⚡ electrical engineering

Distributed Adaptive Estimation of Unknown Nonlinear Systems without Input Sharing

यह शोधपत्र निर्देशित नेटवर्क पर अज्ञात स्रोत गतिकी वाले डिस्क्रीट-टाइम नॉनलीन सिस्टम के लिए एक पूर्णतः वितरित अनुकूली अनुमान योजना प्रस्तावित करता है, जो साझा इनपुट की आवश्यकता के बिना मजबूत अवस्था अनुमान प्राप्त करने के लिए केवल स्थानीय मापों और पड़ोसी विनिमय का उपयोग करता है, जबकि सैद्धांतिक स्थिरता गारंटी स्थापित करता है और संख्यात्मक सिमुलेशन के माध्यम से स्केलेबिलिटी प्रदर्शित करता है।

मूल लेखक: Moh Kamalul Wafi, Milad Siami

प्रकाशित 2026-07-21

📖 10 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Moh Kamalul Wafi, Milad Siami

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि एक ऐसी दुनिया है जहाँ दोस्तों का एक समूह छिपे हुए खजाने के गुप्त स्थान का अनुमान लगाने की कोशिश कर रहा है, लेकिन उनमें से कोई भी सीधे खजाने से बात नहीं कर सकता। वे केवल अपने निकटतम पड़ोसियों को फुसफुसाकर बता सकते हैं, और वह खजाना एक जंगली, अप्रत्याशित नृत्य कर रहा है जिसे पहले कभी नहीं देखा गया है। यह डिस्ट्रीब्यूटेड एस्टिमेशन (distributed estimation) नामक एक क्षेत्र का मूल है। विज्ञान और इंजीनियरिंग में, यह सेंसर के नेटवर्क के बारे में है—जैसे ड्रोन, रोबोट या मौसम केंद्र—जो वातावरण में क्या हो रहा है, इसका पता लगाने के लिए मिलकर काम करते हैं। बड़ी चुनौती यह है कि सूचना का "स्रोत" (खजाना, तूफान, रोबोट) अक्सर जटिल, गैर-रेखीय (non-linear) तरीकों से व्यवहार करता है जो अनुमान लगाना कठिन होता है, और सेंसरों को शायद खेल के नियम भी पता न हों। यदि वे अपने स्वयं के गुप्त नियंत्रण इनपुट या स्रोत की छिपी हुई चालों के बारे में अपने अनुमान साझा कर पाते, तो यह आसान होता। लेकिन वास्तविक दुनिया में, बैंडविड्थ सीमित है, और बहुत अधिक डेटा साझा करना अक्सर असंभव या असुरक्षित होता है। तो, सवाल यह है: क्या सेंसरों की एक टीम अपने स्थानीय डेटा को देखने और अपने पड़ोसियों से बातचीत करने के माध्यम से, स्रोत के कंट्रोल पैनल को देखे बिना ही एक रहस्यमय स्रोत का पता लगा सकती है?

यह शोध पत्र ठीक इसी पहेली को सुलझाता है। लेखक, मोहमद कमालुल वफी और मिलाद सियामी, एक नए तरीके का प्रस्ताव देते हैं जिससे सेंसरों का एक नेटवर्क एक रहस्यमय, चलते हुए लक्ष्य को ट्रैक कर सके जो अज्ञात, जटिल नियमों का पालन करता है। उन्होंने एक ऐसा सिस्टम डिज़ाइन किया है जहाँ प्रत्येक सेंसर एक जासूस की तरह कार्य करता है, जो लगातार अपने अनुमान को अपडेट करता रहता है कि उसके पड़ोसी क्या कह रहे हैं, बिना यह जाने कि स्रोत के गुप्त इनपुट क्या हैं या बिना अपने इनपुट साझा किए। उन्होंने गणितीय रूप से सिद्ध किया कि यह विधि स्थिर है और पागल नहीं होगी, भले ही लक्ष्य को यादृच्छिक झटकों (disturbances) द्वारा इधर-उधर धकेला जा रहा हो। उन्होंने कंप्यूटर सिमुलेशन का उपयोग करके विभिन्न नेटवर्क आकृतियों—जैसे एक स्टार, एक सर्कल और एक लाइन—पर अपने विचार का परीक्षण किया, और पाया कि सेंसरों ने सभी मामलों में लक्ष्य को सफलतापूर्वक ट्रैक किया, और जैसे-जैसे उन्होंने अधिक सेंसर जोड़े, सिस्टम अधिक तेज़ और कुशल होता गया।

