✦ 点击蓝字，关注我们！✦
欢迎阅读IEEE Transactions on Automatic Control 2025年issue10文章推送（第5期/共6期）。本期推送共包含10篇研究论文，内容聚焦于控制系统理论、量化反馈稳定性、分布式状态估计、非线性观测器设计、动态网络同步、随机系统分类、生化神经网络实现、块稀疏优化、分布鲁棒控制以及时空相关噪声网络估计等前沿研究方向。
本期目录
📖 第1篇：有限数据率通道下含输入与状态量化及饱和的量化反馈系统渐近稳定性研究
📖 第2篇：通过反应网络自动实现神经网络——第二部分：误差分析
📖 第3篇：随机系统分类：深度学习与假设检验方法
📖 第4篇：联合可观不确定线性系统的完全分布式状态估计
📖 第5篇：动态网络同步的延迟钉扎控制研究
📖 第6篇：D'-D'' H∞B控制器下降ILMI算法
📖 第7篇：无需全局输入的分布式非线性观测器设计
📖 第8篇：基于块稀疏优化的分布式错误识别与校正方法
📖 第9篇：分布鲁棒无限时域控制：从样本池到可靠控制器设计
📖 第10篇：时空相关噪声网络中的估计问题研究
📖 第1篇
📌 有限数据率通道下含输入与状态量化及饱和的量化反馈系统渐近稳定性研究
Asymptotic Stability of Quantized Feedback Systems With Input and State Quantizations and Saturations Over Finite Data Rate Channels
作者：Jian Wang
本文针对离散时间线性系统在输入与状态同时存在量化及饱和约束下的反馈控制问题展开研究。系统通过有限数据率通信通道传输量化信息，传统方法因对饱和非线性的保守处理而限制了稳定性区域的扩展。创新性地提出有界不确定对角矩阵的饱和映射表示方法，将饱和非线性转化为等式约束形式，显著降低了保守性。同时，采用球面极坐标量化器将量化误差转换为扇形有界不确定性，使系统可建模为不确定系统，从而将原问题转化为可求解的不确定系统稳定性分析问题。
研究重点分析了三种典型场景：状态量化情形下传感器与控制器间的数据传输、输入量化情形下控制器与执行器间的通信约束，以及输入与状态同时存在量化饱和的嵌套情形。针对输入量化，通过构造维数与闭环系统相同的增广向量进行量化，解决了控制器输出维数不足导致的量化区域演化问题。嵌套量化饱和情形中，尽管传感器与控制器端的量化器无法直接通信，但通过协同量化方法仍能保证系统渐近稳定性。
理论分析表明，新方法通过优化饱和映射表示和量化策略，在保证系统渐近稳定的前提下，能获得更大的稳定区域。仿真实验验证了方法有效性：状态量化下稳定区域较传统方法扩大约25%；输入量化情形下，系统在有限数据率约束下仍保持良好稳定性；嵌套情形中，即使存在双重饱和约束，系统状态仍能快速收敛至平衡点。本研究为涉及量化与饱和约束的实际工程场景提供了新的解决思路，适用于资源受限的网络化控制和嵌入式系统。
🔗 https://ieeexplore.ieee.org/stampPDF/getPDF.jsp?tp=&arnumber=10982155
📖 第2篇
📌 通过反应网络自动实现神经网络——第二部分：误差分析
Automatic Implementation of Neural Networks Through Reaction Networks—Part II: Error Analysis
作者：Yuzhen Fan，Xiaoyu Zhang，Chuanhou Gao，Denis Dochain
受生物神经元相互作用机制启发，神经网络相关的机器学习算法快速发展，推动合成生物学进步。本文构建了生化全连接神经网络，可在体内独立表现神经网络行为。建立了系统化的误差分析框架，定义两种误差分量：当前误差（单个模块内误差生成）和累积误差（模块间误差传播及多次迭代误差）。
误差分析的挑战在于定义误差类型和传播路径，并确定误差对迭代次数的依赖。推导出关于迭代次数的总误差上界公式，证明了振荡信号浓度非零持续时间的指数收敛阶。分析从上游模块到学习模块的误差累积，发现赋值模块误差收敛阶始终不变，前馈模块权重初始偏差影响显著，预计算模块误差通过初始浓度与参数跨迭代传播。
数值实验以两个分类示例验证总误差随非零持续时间和迭代次数的变化趋势，结果显示即使实现误差因多因素增大，上界仍随相位长度T呈指数收敛。该误差控制方法有助于管理训练过程中的实现误差扰动。研究为设计稳定生物电路提供了有效途径，并探讨了未来通过积分控制器克服累积误差的方向。
🔗 https://ieeexplore.ieee.org/stampPDF/getPDF.jsp?tp=&arnumber=11016209
📖 第3篇
📌 随机系统分类：深度学习与假设检验方法
Classification of Stochastic Systems: Deep Learning and Hypothesis Testing
作者：Qing Zhang，Xiaohang Ma，George Yin
