CN103237320A - 无线传感器网络基于混合量化卡尔曼融合的目标跟踪方法 - Google Patents

无线传感器网络基于混合量化卡尔曼融合的目标跟踪方法 Download PDF

Info

Publication number
CN103237320A
CN103237320A CN2013101266421A CN201310126642A CN103237320A CN 103237320 A CN103237320 A CN 103237320A CN 2013101266421 A CN2013101266421 A CN 2013101266421A CN 201310126642 A CN201310126642 A CN 201310126642A CN 103237320 A CN103237320 A CN 103237320A
Authority
CN
China
Prior art keywords
matrix
fusion
measurement
quantization
noise
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN2013101266421A
Other languages
English (en)
Other versions
CN103237320B (zh
Inventor
徐小良
汪艳辉
葛泉波
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hangzhou Dianzi University
Original Assignee
Hangzhou Dianzi University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Hangzhou Dianzi University filed Critical Hangzhou Dianzi University
Priority to CN201310126642.1A priority Critical patent/CN103237320B/zh
Publication of CN103237320A publication Critical patent/CN103237320A/zh
Application granted granted Critical
Publication of CN103237320B publication Critical patent/CN103237320B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)

Abstract

本发明涉及一种无线传感器网络基于混合量化卡尔曼融合的目标跟踪方法。本发明提供一种基于两种量化误差建模的量化卡尔曼融合的目标跟踪方法。量化误差的建模包括统计建模和扩展状态建模，为了提高融合估计的精度，得到更好的状态估计，提出了基于两种量化估计的分布式融合方法，它是融合基于统计建模和扩展状态建模的两种估计，并提出一种求解两种估计系数的方法。对于带有噪音相关的多传感器系统，提出了去除噪音相关的方法，并进行数据压缩和量化，进行混合量化融合估计。本发明可以提高融合估计的精度，能够得到更好的状态估计。

Description

无线传感器网络基于混合量化卡尔曼融合的目标跟踪方法
技术领域
本发明属于信息融合技术领域，特别涉及一种基于比特位量化误差建模的无线多传感器系统混合量化融合的目标跟踪方法。
背景技术
随着无线网络的广泛运用，特别是无线传感器网络，在现代复杂的无线多传感器数据融合系统中数据融合研究面临许多新的挑战，例如有限的带宽，随机相关的噪音。因此为了节省从传感器节点到处理中心传播通道带宽，需要对传感器数据进行量化和压缩，然而量化的测量信息会出现新的量化误差，需要对量化误差进行处理来提高数据融合的精确度。量化滤波器和融合估计的设计在无线控制系统和数据融合领域越正成为一个热门的议题。
发明内容
本发明的目的在于针对现有量化融合估计精度的不足，提供一种基于两种量化误差建模的量化卡尔曼融合的目标跟踪方法。量化误差的建模包括统计建模和扩展状态建模，为了提高融合估计的精度，得到更好的状态估计，提出了基于两种量化估计的分布式融合方法，它是融合基于统计建模和扩展状态建模的两种估计，并提出一种求解两种估计系数的方法。对于带有噪音相关的多传感器系统，提出了去除噪音相关的方法，并进行数据压缩和量化,进行混合量化融合估计。其具体内容如下：
1.系统建模
1.1给出线性多传感器动态系统
Figure 2013101266421100002DEST_PATH_IMAGE002
  
Figure 2013101266421100002DEST_PATH_IMAGE004
                
表示时刻
Figure 2013101266421100002DEST_PATH_IMAGE008
，
Figure 2013101266421100002DEST_PATH_IMAGE010
是在时刻
Figure 203839DEST_PATH_IMAGE008
感兴趣的目标的状态变量，是时间从
Figure 2013101266421100002DEST_PATH_IMAGE014
的系统矩阵，过程噪音
Figure 2013101266421100002DEST_PATH_IMAGE016
是均值为零的高斯白噪音向量，它的协方差矩阵式是
Figure 2013101266421100002DEST_PATH_IMAGE018
，
Figure 2013101266421100002DEST_PATH_IMAGE020
是在时刻
Figure 432563DEST_PATH_IMAGE008
的传感器的测量值，
Figure 2013101266421100002DEST_PATH_IMAGE022
是相关的测量矩阵，
Figure 2013101266421100002DEST_PATH_IMAGE024
是均值为零的高斯白噪音。
2、比特位量化误差的建模   
2.1 测量方程的自适应比特量化建模
Figure 2013101266421100002DEST_PATH_IMAGE026
;                            
Figure 2013101266421100002DEST_PATH_IMAGE028
;                           
m(k)是测量方程经过量化的信息矩阵，是测量误差和量化误差向量之和，n(k)是量化误差向量。
2.2的近似协方差矩阵
Figure 2013101266421100002DEST_PATH_IMAGE032
Figure 2013101266421100002DEST_PATH_IMAGE034
  
