基于对数量化的无线传感器网络滤波信息处理系统及方法

摘要

本发明涉及一种基于对数量化的无线传感器网络滤波信息处理系统及方法，该系统包括：分别对应设置l个传感器、事件触发器、滤波器和量化器的传感器采样单元、事件触发单元、分布式滤波单元和量化单元，对应的1个传感器、事件触发器、滤波器和量化器依次连接，形成l组独立的滤波信息处理链路，l组滤波信息处理链路输出端连接有融合单元；传感器分别获取l个观测变量，传感器测得的观测变量进行事件触发输出至滤波器，滤波器进行系统状态变量估计，量化器进行量化，融合单元对l组状态变量量化估计值进行融合得到状态变量估计值。与现有技术相比，本发明能够实现信号有效地传输，降低传输数据量、减少网络拥塞、丢包等现象，提高系统性能。

说明书

技术领域

本发明涉及一种滤波信息处理系统及方法，尤其是涉及一种基于对数量化的无线传感器网络滤波信息处理系统及方法。

背景技术

当今社会，信息化无处不在，正是集合了人们对于信息化的迫切需求以及传感器设备的发展趋势，无线传感器网络应运而生。无线传感器网络由密集布设在监测区域内的大量节点组成，包括传感器节点、汇聚节点，这些节点能够相互协作完成指定任务。其中，传感器节点周期性地采集被测对象信息，并且将数据传送至汇聚节点，汇聚节点对所接收到的信息按照一定规则融合处理。无线传感器网络的一个重要运用是目标对象的状态估计，其目的是把带有诸多干扰的原始数据更准确地复现出来，实际应用中，常用的滤波器有：卡尔曼滤波器、鲁棒H₂滤波器，鲁棒H_∞滤波器以及鲁棒L₂-L_∞滤波器等。卡尔曼滤波器是一种发展成熟的经典滤波器，它可以实现信号的滤波和预测；其存在的缺陷是只能针对噪声为高斯白噪声的条件下进行滤波，因此，其使用范围受到了限制。对于其它种类的滤波器，针对时滞系统及网络控制系统的鲁棒滤波器已经有一些研究，如：Mehrdad>

前面的这些滤波器的设计中都假设信号传输(包括采集到的信号从传感器传送到控制器以及控制信号从控制器传送到执行器)为连续传输，而忽略了无线传感器网络中信道带宽有限的因素。一方面，由于无线传感器网络中传感器的测量信号往往需要通过网络进行传输，当没有外界扰动作用于系统，亦或是系统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，在保证良好系统性能的前提下大量的减少数据传输次数，降低通信负载。因此，在无线传感器网络的滤波设计中研究事件触发机制是非常有意义的。

信号量化是数字控制系统中经常遇到的现象，目前在网络化控制系统中已经得到了广泛的关注。在网络控制系统中，控制输入和测量输出信号必须先经过量化之后才能被传输至下一个节点。量化问题在基于事件触发的网络控制系统中也有较深入的研究，目前有文献研究了输出反馈事件触发网络控制系统的L₂控制器设计问题，所提出的设计方案可用于同时处理具有传输时滞和信号量化的网络化控制系统。然而，量化问题在无线传感器网络中的研究相对较少。量化过程通过量化器将实际信号转换成一个在有限集中取值的分段信号。由于量化的存在，不可避免的会带来量化误差，量化误差的存在会对系统的性能造成一些影响，严重时甚至可能产生极限环和混沌现象，因此，在无线传感器网络设计中量化误差是必须考虑的。考虑到无线传感器网络中存在通信带宽和资源有限的限制，研究事件触发机制下的无线传感器网络的量化问题比对一般的无线传感器网络进行量化控制设计更有意义。从现有的文献来看，现有的滤波信息处理方法设计过程中，为了简化运算，还没有设计者将事件触发机制和量化因素同时考虑在内。