चलते हुए लक्ष्य का रहस्य

कल्पना कीजिए कि एक गुप्त एजेंट ("स्रोत") एक शहर में दौड़ रहा है, अपनी गति और दिशा एक छिपी हुई स्क्रिप्ट के आधार पर बदल रहा है जिसे कोई नहीं जानता। इस एजेंट का पीछा जासूसों ("सेंसिंग नोड्स") की एक टीम कर रही है। जासूस एजेंट को सीधे नहीं देख सकते; वे केवल अपने तत्काल परिवेश को देख सकते हैं और अपने ठीक बगल में खड़े जासूसों से बात कर सकते हैं। एजेंट एक "नॉनलीनियर" (nonlinear) तरीके से चल रहा है, जो गणित का एक फैंसी तरीका है यह कहने का कि एजेंट की गति एक सरल सीधी रेखा या अनुमानित वक्र नहीं है—यह एक जंगली, घुमावदार नृत्य है जो इस बात पर निर्भर करता है कि वह कहाँ है।

अतीत में, यदि जासूसों को इस एजेंट को पकड़ना होता, तो उन्हें या तो एजेंट की गुप्त स्क्रिप्ट पहले से जाननी होती या उनके पास एक तरीका होना चाहिए था जिससे वे एक-दूसरे को अपने नियंत्रण कमांड चिल्लाकर बता सकें। लेकिन इस शोध पत्र में, लेखक कहते हैं, "बिल्की नहीं!" उन्होंने एक ऐसा सिस्टम बनाया है जहाँ जासूसों को न तो स्क्रिप्ट जानने की आवश्यकता है, और न ही उन्हें अपने नियंत्रण मूव्स चिल्लाने की आवश्यकता है। इसके बजाय, वे एक चतुर "एडेप्टिव" (adaptive) ट्रिक का उपयोग करते हैं। इसे ऐसे समझें जैसे लोगों का एक समूह उस गाने के बोल का अनुमान लगाने की कोशिश कर रहा है जिसे उन्होंने पहले कभी नहीं सुना है। गायक द्वारा शब्द बताने का इंतज़ार करने के बजाय, वे एक-दूसरे को सुनते हैं, एक अनुमान लगाते हैं, और फिर अपने अनुमान को इस आधार पर समायोजित करते हैं कि वे सच्चाई के कितने करीब थे। यदि वे गलत हैं, तो वे अपने आंतरिक "मॉडल" को तब तक बदलते रहते हैं जब तक कि वे सही न हो जाएं।

"नो-शेयरिंग" नियम

इस नए तरीके का सबसे शानदार हिस्सा वह है जो यह नहीं करता है। आमतौर पर, इस तरह की समस्याओं में, जासूसों को अपना "एक्साइटेशन" (excitation) या "इनपुट"—यानी, वे गुप्त बटन जिन्हें वे खुद को चलाने के लिए दबा रहे हैं—साझा करना होगा। लेकिन लेखकों ने स्पष्ट रूप से इसे खारिज कर दिया है। उन्होंने सिस्टम को इस तरह डिज़ाइन किया है कि प्रत्येक जासूस केवल उसी जानकारी का उपयोग करता है जो उसके पास पहले से है: अपना स्थानीय माप और अपने पड़ोसियों से प्राप्त अनुमान। यह बहुत बड़ी बात है क्योंकि इसका मतलब है कि सिस्टम तब भी काम करता है जब नेटवर्क भीड़भाड़ वाला हो, या यदि अतिरिक्त डेटा साझा करना धीमा या जोखिम भरा हो। यह एक पहेली को हल करने जैसा है जहाँ आपको केवल अपने टुकड़े और अपने बगल में खड़े लोगों के टुकड़ों को देखने की अनुमति है, बिना कभी यह पूछे कि "तुम क्या पकड़े हुए हो?"

