论文部分内容阅读
近年来,随着对具有广阔应用前景的无线传感器网络研究的深入开展,将分布式共识技术与卡尔曼滤波技术结合,提出各种性能优良的分布式滤波估计算法,以完成无线传感器网络中对移动目标的分布式定位与跟踪成为研究热点。本文主要将共识技术中的gossip算法与最优状态估计中的卡尔曼滤波算法结合,进行基于分布式共识的无线传感器网络目标跟踪技术研究。本文首先对国内外在无线传感器网络背景下,分布式目标跟踪的现有技术和研究成果进行归类、整理,尤其对最近提出的基于共识的卡尔曼滤波算法进行了详细的优缺点比较分析,在此基础上明确了本文的主要研究方向为对具有重要影响的卡尔曼共识滤波(Kalman Consensus Filter,KCF)算法进行改进,将gossip算法与卡尔曼滤波算法结合提出基于gossip的分布式卡尔曼滤波算法(Gossip based Distributed Kalman Filter,GDKF)。利用gossip算法仅通过邻居节点之间交换信息就可完成全网数据融合的优点,打破卡尔曼共识滤波算法性能受节点通信范围和感知范围的约束。利用GDKF算法进行无线传感器网络中的分布式目标跟踪,与利用KCF算法相比,可以实现更高的网络跟踪精度、更高的网络共识精度和更快的网络收敛速度。其次,详细研究了卡尔曼共识滤波算法的内容和机理,并给出了利用KCF算法进行分布式网络目标跟踪具体的实现步骤,重点分析了KCF算法的缺陷:由于算法中任意节点仅汇聚邻居节点对移动目标的预测值,该算法只能在网络中任意节点始终能够观测到目标时才具有良好的跟踪性能,而一旦某一节点及其邻居节点不能获得观测值,会使全网对目标的跟踪性能快速恶化。针对此问题,本文提出基于gossip的分布式卡尔曼滤波算法,给出了算法内容,分析了算法机理,并分别结合成对gossip算法和广播gossip算法设计了2种具体的GDKF实现算法,即基于成对gossip的分布式卡尔曼滤波算法(Pairwise Gossip based Distributed Kalman Filter,PG-DKF)以及基于广播gossip的分布式卡尔曼滤波算法(Broadcast Gossip based Distributed Kalman Filter,BG-DKF),同时给出了利用2种分布式卡尔曼滤波算法进行网络目标跟踪的具体实现步骤。最后,对所提GDKF算法进行了性能分析与仿真对比验证。一方面,根据李雅普诺夫第二定理,证明了所提GDKF算法具有李雅普诺夫意义下的全局渐近稳定性,并分析出了GDKF算法收敛速度的上确界,与KCF相比,理论上证明了利用GDKF算法进行分布式网络目标跟踪,具有更快的跟踪速度。另一方面,以有限感知和通信范围传感器节点组成的网络对固定区域内机动目标的跟踪为应用场景,进行了利用GDKF算法与KCF算法进行分布式目标跟踪的性能仿真与对比分析,仿真结果验证了理论分析的正确性,与KCF算法相比,利用GDKF算法完成无线传感网络中的分布式目标跟踪任务,具有更高的跟踪精度和更高的共识收敛精度。