Figure 2013101266421100002DEST_PATH_IMAGE036
                                                                                                      
Figure 2013101266421100002DEST_PATH_IMAGE040
表示的协方差矩阵，
Figure 2013101266421100002DEST_PATH_IMAGE044
表示测量方程q经过量化的比特误差的协方差矩阵，
Figure 2013101266421100002DEST_PATH_IMAGE046
表示第r个测量节点的上限值，
Figure 2013101266421100002DEST_PATH_IMAGE048
表示第r个测量节点的下限值，
Figure 2013101266421100002DEST_PATH_IMAGE050
表示量化方程的个数，
Figure 2013101266421100002DEST_PATH_IMAGE052
表示第r个传感器节点测量方程量化信息的字节数，表示量化点的个数，
Figure 2013101266421100002DEST_PATH_IMAGE056
是的协方差矩阵，
Figure 2013101266421100002DEST_PATH_IMAGE058
是
Figure 255439DEST_PATH_IMAGE030
的近似协方差矩阵。
2.3量化误差的扩展状态建模                         
扩展状态的新系统模型如下：
Figure 2013101266421100002DEST_PATH_IMAGE060
               
       
                         
Figure 2013101266421100002DEST_PATH_IMAGE068
是在时刻
Figure 202536DEST_PATH_IMAGE008
感兴趣的目标的扩展状态变量，是时间从
Figure 905787DEST_PATH_IMAGE014
的扩展后的系统矩阵，过程噪音
Figure 2013101266421100002DEST_PATH_IMAGE072
是均值为零的高斯白噪音向量，它的协方差矩阵式是
Figure 2013101266421100002DEST_PATH_IMAGE074
，是相关的测量矩阵，为
Figure 980053DEST_PATH_IMAGE024
的协方差误差。
3、两种建模方法的分布式融合估计
3.1 基于量化误差的近似协方差建模的WSFKFQM-CN估计值。
               
  
Figure 2013101266421100002DEST_PATH_IMAGE082
是基于量化误差的近似协方差建模的WSFKFQM-CN估计值，是
Figure 2013101266421100002DEST_PATH_IMAGE086
的系数矩阵，
Figure 2013101266421100002DEST_PATH_IMAGE088
是
Figure 2013101266421100002DEST_PATH_IMAGE090
的系数矩阵。
3.2 基于量化误差的扩展状态建模的WSFKF-CN估计值
Figure 2013101266421100002DEST_PATH_IMAGE092
 
Figure 2013101266421100002DEST_PATH_IMAGE094
是基于量化误差的扩展状态建模的WSFKF-CN估计值，
Figure 2013101266421100002DEST_PATH_IMAGE096
是
Figure 272101DEST_PATH_IMAGE086
的系数矩阵，
Figure 2013101266421100002DEST_PATH_IMAGE098
是
Figure 2013101266421100002DEST_PATH_IMAGE100
的系数矩阵。                
3.3 两种量化误差估计的分布式融合
线性组合公式如下：
Figure 2013101266421100002DEST_PATH_IMAGE102
 
 
Figure 2013101266421100002DEST_PATH_IMAGE106
                    
Figure 2013101266421100002DEST_PATH_IMAGE108
是两种量化估计的分布式融合估计值，
Figure 2013101266421100002DEST_PATH_IMAGE110
和
Figure 2013101266421100002DEST_PATH_IMAGE112
是线性组合系数，
Figure 2013101266421100002DEST_PATH_IMAGE114
等于
Figure 764000DEST_PATH_IMAGE094
,
Figure 2013101266421100002DEST_PATH_IMAGE116
表示
Figure 456013DEST_PATH_IMAGE082
的误差协方差矩阵，表示的误差协方差矩阵，
Figure 2013101266421100002DEST_PATH_IMAGE120
表示
Figure 591776DEST_PATH_IMAGE114
和
Figure 457838DEST_PATH_IMAGE082
协方差矩阵，
Figure 2013101266421100002DEST_PATH_IMAGE122
表示和
Figure 849954DEST_PATH_IMAGE114
协方差矩阵。
4、多传感器系统的混合量化融合估计
4.1 多传感器的测量方程
Figure 2013101266421100002DEST_PATH_IMAGE124
                             