जादुई गणित: क्रोनेकर और स्थिरता

इसे सफल बनाने के लिए, लेखकों ने कुछ भारी-भरकम गणित का उपयोग किया है, लेकिन हम इसे एक विशेष प्रकार के "गोंद" और "सुरक्षा जाल" के रूप में देख सकते हैं।

सबसे पहले, उन्होंने क्रोनेकर प्रोडक्ट (Kronecker product) नामक चीज़ का उपयोग किया। कल्पना कीजिए कि आपके पास शहर का एक नक्शा (नेटवर्क) है और एक जासूस के सोचने का एक नक्शा (स्थानीय गतिकी) है। आमतौर पर, इन दोनों नक्शों को मिलाने से एक विशाल, उलझा हुआ जाल बन जाता है। क्रोनेकर उत्पाद एक विशेष उपकरण की तरह है जो शहर के नक्शे और जासूस के सोचने के नक्शे को अलग लेकिन जुड़ा हुआ रखता है, ताकि गणित साफ और प्रबंधनीय रहे। यह पूरी टीम के व्यवहार का विश्लेषण करने के लिए व्यक्तिगत भागों को देखने की अनुमति देता है बिना जटिलता में खोए।

दूसरा, उन्हें यह सिद्ध करना था कि उनका सिस्टम बेकाबू नहीं होगा। गणित में, इसे स्थिरता (stability) कहा जाता है। यदि जासूस बेतरतीब ढंग से अनुमान लगाने लगते हैं और उनकी त्रुटियां बढ़ती जाती हैं, तो सिस्टम विफल हो जाता है। लेखकों ने एक "ल्यपुनोव फंक्शन" (Lyapunov function) का उपयोग किया, जो एक सुरक्षा मीटर की तरह है। उन्होंने दिखाया कि चाहे एजेंट कैसे भी चले या कितना भी शोर (यादृच्छिक झटके) बाधा डाले, "सुरक्षा मीटर" हमेशा नीचे जाता है या स्थिर रहता है। यह गारंटी देता है कि जासूसों के अनुमान अंततः शांत हो जाएंगे और सच्चाई के करीब पहुंच जाएंगे।

उन्होंने नेटवर्क की स्थिरता की जांच करने के लिए विशिष्ट "नियम" (जिन्हें 'शूर स्थिरता स्थितियाँ' कहा जाता है) भी विकसित किए। एक नियम एक सरल, आसानी से जांचने योग्य परीक्षण था, लेकिन उन्होंने पाया कि यह बहुत सख्त था—इसने कुछ नेटवर्क को अस्थिर बताया जबकि वे वास्तव में स्थिर थे। इसलिए, उन्होंने एक अधिक परिष्कृत, "स्ट्रक्चर्ड" नियम बनाया (जिसे 'लीनर मैट्रिक्स इनइक्वेलिटीज' या LMI कहा जाता है) जो बहुत अधिक स्मार्ट है। यह नेटवर्क के विशिष्ट आकार को देखता है और महसूस करता है, "हे, भले ही यह जोखिम भरा लग रहा हो, गणित कहता है कि यह वास्तव में सुरक्षित है!"

सिमुलेशन: स्टार, सर्कल और लाइन

यह देखने के लिए कि क्या उनका विचार वास्तव में काम करता है, लेखकों ने कंप्यूटर सिमुलेशन चलाए। उन्होंने तीन अलग-अलग प्रकार के जासूसी नेटवर्क तैयार किए:

द स्टार (The Star): एक केंद्रीय हब जो बाकी सभी से जुड़ा है।
द साइक्लिक (The Cyclic): एक घेरा जहाँ हर कोई एक लूप में अपने पड़ोसी से बात करता है।
द पाथ (The Path): एक सीधी रेखा जहाँ पहला जासूस दूसरे से बात करता है, दूसरा तीसरे से, और इसी तरह।

उन्होंने "एजेंट" को एक कठिन, टेढ़े-मेढ़े रास्ते पर चलने के लिए दिया, जिसमें जासूसों को भ्रमित करने के लिए यादृच्छिक झटके भी शामिल थे। परिणाम प्रभावशाली थे। तीनों नेटवर्क आकृतियों में, जासूसों ने एजेंट को सफलतापूर्वक ट्रैक किया।

