CN109410361A - 一种基于马尔科夫跳变的事件触发状态估计系统 - Google Patents

Abstract

本发明涉及一种基于马尔科夫跳变的事件触发状态估计系统。该系统包括：传感器采样单元：包括用以采集汽车悬架系统状态信息的车载传感器；事件触发单元：包括事件触发检测器，用以基于周期事件触发机制接收来自车载传感器的测量数据；量化器量化单元：包括与事件触发检测器连接且相互并联的多条通信链路，每条通信链路上均设有一个对数量化器；估计器网络单元：包括分别与每条通信链路上的对数量化器连接的估计器，各估计器通过网络进行信息传输。与现有技术相比，本发明具有参数容易确定、估计对象要求简单、防止网络拥塞、设计灵活、节约网络资源、抵抗外部干扰等优点。

Description

一种基于马尔科夫跳变的事件触发状态估计系统

技术领域

本发明涉及汽车状态估计系统及设计领域，尤其是涉及一种基于马尔科夫跳变的事件触发状态估计系统。

背景技术

作为道路交通的主要元素之一，汽车的性能直接影响到交通系统中车辆和人员的安全。作为车辆重要部件的悬架系统的控制和估算策略受到越来越多的关注。在20世纪30年代初研究了旋转和悬架运动如何影响乘坐性能的问题。随着悬架系统的快速发展，数学模拟和计算机技术开始应用于悬架系统研究领域。近年来，大量关于悬架控制系统的研究已经出现。一方面，由于悬架系统的部件之间的磨损和碰撞，将难以操纵车辆。另一方面，系统的所有状态在实践中都很难获得。因此，基于可用的输出测量，可以设计状态估计器来估计未测量的系统状态。另外，获得更准确的悬架系统状态估计值有助于最大限度地提高车辆用户对于车辆安全性，舒适性和操纵稳定性的满意度。最近，许多研究人员在有限的时间范围内集中研究悬架系统的状态估计问题。

随着互联网技术的迅猛发展，受控系统与网络通信系统的集成已成为网络控制技术的热点，并提出了网络控制系统。在传统控制系统的基础上，随着网络的加入，系统性能得到了很大的提高，同时也带来了网络诱导延迟，丢包，单包和多包传输等问题。这些问题的存在不仅会降低系统的控制性能，而且甚至会导致系统不稳定。事实上，基于网络的系统主要通过无线通信网络传输数据。因此，信号在被发送之前必须被量化。

同时，由于未知的外部干扰，通信环境易受攻击，从而导致各种通信能力，如采样时间变化，时变时延和多通信信道等。在多个交换通信信道的背景下，采用马尔可夫跳跃系统模型来表示整个网络系统，并且已经研究了主动悬架系统的状态估计问题。值得一提的是，假设马尔可夫转移概率是完全可访问和已知的。然而，在实践中，很难获得转移概率的确切值。因此，考虑一种更一般的情况，其中信道切换由具有时变概率转移矩阵的马尔可夫链控制。

在先进控制应用中，控制实现主要基于通过通信网络连接控制组件(物理设备，采样器，控制器和执行器)的数字平台。在这种实现中，控制任务包括对物理信号进行采样，计算控制信号和执行器信号的实现。传统上，控制任务是以周期性的方式进行，也就是所谓的时间触发控制。时间触发控制是一种简单的方法来设计合适的控制器，使用非常丰富的采样数据系统理论。然而在一些情况下，系统到达稳定状态并且没有外部干扰，周期性地执行任务浪费了基于电池的设备的计算和能量资源。而且，如果一个采样周期趋于零，大量的冗余采样信号被释放给具有带宽受限的共享通信网络，这将会导致网络交通堵塞。

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事件触发状态估计系统。

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事件触发状态估计系统，用以进行1/4车辆模型汽车状态估计，该系统包括：

