一种基于分布式扩散策略的反馈粒子滤波方法技术

本发明专利技术属于信号处理领域，涉及信号处理领域的目标跟踪问题，具体为一种基于分布式扩散策略的反馈粒子滤波方法。本发明专利技术基于分布式网络框架，网络中的每个节点通过与邻居节点交换信息完成对目标的跟踪，降低了网络运算负担，且具有更强的稳健性；同时，本发明专利技术通过引入由目标状态的真实后验分布与粒子后验分布之间的Kullback‑Leibler(K‑L)散度定义代价函数，使每个粒子在基于其自身状态和经验分布特征的反馈控制下演化，从而不需要再构造建议分布和进行重采样过程；另外，本发明专利技术与经典分布式粒子滤波方法相比，能够实现更高的跟踪精度，更好的跟踪性能，且对粒子数变化敏感度低，稳定性更好。

A feedback particle filter method based on distributed diffusion strategy

【技术实现步骤摘要】
一种基于分布式扩散策略的反馈粒子滤波方法
本专利技术属于信号处理领域，涉及信号处理领域的目标跟踪问题，特别是涉及到分布式架构下的反馈粒子滤波目标跟踪问题，具体为一种基于分布式扩散策略的反馈粒子滤波方法。
技术介绍
粒子滤波是一类基于递推贝叶斯法则，利用样本统计量对系统状态进行估计的方法，在处理非高斯非线性系统的参数/状态滤波问题方面具有独特的优势，已被广泛应用于目标跟踪、通信信号处理以及计算机视觉等领域。一般针对粒子滤波方法研究主要基于文献“GordonNJ,SalmondDJ,SmithAFM.NovelApproachtoNonlinear/Non-GaussianBayesianStateEstimation[J].RadarandSignalProcessing,IEEProceedingsF,1993,140(2):107-113.”中提出的自举滤波(BootstrapFilter)框架，即序列重要性采样(SequentialImportanceSampling，SIS)或建议分布采样-重要性再采样(Sampling-ImportanceResampling，SIR)，如果建议分布产生的样本不能足量覆盖后验分布样本，则容易导致粒子贫化。针对贫化问题已有大量改进算法，主要针对重采样改进或(和)建议分布改进；重采样改进，如马尔科夫蒙特卡洛(MCMC)采样、辅助粒子滤波(APF)、正则化粒子滤波(RPF)等，目的在于从建议样本中更准确的抽取后验样本，并未从根本上克服贫化问题；建议分布改进，如无迹卡尔曼-粒子滤波(UKF-PF)、容积卡尔曼-粒子滤波(CKF-PF)及混合粒子滤波(MPF)等，目的是构造更接近后验概率密度的建议分布，这类改进方法对于不同系统模型的性能差异较大，难以达到贝叶斯意义下的最优估计。近年来，文献“YangT,LaugesenRS,MehtaPG,etal.Multivariablefeedbackparticlefilter[C]2016:10-23.”中提出了一种反馈粒子滤波(FeedbackParticleFilter，FPF)方法，反馈粒子滤波是一种基于平均场博弈论(mean-fieldgametheory)的近似非线性滤波新方法；通过对先验样本构造反馈，采用Kullback-LeiblerDivergence(KLD)来度量反馈后概率分布与真实后验分布之间的差异，将最小化KLD等效为欧拉-拉格朗日边值问题求解反馈增益，使得由先验样本能够直接得出后验样本，每个粒子在基于其自身状态和经验分布特征的反馈控制下演化，从而不需要再构造建议分布和进行重采样过程。目前，反馈粒子滤波方法都基于集中式架构，即将网络中各接收机接收的信号都传递到融合中心，在该特定的接收机上进行运算，即集中式的处理方式；然而，集中式处理方式扩展性较差，存在多跳通信问题，对网络的通信带宽要求较高，以及因为存在融合中心接收机和参考信号导致鲁棒性较差；同时，因为所有的位置估计运算都在融合中心接收机进行，所以融合中心接收机的运算负担和能量消耗都很大。基于此，本专利技术提出一种基于分布式扩散策略的反馈粒子滤波方法。
技术实现思路