स्टार नेटवर्क में, सभी को उत्तर जल्दी मिल गया क्योंकि वे सभी सीधे स्रोत से सुनते थे।
साइक्लिक नेटवर्क में, समाचार को घेरे में घूमने में थोड़ा अधिक समय लगा, लेकिन फिर भी उन्होंने पकड़ लिया।
पाथ नेटवर्क में, समाचार को पूरी लाइन के अंत तक जाना पड़ा, इसलिए अंत में मौजूद जासूसों को पकड़ने में सबसे अधिक समय लगा। लेकिन वे भी अंततः एजेंट को पूरी तरह से ट्रैक करने में सफल रहे।

लेखकों ने यह भी जांचा कि जासूस एजेंट की गति के गुप्त नियमों को कितनी अच्छी तरह सीखते हैं। उन्होंने पाया कि एजेंट की गति के गुप्त नियमों के लिए जासूसों के अनुमान सुरक्षित, सीमित सीमाओं के भीतर रहे। वे पागल नहीं हुए; वे बस तब तक समायोजन करते रहे जब तक कि वे पर्याप्त अच्छे नहीं हो गए।

स्केलिंग अप: 4 जासूसों से 500 तक

सबसे रोमांचक निष्कर्षों में से एक यह था कि उनका सिस्टम विकास को कैसे संभालता है। लेखकों ने 4 जासूसों से लेकर 500 जासूसों तक के नेटवर्क के साथ अपने तरीके का परीक्षण किया। उन्होंने पाया कि सिमुलेशन चलाने में लगने वाला समय एक सीधी रेखा में बढ़ता है। यदि आप जासूसों की संख्या दोगुनी करते हैं, तो इसमें लगभग दोगुना समय लगता है। इसे "लीनियर स्केलेबिलिटी" (linear scalability) कहा जाता है, और यह इंजीनियरों के लिए एक सपना है। इसका मतलब है कि इस पद्धति का उपयोग हजारों सेंसरों के विशाल नेटवर्क के लिए किया जा सकता है बिना कंप्यूटर को अभिभूत किए। गणना की लागत इस बात से तय होती है कि प्रत्येक जासूस स्थानीय रूप से क्या करता है, न कि पूरे नेटवर्क की जटिलता से।

निचोड़

यह शोध पत्र यह दावा नहीं करता कि इसने ब्रह्मांड की हर समस्या को हल कर दिया है। लेखक सावधानी बरतते हुए कहते हैं कि उनके परिणाम कंप्यूटर सिमुलेशन और गणितीय प्रमाणों पर आधारित हैं, न कि अभी वास्तविक दुनिया के फील्ड परीक्षणों पर। वे यह भी नोट करते हैं कि जासूसों के लिए एजेंट के सटीक गुप्त नियमों को सीखने के लिए, एजेंट को इस तरह से चलना चाहिए कि वह अपने रहस्यों को प्रकट करने के लिए पर्याप्त "समृद्ध" (rich) हो (एक अवधारणा जिसे 'परसिस्टेंट एक्साइटेशन' कहा जाता है)। यदि एजेंट स्थिर खड़ा रहता है या एक उबाऊ लूप में चलता है, तो जासूस शायद पूर्ण नियमों को नहीं सीख पाएंगे, लेकिन वे फिर भी स्थिति को ट्रैक करेंगे।

हालाँकि, यह शोध पत्र दृढ़ता से सुझाव देता है कि यह नया "नो-शेयरिंग" दृष्टिकोण अज्ञात, चलते हुए लक्ष्यों को ट्रैक करने का एक मजबूत और कुशल तरीका है। यह सिद्ध करता है कि एक टीम के रूप में काम करने के लिए आपको अपने गुप्त नियंत्रण इनपुट साझा करने की आवश्यकता नहीं है। नेटवर्क संरचना को स्थानीय सीखने से अलग करने के लिए चतुर गणित का उपयोग करके, और यह सुनिश्चित करके कि सिस्टम में एक अंतर्निहित सुरक्षा जाल है, सेंसरों का एक समूह उस रहस्य को मिलकर हल कर सकता है जिसे वे अकेले हल नहीं कर सकते थे। यह स्मार्ट, सहकारी नेटवर्क बनाने की दिशा में एक कदम है जो वास्तविक, अप्रत्याशित दुनिया को संभाल सकते हैं।

