[发明专利]目标状态估计的通讯信号降维与量化的联合优化方法

说明书

技术领域

本发明属于通信及控制领域，涉及一种目标状态估计的通讯信号降维与量化的联合优化方法。 

背景技术

近来，大规模控制系统、分布式控制系统、远程控制系统等得到了蓬勃发展。在这些系统中，被控对象、控制器、执行器等往往是分布在不同的物理位置并通过网络信道连结成一个整体，因而它们之间的通讯是不可避免的。在上述系统中，被控对象往往结构复杂，为了精确地描述被控对象，它的数学模型阶次往往很高，状态维数很多。当对被控对象进行分析设计时，如分析被控对象的稳定性、设计控制器等，往往会涉及被控对象的状态。然而，信道的传输能力往往是有限的，比如信道会存在带宽约束，接入约束，功率约束等。这时，巨大的数据传输量与有限的信道传输能力之间产生了矛盾。 

在经典的反馈控制系统中，求最优控制律时，采用的信息结构往往是由过去以及当前所有时刻的输入和输出组成的，而根据滤波估计，该信息结构可以由过去以及当前所有时刻的输入和状态估计值所代替，利用这一点，可把一个以状态和输入变量为自变量的随机控制问题转化成一个以状态估计和输入变量为自变量的确定性控制问题。这样，一个随机控制问题被分成了两个可以单独进行的问题，一个是滤波问题，另一个是确定性控制问题，这一思想被称为分离原理。在量化反馈控制系统中，控制器仍然是基于系统的实时状态信息产生控制作用。因此，为了控制被控对象，必须在信道接收端对对象的状态进行估计，控制器的性能受到状态估计精度的影响。 

为了解决巨大的数据传输量与有限的信道传输能力之间的矛盾，必须对传输信号进行预处理。差分脉冲编码调制系统(DPCM)在通信系统中得到了广泛应用，它通过降低相邻两个被传输值之间的冗余度可以降低数据传输率，同时又可以降低信号功率。 

在DPCM系统中，信道上被传输的是系统信号新息的量化值。量化器的设计一直以来受到了各领域专家的关注，并且多种量化器的设计方法被提出，但针对动态对象状态估计的量化算法较缺乏。 

状态降维也是节省通信资源的有效手段，并受到了相关领域专家的关注。针对非量化动态对象或者静态信号，已经有了一些关于状态降维的方法。然而， 对于量化动态对象的状态降维和量化器的联合优化方法比较缺乏。 

发明内容

本发明的目的是克服现有技术的不足，提供一种目标状态估计的通讯信号降维与量化的联合优化方法。 

目标状态估计的通讯信号降维与量化的联合优化方法是： 

基于状态空间描述的线性动态对象为： 

x(k+1)＝Ax(k)+Bw(k) 

其中，A、B分别为系统矩阵和输入矩阵，k为时刻，状态x(k)为n维的实数状态向量，初始状态x(0)服从高斯分布；w(k)为过程噪声，是m维、协方差阵为Q的零均值高斯白噪声向量，与x(0)相互独立； 

在通讯信号降维与量化的联合优化系统框架下，首先对系统状态进行降维，通过前置的预测器得到信号的新息并将其量化后传输至信号接收端，然后通过后置滤波器对接收到的新息量化值进行滤波，实现对系统状态的估计，具体步骤包括： 

1)通过对状态的线性降维的方法降低系统状态的维数，满足独立平行信道传输数据的维数限制； 

2)通过多电平量化新息卡尔曼滤波器预测，得到信号的预测值，进而得到信号的新息； 

3)在传输功率约束和带宽约束下，以最小均方估计为准则，联合设计状态的线性降维的方法和时不变对称量化方法，对新息进行量化； 

4)在信号接收端，采用多电平量化信息卡尔曼滤波器对接收到的新息进行滤波，估计对象的状态。 

所述的状态的线性降维的方法为： 

y(k)＝Cx(k)+v(k) 

其中，k为时刻，y(k)为标量输出，是状态降维后的输出值；v(k)为降维过程中的高斯白噪声，表示状态检测以及降维检测过程中的各种干扰因素，其均值为零、协方差为R，与w(k)和x(0)均相互独立；C为降维矩阵。 

所述的多电平量化新息卡尔曼滤波器预测为： 

首先，采用多电平量化信息卡尔曼滤波器预测算法得到降维输出的预测值 y^(k|k-1)]]>