一种基于变分贝叶斯学习的井下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变分贝叶斯学习的井下传感器网络目标跟踪方法，采用椭球分布建模非高斯噪声，利用Inverse

【技术实现步骤摘要】
一种基于变分贝叶斯学习的井下传感器网络目标跟踪方法


[0001]本专利技术涉及煤矿井下安全领域，具体涉及一种基于变分贝叶斯学习的井下传感器网络目标跟踪方法。

技术介绍

[0002]由于井下无线信号传播是在封闭、不规律的空间内进行，这将造成无线信号传播过程中发生反射、折射和绕射，因此最后接收到的信号通常为多路径的合成波。此外，井下工作环境复杂，各种生产设备会对传感器的无线探测信号造成干扰，这些因素导致井下传感器网络进行目标跟踪模型中过程噪声和量测噪声服从厚尾非高斯分布，且噪声参数未知，这些都会影响井下目标跟踪定位结果的精确度。
[0003]现有针对非高斯噪声下的目标跟踪方法有高斯求和滤波、粒子滤波、基于M估计的滤波方法和极大熵滤波等方法。高斯求和滤波和粒子滤波算法由于计算复杂度高，在低成本的传感器网络中难以直接应用。基于M估计的滤波方法和极大熵滤波方法本质是一种野值剔除的方法，存在自由参数选择缺乏理论依据且估计精度低的问题。
[0004]公开号CN103778320A的中国专利公开了一种基于变分贝叶斯多传感器量化融合目标跟踪方法，该方法使用变分贝叶斯方法进行自适应强跟踪信息滤波，对量测噪声的未知方差进行估计，但是该方法仅考虑过程噪声与量测噪声近似为零均值高斯白噪声的情形。公开号CN105682220A的中国专利公开了一种基于无线传感器网络的矿山井下定位系统，该系统使用最小二乘法对RSSI测距环境参数进行修正，消除各种干扰对测量数据的影响，但是该方法仅在RSSI信号强度值和移动节点到接收端节点的距离值同时存在均值为零、方差相同的噪声误差时，才能得到最好的参数拟合结果。两者均没有考虑到井下受到多路径效应以及电磁干扰等引起过程噪声与量测噪声不再服从高斯分布的问题，建模不准确，因此在井下目标跟踪中会存在精度下降甚至算法发散的问题。