传感器采样单元：包括内嵌在汽车悬架系统上用以采集汽车悬架系统状态信息的车载传感器；

事件触发单元：包括事件触发检测器，用以基于周期事件触发机制接收来自车载传感器的测量数据，并决定事件触发检测器的事件发生时刻；

量化器量化单元：包括与事件触发检测器连接且相互并联的多条通信链路，每条通信链路上均设有一个对数量化器，对数量化器接收事件触发检测器触发时刻的测量值，并根据各个对数量化器的量化规则对接收的数据进行量化；

估计器网络单元：包括分别与每条通信链路上的对数量化器连接的估计器，各估计器通过网络进行信息传输。

该估计系统的构建方法包括以下步骤：

1)建立1/4车模型汽车的离散化模型，其表达式为：

x(k+1)＝Ax(k)+Bv(k)

其中，x(k)为k时刻汽车悬架系统状态变量，x(k+1)为k+1时刻汽车悬架系统状态变量，v(k)为当前时刻的路面噪声，A和B分别为系统常矩阵；

2)建立车载传感器采样模型，其表达式为：

y(k)＝Cx(k)+Dω(k)

其中，y(k)为k时刻车载传感器的输出信息，ω(k)表示k时刻车载传感器的采样噪声，C、D是适合维度的系统常矩阵；

3)确定事件触发器的触发条件，具体为：

f(k)^TΩf(k)≤σy(k)^TΩy(k)

f(k)＝y(t_k)-y(k)

其中，y(t_k)为下一时刻t_k事件触发器的输出，σ为阈值参数，且σ∈(0，1)，Ω为加权矩阵，且

4)建立对数量化器的模型，具体为：

对数量化器的量化输出为：

δ^j＝(1-ρ_i ^j)/(1+ρ_i ^j)＜1

其中，i表示通信链路，且N为通信链路总数，上标j 表示维数，δ^j为已知j维常量，υ_j为y(t_k)的第j维的数值，0＜ρ_ij＜1为通信链路的量化密度；

对于量化输出考虑服从伯努利过程的丢包现象，则输入到估计器的输入信号为：

其中，为维度为r分布在{0,1}上且数学期望已知的伯努利分布序列；

5)建立估计器模型：

其中，为估计器的状态，为估计器的输出，K_A(i)，K_B(i)，K_C(i) 分别为估计器增益，且

6)设获取整个系统的估计误差模型，则有：

其中，为估计误差，η(k)、η(k+1)为增广系统矩阵，x(k)为k时刻汽车悬架系统状态变量，为第i条通信链路上的估计器的状态，A_i、A_t,i、M_i、M_t,i、B_i、B_t,i、θ_t,i(k)是常数矩阵，w(k)是系统外部干扰，r为系统输出量的维数，L、Δ_i(k)、A、B、D为已知的系统常数矩阵，为伯努利分布序列的数学期望，Φ_t为已知的常数矩阵。

7)对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∞稳定性的状态估计器网络的约束条件矩阵；

8)根据约束条件矩阵和给定的周期事件触发阈值参数σ分别计算估计器网络单元中各估计器增益K_A(i)、K_B(i)和K_C(i)。

所述的步骤7)具体包括以下步骤：

71)构建李雅普诺夫方程：

V(η(k),c_t(k),k)＝η^T(k)P(c_t(k))η(k)

其中，P(c_t(k))为正矩阵，c_t(k)为k时刻通信链路在有限集合中的取值；

72)利用李雅普诺夫稳定理论方法求解李雅普诺夫方程的差分方程，使得估计误差网络系统具有H∞稳定性的约束条件矩阵Ξ，并对约束条件矩阵进行线性化，则有：

其中，为系统矩阵，P_j、P_ij、P_ij,r为概率转移矩阵，I为单位矩阵，ε、λ、σ为未知常量，M_i、P_i是正定矩阵，Ω、为加权矩阵，δ_i、为数学期望，为最大转移概率，N为通信链路总数。

