CN105606381B - 一种分布式滤波网络***及设计方法 - Google Patents

一种分布式滤波网络***及设计方法 Download PDF

Info

Publication number
CN105606381B
CN105606381B CN201610058593.6A CN201610058593A CN105606381B CN 105606381 B CN105606381 B CN 105606381B CN 201610058593 A CN201610058593 A CN 201610058593A CN 105606381 B CN105606381 B CN 105606381B
Authority
CN
China
Prior art keywords
mrow
msub
filter
mtd
mover
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Expired - Fee Related
Application number
CN201610058593.6A
Other languages
English (en)
Other versions
CN105606381A (zh
Inventor
张皓
洪倩倩
吴苗苗
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tongji University
Original Assignee
Tongji University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Tongji University filed Critical Tongji University
Priority to CN201610058593.6A priority Critical patent/CN105606381B/zh
Publication of CN105606381A publication Critical patent/CN105606381A/zh
Application granted granted Critical
Publication of CN105606381B publication Critical patent/CN105606381B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M17/00—Testing of vehicles
    • G01M17/007—Wheeled or endless-tracked vehicles
    • G01M17/04—Suspension or damping

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Vehicle Body Suspensions (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明涉及一种分布式滤波网络***及设计方法。该***包括：滤波器网络单元：包括分布于不同物理站点的滤波器；传感器采样单元：包括车载传感器和滤波传感器，车载传感器内嵌于汽车悬架***并采集其状态信息，滤波传感器内嵌于各滤波器内并采集该滤波器与设定的相邻滤波器的交流信息；事件触发单元：包括与各滤波器对应的事件触发器，各事件触发器分别决定对应滤波器事件发生时刻；在事件发生时刻，滤波器接收对应车载传感器采集的汽车悬架***状态信息以及设定相邻的滤波器的交流信息，否则该滤波器不动作。与现有技术相比，本发明既能满足多终端同时获得数据的需求，又能有效防止滤波器网络崩溃，且能耗低、效率高、稳定性强。