本文针对连续时间随机微分方程描述的随机系统分类问题，提出了两种创新方法：基于深度神经网络的方法和基于假设检验的方法。核心思想是通过生成蒙特卡洛样本路径训练深度神经网络，转化分类问题为随机优化任务，采用递归随机算法并完整分析收敛性与速率。
相比假设检验方法，深度神经网络展现更优性能，特别是在均值回归模型中具备卓越的适应性和分类能力。显著优势在于能直接用真实数据训练，绕过模型校准步骤，提升工程应用实用性。技术实现涉及欧拉-丸山离散化、截断算法及连续时间插值，证明算法弱收敛性和误差渐近分布，获得收敛速率最优界。
假设检验方法作为备用方案，开发了固定样本量的二次变分检验和序贯似然比检验。数值实验显示线性系统下两方法性能相当，非线性均值回归模型中深度学习更具鲁棒性与分类精度。主要贡献包括建立深度学习识别框架、开发假设检验基准、转化为随机优化及收敛性理论分析，为系统识别提供新范式及理论工具。
🔗 https://ieeexplore.ieee.org/stampPDF/getPDF.jsp?tp=&arnumber=10965518
📖 第4篇
📌 联合可观不确定线性系统的完全分布式状态估计
Completely Distributed State Estimation for Jointly Observable Uncertain Linear Systems
作者：Lan Zhang，Martin Guay，Shimin Wang，Maobin Lu
本文针对具有不确定性的连续时间线性时不变系统，提出了创新的分布式自适应观测器设计方法。该系统可能是联合可观测，为解决传感器稀疏布置及模型不确定性提供了实际可用方案。
通过引入可观测性分解方法，将观测系统的状态与未知参数分解为可观测及不可观测分量，规避了未知参数对现有方法的影响。设计了两个非线性映射实现状态和参数重构，并建立输出估计误差参数化，将未知参数识别转为线性回归问题。
通过李雅普诺夫分析，证明系统参数可恢复并解决状态估计问题。设计包括两个时变分布式观测器动态、输出滤波器动态和两个非线性映射，采取智能体级分解扩散耦合结构，输出滤波器引入参数识别自适应技术。该方法在稀疏和不确定环境下无需全局信息，仿真验证了其良好性能和渐近估计能力。
🔗 https://ieeexplore.ieee.org/stampPDF/getPDF.jsp?tp=&arnumber=11012684
📖 第5篇
📌 动态网络同步的延迟钉扎控制研究
Delayed Pinning Control for Synchronization of Dynamical Networks
作者：Shuaibing Zhu，Feng Li，Zhenhua Deng，Jinhu Lü
本文聚焦动态网络的滞后同步与滞后准同步问题，提出两种创新的延迟钉扎控制方案——均匀延迟和非均匀延迟控制，相较传统无延迟方案更适应实际。通过建立函数微分不等式系统，推导出同步判据及最大容忍延迟上界，尤其给出滞后准同步的最终误差界估计。
研究显示程序节点能以时间滞后方式跟踪目标轨迹，实现滞后同步；当精确同步不达成时，网络呈现滞后准同步，误差收敛到紧集。发现较大控制增益并非总利于延迟钉扎控制，与常规钉扎控制存在本质差异，对实际设计有启示。
通过两个数值算例验证：均匀延迟方案实现有向网络滞后同步，非均匀延迟方案实现无向网络滞后准同步。研究结果贴近工程实际，时间延迟不可避免，本文方案为含延迟动态网络钉扎设计提供理论基础，助推复杂网络同步控制应用。
🔗 https://ieeexplore.ieee.org/stampPDF/getPDF.jsp?tp=&arnumber=10994387
📖 第6篇
📌 D'-D'' H∞B控制器下降ILMI算法
作者：Jovan Stefanovski
针对动态控制器设计的关键挑战，本文提出了基于迭代线性矩阵不等式（ILMI）的优化算法，旨在使控制器极点和闭环模态位于复平面指定区域，并使闭环传递矩阵在预设频率范围内范数尽可能小。
该算法每次迭代获得问题可行解且性能指标连续下降。区别于最小化矩阵迹的传统方法，本文方法在每轮最小化静态输出反馈稳定化矩阵范数，并证明了算法在γ方面具有下降特性。
研究贡献包括针对问题的非凸必要充分条件及基于ILMI的算法设计。算法支持状态反馈、估计、扰动前馈、滤波、模型降阶及强控制问题。相较引入辅助乘子带来保守性的现有方法，新算法通过最小化正定矩阵迹减少了非凸性影响，在模型降阶任务中表现优异。多项基准测试显示该算法显著降低H∞B指数，为复杂控制系统设计提供高效工具。
🔗 https://ieeexplore.ieee.org/stampPDF/getPDF.jsp?tp=&arnumber=10966046
📖 第7篇
📌 无需全局输入的分布式非线性观测器设计
Design of Distributed Nonlinear Observers Without Using Global Inputs
作者：Ganghui Cao，Jinzhi Wang，Marios M. Polycarpou