判断状态估计网络具有H∞稳定性具体为：

若考虑系统外部扰动和传感器测量误差，则系统状态满足：

其中，ζ为常数，且ζ＞0，χ为常数，且0＜χ＜1，η(k₀)为汽车悬架系统的初始时刻k₀的状态值，E为数学期望；

若不考虑系统外部扰动和传感器测量误差，则估计器网络估计误差满足：

其中，γ为正常数，ω(k)为外部干扰，且ω(k)∈l₂[0,∞)

所述的步骤8)具体包括以下步骤：

81)给定事件触发阈值参数σ的初始值，且满足0＜σ＜1；

82)将事件触发器阈值参数σ赋值为σ＝σ+Δ，且满足σ∈(0,1)，其中Δ为σ的迭代步长；

83)将事件触发阈值参数σ代入线性化的约束条件矩阵中并求解不等式，若无解，返回步骤82)，若有解，得到矩阵W_3i和正常数γ；

84)计算估计器网络数据信息的传输率ο，并判断ο≤ο_opt,γ≤γ_opt是否成立，其中o_opt为预期数据传输率，γ_opt为预期干扰抑制比，若是，则计算估计器增益和若否，则返回步骤82)。

与现有技术相比，本发明具有以下优点：

一、参数容易确定：本发明估计网络设计方法简单，估计器参数容易确定，但凡满足线性化约束矩阵不等式的矩阵K_A(i)，K_B(i)和K_C(i)都可以作为估计器网络的增益矩阵，而矩阵不等式是很容易满足的条件。

二、估计对象要求简单：本发明只利用汽车悬架系统的可观测输出变量，采用车载传感器测量值进行估计，实现对汽车悬架系统的状态信息进行观测，对汽车模型无其他要求。

三、防止网络拥塞：本发明考虑了更加实际的通信方式，具有切换的多通道通信机制，使数据传输更加可靠，能够有效地解决网络拥塞问题。

四、设计灵活：本发明估计网络设计策略灵活，满足不同精度要求，应用范围广，估计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，都能很容易从线性化约束矩阵不等式中求解出估计器增益矩阵的值，从而对于不同精度要求的估计器网络设计，本发明策略都可以实现。

五、节约网络资源：本发明采用事件触发采样机制决定估计器接收车载传感器采集的汽车悬架系统状态信息的时刻，与传统的连续或周期采样相比事件触发采样能够以当前估计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，估计器估计效果较好时，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。

六、抵抗外部干扰：本发明设计的H_∞估计网络能够抵抗外部干扰，包括外界环境的扰动、传感器的采样误差。H_∞估计网络能够抵抗更广泛类型的噪声，比如扰动不是白噪声或者噪声的参数不确定时，仍能起到很好的估计效果。

附图说明

图1为本发明基于马尔科夫跳变的估计网络系统结构示意图。

图2为本发明2自由度的1/4车模型的结构示意图。

图3为簧下质量块的位移曲线对比图。

图4为簧上质量块的位移曲线对比图。

图5为簧下质量块的速度曲线对比图。

图6为簧上质量块的速度曲线对比图。

图7为基于马尔科夫跳变的多通道之间的切换时序图。

图8为基于事件触发和马尔科夫切换的估计网络的估计误差曲线图。

图9为估计器接收外界信息的时序图。

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

本发明提供一种基于马尔科夫跳变的估计网络系统，用于1/4车模型汽车平顺性分析，该系统包括：传感器采样单元：包括车载传感器2，所述的车载传感器2 内嵌于汽车悬架系统1并采集汽车悬架系统状态信息；事件触发单元：包括事件触发检测器3，事件触发器3基于周期事件触发机制，接收来自传感器的测量数据并决定事件触发器的事件发生时刻；在事件发生时刻，车载传感器2采集的汽车悬架系统状态信息通过切换的通信链路传送给估计器4，否则该估计器4不动作。量化器量化单元：包括N条通信链路分布的N个对数量化器5和数据丢包问题6，量化器接收事件触发器触发时刻的测量值，根据各个对数量化器的量化规则对接收的数据进行量化，并且在数据传输过程中，由于通信网络的不可靠性及不稳定性，数据传输过程中会发生部分数据丢失的情况；估计器网络单元：包括分布于不同通信链路的估计器4，各估计器4通过网络进行信息传输。

