The invention discloses a robust target tracking method for sensor networks based on information form, which not only has strong robustness, but also can make the sensor networks have relatively small computational burden in the process of information fusion. In this method, the traditional state variables of the target are replaced by the variables in the form of information, and the information matrices and the information state vectors are taken as the objects of concern for data processing at each sampling time. The heavy-tailed non-Gaussian characteristics of the sensor observation process, the target system process and the target state are modeled respectively by the student t distribution, and the correlation is made by combining the third-order spherical diameter volume rule. The approximate numerical calculation of integral is carried out for the function of Student t distribution, and the recursive estimation forms of two information variables in information space are obtained. Due to the relatively concise form of information variables in the measurement update step, the information of each node in the sensor network can be efficiently fused and the final state estimation result of the target can be output.
【技术实现步骤摘要】
基于信息形式的强鲁棒传感器网络目标跟踪方法
本专利技术涉及一种基于信息形式的、具有强鲁棒性的传感器网络目标跟踪方法,属于将非线性估计理论和多源信息融合理论应用于传感器网络进行目标跟踪的
技术介绍
对监控区域内的目标进行跟踪是传感器网络最为典型的一类应用之一,由于传感器节点(后文简称为节点)体积小、价格低廉,采用传感器网络进行目标跟踪具有成本低、隐蔽性强的特点。相比用单一传感器进行目标跟踪,传感器网络在具有更好跟踪精度的同时也拥有更佳的容错性和可靠性。传感器网络用于目标跟踪的一个关键环节是多传感器的数据处理问题,其实质是对传感器所获得的观测信息进行处理和分析的过程。在实际目标跟踪应用中,由于多种内外部因素的存在,使得节点所获得的观测信息有可能存在诸多无用信息(杂波),这就要求节点的计算中心在处理和分析数据的过程中自身具有一定的鲁棒性,能够有效剔除无用信息。比如,传感器探测到的目标表面反射的电磁波入射角信息,会由于传播路径中障碍物造成的非视距传输而形成闪烁噪声;监控区域内的电子干扰(如电子对抗)也会使传感器所获观测带有异常值;这些都属于观测过程中的杂波,其实质可看作是一类重尾非高斯不确定现象。现有的技术手段大都侧重于观测过程带杂波的数据处理,但若被跟踪目标为一飞行器属性的物体时(如飞机、无人机),其位置的随机摆动或潜在的机动行为,会使目标的动力学模型不再遵循高斯过程,其变化过程的本质也会呈重尾非高斯特性。因此,有必要寻求一种联合针对传感器观测过程和目标系统过程的强鲁棒目标跟踪技术方法。传感器网络目标跟踪涉及到多节点的信息采集与处理,因此将多源信息进行 ...
【技术保护点】
1.一种基于信息形式的强鲁棒传感器网络目标跟踪方法,其特征在于,包括以下步骤:步骤一:建立传感器网络目标跟踪的学生t分布非高斯状态空间模型,引入信息形式的变量;步骤二:利用基于学生t分布的三阶球面‑相径容积准则进行时间更新,确定信息状态矢量和信息矩阵的预测值;步骤三:利用基于学生t分布的三阶球面‑相径容积准则进行量测更新,更新信息状态矢量、信息矩阵以及自由度参数,融合网络中各个节点关于信息状态矢量和信息矩阵的估计结果;步骤四:利用矩信息匹配法调整信息状态矢量和信息矩阵以优化鲁棒性;步骤五:计算当前时刻状态估计结果,再回到步骤二重新依次执行,直至跟踪时刻结束。
【技术特征摘要】
1.一种基于信息形式的强鲁棒传感器网络目标跟踪方法,其特征在于,包括以下步骤:步骤一:建立传感器网络目标跟踪的学生t分布非高斯状态空间模型,引入信息形式的变量;步骤二:利用基于学生t分布的三阶球面-相径容积准则进行时间更新,确定信息状态矢量和信息矩阵的预测值;步骤三:利用基于学生t分布的三阶球面-相径容积准则进行量测更新,更新信息状态矢量、信息矩阵以及自由度参数,融合网络中各个节点关于信息状态矢量和信息矩阵的估计结果;步骤四:利用矩信息匹配法调整信息状态矢量和信息矩阵以优化鲁棒性;步骤五:计算当前时刻状态估计结果,再回到步骤二重新依次执行,直至跟踪时刻结束。2.根据权利要求1所述一种基于信息形式的强鲁棒传感器网络目标跟踪方法,其特征在于,步骤一包含如下约束:用下标k表示数据从属于第k个离散时刻,用下标s表示数据源于第s个传感器节点,过程噪声wk-1、观测噪声vk,s和目标状态xk均认为是具有重尾特性的非高斯随机变量,用学生t分布分别描述wk-1、vk,s和xk对应的概率密度函数p(wk-1)=St(wk|0,Qk-1,υ1)、p(vk,s)=St(vk,s|0,Rk,s,υ2)和p(xk)=St(xk|mk,Pk,υ3),其中p(·)和St(·)分别代表概率密度函数和学生t分布,υ1、υ2、υ3分别为每个学生t分布的自由度参数,Qk-1和Rk,s分别为过程噪声和观测噪声的尺度化矩阵,mk和Pk分别为目标状态的均值和尺度化矩阵;引入信息形式的信息矩阵Yk和信息状态矢量yk分别代替目标状态的方差矩阵和均值mk作为传递的核心变量。3.根据权利要求2所述一种基于信息形式的强鲁棒传感器网络目标跟踪方法,其特征在于,步骤二包括以下子步骤:2.1基于学生t分布选取m=2n个容积点λk-1,i:其中n为...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。