文摘
多传感器融合和共识过滤两个迷人的传感器网络研究的主题。在这个调查中,我们将介绍两个经典的结果和这两个主题开发的最新进展。首先,我们记得一些重要的结果在多传感器融合技术的发展。特别是,我们高度重视融合与未知的相关性,无所不在地存在在大多数的分布式滤波问题。接下来,我们给出一个系统回顾几个共识广泛使用过滤方法。此外,一些最新的进展多传感器融合和共识过滤。最后,结论是,概述了几种潜在的未来研究方向。
1。介绍
多传感器融合也称为多传感器数据融合(1,2)或多传感器信息融合(3),这是一个新兴技术最初满足军事需求如战场监视、自动目标识别、遥感、指导和控制的自主车辆。近年来,多传感器融合技术已经广泛应用于各种民用监控等复杂机械、医疗诊断、机器人技术、视频和图像处理和智能建筑。多传感器融合技术的本质是将来自多个传感器的数据和相关信息从相关数据库,实现提高精度和更具体的比,可以推断通过单独使用一个传感器(1]。
可以说,卡尔曼滤波算法(4)是最受欢迎的多传感器融合方法主要是由于它的简单,易于实现,和均方误差意义上的最优2),和许多重要的融合结果基于已报告。值得注意的是,基于卡尔曼滤波的多传感器融合算法要求独立或先验知识的交叉协方差估计错误产生一致的结果(2]。不幸的是,在许多实际情况下,交叉协方差往往是未知的,这通常被称为未知的相关性(5],未知的交叉协方差(6),或者不可用互关联7]。未知的相关性,如果没有得到适当的处理,可以极大地降低系统的性能。难怪融合与未知的相关性也从理论和工程角度持续的关注。
近年来重大领域的开发与激励的应用程序从无线传感器网络摄像机网络(8)同步定位和映射(9)分布式目标跟踪(10]。一般设置观察底层过程的一组传感器组织根据一个给定的网络拓扑结构,使得个人观测器估计系统状态不仅基于自己的测量也在其邻居的。因此,传感器网络的一个基本问题是开发分布式算法,以更有效地估计感兴趣的状态;这样的问题通常被称为分布式滤波或估计问题11,12]。我们都知道,在一个典型的分布式过滤设置,每个节点传感是一个国家的当地知识的兴趣。结合有限的信息从单个节点,一个合适的多传感器融合是必要的代表对象的状态出现在周围的环境中。此外,可伸缩性需求,缺乏融合中心,整个传感器网络的有限知识提倡使用一致的方法(13- - - - - -15)通过网络实现集体融合当地迭代融合与邻近节点。正是这些原因引起的发展共识过滤(10,16),其结构如图1。
事实上,共识过滤的概念源于(17,18];项共识过滤之后,第一次在19,20.2005年)。这是时间的黄金时代共识理论(13)和7年之后第一个实用的实现无线传感器网络智能尘埃项目于1998年在加州大学伯克利分校(21]。从那时起,它引发了新一波的研究共识过滤,不仅在理论发展,而且在工程实践。
在文献中有几种方法来设计滤波器的共识。标准卡尔曼滤波器,共识方案可以应用于更新步骤或预测步骤,构造一个共识过滤器不丢失的卡尔曼滤波特性27]。更广泛地说,共识过滤等方法一致估计,测量共识,共识信息提出了设计各种各样的共识过滤器(24,28]。最近,标准也被用于设计共识过滤器。沿着相似的分类(24,28),我们主要讨论共识过滤方法在四组,也就是说,共识估计,测量共识,共识信息,共识。
在本文中,我们主要关注的多传感器融合和共识过滤分布式状态估计问题,并提供一个系统回顾这两个领域的进步。首先,多传感器融合技术的理论和应用程序都是重新审视,特别是多传感器融合与未知的相关性普遍存在于大多数的分布式过滤时尚。接下来,我们将现有的共识过滤方案分成四组;每个小组的优缺点进行了讨论。此外,一系列新公布的调查结果在多传感器融合和共识过滤。最后,一些结论言论所吸引和几个相关指出未来的研究方向。
本文的其余部分介绍如下。有或没有的多传感器融合算法在部分未知的相关性研究2。节3,四个常用的共识方法设计共识过滤器是严格审查。一些最新结果多传感器融合和共识过滤节中可以找到4。节5结论和未来的研究主题。
