CN107065545B - 基于马尔科夫跳变的分布式事件触发滤波***及设计方法 - Google Patents
基于马尔科夫跳变的分布式事件触发滤波***及设计方法 Download PDFInfo
- Publication number
- CN107065545B CN107065545B CN201710212237.XA CN201710212237A CN107065545B CN 107065545 B CN107065545 B CN 107065545B CN 201710212237 A CN201710212237 A CN 201710212237A CN 107065545 B CN107065545 B CN 107065545B
- Authority
- CN
- China
- Prior art keywords
- filter
- ith
- matrix
- time
- filtering
- 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
Links
- 238000001914 filtration Methods 0.000 title claims abstract description 108
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000013461 design Methods 0.000 title claims abstract description 20
- 230000001960 triggered effect Effects 0.000 claims abstract description 38
- 230000005540 biological transmission Effects 0.000 claims abstract description 32
- 238000004891 communication Methods 0.000 claims abstract description 28
- 239000011159 matrix material Substances 0.000 claims description 111
- 230000003044 adaptive effect Effects 0.000 claims description 44
- 230000007704 transition Effects 0.000 claims description 31
- 238000005070 sampling Methods 0.000 claims description 21
- 238000005259 measurement Methods 0.000 claims description 19
- 238000013178 mathematical model Methods 0.000 claims description 13
- 238000005457 optimization Methods 0.000 claims description 12
- 238000012360 testing method Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 10
- 238000010168 coupling process Methods 0.000 claims description 9
- 238000005859 coupling reaction Methods 0.000 claims description 9
- 238000004458 analytical method Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 5
- 230000009466 transformation Effects 0.000 claims description 5
- 238000003491 array Methods 0.000 claims description 3
- 230000009191 jumping Effects 0.000 claims description 3
- 238000012886 linear function Methods 0.000 claims description 3
- 230000017105 transposition Effects 0.000 claims description 3
- 230000006978 adaptation Effects 0.000 claims description 2
- 230000036039 immunity Effects 0.000 abstract 1
- 230000007246 mechanism Effects 0.000 description 30
- 230000006870 function Effects 0.000 description 13
- 238000010586 diagram Methods 0.000 description 11
- 230000000694 effects Effects 0.000 description 8
- 230000000737 periodic effect Effects 0.000 description 7
- 238000011160 research Methods 0.000 description 7
- 230000008859 change Effects 0.000 description 4
- 238000004088 simulation Methods 0.000 description 4
- 230000003068 static effect Effects 0.000 description 4
- 238000012546 transfer Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明涉及一种基于马尔科夫跳变的分布式事件触发滤波***及设计方法,该***包括N条滤波链路,每条滤波链路包括依次连接的传感器、事件触发器、零阶保持器和滤波器,传感器连接被测对象,每条滤波链路中的滤波器还与其他邻居滤波器进行通信连接,该***中N个滤波器之间的通信拓扑呈非齐次马尔可夫跳变形式,在每种非齐次马尔科夫链拓扑下,相互连接的滤波器进行信息交换,每条滤波链路中的滤波器还与所在滤波链路中对应的事件触发器连接。与现有技术相比,本发明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。
Description
技术领域
本发明涉及一种滤波***及设计方法,尤其是涉及一种基于马尔科夫跳变的分布式事件触发滤波***及设计方法。
背景技术
人们大部分的日常生活行为都与信息资源的开发、收集、传送和处理密切相关。尤其是在二十一世纪,人们对信息的获取方式提出了更高的标准,其标准要求获取的信息更加精确。准确的实时动态信息采集是精确分析的前提,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。