Description

一种分布式滤波网络***及设计方法
技术领域
本发明涉及一种滤波***及设计方法，尤其是涉及一种分布式滤波网络***及设计方法。
背景技术
随着汽车使用量的大幅度增加，汽车平顺性研究越来越受到人们关注，它也成为汽车的重要性能指标之一。在平顺性分析过程中，精确的实时动态信息采集是准确分析的前提。常用的数据采集***虽然有效，但随着不断增长的高精度要求、日益复杂的实验环境和测量噪声的干扰，现有的数据采集方法已经不能满足人们的要求。
目前，大部分研究都是围绕着产品性能预测问题，即在汽车设计阶段，通过建立整车仿真模型，对悬架、车身等部件参数进行分析。基于仿真实验的平顺性分析，汽车动态实时数据信息很容易被采集到。但是，平顺性分析不能只限于产品预测和仿真实验，当需要对种类多样的有一定驾龄的真车进行平顺性评估时，考虑到汽车行驶环境的多变性和汽车本身性能的复杂性，汽车仿真实验平台往往不能模拟所有情况，这就需要对行驶在真实环境中的汽车进行平顺性分析实验。汽车构造的复杂性、采样误差和环境噪声的存在对高精度的数据采集提出了挑战。另外，考虑到运动中的汽车位置一直在变化，采集到的数据信息需要通过无线传感网络传输给固定站点的滤波器，信息传递过程中的抗干扰能力是滤波器设计中需要考虑的重要指标。
卡尔曼滤波是经典的滤波器形式，对于解决大部分问题，它是最优、效率最高甚至是最有用的，但是它只对高斯白噪声有很好的滤波效果，对噪声类型变化的适应性不强。运动的汽车***可能存在其他类型的噪声，因此使用卡尔曼滤波方式效果并不理想。
另外，车载传感器采集到的数据信息需要通过无线网络传送给滤波器网络。传统采样方式为周期采样，周期采样虽然能减少网络中数据包的传递次数，但是当汽车实时姿态信息变化幅度小、***噪声影响微弱、或滤波器已经精确地估计到汽车状态信息时，就没有必要仍进行密集的周期信息传递。所以，为了降低数据通信率、节约网络资源，在保证滤波器工作性能的前提下，可以适当的减少采样信息传递量。为了达到这一目的，本发明采用事件触发采样机制来代替传统的周期采样。大量研究证明了事件触发机制的优越性，它也被广泛应用到网络控制、多智能体***、飞机编队等领域，根据应用背景的不同，还分为基于***状态、***输出、观测器输出的触发机制。本发明采用基于汽车悬架***和邻居滤波器输出信息的事件触发采样机制，滤波网络根据输出信息就能实现对汽车实时状态信息的精确估计。事件触发机制的核心是设计事件触发条件，它直接影响采样信息传频率及滤波效果的好坏。事件产生器在每个采样时刻对事件触发条件进行判断，一旦条件偏离预定阈值，触发传感器传递当前采样值给滤波器，否则，丢弃当前数据信息。事件触发采样机制能够有效减少数据传递次数、降低通信带宽占有率、节约网络资源。
虽然单个滤波器可以实现对汽车状态的估计，但有时会出现多个性能评估站点同时需要接收汽车信息的情况，或单个滤波器失效导致整个评估进程中断的情况。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种对包括白噪声在内的多种噪声形式具有良好的抗噪能力，而且在保证滤波性能的前提下有效降低数据传递次数、节约网络资源，符合现代经济社会的发展要求的分布式滤波网络***及设计方法。
本发明的目的可以通过以下技术方案来实现：
一种分布式滤波网络***，用于1/4车模型汽车平顺性分析，该***包括：
滤波器网络单元：包括分布于不同物理站点的滤波器，各滤波器通过网络进行信息交互；
传感器采样单元：包括车载传感器和滤波传感器，所述的车载传感器内嵌于汽车悬架***并采集汽车悬架***状态信息，所述的滤波传感器内嵌于各滤波器内并采集该滤波器与设定的相邻滤波器的交流信息；
事件触发单元：包括与各滤波器对应的事件触发器，各事件触发器基于周期事件触发机制，分别决定对应滤波器事件发生时刻；
在事件发生时刻，滤波器接收对应车载传感器采集的汽车悬架***状态信息以及设定相邻的滤波器的交流信息，否则该滤波器不动作。
一种分布式滤波网络***的设计方法，该方法包括以下步骤：
(1)建立1/4车模型汽车的离散化模型：
x(k+1)＝Ax(k)+Bv(k) (1)
其中，x(k)为k时刻汽车悬架***状态变量，x(k+1)为k+1时刻汽车悬架***状态变量，v(k)为当前时刻的路面噪声，A和B分别为适合维度的***常矩阵；
(2)建立各车载传感器采样模型：
yi(k)＝Cix(k)+Diωi(k) (2)
其中，i＝1,2……N，N为车载传感器总个数，yi(k)表示k时刻第i个车载传感器的输出信息，ωi(k)表示k时刻第i个车载传感器的采样噪声，Ci、Di是适合维度的***常矩阵；
(3)建立滤波器网络单元中各滤波器交流信息模型：
其中，为k时刻第j个滤波器传输给第i个滤波器的交流信息，为k时刻第j个滤波器的估计状态，表示k时刻第j个滤波器和第i个滤波器之间的通信信道的随机扰动，Eij、Fij为适合维度的系数矩阵，i＝1,2……N，j＝1,2……N，N为滤波器个数；
(4)分别建立各滤波器中事件触发器的触发条件：
其中，σi、和εi为第i个事件触发器阈值参数，Φi为第i个事件触发器的第一权重矩阵，为第i个事件触发器的第二权重矩阵，为第i个滤波器k时刻的估计状态，为第i个滤波器的事件发生时刻， Ni为能传输交流信息给第i个滤波器的所有相邻滤波器的集合，Ξ表示求均方；
(5)基于事件触发器触发条件建立滤波器离散化模型：
其中i＝1,2……N表示第i个滤波器，N为滤波器总个数，为k时刻第i个滤波器估计状态，为k+1时刻第i个滤波器估计状态，Hi为第i个滤波器的本地增益，Ki第i个滤波器的耦合增益，为第i个滤波器在时刻的状态估计值，为第i个滤波器在时刻的输出信息，为时刻第j个滤波器传输给第i个滤波器的的交流信息；
(6)将式(1)和式(5)相减，并整合得到滤波网络估计误差模型：
其中，为k时刻第i个滤波器的估计误差，为第i个滤波器k时刻估计误差与事件触发时刻估计误差的差值，为事件触发时刻第j个滤波器和第i个滤波器之间的通信信道的随机扰动，Fij是适合维度的常矩阵；
(7)记根据式(7)获取整个滤波网络估计误差模型为：
其中，ξ(k)＝[eT(k),δT(k),vT(k),ωT(k)]T， H＝diag{H1,H2,…,HN}，C＝diag{C1,C2,…,CN}，D＝diag{D1,D2,…,DN}，K＝diag{K1,K2,…,KN}， aij为邻接系数，i＝1,2……N，j＝1,2……N，
(8)对滤波网络估计误差模型采用李雅普诺夫稳定性分析方法设计具有H∞稳定性的滤波器网络的约束条件矩阵；
(9)根据上述约束条件矩阵和给定的周期事件触发阈值参数σi、和εi计算滤波器网络中各滤波器本地增益Hi和耦合增益Ki。
所述的步骤(8)包括如下子步骤：
(801)建立李雅普诺夫方程为：
V(e(k))＝eT(k)Pe(k) (8)
其中，P为正矩阵；
(802)求解李雅普诺夫方程的差分方程，利用李雅普诺夫稳定理论第二法求解使得滤波网络***具有H∞稳定性的约束条件矩阵：