符号。我们表示的维欧几里得空间。指的是欧几里得范数。为一个矩阵,和分别代表它的转置和逆意味着矩阵是正定速记的跟踪矩阵吗。网络通信的传感器节点连接有向图,在那里传感器节点和吗表示节点之间的连接。一条边表明节点可以从节点接收信息。此外,如果节点包含在它的邻国,我们表示这是吗,否则,我们表示它。的符号表示的基数。
2。多传感器融合
多传感器融合的发展最初是由军事领域的需求。之后,许多应用程序在非军事领域提供了多传感器融合技术的另一个动力。在本节中,我们研究最常用的多传感器融合技术为当地与相关性估计错误,没有相关性,或者未知的相关性。重要的融合规则对那些在表列出三种类型1,在那里和当地和融合估计误差协方差对,分别。现在让我们进行系统回顾多传感器融合技术的发展在过去的几十年。
2.1。多传感器融合
1970年代初,美国海军合并数据在数据融合中心对苏联海军走势;结果更准确比使用单一声纳数据(29日]。这一发现预示着研究多传感器融合;自那以后,大量的结果已发表在过去几十年;见,例如,(3,30.- - - - - -39]。例如,1971年,多传感器融合问题是第一个研究[30.),两个跟踪文件从不同传感器估计错误,但是对应到同一个目标被认为是独立的。后,更一般的情况下,可以在[31日,32)包括卡尔森的联邦平方根滤波(32]。此外,分散线性估计量的相关测量噪声构造(33]。此外,在1986年,34)提出了一个融合之间的交叉协方差方程考虑当地的估计。1994年,(35广义的结果(34)和最优融合方程推导出的最大似然估计,但后验概率密度函数应该是标准正态密度函数。十年后,克服了这一局限性3),最优信息融合准则重新推导出线性最小方差意义上的拉格朗日乘子的帮助下;从数学的角度来看,这种融合规则是相当于最佳线性无偏估计融合规则(36),或加权最小二乘融合规则(37]。在最近的一篇论文38),多传感器融合方案设计专门为非线性估计无味卡尔曼滤波框架内。最近,情况下的奇异协方差和测量噪声协方差估计错误,提出了最优的分布式卡尔曼滤波融合策略(39]。此外,如果当地估计生成不同的利率,[中给出相应的多重速率的融合结果40,41]。
如今,随着传感器网络技术的快速发展,多传感器融合在传感器网络已经成为一个活跃的研究领域。最近,多传感器融合的重点已经从集中式融合转向分布的一个主要原因可伸缩性、健壮性失败,结构的灵活性,和更少的分布式传感器网络的通信资源;见,例如,(17,18]。例如,[17)提出了一个分布式多传感器融合方案,允许一个传感器网络的节点跟踪inverse-covariance-weighted测量的平均值和inverse-covariance矩阵以达到所谓的动态平均共识。几乎在同一时间,18)也引入了一个分布式多传感器融合方案基于平均共识;不同的是,该计划通过网络扩散信息通过更新每个节点的数据加权平均的邻国最终收敛于全局最大似然估计。事实上,这两个文件,过滤了共识,这是接下来的这个调查的焦点。
值得注意的是,上述结果得到在卡尔曼滤波框架内(一般来说,贝叶斯框架),只有一小部分是整个家庭的多传感器融合技术;其他框架可能证据信念推理(包括但不限制42,模糊推理43),概率融合(44),混合融合(45),和随机集理论融合(46];有兴趣的读者可以参考调查文献[2为更多的细节。
2.2。融合与未知的相关性
未知的相关性(5未知)通常被称为交叉协方差(6),或者不可用互关联7]。未知的相关性的主要原因可以分为以下两类:(1)缺乏真正的系统的知识:(我)身份不明的相关性:例如,观测噪声的相关性,未知的,在移动过程中可能发生的车辆装备一套导航传感器(5]。(2)近似实现:通常假定先验估计误差和新的测量误差是不相关的,这可能会引入一定程度的未知的相关性在最后实现(47]。(2)难以描述的相关性:(我)涉及太多的变量:在地图构建和天气预报等应用程序,流程模型可能涉及成千上万的州,这意味着保持一个完整的协方差矩阵是不切实际的(5]。(2)数据乱伦24)或重复计算问题(48]:由于网络的存在循环,多次使用的信息往往是无意中在一个分布式融合设置。(3)计算的难度:例如,如何获得可靠的相关性在非线性估计仍然是一个悬而未决的问题。