技术实现思路

[0005]针对上述存在的技术不足，本专利技术的目的是提供一种基于变分贝叶斯学习的井下传感器网络目标跟踪方法，其能够在矿井下复杂的工作环境中对工作人员和设备进行精准定位，保障井下安全生产，减少人员伤亡，助力智慧矿山建设。
[0006]为解决上述技术问题，本专利技术采用如下技术方案：
[0007]本专利技术提供一种基于变分贝叶斯学习的井下传感器网络目标跟踪方法，包括以下步骤：
[0008]步骤1、建立模型，构建井下目标跟踪问题的状态空间模型；
[0009]步骤2、时间更新，得到系统状态当前时刻的预测值；
[0010]步骤3、量测更新，基于变分贝叶斯学习方法迭代计算系统状态变量与噪声参数的后验估计；
[0011]步骤4、输出结果，结束循环迭代，利用状态估计结果得到目标的位置等信息。
[0012]优选地，步骤1中，针对在井下封闭环境下，目标跟踪问题中过程噪声和量测噪声服从厚尾非高斯分布，采用椭球分布对过程噪声和量测噪声进行建模，利用Inverse
‑
Wishart分布建模过程噪声和量测噪声散度矩阵的参数不确定性，具体方法如下：
[0013]步骤1
‑
1：给出线性系统的标准状态空间模型：
[0014]x
i
＝F
i
x
i
‑1+ω
i
[0015]z
i,k
＝H
i,k
x
i
+ν
i,k
[0016]x
i
表示在i时刻的系统状态，包含目标的位置、速度、加速度信息，z
i,k
表示在i时刻的传感器1
…
K的测量值，F
i
和H
i,k
表示已知的状态转移矩阵和量测矩阵，过程噪声ω
i
与量测噪声υ
i,k
相互独立，不同传感器之间的量测噪声相互独立；
[0017]步骤1
‑
2：为构建厚尾非高斯过程和量测噪声模型，假设ω
i
和υ
i,k
服从椭球分布：
[0018]p(ω
i
)＝ε(ω
i
；α
i
,Q
i
,ψ
i
)
[0019]p(υ
i,k
)＝ε(υ
i,k
；β
i,k
,R
i,k
,ζ
i,k
)
[0020]式中α
i
与β
i,k
分别为过程噪声和量测噪声分布均值，Q
i
和R
i,k
分别为过程噪声和量测噪声散度矩阵，ψ
i
与ζ
i,k
分别为过程噪声和量测噪声密度发生函数；
[0021]步骤1
‑
3：利用椭球分布的条件分布为高斯分布进行简化：
[0022]p(ω
i
|λ
i
)＝N(0,g(λ
i
)
‑1Q
i
)
[0023]p(υ
i,k
|γ
i,k
)＝N(0,g(λ
i
)
‑1R
i,k
)
[0024]式中λ
i
与γ
i,k
分别为过程噪声和量测噪声的尺度变量，g(λ
i
)
‑1和g(γ
i,k
)
‑1分别是λ
i
和γ
i,k
的函数；
[0025]步骤1
‑
4：定义尺度变量λ
i
和γ
i,k
的先验分布：
[0026][0027][0028]式中和分别是λ
i
和γ
i,k
的参数集合；
[0029]步骤1
‑
5：利用Inverse
‑
Wishart分布建模过程噪声散度矩阵Q
i
和量测噪声散度矩阵R
i,k
：
[0030]p(Q
i
)＝IW(Q
i
；T0,t0)
[0031]p(R
i,k
)＝IW(R
i,k
；V0,v0)
[0032]式中T0，V0，t0，v0是p(Q
i
)和p(R
i,k
)的自由度参数和逆尺度矩阵。
[0033]优选地，步骤2中，根据i
‑
1时刻的状态估计预测i时刻状态估计，具体方法如下：
[0034]步骤2
‑
1：系统状态x
i
，其期望值为相应的估计协方差矩阵为∑
i
，输入初值∑
i
‑
1|i
‑1、Q0、T0、t0、V本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于变分贝叶斯学习的井下传感器网络目标跟踪方法，其特征在于，包括以下步骤：步骤1、建立模型，构建井下目标跟踪问题的状态空间模型；步骤2、时间更新，得到系统状态当前时刻的预测值；步骤3、量测更新，基于变分贝叶斯学习方法迭代计算系统状态变量与噪声参数的后验估计；步骤4、输出结果，结束循环迭代，利用状态估计结果得到目标的位置等信息。2.如权利要求1所述的一种基于变分贝叶斯学习的井下传感器网络目标跟踪方法，其特征在于，步骤1中，针对在井下封闭环境下，目标跟踪问题中过程噪声和量测噪声服从厚尾非高斯分布，采用椭球分布对过程噪声和量测噪声进行建模，利用Inverse
‑
Wishart分布建模过程噪声和量测噪声散度矩阵的参数不确定性，具体方法如下：步骤1
‑
1：给出线性系统的标准状态空间模型：x
i
＝F
i
x
i
‑1+ω
i
z
i,k
＝H
i,k
x
i
+ν
i,k
x
i
为在i时刻的系统状态，包含目标的位置、速度、加速度信息，z
i,k
为在i时刻的传感器1
…
K的测量值，F
i
和H
i,k
为已知的状态转移矩阵和量测矩阵，过程噪声ω
i
与量测噪声υ
i,k
相互独立，不同传感器之间的量测噪声相互独立；步骤1
‑
2：为构建厚尾非高斯过程和量测噪声模型，假设ω
i
和υ
i,k
服从椭球分布：p(ω
i
)＝ε(ω
i
；α
i
,Q
i
,ψ
i
)p(υ
i,k
)＝ε(υ
i,k
；β
i,k
,R
i,k
,ζ
i,k
)式中α
i
与β
i,k
分别为过程噪声和量测噪声分布均值，Q
i
和R
i,k
分别为过程噪声和量测噪声散度矩阵，ψ
i
与ζ
i,k
分别为过程噪声和量测噪声密度发生函数；步骤1
‑
3：利用椭球分布的条件分布为高斯分布进行简化：p(ω
i
|λ
i
)＝N(0,g(λ
i
)
‑1Q
i
)p(υ
i,k
|γ
i,k
)＝N(0,g(γ
i,k
)
‑1R
i,k
)式中λ
i
与γ
i,k
分别为过程噪声和量测噪声的尺度变量，g(λ
i
)
‑1和g(γ
i,k
)
‑1分别是λ
i
和γ
i,k
的函数；步骤1
‑
4：定义λ
i
和γ
i,k
的先验分布：的先验分布：式中和分别为λ
i
和γ
i,k
的参数集合；步骤1
‑
5：利用Inverse
‑
Wishart分布建模过程噪声散度矩阵Q
i
和量测噪声散度矩阵R
i,k
：p(Q
i
)＝IW(Q
i
；T0,t0)p(R
i,k
)＝IW(R
...

【专利技术属性】
技术研发人员：王国庆，赵嘉祥，马磊，杨春雨，代伟，周淑燕，林常见，刘晓敏，范潇潇，
申请(专利权)人：中国矿业大学，
类型：发明
国别省市：