其中， γ为抗扰动衰减水平，N为滤波器个数，I为N×N维单位阵， Φ＝diag{Φ1,Φ2,…ΦN}，L为滤波器网络构成的图结构的拉普拉斯矩阵，Ip为p×p维单位阵，为维单位阵，
所述的滤波网络***具有H∞稳定性具体满足下列步骤：
(a)判断是否考虑***外部扰动、传感器测量误差和信道噪声，若是执行步骤(b)，否则执行步骤(c)；
(b)滤波网络估计误差满足：
limk→∞Ξ||ei(k)||2≤Mρk (11)
其中M和ρ是正常数，Ξ表示求均方，k为离散时间；
(c)滤波器网络估计误差满足：
其中R为正常数，x(0)为汽车悬架***状态的初始值。
对步骤(802)得到的约束条件矩阵进行线性化，具体为：
令Xi＝PiHi，Yi＝PiKi，X＝diag{X1,X2,…,XN}，Y＝diag{Y1,Y2,…,YN}，将约束条件矩阵变换为：
其中，P是待解的正定矩阵。
所述的步骤(9)具体包括以下子步骤：
(901)给定事件触发阈值参数σi、和εi初始值，且满足εi＞0，执行步骤(902)；
(902)将事件触发器阈值参数σi、和εi分别赋值为σi＝σi+Δ1，εi＝εi+Δ3，且满足εi＞0，其中Δ1、Δ2和Δ3分别为σi、和εi的迭代步长；
(903)将σi、εi代入不等式(13)和(14)中并求解不等式，若无解，返回步骤(902)，若有解，得到矩阵X、Y和γ；
(904)计算滤波器网络数据信息的传输率ο，判断ο≤οopt,γ≤γopt是否成立，其中oopt为预期数据传输率，γopt为预期干扰抑制比，若成立则计算本地增益Hi＝Pi -1Xi，耦合增益Ki＝Pi -1Xi，否则返回步骤(902)。
与现有技术相比，本发明具有如下优点：
(1)本发明滤波网络设计方法简单，滤波器参数(包括本地增益和耦合增益)容易确定，但凡满足矩阵不等式(13)和(14)的矩阵Ki和Hi都可以作为滤波器网络的增益矩阵，而矩阵不等式(13)和(14)是很容易满足的两个条件。
(2)本发明对滤波对象要求简单，本发明只利用汽车悬架***的可观测输出变量，采用车载传感器测量值进行滤波，实现对汽车悬架***的状态信息进行观测，对汽车模型无其他要求。
(3)本发明滤波网络设计策略灵活，满足不同精度要求，应用范围广，滤波器网络需要满足的条件保守性低，对于不同的抗扰动衰减水平γ，都能很容易从矩阵不等式(13)和(14)中求解出滤波器增益矩阵的值，从而对于不同精度要求的滤波器网络设计，本发明策略都可以实现。
(4)本发明采用事件触发采样机制决定滤波器接收车载传感器采集的汽车悬架***状态信息的时刻，与传统的连续或周期采样相比事件触发采样能够以当前滤波对象的实时状态为参考量，决定是否传递当前采样数据。在汽车受到扰动较小或无扰动时，滤波器滤波效果较好时，数据传输相对较疏；当汽车受到扰动较大，汽车实时姿态信息变化速度较大时，数据传输较密。总体而言，基于输出反馈的周期事件触发采样机制能够有效减少网络中数据传递次数，节约网络资源。
(5)本发明设计的分布式滤波网络来实时估计汽车姿态信息，异地分布的滤波器通过与车载传感器、邻居滤波器的交流信息，实现对车载传感器传送过来的数据信息进行滤波，收集到精确的数据信息。与传统的集中式滤波器相比，本发明设计的分布式滤波网络能够满足多个观测点同时获得精确信息的使用要求，并且对滤波器崩溃有一定的容忍度。总之，在满足多观测终端能够同时接收精确信息的前提下，还提高了滤波网络的鲁棒性。
(6)本发明设计的H∞滤波网络能够抵抗多种形式的干扰，包括外界环境的扰动、传感器的采样误差以及通信信道噪声。并且与经典的卡尔曼滤波相比，H∞滤波网络能够滤波更广泛类型的噪声，比如扰动不是白噪声或者噪声的参数不确定时，经典的卡尔曼滤波便不再适用，但H∞滤波却仍然起到很好的滤波效果。
附图说明
图1为本发明分布式滤波网络***结构示意图；
图2为本发明2自由度的1/4车模型的结构示意图；
图3为本发明设计的基于长安汽车的分布式滤波网络的仿真平台结构示意图；
图4为簧下质量块的位移曲线对比图；
图5为簧上质量块的位移曲线对比图；
图6为簧下质量块的速度曲线对比图；
图7为簧上质量块的速度曲线对比图；
图8为基于事件触发的滤波网络的估计误差曲线图；
图9为图3中第一滤波器接收外界信息的时序图；
图10为图3中第二滤波器接收外界信息的时序图；
图11为图3中第三滤波器接收外界信息的时序图
图中，1为汽车悬架***，2为车载传感器，3为事件触发器，4为滤波器，5为传输网络。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。
实施例
如图1所示，一种分布式滤波网络***，用于1/4车模型汽车平顺性分析，该***包括：滤波器网络单元：包括分布于不同物理站点的滤波器4，各滤波器4通过网络进行信息交互；传感器采样单元：包括车载传感器2和滤波传感器，所述的车载传感器2内嵌于汽车悬架***1并采集汽车悬架***1状态信息，所述的滤波传感器内嵌于各滤波器4内并采集该滤波器4与设定的相邻滤波器的交流信息；事件触发单元：包括与各滤波器4对应的事件触发器3，各事件触发器3基于周期事件触发机制，分别决定对应滤波器***发生时刻；在事件发生时刻，滤波器4接收对应车载传感器2采集的汽车悬架***状态信息以及设定相邻的滤波器的交流信息，否则滤波器4不动作。
基于上述一种分布式滤波网络***的设计方法，该方法包括以下步骤：
(1)如图2所示，汽车模型可以简化为2个自由度的1/4车模型，其中k1和k2是弹簧的弹性系数，m1、m2、x1和x2分别表示簧下质量块和簧上质量块的质量和位移，v表示路面上变化的输入扰动，c为阻尼系数。根据胡克定律和牛顿第二定律，得到二自由度1/4车模型的动力学方程下所示：
定义，那么得到连续***模型为其中Bc＝[0 0 -k1/m1 0]T。然后利用状态空间时域解法把连续***模型离散化，得到1/4车模型汽车的离散化模型：
x(k+1)＝Ax(k)+Bv(k) (1)
其中，x(k)为k时刻汽车悬架***状态变量，x(k+1)为k+1时刻汽车悬架***状态变量，v(k)为当前时刻的路面噪声，且v(k)∈l2[0,∞)，A和B分别为适合维度的***常矩阵；
(2)建立各车载传感器2采样模型：
yi(k)＝Cix(k)+Diωi(k) (2)
其中，i＝1,2……N，N为车载传感器2总个数，yi(k)表示k时刻第i个车载传感器2的输出信息，ωi(k)表示k时刻第i个车载传感器2的采样噪声，Ci、Di是适合维度的***常矩阵；
(3)建立滤波器网络单元中各滤波器交流信息模型：
其中，为k时刻第j个滤波器传输给第i个滤波器的交流信息，为k时刻第j个滤波器的估计状态，ωij(k)表示k时刻第j个滤波器和第i个滤波器之间的通信信道的随机扰动，Eij、Fij为适合维度的系数矩阵，i＝1,2……N，j＝1,2……N，N为滤波器个数；
(4)分别建立各滤波器中事件触发器的触发条件：