总而言之,人们普遍认为未知的相关性无所不在地存在于各种各样的多传感器融合问题。忽略未知的相关性的影响会导致严重的结果性能恶化甚至发散。因此,它已经引起了研究者的持续关注了几十年。然而,由于复杂的未知的性质,是不容易想出一个满意的方案来解决融合问题未知的相关性。如果我们直接忽略相关性,这是天真的融合(49),它可能会导致分歧的过滤器。补偿这种分歧,一个正常的次优方法是人为地增加系统噪声。然而,这种启发式方法需要大量一定的专业知识和妥协的完整性卡尔曼滤波框架(50]。
现有的融合解决方案系统中未知的相关性,这是协方差交叉算法(5),是1997年7月和Uhlmann发明的,这提供了一个有效的工具来应对未知的相关性。根据(51),协方差交叉融合规则具有躺在下面:(i)十字架的识别和计算协方差是完全可以避免的。(2)它得到一个一致的融合估计,因此nondivergent过滤器。(3)融合估计的准确性优于每个局部。(iv)它给实际的常见上界估计误差方差,鲁棒性对未知的相关性。自那时以来,它已经吸引了来自更广泛的社区利益更大;见,例如,(7,49- - - - - -64年]。他们中的一些人专注于改进协方差交叉方法。例如,一个广义协方差交叉,创建了称为分裂协方差交叉,在52)合并为目的的独立信息。文献[53]的主要结果有所改善5)通过调查所得的线性组合维空间。与此同时,一个information-theoretical协方差交叉规则的理由及其泛化可以找到在54]和[55),分别。后,切尔诺夫融合规则包括协方差交叉路口作为特例也回顾了(49]。最近,(56,57)分别提出了最大椭球算法和椭球交集状态融合方法导致融合估计精度高。此外,精度比较协方差交叉和三种不同的最优融合规则提出了在58),而其他人则协方差交叉算法应用于大量的地区,如目标跟踪(7),容错估计(59),同时定位和地图(60),图像融合(61年)、车辆定位(62年),美国国家航空航天局火星探测器(63年]。
的一个重大缺点协方差交叉算法和它的变体是计算负担。当数量的信息融合是多源,这个问题就是在欧几里得空间约束的非线性优化问题,它迅速成为难以计算,特别是在大型分布式传感器网络。因此,有一个伟大的需要快速发展协方差交叉算法来绕过这个问题。幸运的是,有几种解决方案,在这种精神已报告。其中一个是连续的协方差交叉路口(51),多维非线性优化问题是减少到几个一维非线性成本函数的优化批处理过程。第二种方法是次优noniterative算法(50];该方法进一步用于(64年设计一个扩散卡尔曼滤波方案和7信息理论的解释)。第三个是椭球交集(57),获得代数融合公式计算上可行。不同于上面的方法试图近似最优值,第四个解决方案能给一个确切的解决方案的最优权重的近似值优化低维协方差矩阵的协方差交叉(65年],它减少了非线性优化问题转化为多项式root-finding问题。
3所示。共识过滤方法
本节给出了一个系统的最新进展的概述在几个共识方法,适合设计一致同意的过滤器。一般来说,大多数出版物的共识过滤方法可分为四组:共识预测(CE),共识测量(CM),共识信息(CI),共识;这四个类型的共识的机制过滤方法典型的线性时变系统与多个传感器观测中描述表2。在下面,我们将深入调查这些共识过滤方法为了激励更多的研究兴趣。
3.1。共识的估计
属于第一组的共识的共识(CE)估计,状态估计的平均达成共识。过滤的方法,这是最基本的共识在公元的早期阶段(,在那里和是节点的当前状态和测量分别地,表示的一组节点的邻居,而表示包容的邻居节点的集合,是邻接矩阵的条目相关的通信图)(19];每个传感器节点作为一个代理,与这方面,全面共识理论的系统可以直接应用于分布式过滤器+一个额外的共识项反映了测量特性。这一共识的Kalman-like分布式估计算法进一步修改更新状态估计和共识,也称卡尔曼滤波器(共识22,23]。应该注意到,CE不仅限于Kalman-like过滤器(相同的定义后23),我们将任何递归估计,有类似的过滤器结构作为卡尔曼滤波器Kalman-like过滤器);事实上,众所周知的也可以包含在这个群体共识。然而,由于其日益增长的重要性和影响力在各种工程领域,我们把它作为一个单独的共识滤波方法更好地讨论这些问题的目的。
