论文部分内容阅读
本论文围绕着分布式传感器网络对探测场景中时变多目标的稳定、持续监测任务需求,开展了分布式多传感器多目标跟踪(DMMT)技术的相关研究工作。与集中式相比,DMMT具有通信代价低、容错率高、鲁棒性强等优势,因此理论研究和工程应用中具有重大意义。DMMT技术作为一项正在发展中且不断完善的技术,仍面临着诸多的问题和挑战。本论文在随机集理论框架下,主要研究了分布式融合算法、分布式融合高效实现方法、分布式融合的网络共识方法等工作,为DMMT技术的实现与应用提供了重要解决途径。主要工作和贡献如下:1.针对多目标跟踪问题,在随机集合理论框架下采用多伯努利分布(MB)建模单传感器多目标滤波问题;针对分布式传感器网络节点间量测相关性未知问题,提出了基于广义协方差交集(GCI)准则的MB滤波器分布式融合算法(GCI-MB),并推导出GCI-MB融合后验分布解析表达式,为分布式融合算法提供了融合所需的先决条件。所提出的GCI-MB融合算法具有性能优异、算法稳定、序列蒙特卡罗(SMC)实现时无需额外聚类过程等优势。2.针对GCI-MB融合算法计算量随目标个数增加呈指数增长问题,提出了基于目标分组的并行GCI-MB融合算法,简称GCI-MB-G融合。通过截断GCI-MB融合后验分布中低权重假设分量,推导出完全并行化融合结构,将高维后验分布融合问题转化为多组低维后验分布融合问题,极大地降低了算法所需计算资源的要求。GCI-MB-G融合算法具有融合结构简单、高效、性能稳定等优势,为GCIMB融合算法的工程应用提供了重要技术支撑。3.针对分布式传感器网络全局多目标后验信息的平均共识计算问题,提出了基于GCI-MB融合的网络共识算法(C-GCI-MB)。该算法通过采用加权Kullback–Leibler平均计算建模全部节点MB后验分布的共识计算问题,采用序贯信息交互-本地GCI-MB融合的策略实现C-GCI-MB融合后,可有效的避免传感器间“公共信息”重复计算问题。C-GCI-MB融合算法使得分布式传感器网络具备了全部节点信息共享、分布式计算以及全局目标状态估计能力。