无线传感器网络作为一种全新的信息获取方式,其滤波问题吸引了众多研究领域的专家学者的关注。目前,针对无线传感器网络的研究主要基于三种通用的***结构:集中式、分散式和分布式。分布式融合结构中各节点与周围邻居节点进行局部信息交换,形成最终的全局估计,其对通信带宽的要求低,易于满足通信约束的要求,能量消耗比较均匀,不仅具有局部跟踪能力,而且***开销适中且有较好的稳定性,可靠性强,因而在工程中得到更加广泛的应用。目前无线传感器网络中常用的滤波算法主要有卡尔曼滤波算法、H∞滤波和一致性滤波。其中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。因此对存在其他类型噪声的***来说,使用卡尔曼滤波方式效果并不理想。二十世纪八十年代发展起来的H∞滤波理论是通过构造一个滤波器,使得噪声信号到滤波误差的传递函数的H∞范数小于给定指标。这种方法避免了卡尔曼滤波要求噪声信号统计特性已知的限制,且满足干扰到滤波估计误差的能量增益小于给定指标的要求,因此具有更好的鲁棒性。一致性算法常被用来提高滤波算法的收敛速度,分布式H∞一致性滤波算法考虑了邻居之间的信息交互,相较于传统的滤波或状态估计理论来说,这方面问题的研究正处于起步阶段,成果还相对较少,因而将会成为一个研究趋势。
另外,随着社会经济的发展,数字化已经成为信息时代的主要特征,越来越多的滤波过程是在数字化平台上实现的。通常,滤波任务通过传感器周期采样对象信息来完成,尽管这种传递机制既保证了良好的滤波效果,又易于设计与实现,但是从资源分配的角度来看,这未必是更好的选择。具体的来说,一方面,当没有外界扰动作用于***,抑或是***处于良好的运行状态时,周期性的采样信息势必会占用大量的信道带宽,造成网络资源的浪费,甚至会引起测量数据丢失、传感器饱和、传输延迟等一系列的网络问题。另一方面,考虑到传感器节点能量、数据处理、存储和网络通信资源相当有限等问题,如何在保证一定滤波效果的前提下,设计有效的分布式滤波算法,最大化网络生命周期以及资源利用率是无线传感器网络亟待解决的问题之一。为了解决上述问题,事件触发机制应运而生。在事件触发机制中,事件是一个非常重要的概念,通过设计合适的触发条件,舍弃一些不那么重要的采样数据,在保证良好***性能的前提下大量的减少数据传输次数,降低通信负载。在事件触发机制中,阈值作为一个重要的参数,它的大小决定了数据传输率,然而,目前文献中的事件触发机制均是在假定阈值参数保持不变的前提下设计的,也就是说事件触发的阈值是个常数。在一些实际应用中,阈值参数保持不变并不合理,因此如何设计自适应事件触发机制成为一个重要研究方向。
近年来,大部分关于滤波网络的研究结果通常是在假设通信网络拓扑结构固定不变的前提下得到的。然而,在实际***中,通信拓扑结构通常表现出随机性,这种特性可以用Markov链(马尔可夫链)加以描述,该模型本质上是不同结构动态***的跳变或切换,转移概率刻画了这种相互作用的机理,描述了***拓扑跳变行为的随机性。若在***运行的整个过程中,转移概率矩阵不随时间发生变化,则相应的Markov过程为齐次的,除此之外则被称为非齐次的。由于其特殊的信息结构,近二十年来,针对齐次Markov跳变***取得了很多研究结果,并广泛应用于通信***、故障诊断、机动目标跟踪等领域。这些文章均假定有限状态的Markov过程满足齐次性,然后在此基础上获取状态的估计值。然而,由于客观环境的复杂性、多变性,实际***的转移概率很难长时间保持稳定,为此,在估计过程中考虑转移概率的时变性、不确定性十分必要。
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基于马尔科夫跳变的分布式事件触发滤波***及设计方法。
本发明的目的可以通过以下技术方案来实现:
一种基于马尔科夫跳变的分布式事件触发滤波***,该***包括N条滤波链路,每条滤波链路包括依次连接的传感器、事件触发器、零阶保持器和滤波器,所述的传感器连接被测对象,每条滤波链路中的滤波器还与其他邻居滤波器进行通信连接,该***中N个滤波器之间的通信拓扑呈非齐次马尔可夫跳变形式,在每种非齐次马尔科夫链拓扑下,相互连接的滤波器进行信息交换,每条滤波链路中的滤波器还与所在滤波链路中对应的事件触发器连接;
每条滤波链路中的传感器分别采集被测***的某种观测变量的观测值,事件触发器根据事件触发条件进行触发将观测变量的观测值经零阶保持器输出至滤波器,同时事件触发器触发滤波器接收邻居滤波器的交换信息,滤波器根据对应的观测变量的观测值和邻居滤波器的交换信息进行滤波处理得到被测***的状态变量估计输出值。
所述的事件触发器为自适应事件触发,其触发条件为:
其中,为第i个滤波器的事件触发时刻序列,为自然数集,为自然数集的子集,mi表示第i个滤波器第mi次事件触发, 为时刻下非齐次马尔科夫链拓扑下与第i个滤波器相连的滤波器的集合,为时刻下与第i个滤波器相连的滤波器j的输出误差,为时刻下第i个滤波器的输出误差,为k时刻下第i个滤波器的输出误差,为时刻下第i个传感器传输至对应滤波器的观测变量的观测值,为时刻下第i个滤波器对被测***状态变量的估计值,为时刻下第j个传感器传输至对应滤波器的观测变量的观测值,为时刻下第j个滤波器对被测***状态变量的估计值,yi(k)为k时刻下第i个传感器观测变量的观测值,为k时刻下第i个滤波器对被测***状态变量的估计值,yi(k)=Cix(k)+Divi(k), x(t)为t时刻被测***的状态变量,vi(t)为t时刻第i个传感器的测量噪声,vj(t)为t时刻第j个传感器的测量噪声,t=k、Ci、Di、Cj和Dj均为适维矩阵,σi(k)为k时刻下第i个事件触发器的自适应参数,Ψi、Φi为第i个事件触发器的正定对称加权常数矩阵。
第i个事件触发器的自适应参数σi(k)自适应律为:
其中,θi>0为给定的标量,σi(0)=σi0,σi0为第i个事件触发器的自适应参数初始值。
***中n个滤波器之间的通信拓扑的非齐次马尔可夫跳变转移概率矩阵为Π(k)为n0×n0维矩阵,n0为非齐次马尔科夫链拓扑的总个数,πij(k)表示k时刻从第i个拓扑跳变为第j个拓扑的概率,i=1,2……n0,j=1,2……n0,Π(k)满足如下条件:
是给定的第m个转移概率矩阵,m=1,2……m0,m0为给定的转移概率矩阵的总个数,Πm也为n0×n0维矩阵,表示第m个转移概率矩阵中第i行第j列元素,i=1,2……n0,j=1,2……n0,αm(k)为k时刻下Π(k)对应于第m个转移概率矩阵的权重系数。
一种基于马尔科夫跳变的分布式事件触发滤波***的设计方法,该方法包括如下步骤:
(1)构建如权利要求1所述的基于马尔科夫跳变的分布式事件触发滤波***;
(2)构建上述基于马尔科夫跳变的分布式事件触发滤波***的数学模型;
(3)建立滤波***的误差模型;
(4)建立约束条件;
(5)采用李雅普诺夫稳定性分析法建立使得误差模型满足步骤(4)中约束条件的线性矩阵不等式;
(6)求解线性矩阵不等式获取基于马尔科夫跳变的分布式事件触发滤波***中的具体参数。
步骤(2)基于马尔科夫跳变的分布式事件触发滤波***的数学模型具体为:
为两次事件触发时刻之间的采样时刻,表示第i个滤波器的第mi次事件触发时刻,表示第i个滤波器的第mi+1次事件触发时刻,为k时刻下第i个滤波器对被测***状态变量的估计值,为k+1时刻第i个滤波器的对被测***状态变量的估计值,Hi(rk)和Fi(rk)表示第rk个非齐次马尔科夫链拓扑下第i个滤波器的本地增益,Ki(rk)表示第rk个非齐次马尔科夫链拓扑下第i个滤波器的耦合增益,rk=1,2……n0,n0为非齐次马尔科夫链拓扑的总个数;