本文研究非线性系统的分布式观测器设计，部署于传感器网络，节点之间通信使得即便各节点仅采集系统部分输出信息，依然能估计系统全部状态。传统方法依赖每节点需要系统全部输入，本文创新提出无需全局输入，各节点仅需部分输入。
基于时变增益和一致性误差方向上的单位向量构建邻域反馈策略，避免对全局输入的依赖，实现真正分布式设计。采用更简洁设计方案，增益参数调节方便，适用节点数量和输出维度不匹配场景，设计过程直接明了。
相较于现有方法，提出方案具有设计结构简单，支持不同节点增益，增强鲁棒性。理论分析证明稳定性，数值仿真表明即使有干扰和噪声，各节点准确估计所有状态。展示了在基于观测器的分布式控制中的应用潜力，为解决全局输入限制提供有效方案，拓宽非线性系统分布式估计途径。
🔗 https://ieeexplore.ieee.org/stampPDF/getPDF.jsp?tp=&arnumber=10948358
📖 第8篇
📌 基于块稀疏优化的分布式错误识别与校正方法
Distributed Error-Identification and Correction Using Block-Sparse Optimization
作者：Shiraz Khan，Inseok Hwang
针对多智能体系统中传感器网络的错误识别与校正（EIC）问题，本文提出基于块稀疏优化的分布式框架，无需求锚节点即可有效识别与重构错误状态估计，适用无人机编队和分布式监控等场景。
将EIC问题建模为块稀疏误差向量恢复，结合误差稀疏性和传感器连接稀疏性，通过序列凸规划（SCP）与交替方向乘子法（ADMM）实现分布式求解，解决非线性测量模型及避免高维投影难题。
理论证明算法等价于多智能体残差测试机制，仅当代理残差超过阈值时识别错误。仿真中20无人机网络有30%错误节点，算法成功识别并重构且计算通信成本仅线性增长，远优于集中式方法。创新点包括首次提出无锚节点框架，将组合优化转为可分布式凸优化，开辟多智能体容错控制新思路。
🔗 https://ieeexplore.ieee.org/stampPDF/getPDF.jsp?tp=&arnumber=10979440
📖 第9篇
📌 分布鲁棒无限时域控制：从样本池到可靠控制器设计
Distributionally Robust Infinite-Horizon Control: From a Pool of Samples to the Design of Dependable Controllers
作者：Jean-Sébastien Brouillon，Andrea Martin，John Lygeros，Florian Dörfler，Giancarlo Ferrari-Trecate
面对现代工程系统中无法精确掌握不确定性概率分布的情况，本文提出基于Wasserstein分布鲁棒优化的无限时域控制方法，专注具有约束的线性系统控制，利用有限扰动实现样本构建经验分布，形成分布不确定集合，转换控制设计为分布鲁棒优化问题。
主要创新包括具有有界支撑约束的二次目标Wasserstein分布鲁棒优化强对偶性结果，结合系统级线性反馈策略参数化，将设计简化为半定规划问题。使用有限脉冲响应保证闭环稳定，并实现仅一次性离线计算，避免在线重计算瓶颈。
相较于传统方法，具备天然扩展性支持分布鲁棒条件风险价值约束下的概率安全规范及部分观测设置，实现无限时域下输出反馈分布鲁棒控制。数值仿真显示经验分布中心模糊集合构建显著提升控制设计价值。该研究为从有限样本到安全稳定线性策略设计提供完整端到端合成方法，在复杂系统控制中具有重要实用价值。
🔗 https://ieeexplore.ieee.org/stampPDF/getPDF.jsp?tp=&arnumber=10964201
📖 第10篇
📌 时空相关噪声网络中的估计问题研究
Estimation in Networks With Spatiotemporally Correlated Noise
作者：Sina Jahandari，Jeffrey Shaman
动态网络建模中，节点噪声的空间相关性显著影响参数估计准确性。传统方法常假设噪声相互独立，实则噪声常具时空相关性。本文提出创新模块估计方法，针对时空相关噪声网络展开研究。
通过将两个节点间的空间相关性建模为新的隐藏节点，构建扩展网络。引入虚拟节点调整网络结构，使得新网络中节点子集时间序列与原网络等价。基于图论d-分离概念，提出选择预测器输入集的充分图条件，并证明其保障使用预测误差法对目标传递函数进行一致估计。
核心创新是转化时空相关噪声为拥有隐藏节点的无关噪声网络，借助增广图应用d-分离获取独立关系，支持含反馈和混杂变量复杂网络识别。提出的预测器输入选择基于图论，设计系统化算法。蒙特卡洛仿真验证该方法在有限数据情况下保持估计一致性，参数估计概率收敛至真实值。该研究对气候建模、流行病分析等复杂系统具重要应用价值。
🔗 https://ieeexplore.ieee.org/stampPDF/getPDF.jsp?tp=&arnumber=10979406
点击关注 获取更多精彩