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对数量化的无线传感器网络滤波信息处理系统及方法。

本发明的目的可以通过以下技术方案来实现：

一种基于对数量化的无线传感器网络滤波信息处理系统，用于对被控系统的观测变量进行数据传输与处理并估计系统状态变量，该系统包括：依次连接的传感器采样单元、事件触发单元、分布式滤波单元、量化单元和融合单元，传感器采样单元、事件触发单元、分布式滤波单元和量化单元分别对应设置l个传感器、事件触发器、滤波器和量化器，对应的1个传感器、事件触发器、滤波器和量化器依次连接，形成l组独立的滤波信息处理链路，l组滤波信息处理链路输出端连接至融合单元；

传感器分别获取l个观测变量，l组滤波信息处理链路分别根据该链路中传感器测得的观测变量进行事件触发输出至滤波器，滤波器根据观测变量进行系统状态变量估计，量化器对系统状态变量进行量化进而得到l组状态变量量化估计值，融合单元对l组状态变量量化估计值进行融合得到被控系统的状态变量估计值。

所述的事件触发器具体规则为：当ψ(y_p(t),σ_p)＞0时，事件触发，ψ(y_p(t),σ_p)为第p个事件触发器是事件产生器函数，具体地：

其中，y_p(t)为t时刻的对应于事件触发器的第p个传感器测量到被控系统的观测变量，为事件触发时刻事件触发器输出的被控系统的观测变量，σ_p∈(0,1)为事件触发阈值参数，Φ_p＞0为事件触发权重矩阵；

事件触发时刻的下一次事件触发时刻为满足：

其中，表示时间集，inf表示集合的下确界。

第p个滤波信息处理链路中的滤波器为：

其中，为第p个滤波器在t时刻滤波处理得到的状态变量滤波器估计值矩阵，为第p个滤波器在(t+1)时刻滤波处理得到的状态变量滤波器估计值矩阵，为事件触发时刻事件触发器输出的被控系统的观测变量，F_p和K_p均为第p个滤波器的参数矩阵，为事件触发时刻的下一个事件触发时刻。

第p个滤波信息处理链路中的量化器为：

其中，为第p个量化器在t时刻量化处理得到的状态变量量化估计值矩阵，表示第p个量化器的量化函数，表示第p个滤波器在t时刻滤波处理得到的状态变量滤波器估计值矩阵，分别为矩阵中的n个元素，记作表示第p个滤波器在t时刻滤波处理得到的第i个状态变量滤波器估计值，第p个量化器中针对第i个状态变量的量化函数，i＝1,2……n，n为状态变量总个数。

第p个量化器中针对第i个状态变量的量化函数具体为：

δ_pi为第p个量化器中针对第i个状态变量的量化参数，且满足：

为第p个通信信道的通信容量最小值；

进而得到：

其中，为第p个量化器的量化参数矩阵，diag{…}表示对角矩阵，I为适维单位阵，为第p个滤波器在t时刻滤波处理得到的状态变量滤波器估计值矩阵，为第p个量化器在t时刻量化处理得到的状态变量量化估计值矩阵。

所述的融合单元设置融合器，所述的融合器具体为：

其中，为融合得到被控系统的状态变量估计值矩阵，W_p为融合权重矩阵，l为量化器总个数，为第p个量化器在t时刻量化处理得到的状态变量量化估计值矩阵。

该系统中各事件触发器、滤波器、量化器以及融合单元中具体参数通过如下方式进行设计：

(a)构建系统状态方程：

其中，x(t)为被控系统的状态变量矩阵，Rⁿ为n维欧几里得空间，y_p(t)为第p个传感器测量到的系统的观测变量，ω(t)为属于的噪声输入，v_p(t)为属于的测量噪声，A、B、C_p、D_p为适维矩阵；

(b)定义融合估计误差增广状态矩阵其中，为融合得到被控系统的状态变量估计值矩阵，col_l{}表示将排列成列向量，和为第p个滤波器在t时刻滤波处理得到的状态变量滤波器估计值矩阵，p＝1,2……l；

(c)将带入步骤(b)中的融合估计误差得到：

其中，W_p为融合权重矩阵，p＝1,2……l，为第p个量化器在t时刻量化处理得到的状态变量量化估计值矩阵，为第p个滤波器在t时刻滤波处理得到的状态变量滤波器估计值矩阵，分别为第p个量化器的量化参数矩阵，I为适维单位阵；

