CN115882822A - 一种新息约束传感器网络的分布式保概率滤波器设计方法 - Google Patents
一种新息约束传感器网络的分布式保概率滤波器设计方法 Download PDFInfo
- Publication number
- CN115882822A CN115882822A CN202211407651.3A CN202211407651A CN115882822A CN 115882822 A CN115882822 A CN 115882822A CN 202211407651 A CN202211407651 A CN 202211407651A CN 115882822 A CN115882822 A CN 115882822A
- Authority
- CN
- China
- Prior art keywords
- time
- matrix
- following
- sequence
- inequality
- 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.)
- Pending
Links
Images
Landscapes
- Complex Calculations (AREA)
Abstract
本申请提供一种新息约束传感器网络的分布式保概率滤波器设计方法,所述方法包括:建立带有新息饱和机制的非线性系统数学模型;设计概率椭球约束目标和平均H∞性能指标;推导算法存在的充分条件并获得滤波参数;提出两个优化问题以获取局部最优滤波参数。本申请提出的算法能够以指定的概率保证包络约束,可以减少实际应用中不必要的性能约束条件。
Description
技术领域
本发明涉及一种滤波器设计方法,特别涉及一种新息约束传感器网络的分布式保概率滤波器设计方法。
背景技术
目前,滤波估计问题作为一个基础研究主题,在工程应用中是一个十分重要的研究内容。有关于滤波估计问题的研究也取得了丰富成果。
但是,目前的研究一直和实际工程环境之间存在一定的差距。例如,实际工程环境是十分复杂的,可能会出现异常测量值的情况。异常测量值有可能会导致估计性能的恶化。在网络化场景中,恶劣环境中的不可靠测量,以及使用开放网络传输信息受到的恶意攻击,会导致产生异常信息,严重干扰滤波器性能。
实际工程应用特别是噪声干扰严重的环境下,往往不可能,严格以100%概率来保证性能指标。以极高的保证概率进行性能指标设计,很大概率会导致其他指标设计的裕度空间太小,给系统设计的可行性带来一定的负面影响。
发明内容
本申请提供了一种新息约束传感器网络的分布式保概率滤波器设计方法,可用于解决实际工程环境下因为异常值以及噪声问题,导致滤波估计出现较大偏差的技术问题。
本申请提供一种新息约束传感器网络的分布式保概率滤波器设计方法,所述方法包括:
步骤1、建立带有新息饱和机制的非线性系统数学模型;
步骤2、设计概率椭球约束目标和平均H∞性能指标;
步骤3、推导算法存在的充分条件并获得滤波参数;
步骤4、提出两个优化问题以获取局部最优滤波参数。
可选的,建立带有新息饱和机制的非线性系统数学模型,包括:
步骤1.1,建立在时域[0,T],传感器网络的非线性离散时变系统数学模型:
其中,表示在时刻k系统的状态,/>表示在时刻k第i个传感器节点的测量输出,/>表示在时刻k+1系统的状态,/>表示在时刻k+1第i个传感器节点的测量输出;ωk是具有单一方差的零均值高斯白色序列;/>表示过程噪声,/>表示测量噪声;Bk是具有适当维度的已知实矩阵之一,Dk是具有适当维度的已知实矩阵之二,Ci,k是具有适当维度的已知实矩阵之三,Ei,k是是具有适当维度的已知实矩阵之四;是非线性函数之一,/>是非线性函数之二;
假设1:噪声序列νk和μk满足如下约束集:
其中Vk是具有适当维度的正定矩阵之一,Uk是具有适当维度的正定矩阵之二。
步骤1.2,建立滤波器结构:
其中是在时刻k,节点i的系统状态估计;/>是在时刻k+1,节点i的系统状态估计;/>是在时刻k,节点i的估计输出;Fi,k是待设计的滤波器参数之一,Hij,k是待设计的滤波器参数之二;对于向量/>a(s)是其第s项;非线性映射/>定义如下:
其中λ∈[0,1)并且Wi>0是给定的加权矩阵;
可选的,设计概率椭球约束目标和平均H∞性能指标包括:
1)、概率椭球约束通过以下方法确定:
或者
2)、平均H∞性能通过以下方法确定
