论文部分内容阅读
随着通信技术和传感器技术的发展,无线传感器网络在目标跟踪、环境监测、辅助导航、灾害预警、资源勘探、事故调查等军事和民用领域得到日益广泛的应用。受限于成本、使用环境和通信能力,采用常规的状态估计方法对无线传感器网络信息进行融合尤为困难,需要考虑其中存在的能量受限、带宽受限、非高斯噪声、噪声方差未知等问题。常用的多传感器信息融合策略包括存在唯一融合中心的集中式策略和去中心化的分布式策略两种。在集中式策略中,融合中心收集并集中处理所有传感器的信息,其通信和计算能力限制了接入传感器的数量,适合传感器规模较少的场景;与之对应,在分布式策略中,每个传感器仅与相邻传感器进行信息交互,可以扩展传感器感知范围,提高系统可靠性,降低单个传感器成本,适合存在能量和带宽受限且传感器数量较多、空间分布较广的应用场景。本文分别从集中式和分布式两种角度,开展无线传感器网络信息的融合估计问题研究,通过典型的目标跟踪等场景下的仿真来验证算法的效果。本文主要研究内容如下:
针对能量受限条件下多传感器信息融合问题,提出了基于事件驱动策略的多传感器融合估计算法。首先定义一种死区类型的事件驱动策略,随后借助Tobit模型的部分结论推导出基本的滤波算法,并在推导出信息滤波算法基础上,给出了一种事件驱动的多传感器融合估计方法。在该算法中,只有当所定义事件触发时传感器才向融合中心传输数据,通过降低通信频率提高能量使用效率。仿真结果表明,所提出的滤波算法与其信息滤波形式等价,其估计精度优于现有的几种算法,提出的事件驱动的多传感器融合估计算法能够显著降低传感器与融合中心间的通信频率。
针对带有非高斯噪声的系统,提出了基于极大熵的数值计算稳定的状态估计算法。针对现有极大熵滤波算法易于发散的问题,通过定义新的代价函数,求解得到了数值计算稳定的极大熵无迹卡尔曼滤波算法,并推导了其相应的信息滤波算法。为进一步提高所提算法估计精度,在更为一般的滤波更新代价函数基础上,分别通过Gauss-Newton和Levenberg-Marguardt方法得到迭代形式的极大熵滤波算法。仿真结果表明,所提算法数值稳定性优于现有算法,且所提出的迭代算法能够进一步提高所提算法的估计精度。
针对具有噪声方差未知和模型不准确的系统,提出了基于变分贝叶斯的自适应交互多模型状态估计算法。将过程和量测噪声方差建模为逆Wishart分布,在交互多模型算法的框架下,采用变分贝叶斯方法同时估计出系统状态、过程噪声方差和量测噪声方差,随后利用加权Kullback-Leibler对每个模型下的估计结果进行融合,得到了基于变分贝叶斯的自适应交互多模型算法。仿真结果表明,所提出的自适应交互多模型算法的估计精度能够逼近采用真实噪声方差的经典交互多模型算法,且计算量适中。
针对线性系统的分布式融合估计问题,提出了基于扩散式分布策略的航迹融合型分布式算法。在现有扩散式卡尔曼滤波算法的等价变形基础上,推导了考虑误差协方差传播的航迹融合型扩散式卡尔曼滤波算法,并给出了其简化算法。借助数学归纳法分析了所提算法的无偏性和收敛性。仿真结果表明,所提出的航迹融合型算法精度优于现有的几种扩散式算法,且其简化算法能够实现周期性的信息融合,进一步降低算法的通信频率。
针对非线性系统的分布式融合估计问题,提出了基于混合一致策略的sigma点近似分布式算法。首先针对带间歇性量测的非线性多传感器网络,推导了带间歇性量测的扩散式容积卡尔曼滤波算法。在此基础上,借助统计线性化的方法,得到了采用sigma点近似的非线性系统混合一致分布式滤波算法,并借助统计线性化利用递归法分析了其稳定性。仿真结果表明,提出的算法较现有的相关方法有更好的估计效果,且随着一致性迭代次数增加,算法估计精度能够逼近集中式算法的估计精度。
