CN103067940A - 基于无线传感器网络的协同信息估计方法 - Google Patents

Abstract

本发明提供了基于无线传感器网络的协同信息估计方法，包括以下步骤：步骤1、初始化传感器节点的滤波器参数；步骤2、为当前传感器节点构建邻居表，所述邻居表中包括当前传感器节点的所有邻居节点；步骤3、当前传感器节点与邻居节点交换测量信息；步骤4、计算滤波器增益；步骤5、如果当前传感器节点的邻居表发生变化，为下一时刻更新邻居表，然后转入到步骤3继续执行程序；如果当前传感器节点的邻居表没有发生变化，则直接转向步骤3继续执行程序。本方面是一种全分布式最优的协同信息估计方法，具有估计精度高且误差扰动小，鲁棒性好，不需要设计复杂的路由协议来转发信息，非常适合变化的网络拓扑结构和大规模的无线传感器网络等优点。

Description

基于无线传感器网络的协同信息估计方法

技术领域

本发明涉及无线传感器网络分布式协同信息处理方法，特别涉及无线传感器网络中具有多个测量信息的分布式协同信息估计方法。

背景技术

在无线传感器网络监控区域内，通常部署大量廉价的传感器节点且采用无线通信方式，单个传感器节点受到计算资源、通信带宽和传感范围的限制。为了完成一个共同的目标，需要多个传感器节点相互协同工作来共同完成一个或多个任务。另外，考虑到无线传感器网络部署在复杂环境中，测量噪声、信道噪声和链路冲突等不确定性因素存在，每个传感器节点从同一个感兴趣的检测点可能获得不一致的信息，这将导致传感器节点估计性能变坏。这些问题使得无线传感器网络面临巨大的挑战。因此，开发新的协同信号和信息处理理论及方法，对改善系统的可靠性和提高系统的鲁棒性具有重要意义。

为了提高系统的鲁棒性，有学者开发了一类能容忍丢包的卡尔曼滤波器，这类滤波器只考虑了系统的不确定性，比如系统的丢包和延时，没有考虑到传感器节点之间相互协作和信息一致性。为了处理测量信息的不一致性，有学者提出了基于一致性(Consensus)策略的协同信息处理方法，该方法是全分布式的算法，能够处理系统的不确定性和不一致性，但是该算法中一致性增益不是最优的，因此不是最优的信息处理方法。也有学者提出了基于扩散策略(Diffusionstrategies)的分布式卡尔曼滤波方法，无线网络内传感器节点只与他们的邻居通信，且信息通过一系列卡尔曼迭代和数据融合来处理，并把信息扩散到网络上其他节点，这类滤波器具有较高的估计精度，但是这类滤波器需要做多次迭代才能得到最后结果，具有一定的时延，且估计误差具有较大的抖动，不适合实时性要求高的应用场景。

发明内容

本发明公开了一种基于无线传感器网络的分布式最优协同信息估计方法。在网络中每个工作传感器节点并行处理信息且只与自己的邻居节点交换信息，从而达到协同信息处理的目的。这种方法是分布式最优算法，网络中不需要信息融合中心，也不需要簇头。对于单个传感器节点或者通信链路是鲁棒的，对于随机部署传感器节点是灵活的，因此非常适合变化的网络拓扑结构，同时不需要复杂的路由协议来传递信息。