其中，σi、和εi为第i个事件触发器阈值参数，Φi为第i个事件触发器的第一权重矩阵，为第i个事件触发器的第二权重矩阵，为第i个滤波器k时刻的估计状态，为第i个滤波器的事件发生时刻，为第i个滤波器的事件发生时刻，Ni为能传输交流信息给第i个滤波器的所有相邻滤波器的集合，Ξ表示求均方；
事件触发条件以不等式形式呈现，如(4)式，当满足触发条件时，即不等式(4)左边的值大于等于右边时，事件才会发生，所以，阈值参数σi、和εi值的选取就显得尤为重要。过大，εi过小，事件触发条件很难偏离，导致滤波效果差；过小，εi过大，事件发生密集，网络带宽占有率高，资源消耗大，成本高。此外，关于事件触发机制的具体工作原理，设计如下：从测试实验的开始时刻起，车载传感器2和嵌入在滤波器4中滤波传感器分别对汽车悬架***1状态信息和设定的相邻滤波器的交流信息按照周期h进行数值采样。并且假设在实验的初始刻时，每个滤波器4的事件发生一次，接收来自汽车悬架***1和设定的相邻滤波器的初始值信息。以初始时刻的值为基准，在接下来的每个采样时刻，嵌入在本地滤波器中的事件触发器3都会根据上一次事件发生时刻的接收信息以及本地滤波器状态信息的变化情况，来判断当前采样时刻是否发生事件触发。若事件发生，本地滤波器才会接收网络传输来的当前信息，更新本地滤波器模型中相应状态的变量值；若事件不发生，则本地滤波器模型中与汽车悬架***1和邻居滤波器相关的状态变量值保持上一次事件时刻的值不变，直到下一次事件来临。周期事件触发采样机制融合了周期采样和连续事件触发采样机制，它既能有效减少数据传递次数，节约网络资源，又能保证很好的滤波效果。
(5)基于事件触发器触发条件建立滤波器离散化模型：
其中i＝1,2……N表示第i个滤波器，N为滤波器总个数，为k时刻第i个滤波器估计状态，为k+1时刻第i个滤波器估计状态，Hi为第i个滤波器的本地增益，Ki第i个滤波器的耦合增益，为第i个滤波器在时刻的状态估计值，为第i个滤波器在时刻的输出信息，为时刻第j个滤波器传输给第i个滤波器的的交流信息；
(6)将式(1)和式(5)相减，并整合得到滤波网络估计误差模型：
其中，为k时刻第i个滤波器的估计误差，为第i个滤波器k时刻估计误差与事件触发时刻估计误差的差值，为事件触发时刻第j个滤波器和第i个滤波器之间的通信信道的随机扰动，Fij是适合维度的常矩阵；
(7)记根据式(7)获取整个滤波网络估计误差模型为：
其中，ξ(k)＝[eT(k),δT(k),vT(k),ωT(k)]T， H＝diag{H1,H2,…,HN}，C＝diag{C1,C2,…,CN}，D＝diag{D1,D2,…,DN}，K＝diag{K1,K2,…,KN}， aij为邻接系数，i＝1,2……N，j＝1,2……N，
(8)对滤波网络估计误差模型采用李雅普诺夫稳定性分析方法设计具有H∞稳定性的滤波器网络的约束条件矩阵；
(9)根据上述约束条件矩阵和给定的周期事件触发阈值参数σi、和εi计算滤波器网络中各滤波器本地增益Hi和耦合增益Ki。
所述的步骤(8)包括如下子步骤：
(801)建立李雅普诺夫方程为：
V(e(k))＝eT(k)Pe(k) (8)
其中，P为正矩阵；
(802)求解李雅普诺夫方程的差分方程，利用李雅普诺夫稳定理论第二法求解使得滤波网络***具有H∞稳定性的约束条件矩阵：
其中， γ为抗扰动衰减水平，N为滤波器个数，I为N×N维单位阵， Φ＝diag{Φ1,Φ2,…ΦN}，L为滤波器网络构成的图结构的拉普拉斯矩阵，Ip为p×p维单位阵，为维单位阵，
所述的滤波网络***具有H∞稳定性具体满足下列步骤：
(a)判断是否考虑***外部扰动、传感器测量误差和信道噪声，若是执行步骤(b)，否则执行步骤(c)；
(b)滤波网络估计误差满足：
limk→∞Ξ||ei(k)||2≤Mρk (11)
其中M和ρ是正常数，Ξ表示求均方，k为离散时间；
(c)滤波器网络估计误差满足：
其中R为正常数，x(0)为汽车悬架***状态的初始值。
对步骤(802)得到的约束条件矩阵进行线性化，具体为：
令Xi＝PiHi，Yi＝PiKi，X＝diag{X1,X2,…,XN}，Y＝diag{Y1,Y2,…,YN}，将约束条件矩阵变换为：
其中，P是待解的正定矩阵。
所述的步骤(9)具体包括以下子步骤：
(901)给定事件触发阈值参数σi、和εi初始值，且满足εi＞0，执行步骤(902)；
(902)将事件触发器阈值参数σi、和εi分别赋值为σi＝σi+Δ1，εi＝εi+Δ3，且满足εi＞0，其中Δ1、Δ2和Δ3分别为σi、和εi的迭代步长；
(903)将σi、εi代入不等式(13)和(14)中并求解不等式，若无解，返回步骤(902)，若有解，得到矩阵X、Y和γ；
(904)计算滤波器网络数据信息的传输率ο，判断ο≤οopt,γ≤γopt是否成立，其中oopt为预期数据传输率，γopt为预期干扰抑制比，若成立则计算本地增益Hi＝Pi -1Xi，耦合增益Ki＝Pi -1Xi，否则返回步骤(902)。
基于以上分布式滤波网络***及其设计方法，以长安汽车为例，设计了用于参是精确估计长安汽车1/4车模型车体的垂直位移和速度状态的分布式滤波网络***。基于表1的参数，通过建模和离散化，得到长安汽车1/4车离散形式数学模型参数：
B＝[-1.0970,-1.0591,5.4462,-6.9661]T。
表1长安汽车参数表
变量 m1 m2 k1 k2 c T
数值 510 3886 1250000 279300 9224 0.2
单位 kg kg N/s N/s s
该实施例中设计了三个异地分布的滤波器组成的滤波***，来分别估计汽车悬架***的状态信息，该实施例设计了一种基于长安汽车的分布式滤波网络的仿真平台如图3所示，图中滤波器4分别为第一滤波器、第二滤波器和第三滤波器，假设***扰动形式为v(k)＝e-2k，k时刻第i个车载传感器2的采样噪声为ωi(k)＝[e-ksin(k) e-kcos(2k)]T，i＝1,2,3,滤波器之间信息传递的信道噪声为ωij(k)＝N(0,1/k)。通过matlab仿真求出一组最优解，滤波器本地增益和耦合增益分别为：
对上述设计的仿真平台进行仿真实验。图4为簧下质量块的位移曲线对比图，图中横轴表示仿真时间为20个步长，纵轴表示簧下质量块的位移量，该图分别绘制了悬架***输出信息和采用事件触发滤波器的输出信息以及采用周期采样滤波器的输出信息的曲线图，同样，图5为簧上质量块的位移曲线对比图，图6为簧下质量块的速度曲线对比图，图7为簧上质量块的速度曲线对比图，综合图4～7可见，采用事件触发的滤波网络***能够很好地估计悬架***的状态信息，其效果与采用周期采样的绿波网络效果相差无几。图8为采用事件触发的滤波网络状态估计误差曲线图，横轴表示100个仿真步长，纵轴表示误差量，可见滤波网络***能够很好地估计对象的状态信息，且对各种类型的扰动具有将强的鲁棒性。图9、图10、图11分别为图3中三个滤波器接收外界信息的时序图，纵向值越大，表明触发时间间隔越长，更能有效减少数据传递次数，降低通信负载，综合图4～11可见，基于事件触发的滤波网络***能够保证较好的估计悬架***的状态信息的同时，还能够有效减少数据传递次数，降低通信负载。