可选的,滤波器满足预先设定的三个引理及一个定义,其中:
当且仅当存在正向量ε使得:
通过泰勒展开,可以将非线性函数f(xk)和h(xk)展开为:
由系统(1)和滤波器(3)可以得到动态估计误差:
得到动态估计误差:
可选的,推导算法存在的充分条件并获得滤波参数,包括:
定理3,给定设计指标在初始条件/>下,如果存在一系列正定矩阵/>实矩阵序列/>和/>非负标量/> 和标量/>及/>使得不等式(49)和(73)同时成立,从而满足步骤3中提出的概率椭球约束以及平均H∞性能指标;每个时刻的期望滤波器参数可以通过计算相关矩阵不等式获得;
下面给出计算的算法;
算法1,Fi,k和Hij,k的计算方法如下:
(8)令k=k+1,若k>kmax,则结束,否则转到步骤2。
6、根据权利要求5所述的方法,其特征在于,所述定理3通过以下方法确定:
1)概率椭球约束
定义:
提出后面推导中使用的引理4:
假设2:令:
引理5:给定滤波器参数Fi,k和Hij,k,对于给定的正定矩阵序列{Pk}k≥0,可因式分解为并且在公式(23)下,如果存在k时刻节点i的非负标量序列之一/>k时刻的非负标量序列之一/>k时刻的非负标量序列之二/>k时刻节点i的非负标量序列之二/>k时刻节点i的非负标量序列之三/>k时刻节点i的非负标量序列之四/>以及k时刻节点i的标量序列/>满足如下递归矩阵不等式:
其中:
则如下不等式成立:
引理5如下证明:
由公式(23)可得:
假设在时间k时,如下不等式成立:
式(18)的动态估计误差可以写作:
由式(2)和(34)可得向量qi,k,vk和μk满足:
写作如下关于ηk的形式:
由δ1i,k,δ2i,k,记||Δ1i||≤1和||Δ2i||≤1,可以得到:
可写作如下关于ηk的形式:
然后,以如下ηk重写式(17):
其中Ξi,k由式(26)定义;
其中γi,k由式(28)定义;
另一方面,通过引理2,得到矩阵不等式(24)当且仅当以下不等式成立时成立:
考虑ωk的统计性质,得
结合式(25)、(37),不等式(45)等价于:
由引理1推导:
或者
证毕;
(2)平均H∞性能
为简化推导,记以下向量:
以及以下矩阵:
引理6:给定滤波器参数Fi,k和Hij,k,在初始条件下,平均H∞性能实现条件为:存在k时刻的正定矩阵序列{Yk}k≥1,k时刻的非负标量序列之一/>k时刻的非负标量序列之二/>k时刻的非负标量序列之三/>以及k时刻节点i的标量序列满足如下N个递归矩阵不等式:
其中
引理6证明:
滤波误差系统(19)写作如下形式:
进一步表达为如下增广系统:
其中
其中
考虑ωk的统计性质,有:
其中
其中
将式(61)两边对k从0到T求和,得:
所以:
由式(16)得
表示:
进一步,由式(4)可以推得:
对于不等式(50)应用舒尔补引理,得到:
通过引理3,可知不等式(67)成立,当且仅当
由不等式(68)得到:
进一步得到:
根据引理1,有:
达到式(8)的平均H∞性能,证毕;
可选的,提出两个优化问题以获取局部最优滤波参数,包括:
记集合:
函数:
提出如下优化问题:
subject to(49)& (73)
假设p是时变的,且pk是时刻k下的概率约束;通过定义:
引出后续的优化问题;
每个时刻概率约束pk确保有下界。
本申请所研究的系统模型是由一般时变非线性方程来描述。为了降低异常量测值带来的影响,本申请采用了自适应饱和信息机制,在每个时间步内,根据之前的滤波误差自适应调整饱和水平。为了更好地刻画有限时域内的性能,从不同角度定义了两个性能指标:即平均H∞性能和概率椭球约束。最后,本申请提出的算法能够以指定的概率,而不是通常的100%置信度保证包络约束,并且这种概率设计方法可以通过减少实际应用中某些严格但不必要的性能约束条件来提供更多的灵活性。
附图说明
图1是本申请实施例提供的方法流程图;
图2是本申请实施例提供的系统通讯拓扑图;
图3是本申请实施例提供的偏差注入攻击记录图;
图6是本申请实施例提供的受数据误差影响的x(1)滤波器误差;
图7是本申请实施例提供的受数据误差影响的x(2)滤波器误差;
图10是本申请实施例提供的受数据误差影响,传统算法的x(1)滤波器误差;
图11是本申请实施例提供的受数据误差影响,传统算法的x(2)滤波器误差。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合附图对本申请实施方式作进一步地详细描述。
本申请提供一种新息约束传感器网络的分布式保概率滤波器设计方法,方法包括:
步骤1、建立带有新息饱和机制的非线性系统数学模型。
具体的,步骤1.1,建立在时域[0,T],传感器网络的非线性离散时变系统数学模型:
其中,表示在时刻k系统的状态,/>表示在时刻k第i个传感器节点的测量输出,/>表示在时刻k+1系统的状态,/>表示在时刻k+1第i个传感器节点的测量输出;ωk是具有单一方差的零均值高斯白色序列;/>表示过程噪声,/>表示测量噪声;Bk是具有适当维度的已知实矩阵之一,Dk是具有适当维度的已知实矩阵之二,Ci,k是具有适当维度的已知实矩阵之三,Ei,k是是具有适当维度的已知实矩阵之四;是非线性函数之一,/>是非线性函数之二;
假设1:噪声序列νk和μk满足如下约束集:
其中Vk是具有适当维度的正定矩阵之一,Uk是具有适当维度的正定矩阵之二。
步骤1.2,建立滤波器结构:
其中是在时刻k,节点i的系统状态估计;/>是在时刻k+1,节点i的系统状态估计;/>是在时刻k,节点i的估计输出;Fi,k是待设计的滤波器参数之一,Hij,k是待设计的滤波器参数之二;对于向量/>a(s)是其第s项;非线性映射/>定义如下:
其中λ∈[0,1)并且Wi>0是给定的加权矩阵。
步骤2、设计概率椭球约束目标和平均H∞性能指标。
具体的,1)、概率椭球约束通过以下方法确定:
或者
2)、平均H∞性能通过以下方法确定
本申请实施例中,滤波器满足预先设定的三个引理及一个定义,包括:
当且仅当存在正向量ε使得:
通过泰勒展开,可以将非线性函数f(xk)和h(xk)展开为:
由系统(1)和滤波器(3)可以得到动态估计误差:
得到动态估计误差:
步骤3、推导算法存在的充分条件并获得滤波参数。
具体的,定理3,给定设计指标在初始条件/>下,如果存在一系列正定矩阵/>实矩阵序列/>和/>非负标量/> 和标量/>及/>使得不等式(49)和(73)同时成立,从而满足步骤3中提出的概率椭球约束以及平均H∞性能指标;每个时刻的期望滤波器参数可以通过计算相关矩阵不等式获得;
下面给出计算的算法;
算法1,Fi,k和Hij,k的计算方法如下:
(12)令k=k+1,若k>kmax,则结束,否则转到步骤2。
引理3通过以下方法确定:
1)概率椭球约束
定义:
提出后面推导中使用的引理4:
假设2:令:
引理5:给定滤波器参数Fi,k和Hij,k,对于给定的正定矩阵序列{Pk}k≥0,可因式分解为并且在公式(23)下,如果存在k时刻节点i的非负标量序列之一/>k时刻的非负标量序列之一/>k时刻的非负标量序列之二/>k时刻节点i的非负标量序列之二/>k时刻节点i的非负标量序列之三/>k时刻节点i的非负标量序列之四/>以及k时刻节点i的标量序列/>满足如下递归矩阵不等式:
其中:
则如下不等式成立:
引理5如下证明:
由公式(23)可得:
假设在时间k时,如下不等式成立:
式(18)的动态估计误差可以写作:
由式(2)和(34)可得向量qi,k,vk和μk满足:
写作如下关于ηk的形式:
由δ1i,k,δ2i,k,记||Δ1i||≤1和||Δ2i||≤1,可以得到:
可写作如下关于ηk的形式:
然后,以如下ηk重写式(17):
其中Ξi,k由式(26)定义;
其中γi,k由式(28)定义;
另一方面,通过引理2,得到矩阵不等式(24)当且仅当以下不等式成立时成立:
考虑ωk的统计性质,得
结合式(25)、(37),不等式(45)等价于:
由引理1推导:
或者
证毕;
(2)平均H∞性能
为简化推导,记以下向量:
以及以下矩阵:
引理6:给定滤波器参数Fi,k和Hij,k,在初始条件下,平均H∞性能实现条件为:存在k时刻的正定矩阵序列{Yk}k≥1,k时刻的非负标量序列之一/>k时刻的非负标量序列之二/>k时刻的非负标量序列之三/>以及k时刻节点i的标量序列/>满足如下N个递归矩阵不等式:
其中
引理6证明:
滤波误差系统(19)写作如下形式:
进一步表达为如下增广系统:
其中
其中
考虑ωk的统计性质,有:
其中
其中
将式(61)两边对k从0到T求和,得:
所以:
由式(16)得
表示:
进一步,由式(4)可以推得:
对于不等式(50)应用舒尔补引理,得到:
通过引理3,可知不等式(67)成立,当且仅当
由不等式(68)得到:
进一步得到:
根据引理1,有:
达到式(8)的平均H∞性能,证毕;
步骤4、提出两个优化问题以获取局部最优滤波参数。