本专利技术的目的在于针对上述集中式反馈粒子滤波方法所存在的问题，提出一种基于分布式扩散策略的反馈粒子滤波方法。为实现该目的，本专利技术采用的技术方案如下。一种基于分布式扩散策略的反馈粒子滤波方法，其特征在于，包括以下步骤：步骤1：在k时刻，构建传感器l上的局部观测值其中，表示在k时刻传感器l的第j个邻居传感器的观测值；步骤2：计算反馈滤波中第l个传感器上第m个粒子的修正形式的新息过程其中，表示在k时刻第l个传感器上第m个粒子；步骤3：计算反馈滤波中第l个传感器上第m个粒子的增益函数其中，Rii表示矩阵的第i行第i列的元素，Rk为观测噪声ηk的方差；步骤4：粒子更新，得到k+1时刻第l个传感器上的第m个粒子的表达式如下：其中，映射函数表示在k时刻第l个传感器上第m个粒子的系统噪声Qk表示状态空间模型的系统噪声ξk的方差；步骤5：计算k时刻传感器l的中间状态估计值αl,k：本专利技术的有益效果在于：本专利技术提出的一种基于分布式扩散策略的反馈粒子滤波方法，具有如下优点：1、本专利技术具有更强的稳健性；对集中式而言，当融合处理中心出现问题时，整个系统将会瘫痪，而分布式算法能有效避免融合中心出问题时整个系统崩溃的风险；2、在大型的传感器网络中，带宽限制了邻居传感器之间的信息传输数量，每个节点处只需同其邻点交换信息，本专利技术提出的基于分布式网络框架的方法不需要网络所有节点的信息送至融合中心进行处理，允许网络中的每个节点通过与邻居节点交换信息完成对目标的跟踪，降低了网络运算负担；3、本专利技术提出的方法是基于最优控制和平均场博弈论的概念的新型非线性分布式滤波粒子滤波方法，引入由目标状态的真实后验分布与粒子后验分布之间的Kullback-Leibler(K-L)散度定义的代价函数，最小化该代价函数，得到最优反馈增益函数进而使每个粒子在反馈控制下不断演化，从而不需要再构造建议分布和进行重采样过程；4、本专利技术提出的反馈粒子滤波方法与经典分布式粒子滤波方法相比，能够实现更高的跟踪精度，更好的跟踪性能；同时，受粒子数影响更小，稳定性更好。附图说明图1为本专利技术基于分布式扩散策略的反馈粒子滤波方法的流程图。图2为本专利技术实施例中传感器网络示意图。图3为本专利技术实施例中使用的网络拓扑结构图。图4～图7为本专利技术实施例中仿真结果图。具体实施方式下面结合附图对本专利技术作进一步说明：本专利技术提供一种基于分布式扩散策略的反馈粒子滤波方法，考虑动态系统的状态空间模型为：xk+1＝a(xk)+ξk,zk＝h(xk)+ηk,其中，k时刻：(表示xk是实数域内d维列向量、d为目标状态向量的维度)为目标状态向量，为观测向量；映射函数映射函数N为观测向量的维度；分别为系统噪声和观测噪声,均服从互不相关的零均值高斯分布,其协方差矩阵表示为：其中,(·)T表示矩阵/向量的转置,δki为克罗内克尔记号；在传感器个数为L的无线传感器网络中，在起始k＝1时刻，根据状态向量x1的初始分布p(x1)随机采样M个随机预测粒子具体为：本实施例中，传感器网络中有L个传感器，如图2所示，将传感器l及其邻居传感器(包括传感器l)的集合记为记表示集合的基数、即nl表示传感器l的邻居传感器数目(包含传感器l)；即传感器l的邻居传感器集合由传感器2、3、4、l及j组成；基于分布式扩散策略的反馈粒子滤波方法的流程如图2所示，具体包括以下步骤：步骤1：在k时刻，构建传感器l上的局部观测值其中，表示在k时刻传感器l的第j个邻居传感器的观本文档来自技高网...

【技术保护点】
1.一种基于分布式扩散策略的反馈粒子滤波方法，其特征在于，包括以下步骤：/n步骤1：在k时刻，构建传感器l上的局部观测值

【技术特征摘要】
1.一种基于分布式扩散策略的反馈粒子滤波方法，其特征在于，包括以下步骤：
步骤1：在k时刻，构建传感器l上的局部观测值



其中，表示在k时刻传感器l的第j个邻居传感器的观测值；
步骤2：计算反馈滤波中第l个传感器上第m个粒子的修正形式的新息过程



其中，







表示在k时刻第l个传感器上第m个粒子；
步骤3：计算反馈滤波...

【专利技术属性】
技术研发人员：夏威，孙美秋，周卓阳，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：四川;51