Figure 2013101266421100002DEST_PATH_IMAGE126
是测量方程
Figure 2013101266421100002DEST_PATH_IMAGE128
的测量值，
Figure 2013101266421100002DEST_PATH_IMAGE130
是高斯白噪音，N代表传感器个数。
4.2 扩展形式的测量方程和测量噪音的去相关性 
Figure 2013101266421100002DEST_PATH_IMAGE132
Figure 2013101266421100002DEST_PATH_IMAGE134
Figure 2013101266421100002DEST_PATH_IMAGE136
Figure 2013101266421100002DEST_PATH_IMAGE138
Figure 2013101266421100002DEST_PATH_IMAGE140
                                  
Figure 2013101266421100002DEST_PATH_IMAGE142
是测量方程N和测量方程K的相关测量噪音的协方差矩阵，上面所给的矩阵说明，多传感器的测量噪音是相关的。为了满足常规的压缩融合方案，噪音去相关性是必须的。因此为了得到非相关噪音的测量方程，需要对R(k)进行对角化。根据矩阵分析的知识，对于对称矩阵R(k)，一定存在一个正交矩阵U(k)，使
Figure 2013101266421100002DEST_PATH_IMAGE144
。
Figure 2013101266421100002DEST_PATH_IMAGE146
是个对角矩阵。
Figure 2013101266421100002DEST_PATH_IMAGE148
Figure 2013101266421100002DEST_PATH_IMAGE150
Figure 2013101266421100002DEST_PATH_IMAGE152
                                                      
Figure 2013101266421100002DEST_PATH_IMAGE158
Figure 303544DEST_PATH_IMAGE146
是经过对角化的测量噪音的协方差矩阵，
Figure 2013101266421100002DEST_PATH_IMAGE160
是经过对角化测量方程n的测量噪音的协方差矩阵，
Figure 2013101266421100002DEST_PATH_IMAGE162
是测量方程
Figure 514077DEST_PATH_IMAGE128
的测量噪音的协方差矩阵，
Figure 2013101266421100002DEST_PATH_IMAGE164
表示正交变换后的测量值，
Figure 2013101266421100002DEST_PATH_IMAGE166
表示正交变换后的测量矩阵，
Figure 2013101266421100002DEST_PATH_IMAGE168
表示正交变换后的测量误差。
4.3正交变换后的测量方程的压缩融合
通过传统的集中式压缩融合方法，可以得到
Figure 2013101266421100002DEST_PATH_IMAGE172
Figure 2013101266421100002DEST_PATH_IMAGE174
                                     
Figure 2013101266421100002DEST_PATH_IMAGE178
是在时刻经过集中式压缩融合后的测量值，是相关的测量矩阵，是均值为零的高斯白噪音，它的协方差矩阵为
Figure DEST_PATH_IMAGE184
。
得到最终的压缩融合测量方程，然后再经过量化和分布式融合估计，得到最终的混合量化融合的估计值。
本发明有益效果：本发明提高融合估计的精度，能够得到更好的状态估计。
附图说明
    图1.基于统计建模，扩展状态建模，分布式融合估计误差协方差的迹；
    图2.混合量化融合的估计误差协方差的跟踪曲线。
具体实施方式
以下结合附图对本发明作进一步说明。
1.系统建模
1.1本发明给出了线性多传感器动态系统
  
Figure 318325DEST_PATH_IMAGE004
                
Figure 526191DEST_PATH_IMAGE006
表示时刻
Figure 414512DEST_PATH_IMAGE008
，
Figure 297018DEST_PATH_IMAGE010
是在时刻
Figure 587185DEST_PATH_IMAGE008
感兴趣的目标的状态变量，
Figure 529733DEST_PATH_IMAGE012
是时间从的系统矩阵，过程噪音
Figure 762186DEST_PATH_IMAGE016
是均值为零的高斯白噪音向量，它的协方差矩阵式是
Figure 234755DEST_PATH_IMAGE018
，
Figure 285888DEST_PATH_IMAGE020
是在时刻的传感器的测量值，
Figure 373110DEST_PATH_IMAGE022
是相关的测量矩阵，
Figure 372290DEST_PATH_IMAGE024
是均值为零的高斯白噪音。
2、比特位量化误差的建模   
2.1 测量方程的自适应比特量化建模
Figure 656641DEST_PATH_IMAGE026
                           