为时刻下非齐次马尔科夫链拓扑下与第i个滤波器相连的滤波器的集合,为时刻下与第i个滤波器相连的滤波器j的输出误差,为时刻下第i个滤波器的输出误差,为时刻下第i个传感器传输至对应滤波器的观测变量的观测值,为时刻下第i个滤波器对被测***状态变量的估计值,为时刻下第j个传感器传输至对应滤波器的观测变量的观测值,为时刻下第j个滤波器对被测***状态变量的估计值,x(t)为t时刻被测***的状态变量,vi(t)为t时刻第i个传感器的测量噪声,vj(t)为t时刻第j个传感器的测量噪声,Ci、Di、Cj和Dj均为适维矩阵;
步骤(3)中具体为:
建立含有传感器的被测***的数学模型:
其中,x(k)=[x1(k),…,xn(k)]T为k时刻被测***的n维状态变量,符号T表示转置,w(k)为k时刻噪声输入,g(x)是和***状态变量x(k)具有相同维数的非线性函数,即针对x(k)中的每一维变量xi(k),均有一个gi(xi)与之对应,且满足不等式(gi(xi)-αixi)(gi(xi)-βixi)≤0,且满足αi<βi,i=1,2,…,N,其中代表实数集,vi(k)为传感器测量噪声,yi(k)为k时刻下第i个传感器观测变量的观测值,z(k)与对应,z(k)为k时刻被测***的状态变量线性变换输出值,A、B、E、Ci、Di、L均为适维矩阵;
根据上述含有传感器的被测***的数学模型以及基于马尔科夫跳变的分布式事件触发滤波***的数学模型得到误差模型,误差模型具体为:
其中,i=1,2,…,N,F(rk)=diagN{F1(rk),F2(rk),…FN(rk)},K(rk)=diagN{K1(rk),K2(rk)…KN(rk)},diagN{}为N×N维对角阵,为图论中的拉普拉斯矩阵,为拉普拉斯矩阵的扩维形式,为ny维数的单位阵,ny为传感器观测变量的观测值yi(k)的维数,为事件触发时刻时非齐次马尔科夫链拓扑的拉普拉斯矩阵的扩维形式,C=diagN{C1,C2…CN},H(rk)=diagN{H1(rk),H2(rk)…HN(rk)},D=diagN{D1,D2…DN},IN为N维单位阵,表示克罗内克积。
步骤(4)中约束条件具体为:
(a)不考虑噪声输入以及传感器测量噪声下,误差模型表示的***稳定;
(b)在零输入条件下,对于给定的扰动抑制比γ>0,任意的非零w(k)、vi(k),e(k)满足:
其中,其中r0表示***初始运行时选取的非齐次马尔科夫链拓扑为第r0个非齐次马尔科夫链拓扑,表示以第r0个非齐次马尔科夫链拓扑作为初始运行拓扑下e(k)的2范数平方的数学期望,Qi(r0)表示在第r0个非齐次马尔科夫链拓扑下的正定矩阵,x0为被测***状态变量的初始值。
步骤(5)具体为:
对于任意的rk=s,s=1,2……n0,n0为非齐次马尔科夫链拓扑的总个数,李雅普诺夫稳定性分析法求取使得误差模型满足步骤(4)中约束条件的线性矩阵不等式,具体为:
其中,Φ=diagN{σi0Φi},σi0为第i个事件触发器的自适应参数的初始值,αβ=diagn{αiβi},βα=diagn{(αi+βi)/2},为正定矩阵,且为正定矩阵, 是给定的第m个转移概率矩阵,m=1,2……m0,m0为给定的转移概率矩阵的总个数,Πm也为n0×n0维矩阵,表示第m个转移概率矩阵中第i行第j列元素,i=1,2……n0,j=1,2……n0,Ψ=diagN{Ψi}, 为正定矩阵,Ps=diagN{Pi(s)},为正定矩阵,I为适维单位阵,F(s)=diagN{F1(s),…,FN(s)}, K(s)=diagN{K1(s),…,KN(s)},H(s)=diagN{H1(s),…,HN(s)},Ψi、Φi为第i个事件触发器的正定对称加权常数矩阵,*表示对称矩阵中的对称元素。
步骤(6)同时考虑扰动抑制比γ和***中数据平均传输率Λ,对n0个线性矩阵不等式进行寻优求解得到基于马尔科夫跳变的分布式事件触发滤波***中的具体参数,其中,在时间段[0,T)内,数据平均传输率Λ为:
具体地,寻优求解过程为:
(6b)将步骤(5)中的n0个线性矩阵不等式作为约束函数;
(6c)通过协同算法进行优化求解得到满足约束函数并使得目标函数取最小值时的整个***的具体参数,整个***的具体参数包括事件触发器的参数和滤波器的具体参数;
其中,事件触发器的具体参数包括:第i个事件触发器正定对称加权常数矩阵Ψi和Φi以及自适应参数初始值σi0;
滤波器的具体参数包括:第rk个非齐次马尔科夫链拓扑下第i个滤波器的本地增益Fi(rk)、第rk个非齐次马尔科夫链拓扑下第i个滤波器的耦合增益Ki(rk)以及第rk个非齐次马尔科夫链拓扑下第i个滤波器的耦合增益Ki(rk),rk=1,2……n0,i=1,2……N。
与现有技术相比,本发明具有如下优点:
(1)本发明设计的分布式滤波网络来实时估计被测对象信息,异地分布的滤波器通过与传感器、邻居滤波器的交流信息,实现对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。
(2)本发明采用自适应事件触发采样机制决定滤波器接收传感器采集的对象状态信息的时刻,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,在对象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;当对象受到扰动较大,对象实时状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。另外,事件触发阈值参数是自适应的,且按照一定的自适应律动态变化,因而能够在节省通信资源和获得更好的***性能之间进行权衡。
(3)本发明N个滤波器之间的通信拓扑呈非齐次马尔可夫跳变形式,并在此基础上设计整个***,考虑了估计过程中转移概率的时变性和不确定性,使得整个滤波***设计更合理,更加符合实际。
(4)考虑扰动抑制比γ和***中数据平均传输率Λ进行寻优求解可以实现H∞的性能指标γ与数据平均传输率Λ的协同设计,在充分利用通信资源的情况下可以获得期望的扰动抑制比γ。
(5)本发明只利用对象***的可观测输出变量,采用传感器测量值进行滤波,实现对对象***的状态信息进行观测,被测对象模型无其他要求,应用广泛。
(6)本发明设计的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,本发明的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,但本发明的滤波***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为本发明自适应触发机制结构示意图;
图3为非齐次马尔科夫链拓扑的结构示意图;
图4为非齐次马尔科夫链拓扑切换方式图;
图8为本实施例滤波***的估计误差曲线图;
图9为实施例中第1个滤波器事件触发时序图;
图10为实施例中第2个滤波器事件触发时序图;
图11为实施例中第3个滤波器事件触发时序图;
图12为实施例中第4个滤波器事件触发时序图;
图13为实施例中第5个滤波器事件触发时序图;
图14为事件触发器的自适应参数曲线图。
图中,1为被测对象,2为传感器,3为事件触发器,4为零阶保持器,5为滤波器,6为存储器,7为自适应参数变换单元。
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,一种基于马尔科夫跳变的分布式事件触发滤波***,该***包括N条滤波链路,每条滤波链路包括依次连接的传感器2、事件触发器3、零阶保持器4和滤波器5,传感器2连接被测对象1,每条滤波链路中的滤波器5还与其他邻居滤波器进行通信连接,该***中N个滤波器5之间的通信拓扑呈非齐次马尔可夫跳变形式,在每种非齐次马尔科夫链拓扑下,相互连接的滤波器5进行信息交换,每条滤波链路中的滤波器5还与所在滤波链路中对应的事件触发器3连接;