(d)联合系统状态方程、融合估计误差以及滤波器函数得到系统增广状态方程：

其中，第p个滤波信息处理链路中的滤波器为：

为第p个滤波器在t时刻滤波处理得到的状态变量滤波器估计值矩阵，为第p个滤波器在(t+1)时刻滤波处理得到的状态变量滤波器估计值矩阵，为事件触发时刻事件触发器输出的被控系统的观测变量，F_p和K_p均为第p个滤波器的参数矩阵，为事件触发时刻的下一个事件触发时刻，

p＝1,2……l，F＝diag{F₁,…,F_l}，K＝diag{K₁,…,K_l}，C＝col_l{C₁,…,C_p,…,C_l}，D＝diag{D₁,D₂,…D_l}，

(e)建立系统约束条件；

(f)采用李雅普诺夫稳定性分析法建立使得系统增广状态方程在约束条件下稳定的线性矩阵不等式；

(g)求解线性矩阵不等式，得到该系统中事件触发器、滤波器、量化器以及融合单元中具体参数，具体包括事件触发权重矩阵Φ_p，滤波器参数矩阵F_p和K_p，量化器量化参数矩阵以及融合单元融合权重矩阵W_p，p＝1,2……l。

步骤(e)约束条件包括：

(1)在不考虑系统外部扰动以及传感器的测量噪声下，系统增广状态方程稳定；

(2)在零输入条件下，对于给定的性能参数γ＞0,任意的非零e(t)满足：

其中E[·]代表数学期望值；

(3)取得最优的融合权重矩阵W₁,W₂,…,W_l及最优的量化参数δ_p1,δ_p2,…,δ_pn满足：

{W_p,δ_p1,δ_p2,…,δ_pn(p＝1,2,…,l)}＝argminγ

argminγ表示γ取得最小值，δ_pi为第p个量化器中针对第i个状态变量的量化参数，量化器量化参数矩阵且满足：

为第p个通信信道的通信容量最小值。

步骤(f)具体为：

(f1)定义李亚普诺夫函数为V(η(t),t)＝η^T(t)Pη(t)，其中P为正定矩阵，P＝diag{P₁,P₂}，P₁＝diag{P₁₁,P₁₂,…P_1l}，P₂＝diag{P₂₁,P₂₂,…P_2l}；

(f2)对李雅普诺夫函数V(η(t),t)求导，求得使得李雅普诺夫函数导数小于0的矩阵不等式即为所述的线性矩阵不等式，具体地，线性矩阵不等式为：

其中，Δ_p＝diag{δ_p1,δ_p2,...,δ_pn}，Δ＝diag{Δ₁,…,Δ_l}，W＝[-W₁,…,-W_l]，上述各矩阵中的*表示对称矩阵中的对称元素，γ＞0、θ＞0和σ_p为给定的性能参数，p＝1,2……l，Φ＝diag{Φ₁,…,Φ_l}为事件触发权重矩阵，和为待求参数矩阵。

一种基于对数量化的无线传感器网络滤波信息处理方法，该方法包括如下步骤：

(1)设置l组独立的滤波信息处理链路，每组滤波信息处理链路包括依次设置的传感器、事件触发器、滤波器和量化器，在l组滤波信息处理链路后连接融合单元；

(2)每组滤波信息处理链路进行如下操作：传感器检测得到被控系统的观测变量，事件触发器在事件触发时刻将传感器检测得到的观测变量传输至对应的滤波器，滤波器对接收的数据进行滤波处理得到系统状态变量滤波器估计值，量化器对系统状态变量滤波器估计值进行量化得到状态变量量化估计值；

(3)融合单元对l组滤波信息处理链路得到的l组状态变量量化估计值进行融合得到被控系统的状态变量估计值。

与现有技术相比，本发明具有如下优点：

(1)本发明设置同时设置事件触发器和量化器，在考虑有限信道带宽的情况下，建立了事件触发机制下的滤波器模型，并采用对数量化器，将量化误差变换为与系统状态相关的不确定性来处理，得出了一个满足干扰抑制条件的滤波信息处理系统，能够实现信号有效地传输，降低传输数据量、减少网络拥塞、丢包等现象，提高系统系统性能；

(2)本发明l组滤波信息处理链路，通过量化器进行量化得到状态变量量化估计值，进而通过融合单元进行融合得到整个系统的状态变量估计值，从而减小了量化误差，提高了数据的准确性；