Claims (6)

1.一种分布式滤波网络***，用于1/4车模型汽车平顺性分析，其特征在于，该***包括：
滤波器网络单元：包括分布于不同物理站点的滤波器(4)，各滤波器(4)通过网络进行信息交互；
传感器采样单元：包括车载传感器(2)和滤波传感器，所述的车载传感器(2)内嵌于汽车悬架***(1)并采集汽车悬架***状态信息，所述的滤波传感器内嵌于各滤波器(4)内并采集该滤波器(4)与设定的相邻滤波器的交流信息；
事件触发单元：包括与各滤波器(4)对应的事件触发器(3)，各事件触发器(3)基于周期事件触发机制，分别决定对应滤波器(4)事件发生时刻；
在事件发生时刻，滤波器(4)接收对应车载传感器(2)采集的汽车悬架***状态信息以及设定相邻的滤波器的交流信息，否则该滤波器(4)不动作。
2.一种如权利要求1所述的分布式滤波网络***的设计方法，其特征在于，该方法包括以下步骤：
(1)建立1/4车模型汽车的离散化模型：
x(k+1)＝Ax(k)+Bv(k) (1)
其中，x(k)为k时刻汽车悬架***状态变量，x(k+1)为k+1时刻汽车悬架***状态变量，v(k)为当前时刻的路面噪声，A和B分别为适合维度的***常矩阵；
(2)建立各车载传感器采样模型：
yi(k)＝Cix(k)+Diωi(k) (2)
其中，i＝1,2……N，N为车载传感器总个数，yi(k)表示k时刻第i个车载传感器的输出信息，ωi(k)表示k时刻第i个车载传感器的采样噪声，Ci、Di是适合维度的***常矩阵；
(3)建立滤波器网络单元中各滤波器交流信息模型：
<mrow> <msub> <mover> <mi>y</mi> <mo>^</mo> </mover> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> <mo>=</mo> <msub> <mi>E</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> <msub> <mover> <mi>x</mi> <mo>^</mo> </mover> <mi>j</mi> </msub> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> <mo>+</mo> <msub> <mi>F</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> <msub> <mover> <mi>&amp;omega;</mi> <mo>^</mo> </mover> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>3</mn> <mo>)</mo> </mrow> </mrow>
其中，为k时刻第j个滤波器传输给第i个滤波器的交流信息，为k时刻第j个滤波器的估计状态，表示k时刻第j个滤波器和第i个滤波器之间的通信信道的随机扰动，Eij、Fij为适合维度的系数矩阵，i＝1,2……N，j＝1,2……N，N为滤波器个数；
(4)分别建立各滤波器中事件触发器的触发条件：
其中，σi、和εi为第i个事件触发器阈值参数，Φi为第i个事件触发器的第一权重矩阵，为第i个事件触发器的第二权重矩阵， 为第i个滤波器k时刻的估计状态， 为第i个滤波器的事件发生时刻， Ni为能传输交流信息给第i个滤波器的所有相邻滤波器的集合，Ξ表示求均方；
(5)基于事件触发器触发条件建立滤波器离散化模型：
<mrow> <msub> <mover> <mi>x</mi> <mo>^</mo> </mover> <mi>i</mi> </msub> <mrow> <mo>(</mo> <mi>k</mi> <mo>+</mo> <mn>1</mn> <mo>)</mo> </mrow> <mo>=</mo> <mi>A</mi> <msub> <mover> <mi>x</mi> <mo>^</mo> </mover> <mi>i</mi> </msub> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> <mo>+</mo> <msub> <mi>H</mi> <mi>i</mi> </msub> <mrow> <mo>(</mo> <msub> <mi>y</mi> <mi>i</mi> </msub> <mo>(</mo> <msubsup> <mi>d</mi> <mrow> <msub> <mi>m</mi> <mi>i</mi> </msub> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> </mrow> <mi>i</mi> </msubsup> <mo>)</mo> <mo>-</mo> <msub> <mi>C</mi> <mi>i</mi> </msub> <msub> <mover> <mi>x</mi> <mo>^</mo> </mover> <mi>i</mi> </msub> <mo>(</mo> <msubsup> <mi>d</mi> <mrow> <msub> <mi>m</mi> <mi>i</mi> </msub> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> </mrow> <mi>i</mi> </msubsup> <mo>)</mo> <mo>)</mo> </mrow> <mo>+</mo> <msub> <mi>K</mi> <mi>i</mi> </msub> <munder> <mi>&amp;Sigma;</mi> <mrow> <mi>j</mi> <mo>&amp;Element;</mo> <msub> <mi>N</mi> <mi>i</mi> </msub> </mrow> </munder> <mrow> <mo>(</mo> <msub> <mover> <mi>y</mi> <mo>^</mo> </mover> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> <mo>(</mo> <msubsup> <mi>d</mi> <mrow> <msub> <mi>m</mi> <mi>i</mi> </msub> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> </mrow> <mi>i</mi> </msubsup> <mo>)</mo> <mo>-</mo> <msub> <mi>E</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> <msub> <mover> <mi>x</mi> <mo>^</mo> </mover> <mi>i</mi> </msub> <mo>(</mo> <msubsup> <mi>d</mi> <mrow> <msub> <mi>m</mi> <mi>i</mi> </msub> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> </mrow> <mi>i</mi> </msubsup> <mo>)</mo> <mo>)</mo> </mrow> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>5</mn> <mo>)</mo> </mrow> </mrow>
其中i＝1,2……N表示第i个滤波器，N为滤波器总个数，为k时刻第i个滤波器估计状态，为k+1时刻第i个滤波器估计状态，Hi为第i个滤波器的本地增益，Ki第i个滤波器的耦合增益，为第i个滤波器在时刻的状态估计值，为第i个滤波器在时刻的输出信息，为时刻第j个滤波器传输给第i个滤波器的的交流信息；
(6)将式(1)和式(5)相减，并整合得到滤波网络估计误差模型：