Figure 528823DEST_PATH_IMAGE028
                          
m(k)是测量方程经过量化的信息矩阵，
Figure 556822DEST_PATH_IMAGE030
是测量误差和量化误差向量之和， n(k)是量化误差向量。
2.2
Figure 676088DEST_PATH_IMAGE030
的近似协方差矩阵
Figure 803444DEST_PATH_IMAGE032
Figure 703267DEST_PATH_IMAGE034
  
Figure 207060DEST_PATH_IMAGE036
                                                                                                       
Figure 508729DEST_PATH_IMAGE038
Figure 305521DEST_PATH_IMAGE040
表示
Figure 630323DEST_PATH_IMAGE042
的协方差矩阵，
Figure 125DEST_PATH_IMAGE044
表示测量方程q经过量化的比特误差的协方差矩阵，
Figure 828403DEST_PATH_IMAGE046
表示第r个测量节点的上限值，
Figure 625458DEST_PATH_IMAGE048
表示第r个测量节点的下限值，
Figure 171977DEST_PATH_IMAGE050
表示量化方程的个数，
Figure 781688DEST_PATH_IMAGE056
是
Figure 792369DEST_PATH_IMAGE030
的协方差矩阵，
Figure 698008DEST_PATH_IMAGE058
是
Figure 731823DEST_PATH_IMAGE030
的近似协方差矩阵。
2.3量化误差的扩展状态建模                         
扩展状态的新系统模型如下：
Figure 443427DEST_PATH_IMAGE060
Figure 246298DEST_PATH_IMAGE062
               
Figure 385156DEST_PATH_IMAGE064
       
Figure 404802DEST_PATH_IMAGE066
                         
Figure 592201DEST_PATH_IMAGE068
是在时刻感兴趣的目标的扩展状态变量，
Figure 824916DEST_PATH_IMAGE070
是时间从
Figure 833323DEST_PATH_IMAGE014
的扩展后的系统矩阵，过程噪音
Figure 886730DEST_PATH_IMAGE072
是均值为零的高斯白噪音向量，它的协方差矩阵式是
Figure 162728DEST_PATH_IMAGE074
，
Figure 581071DEST_PATH_IMAGE076
是相关的测量矩阵，
Figure 873512DEST_PATH_IMAGE078
为
Figure 668293DEST_PATH_IMAGE024
的协方差误差。
3、两种建模方法的分布式融合估计
3.1 基于量化误差的近似协方差建模的WSFKFQM-CN估计值。
Figure 300263DEST_PATH_IMAGE080
               
  
Figure 951824DEST_PATH_IMAGE082
是基于量化误差的近似协方差建模的WSFKFQM-CN估计值，
Figure 433358DEST_PATH_IMAGE084
是
Figure 766251DEST_PATH_IMAGE086
的系数矩阵，
Figure 315044DEST_PATH_IMAGE088
是
Figure 340769DEST_PATH_IMAGE090
的系数矩阵。
3.2 基于量化误差的扩展状态建模的WSFKF-CN估计值
Figure 545485DEST_PATH_IMAGE092
 
Figure 744385DEST_PATH_IMAGE094
是基于量化误差的扩展状态建模的WSFKF-CN估计值，
Figure 583903DEST_PATH_IMAGE096
是
Figure 842846DEST_PATH_IMAGE086
的系数矩阵，
Figure 534859DEST_PATH_IMAGE098
是
Figure 209553DEST_PATH_IMAGE100
的系数矩阵。                
3.3 两种量化误差估计的分布式融合
线性组合公式如下：
Figure 670622DEST_PATH_IMAGE102
 
Figure 100466DEST_PATH_IMAGE104
 
Figure 512731DEST_PATH_IMAGE106
                    
Figure 53433DEST_PATH_IMAGE108
是两种量化估计的分布式融合估计值，
Figure 634587DEST_PATH_IMAGE110
和
Figure 907437DEST_PATH_IMAGE112
是线性组合系数，
Figure 636359DEST_PATH_IMAGE114
等于,表示
Figure 30803DEST_PATH_IMAGE082
的误差协方差矩阵，
Figure 184703DEST_PATH_IMAGE118
表示
Figure 4892DEST_PATH_IMAGE114
的误差协方差矩阵，表示
Figure 736142DEST_PATH_IMAGE114
和
Figure 111760DEST_PATH_IMAGE082
协方差矩阵，
Figure 532377DEST_PATH_IMAGE122
表示
Figure 942630DEST_PATH_IMAGE082
和协方差矩阵。
4、多传感器系统的混合量化融合估计
4.1 多传感器的测量方程
Figure 653414DEST_PATH_IMAGE124
                             