(3)本发明系统中各事件触发器、滤波器、量化器以及融合单元中具体参数的设计实现了对网络控制系统在干扰影响下的具有性能参数γ的鲁棒H_∞滤波器的设计，提高了系统鲁棒性。

附图说明

图1为本发明基于对数量化的无线传感器网络滤波信息处理系统的结构框图；

图2为实施例设计的基于对数量化的无线传感器网络滤波信息处理系统仿真平台弹簧质量块示意图；

图3为实施例中对象状态x₁与滤波器的估计值的对比图；

图4为实施例中对象状态x₂与滤波器的估计值的对比图；

图5为实施例中对象状态x₃与滤波器的估计值的对比图；

图6为实施例中对象状态x₄与滤波器的估计值的对比图；

图7为实施例中滤波网络的估计误差曲线图；

图8实施例中第一个事件触发器触发时序图；

图9实施例中第二个事件触发器触发时序图。

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

如图1所示，一种基于对数量化的无线传感器网络滤波信息处理系统，用于对被控系统的观测变量进行数据传输与处理并估计系统状态变量，该系统包括：依次连接的传感器采样单元、事件触发单元、分布式滤波单元、量化单元和融合单元，传感器采样单元、事件触发单元、分布式滤波单元和量化单元分别对应设置l个传感器、事件触发器、滤波器和量化器，对应的1个传感器、事件触发器、滤波器和量化器依次连接，形成l组独立的滤波信息处理链路，l组滤波信息处理链路输出端连接至融合单元；

传感器分别获取l个观测变量，l组滤波信息处理链路分别根据该链路中传感器测得的观测变量进行事件触发输出至滤波器，滤波器根据观测变量进行系统状态变量估计，量化器对系统状态变量进行量化进而得到l组状态变量量化估计值，融合单元对l组状态变量量化估计值进行融合得到被控系统的状态变量估计值。

所述的事件触发器具体规则为：当ψ(y_p(t),σ_p)＞0时，事件触发，ψ(y_p(t),σ_p)为第p个事件触发器是事件产生器函数，具体地：

其中，y_p(t)为t时刻的对应于事件触发器的第p个传感器测量到被控系统的观测变量，为事件触发时刻事件触发器输出的被控系统的观测变量，σ_p∈(0,1)为事件触发阈值参数，Φ_p＞0为事件触发权重矩阵；

事件触发时刻的下一次事件触发时刻为满足：

其中，表示时间集，inf表示集合的下确界。

第p个滤波信息处理链路中的滤波器为：

其中，为第p个滤波器在t时刻滤波处理得到的状态变量滤波器估计值矩阵，为第p个滤波器在(t+1)时刻滤波处理得到的状态变量滤波器估计值矩阵，为事件触发时刻事件触发器输出的被控系统的观测变量，F_p和K_p均为第p个滤波器的参数矩阵，为事件触发时刻的下一个事件触发时刻。

第p个滤波信息处理链路中的量化器为：

其中，为第p个量化器在t时刻量化处理得到的状态变量量化估计值矩阵，表示第p个量化器的量化函数，表示第p个滤波器在t时刻滤波处理得到的状态变量滤波器估计值矩阵，分别为矩阵中的n个元素，记作表示第p个滤波器在t时刻滤波处理得到的第i个状态变量滤波器估计值，第p个量化器中针对第i个状态变量的量化函数，i＝1,2……n，n为状态变量总个数。

第p个量化器中针对第i个状态变量的量化函数具体为：

δ_pi为第p个量化器中针对第i个状态变量的量化参数，且满足：

为第p个通信信道的通信容量最小值；

第p个量化器中针对第i个状态变量的量化函数有以下量化水平集：

其中，为量化密度，取值满足为满足的任意正数。每一个量化水平对应一个区间，这个区间数据经量化后的取值均为量化水平值。选取如下量化函数：

其中满足0＜δ_pi＜1，此量化函数为对称时不变的。

进而得到：

其中，为第p个量化器的量化参数矩阵，diag{…}表示对角矩阵，I为适维单位阵，为第p个滤波器在t时刻滤波处理得到的状态变量滤波器估计值矩阵，为第p个量化器在t时刻量化处理得到的状态变量量化估计值矩阵。