针对含有非高斯噪声系统的分布式融合估计问题,提出了基于极大熵的分布式算法。在前面极大熵算法基础上,通过定义考虑多个传感器量测方程的极大熵代价函数,并借助信息滤波形式得到了针对线性系统的极大熵分布式融合估计算法,并扩展到非线性系统上。仿真结果表明,所推导的分布式极大熵算法可以显著抑制非高斯噪声的污染,估计精度优于现有常规分布式算法,且能够逼近集中式极大熵滤波算法的结果。
针对能量受限条件下多传感器信息融合问题,提出了基于事件驱动策略的多传感器融合估计算法。首先定义一种死区类型的事件驱动策略,随后借助Tobit模型的部分结论推导出基本的滤波算法,并在推导出信息滤波算法基础上,给出了一种事件驱动的多传感器融合估计方法。在该算法中,只有当所定义事件触发时传感器才向融合中心传输数据,通过降低通信频率提高能量使用效率。仿真结果表明,所提出的滤波算法与其信息滤波形式等价,其估计精度优于现有的几种算法,提出的事件驱动的多传感器融合估计算法能够显著降低传感器与融合中心间的通信频率。
针对带有非高斯噪声的系统,提出了基于极大熵的数值计算稳定的状态估计算法。针对现有极大熵滤波算法易于发散的问题,通过定义新的代价函数,求解得到了数值计算稳定的极大熵无迹卡尔曼滤波算法,并推导了其相应的信息滤波算法。为进一步提高所提算法估计精度,在更为一般的滤波更新代价函数基础上,分别通过Gauss-Newton和Levenberg-Marguardt方法得到迭代形式的极大熵滤波算法。仿真结果表明,所提算法数值稳定性优于现有算法,且所提出的迭代算法能够进一步提高所提算法的估计精度。
针对具有噪声方差未知和模型不准确的系统,提出了基于变分贝叶斯的自适应交互多模型状态估计算法。将过程和量测噪声方差建模为逆Wishart分布,在交互多模型算法的框架下,采用变分贝叶斯方法同时估计出系统状态、过程噪声方差和量测噪声方差,随后利用加权Kullback-Leibler对每个模型下的估计结果进行融合,得到了基于变分贝叶斯的自适应交互多模型算法。仿真结果表明,所提出的自适应交互多模型算法的估计精度能够逼近采用真实噪声方差的经典交互多模型算法,且计算量适中。
针对线性系统的分布式融合估计问题,提出了基于扩散式分布策略的航迹融合型分布式算法。在现有扩散式卡尔曼滤波算法的等价变形基础上,推导了考虑误差协方差传播的航迹融合型扩散式卡尔曼滤波算法,并给出了其简化算法。借助数学归纳法分析了所提算法的无偏性和收敛性。仿真结果表明,所提出的航迹融合型算法精度优于现有的几种扩散式算法,且其简化算法能够实现周期性的信息融合,进一步降低算法的通信频率。
针对非线性系统的分布式融合估计问题,提出了基于混合一致策略的sigma点近似分布式算法。首先针对带间歇性量测的非线性多传感器网络,推导了带间歇性量测的扩散式容积卡尔曼滤波算法。在此基础上,借助统计线性化的方法,得到了采用sigma点近似的非线性系统混合一致分布式滤波算法,并借助统计线性化利用递归法分析了其稳定性。仿真结果表明,提出的算法较现有的相关方法有更好的估计效果,且随着一致性迭代次数增加,算法估计精度能够逼近集中式算法的估计精度。
针对含有非高斯噪声系统的分布式融合估计问题,提出了基于极大熵的分布式算法。在前面极大熵算法基础上,通过定义考虑多个传感器量测方程的极大熵代价函数,并借助信息滤波形式得到了针对线性系统的极大熵分布式融合估计算法,并扩展到非线性系统上。仿真结果表明,所推导的分布式极大熵算法可以显著抑制非高斯噪声的污染,估计精度优于现有常规分布式算法,且能够逼近集中式极大熵滤波算法的结果。