तकनीकी सारांश: अज्ञात गैररेखीय प्रणालियों का अज्ञात इनपुट शेयरिंग के बिना वितरित अनुकूली अनुमान

1. समस्या विवरण

यह शोध पत्र निर्देशित संचार नेटवर्क (directed communication networks) पर संचालित होने वाली डिस्क्रीट-टाइम गैररेखीय प्रणालियों (discrete-time nonlinear systems) के लिए वितरित अनुकूली अवस्था अनुमान (distributed adaptive state estimation) की समस्या को संबोधित करता है। मुख्य चुनौती $m$ सेंसिंग एजेंटों का एक नेटवर्क है जो एक अज्ञात गतिशील स्रोत (एजेंट 0) की अवस्था का सहयोगात्मक रूप से अनुमान लगाने का प्रयास कर रहा है।

समस्या की प्रमुख बाधाएं और विशेषताएं निम्नलिखित हैं:

अज्ञात स्रोत गतिकी (Unknown Source Dynamics): स्रोत की गतिकी आंशिक रूप से अज्ञात है, जिसमें अज्ञात रैखिक मैट्रिक्स ( $A_0$ ) और अज्ञात मैट्रिक्स $C_0$ द्वारा पैरामीटराइज्ड अज्ञात गैररेखीय फलन ( $f_0(\cdot)$ ) दोनों शामिल हैं।
इनपुट शेयरिंग का अभाव (No Input Sharing): सेंसिंग एजेंटों के पास स्रोत का नियंत्रण इनपुट ( $u_{0,k}$ ) उपलब्ध नहीं होता है, न ही वे अपने पड़ोसी एजेंटों के साथ उत्तेजना (excitation) या नियंत्रण इनपुट साझा करते हैं। यह कार्य को कई मौजूदा वितरित अनुकूली योजनाओं से अलग करता है जो इस प्रकार की सूचना साझाकरण पर निर्भर करती हैं।
विक्षोभ और अनिश्चितता (Disturbances and Uncertainty): प्रणाली सीमित बाहरी विक्षोभों (external disturbances) और मॉडल अनिश्चितताओं (विशेष रूप से, रैखिक भाग $A_0$ में एक नॉर्म-बाउंड अनिश्चितता $\Delta A$ शामिल है) के अधीन है।
नेटवर्क टोपोलॉजी (Network Topology): संचार को एक भारित निर्देशित ग्राफ (weighted directed graph) के माध्यम से मॉडल किया गया है। स्रोत नेटवर्क का हिस्सा नहीं है बल्कि वह प्रक्षेपवक्र (trajectory) उत्पन्न करता है; सेंसिंग नोड्स केवल अपने इन-नेबर्स (in-neighbors) के साथ संचार करते हैं।

उद्देश्य अज्ञात मापदंडों और स्थानीय इनपुट्स के लिए वितरित अनुकूली नियमों को डिजाइन करना है ताकि प्रेडिक्टर मिसमैच और सीमित विक्षोभों के संबंध में अनुमान त्रुटि (estimation error) और स्रोत-ट्रैकिंग त्रुटि (source-tracking error) इनपुट-टू-स्टेट स्टेबल (ISS) हो। विक्षोभों की अनुपस्थिति में, त्रुटियां शून्य की ओर स्पर्शोन्मुखी रूप से (asymptotically) अभिसरित होनी चाहिए।

2. कार्यप्रणाली

प्रस्तावित ढांचा नेटवर्क टोपोलॉजी को स्थानीय ऑब्जर्वर गतिकी से अलग करने के लिए क्रोनेकर-प्रोडक्ट प्रतिनिधित्व (Kronecker-product representation) का उपयोग करता है, जिससे एक एकीकृत स्थिरता विश्लेषण सुलभ होता है।