具体的,在获得的估计器参数集合中,根据两个推论,提出两个优化问题,一个是通过最小化在矩阵迹意义上获得局部最优滤波性能;另一个是在每一个时刻最小化p来保证局部触发概率,使得估计误差始终保持在期望的椭球内;
记集合:
函数:
提出如下优化问题:
subject to(49)& (73)
假设p是时变的,且pk是时刻k下的概率约束;通过定义:
引出后续的优化问题;
每个时刻概率约束pk确保有下界。
下面结合一个具体实施例对本申请内容进行具体阐述。
估计如下形式的Duffing方程:
利用Matlab工具箱对所设计的滤波器参数进行求解,并验证概率保证包络约束和H∞性能指标。
考虑具有以下参数的非线性系统(1):
测量矩阵为:
C1,k=[01],C2,k=[0.50],C3,k=[0.6 0.5]。
其他参数如下:
E3,k=0.12,T=0.2,k0=2.1,
kd=0.7,c=0.4,k1=0.5,
k2=0.3,λ=0.85,W1=W2=W3=0.01。
另外,选取vk=0.36cos(k),μk=0.4sin(2k),设Vk=0.35,Uk=0.4,可以满足假设1。
假设系统通讯拓扑如图2所示,可以获得邻接矩阵:
此外,设置参数p=0.9,γ=0.7,初始条件给定如下:
σ1,0=σ2,0=σ3,0=0.25。
为了展现算法降低异常数据影响的有效性,考虑带有信号注入的网络攻击。对于节点i(i=1,2,3),注入的攻击信号通过产生,其中/>是在区间[0,1]上均匀分布的随机变量,期望为/>在时间区间[20,50]内,攻击者注入ψi,k到新息/>以降低估计性能。
通过解决优化问题(43),获得仿真结果如图4-7。图4-5分别绘制x(1),x(2)以及它们的估计和/>x(1)和x(2)的滤波器误差在图6-7中分别展示。偏差注入攻击如图3所示,记录了每个节点在对应时间步长内的有效攻击。从图4-7中不难看出,尽管存在偏差注入攻击,滤波算法仍然可以有效地估计目标非线性系统的状态。因此,仿真结果证明了本发明提出的算法的有效性和正确性。
下面,为了进一步说明本发明提出算法的有效性,进行了对比仿真。对于目标非线性系统,在相同的攻击下,应用没有饱和约束的传统算法(比如,σi,k=∞)。本发明提出的算法和传统算法分布记为‘σ-adaptive’和‘σ-inf’。比较结果记录在图8-11中。图8-9分别记录了x(1),x(2)以及它们的估计图10-11分别记录了x(1)和x(2)的估计误差。从图8-11可以看出,估计误差在攻击下发散,这说明传统分布式滤波算法不能在该情况下提供令人满意的性能。
本说明书中各个实施例之间相同相似的部分互相参见即可。尤其,对于服务构建装置和服务加载装置实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例中的说明即可。
以上所述的本申请实施方式并不构成对本申请保护范围的限定。
本申请所研究的系统模型是由一般时变非线性方程来描述。为了降低异常量测值带来的影响,本申请采用了自适应饱和信息机制,在每个时间步内,根据之前的滤波误差自适应调整饱和水平。为了更好地刻画有限时域内的性能,从不同角度定义了两个性能指标:即平均H∞性能和概率椭球约束。最后,本申请提出的算法能够以指定的概率,而不是通常的100%置信度保证包络约束,并且这种概率设计方法可以通过减少实际应用中某些严格但不必要的性能约束条件来提供更多的灵活性。
Claims (7)
1.一种新息约束传感器网络的分布式保概率滤波器设计方法,其特征在于,所述方法包括:
步骤1、建立带有新息饱和机制的非线性系统数学模型;
步骤2、设计概率椭球约束目标和平均H∞性能指标;
步骤3、推导算法存在的充分条件并获得滤波参数;
步骤4、提出两个优化问题以获取局部最优滤波参数。
2.根据权利要求1所述的方法,其特征在于,建立带有新息饱和机制的非线性系统数学模型,包括:
步骤1.1,建立在时域[0,T],传感器网络的非线性离散时变系统数学模型:
其中,表示在时刻k系统的状态,/>表示在时刻k第i个传感器节点的测量输出,/>表示在时刻k+1系统的状态,/>表示在时刻k+1第i个传感器节点的测量输出;ωk是具有单一方差的零均值高斯白色序列;/>表示过程噪声,/>表示测量噪声;Bk是具有适当维度的已知实矩阵之一,Dk是具有适当维度的已知实矩阵之二,Ci,k是具有适当维度的已知实矩阵之三,Ei,k是是具有适当维度的已知实矩阵之四;f(xk):/>是非线性函数之一,h(xk):/>是非线性函数之二;