由于整个网络中传感器节点地位是对等的，以当前传感器节点s_i为例说明上述目标，分布式协同信息估计方法采用以下技术方案：

1:在初始时刻k=0，初始化每个滤波器的各种参数；

2：为当前传感器节点s_i构建邻居表

3：当前传感器节点只和邻居节点交换测量信息；

4：计算最优的滤波器增益，根据步骤3中交换的测量信息，更新滤波器的估计值，并为下一时刻k+1预测滤波器的估计值；

5:如果当前邻居表变化，为下一时刻k+1更新邻居表

然后转入到步骤3继续执行程序。

其中，上述所述的步骤1中，每个滤波器的参数包括状态估计和协方差，且每个滤波器的状态估计和协方差都服从均值为x₀，方差为P₀的高斯分布。

上述所述的步骤2中，构建邻居表的具体操作如下：

如果s_j位于s_i的通信范围内，则把s_j加入到s_i的邻居表

中；否则如果s_j不在s_i的通信范围内，或者链路失败，则把s_j从s_i的邻居表

中删除。如图1所示，例如，对于s₁₁，它的邻居表

邻居个数

对于s₁₇，它的邻居表

邻居个数等等。

上述所述的步骤3)中包括两层含义：a)当前传感器节点和邻居节点交换信息具体过程包括：当前传感器节点广播自己的测量信息给邻居节点，同时接收来自所有邻居节点的测量信息，因此，每个传感器节点不仅拥有自己的测量信息，同时拥有邻居节点的测量信息；b)当前传感器节点只与邻居节点交换信息，与整个网络规模无关，因此该方法是全分布式算法。

上述所述的步骤4中进一步包括：

4.1)计算滤波器增益包括当前滤波器增益

和邻居滤波器增益

当前滤波器增益

主要用于调节当前预测值，邻居滤波器增益

主要用于补偿邻居节点和当前节点测量信息的不一致。

4.2)当前滤波器增益

和邻居滤波器增益

都是最优的，即在滤波器设计目标中，采用最小化滤波器估计误差而得到的

和

因此本发明中的滤波器也为最优滤波器。

4.3)当前时刻k更新滤波器的估计值包括状态估计

和误差协方差矩阵

为下一时刻k+1预测滤波器的估计值包括预测状态估计和预测误差协方差矩阵

上述步骤5中，当前邻居表

更新包括删除节点和添加节点：a)邻居表中有传感器节点能量耗尽，从当前邻居表中删除，该节点退出网络；b)有新的传感器节点移动进入当前传感器节点的通信范围内，或者通过调节传感器节点的发射功率以增大通信范围，新增加的通信范围内的传感器节点被添加到当前邻居表；c)由于其它原因，邻居表中的传感器节点在规定时间内没有接收到邻居节点的信息，或者在规定的时间内不能把信息发送给当前传感器节点，则认为该传感器节点暂时失效，把该传感器节点从当前邻居表中删除。

上述步骤5的b)中,新的传感器节点是指无线传感器网络监测区域以外的传感器节点。

上述步骤5的c)中，由于其他原因，这些原因主要有链路冲突而导致测量信息丢失或者延时超过规定的时间。规定的时间是指一个传感器节点连续两次成功发送或者成功接收信息的时间差的最大值。传感器节点暂时失效是指传感器节点在规定的时间内没有接收到信息或者发送信息不成功。如果该传感器节点过一段时间后又能重新发送或者接收信息，则该传感器节点又可以被添加进当前传感器节点的邻居表，成为网络中的一个工作节点。

附图说明

图1是具有20个传感器节点的和54个通信链路的网络拓扑，图中101表示传感器节点，102表示对应传感器节点编号，103表示通信链路。

图2是当前传感器节点与邻居节点交换信息，图中201表示当前传感器节点s_i，202表示当前传感器节点s_i的邻居节点，203表示s_i的通信半径，204当前传感器节点s_i的通信覆盖区域。

图3是所有传感器节点在五个不同时刻的位置估计值，其中301“+”代表每个传感器节点的估计位置，302“◇”代表所有传感器节点估计位置的中心，303“□”代表移动目标的实际位置，304代表移动目标的实际轨迹。

图4是使用不同初值的20个传感器节点的估计误差，401表示传感器节点在不同时间步时的估计误差。

图5是四种估计方法在不同时间步时的平均估计误差比较，501表示CKF，502表示LKF，503表示DOKF，504表示DiffKF。

具体实施方式

为了方便叙述具体实施方式，首先给出一些符号表示：无线传感器网络拓扑结构G_k＝{V,E_k}中有N个传感器节点，其中V＝{1,2,…,N}表示传感器节点顶点集合，表示在时间步k时的边集。

表示在时间步k时传感器节点s_i的邻居节点集合，但不包括传感器节点s_i；

表示传感器节点s_i的邻居表

中元素的个数；I_m表示具有m维的单位矩阵。

对于无线传感器网络中的分布式状态估计，考虑如下离散线性时变系统的状态方程：

x_k+1＝A_kx_k+B_kw_k                        (1)其中

是k时刻的状态矢量，A_k和B_k是适当维素的矩阵，w_k是具有均值为零、方差为Q_k的状态噪声。

我们使用具有拓扑结构G_k的无线传感器网络来测量目标的状态，当传感器节点s_i作为工作节点时，相应的测量方程为：

$z_k^i=H_k^i{x}_k+v_k^i$ (i＝1,2，...,N)(2)其中

是传感器节点s_i在时间步k的测量值，

是具有均值为零、方差为的高斯随机噪声。

本发明的目标是设计一种分布式协同状态估计方法，具体需要设计一类基于邻居测量信息的全分布式最优滤波器：

$J=\mathrm{Min}{\mathrm{\Σ}}_{i=1}^{n_k^i}\left\{E(x_k-{\hat{x}}_{k|k}^i){(x_k-{\hat{x}}_{k|k}^i)}^T\right\}---\left(4\right)$

其中

和

是传感器节点s_i的状态预测值和估计值，

和

分别是当前滤波器增益和邻居滤波器增益。

下面结合附图对本发明内容作进一步的阐述，一种分布式最优的协同信息估计方法主要包括以下步骤：

第一步:在初始时刻k＝0,初始化每个滤波器的状态

误差协方差矩阵

和邻居表

其中i∈{1,2，...,N}。

第二步：为当前传感器节点s_i构建邻居表构建邻居表的具体操作如下：

如果s_j位于

的通信范围内，则把s_j加入到s_i的邻居表

中，例如

其中i,j∈V，

代表s_i的通信半径，

表示s_i的传感半径，d_i，j表示从s_i到s_j的距离；否则如果s_j不在

的通信范围内，或者链路失败，则s_j将从s_i的邻居表

中删除，即

如图1所示，图中101表示传感器节点，102表示对应传感器节点的编号，103表示通信链路。例如，对于s₁₁，它的邻居表

邻居个数

对于s₁₇，它的邻居表

邻居个数等等。

第三步：当前传感器节点和邻居节点交换实时信息，具体的交换过程如图2所示，图中201表示当前传感器节点s_i，202表示当前传感器节点s_i的邻居节点，203表示s_i的通信半径，204表示当前传感器节点s_i的通信覆盖区域。当前传感器节点s_i广播自己的测量信息

给邻居节点

每个邻居节点把自己的测量信息

发送给当前传感器节点s_i，其中

第四步：1)计算最优的当前卡尔曼增益

和邻居卡尔曼增益具体计算如下:

$K_k^i={\left[P_{k|k-1}^i{\left(H_k^i\right)}^T(I_m-{\left(n_k^i\right)}^2{L}_k^i{S}_k^i){\stackrel{\‾}{S}}_k^i\right][I_m-{\left(n_k^i\right)}^2{S}_k^i{L}_k^i{S}_k^i{\stackrel{\‾}{S}}_k^i]}^{-1}---\left(5\right)$

和

$C_k^i[\left(n_k^i{P}_{k|k-1}^i{\left(H_k^i\right)}^T(I_m-{\stackrel{\‾}{S}}_k^i{S}_k^i)L_k^i\right]{[I_m-{\left(n_k^i\right)}^2{S}_k^i{\stackrel{\‾}{S}}_k^i{S}_k^i{L}_k^i]}^{-1}---\left(6\right)$

其中

$S_k^i=H_k^i{P}_{k|k-1}^i{\left(H_k^i\right)}^T$

${\stackrel{\‾}{S}}_k^i{(S_k^i+R_k^i)}^{-1}$

$L_k^i={[{\left(n_k^i\right)}^2{S}_k^i+\underset{j\∈N_k^i}{\mathrm{\Σ}}{R}_k^j]}^{-1}$

2)根据第三步中交换的测量信息更新状态估计和误差协方差矩阵

${\hat{x}}_{k|k}^i={\hat{x}}_{k|k-1}^i+K_k^i(z_k^i-H_k^i{\hat{x}}_{k|k-1}^i)+C_k^i\underset{j\∈N_k^i}{\mathrm{\Σ}}(z_k^j-H_k^i{\hat{x}}_{k|k-1}^i)---\left(7\right)$

$P_{k|k}^i=F_k^i{P}_{k|k-1}^i{\left(F_k^i\right)}^T+K_k^i{R}_k^i{\left(K_k^i\right)}^T+C_k^i\underset{j\∈N_k^i}{\mathrm{\Σ}}{R}_k^j{\left(C_k^i\right)}^T---\left(8\right)$

注意：因为在同一邻居区域内，各传感器节点的测量噪声近似相同，易得

由(7)和(8)式可知，当前节点只需邻居的测量即可，而不需要邻居的

因此，彼此需要交换的信息量更少，更加节约通信带宽和能量。

3)在当前状态估计

和误差协方差矩阵

的基础上，为下一时刻k+1预测状态估计

和误差协方差

${\hat{x}}_{k+1|k}^i=A_k{\hat{x}}_{k|k}^i---\left(9\right)$

$P_{k+1|k}^i=A_k{P}_{k|k}^i{A}_k^T+B_k{Q}_k^i{B}_k^T---\left(10\right)$

第五步：如果当前邻居表

变化，为下一时刻k+1更新邻居表邻居表的更新参照步骤2，然后转入到步骤3继续执行程序。

为了验证上述步骤中分布式最优协同信息估计方法的优越性，采用以下方法进行验证。

在监控区域是40米×40米的方形区域，用N＝20个随机分布的传感器节点构成的无线传感器网络来跟踪一个移动目标，移动目标的状态方程和测量方程为具体实施方式中的(1)和(2)式，各参数表示为：

$A_k=\left[\begin{array}{cc}0.9996& -0.0300\\ 0.0300& 0.9996\end{array}\right],$ $B_k=\left[\begin{array}{cc}0.3750& 0\\ 0& 0.3750\end{array}\right]$

$H_k^i=\left[\begin{array}{cc}1& 1\end{array}\right],$ $R_k^i=50$

对于每一个滤波器初始状态值x₀＝(15,-10)^T和P₀＝10I₂其中i＝1,2，...,N，时间步长T＝0.015，总时间步k＝500。

图3是所有传感器节点分别在五个不同时刻k＝1,125,250,375,500的位置估计值，其中301“+”代表每个传感器节点的估计位置，302“◇”代表所有传感器节点估计位置的中心

其中

${\stackrel{\‾}{x}}_{1,k}=\frac{1}{N}{\mathrm{\Σ}}_{i=1}^N{\hat{x}}_{1,k}^i,$

${\stackrel{\‾}{x}}_{2,k}=\frac{1}{N}{\mathrm{\Σ}}_{i=1}^N{\hat{x}}_{2,k}^i.$

303“□”代表移动目标的实际位置，304代表移动目标的实际轨迹。图3说明了随着时间的推移，每个传感器节点通过与邻居节点实时交换信息，被估计的位置越来越接近实际的目标位置，也就是说，估计精度越来越高。

定义估计误差为

$e_k\≡\sqrt{{(x_{1,k}-{\hat{x}}_{1,k})}^2+{(x_{2,k}-{\stackrel{2}{x}}_{2,k})}^2}---\left(11\right)$

其中(x_1，k，x_2,k)是目标的实际位置，

是被估计的位置。在每一时间步，20个具有不同初始值的传感器节点的估计误差如图4所示，401表示传感器节点的估计误差。尽管每个滤波器的初值不同，随着时间推移，每个滤波器的估计误差逐渐减小，最后趋向于很小的稳定值。例如，尽管设置了较大的测量噪声

i∈{1,2，...,N}，当k＝80后，每个传感器节点的估计误差小于1。

为了评估所有传感器节点的总性能，定义平均估计误差：

${\stackrel{\‾}{e}}_k\≡\sqrt{{(x_{1,k}-{\stackrel{\‾}{x}}_{1,k})}^2+{(x_{2,k}-{\stackrel{\‾}{x}}_{2,k})}^2}---\left(12\right)$

其中 ${\stackrel{\‾}{x}}_{1,k}=\frac{1}{N}{\mathrm{\Σ}}_{i=1}^N{\hat{x}}_{1,k}^i$ 和 ${\stackrel{\‾}{x}}_{2,k}=\frac{1}{N}{\mathrm{\Σ}}_{i=1}^N{\hat{x}}_{2,k}^i.$

如图5中的503，即为本发明协同信息估计方法的平均估计误差，从图中可知平均估计误差很小。

与现有的协同信息处理算法相比，本发明具有如下优点和显著效果：

a)本发明中的滤波算法只使用邻居的测量信息来更新自己的估计值，也就是说，只与邻居节点的个数相关，而与整个网络的规模N没有关系。因此该算法非常适合大规模的无线传感器网络应用。

b)本发明中当调整传感器节点的通信半径时，或者其它的传感器节点移动进入或者移出传感器节点s_i通信范围时，传感器节点s_i的邻居表

将变化，因此，本发明也适用于时变网络拓扑结构。对于两种特殊情况：一种是

趋于无穷，此时n_k=N，这种情况下意味着每个传感器节点和网络中的所有其它传感器节点进行信息交互；另一种情况是

以至于n_k=0，这种情况下意味着每一个传感器节点不和任何传感器节点交换信息。当n_k=0时，在(6)式中可知

此时本发明中的算法退化为标准的卡尔曼滤波器，因此标准的卡尔曼滤波器只是本发明的一个特例。

c)对本发明和其它几种已经存在的估计方法进行了性能比较，如图5所示。把基于一致性策略的协同估计方法表示为CKF，如图501；本发明中没有信息交换特殊情况下的估计方法表示为LKF，如图502；本发明中有信息交换的一般情况下的估计方法表示为DOKF，如图503；基于扩散策略的分布式估计方法表示为DiffKF，如图504。从图5可知，由于LKF没有和邻居节点交换信息，因此四种估计方法中LKF估计误差最大。DiffKF算法是基于扩散策略，对于每一个邻居测量在每一时间步都执行一次滤波算法，每个滤波器对每个测量值都是最优的，因此有最小的平均估计误差。然而，由于没有联合设计邻居滤波器达到最优增益，因此估计误差具有很大的抖动。对于本发明中的DOKF，由于同时考虑了当前滤波增益和邻居节点的增益，并且基于最小误差协方差矩阵进行了联合设计，因此本发明中的方法有较小的平均估计误差，并且估计误差没有抖动。对于CKF，由于一致性增益不是基于最小误差协方差矩阵设计，因而平均估计误差比DOKF大。而且CKF需要当前传感器节点和邻居节点交换测量值、噪声误差协方差和预测的估计值，但本发明中的方法只需要和邻居节点交换测量信息，通信量大大减少，然而计算复杂度彼此相当。从节能的观点来看，众所周知，处理同样多的数据，通信消耗的能量比计算消耗的能量大得多。因此，本发明中的方法节约了更多的能量。

总之，本发明中的方法不需要信息融合中心，也不需要簇头，因而是全分布式的方法；通过最小化估计误差来联合设计最优滤波器增益和邻居滤波器增益，因此估计误差小且误差扰动小；当前传感器节点处理信息只需要自己邻居节点的信息，因此也不需要设计复杂的路由协议来转发信息；网络拓扑变化不会影响整个网络的信息处理能力，对于单个传感器节点或者通信链路是鲁棒的，对于随机部署传感器节点是灵活的，因此非常适合变化的网络拓扑结构，而且与整个网络的规模没有关系，该方法非常适合大规模的无线传感器网络应用。

上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims (8)

1.基于无线传感器网络的协同信息估计方法，其特征在于，包括以下步骤：

步骤1、初始化传感器节点的滤波器参数；

步骤2、为当前传感器节点构建邻居表，所述邻居表中包括当前传感器节点的所有邻居节点；

步骤3、当前传感器节点与邻居节点交换测量信息；

步骤4、计算滤波器增益，根据步骤3中交换的所述测量信息，更新滤波器的估计值，并为下一时刻预测滤波器的估计值；

步骤5、如果当前传感器节点的邻居表发生变化，为下一时刻更新邻居表，然后转入到步骤3继续执行程序；如果当前传感器节点的邻居表没有发生变化，则直接转向步骤3继续执行程序。

2.根据权利要求1所述的基于无线传感器网络的协同信息估计方法，其特征在于，所述步骤1中，所述滤波器的参数包括状态估计和误差协方差矩阵，且滤波器的状态估计和协方差均服从高斯分布。

3.根据权利要求1所述的基于无线传感器网络的协同信息估计方法，其特征在于，所述步骤2中，构建邻居表的方法为：在初始化随机部署传感器节点后，判断传感器节点是否位于当前传感器节点的通信半径内，如果传感器节点位于当前传感器节点的通信半径内，则把传感器节点加入到当前传感器节点的邻居表中。

4.根据权利要求1所述的基于无线传感器网络的协同信息估计方法，其特征在于，步骤3中，所述交换测量信息包括当前传感器节点广播其测量信息给邻居节点和当前传感器节点接收来自邻居节点的测量信息。

5.根据权利要求1所述的基于无线传感器网络的协同信息估计方法，其特征在于，所述步骤4包括以下步骤：

S1、计算滤波器增益包括当前滤波器增益和邻居滤波器增益，当前滤波器增益用于调节当前预测值，邻居滤波器增益用于补偿邻居节点和当前节点的预测差值；

S2、当前滤波器增益和邻居滤波器增益都是最优的，即在滤波器设计目标中，采用最小的滤波器估计误差而得到的当前滤波器增益和邻居滤波器增益；

S3、当前时刻更新滤波器的估计值包括状态估计和误差协方差矩阵；为下一时刻预测滤波器的估计值包括预测状态估计和预测误差协方差矩阵。

6.根据权利要求1所述的基于无线传感器网络的协同信息估计方法，其特征在于，所述的步骤5中，所述更新邻居表包括以下步骤：

A1、如果邻居表中有传感器节点的能量耗尽，则把所述能量耗尽的传感器节点从当前传感器节点的邻居表中删除；

A2、有新的传感器节点移动进入当前传感器节点的通信半径内，或者通过调节当前传感器节点的发射功率以增大通信半径，新增加的通信范围内的传感器节点被添加到当前传感器节点的邻居表中；

A3、由于通信失败，邻居表中的一个传感器节点在规定时间内没有接收到当前传感器节点的信息，或者在规定的时间内不能把信息发送给当前传感器节点，则表示邻居表中的这个传感器节点暂时失效，把这个传感器节点从当前传感器节点的邻居表中删除。

7.根据权利要求1所述的基于无线传感器网络的协同信息估计方法，其特征在于，所述的步骤5的A2中，通信范围是指当前传感器节点能够和邻居传感器节点进行通信所覆盖的区域。

8.根据权利要求1所述的基于无线传感器网络的协同信息估计方法，其特征在于，所述的步骤5的A3中，通信失败的原因是指链路冲突而导致测量信息丢失或者延时超过规定的时间，所述规定的时间是指一个传感器节点连续两次成功发送或者成功接收信息的时间差不能超过用户规定的时间；所述传感器节点暂时失效是指传感器节点在规定的时间内没有接收到信息或者发送信息失败。

Images