2.1 सिस्टम मॉडलिंग और एरर डायनेमिक्स

स्रोत मॉडल: स्रोत $x_{0,k+1} = A_0 x_{0,k} + f_0(x_{0,k}) + B_0 u_{0,k} + \delta_{0,k}$ के रूप में विकसित होता है, जहाँ $f_0(x) = C_0 g(x)$ और $g(\cdot)$ एक ज्ञात स्मूथ नॉनलीनियर मैपिंग है।
ऑब्जर्वर संरचना: प्रत्येक सेंसिंग नोड $i$ अपने इन-नेबर्स से प्राप्त एक एकत्रित अनुमान $z_{i,k}$ का उपयोग करके एक स्थानीय ऑब्जर्वर लागू करता है। ऑब्जर्वर स्थानीय माप और पड़ोसी जानकारी के आधार पर अपनी अवस्था अनुमान $x_{i,k}$ और स्थानीय इनपुट $u_{i,k}$ को अपडेट करता है।
नॉर्मलाइजेशन (Normalization): क्षणिक उत्तेजना (transient excitation) के विरुद्ध मजबूती सुनिश्चित करने और अनुकूली मापदंडों को सीमित करने के लिए एक नॉर्मलाइज्ड अनुकूली नियम का उपयोग किया जाता है। नॉर्मलाइजेशन फैक्टर $N_{i,k}$ स्थानीय एकत्रित अवस्था और नॉनलीनियर मैपिंग पर निर्भर करता है।
एरर डायनेमिक्स: शोध पत्र नेटवर्क-स्तरीय अनुमान त्रुटि गतिकी को व्युत्पन्न करता है। एक कपलिंग ऑपरेटर $S$ को परिभाषित करके जो स्थानीय ऑब्जर्वर संकुचन ( $S$ ) और नेटवर्क इंटरैक्शन ( $L \otimes I_n$ ) को जोड़ता है, एरर डायमिक्स को ल्यपुनोव विश्लेषण के अनुकूल रूप में व्यक्त किया जाता है।

2.2 स्थिरता विश्लेषण

स्थिरता विश्लेषण कपलिंग ऑपरेटर $S$ की शूर स्थिरता (Schur stability) और अनुकूली मापदंडों की परिबद्धता (boundedness) के लिए शर्तों को स्थापित करने हेतु एक ल्यपुनोव-आधारित दृष्टिकोण पर निर्भर करता है।

शूर स्थिरता स्थितियाँ (Schur Stability Conditions):
- प्रपोजिशन 1 (Proposition 1): नेटवर्क गेन, स्थानीय ऑब्जर्वर गतिकी और स्रोत गतिकी से संबंधित एक नॉर्म-आधारित पर्याप्त स्थिति प्रदान करता है।
- लेम्मा 1 (Lemma 1): एक संरचित ल्यपुनोव लीनियर मैट्रिक्स इनइक्वेलिटी (LMI) पेश करता है जो कपलिंग ऑपरेटर की पूर्ण मैट्रिक्स संरचना को संरक्षित करता है, जो कि नॉर्म-आधारित बाउंड्स की तुलना में कम कंजर्वेटिव (conservative) स्थिति प्रदान करता है।
- कोरोलरी 2 (Corollary 2): स्रोत गतिकी में नॉर्म-बाउंड मॉडल अनिश्चितताओं को ध्यान में रखते हुए LMI को एक रोबस्ट फॉर्मुलेशन तक विस्तारित करता है।
अनुकूली नियम (Adaptive Laws): शोध पत्र अज्ञात मापदंडों ( $\hat{A}_{i,k}, \hat{C}_{i,k}$ ) और स्थानीय इनपुट $u_{i,k}$ के लिए स्थानीय अपडेट नियम प्रस्तावित करता है। ये नियम नेटवर्क-वेटेड एरर दिशा और नॉर्मलाइजेशन फैक्टर का उपयोग करते हैं।
मुख्य प्रमेय (Main Theorem - Theorem 1): यह स्थापित करता है कि यदि कपलिंग ऑपरेटर $S$ शूर स्थिर है, तो अनुकूली मापदंड परिबद्ध रहते हैं, और विक्षोभ-मुक्त मामले में अनुमान त्रुटियां स्पर्शोन्मुखी रूप से शून्य की ओर अभिसरित होती हैं।
ISS मजबूती (ISS Robustness - Corollary 4): यह प्रदर्शित करता है कि सीमित विक्षोभों और प्रेडिक्टर मिसमैच की उपस्थिति में, अनुमान और ट्रैकिंग त्रुटियां (ISS) बनी रहती हैं, जिनका प्रसार विक्षोभों के परिमाण के समानुपाती होता है।