Figure 313940DEST_PATH_IMAGE126
是测量方程
Figure 641016DEST_PATH_IMAGE128
的测量值，
Figure 863050DEST_PATH_IMAGE130
是高斯白噪音，N代表传感器个数。
4.2 扩展形式的测量方程和测量噪音的去相关性 
Figure 213260DEST_PATH_IMAGE132
Figure 986416DEST_PATH_IMAGE138
                       
Figure 390032DEST_PATH_IMAGE142
是测量方程N和测量方程K的相关测量噪音的协方差矩阵，上面所给的矩阵说明，多传感器的测量噪音是相关的。为了满足常规的压缩融合方案，噪音去相关性是必须的。因此为了得到非相关噪音的测量方程，需要对R(k)进行对角化。根据矩阵分析的知识，对于对称矩阵R(k)，一定存在一个正交矩阵U(k)，使
Figure 363805DEST_PATH_IMAGE144
。
Figure 927641DEST_PATH_IMAGE146
是个对角矩阵。
Figure 314760DEST_PATH_IMAGE148
Figure 855201DEST_PATH_IMAGE150
Figure 949058DEST_PATH_IMAGE152
                                                      
Figure 403808DEST_PATH_IMAGE158
是经过对角化的测量噪音的协方差矩阵，
Figure 631713DEST_PATH_IMAGE160
是经过对角化测量方程n的测量噪音的协方差矩阵，
Figure 164063DEST_PATH_IMAGE162
是测量方程
Figure 485454DEST_PATH_IMAGE128
的测量噪音的协方差矩阵，
Figure 990122DEST_PATH_IMAGE164
表示正交变换后的测量值，表示正交变换后的测量矩阵，
Figure 525457DEST_PATH_IMAGE168
表示正交变换后的测量误差。
4.3正交变换后的测量方程的压缩融合
通过传统的集中式压缩融合方法，可以得到
Figure 33151DEST_PATH_IMAGE172
Figure 725219DEST_PATH_IMAGE176
                                     
Figure 152527DEST_PATH_IMAGE178
是在时刻
Figure 867673DEST_PATH_IMAGE008
经过集中式压缩融合后的测量值，
Figure 659917DEST_PATH_IMAGE180
是相关的测量矩阵，
Figure 890041DEST_PATH_IMAGE182
是均值为零的高斯白噪音，它的协方差矩阵为
Figure 121040DEST_PATH_IMAGE184
。得到最终的压缩融合测量方程，然后再经过量化和分布式融合估计，得到最终的混合量化融合的估计值。
下面结合附图和具体实例对本发明做出进一步说明。
在本例中，系统参数如下： 
Figure DEST_PATH_IMAGE186
Figure DEST_PATH_IMAGE188
Figure DEST_PATH_IMAGE190
带宽
Figure DEST_PATH_IMAGE192
，初始状态估计和协方差分别是：
Figure DEST_PATH_IMAGE194
；
对于统计模型方法：
Figure DEST_PATH_IMAGE196
。
图1给出的是在参数相同的情况下，基于统计建模，扩展状态建模，分布式融合估计误差协方差的迹，从整个跟踪过程中，分布式融合估计的精度更高。
图2给出的是混合量化融合的估计误差协方差的跟踪曲线。

Claims (1)

1. 无线传感器网络基于混合量化卡尔曼融合的目标跟踪方法，其特征在于该方法包括以下步骤：
步骤1.系统建模
1.1给出线性多传感器动态系统
Figure 2013101266421100001DEST_PATH_IMAGE002
  
Figure 2013101266421100001DEST_PATH_IMAGE004
                
Figure 2013101266421100001DEST_PATH_IMAGE006
表示时刻
Figure 2013101266421100001DEST_PATH_IMAGE008
，是在时刻感兴趣的目标的状态变量，
Figure 2013101266421100001DEST_PATH_IMAGE012
是时间从
Figure 2013101266421100001DEST_PATH_IMAGE014
的系统矩阵，过程噪音
Figure 2013101266421100001DEST_PATH_IMAGE016
是均值为零的高斯白噪音向量，它的协方差矩阵式是
Figure 2013101266421100001DEST_PATH_IMAGE018
，
Figure 2013101266421100001DEST_PATH_IMAGE020
是在时刻
Figure 428619DEST_PATH_IMAGE008
的传感器的测量值，
Figure 2013101266421100001DEST_PATH_IMAGE022
是相关的测量矩阵，
Figure 2013101266421100001DEST_PATH_IMAGE024
是均值为零的高斯白噪音；
步骤2、比特位量化误差的建模 
2.1 测量方程的自适应比特量化建模
Figure DEST_PATH_IMAGE026
;                            
Figure DEST_PATH_IMAGE028
;                           
m(k)是测量方程经过量化的信息矩阵，
Figure DEST_PATH_IMAGE030
是测量误差和量化误差向量之和， n(k)是量化误差向量；
2.2 
Figure 159421DEST_PATH_IMAGE030
的近似协方差矩阵
Figure DEST_PATH_IMAGE032
Figure DEST_PATH_IMAGE034
  