设计基于马尔科夫跳变的估计网络系统的方法，包括以下步骤：

(1)如图1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，那么得到连续系统模型为其中B_c＝[0 0 -k₁/m₁ 0]^T。然后利用状态空间时域解法把连续系统模型离散化，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时刻汽车悬架系统状态变量，x(k+1)为k+1时刻汽车悬架系统状态变量，v(k)为当前时刻的路面噪声，且v(k)∈l₂[0,∞)，A和B分别为适合维度的系统常矩阵；

(2)建立车载传感器采样模型：

y(k)＝Cx(k)+Dω(k) (2)

其中，y(k)表示k时刻车载传感器的输出信息，ω(k)表示k时刻车载传感器的采样噪声，C、D是适合维度的系统常矩阵；

(3)建立事件触发器的触发条件：

f(k)^TΩf(k)≤σy(k)^TΩy(k) (3)

其中，σ∈(0,1)是阈值参数，是加权矩阵。当且仅当事件触发条件(3)被满足时，数据被传输，而且可以看出触发条件参数σ的选择直接影响数据被传输的次数。因此，应该在保证系统性能的同时选择合适的参数使传输次数最少。

事件触发条件以不等式形式呈现，如(3)式，当满足触发条件时，即不等式 (3)左边的值大于等于右边时，事件才会发生，所以，阈值参数σ值的选取就显得尤为重要。σ过大，事件触发条件很难偏离，导致滤波效果差；σ过小，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：0从测试实验的开始时刻起，车载传感器2中传感器分别对汽车悬架系统1状态信息按照周期h进行数值采样。并且假设在实验的初始刻时，事件发生一次，估计器接收来自汽车悬架系统1的状态初始值信息。以初始时刻的值为基准，在接下来的每个采样时刻，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当前采样到的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，估计器才会接收网络传输来的当前信息，更新估计器模型中相应状态的变量值；若事件不发生，则估计器模型中与汽车悬架系统1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，又能保证很好的估计效果。

(4)建立采用的对数量化器模型：

对于任意的j＝1,2,...,r，定义以下的量化水平集合：

量化输出如下给出：

其中，0＜ρ_i ^j＜1是每条通信链路的量化密度，δ_i ^j＝(1-ρ_i ^j)/(1+ρ_i ^j)＜1。

数据传输存在N个通道，假设每个通道的量化水平不同，则量化后的测量输出信号被描述为

同时，建立丢包现象的描述模型：

假设丢包服从伯努利过程，估计器的输入信号变成：

其中，分布在{0,1}上，其数学期望为已知。

(5)建立估计器模型：

其中，是估计器的状态，是估计器的输出，K_A(i)，K_B(i)，K_C(i) 是估计器要被设计的参数，

(6)记根据上述条件获取整个网络的估计误差模型为：

其中，是估计误差，

(7)对估计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_∞稳定性的估计器网络的约束条件矩阵，具体包括如下子步骤：

(701)建立李雅普诺夫方程为：

V(η(k),c_t(k),k)＝η^T(k)P(c_t(k))η(k) (8)