所述的融合单元设置融合器，所述的融合器具体为：

其中，为融合得到被控系统的状态变量估计值矩阵，W_p为融合权重矩阵，l为量化器总个数，为第p个量化器在t时刻量化处理得到的状态变量量化估计值矩阵。

该系统中各事件触发器、滤波器、量化器以及融合单元中具体参数通过如下方式进行设计：

(a)构建系统状态方程：

其中，x(t)为被控系统的状态变量矩阵，Rⁿ为n维欧几里得空间，y_p(t)为第p个传感器测量到的系统的观测变量，ω(t)为属于的噪声输入，v_p(t)为属于的测量噪声，A、B、C_p、D_p为适维矩阵；

(b)定义融合估计误差增广状态矩阵其中，为融合得到被控系统的状态变量估计值矩阵，col_l{}表示将排列成列向量，和为第p个滤波器在t时刻滤波处理得到的状态变量滤波器估计值矩阵，p＝1,2……l；

(c)将带入步骤(b)中的融合估计误差得到：

其中，W_p为融合权重矩阵，p＝1,2……l，为第p个量化器在t时刻量化处理得到的状态变量量化估计值矩阵，为第p个滤波器在t时刻滤波处理得到的状态变量滤波器估计值矩阵，分别为第p个量化器的量化参数矩阵，I为适维单位阵；

(d)联合系统状态方程、融合估计误差以及滤波器函数得到系统增广状态方程：

其中，第p个滤波信息处理链路中的滤波器为：

为第p个滤波器在t时刻滤波处理得到的状态变量滤波器估计值矩阵，为第p个滤波器在(t+1)时刻滤波处理得到的状态变量滤波器估计值矩阵，为事件触发时刻事件触发器输出的被控系统的观测变量，F_p和K_p均为第p个滤波器的参数矩阵，为事件触发时刻的下一个事件触发时刻，p＝1,2……l，F＝diag{F₁,…,F_l}，K＝diag{K₁,…,K_l}，C＝col_l{C₁,…,C_p,…,C_l}，D＝diag{D₁,D₂,…D_l}，

(e)建立系统约束条件；

(f)采用李雅普诺夫稳定性分析法建立使得系统增广状态方程在约束条件下稳定的线性矩阵不等式；

(g)求解线性矩阵不等式，得到该系统中事件触发器、滤波器、量化器以及融合单元中具体参数，具体包括事件触发权重矩阵Φ_p，滤波器参数矩阵F_p和K_p，量化器量化参数矩阵以及融合单元融合权重矩阵W_p，p＝1,2……l。

步骤(e)约束条件包括：

(1)在不考虑系统外部扰动以及传感器的测量噪声下，系统增广状态方程稳定；

(2)在零输入条件下，对于给定的性能参数γ＞0,任意的非零e(t)满足：

其中E[·]代表数学期望值；

(3)取得最优的融合权重矩阵W₁,W₂,…,W_l及最优的量化参数δ_p1,δ_p2,…,δ_pn满足：

{W_p,δ_p1,δ_p2,…,δ_pn(p＝1,2,…,l)}＝argminγ，>

argminγ表示γ取得最小值，δ_pi为第p个量化器中针对第i个状态变量的量化参数，量化器量化参数矩阵且满足：

为第p个通信信道的通信容量最小值。

步骤(f)具体为：

(f1)定义李亚普诺夫函数为：

其中，P为正定矩阵，P＝diag{P₁,P₂}，P₁＝diag{P₁₁,P₁₂,…P_1l}，P₂＝diag{P₂₁,P₂₂,…P_2l}；

(f2)对李雅普诺夫函数V(η(t),t)求导，求得使得李雅普诺夫函数导数小于0的矩阵不等式即为所述的线性矩阵不等式，具体地，线性矩阵不等式为：

其中，Δ_p＝diag{δ_p1,δ_p2,…,δ_pn}，Δ＝diag{Δ₁,…,Δ_l}，W＝[-W₁,…,-W_l]，上述各矩阵中的*表示对称矩阵中的对称元素，γ＞0、θ＞0和σ_p为给定的性能参数，p＝1,2……l，Φ＝diag{Φ₁,…,Φ_l}为事件触发权重矩阵，和为待求参数矩阵。