Figure DEST_PATH_IMAGE036
                                                                                                      
Figure DEST_PATH_IMAGE038
Figure DEST_PATH_IMAGE040
表示
Figure DEST_PATH_IMAGE042
的协方差矩阵，
Figure DEST_PATH_IMAGE044
表示测量方程q经过量化的比特误差的协方差矩阵，
Figure DEST_PATH_IMAGE046
表示第r个测量节点的上限值，
Figure DEST_PATH_IMAGE048
表示第r个测量节点的下限值，表示量化方程的个数，
Figure DEST_PATH_IMAGE052
表示第r个传感器节点测量方程量化信息的字节数，
Figure DEST_PATH_IMAGE054
表示量化点的个数， 
Figure DEST_PATH_IMAGE056
是的协方差矩阵，
Figure DEST_PATH_IMAGE058
是的近似协方差矩阵；
2.3量化误差的扩展状态建模                         
扩展状态的新系统模型如下：
Figure DEST_PATH_IMAGE060
Figure DEST_PATH_IMAGE062
               
Figure DEST_PATH_IMAGE064
       
Figure DEST_PATH_IMAGE066
                         
Figure DEST_PATH_IMAGE068
是在时刻
Figure 63902DEST_PATH_IMAGE008
感兴趣的目标的扩展状态变量，
Figure DEST_PATH_IMAGE070
是时间从的扩展后的系统矩阵，过程噪音
Figure DEST_PATH_IMAGE072
是均值为零的高斯白噪音向量，它的协方差矩阵式是，
Figure DEST_PATH_IMAGE076
是相关的测量矩阵，
Figure DEST_PATH_IMAGE078
为
Figure 474644DEST_PATH_IMAGE024
的协方差误差；
步骤3、两种建模方法的分布式融合估计
3.1 基于量化误差的近似协方差建模的WSFKFQM-CN估计值；
Figure DEST_PATH_IMAGE080
               
  
Figure DEST_PATH_IMAGE082
是基于量化误差的近似协方差建模的WSFKFQM-CN估计值，是
Figure DEST_PATH_IMAGE086
的系数矩阵，是的系数矩阵；
3.2 基于量化误差的扩展状态建模的WSFKF-CN估计值
Figure DEST_PATH_IMAGE092
 
Figure DEST_PATH_IMAGE094
是基于量化误差的扩展状态建模的WSFKF-CN估计值，
Figure DEST_PATH_IMAGE096
是
Figure 78276DEST_PATH_IMAGE086
的系数矩阵，
Figure DEST_PATH_IMAGE098
是的系数矩阵；                
3.3 两种量化误差估计的分布式融合
线性组合公式如下：
Figure DEST_PATH_IMAGE102
 
Figure DEST_PATH_IMAGE104
 
Figure DEST_PATH_IMAGE106
                    
Figure DEST_PATH_IMAGE108
是两种量化估计的分布式融合估计值，
Figure DEST_PATH_IMAGE110
和
Figure DEST_PATH_IMAGE112
是线性组合系数，等于
Figure 399536DEST_PATH_IMAGE094
,表示
Figure 262188DEST_PATH_IMAGE082
的误差协方差矩阵，表示
Figure 202462DEST_PATH_IMAGE114
的误差协方差矩阵，
Figure DEST_PATH_IMAGE120
表示
Figure 99749DEST_PATH_IMAGE114
和协方差矩阵，
Figure DEST_PATH_IMAGE122
表示和
Figure 859391DEST_PATH_IMAGE114
协方差矩阵；
步骤4、多传感器系统的混合量化融合估计
4.1 多传感器的测量方程
Figure DEST_PATH_IMAGE124
                           
Figure DEST_PATH_IMAGE126
是测量方程
Figure DEST_PATH_IMAGE128
的测量值，
Figure DEST_PATH_IMAGE130
是高斯白噪音，N代表传感器个数；
4.2 扩展形式的测量方程和测量噪音的去相关性 
Figure DEST_PATH_IMAGE132
Figure DEST_PATH_IMAGE134
Figure DEST_PATH_IMAGE136
Figure DEST_PATH_IMAGE138
Figure DEST_PATH_IMAGE140
                                  