<mrow> <mtable> <mtr> <mtd> <mrow> <msub> <mi>e</mi> <mi>i</mi> </msub> <mrow> <mo>(</mo> <mi>k</mi> <mo>+</mo> <mn>1</mn> <mo>)</mo> </mrow> <mo>=</mo> <mrow> <mo>(</mo> <mi>A</mi> <mo>-</mo> <msub> <mi>H</mi> <mi>i</mi> </msub> <msub> <mi>C</mi> <mi>i</mi> </msub> <mo>)</mo> </mrow> <msub> <mi>e</mi> <mi>i</mi> </msub> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> <mo>+</mo> <msub> <mi>H</mi> <mi>i</mi> </msub> <msub> <mi>&amp;delta;</mi> <mi>i</mi> </msub> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> <mo>+</mo> <mi>B</mi> <mi>v</mi> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> <mo>-</mo> <msub> <mi>H</mi> <mi>i</mi> </msub> <msub> <mi>D</mi> <mi>i</mi> </msub> <msub> <mi>&amp;omega;</mi> <mi>i</mi> </msub> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> <mo>-</mo> <msub> <mi>K</mi> <mi>i</mi> </msub> <munder> <mo>&amp;Sigma;</mo> <mrow> <mi>j</mi> <mo>&amp;Element;</mo> <msub> <mi>N</mi> <mi>i</mi> </msub> </mrow> </munder> <msub> <mi>E</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> <mrow> <mo>(</mo> <msub> <mi>e</mi> <mi>i</mi> </msub> <mo>(</mo> <mi>k</mi> <mo>)</mo> <mo>-</mo> <msub> <mi>e</mi> <mi>j</mi> </msub> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <mo>-</mo> <mo>(</mo> <mrow> <msub> <mover> <mi>e</mi> <mo>&amp;OverBar;</mo> </mover> <mi>i</mi> </msub> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> <mo>-</mo> <msub> <mover> <mi>e</mi> <mo>&amp;OverBar;</mo> </mover> <mi>j</mi> </msub> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> </mrow> <mo>)</mo> <mo>)</mo> <mo>-</mo> <msub> <mi>K</mi> <mi>i</mi> </msub> <msub> <mi>&amp;Theta;</mi> <mi>i</mi> </msub> <mrow> <mo>(</mo> <msubsup> <mi>d</mi> <mrow> <msub> <mi>m</mi> <mi>i</mi> </msub> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> </mrow> <mi>i</mi> </msubsup> <mo>)</mo> </mrow> </mrow> </mtd> </mtr> </mtable> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>6</mn> <mo>)</mo> </mrow> </mrow>
其中，为k时刻第i个滤波器的估计误差，为第i个滤波器k时刻估计误差与事件触发时刻估计误差的差值， 为事件触发时刻第j个滤波器和第i个滤波器之间的通信信道的随机扰动，Fij是适合维度的常矩阵；
(7)记根据式(7)获取整个滤波网络估计误差模型为：
<mrow> <mi>e</mi> <mrow> <mo>(</mo> <mi>k</mi> <mo>+</mo> <mn>1</mn> <mo>)</mo> </mrow> <mo>=</mo> <mi>H</mi> <mi>&amp;xi;</mi> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> <mo>+</mo> <mi>K</mi> <mrow> <mo>(</mo> <msub> <mi>E</mi> <mi>a</mi> </msub> <mover> <mi>e</mi> <mo>&amp;OverBar;</mo> </mover> <mo>(</mo> <mi>k</mi> <mo>)</mo> <mo>-</mo> <mi>&amp;Theta;</mi> <mo>(</mo> <msub> <mi>d</mi> <mi>k</mi> </msub> <mo>)</mo> <mo>)</mo> </mrow> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>7</mn> <mo>)</mo> </mrow> </mrow>
其中，ξ(k)＝[eT(k),δT(k),vT(k),ωT(k)]T， H＝diag{H1,H2,…,HN}，C＝diag{C1,C2,…,CN}，D＝diag{D1,D2,…,DN}，K＝diag{K1,K2,…,KN}， aij为邻接系数，i＝1,2……N，j＝1,2……N，
(8)对滤波网络估计误差模型采用李雅普诺夫稳定性分析方法设计具有H∞稳定性的滤波器网络的约束条件矩阵；
(9)根据上述约束条件矩阵和给定的周期事件触发阈值参数σi、和εi计算滤波器网络中各滤波器本地增益Hi和耦合增益Ki。
3.如权利要求2所述的一种分布式滤波网络***的设计方法，其特征在于，所述的步骤(8)包括如下子步骤：
(801)建立李雅普诺夫方程为：
V(e(k))＝eT(k)Pe(k) (8)
其中，P为正矩阵；
(802)求解李雅普诺夫方程的差分方程，利用李雅普诺夫稳定理论第二法求解使得滤波网络***具有H∞稳定性的约束条件矩阵：
<mrow> <mfenced open = "[" close = "]"> <mtable> <mtr> <mtd> <mover> <mi>&amp;Phi;</mi> <mo>^</mo> </mover> </mtd> <mtd> <mrow> <mn>2</mn> <msup> <mi>K</mi> <mi>T</mi> </msup> <mi>P</mi> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <mn>2</mn> <mi>P</mi> <mi>K</mi> </mrow> </mtd> <mtd> <mrow> <mn>2</mn> <mi>P</mi> </mrow> </mtd> </mtr> </mtable> </mfenced> <mo>&amp;GreaterEqual;</mo> <mn>0</mn> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>9</mn> <mo>)</mo> </mrow> </mrow>
<mrow> <mfenced open = "[" close = "]"> <mtable> <mtr> <mtd> <mi>&amp;Pi;</mi> </mtd> <mtd> <mrow> <mn>2</mn> <msup> <mi>&amp;Gamma;</mi> <mi>T</mi> </msup> <mi>P</mi> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <mn>2</mn> <mi>&amp;Gamma;</mi> <mi>K</mi> </mrow> </mtd> <mtd> <mrow> <mo>-</mo> <mn>2</mn> <mi>P</mi> </mrow> </mtd> </mtr> </mtable> </mfenced> <mo>&amp;le;</mo> <mn>0</mn> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>10</mn> <mo>)</mo> </mrow> </mrow>