每条滤波链路中的传感器2分别采集被测***的某种观测变量的观测值,事件触发器3根据事件触发条件进行触发将观测变量的观测值经零阶保持器4输出至滤波器5,同时事件触发器3触发滤波器5接收邻居滤波器的交换信息,滤波器5根据对应的观测变量的观测值和邻居滤波器的交换信息进行滤波处理得到被测***的状态变量估计输出值。
事件触发器为自适应事件触发,其触发条件为:
其中,为第i个滤波器的事件触发时刻序列,为自然数集,为自然数集的子集,mi表示第i个滤波器第mi次事件触发, 为时刻下非齐次马尔科夫链拓扑下与第i个滤波器相连的滤波器的集合,为时刻下与第i个滤波器相连的滤波器j的输出误差,为时刻下第i个滤波器的输出误差,为k时刻下第i个滤波器的输出误差,为时刻下第i个传感器传输至对应滤波器的观测变量的观测值,为时刻下第i个滤波器对被测***状态变量的估计值,为时刻下第j个传感器传输至对应滤波器的观测变量的观测值,为时刻下第j个滤波器对被测***状态变量的估计值,yi(k)为k时刻下第i个传感器观测变量的观测值,为k时刻下第i个滤波器对被测***状态变量的估计值,yi(k)=Cix(k)+Divi(k), x(t)为t时刻被测***的状态变量,vi(t)为t时刻第i个传感器的测量噪声,vj(t)为t时刻第j个传感器的测量噪声,t=k、Ci、Di、Cj和Dj均为适维矩阵,σi(k)为k时刻下第i个事件触发器的自适应参数,Ψi、Φi为第i个事件触发器的正定对称加权常数矩阵。
第i个事件触发器的自适应参数σi(k)自适应律为:
其中,θi>0为给定的标量,σi(0)=σi0,σi0为第i个事件触发器的自适应参数初始值。
图2为本发明自适应触发机制结构示意图,其中自适应参数变换单元7中即通过上述自适应率进行自适应参数的更新并存储与存储器6中,事件触发器3从存储器6获取相应的自适应参数进行事件触发。
***中n个滤波器之间的通信拓扑的非齐次马尔可夫跳变转移概率矩阵为Π(k)为n0×n0维矩阵,n0为非齐次马尔科夫链拓扑的总个数,πij(k)表示k时刻从第i个拓扑跳变为第j个拓扑的概率,i=1,2……n0,j=1,2……n0,Π(k)满足如下条件:
是给定的第m个转移概率矩阵,m=1,2……m0,m0为给定的转移概率矩阵的总个数,Πm也为n0×n0维矩阵,表示第m个转移概率矩阵中第i行第j列元素,i=1,2……n0,j=1,2……n0,αm(k)为k时刻下Π(k)对应于第m个转移概率矩阵的权重系数。
一种基于马尔科夫跳变的分布式事件触发滤波***的设计方法,该方法包括如下步骤:
(1)构建如权利要求1基于马尔科夫跳变的分布式事件触发滤波***;
(2)构建上述基于马尔科夫跳变的分布式事件触发滤波***的数学模型;
(3)建立滤波***的误差模型;
(4)建立约束条件;
(5)采用李雅普诺夫稳定性分析法建立使得误差模型满足步骤(4)中约束条件的线性矩阵不等式;
(6)求解线性矩阵不等式获取基于马尔科夫跳变的分布式事件触发滤波***中的具体参数。
步骤(2)基于马尔科夫跳变的分布式事件触发滤波***的数学模型具体为:
为两次事件触发时刻之间的采样时刻,表示第i个滤波器的第mi次事件触发时刻,表示第i个滤波器的第mi+1次事件触发时刻,为k时刻下第i个滤波器对被测***状态变量的估计值,为k+1时刻第i个滤波器的对被测***状态变量的估计值,Hi(rk)和Fi(rk)表示第rk个非齐次马尔科夫链拓扑下第i个滤波器的本地增益,Ki(rk)表示第rk个非齐次马尔科夫链拓扑下第i个滤波器的耦合增益,rk=1,2……n0,n0为非齐次马尔科夫链拓扑的总个数;
为时刻下非齐次马尔科夫链拓扑下与第i个滤波器相连的滤波器的集合,为时刻下与第i个滤波器相连的滤波器j的输出误差,为时刻下第i个滤波器的输出误差,为时刻下第i个传感器传输至对应滤波器的观测变量的观测值,为时刻下第i个滤波器对被测***状态变量的估计值,为时刻下第j个传感器传输至对应滤波器的观测变量的观测值,为时刻下第j个滤波器对被测***状态变量的估计值,x(t)为t时刻被测***的状态变量,vi(t)为t时刻第i个传感器的测量噪声,vj(t)为t时刻第j个传感器的测量噪声,Ci、Di、Cj和Dj均为适维矩阵;
步骤(3)中具体为:
建立含有传感器的被测***的数学模型:
其中,x(k)=[x1(k),…,xn(k)]T为k时刻被测***的n维状态变量,符号T表示转置,w(k)为k时刻噪声输入,g(x)是和***状态变量x(k)具有相同维数的非线性函数,即针对x(k)中的每一维变量xi(k),均有一个gi(xi)与之对应,且满足不等式(gi(xi)-αixi)(gi(xi)-βixi)≤0,且满足αi<βi,i=1,2,…,N,其中代表实数集,vi(k)为传感器测量噪声,yi(k)为k时刻下第i个传感器观测变量的观测值,z(k)与对应,z(k)为k时刻被测***的状态变量线性变换输出值,A、B、E、Ci、Di、L均为适维矩阵;
根据上述含有传感器的被测***的数学模型以及基于马尔科夫跳变的分布式事件触发滤波***的数学模型得到误差模型,误差模型具体为:
其中,i=1,2,…,N,F(rk)=diagN{F1(rk),F2(rk),…FN(rk)},K(rk)=diagN{K1(rk),K2(rk)…KN(rk)},diagN{}为N×N维对角阵,为图论中的拉普拉斯矩阵,为拉普拉斯矩阵的扩维形式,为ny维数的单位阵,ny为传感器观测变量的观测值yi(k)的维数,为事件触发时刻时非齐次马尔科夫链拓扑的拉普拉斯矩阵的扩维形式,C=diagN{C1,C2…CN},H(rk)=diagN{H1(rk),H2(rk)…HN(rk)},D=diagN{D1,D2…DN},IN为N维单位阵,表示克罗内克积。
步骤(4)中约束条件具体为:
(a)不考虑噪声输入以及传感器测量噪声下,误差模型表示的***稳定;
(b)在零输入条件下,对于给定的扰动抑制比γ>0,任意的非零w(k)、vi(k),e(k)满足:
其中,其中r0表示***初始运行时选取的非齐次马尔科夫链拓扑为第r0个非齐次马尔科夫链拓扑,在***初始运行时需要选取一个非齐次马尔科夫链拓扑作为初始拓扑,r0取值可以为1,2,……,n0中任意一个,如当r0取值为1时,则以第1个非齐次马尔科夫链拓扑作为初始拓扑运行该滤波***。表示以第r0个非齐次马尔科夫链拓扑作为初始运行拓扑下e(k)的2范数平方的数学期望,Qi(r0)表示在第r0个非齐次马尔科夫链拓扑下的正定矩阵,x0为被测***状态变量的初始值。
步骤(5)具体为:
对于任意的rk=s,s=1,2……n0,n0为非齐次马尔科夫链拓扑的总个数,李雅普诺夫稳定性分析法求取使得误差模型满足步骤(4)中约束条件的线性矩阵不等式,具体为:
其中,Φ=diagN{σi0Φi},σi0为第i个事件触发器的自适应参数的初始值,αβ=diagn{αiβi},βα=diagn{(αi+βi)/2},为正定矩阵,且为正定矩阵, 是给定的第m个转移概率矩阵,m=1,2……m0,m0为给定的转移概率矩阵的总个数,Πm也为n0×n0维矩阵,表示第m个转移概率矩阵中第i行第j列元素,i=1,2……n0,j=1,2……n0,Ψ=diagN{Ψi}, 为正定矩阵,Ps=diagN{Pi(s)},为正定矩阵,I为适维单位阵,F(s)=diagN{F1(s),…,FN(s)}, K(s)=diagN{K1(s),…,KN(s)},H(s)=diagN{H1(s),…,HN(s)},Ψi、Φi为第i个事件触发器的正定对称加权常数矩阵,*表示对称矩阵中的对称元素。
