基于信息形式的强鲁棒传感器网络目标跟踪方法技术

本发明专利技术公开了一种基于信息形式的强鲁棒传感器网络目标跟踪方法，不仅具有较强的鲁棒性，而且可使传感器网络在信息融合过程中拥有相对较小的计算负担。该方法以信息形式的变量替代目标的传统状态变量，将信息矩阵和信息状态矢量两种信息变量作为每一采样时刻数据处理的关注对象；又利用学生t分布分别对传感器观测过程、目标系统过程和目标状态的重尾非高斯特性进行建模，结合三阶球面‑相径容积规则对关于学生t分布的函数进行积分的近似数值计算，得到了信息空间下两种信息变量的递推估计形式。由于量测更新步骤中信息变量形式上的相对简洁，传感器网络中各节点的信息可以进行高效融合，最终输出目标的状态估计结果。

A Robust Target Tracking Method for Sensor Networks Based on Information Form

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融合也是目标跟踪方法设计时需要考虑的问题。以卡尔曼滤波为代表的递推状态估计法是多源信息融合理论中较为经典的一类估计算法，它可以有效地从服从高斯过程的目标系统过程和传感器观测过程中估计出目标的位置、速度、加速度等目标状态信息，但其缺陷是对于带有非高斯过程和非线性模型假设的案例，滤波性能并不理想，甚至有发散和失效的可能。另一方面，大多数非线性卡尔曼滤波算法和非高斯滤波算法都以卡尔曼滤波为基础，算法更新步骤中的均值和方差矩阵的更新形式涉及诸多稳定性敏感的矩阵运算，当目标状态维数、传感器观测维数较高，或者当网络中具有相当数量的传感器需要进行信息融合时，反复的矩阵运算会给计算中心带来一定的负担，最终使节点的电能源无谓消耗，降低其使用寿命。
技术实现思路
本专利技术的目的是为了在全面提高传感器网络目标跟踪的鲁棒性同时保持方法的高效性，公开了一种基于信息形式的强鲁棒传感器网络目标跟踪方法。本专利技术的描述主要在信息空间展开，即用信息形式的变量对目标状态的递推过程进行描述，利用学生t分布对传感器观测过程、目标系统过程和目标状态的非高斯特性进行建模，联合三阶球面-相径容积规则对关于学生t分布的函数进行积分近似求解，给出多传感器节点条件下信息变量的递推估计表达式，从而实现融合网络信息的强鲁棒目标跟踪。本专利技术的目的是通过以下技术方案实现的：一种基于信息形式的强鲁棒传感器网络目标跟踪方法，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。进一步地，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分布符号，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分别为目标的状态均值和尺度化矩阵；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。进一步地，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为目标状态维数，ξi为单位容积点；2.2用下标k|k-1代表k-1时刻后对k时刻值的预测，将m个容积点λk-1,i通过系统函数f(·)进行传递可得到传递后的容积点γk|k-1,i；2.3通过加权运算分别求取状态均值的预测值mk|k-1和信息矩阵的预测值Yk|k-1，其中Yk|k-1具体为：2.4根据步骤2.3求取预测的信息状态矢量yk|k-1。进一步地，步骤三包括以下子步骤：3.1基于学生t分布选取m＝2n个容积点λk|k-1,i：3.2步骤3.1容积点经过节点s的观测函数hs(·)得到传递后容积点ζk|k-1,i,s；3.3定义并计算每个节点s对应的观测预测均值μk,s，观测预测尺度化矩阵Sk,s和观测预测互相关尺度化矩阵Ck,s，具体如下：3.4更新传感器网络中每个节点的信息矩阵预测值Yk|k-1和信息状态矢量预测值yk|k-1，由融合中心进行信息融合，得到融合后的信息矩阵Yk'、信息状态矢量yk'和新的自由度参数υ3'，其中，Yk'具体为：其中为补充学生t分布观测噪声尺度化矩阵后Sk,s的修正矩阵。υ3'＝υ3+Nd(9)进一步地，步骤四中，仍然沿用更新前的自由度参数υ3，并采用矩信息匹配法匹配学生t分布的状态变量的一阶矩信息和二阶矩信息，信息状态矢量yk'和信息矩阵Yk'分别调整为信息状态矢量yk和信息矩阵Yk，即yk＝yk'(10)进一步地，步骤五中，利用信息状态矢量yk、信息矩阵Yk与目标状态均值mk三者的关系，计算得到k时刻传感器网络对目标的状态估计的均值mk。本专利技术的有益效果是：(1)将信息状态矢量和信息矩阵两种信息形式的变量用于整个递推估计的跟踪过程，相比卡尔曼滤波及其所对应的非线性滤波，本专利技术的更新步骤形式相对更为简洁，避免了滤波增益的反复矩阵运算，从而大大降低了融合中心在多传感器节点多源信息融合时的计算负担，所以本专利技术非常适用于多传感器信息融合相关的应用；(2)利用学生t分布联合描述目标系统过程、传感器观测过程和目标状态，通过引入的自由度参数，同时降低目标系统过程和传感器观测过程带有的重尾非高斯特性对目标跟踪性能的影响，提升了跟踪方法的鲁棒性；(3)采用基于学生t分布的三阶球面-相径容积准则近似函数的均值与尺度化矩阵，既融入了控制非高斯重尾特性的自由度参数，保持了鲁棒性，而且当函数为非线性时又不需要对其进行线性化处理，从而避免了线性化过程中雅各比矩阵的计算，有利于提升跟踪方法的稳定性和跟踪精度。附图说明图1是本专利技术的方法流程图；图2是本专利技术工作场景设置及位置跟踪效果图。具体实施方式下面将结本文档来自技高网...

【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...

【专利技术属性】
技术研发人员：沈忱，
申请(专利权)人：浙江工商大学，
类型：发明
国别省市：浙江,33