假设1:噪声序列νk和μk满足如下约束集:
其中Vk是具有适当维度的正定矩阵之一,Uk是具有适当维度的正定矩阵之二。
步骤1.2,建立滤波器结构:
其是在时刻k,节点i的系统状态估计;/>是在时刻k+1,节点i的系统状态估计;是在时刻k,节点i的估计输出;Fi,k是待设计的滤波器参数之一,Hij,k是待设计的滤波器参数之二;对于向量/>a(s)是其第s项;非线性映射/>定义如下:
其中λ∈[0,1)并且Wi>0是给定的加权矩阵。
4.根据权利要求3所述的方法,其特征在于,滤波器满足预先设定的三个引理及一个定义,其中:
当且仅当存在正向量ε使得:
通过泰勒展开,可以将非线性函数f(xk)和h(xk)展开为:
由系统(1)和滤波器(3)可以得到动态估计误差:
得到动态估计误差:
5.根据权利要求4所述的方法,其特征在于,推导算法存在的充分条件并获得滤波参数,包括:
定理3,给定设计指标在初始条件/>下,如果存在一系列正定矩阵/>实矩阵序列/>和/>非负标量/> {εk}k≥0,{ρ1,k}k≥0,{ρ2,k}k≥0和标量{βi,k}k≥0及{∈i,k}k≥0,使得不等式(49)和(73)同时成立,从而满足步骤3中提出的概率椭球约束以及平均H∞性能指标;每个时刻的期望滤波器参数可以通过计算相关矩阵不等式获得;
下面给出计算的算法;
算法1,Fi,k和Hij,k的计算方法如下:
(4)令k=k+1,若k>kmax,则结束,否则转到步骤2。
6.根据权利要求5所述的方法,其特征在于,所述定理3通过以下方法确定:
1)概率椭球约束
定义:
提出后面推导中使用的引理4:
假设2:令:
引理5:给定滤波器参数Fi,k和Hij,k,对于给定的正定矩阵序列{Pk}k≥0,可因式分解为并且在公式(23)下,如果存在k时刻节点i的非负标量序列之一/>k时刻的非负标量序列之一/>k时刻的非负标量序列之二/>k时刻节点i的非负标量序列之二/>k时刻节点i的非负标量序列之三/>k时刻节点i的非负标量序列之四/>以及k时刻节点i的标量序列{βi,k}k≥0,满足如下递归矩阵不等式:/>
其中:
则如下不等式成立:
引理5如下证明:
由公式(23)可得:
假设在时间k时,如下不等式成立:
式(18)的动态估计误差可以写作:
由式(2)和(34)可得向量qi,k,νk和μk满足:
写作如下关于ηk的形式:
由δ1i,k,δ2i,k,记||Δ1i||≤1和||Δ2i||≤1,可以得到:
可写作如下关于ηk的形式:
然后,以如下ηk重写式(17):
其中Ξi,k由式(26)定义;
其中Υi,k由式(28)定义;
另一方面,通过引理2,得到矩阵不等式(24)当且仅当以下不等式成立时成立:
考虑ωk的统计性质,得
结合式(25)、(37),不等式(45)等价于:
由引理1推导:
或者
证毕;
(2)平均H∞性能
为简化推导,记以下向量:
以及以下矩阵:
引理6:给定滤波器参数Fi,k和Hij,k,在初始条件下,平均H∞性能实现条件为:存在k时刻的正定矩阵序列{Yk}k≥1,k时刻的非负标量序列之一{εk}k≥0,k时刻的非负标量序列之二{ρ1,k}k≥0,k时刻的非负标量序列之三{ρ2,k}k≥0,以及k时刻节点i的标量序列{∈i,k}k≥0满足如下N个递归矩阵不等式:
其中
引理6证明:
滤波误差系统(19)写作如下形式:
进一步表达为如下增广系统:
其中
其中
考虑ωk的统计性质,有:
其中
其中
将式(61)两边对k从0到T求和,得:
所以:
由式(16)得
表示:
进一步,由式(4)可以推得:
对于不等式(50)应用舒尔补引理,得到:
通过引理3,可知不等式(67)成立,当且仅当
由不等式(68)得到:
进一步得到:
根据引理1,有:
达到式(8)的平均H∞性能,证毕;
定理2:给定滤波器参数Fi,k和Hij,k,在初始条件下,平均H∞性能(8)实现条件为:存在正定矩阵序列/>非负标量序列{εk}k≥0,{ρ1,k}k≥0,{ρ2,k}k≥0,以及标量序列{∈i,k}k≥0满足如下N个递归矩阵不等式:
7.根据权利要求1所述的方法,其特征在于,提出两个优化问题以获取局部最优滤波参数,包括:
记集合:
函数:
提出如下优化问题:
subjectto(49)&(73)
假设p是时变的,且pk是时刻k下的概率约束;通过定义:
引出后续的优化问题;
