论文部分内容阅读
最近,关于分布式信号处理的大量研究已经出现在不同的应用当中,从分布式算法到基于无线传感器网络的目标定位再到目标跟踪算法研究。在分布式信号处理算法中,扩散最小均方误差(LMS)算法已得到广泛认可。一方面,定位和跟踪作为重要的和特殊的参数估计问题已成为信号处理领域的热门话题。近期,分布式直接定位算法和分布式直接跟踪算法以较高的定位和跟踪的精确度而闻名。因此,基于无线传感器网络的分布式直接定位算法和分布式直接跟踪算法有很大的研究价值。本文的主要研究内容是分布式直接定位算法和分布式直接跟踪算法。首先,本文假设信息在直接相连的传感器之间传递的时候并非理想状态,存在干扰即链路噪声。考虑到链路噪声的影响,为了提高算法稳态性能,提出了一种基于链路噪声的分布式变步长算法。通过仿真实验证明,在链路噪声功率适中或过大的条件下,文章中提出的变步长算法的稳态性能要明显优于已经存在的变步长算法。仿真实验进一步证明,在链路噪声为相关噪声条件下,文章中提出的新的变步长算法的稳态性能仍然优于已经存在的变步长算法。进一步,对静态目标进行定位是本文研究的第二个问题。假设每个传感器能够独自接收目标发射的信息,并将自身接收到的信息与自己邻居传感器进行分享,而在分享的过程中存在链路噪声。因此,研究了一种带链路噪声的分布式自适应直接定位算法。与集中式算法相比,这种研究的分布式算法不仅能够避免多跳传输,还能够提升算法稳态性能。除此之外,对动态目标进行跟踪定位也是本文重点研究内容。考虑到大的分布传感器网络中存在状态估计问题,研究了一种分布式扩散高斯粒子滤波直接跟踪算法(D-GPF)。每个传感器通过分别融合邻居传感器的观测信息和局部中间状态估计值来自适应的估计相同目标的位置和速度信息。仿真结果证明本文研究的D-GPF算法与集中式(CPF)算法相比,两者的稳态性能基本一致。除此之外,本文研究的D-GPF算法在不同的条件下都有较强的弹性和鲁棒性。