3. प्रमुख योगदान

शोध पत्र निम्नलिखित विशिष्ट योगदानों का दावा करता है:

पूर्णतः वितरित ढांचा (Fully Distributed Framework): अज्ञात स्रोत गतिकी वाले डिस्क्रीट-टाइम गैररेखीय प्रणालियों के लिए एक नवीन अनुकूली अनुमान ढांचा जो आवश्यक नहीं करता कि सेंसिंग नोड्स स्रोत या पड़ोसी उत्तेजना इनपुट्स को साझा करें। यह संचार टोपोलॉजी को स्थानीय गतिकी से अलग करने के लिए क्रोनेकर-प्रोडक्ट प्रतिनिधित्व का उपयोग करता है।
स्पष्ट स्पेक्ट्रल स्थितियाँ (Explicit Spectral Conditions): एक स्पष्ट स्थिति (Proposition 1) जो नेटवर्क कपलिंग ऑपरेटर की शूर स्थिरता की गारंटी देती है, जो संचार टोपोलॉजी, स्थानीय ऑब्जर्वर संकुचन और स्रोत गतिकी को जोड़ती है।
स्थिरता प्रमाणों का पदानुक्रम (Hierarchy of Stability Certificates): LMI-आधारित स्थितियों का एक सेट, जिसमें एक संरचित ल्यपुनोव स्थिति (Lemma 1), एक सरलीकृत स्केलर-वेटेड LMI (Corollary 1), और मॉडल अनिश्चितताओं के लिए एक रोबस्ट विस्तार (Corollary 2) शामिल है।
स्थिरता और मजबूती की गारंटी (Stability and Robustness Guarantees): उपयुक्त स्थितियों के तहत अनुकूली मापदंडों की परिबद्धता और स्पर्शोन्मुखी अभिसरण को सिद्ध करने वाला एक ल्यपुनोव-आधारित विश्लेषण (Theorem 1), साथ ही सीमित विक्षोभों के लिए ISS गारंटी (Corollaries 3–4)।
स्केलेबिलिटी सत्यापन (Scalability Validation): संख्यात्मक अध्ययन प्रदर्शित करते हैं कि अनुमानक स्टार, साइक्लिक और पाथ टोपोलॉजी में सेंसिंग नोड्स की संख्या के साथ कुशलतापूर्वक स्केल (लगभग रैखिक कम्प्यूटेशनल जटिलता के साथ) होता है।

4. संख्यात्मक परिणाम

लेखकों ने तीन निर्देशित टोपोलॉजी: स्टार (Star), साइक्लिक (Cyclic), और पाथ (Path) पर सिमुलेशन के माध्यम से अपने सैद्धांतिक परिणामों को सत्यापित किया।

