kYP^ ik)] (. 4)
[0100] 其中，σ,、武和ει为第i个事件触发器阈值参数，Φ,为第i个事件触发器的第一权重 矩阵，灸为第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，4 (々）= /',(/:)-丸为第i个滤波器的事件发生时刻， 4 (Μ = λ 0)-又Ρ , , ⑴力第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，5表不求均方；
[0101] 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ση我:和^值的选取就显得尤为重要。 4过大，εi过小，事件触发条件很难偏离，导致滤波效果差；过小，^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 汽车悬架系统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，接收来自汽车悬架系统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系统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。
[0102] (5)基于事件触发器触发条件建立滤波器离散化模型：
[0103]
[0104] 其中i = l，2……N表示第i个滤波器，N为滤波器总个数，.i,(/c)为k时刻第i个滤波 器估计状态，.?,α + ι)为k+1时刻第i个滤波器估计状态，m为第i个滤波器的本地增益，1^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，爲)为α)时刻第j个滤波器传输给第i个滤波器 的的交流信息；
[0105] (6)将式(1)和式(5)相减，并整合得到滤波网络估计误差模型：
[0106]
[0107] 其中，(A) = 认)为k时刻第i个滤波器的估计误差，€⑷=
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， 叫为事件触发时·刻第j个滤波器和第i个滤波器之间的通信信道的随机?尤云力，Fu 是适合维度的常矩阵；
[0108] (7)记啦)二4⑷…4(岣]"，根据式⑴获取整个滤波网络估计误差模 型为：
[0111] (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Hoc稳定性 的滤波器网络的约束条件矩阵；
[0112] (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〇1、(5；和 ￡1计算滤波器 网络中各滤波器本地增益出和耦合增益I。
[0113] 所述的步骤(8)包括如下子步骤：
[0114] (801)建立李雅普诺夫方程为：
[0115] V(e(k))=eT(k)Pe(k) (8)
[0116] 其中，P为正矩阵；
[0117] (802)求解李雅普诺夫方程的差分方程，利用利亚普诺夫稳定理论第二法求解使 得滤波网络系统具有Hoc稳定性的约束条件矩阵：
[0121]所述的滤波网络系统具有Hoc稳定性具体满足下列步骤：
[0122] (a)判断是否考虑系统外部扰动、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);
[0123] (b)滤波网络估计误差满足：
[0124] limk-xS| |ei(k) | |2 < Mpk (11)
[0125] 其中Μ和P是正常数，Ξ表示求均方，k为离散时间；
[0126] (c)滤波器网络估计误差满足：
[0128] 其中R为正常数，
，x(〇)为汽车悬架系统状态的初始 值。
[0129] 对步骤(802)得到的约束条件矩阵进行线性化，具体为：
[0130] 令父1 = ?此上=?心，父=乜&8{父1，父2，."％}，￥ =乜&8{￥1，￥2，."，丫4，将约束条件 矩阵变换为：
[0133] 其中，Γ' = :[Ρμ ?4) - JT - 3%:，Z,拖_，-J2)] ,Ρ是待解的正定矩阵。
[0134] 所述的步骤(9)具体包括以下子步骤：
[0135] (901)给定事件触发阈值参数〇i、$和ei初始值，且满足σ;./6} e(0,1)，ei>〇,执行步 骤(902);
[0136] (9〇2)将事件触发器阈值参数〇i、含和ε 1分别赋值为〇i = 〇i+ Δ ；l，今=今+Δ2，ε i = ei+Δ 3,且满足<7；./今G(0,1)，ε?>〇,其中Δ ；l、Δ 2和Δ 3分别为〇i、4.和￡i的迭代步长；
[0137] (903)将〇1、备、ει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Χ、Υ和γ ;
[0138] (904)计算滤波器网络数据信息的传输率〇,判断〇<〇_，γ < 丫_是否成立，其中 〇〇Pt为预期数据传输率，γ 〇Pt为预期干扰抑制比，若成立则计算本地增益，耦合增 益Ki = Pi-t，否则返回步骤(902)。
[0139] 基于以上分布式滤波网络系统及其设计方法，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系统。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：
[0140] 表1长安汽车参数表
[0141]
[0142]该实施例中设计了三个异地分布的滤波器组成的滤波系统，来分别估计汽车悬架 系统的状态信息，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，假设系统扰动形式为v (kX2k，Mt刻第i个车载传感器2的采样噪声为 ω i(k) = [e^ksin(k) e^kcos(2k)]T，i = l， 2，3，滤波器之间信息传递的信道噪声为ω Jk) =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：
[0145]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系统 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系统能够很好 地估计悬架系统的状态信息，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 见滤波网络系统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 发的滤波网络系统能够保证较好的估计悬架系统的状态信息的同时，还能够有效减少数据 传递次数，降低通信负载。
【主权项】
1. 一种分布式滤波网络系统，用于1/4车模型汽车平顺性分析，其特征在于，该系统包 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 车悬架系统