其中， γ为抗扰动衰减水平，N为滤波器个数，I为N×N维单位阵， Φ＝diag{Φ1,Φ2,…ΦN}，L为滤波器网络构成的图结构的拉普拉斯矩阵，Ip为p×p维单位阵，为维单位阵，
4.如权利要求3所述的一种分布式滤波网络***的设计方法，其特征在于，所述的滤波网络***具有H∞稳定性具体满足下列步骤：
(a)判断是否考虑***外部扰动、传感器测量误差和信道噪声，若是执行步骤(b)，否则执行步骤(c)；
(b)滤波网络估计误差满足：
limk→∞Ξ||ei(k)||2≤Mρk (11)
其中M和ρ是正常数，Ξ表示求均方，k为离散时间；
(c)滤波器网络估计误差满足：
<mrow> <mi>&amp;Xi;</mi> <mo>&amp;lsqb;</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>k</mi> <mo>=</mo> <mn>0</mn> </mrow> <mi>&amp;infin;</mi> </munderover> <mi>&amp;psi;</mi> <mo>(</mo> <mrow> <mover> <mi>x</mi> <mo>^</mo> </mover> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> </mrow> <mo>)</mo> <mo>)</mo> <mo>&amp;rsqb;</mo> <mo>&amp;le;</mo> <mi>&amp;gamma;</mi> <mrow> <mo>(</mo> <mo>|</mo> <mo>|</mo> <mi>x</mi> <mo>(</mo> <mn>0</mn> <mo>)</mo> <mo>|</mo> <msup> <mo>|</mo> <mn>2</mn> </msup> <mi>R</mi> <mo>+</mo> <mo>|</mo> <mo>|</mo> <mi>v</mi> <mo>(</mo> <mi>k</mi> <mo>)</mo> <mo>|</mo> <msubsup> <mo>|</mo> <mn>2</mn> <mn>2</mn> </msubsup> <mo>+</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>N</mi> </munderover> <mo>(</mo> <mrow> <mo>|</mo> <mo>|</mo> <msub> <mi>&amp;omega;</mi> <mi>i</mi> </msub> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> <mo>|</mo> <msubsup> <mo>|</mo> <mn>2</mn> <mn>2</mn> </msubsup> <mo>+</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>j</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>N</mi> </munderover> <mo>|</mo> <mo>|</mo> <msub> <mi>&amp;omega;</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> <mo>|</mo> <msubsup> <mo>|</mo> <mn>2</mn> <mn>2</mn> </msubsup> </mrow> <mo>)</mo> <mo>)</mo> </mrow> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>12</mn> <mo>)</mo> </mrow> </mrow>
其中R为正常数，x(0)为汽车悬架***状态的初始值。
5.如权利要求3所述的一种分布式滤波网络***的设计方法，其特征在于，对步骤(802)得到的约束条件矩阵进行线性化，具体为：
令Xi＝PiHi，Yi＝PiKi，X＝diag{X1,X2,…,XN}，Y＝diag{Y1,Y2,…,YN}，将约束条件矩阵变换为：
<mrow> <mfenced open = "[" close = "]"> <mtable> <mtr> <mtd> <mover> <mi>&amp;Phi;</mi> <mo>^</mo> </mover> </mtd> <mtd> <mrow> <mn>2</mn> <msup> <mi>Y</mi> <mi>T</mi> </msup> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <mn>2</mn> <mi>Y</mi> </mrow> </mtd> <mtd> <mrow> <mn>2</mn> <mi>P</mi> </mrow> </mtd> </mtr> </mtable> </mfenced> <mo>&amp;GreaterEqual;</mo> <mn>0</mn> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>13</mn> <mo>)</mo> </mrow> </mrow>
<mrow> <mfenced open = "[" close = "]"> <mtable> <mtr> <mtd> <mi>&amp;Pi;</mi> </mtd> <mtd> <mrow> <mn>2</mn> <msup> <mi>&amp;Gamma;</mi> <mo>&amp;prime;</mo> </msup> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <mn>2</mn> <msup> <mi>&amp;Gamma;</mi> <mrow> <mo>&amp;prime;</mo> <mi>T</mi> </mrow> </msup> </mrow> </mtd> <mtd> <mrow> <mo>-</mo> <mn>2</mn> <mi>P</mi> </mrow> </mtd> </mtr> </mtable> </mfenced> <mo>&amp;le;</mo> <mn>0</mn> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>14</mn> <mo>)</mo> </mrow> </mrow>
其中，P是待解的正定矩阵。
6.如权利要求5所述的一种分布式滤波网络***的设计方法，其特征在于，所述的步骤(9)具体包括以下子步骤：
(901)给定事件触发阈值参数σi、和εi初始值，且满足εi＞0，执行步骤(902)；
(902)将事件触发器阈值参数σi、和εi分别赋值为σi＝σi+Δ1，εi＝εi+Δ3，且满足εi＞0，其中Δ1、Δ2和Δ3分别为σi、和εi的迭代步长；
(903)将σi、εi代入不等式(13)和(14)中并求解不等式，若无解，返回步骤(902)，若有解，得到矩阵X、Y和γ；
(904)计算滤波器网络数据信息的传输率ο，判断ο≤οopt,γ≤γopt是否成立，其中oopt为预期数据传输率，γopt为预期干扰抑制比，若成立则计算本地增益Hi＝Pi -1Xi，耦合增益Ki＝Pi -1Xi，否则返回步骤(902)。
CN201610058593.6A 2016-01-28 2016-01-28 一种分布式滤波网络***及设计方法 Expired - Fee Related CN105606381B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610058593.6A CN105606381B (zh) 2016-01-28 2016-01-28 一种分布式滤波网络***及设计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610058593.6A CN105606381B (zh) 2016-01-28 2016-01-28 一种分布式滤波网络***及设计方法