是测量方程N和测量方程K的相关测量噪音的协方差矩阵，上面所给的矩阵说明，多传感器的测量噪音是相关的；为了满足常规的压缩融合方案，噪音去相关性是必须的；因此为了得到非相关噪音的测量方程，需要对R(k)进行对角化；根据矩阵分析的知识，对于对称矩阵R(k)，一定存在一个正交矩阵U(k)，使
Figure DEST_PATH_IMAGE144
；是个对角矩阵；
Figure DEST_PATH_IMAGE148
Figure DEST_PATH_IMAGE150
Figure DEST_PATH_IMAGE152
                                                   
Figure DEST_PATH_IMAGE156
Figure 358987DEST_PATH_IMAGE146
是经过对角化的测量噪音的协方差矩阵，
Figure DEST_PATH_IMAGE158
是经过对角化测量方程n的测量噪音的协方差矩阵，
Figure DEST_PATH_IMAGE160
是测量方程
Figure 835099DEST_PATH_IMAGE128
的测量噪音的协方差矩阵，
Figure DEST_PATH_IMAGE162
表示正交变换后的测量值，
Figure DEST_PATH_IMAGE164
表示正交变换后的测量矩阵，
Figure DEST_PATH_IMAGE166
表示正交变换后的测量误差；
4.3正交变换后的测量方程的压缩融合
通过传统的集中式压缩融合方法，可以得到
Figure DEST_PATH_IMAGE170
Figure DEST_PATH_IMAGE172
Figure DEST_PATH_IMAGE174
                                     
Figure DEST_PATH_IMAGE176
是在时刻
Figure 859293DEST_PATH_IMAGE008
经过集中式压缩融合后的测量值，是相关的测量矩阵，
Figure DEST_PATH_IMAGE180
是均值为零的高斯白噪音，它的协方差矩阵为
Figure DEST_PATH_IMAGE182
；
得到最终的压缩融合测量方程，然后再经过量化和分布式融合估计，得到最终的混合量化融合的估计值。
CN201310126642.1A 2013-04-12 2013-04-12 无线传感器网络基于混合量化卡尔曼融合的目标跟踪方法 Expired - Fee Related CN103237320B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201310126642.1A CN103237320B (zh) 2013-04-12 2013-04-12 无线传感器网络基于混合量化卡尔曼融合的目标跟踪方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201310126642.1A CN103237320B (zh) 2013-04-12 2013-04-12 无线传感器网络基于混合量化卡尔曼融合的目标跟踪方法

Publications (2)

Publication Number Publication Date
CN103237320A true CN103237320A (zh) 2013-08-07
CN103237320B CN103237320B (zh) 2016-05-18

Family

ID=48885330

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201310126642.1A Expired - Fee Related CN103237320B (zh) 2013-04-12 2013-04-12 无线传感器网络基于混合量化卡尔曼融合的目标跟踪方法

Country Status (1)

Country Link
CN (1) CN103237320B (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103778320A (zh) * 2013-12-30 2014-05-07 杭州电子科技大学 一种基于变分贝叶斯多传感器量化融合目标跟踪方法
CN106372649A (zh) * 2016-08-18 2017-02-01 衢州学院 基于量化的集值卡尔曼滤波算法
CN107330468A (zh) * 2017-07-04 2017-11-07 电子科技大学 基于切尔诺夫融合准则的多传感器分布式数据融合方法
CN107453993A (zh) * 2017-08-11 2017-12-08 长春理工大学 基于Fisher信息矩阵与SUKF的目标跟踪方法
CN109282819A (zh) * 2018-11-26 2019-01-29 浙江工业大学 基于分布式混合滤波的超宽带定位方法
CN110113723A (zh) * 2019-05-07 2019-08-09 中国民航大学 基于无线传感网络的飞机舱内环境参数测量估计方法
CN111695617A (zh) * 2020-06-02 2020-09-22 南京理工大学 一种基于改进的协方差交叉算法的分布式火控融合方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
GE QUANBO: "Networked Kalman filtering with combined constraints of bandwidth and random delay", 《SCIENCE CHINA》 *
XIAOLIANG XU ET AL: "Networked Strong Tracking Filters With Noise Correlations and Bits Quantization", 《AICI 2011, PART II, LNAI 7003》 *
管冰蕾，汤显峰，徐小良: "《噪声相关的带宽约束传感器网络融合算法》", 《河南大学学报》 *

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103778320A (zh) * 2013-12-30 2014-05-07 杭州电子科技大学 一种基于变分贝叶斯多传感器量化融合目标跟踪方法
CN106372649A (zh) * 2016-08-18 2017-02-01 衢州学院 基于量化的集值卡尔曼滤波算法
CN106372649B (zh) * 2016-08-18 2020-07-24 衢州学院 基于量化的集值卡尔曼滤波方法
CN107330468B (zh) * 2017-07-04 2021-02-19 电子科技大学 基于切尔诺夫融合准则的多传感器分布式数据融合方法
CN107330468A (zh) * 2017-07-04 2017-11-07 电子科技大学 基于切尔诺夫融合准则的多传感器分布式数据融合方法
CN107453993A (zh) * 2017-08-11 2017-12-08 长春理工大学 基于Fisher信息矩阵与SUKF的目标跟踪方法
CN107453993B (zh) * 2017-08-11 2020-05-12 长春理工大学 基于Fisher信息矩阵与SUKF的目标跟踪方法
CN109282819A (zh) * 2018-11-26 2019-01-29 浙江工业大学 基于分布式混合滤波的超宽带定位方法
CN109282819B (zh) * 2018-11-26 2021-07-27 浙江工业大学 基于分布式混合滤波的超宽带定位方法
CN110113723B (zh) * 2019-05-07 2020-02-11 中国民航大学 基于无线传感网络的飞机舱内环境参数测量估计方法
CN110113723A (zh) * 2019-05-07 2019-08-09 中国民航大学 基于无线传感网络的飞机舱内环境参数测量估计方法
CN111695617A (zh) * 2020-06-02 2020-09-22 南京理工大学 一种基于改进的协方差交叉算法的分布式火控融合方法
CN111695617B (zh) * 2020-06-02 2023-05-30 南京理工大学 一种基于改进的协方差交叉算法的分布式火控融合方法

Also Published As

Publication number Publication date
CN103237320B (zh) 2016-05-18

Similar Documents

Publication Publication Date Title
CN103237320A (zh) 无线传感器网络基于混合量化卡尔曼融合的目标跟踪方法
CN107561503B (zh) 一种基于多重渐消因子的自适应目标跟踪滤波方法
JP5020411B2 (ja) 無線ネットワークにおいてノードのセットをロケーション特定するための方法
CN106646453B (zh) 一种基于预测值量测转换的多普勒雷达目标跟踪方法
CN110503071A (zh) 基于变分贝叶斯标签多伯努利叠加模型的多目标跟踪方法
CN105163282A (zh) 一种基于蓝牙位置指纹的室内定位系统及定位方法
CN102799763B (zh) 一种基于点云姿态标准化的点云线特征提取方法
CN105866735B (zh) 基于mds模型的修正代价函数的到达时间差迭代定位方法
CN103809439B (zh) 一种适用于遥操作系统控制参数的递阶辨识方法
KR102282730B1 (ko) 객체 맞춤형 영상특징 검출 알고리즘 기반의 객체검출 및 자세추정을 수행하는 방법 및 그 시스템
CN111027140A (zh) 基于多视角点云数据的飞机标准件模型快速重构方法
CN114092963A (zh) 关键点检测及模型训练方法、装置、设备和存储介质
CN104298650B (zh) 基于多方法融合的量化卡尔曼滤波方法
CN103473561A (zh) 一种基于高斯分布的自适应高光谱分类方法
CN116452648A (zh) 一种基于法向量约束纠正的点云配准方法及系统
CN105657653B (zh) 一种基于指纹数据压缩的室内定位方法
CN105701292B (zh) 一种机动目标转弯角速度的解析辨识方法
CN103777175A (zh) 基于无线信号相似度的室内定位方法和装置
CN105373805A (zh) 一种基于最大熵准则的多传感器机动目标跟踪方法
CN104469795B (zh) 基于领域搜索的FARIMA模型Hurst参数估计方法
CN103530857A (zh) 基于多尺度的卡尔曼滤波图像去噪方法
CN107292265B (zh) 一种基于机动检测的目标轨迹快速提取方法
Yang et al. Research on indoor location algorithm based on WIFI
CN104270119B (zh) 基于非线性未知随机偏差的两阶段容积卡尔曼滤波方法
CN107995684B (zh) 提升位置指纹的wlan室内定位精度方法及系统

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C14 Grant of patent or utility model
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20160518