其中，P(c_t(k))为正矩阵；

(702)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估计网络系统具有H_∞稳定性的约束条件矩阵：

其中，P_i，P_ij，W_ij是待解的正定矩阵。

对步骤(702)得到的约束条件矩阵进行线性化，具体为：

令将约束条件矩阵变换为：

其中，P_i，P_ij，W_ij是待解的正定矩阵。

估计网络系统具有H_∞稳定性具体满足下列步骤：

(a)判断是否考虑系统外部扰动和传感器测量误差，若是，执行步骤(b)，否则执行步骤(c)；

(b)系统状态满足：

其中，ζ＞0和0＜χ＜1，E表示求数学期望，x(k₀)为汽车悬架系统状态的初始值，k为离散时间；

(c)估计器网络估计误差满足：

其中γ为正常数，ω(k)∈l₂[0,∞)。

(8)根据上述约束条件矩阵和给定的周期事件触发阈值参数σ计算估计器网络中各估计器的增益K_A(i)，K_B(i)，K_C(i)，具体包括以下子步骤：

(801)给定事件触发阈值参数σ的初始值，且满足0＜σ＜1，执行步骤(802)；

(802)将事件触发器阈值参数σ赋值为σ＝σ+Δ，且满足σ∈(0,1)，其中Δ为σ的迭代步长；

(803)将σ代入不等式(13)中并求解不等式，若无解，返回步骤(802)，若有解，得到矩阵W_3i和γ；

(804)计算估计器网络数据信息的传输率ο，判断ο≤ο_opt,γ≤γ_opt是否成立，其中o_opt为预期数据传输率，γ_opt为预期干扰抑制比，若成立则计算估计器增益和否则返回步骤(802)。

基于以上估计网络系统及其设计方法，设计了用于精确估计1/4车模型车体的垂直位移和速度状态的基于马尔科夫切换的状态估计网络系统。基于表1的参数，通过建模和离散化，得到汽车1/4车离散形式数学模型参数：

表1汽车参数表

该实施例中设计了具有三个通信信道组成的通信机制，分布的三个估计器组成的估计系统，来估计汽车悬架系统的状态信息，假设外部扰动形式为v(k)＝e^-2k，通过matlab仿真求出一组最优解，估计器增益分别为：

对上述设计进行仿真实验。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相应的H∞估计输出信息。

采用周期采样估计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，基于马尔科夫切换和采用事件触发的估计网络系统能够很好地估计悬架系统的状态信息。图8为基于马尔科夫切换和采用事件触发的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，可见估计网络系统能够很好地估计对象的状态信息，且对外部扰动具有较强的鲁棒性。图9分别为图3中三个估计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4～9可见，基于事件触发的估计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。

Claims (5)

1.一种基于马尔科夫跳变的事件触发状态估计系统，用以进行1/4车辆模型汽车状态估计，其特征在于，该系统包括：

传感器采样单元：包括内嵌在汽车悬架系统上用以采集汽车悬架系统状态信息的车载传感器；

事件触发单元：包括事件触发检测器，用以基于周期事件触发机制接收来自车载传感器的测量数据，并决定事件触发检测器的事件发生时刻；

量化器量化单元：包括与事件触发检测器连接且相互并联的多条通信链路，每条通信链路上均设有一个对数量化器，对数量化器接收事件触发检测器触发时刻的测量值，并根据各个对数量化器的量化规则对接收的数据进行量化；

估计器网络单元：包括分别与每条通信链路上的对数量化器连接的估计器，各估计器通过网络进行信息传输。

2.根据权利要求1所述的一种基于马尔科夫跳变的事件触发状态估计系统，其特征在于，该估计系统的构建方法包括以下步骤：

1)建立1/4车模型汽车的离散化模型，其表达式为：

x(k+1)＝Ax(k)+Bv(k)

其中，x(k)为k时刻汽车悬架系统状态变量，x(k+1)为k+1时刻汽车悬架系统状态变量，v(k)为当前时刻的路面噪声，A和B分别为系统常矩阵；

2)建立车载传感器采样模型，其表达式为：

y(k)＝Cx(k)+Dω(k)

其中，y(k)为k时刻车载传感器的输出信息，ω(k)表示k时刻车载传感器的采样噪声，C、D是适合维度的系统常矩阵；

3)确定事件触发器的触发条件，具体为：

f(k)^TΩf(k)≤σy(k)^TΩy(k)

f(k)＝y(t_k)-y(k)