步骤(6)同时考虑扰动抑制比γ和***中数据平均传输率Λ,对n0个线性矩阵不等式进行寻优求解得到基于马尔科夫跳变的分布式事件触发滤波***中的具体参数。
由自适应事件触发机制以及自适应参数σi(k)自适应律的表达式可以看出,网络中信息传递的数量与事件触发阈值参数σi(k)的初始值σi0紧密相关。在时间段[0,T)内,定义数据平均传输率为:
表示第k个采样时刻第i条滤波链路中是否有数据传输,当第k个采样时刻第i条滤波链路有数据传输时否则一般来说,σi0的值越大,数据传输量越少,数据平均传输率Λ会变小,通信资源占用率就会越小。然而,通信资源占用率越小意味着有越少的数据通过网络被传递至滤波器,这势必会导致***性能的恶化,使得***性能参数γ的值变大。
具体地,寻优求解过程为:
(6b)将步骤(5)中的n0个线性矩阵不等式作为约束函数;
(6c)通过协同算法进行优化求解得到满足约束函数并使得目标函数取最小值时的整个***的具体参数,整个***的具体参数包括事件触发器的参数和滤波器的具体参数;
其中,事件触发器的具体参数包括:第i个事件触发器正定对称加权常数矩阵Ψi和Φi以及自适应参数初始值σi0;
滤波器的具体参数包括:第rk个非齐次马尔科夫链拓扑下第i个滤波器的本地增益Fi(rk)、第rk个非齐次马尔科夫链拓扑下第i个滤波器的耦合增益Ki(rk)以及第rk个非齐次马尔科夫链拓扑下第i个滤波器的耦合增益Ki(rk),rk=1,2……n0,i=1,2……N。
寻优求解的主要目的是通过给定期望的数据平均传输率Λ*与期望的扰动抑制比γ*,确定整个滤波***的参数Ψi、Φi、σi0、Fi(rk)、Ki(rk)和Ki(rk)使得寻优目标函数尽可能的小。
具体寻优求解过程为:
4)在γ=γ*的情况下,利用得到的Φi、Ψi以及事件触发条件来求取σi0的值,如果线性矩阵不等式可解,转到步骤5),否则,重复步骤3)。
5)若σ10<1,…,σn0<1,进入5.1)~5.6)循环得到,否则返回步骤1);
5.2)根据得到的Φi,Ψi和设置的Λ*以及事件触发条件,得到σi0的值。
5.4)计算数据平均传输率Λ。
5.6)更新σ1=σ1+κ1,....,σn=σn+κn。
由于期望的扰动抑制比γ*是自己给定的,但是并不能保证给定的这个参数使得线性矩阵不等式有解,所以利用步骤3)和4)来验证,以此来保证给定的γ*是合理的。步骤3)和4)在获取γ*的时候,会得到事件触发的阈值参数的值σi0,由于这个阈值参数有约束,即要在区间[0,1)内,如果满足约束,会进行下面的5.1)~5.6)子步骤,5.1)~5.6)是一个循环,通过每次更新事件触发阈值参数σi0,找到使得目标函数f(Λ,γ)的值f最小时保留下来,并输出此时参数的值,进而实现寻优。
实例验证滤波器的设计:
考虑如下发散对象非线性***:
本实施例中设置5条滤波链路,即上述N=5,设计图3所示的3个非齐次马尔科夫链拓扑,即上述n0=3,对应于rk=1,rk=2,rk=3的非齐次马尔科夫链拓扑。如图3所示,从图中可以看出,5个滤波器的信息交换在rk=1,rk=2,rk=3三种不同模态下进行切换,假设网络拓扑在初始时刻位于模态1,即r0=1。考虑一个由五个传感器节点构成的传感器网络,传感器的测量方程中的矩阵分别为C1=[1,0,0],C2=C4=[0,1,0],C3=[1,0,1],C5=[1,0.6,1],D1=D2=D3=[0,0.2],D4=[0,0.3],D5=[0.2,0.2]。如图3所示,图中每个圆圈代表一个滤波器节点,每个滤波器都能够接收对象的采样信息。连线表示滤波器之间的信息交流方式,只有存在连线的两个滤波器之间才可以进行信息交流,且数据传递方向只能按照箭头所指方向进行。从图中可以看出,传感器网络拓扑在rk=1,rk=2,rk=3三种不同模态下进行切换,相应的Laplace矩阵分别为:
根据概率传递矩阵,可以得到通信拓扑的切换方式如图4所示。为了证明本文设计的分布式H∞滤波器的有效性,下面我们将三种通信机制做对比并以此得出相应的结论。
(1)周期事件触发机制(PCM):此机制下,滤波器之间的信息交换是按照周期采样的方式进行的,可通过将事件触发条件的参数σi(k)和自适应律中的参数θi置为0实现。
(2)静态事件触发机制(SETM):保持事件触发条件不变,将自适应律中的参数θi设为0,此时得到的事件触发机制即为静态事件触发机制。在这种机制下,不同滤波器之间的信息交换是按照事件触发的方式执行的,且决定何时触发数据传输的阈值参数是固定不变的常数。
首先我们利用协同设计算法来得到阈值参数的初始值,选取期望的扰动抑制比为γ*=0.2,期望的数据平均传输率为Λ*=0.7,初始值σi0设为0.0025,其步长为κi=0.0025,权重系数分别为可以得到目标函数f=0.009且时间触发阈值参数分别为σ10=0.653、σ20=0.602、σ30=0.554、σ40=0.51以及σ50=0.458,实际的H∞性能指标为γ=0.203,实际的数据传输率为Λ=0.715。根据上面得到的阈值参数的初始值,选择θ=0.005,通过解线性矩阵不等式,可以得到一系列仿真结果图。图5、图6和图7给出了分别三种状态下滤波器的估计值和对象状态变化曲线图,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、图12以及图13表示了各滤波器事件触发间隔时间,纵轴值越大,表示相邻事件之间的时间间隔越大,即触发越稀疏,数据传递次数越少。以上仿真结果图,可以看出基于自适应事件触发机制下的H∞分布式滤波网络能够有效地减少数据传递次数,节约网络通信资源。图14给出了自适应阈值参数σi(k)的变化曲线图,从图中可以看出,自适应参数是递减的,且最后趋于一个常数。
接下来,我们将对周期事件触发机制和静态事件触发机制下的滤波器网络分别仿真,通过求解定理线性矩阵不等式可以看出该定理在上述两种事件触发机制下仍然适用。在这里我们假设当滤波误差小于10-3时,就达到了我们期望的滤波效果,取仿真步长为100,表1中给出了三种事件触发机制下分别达到期望滤波效果时各自的数据传输量。从表1中可以看出本发明采用的自适应事件触发机制能够实现节省通信资源和获得更好的***性能之间进行权衡。
表1三种机制下不同滤波器的数据传输量
滤波器 | 1 | 2 | 3 | 4 | 5 |
周期事件触发机制 | 100 | 100 | 100 | 100 | 100 |
静态事件触发机制 | 78 | 59 | 78 | 86 | 82 |
自适应事件触发机制 | 41 | 52 | 47 | 46 | 45 |
Claims (9)
1.一种基于马尔科夫跳变的分布式事件触发滤波***,其特征在于,该***包括N条滤波链路,每条滤波链路包括依次连接的传感器、事件触发器、零阶保持器和滤波器,所述的传感器连接被测对象,每条滤波链路中的滤波器还与其他邻居滤波器进行通信连接,该***中N个滤波器之间的通信拓扑呈非齐次马尔可夫跳变形式,在每种非齐次马尔科夫链拓扑下,相互连接的滤波器进行信息交换,每条滤波链路中的滤波器还与所在滤波链路中对应的事件触发器连接;
每条滤波链路中的传感器分别采集被测***的某种观测变量的观测值,事件触发器根据事件触发条件进行触发将观测变量的观测值经零阶保持器输出至滤波器,同时事件触发器触发滤波器接收邻居滤波器的交换信息,滤波器根据对应的观测变量的观测值和邻居滤波器的交换信息进行滤波处理得到被测***的状态变量估计输出值;
所述的事件触发器为自适应事件触发,其触发条件为:
其中,为第i个滤波器的事件触发时刻序列,为自然数集,为自然数集的子集,mi表示第i个滤波器第mi次事件触发, 为时刻下非齐次马尔科夫链拓扑下与第i个滤波器相连的滤波器的集合,为时刻下与第i个滤波器相连的滤波器j的输出误差,为时刻下第i个滤波器的输出误差,为k时刻下第i个滤波器的输出误差,为时刻下第i个传感器传输至对应滤波器的观测变量的观测值,为时刻下第i个滤波器对被测***状态变量的估计值,为时刻下第j个传感器传输至对应滤波器的观测变量的观测值,为时刻下第j个滤波器对被测***状态变量的估计值,yi(k)为k时刻下第i个传感器观测变量的观测值,为k时刻下第i个滤波器对被测***状态变量的估计值,yi(k)=Cix(k)+Divi(k), x(t)为t时刻被测***的状态变量,vi(t)为t时刻第i个传感器的测量噪声,vj(t)为t时刻第j个传感器的测量噪声,t=k、Ci、Di、Cj和Dj均为适维矩阵,σi(k)为k时刻下第i个事件触发器的自适应参数,Ψi、Φi为第i个事件触发器的正定对称加权常数矩阵。
4.一种基于马尔科夫跳变的分布式事件触发滤波***的设计方法,其特征在于,该方法包括如下步骤:
(1)构建如权利要求1所述的基于马尔科夫跳变的分布式事件触发滤波***;
(2)构建上述基于马尔科夫跳变的分布式事件触发滤波***的数学模型;
(3)建立滤波***的误差模型;
(4)建立约束条件;
(5)采用李雅普诺夫稳定性分析法建立使得误差模型满足步骤(4)中约束条件的线性矩阵不等式;
(6)求解线性矩阵不等式获取基于马尔科夫跳变的分布式事件触发滤波***中的具体参数。
5.根据权利要求4所述的一种基于马尔科夫跳变的分布式事件触发滤波***的设计方法,其特征在于,步骤(2)基于马尔科夫跳变的分布式事件触发滤波***的数学模型具体为:
为两次事件触发时刻之间的采样时刻,表示第i个滤波器的第mi次事件触发时刻,表示第i个滤波器的第mi+1次事件触发时刻,为k时刻下第i个滤波器对被测***状态变量的估计值,为k+1时刻第i个滤波器的对被测***状态变量的估计值,Hi(rk)和Fi(rk)表示第rk个非齐次马尔科夫链拓扑下第i个滤波器的本地增益,Ki(rk)表示第rk个非齐次马尔科夫链拓扑下第i个滤波器的耦合增益,rk=1,2……n0,n0为非齐次马尔科夫链拓扑的总个数;
为时刻下非齐次马尔科夫链拓扑下与第i个滤波器相连的滤波器的集合,为时刻下与第i个滤波器相连的滤波器j的输出误差,为时刻下第i个滤波器的输出误差,为时刻下第i个传感器传输至对应滤波器的观测变量的观测值,为时刻下第i个滤波器对被测***状态变量的估计值,为时刻下第j个传感器传输至对应滤波器的观测变量的观测值,为时刻下第j个滤波器对被测***状态变量的估计值,x(t)为t时刻被测***的状态变量,vi(t)为t时刻第i个传感器的测量噪声,vj(t)为t时刻第j个传感器的测量噪声,Ci、Di、Cj和Dj均为适维矩阵;
6.根据权利要求5所述的一种基于马尔科夫跳变的分布式事件触发滤波***的设计方法,其特征在于,步骤(3)中具体为:
建立含有传感器的被测***的数学模型:
其中,x(k)=[x1(k),…,xn(k)]T为k时刻被测***的n维状态变量,符号T表示转置,w(k)为k时刻噪声输入,g(x)是和***状态变量x(k)具有相同维数的非线性函数,即针对x(k)中的每一维变量xi(k),均有一个gi(xi)与之对应,且满足不等式(gi(xi)-αixi)(gi(xi)-βixi)≤0,且满足αi<βi,i=1,2,…,N,其中代表实数集,vi(k)为传感器测量噪声,yi(k)为k时刻下第i个传感器观测变量的观测值,z(k)与对应,z(k)为k时刻被测***的状态变量线性变换输出值,A、B、E、Ci、Di、L均为适维矩阵;
根据上述含有传感器的被测***的数学模型以及基于马尔科夫跳变的分布式事件触发滤波***的数学模型得到误差模型,误差模型具体为:
8.根据权利要求7所述的一种基于马尔科夫跳变的分布式事件触发滤波***的设计方法,其特征在于,步骤(5)具体为:
对于任意的rk=s,s=1,2……n0,n0为非齐次马尔科夫链拓扑的总个数,李雅普诺夫稳定性分析法求取使得误差模型满足步骤(4)中约束条件的线性矩阵不等式,具体为:
其中,Φ=diagN{σi0Φi},σi0为第i个事件触发器的自适应参数的初始值,αβ=diagn{αiβi},βα=diagn{(αi+βi)/2},为正定矩阵,且为正定矩阵, 是给定的第m个转移概率矩阵,m=1,2……m0,m0为给定的转移概率矩阵的总个数,Πm也为n0×n0维矩阵,表示第m个转移概率矩阵中第i行第j列元素,i=1,2……n0,j=1,2……n0,Ψ=diagN{Ψi}, 为正定矩阵,Ps=diagN{Pi(s)},为正定矩阵,I为适维单位阵,F(s)=diagN{F1(s),…,FN(s)}, K(s)=diagN{K1(s),…,KN(s)},H(s)=diagN{H1(s),…,HN(s)},Ψi、Φi为第i个事件触发器的正定对称加权常数矩阵,*表示对称矩阵中的对称元素。
9.根据权利要求7所述的一种基于马尔科夫跳变的分布式事件触发滤波***的设计方法,其特征在于,步骤(6)同时考虑扰动抑制比γ和***中数据平均传输率Λ,对n0个线性矩阵不等式进行寻优求解得到基于马尔科夫跳变的分布式事件触发滤波***中的具体参数,其中,在时间段[0,T)内,数据平均传输率Λ为:
具体地,寻优求解过程为:
(6b)将步骤(5)中的n0个线性矩阵不等式作为约束函数;
(6c)通过协同算法进行优化求解得到满足约束函数并使得目标函数取最小值时的整个***的具体参数,整个***的具体参数包括事件触发器的参数和滤波器的具体参数;
其中,事件触发器的具体参数包括:第i个事件触发器正定对称加权常数矩阵Ψi和Φi以及自适应参数初始值σi0;
滤波器的具体参数包括:第rk个非齐次马尔科夫链拓扑下第i个滤波器的本地增益Fi(rk)、第rk个非齐次马尔科夫链拓扑下第i个滤波器的耦合增益Ki(rk)以及第rk个非齐次马尔科夫链拓扑下第i个滤波器的耦合增益Ki(rk),rk=1,2……n0,i=1,2,……,N。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710212237.XA CN107065545B (zh) | 2017-04-01 | 2017-04-01 | 基于马尔科夫跳变的分布式事件触发滤波***及设计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710212237.XA CN107065545B (zh) | 2017-04-01 | 2017-04-01 | 基于马尔科夫跳变的分布式事件触发滤波***及设计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107065545A CN107065545A (zh) | 2017-08-18 |
CN107065545B true CN107065545B (zh) | 2020-03-24 |
Family
ID=59602754
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710212237.XA Expired - Fee Related CN107065545B (zh) | 2017-04-01 | 2017-04-01 | 基于马尔科夫跳变的分布式事件触发滤波***及设计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107065545B (zh) |
