机器学习框架构建方法、装置、量子计算机及计算机存储介质 | |
KR20210103928A (ko) | 태스크 병렬 처리 구현 방법, 장치, 기기 및 매체 | |
CN111145076B (zh) | 数据并行化处理方法、系统、设备及存储介质 | |
CN103838803A (zh) | 一种基于节点Jaccard相似度的社交网络社团发现方法 | |
CN114862656A (zh) | 基于多gpu的分布式深度学习模型训练代价的获取方法 | |
CN111752691B (zh) | Ai计算图的排序方法、装置、设备及存储介质 | |
CN116166405B (zh) | 异构场景下的神经网络任务调度策略确定方法及装置 | |
CN111682530B (zh) | 一种配电网电压越限概率的确定方法、装置、设备及介质 | |
US20230186137A1 (en) | Quantum Circuit Processing Method and Device on Quantum Chip, and Electronic Device | |
CN115860128B (zh) | 量子电路运行方法、装置及电子设备 | |
CN113723618A (zh) | 一种shap的优化方法、设备及介质 | |
CN113657468A (zh) | 预训练模型的生成方法、装置、电子设备和存储介质 | |
CN104598661B (zh) | 用于涉及it系统的项目的变更请求分析的方法和装置 | |
CN114372238B (zh) | 一种分布式状态估计方法 | |
CN116341634A (zh) | 神经结构搜索模型的训练方法、装置及电子设备 | |
WO2022247880A1 (zh) | 一种对神经网络的算子进行融合的方法和相关产品 | |
CN114372237B (zh) | 一种分布式状态估计方法 | |
CN112148285B (zh) | 一种界面设计方法、装置、电子设备及存储介质 | |
CN110647519B (zh) | 对测试样本中的缺失属性值进行预测的方法及装置 | |
WO2022257770A1 (en) | Performance data analysis to reduce false alerts in hybrid cloud environment | |
CN113961405B (zh) | 状态切换指令验证方法、装置、电子设备及存储介质 | |
CN115860055B (zh) | 性能确定方法、性能优化方法、装置、电子设备以及介质 | |
CN117271098B (zh) | 一种ai模型计算核调度方法、装置、设备及存储介质 | |
WO2023000251A1 (zh) | 核密度估计器的构建方法、装置、电子设备及介质 | |
CN115756993A (zh) | 系统运行检测方法、装置、电子设备和存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |