【技术实现步骤摘要】
本专利技术属于自动化，尤其涉及一种基于多跳子空间分解的传感器分布式滚动时域估计方法。
技术介绍
1、状态估计是通过估计方法获得系统更准确的内部变量值，从而更好地了解系统的动态规律，一种常见的状态估计的使用场景，是通过传感器网络对平面上小车的实时运动状态与轨迹信息进行追踪，即分布式目标跟踪问题。
2、目前，越来越多的状态估计算法应用于分布式目标跟踪问题。相比于集中式估计算法，分布式估计算法具有容错性、鲁棒性以及可扩展性等优点。然而，分布式估计算法的复杂性、安全性以及高成本也会带了很多困难以及挑战；此外，传统状态估计算法在解决分布式目标跟踪问题时会出现对非线性运动和复杂场景的适应性较差以及计算复杂度高，实时性能较差等问题。
3、因此，针对分布式目标跟踪的状态估计问题，急需提出一种低计算成本，能够处理约束系统以及在线实时应用的分布式估计方法。
技术实现思路
1、本专利技术旨在解决现有技术的分布式滚动时域估计方法对非线性运动和复杂场景的适应性较差以及计算复杂度高、实时性能较差等问题。
2、为解决上述技术问题，本专利技术提供一种基于多跳子空间分解的传感器分布式滚动时域估计方法，包括以下步骤：
3、s1、构建用于追踪平面x-y上目标小车的运动状态与运动轨迹的包含n个传感器的传感器网络拓扑图；
4、s2、基于所述传感器网络拓扑图，建立基于分布式目标追踪问题的系统状态空间模型；
5、s3、根据传感器的跳数从所述系统状态空间模型
6、s4、建立基于所述多跳子空间分解的分布式滚动时域估计器；
7、s5、对所述分布式滚动时域估计器进行增益求解，得到预设增益，根据所述预设增益优化所述传感器网络拓扑图的估计误差，并输出追踪结果。
8、更进一步地，步骤s1中，定义图表示所述传感器网络拓扑图；其中，表示n个传感器的集合，表示边的集合，所有传感器节点i的邻居传感器节点j构成的集合表示为
9、更进一步地，步骤s2中，基于一类离散时间线性时不变系统建立所述系统状态空间模型，其满足以下关系式(1)：
10、
11、其中，和分别表示节点i在第k时刻的状态向量和测量输出，[px,k,py,k]t表示目标小车在k时刻分别沿坐标轴在x轴和y轴上的位置分量，[qx,k,qy,k]t表示目标小车在k时刻分别沿坐标轴在x轴和y轴上的速度分量；和分别表示第k时刻的系统噪声和测量噪声，w和v是紧集；矩阵a和ci分别表示系统和输出的常数矩阵。
12、更进一步地，步骤s3包括以下子步骤：
13、定义传感器节点i的跳数传感器节点i的ρ跳可达集表示为有直接路径到达节点i的包含ρ条边的节点集合；
14、定义传感器节点i的ρ跳输出矩阵ci,ρ为：
15、
16、其中，表示为所有邻居节点j的ρ-1跳输出矩阵堆叠而成的列向量；
17、引入坐标变换矩阵其中，对应于矩阵对(ci,ρ,a)子空间的不可观测部分，对应于矩阵对(ci,ρ,a)子空间的可观测部分；
18、引入子空间项表示传感器节点i的第ρ跳能观测子空间，给定一个任意的正整数li，对于所有ρ∈{0,1,…,li}，其满足以下关系式(2)：
19、
20、其中，表示为nx维的单位矩阵；
21、根据所述子空间项，将所述坐标变换矩阵进行多跳分解，得到所述多跳子空间，其满足以下关系式(3)：
22、
23、更进一步地，步骤s4包括以下子步骤：
24、根据所述多跳子空间ui,ρ，对所述系统状态空间模型进行状态转换，得到第二系统状态空间模型，其满足以下关系式(4)：
25、
26、其中，以及
27、构造基于多跳子空间分解的损失函数，其满足以下关系式(5)：
28、
29、对所述损失函数设置成本最小化必要条件关系式(7)：
30、
31、做以下定义：
32、
33、
34、
35、根据上述定义求解所述损失函数，得到所述分布式滚动时域估计器关系式(8)：
36、
37、其中，
38、更进一步地，所述损失函数具有以下约束(6)：
39、
40、更进一步地，步骤s5中，对所述分布式滚动时域估计器进行增益求解，得到预设增益的步骤，包括以下子步骤：
41、将所述多跳子空间应用于所述系统状态空间模型，得到上三角矩阵形式的变换系统矩阵(9)：
42、
43、将传感器节点i每一跳ρ的估计误差表示为关系式(10)：
44、
45、根据所述估计误差的表达式，计算传感器节点i在第0跳的估计误差θii,0,k-n；
46、根据所述估计误差的表达式，计算传感器节点i在第ρ跳的估计误差θii,ρ,k-n，ρ≥1；
47、做以下定义：
48、
49、
50、
51、其中，μ为增益项；
52、定义向量以构建估计误差增广表达式(11)：
53、
54、其中，*表示第ρ跳的估计误差θii,ρ,k-n中的非零项，表示含有系统噪声以及测量噪声的预设干扰项；
55、定义第一增益μ1使得矩阵di(0,0)的谱半径小于α，第二增益μ2使得di(ρ,ρ)的谱半径小于α；
56、计算μ3＝min{μ1,μ2}作为所述预设增益并输出。
57、本专利技术达到的有益效果，在于提出了一种能够调整估计动态收敛速度的基于多跳子空间分解的传感器分布式滚动时域估计方法，对于小车轨迹预测等分布式系统的传感器拓扑，通过设计估计器中的增益，使得滚动时域估计过程中的所有的估计以指数速度收敛于真实状态，能够保证传感器节点能够在更短时间内跟踪目标小车的运动状态，本专利技术相较于现有技术降低了滚动时域估计的计算复杂度、提高了实时估计性能。
本文档来自技高网...【技术保护点】
1.一种基于多跳子空间分解的传感器分布式滚动时域估计方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于多跳子空间分解的传感器分布式滚动时域估计方法，其特征在于，步骤S1中，定义图表示所述传感器网络拓扑图；其中，表示n个传感器的集合，表示边的集合，所有传感器节点i的邻居传感器节点j构成的集合表示为
3.根据权利要求2所述的基于多跳子空间分解的传感器分布式滚动时域估计方法，其特征在于，步骤S2中，基于一类离散时间线性时不变系统建立所述系统状态空间模型，其满足以下关系式(1)：
4.根据权利要求1所述的基于多跳子空间分解的传感器分布式滚动时域估计方法，其特征在于，步骤S3包括以下子步骤：
5.根据权利要求4所述的基于多跳子空间分解的传感器分布式滚动时域估计方法，其特征在于，步骤S4包括以下子步骤：
6.根据权利要求5所述的基于多跳子空间分解的传感器分布式滚动时域估计方法，其特征在于，所述损失函数具有以下约束(6)：
7.根据权利要求5所述的基于多跳子空间分解的传感器分布式滚动时域估计方法，其特征在于，步
...【技术特征摘要】
1.一种基于多跳子空间分解的传感器分布式滚动时域估计方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于多跳子空间分解的传感器分布式滚动时域估计方法，其特征在于，步骤s1中，定义图表示所述传感器网络拓扑图；其中，表示n个传感器的集合，表示边的集合，所有传感器节点i的邻居传感器节点j构成的集合表示为
3.根据权利要求2所述的基于多跳子空间分解的传感器分布式滚动时域估计方法，其特征在于，步骤s2中，基于一类离散时间线性时不变系统建立所述系统状态空间模型，其满足以下关系式(1)：
4.根据权利要...
【专利技术属性】
技术研发人员：钟辰威，杨立鑫，刘畅，徐雍，黄增鸿，鲁仁全，
申请(专利权)人：广东工业大学，
类型：发明
国别省市：
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。