Families Citing this family (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107561937B (zh) * | 2017-11-24 | 2021-02-19 | 明仕达光电科技(昆山)有限公司 | 基于事件驱动的灯联网控制方法 |
CN108287467A (zh) * | 2018-01-18 | 2018-07-17 | 河南理工大学 | 基于事件触发的无模型自适应数据驱动控制方法 |
CN108803334B (zh) * | 2018-06-21 | 2020-08-07 | 广东工业大学 | 基于非齐次马尔科夫模型的直流电机有限时间控制方法及*** |
CN109358498A (zh) * | 2018-09-18 | 2019-02-19 | 广东工业大学 | 基于非齐次马尔科夫模型的有限时间滤波***及方法 |
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*** |
CN110032065A (zh) * | 2018-11-28 | 2019-07-19 | 天津大学 | 一种线性切换***输出反馈控制器设计方法 |
CN109870905B (zh) * | 2019-02-20 | 2021-09-21 | 杭州电子科技大学 | 一种多机器人事件驱动通信的分布式优化方法 |
CN112994656A (zh) * | 2019-12-17 | 2021-06-18 | 无锡市电子仪表工业有限公司 | 一种通信拓扑随机切换的分布式k阶滤波器设计方法 |
CN111398900B (zh) * | 2020-03-09 | 2022-07-26 | 华南理工大学 | 基于事件驱动的传声器网络分布式滤波方法及*** |
CN112104340B (zh) * | 2020-09-08 | 2024-04-16 | 华北电力大学 | 一种基于HMM模型和Kalman滤波技术的开关量输入模块BIT降虚警方法 |
CN112327810B (zh) * | 2020-11-17 | 2021-07-30 | 山东科技大学 | 一种动态事件触发传输马尔科夫跳变***的故障估计方法 |
CN112865752B (zh) * | 2020-12-24 | 2024-06-14 | 南京财经大学 | 一种混合网络攻击下基于自适应事件触发机制的滤波器设计方法 |
CN113156804B (zh) * | 2021-03-24 | 2022-03-25 | 杭州电子科技大学 | 多智能体***的故障诊断与容错控制器设计方法 |
CN113301673B (zh) * | 2021-05-25 | 2022-09-13 | 江南大学 | 无线传感网络的分布式滤波方法、装置、设备及存储介质 |
CN113345596A (zh) * | 2021-06-24 | 2021-09-03 | 杭州电子科技大学 | 一种基于seir模型的传染病***的事件触发滤波方法 |
CN116527060B (zh) * | 2023-05-29 | 2024-01-05 | 北京理工大学 | 基于事件触发采样的信息压缩与异常检测方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2012064522A1 (en) * | 2010-11-12 | 2012-05-18 | 3M Innovative Properties Company | Rapid processing and detection of non-uniformities in web-based materials |
CN103793465A (zh) * | 2013-12-20 | 2014-05-14 | 武汉理工大学 | 基于云计算的海量用户行为实时分析方法及*** |
CN104238364A (zh) * | 2014-09-23 | 2014-12-24 | 江南大学 | 二重随机跳变***的有限短时间控制方法 |
CN104267601A (zh) * | 2014-09-23 | 2015-01-07 | 江南大学 | 二重随机跳变***基于观测器的有限短时间控制方法 |
CN104298126A (zh) * | 2014-09-23 | 2015-01-21 | 江南大学 | 非齐次Markov跳变控制***的观测器设计方法 |
CN104460336A (zh) * | 2014-09-23 | 2015-03-25 | 江南大学 | 非齐次Markov跳变***的干扰抑制方法 |
CN104616498A (zh) * | 2015-02-02 | 2015-05-13 | 同济大学 | 基于马尔可夫链和神经网络的交通拥挤状态组合预测方法 |
CN105487384A (zh) * | 2016-01-28 | 2016-04-13 | 同济大学 | 一种基于事件触发机制的整车悬架控制***及其设计方法 |
CN105606381A (zh) * | 2016-01-28 | 2016-05-25 | 同济大学 | 一种分布式滤波网络***及设计方法 |
CN106327033A (zh) * | 2015-06-18 | 2017-01-11 | 中国电力科学研究院 | 一种基于马尔可夫过程的电力***连锁故障解析方法 |
-
2017
- 2017-04-01 CN CN201710212237.XA patent/CN107065545B/zh not_active Expired - Fee Related
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2012064522A1 (en) * | 2010-11-12 | 2012-05-18 | 3M Innovative Properties Company | Rapid processing and detection of non-uniformities in web-based materials |
CN103793465A (zh) * | 2013-12-20 | 2014-05-14 | 武汉理工大学 | 基于云计算的海量用户行为实时分析方法及*** |
CN104238364A (zh) * | 2014-09-23 | 2014-12-24 | 江南大学 | 二重随机跳变***的有限短时间控制方法 |
CN104267601A (zh) * | 2014-09-23 | 2015-01-07 | 江南大学 | 二重随机跳变***基于观测器的有限短时间控制方法 |
CN104298126A (zh) * | 2014-09-23 | 2015-01-21 | 江南大学 | 非齐次Markov跳变控制***的观测器设计方法 |
CN104460336A (zh) * | 2014-09-23 | 2015-03-25 | 江南大学 | 非齐次Markov跳变***的干扰抑制方法 |
CN104616498A (zh) * | 2015-02-02 | 2015-05-13 | 同济大学 | 基于马尔可夫链和神经网络的交通拥挤状态组合预测方法 |
CN106327033A (zh) * | 2015-06-18 | 2017-01-11 | 中国电力科学研究院 | 一种基于马尔可夫过程的电力***连锁故障解析方法 |
CN105487384A (zh) * | 2016-01-28 | 2016-04-13 | 同济大学 | 一种基于事件触发机制的整车悬架控制***及其设计方法 |
