有适应力的分布式状态估计方法
为提高智能体系统对攻击的免疫力,研究了测量攻击下的适应力分布式状态估计方法.每个智能体对系统状态进行连续的本地线性测量.由于不同智能体的本地测量模型相互异构,对系统状态可能不具有本地可观测性,且攻击者能够操控部分智能体的测量数据,随意改变其测量结果.而智能体的目标是协同处理本地测量数据,并正确估计出未知的系统状态.因此,该问题的挑战在于在不对真实测量数据和恶意智能体的测量数据进行分辨时,如何设计算法估计得到真实的系统状态.为了解决这个问题,设计了适应性分布式最大后验概率估计算法.在该算法中,只要恶意智能体的数量小于某个特定值,所有智能体都能够收敛到系统状态.首先,根据卡尔曼滤波给出集中式最大后验概率(Maximum A Posteriori,MAP)估计方法,并与分布式一致性结合,进而得到分布式最大后验概率估计方法.然后,考虑到测量攻击,从估计一致性的角度,利用自适应饱和度增益设计了适应性分布式最大后验概率估计方法.最后,通过仿真实验验证算法的有效性.
适应性估计、分布式状态估计、卡尔曼滤波、最大后验概率、一致性滤波、多智能体系统
48
TP13(自动化基础理论)
2021-06-04(万方平台首次上网日期,不代表论文的发表时间)
共5页
308-312