通过以下算法获得最优的融合权重矩阵和最优的量化参数，使得H_∞扰动抑制比γ尽可能地小。通过求解下面的优化问题求得融合权重矩阵W₁,…,W_l和量化参数θ,σ_p,Φ_p(p＝1,2,…,l)的值：

式(2)表示在同时满足式(21)和式(6)时γ取得最小值。

通过和分别求得H_∞扰动抑制比γ和量化参数。

一种基于对数量化的无线传感器网络滤波信息处理方法，该方法包括如下步骤：

(1)设置l组独立的滤波信息处理链路，每组滤波信息处理链路包括依次设置的传感器、事件触发器、滤波器和量化器，在l组滤波信息处理链路后连接融合单元；

(2)每组滤波信息处理链路进行如下操作：传感器检测得到被控系统的观测变量，事件触发器在事件触发时刻将传感器检测得到的观测变量传输至对应的滤波器，滤波器对接收的数据进行滤波处理得到系统状态变量滤波器估计值，量化器对系统状态变量滤波器估计值进行量化得到状态变量量化估计值；

(3)融合单元对l组滤波信息处理链路得到的l组状态变量量化估计值进行融合得到被控系统的状态变量估计值。

本实施例用下面的实例验证滤波器的设计：

如图2所示，考虑一个具有两个质量和两个弹簧的机械系统，其中x₁和x₂分别为质量块m₁＝1kg和m₂＝0.5kg离平衡位置的水平位移，k₁＝1N/m和k₂＝1N/m表示弹簧的弹性系数，质量块与地面之间的阻尼系数用c＝0.5来表示。

针对该机械系统设计2组滤波信息处理链路，利用牛顿第二定律和胡可定律，选择采样周期T＝0.1s，将上述值代入并对连续系统离散化，得到离散化的系统矩阵为：

假设有两个传感器，分别测量水平位移x₁和x₂，则有：

C₁＝[1>2＝[0>1＝D₂＝0.1，

通过Matlab中的LMI工具箱，可求得滤波器增益分别为：

取事件触发阈值参数分别为σ₁＝0.35和σ₂＝0.38，通信容量最小值为由算法可以得到最优的噪声抑制比为γ＝1.7482，最优融合权重矩阵和量化系数分别为：

可以看到有满足带宽限制条件。图3～图6为系统各状态以及状态估计值，图3为质量块m₁的水平位移x₁状态和状态估计值，图4为质量块m₂的水平位移x₂的状态和状态估计值，图5为质量块m₁的水平移动速度v₁状态和状态估计值，图6为质量块m₂的水平移动速度v₂的状态和状态估计值。

图7为滤波误差曲线图，从误差曲线图中可以看出，滤波网络能够保持良好的滤波效果。

图8和图9为滤波器1和滤波器2的各自对应的事件触发器的触发时序图。从事件触发时刻图中可知，该滤波网络的平均数据传输率为0.75，节约了25％的网络通信资源。

为了简单处理，现有的滤波信息处理方法中并没有考虑到传输中带宽有限的限制及量化所带来的误差的影响。然而，为了信号能够有效地传输，降低传输数据量、减少网络拥塞、丢包等因素，事件触发机制和量化是网络系统中必不可少的环节，不考虑这些因素会可能对系统性能造成很大的影响，对于反馈控制系统可能造成系统发散，甚至产生极限环和混沌现象。本发明实现了对网络控制系统在干扰影响下的具有性能参数γ的鲁棒H_∞滤波信息处理方法的设计。在考虑有限信道带宽的情况下，建立了事件触发机制下的滤波器模型，并采用对数量化器，将量化误差变换为与系统状态相关的不确定性来处理，得出了一个满足干扰抑制条件的滤波信息处理方法，通过Lyapunov方法和线性矩阵不等式方法，可解出滤波信息处理方法的各参数，并通过一个例子证明了算法的有效性。由于本发明在滤波信息处理方法设计中充分考虑了实际中由于信道带宽有限、量化所带来的影响因素，从而更符合实际使用情况。