Publications (2)

Publication Number Publication Date
CN105606381A CN105606381A (zh) 2016-05-25
CN105606381B true CN105606381B (zh) 2017-12-26

Family

ID=55986492

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610058593.6A Expired - Fee Related CN105606381B (zh) 2016-01-28 2016-01-28 一种分布式滤波网络***及设计方法

Country Status (1)

Country Link
CN (1) CN105606381B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107124158B (zh) * 2017-03-29 2020-07-28 同济大学 基于对数量化的无线传感器网络滤波信息处理***及方法
CN107065545B (zh) * 2017-04-01 2020-03-24 同济大学 基于马尔科夫跳变的分布式事件触发滤波***及设计方法
CN107247818A (zh) * 2017-04-27 2017-10-13 同济大学 一种云辅助半车主动悬架状态估计***及设计方法
CN107169193B (zh) * 2017-05-11 2020-07-07 南京师范大学 基于自适应事件触发机制的非线性***滤波器的设计方法
CN107329823B (zh) * 2017-05-16 2020-04-03 泉州味盛食品有限公司 一种用于运动检测的三轴加速度数据的柔性滤波装置
CN109410361A (zh) * 2018-11-02 2019-03-01 华东理工大学 一种基于马尔科夫跳变的事件触发状态估计***
CN110933056B (zh) * 2019-11-21 2022-07-08 博智安全科技股份有限公司 防攻击的多智能体控制***及其方法

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
ITMI20071632A1 (it) * 2007-08-06 2009-02-07 Consiglio Nazionale Ricerche Apparato per indagini citofluorimetriche e metodi di ottimizzazione della catena di condizionamento
US8341736B2 (en) * 2007-10-12 2012-12-25 Microsoft Corporation Detection and dynamic alteration of execution of potential software threats
CN101367324B (zh) * 2008-10-15 2011-01-12 江苏大学 一种空气悬架车辆高度传感器的路面等级预测方法
CN102189909A (zh) * 2010-03-11 2011-09-21 蒋丰璘 一种车辆半主动悬架天棚阻尼频率滤波控制策略
CN103778587B (zh) * 2012-10-18 2017-02-01 同济大学 基于车联网大规模网络的进程演化理论模型的构造方法
CN103852271B (zh) * 2012-12-01 2017-02-08 中车青岛四方机车车辆股份有限公司 基于物联网的高速列车走行部故障诊断与远程监测***
CN104085265B (zh) * 2014-06-12 2016-01-20 江苏大学 一种馈能悬架自适应离线神经网络逆控制***及方法

Also Published As

Publication number Publication date
CN105606381A (zh) 2016-05-25

Similar Documents

Publication Publication Date Title
CN105606381B (zh) 一种分布式滤波网络***及设计方法
CN105139086B (zh) 基于优化置信规则推理的轨道高低不平顺幅值估计方法
Chen et al. Distributed finite-horizon fusion Kalman filtering for bandwidth and energy constrained wireless sensor networks
CN108944935A (zh) 一种考虑参数耦合关系的汽车质量和道路坡度估计方法
Du et al. A hierarchical framework for improving ride comfort of autonomous vehicles via deep reinforcement learning with external knowledge
CN103196682B (zh) 基于d-s证据理论的信息融合的列车悬挂***故障分离方法
CN109410361A (zh) 一种基于马尔科夫跳变的事件触发状态估计***
CN107844627A (zh) 一种仅输出时变结构模态参数贝叶斯估计方法
Hashemi et al. Fault tolerant consensus for vehicle state estimation: A cyber-physical approach
CN105553442A (zh) 基于网络的Lipschitz非线性***的H∞滤波器信息处理方法
Lin et al. Fault-tolerant controller design for active suspension system with proportional differential sliding mode observer
CN102360180B (zh) 机动车安全监测***制动性能辨识方法
CN110459053A (zh) 基于智能网联车信息的高速公路混合车流速度估计方法
Qi et al. Stochastic approach for short-term freeway traffic prediction during peak periods
Huang et al. Online dual‐rate decentralized structural identification for wireless sensor networks
CN113311811A (zh) 一种事件触发多智能体***及其分布式协同故障检测方法
CN106507275A (zh) 一种无线传感器网络的鲁棒分布式滤波方法和装置
CN105653728A (zh) 基于双层模型体系的无线传感网的数据采集方法
CN104331630B (zh) 一种多速率观测数据的状态估计和数据融合方法
Han et al. Adaptive distributed finite‐time fault‐tolerant controller for cooperative braking of the vehicle platoon
Zeng et al. Event-triggered controller design for active suspension systems: An adaptive backstepping method with error-dependent gain
CN103313384A (zh) 一种基于信息一致性的无线传感网络目标跟踪方法
CN114461979A (zh) 一种结构参数不确定性量化与误差逐级传递方法及***
CN111465048A (zh) 一种基于传感器网络的汽车悬架***状态估计方法
CN113467240A (zh) 基于t-s模糊马尔可夫跳变***的异步滤波器优化方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20171226

Termination date: 20210128