每个时刻概率约束pk确保有下界。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211407651.3A CN115882822A (zh) | 2022-11-10 | 2022-11-10 | 一种新息约束传感器网络的分布式保概率滤波器设计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211407651.3A CN115882822A (zh) | 2022-11-10 | 2022-11-10 | 一种新息约束传感器网络的分布式保概率滤波器设计方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115882822A true CN115882822A (zh) | 2023-03-31 |
Family
ID=85759614
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211407651.3A Pending CN115882822A (zh) | 2022-11-10 | 2022-11-10 | 一种新息约束传感器网络的分布式保概率滤波器设计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115882822A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117997313A (zh) * | 2024-04-03 | 2024-05-07 | 南京理工大学 | 一种量测缺失下的保概率分布式滤波器设计方法及系统 |
CN118074672A (zh) * | 2024-04-19 | 2024-05-24 | 南京理工大学 | 信道衰减和双通道攻击下的保概率分布式滤波方法及系统 |
CN118070556A (zh) * | 2024-04-17 | 2024-05-24 | 南京理工大学 | 一种复杂网络的保概率集员估计器设计方法 |
-
2022
- 2022-11-10 CN CN202211407651.3A patent/CN115882822A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117997313A (zh) * | 2024-04-03 | 2024-05-07 | 南京理工大学 | 一种量测缺失下的保概率分布式滤波器设计方法及系统 |
CN118070556A (zh) * | 2024-04-17 | 2024-05-24 | 南京理工大学 | 一种复杂网络的保概率集员估计器设计方法 |
CN118074672A (zh) * | 2024-04-19 | 2024-05-24 | 南京理工大学 | 信道衰减和双通道攻击下的保概率分布式滤波方法及系统 |
CN118074672B (zh) * | 2024-04-19 | 2024-07-09 | 南京理工大学 | 信道衰减和双通道攻击下的保概率分布式滤波方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115882822A (zh) | 一种新息约束传感器网络的分布式保概率滤波器设计方法 | |
Godoy et al. | On identification of FIR systems having quantized output data | |
Wen et al. | Secure consensus of multi‐agent systems under denial‐of‐service attacks | |
He et al. | Preserving data-privacy with added noises: Optimal estimation and privacy analysis | |
McDonald et al. | Estimation of population size using open capture-recapture models | |
Gholami et al. | TDOA based positioning in the presence of unknown clock skew | |