从算法的角度来看,它并不一定需要局部误差协方差矩阵的信息或当地的概率密度函数。难怪CE和它的变体曾过滤器的设计一个广泛的共识;见,例如,(12,23,66年- - - - - -72年]。例如,通过使用战略共识,(66年)建造了一个当地的估计基于自己的测量和估计其邻居,和[67年]介绍了一致同意的过滤器,它可以提供可靠的估计,尽管失踪的观察和沟通断层的存在。在[68年),借助复杂网络的同步和共识的理论和系统,小说把观察员特首共识已经出生。此外,特首任期已经嵌入到罚函数(69年,方程)增加局部估计的准确性,这是基本保证收敛的状态估计的状态观测系统。更具体地说,12)设计了一个共识过滤器在两个步骤。在第一步中,更新生产使用Luenberger-type观察者。在第二步叫共识步骤中,每个传感器之间的凸组合计算其本地更新和更新来自邻国。与此同时,在[70年),两个不同的分布式共识过滤器已经集成在该分布式传感器融合算法实现传感器节点之间的协作感知。最近,基于CE, (71年)设计了两种类型的共识过滤器在异构传感器网络的目标跟踪问题,以及他们的无偏性和最优性进行了讨论。最后,(72年)提出了一种分散的观察者的共识滤波器混合社区,所以每个代理的状态估计可以达成共识在每个时间间隔的迭代。
3.2。共识的测量
CE不涉及误差协方差矩阵,这可能会导致某种程度的保守主义在设计共识Kalman-like过滤器框架内过滤。众所周知,误差协方差矩阵可能包含有价值的信息,已经成功地用于提高滤波器的性能。考虑到这个,另一个共识,那就是,共识测量(CM),提出了实现这一要求。它执行本地测量或达成共识,更具体地说,地方创新对近似,在一个分布式的方式,集中卡尔曼滤波的修正步骤。值得注意的是,CM共识滤波的稳定性可以保证只有当数量足够大的共识步骤是在每个采样间隔,以便提供的本地信息创新对已经传遍整个网络的时间。此外,这种方法依赖于来自不同传感器的测量误差的假设是相互独立的,和这种方法仅限于Kalman-like过滤器。
在过去的十年中,CM已广泛应用于信号处理和控制社区;见,例如,(20.,22,73年- - - - - -77年]。CM共识的概念最初出现在[20.]以分布式方式解决数据融合问题通过使用低通和带通滤波器共识。修改版本中提出了这一共识方法(22、算法过滤器),两个相同的共识了,它适用于传感器网络与不同的观测矩阵。此外,(73年]表明,厘米可以保证本地的估计误差协方差矩阵和局部估计的状态收敛到集中的。之后,这一共识方法应用于设计共识跳跃马尔可夫系统过滤器(74年)和离散时间非线性系统与非高斯噪声(75年]。在之后的论文(76年),一个pseudo-measurement矩阵被嵌入一个统计线性重构误差传播方法(78年],它便于使用厘米无味卡尔曼滤波时尚。最近,厘米被解释为共识的可能性和应用于分布式粒子滤波设置(77年]。
3.3。一致的信息
由于事实每个时间只有一个或几个共识迭代可以提供以减少通信开销更高的能源效率尤其是无线传感器网络环境,不能有足够的时间来等待厘米收敛(79年),因此,另一种共识,即共识(CI)的信息,最近发明的规避这些问题。从算法的角度看,CI只是形成了一个当地的平均信息矩阵和向量。任意数量的方法能保证稳定一致的步骤(即使对于一个),但其均方估计误差性能可能阻碍自融合规则采用保守的观点假设当地之间的相关性估计是完全未知的(28]。它最初介绍了(25为分布式状态估计问题;之后,一个数学严谨的治疗在[详细24),CI是解释为一个共识Kullback-Leibler平均意义上的概率密度函数。遵循同样的共识范式,10)提出了一种新颖的共识cardinalized概率假设密度滤波研究分布式传感器网络多目标跟踪问题,和80年)设计了一个一致同意的多模分布的贝叶斯过滤器跟踪机动目标的任务。最近,(81年)应用CI设计分布式无味卡尔曼滤波器对系统状态饱和度和传感器饱和度。
3.4。共识
应该指出,上述共识过滤算法主要是基于传统的卡尔曼滤波理论,需要统计信息工厂模型被完美;不幸的是,实际系统往往伴随着参数不确定性和外生干扰。因此,有一个伟大的动力发展共识过滤方案尽可能的健壮。这些需要考虑的共识最近引入和广泛认可;见,例如,(11,26,82年- - - - - -88年]。
