分布式非线性滤波方法技术

一种信号处理技术领域的分布式非线性滤波方法，包括：网络中的每一个传感器节点对目标状态方程和测量方程进行加权统计线性化处理得到加统计线性化的系统矩阵、测量矩阵以及线性化后的系统噪声与测量噪声；传感器节点与其相邻节点进行通信以交换局部信息贡献，并根据动态协同滤波器获得全局信息贡献；传感器节点根据加权统计线性化后的目标状态方程对目标当前时刻的状态进行预测，并计算对应的方差阵；然后根据步骤二中的由协同滤波器获得的全局信息贡献对目标状态进行更新，获得目标在当前时刻的状态估值。本发明专利技术减小了滤波处理的通信复杂度。当应用于分散无迹卡尔曼滤波器的通信量为Ｏ（２４５０），然而本方法所需通信量减少至Ｏ（２３０）。

【技术实现步骤摘要】

本专利技术涉及的是一种信号处理
的方法，具体是一种可扩展规模的分布式非线性滤波方法。
技术介绍
随着计算机网络、无线通信和微小型系统的发展，融合以上三种技术的无线传感 器网络应运而生。无线传感器网络带来了一种全新的信息获取与处理模式，将深刻影响着 信息技术的未来发展。目标跟踪是无线传感器网络最具代表性和挑战性的应用。目标跟踪 可分为集中式和分布式两种方式。集中式跟踪可以实现高精度的数据处理，但由于所需数 据传输量大、对融合中心要求苛刻、处理时间长，容易产生丢包和延时，从而使得跟踪精度 降低。分布式是无线传感器网络的本质特性，也是解决跟踪复杂性与节点能力不足之间矛 盾的有力武器。 经过对现有技术的检索发现，传统的分散(decentralized)滤波与融合方法，如分 散卡尔曼滤波器和分散无迹卡尔曼滤波器(T. Vercauteren， and X. Wang， "Decentralized sigma—pointinformation filters for target tracking in collaborative sensor networks, " IEEE T. SignalProcessing， vol. 53， no. 8， pp. 2997-3009， Aug. 2005)，都是全局 到全局的，即每个节点都需要与网络中的所有其它节点或者融合中心进行通信，因此，以上 两种滤波或融合方法所需的通信复杂度是O(N * N)，其中N是网络中的传感器节点或智能 体的数目)。很明显，由于通信复杂度高以上方法是不能扩展规模的，尤其对于大规模传感 器网络是不适用的。
技术实现思路
本专利技术针对现有技术存在的上述不足，提供一种，网络中 的每一个节点只需与其相邻节点进行信息交换，进而基于动态协同滤波处理，减小了滤波 处理的通信复杂度。当应用于分散无迹卡尔曼滤波器的通信量为0(2450)，然而本方法所需 通信量减少至0(230)。 本专利技术通过如下技术方案实现的，本专利技术包括以下步骤 步骤一、网络中的每一个传感器节点对目标状态方程和测量方程进行加权统计线 性化处理得到加统计线性化的系统矩阵、测量矩阵以及线性化后的系统噪声与测量噪声； 所述的加权统计线性化处理包括目标状态方程和测量方程，具体如下 目标状态方程x (k+1) = F (k) x (k) +bx (k) (k) 测量方程z,(A)=巧0);c(^:) + 6Z' (A) + 其中戸(k)禾P5i(k)分别为加权统计线性化以后的目标状态矩阵和测量矩阵；而 bx(k)禾Py'(Q是由线性化引起的误差项，孑(k)和ii(k)线性化以后的过程噪声和测量噪声° 步骤二、传感器节点与其相邻节点进行通信以交换局部信息贡献，并根据动态协同滤波器获得全局信息贡献。 所述的局部信息贡献是指 (yt) = grC-1 (顿(yt)，以及m, (A)=豆,1 (A)-《(A)]; 其中1—1 (k)为加权统计线性化后的测量噪声的方差阵，5i (k)为加权统计线性化以后的测量矩阵，^'W是由线性化引起的误差项。所述的动态协同滤波器是指<formula>formula see original document page 4</formula><formula>formula see original document page 4</formula> 其中k是采样步数；S是协同滤波器的更新步长，增益|3 >0且|3 0(1/A2)， 入2是网络图模型的L即lacian矩阵L的第二小特征值，协同滤波器的输出AO)和^(^:)分别 为对其输入Ui(k)或Ui(k)的估计。 