其中，y(t_k)为下一时刻t_k事件触发器的输出，σ为阈值参数，且σ∈(0，1)，Ω为加权矩阵，且

4)建立对数量化器的模型，具体为：

对数量化器的量化输出为：

其中，i表示通信链路，且N为通信链路总数，上标j表示维数，δ^j为已知j维常量，υ_j为y(t_k)的第j维的数值，0＜ρ_i ^j＜1为通信链路的量化密度；

对于量化输出考虑服从伯努利过程的丢包现象，则输入到估计器的输入信号为：

其中，为维度为r分布在{0,1}上且数学期望已知的伯努利分布序列；

5)建立估计器模型：

其中，为估计器的状态，为估计器的输出，K_A(i)，K_B(i)，K_C(i)分别为估计器增益，且

6)设获取整个系统的估计误差模型，则有：

其中，为估计误差，η(k)、η(k+1)为增广系统矩阵，x(k)为k时刻汽车悬架系统状态变量，为第i条通信链路上的估计器的状态，A_i、A_t,i、M_i、M_t,i、B_i、B_t,i、θ_t,i(k)是常数矩阵，w(k)是系统外部干扰，r为系统输出量的维数，L、Δ_i(k)、A、B、D为已知的系统常数矩阵，为伯努利分布序列的数学期望，Φ_t为已知的常数矩阵。

7)对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∞稳定性的状态估计器网络的约束条件矩阵；

8)根据约束条件矩阵和给定的周期事件触发阈值参数σ分别计算估计器网络单元中各估计器增益K_A(i)、K_B(i)和K_C(i)。

3.根据权利要求2所述的一种基于马尔科夫跳变的事件触发状态估计系统，其特征在于，所述的步骤7)具体包括以下步骤：

71)构建李雅普诺夫方程：

V(η(k),c_t(k),k)＝η^T(k)P(c_t(k))η(k)

其中，P(c_t(k))为正矩阵，c_t(k)为k时刻通信链路在有限集合中的取值；

72)利用李雅普诺夫稳定理论方法求解李雅普诺夫方程的差分方程，使得估计误差网络系统具有H∞稳定性的约束条件矩阵Ξ，并对约束条件矩阵进行线性化，则有：

其中，为系统矩阵，P_j、P_ij、P_ij,r为概率转移矩阵，I为单位矩阵，ε、λ、σ为未知常量，M_i、P_i是正定矩阵，Ω、为加权矩阵，δ_i、为数学期望，为最大转移概率，N为通信链路总数。

4.根据权利要求3所述的一种基于马尔科夫跳变的事件触发状态估计系统，其特征在于，判断状态估计网络具有H∞稳定性具体为：

若考虑系统外部扰动和传感器测量误差，则系统状态满足：

其中，ζ为常数，且ζ＞0，χ为常数，且0＜χ＜1，η(k₀)为汽车悬架系统的初始时刻k₀的状态值，E为数学期望；

若不考虑系统外部扰动和传感器测量误差，则估计器网络估计误差满足：

其中，γ为正常数，ω(k)为外部干扰，且ω(k)∈l₂[0,∞)。

5.根据权利要求3所述的一种基于马尔科夫跳变的事件触发状态估计系统，其特征在于，所述的步骤8)具体包括以下步骤：

81)给定事件触发阈值参数σ的初始值，且满足0＜σ＜1；

82)将事件触发器阈值参数σ赋值为σ＝σ+Δ，且满足σ∈(0,1)，其中Δ为σ的迭代步长；

83)将事件触发阈值参数σ代入线性化的约束条件矩阵中并求解不等式，若无解，返回步骤82)，若有解，得到矩阵W_3i和正常数γ；

84)计算估计器网络数据信息的传输率ο，并判断ο≤ο_opt,γ≤γ_opt是否成立，其中o_opt为预期数据传输率，γ_opt为预期干扰抑制比，若是，则计算估计器增益和若否，则返回步骤82)。