ट्रैकिंग प्रदर्शन (Tracking Performance): सभी टोपोलॉजी में, वितरित अनुकूली ऑब्जर्वर्स अज्ञात रैखिक गतिकी, अज्ञात गैररेखीय पदों और बाहरी विक्षोभों के बावजूद वास्तविक स्रोत प्रक्षेपवक्र को सफलतापूर्वक ट्रैक करने में सफल रहे।
- स्टार टोपोलॉजी: सबसे तेज़ अभिसरण प्रदर्शित किया क्योंकि सभी नोड्स को प्रत्यक्ष स्रोत जानकारी प्राप्त हुई।
- साइक्लिक टोपोलॉजी: पड़ोसी-से-पड़ोसी प्रसार के कारण थोड़े धीमे ट्रांजिएंट्स दिखाए।
- पाथ टोपोलॉजी: सबसे धीमा ट्रांजिएंट प्रदर्शित किया लेकिन स्पर्शोन्मुखी ट्रैकिंग प्राप्त की, जो सीमित कनेक्टिविटी (केवल पहला नोड सीधे स्रोत को देखता है) के साथ भी मजबूती को सिद्ध करता है।
मापदंड परिबद्धता (Parameter Boundedness): अज्ञात मापदंडों ( $A_0, C_0$ ) के लिए अनुमान त्रुटियां और इनपुट मिसमैच पूरे सिमुलेशन के दौरान परिबद्ध रहे, जो कोरोलरी 3 के अनुरूप है।
स्थिरता प्रमाण तुलना (Stability Certificate Comparison):
- नॉर्म-आधारित स्थिति (Proposition 1) ने स्टार और साइक्लिक टोपोलॉजी के लिए स्थिरता को सफलतापूर्वक प्रमाणित किया लेकिन पाथ टोपोलॉजी के लिए विफल रही (कंजर्वेटिव होने के कारण), भले ही वास्तविक स्पेक्ट्रल रेडियस स्थिर ( $\rho(S) < 1$ ) था।
- संरचित LMI स्थितियों (Lemma 1 और Corollary 2) ने तीनों टोपोलॉजी के लिए स्थिरता को सफलतापूर्वक प्रमाणित किया, जो इंड्यूस्ड-नॉर्म बाउंड्स की तुलना में उनके कम कंजर्वेटिव होने का प्रदर्शन करता है।
स्केलेबिलिटी (Scalability): $m \in \{50, 100, 250, 500\}$ नोड्स के साथ रनटाइम परीक्षणों ने दिखाया कि कुल गणना समय नोड्स की संख्या के साथ लगभग रैखिक रूप से बढ़ा, जो वितरित एल्गोरिदम की $O(m)$ कम्प्यूटेशनल जटिलता की पुष्टि करता है।

5. महत्व और दावे

शोध पत्र अपने कार्य को आंशिक रूप से ज्ञात रैखिक गतिकी के पिछले शोध से अधिक चुनौतीपूर्ण अज्ञात गैररेखीय गतिकी के क्षेत्र में विस्तार के रूप में प्रस्तुत करता है।

नेटवर्क और गतिकी का अलगाव (Decoupling Network and Dynamics): प्राथमिक महत्व क्रोनेकर-स्ट्रक्चर्ड ल्यपुनोव फॉर्मुलेशन का उपयोग करके नेटवर्क कपलिंग को स्थानीय गैररेखीय गतिकी से अलग करने की क्षमता में निहित है। यह स्पष्ट स्थिरता स्थितियों को व्युत्पन्न करने की अनुमति देता है जो ग्राफ कनेक्टिविटी को स्थानीय मॉडल स्थिरता से जोड़ते हैं।
इनपुट शेयरिंग का उन्मूलन (Elimination of Input Sharing): उत्तेजना या नियंत्रण इनपुट साझा करने की आवश्यकता को समाप्त करके, प्रस्तावित विधि बैंडविड्थ-सीमित या विकेंद्रीकृत सेंसिंग नेटवर्क के लिए अधिक उपयुक्त है जहाँ ऐसा सूचना आदान-प्रदान अव्यावहारिक है।
मजबूती (Robustness): नॉर्मलाइजेशन तंत्र और ISS विश्लेषण सीमित विक्षोभों और मॉडल अनिश्चितताओं के विरुद्ध गारंटी प्रदान करते हैं, जो मौजूदा विधियों के अंतराल को संबोधित करते हैं जो अक्सर आदर्श स्थितियों को मान लेते हैं।
व्यावहारिक प्रयोज्यता (Practical Applicability): संख्यात्मक परिणाम पुष्टि करते हैं कि सैद्धांतिक स्थिरता स्थितियाँ न केवल गणितीय रूप से सुदृढ़ हैं बल्कि व्यावहारिक रूप से सत्यापन योग्य और स्केलेबल भी हैं, जो इस दृष्टिकोण को मध्यम आकार के वितरित सेंसिंग नेटवर्क के लिए उपयुक्त बनाती हैं।

लेखक निष्कर्ष निकालते हैं कि भविष्य के कार्य स्विचिंग टोपोलॉजी, संचार विलंब (communication delays), पैकेट लॉस और दोषपूर्ण या दुर्भावनापूर्ण नोड्स की उपस्थिति में लचीले अनुमान (resilient estimation) के साथ इन अनुमानकों के एकीकरण की जांच करेंगे।