步骤三、传感器节点根据加权统计线性化后的目标状态方程对目标当前时刻的状 态进行预测，并计算对应的方差阵；然后根据步骤二中的由协同滤波器获得的全局信息贡 献对目标状态进行更新，获得目标在当前时刻的状态估值。 与现有技术相比，本专利技术具有如下有益效果 1、网络中的每一个节点只需与其相邻节点(而不是与网络中所有其它节点)进行 信息交换，基于动态协同滤波处理，所有节点都能对目标的状态估计达成一致。这样，大大 减小了滤波处理的通信复杂度； 2、在降低通信量的同时，本方法具有与集中式融合方法和分散融合方法可比的跟 踪性能； 3、此外只要整个网络是连通的，整个网络中所有节点都能达到一致性，从而增强 了处理在通信失败和节点失效情况下的鲁棒性； 因此，本方法在大规模传感器网络和多智能体系统等军用和民用领域有广泛的应 用前景。附图说明 图1为本专利技术流程图。 图2为50X50方形区域传感器部署及通信链接示意图。 图3为实施例x方向的均方根比较图。 图4为实施例y方向的均方根比较图。 图5为移动目标的真实航迹及估计效果示意图。具体实施例方式下面对本专利技术的实施例作详细说明，本实施例在以本专利技术技术方案为前提下进行 实施，给出了详细的实施方式和具体的实施过程，但本专利技术的保护范围不限于下述的实施例。如图1所示，本实施例包括以下步骤 步骤1、网络中的每一个传感器节点对目标状态方程和测量方程进行加权统计线 性化。具体来说，首先根据当前时刻的目标状态估值;(WQ和方差Pn生成(2n+l)个sigma 点{ x j (k I k) ， co j}: ;r。01 ^ =I A)，叫=(公式一 ) ;^w = ^w + (v(^:),，=i^j = i，2，..，"(公式二) AwW^^i^^-U^^:),/^,^)'7'^'2"""(公式三) 其中尺度参数k通常取0或3-n(n为目标状态变量的维数)，表 示P矩阵Cholesky分解的第j行；对sigma点的要求在于x」(k | k)的均值与方 差与当前时刻目标状态估计的先验信息一致，即7 = ; ，PXX = P^其中i二Z^W,义,.，5=z」k - - 4r ，且I^ = 1 ° 然后，每个sigma点都通过目标状态非线性函数进行传播；再根据(公式一)-(公 式三)产生(2n+l)个sigma点{Xj(k+l|k)，"」}并且通过传感器节点的非线性测量方程进行传播，得到_ — x (k+1)=戸(k) x (k) +bx (k) (k)(公式四) 2,0) = ^;( (^:) + ^(^:) +巧(^:)(公式五) 其中戸(k)和^ (k)分别为加权统计线性化以后的目标状态矩阵和测量矩阵；而 bx(k)禾Py'(Q是由线性化引起的误差项，孑(k)和ii(k)线性化以后的过程噪声和测量噪 声。从而根据加权统计线性化的思想，(公式四)-(公式五)中的相关矩阵可以计算如下 = 》+1， &+11耽:1 (a i a) bx (k) = ; (k+1 I k) 4 (k); (k I k)(公式六) 巧(A) =(" 11耽:1 (" 11 A) 6z' (A) = f;, -1)-马(顺A I A _ 1)(公式七) 加权统计线性化后的过程噪声和测量噪声分别为 : (k) = " (k) + e x (k)(公式八)巧(A) = (A) + f 「 (A)(公式九) 其均值为零，方差分别为 本文档来自技高网...

【技术保护点】
一种分布式非线性滤波方法，其特征在于，包括以下步骤：步骤一、网络中的每一个传感器节点对目标状态方程和测量方程进行加权统计线性化处理得到加统计线性化的系统矩阵、测量矩阵以及线性化后的系统噪声与测量噪声；步骤二、传感器节点与其相邻节点进行通信以交换局部信息贡献，并根据动态协同滤波器获得全局信息贡献；步骤三、传感器节点根据加权统计线性化后的目标状态方程对目标当前时刻的状态进行预测，并计算对应的方差阵；然后根据步骤二中的由协同滤波器获得的全局信息贡献对目标状态进行更新，获得目标在当前时刻的状态估值。

【技术特征摘要】

【专利技术属性】
技术研发人员：周彦，李建勋，张世仓，
申请(专利权)人：上海交通大学，
类型：发明
国别省市：31[中国|上海]