这个词正式提出的共识(11];它来自背后的主要直觉的概念相邻节点之间的分歧量化共识滤波器网络的性能(85年]。在[11),共识性能需求定义量化滤波误差有界的共识(协议)地平线有限;本文认为分布式共识与多个失踪测量传感器网络过滤问题。同样,(26研究了分布式过滤与随机发生的饱和度和连续的数据包辍学。此外,共识的方法已被用于解决多重代理系统的控制问题,例如,在一种新颖的模糊模型设置(83年),系统与失踪测量(82年]。最近,(84年)提出了分布式事件驱动的共识过滤问题在移动传感器网络的传输传感器是由一个事件引起的。大约在同一时间(11),Ugrinovskii沿着不同的路径探讨使用向量耗散度方法一致;见,例如,(85年- - - - - -88年]。例如,通过追求的共识的估计,分布式已经被讨论了不确定系统的鲁棒滤波问题的测量不确定性(85年),一个非零的非线性扰动与无限能源(86年),和切换拓扑(87年];最近,(88年)已经制定了一致同意的同步协议定于每个代理与参考变参数系统同步。
4所示。最新进展
最近,研究多传感器融合和共识过滤收到越来越多的关注;许多令人鼓舞的结果已经出版。在这里,我们介绍一些最新的工作关于这个话题。(1)融合与不完整的信息。由于信号传输能力有限,通过网络系统,信息不完整(89年)(如失踪测量,包辍学,量化,饱和,和networked-induced延迟)是不可避免的在大多数真正的实现。这些现象可能恶化系统性能;因此,具有不完全信息的多传感器融合系统变得受欢迎。例如,[90年)已经开发出融合策略之间的通信传感器和评估中心随机丢包。当传感器经历随机延迟测量和传感器故障,(91年设计了一个健壮的信息融合估计。最后,(92年)设计了一个最优的分布式卡尔曼滤波融合的考虑丢失传感器测量,随机传输延迟和数据包辍学。最近,(93年)是关心网络的分布式卡尔曼滤波问题类多传感器融合系统与通信带宽约束。(2)混合CMCI。在[28),一种新的共识过滤器(名为混合CMCI)享受从现有的两个互补的好处共识过滤方法,也就是说,厘米,CI,介绍了分布式传感器网络状态估计。结果称,在(即最小的需求。,collective observability and network connectivity), the guaranteed stability of the Hybrid CMCI filter can be achieved. The idea first appeared in [94年];最近,一个数学严格的分析混合CMCI共识的扩展卡尔曼滤波设置已在95年]。(3)集论的共识。在[96年),未知但有界的前提下测量错误,一个集论的/集员共识已经制定一个集论的框架。进一步,本文分析了共识算法的无向和固定通信图。结果表明,两种类型的协议,渐近一致无法保证对所有可能的噪声实现,但是代理状态是渐近边界之间的分歧。(4)加权平均一致同意的无味卡尔曼滤波。文献[97年)调查的一致同意的分布式状态估计问题类无味卡尔曼滤波框架内的传感器网络。没有近似pseudo-measurement矩阵,加权平均一致同意的无味卡尔曼滤波算法开发直接实现共识状态向量和误差协方差矩阵,和它的估计误差均方证明是有界的。(5)分布式 共识分段离散时间线性系统的过滤。文献[98年研究了分布式共识一类分段离散时间线性系统的滤波问题。首先,增强分段线性系统的模式及其转换以及分布式过滤器已经制定。接下来,增强结构的分布式过滤器收益提出了由于传感器网络的相邻矩阵。除此之外,提供了充分条件的一组分布式过滤器来确保其动力学全局渐近稳定的共识性能约束。(6)分布式卡尔曼滤波器与共识断断续续的观察。文献[99年)考虑线性时变系统的分布式状态估计问题断断续续的观察。摘要最优卡尔曼过滤了的共识为每个节点均方估计误差最小化。获得一个可伸缩的协方差矩阵更新算法,提出的一个次优滤波器也被省略的边缘节点之间的协方差矩阵。此外,给出了一个充分条件,以确保随机次优滤波器的稳定性通过使用应用。(7)信息加权的共识。如前所述(8),估计是次优的共识当个体之间的交叉协方差状态估计在不同节点不包含在分布式滤波框架。交叉协方差通常是被忽视的,因为计算的局限性和带宽需求。因此,达成共识过滤方案应保证收敛到最优集中估计以及维持低计算和通信资源需求。出于上述讨论,8)提出了信息加权算法可以获得最优估计的共识之前状态和测量信息的权重。
