复杂网络中分布式观测器的设计及应用

复杂网络无处不在，因而激起了科学和工程各个领域科学家们极大的研究兴趣。网络动力学研究是复杂网络研究中的一个活跃分支。显然，精确的网络模型和系统状态信息对网络动力学的研究至关重要。但现实网络往往存在着一定的不确定性，使得我们难以获得网络的全部动力学行为。对此，人们提出了自适应观测器方法。但已有研究通常需要向网络中各节点传输其它所有节点的状态信息来设计相应的控制器，既浪费资源又降低了系统的鲁棒性。在分布式控制中，网络中各节点仅与其邻居节点之间进行信息交换。因此，采用分布式方式来设计观测器可以有效地节省成本，提高系统的鲁棒性。本项目将结合分布式处理技术和控制理论，研究分布式自适应观测器的设计问题，实现对网络状态的重构以及对未知参数的辨识；并以此为基础，开展一些相关的应用研究。本研究能够帮助我们更好地了解现实网络中复杂的动力学行为，也为一些具体问题的解决提供了坚实的理论基础，具有重要的应用价值。

本项目研究结合分布式处理技术、非线性动力学以及自动控制理论，对复杂网络中分布式自适应观测器的设计、分布式信息处理的算法以及神经机理等问题进行研究。主要研究成果如下：.在分布式自适应观测器的研究方面，我们提出了基于滑模控制的自适应观测器，该观测器具有较好的鲁棒性，能够较好地实现复杂网络的自适应同步。此外，我们还从优化的角度出发，设计遗传算法，通过改变网络的拓扑结构，达到提高网络同步性的目的。..在分布式信息处理的算法研究方面，我们考虑待估计信号的稀疏性，提出了一些基于传感器网络的分布式稀疏估计算法，有效提高了信号估计的性能，加快了算法的收敛性，减小了信息处理的代价。该算法也被成功应用于信号谱的估计中。此外，我们还研究了网络拓扑对复杂网络中分布式信息处理的影响以及如何设计最优的网络拓扑来提高分布式估计的性能。..在分布式信息处理的神经机理方面，我们考虑到胶质细胞与生物神经元之间的双向通信，建立了三维的神经元-胶质细胞场模型，并对其内在的神经机理进行研究。然后，基于建立的模型，研究了胶质细胞对神经元以及神经元网络模块中的信号传输的影响，讨论了其相应的神经机理。..本项目的研究按照计划书展开，各项研究内容进展均比较顺利。该项目属于基础研究，成果形式主要是论文发表，我们的主要工作发表在IEEE Trans. Signal Process, IEEE Trans. Neural Network and Machine Learning等本学科领域国际学术刊物上，共发表论文14篇，其中被SCI收录的论文13篇，被EI收录的论文1篇，论文被国内外同行多次引用和评述。在该项目执行期间，项目负责人获得了教育部高等学校科学研究优秀成果奖自然科学二等奖（排名第四），该获奖项目《非线性系统的超混沌建模与优化控制及其应用》与本课题紧密相关。在本研究项目的支持下，我们邀请了Wallace K.S. Tang，G.R. Chen, Bernard C. Y. Chiu等学者来华访问，参加国际学术会议3人次。指导硕博士研究生7名。

内容获取失败，请点击重试