Hlinka et al. | Consensus-based distributed particle filtering with distributed proposal adaptation | |
CN109088749B (zh) | 一种随机通讯协议下复杂网络的状态估计方法 | |
CN116992927A (zh) | 一种欺骗攻击下的无线传感器网络分布式保概率估计方法 | |
Huang et al. | Robust event-triggered state estimation: A risk-sensitive approach | |
CN109728796B (zh) | 一种基于事件触发机制的滤波方法 | |
Zhang et al. | A novel set-membership estimation approach for preserving security in networked control systems under deception attacks | |
Lima et al. | Steady-state analysis of the set-membership affine projection algorithm | |
Diwadkar et al. | Control of systems in Lure form over erasure channels | |
Katewa et al. | Protecting privacy of topology in consensus networks | |
Khazraei et al. | Attack-resilient state estimation with intermittent data authentication | |
Wiese et al. | Copula & marginal flows: Disentangling the marginal from its joint | |
Sasirekha et al. | State estimation of discrete-time markov jump neural networks with general transition probabilities and output quantization | |
Chambers et al. | Secondary analysis of linked data | |
Pang et al. | Dynamic event-based finite-horizon H∞ secure consensus control of a class of nonlinear multi-agent systems | |
Huang et al. | Event-triggering robust fusion estimation for a class of multi-rate systems subject to censored observations | |
Hu et al. | Fusion filtering for rectangular descriptor systems with stochastic bias and random observation delays under weighted try-once-discard protocol | |
Yang et al. | Distributed fault-tolerant consensus for one-sided Lipschitz multiagent systems based on error decomposition and jointly observable condition | |
Yu et al. | Optimal state estimation for singular system with stochastic uncertain parameter | |
Rodrigues et al. | Toward tractable global solutions to Bayesian point estimation problems via sparse sum-of-squares relaxations |
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 |