5。结论和未来的发展方向
在这篇文章中,我们介绍了两个典型的结果和最新进展开发的多传感器融合和共识过滤。首先,我们回忆起一些重要的结果在多传感器融合技术的发展,特别是,多传感器融合与未知的相关性。接下来,我们做了一个系统回顾几个共识的过滤方法广泛用于设计共识过滤器。此外,一些最新的进展也提出了多传感器融合和共识过滤。最后这个调查论文,文献综述的基础上,我们将提供读者的一些未来的发展方向,可能引发他们的兴趣。(1)进一步把未知的相关性。虽然原因未知的相关性非常丰富,在许多实际情况下,我们可以获得等部分信息未知的不确定系统矩阵(One hundred.,101年],uncertain-covariance噪声[102年],nonfragile过滤器[103年),和不确定的随机非线性(One hundred.,104年],它可以通过强大的过滤处理(One hundred.),扩展卡尔曼滤波(105年),递归滤波(106年),而鲁棒滤波(107年]。因此,根据未知的未知性质相关性,有必要进一步把他们分成两组:部分未知的相关性和完全未知的相关性。在此基础上,可以开发新的融合机制或改善现有的融合得到一个更好的解决方案与未知的相关性。(2)未知的相关性的数学描述。由于复杂的未知特性,大多数出版物涉及交叉协方差未知相关性只是标签错误未知的没有给他们的结构,不幸的是,没有捕获相关的信息,和他们融合结果不可避免地导致一定程度的保守主义。文献[57)做了一些尝试提供一个明确的描述未知的相关性;然而,推导复杂,不直观。因此,它仍然是一个悬而未决的问题得到普遍而简洁的数学模型来描述未知的相关性。(3)共识过滤与未知的相关性。未知的相关性一般无所不在地现有的分布式滤波问题;他们也“数据昆虫”现象的主要来源的网络。因此重视研究的共识过滤系统与未知的相关性的问题。尽管它的重要性,这一主题的进展缓慢。协方差交叉规则,例如,如何设计共识过滤涉及信息矩阵,向量信息,在不影响其性能和最优权重同时,这将是另一个有趣的话题。(4)混合的共识。系统动力学复杂性的增加和高要求的滤波器的性能要求一致滤波器的设计应该尽可能的好。在这种精神中,混合共识过滤方案得益于不同的共识方法可能满足这些需求。虽然最初的利益出现了近年来,看,例如,(94年,95年),这是一个趋势,越来越多的混合滤波方案共识,混合两种或两种以上共识过滤方法,将建造在未来的未来。(5)随机稳定性分析Kalman-Like共识过滤器。在Kalman-like过滤器,有两个主要来源错误的估计:初始化错误和随机错误由于过程和测量噪声(108年]。然而,大多数的工作忽略了过程和测量噪声在分析一致滤波器的稳定性时,这不是一个合理的治疗。随机稳定引理(109年)可能会提供一个可能的解决方案,作为有效的工具来分析单一Kalman-like过滤器;见,例如,(109年- - - - - -112年),但对于分布式的情况,其随机稳定性分析还有待建立。(6)无法达成共识。尽管战略共识是主要用于分布式滤波问题,它可能不是最好的解决方案在某些情况;例如,扩散策略113年尤其适合问题涉及成本函数的递归最小化而不是战略共识。因此重要的工程寻找新的战略重要性或之间做出权衡不同策略的分布式滤波问题等新network-induced现象随机发生非线性和衰减测量(114年,115年]。
利益冲突
作者宣称没有利益冲突有关的出版。
确认
这项工作的部分支持由英国皇家学会,中国国家自然科学基金资助下61329301,61374039,61304010,11301118,61573246,中国江北基金会资助下C14002 D15009,德国的亚历山大•冯•洪堡基金会,为研究生创新基金项目上海格兰特JWCXSL1401之下。