CN105606381A (zh) * | 2016-01-28 | 2016-05-25 | 同济大学 | 一种分布式滤波网络***及设计方法 |
Non-Patent Citations (5)
Title |
---|
Event-triggered control design of linear networked systems with quantizations;Songlin Hu; Dong Yue;;《ISA Transactions》;20111231;第153-162页 * |
不同数据触发机制下的多智能体***一致性及№滤波;丁磊;《万方数据库》;20140924;博士论文全文 * |
事件驱动的网络化***最优控制;祝超群等;《控制与决策》;20140531;第802-808页 * |
基于事件触发的拓扑切换异构多智能体协同输出调节;杨若涵等;《自动化学报》;20170331;第472-477页 * |
自适应事件驱动下马尔科夫跳变***的状态估计;祁琼;《湖北理工学院学报》;20160430;第42-55页 * |
Also Published As
Publication number | Publication date |
---|---|
CN107065545A (zh) | 2017-08-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107065545B (zh) | 基于马尔科夫跳变的分布式事件触发滤波***及设计方法 | |
Xu et al. | Finite-time distributed state estimation over sensor networks with round-robin protocol and fading channels | |
Zhang et al. | Asynchronous state estimation for discrete-time switched complex networks with communication constraints | |
CN109635917B (zh) | 一种多智能体合作决策及训练方法 | |
Zhao et al. | Asynchronous adaptation and learning over networks—Part I: Modeling and stability analysis | |
Olfati-Saber | Ultrafast consensus in small-world networks | |
Lieder et al. | Algorithm selection by rational metareasoning as a model of human strategy selection | |
Dai et al. | Exponential consensus of non‐linear multi‐agent systems with semi‐Markov switching topologies | |
WO2021036414A1 (zh) | 一种低轨移动卫星星座下星地下行链路同频干扰预测方法 | |
Nozari et al. | Time-invariant versus time-varying actuator scheduling in complex networks | |
Li et al. | Cluster consensus of nonlinear multi-agent systems with Markovian switching topologies and communication noises | |
Wang et al. | Partial-neurons-based state estimation for artificial neural networks under constrained bit rate: The finite-time case | |
Liu et al. | Optimal topological design for distributed estimation over sensor networks | |
Liu et al. | Sampled-data based consensus for multiple harmonic oscillators with directed switching topology | |
Zhu et al. | Adaptive consensus-based distributed H∞ filtering with switching topology subject to partial information on transition probabilities | |
Dai et al. | Event-triggered and quantized self-triggered control for multi-agent systems based on relative state measurements | |
CN117376355B (zh) | 基于超图的b5g海量物联网资源分配方法及*** | |
Zhang et al. | Decentralized event-triggered consensus control strategy for leader–follower networked systems | |
Tang et al. | Deep recurrent neural network for multiple time slot frequency spectrum predictions of cognitive radio | |
Wang et al. | Distributed parameter estimation in unreliable WSNs: Quantized communication and asynchronous intermittent observation | |
CN113992535B (zh) | 一种网络可靠性评估方法、装置、电子设备 | |
Nedic et al. | A Lyapunov approach to discrete-time linear consensus | |
Sang et al. | Energy-to-peak state estimation for switched neutral-type neural networks with sector condition via sampled-data information | |
Xu et al. | Decision-implementation complexity of cooperative game systems | |
Srighakollapu et al. | Optimizing average controllability of networked systems |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20200324 |
|
CF01 | Termination of patent right due to non-payment of annual fee |