CN103237320B - 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 PDFInfo
- Publication number
- CN103237320B CN103237320B CN201310126642.1A CN201310126642A CN103237320B CN 103237320 B CN103237320 B CN 103237320B CN 201310126642 A CN201310126642 A CN 201310126642A CN 103237320 B CN103237320 B CN 103237320B
- Authority
- CN
- China
- Prior art keywords
- matrix
- overbar
- measurement
- noise
- equation
- 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.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 25
- 230000004927 fusion Effects 0.000 claims abstract description 32
- 238000013139 quantization Methods 0.000 claims abstract description 32
- 238000007500 overflow downdraw method Methods 0.000 claims abstract description 4
- 239000011159 matrix material Substances 0.000 claims description 91
- 238000005259 measurement Methods 0.000 claims description 46
- 230000006835 compression Effects 0.000 claims description 15
- 238000007906 compression Methods 0.000 claims description 15
- 230000002596 correlated effect Effects 0.000 claims description 12
- 230000009466 transformation Effects 0.000 claims description 9
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 238000005183 dynamical system Methods 0.000 claims description 3
- 230000010354 integration Effects 0.000 claims description 3
- 238000000844 transformation Methods 0.000 claims description 3
- 238000011002 quantification Methods 0.000 abstract description 5
- 238000013144 data compression Methods 0.000 abstract 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
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
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
表示时刻,是在时刻感兴趣的目标的状态变量,是时间从的系统矩阵,过程噪音是均值为零的高斯白噪音向量,它的协方差矩阵式是,是在时刻的传感器的测量值,是相关的测量矩阵,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
;
;
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
表示的协方差矩阵,表示测量方程q经过量化的比特误差的协方差矩阵,表示第r个测量节点的上限值,表示第r个测量节点的下限值,表示量化方程的个数,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,是的协方差矩阵,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:
是在时刻感兴趣的目标的扩展状态变量,是时间从的扩展后的系统矩阵,过程噪音是均值为零的高斯白噪音向量,它的协方差矩阵式是,是相关的测量矩阵,为的协方差误差。
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。
是基于量化误差的近似协方差建模的WSFKFQM-CN估计值,是的系数矩阵,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
是基于量化误差的扩展状态建模的WSFKF-CN估计值,是的系数矩阵,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:
是两种量化估计的分布式融合估计值,和是线性组合系数,等于,表示的误差协方差矩阵,表示的误差协方差矩阵,表示和协方差矩阵,表示和协方差矩阵。
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
是测量方程的测量值,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
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。是个对角矩阵。
是经过对角化的测量噪音的协方差矩阵,是经过对角化测量方程n的测量噪音的协方差矩阵,是测量方程的测量噪音的协方差矩阵,表示正交变换后的测量值,表示正交变换后的测量矩阵,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
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。
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
表示时刻,是在时刻感兴趣的目标的状态变量,是时间从的系统矩阵,过程噪音是均值为零的高斯白噪音向量,它的协方差矩阵式是,是在时刻的传感器的测量值,是相关的测量矩阵,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
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
表示的协方差矩阵,表示测量方程q经过量化的比特误差的协方差矩阵,表示第r个测量节点的上限值,表示第r个测量节点的下限值,表示量化方程的个数,是的协方差矩阵,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:
是在时刻感兴趣的目标的扩展状态变量,是时间从的扩展后的系统矩阵,过程噪音是均值为零的高斯白噪音向量,它的协方差矩阵式是,是相关的测量矩阵,为的协方差误差。
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。
是基于量化误差的近似协方差建模的WSFKFQM-CN估计值,是的系数矩阵,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
是基于量化误差的扩展状态建模的WSFKF-CN估计值,是的系数矩阵,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:
是两种量化估计的分布式融合估计值,和是线性组合系数,等于,表示的误差协方差矩阵,表示的误差协方差矩阵,表示和协方差矩阵,表示和协方差矩阵。
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
是测量方程的测量值,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
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。是个对角矩阵。
是经过对角化的测量噪音的协方差矩阵,是经过对角化测量方程n的测量噪音的协方差矩阵,是测量方程的测量噪音的协方差矩阵,表示正交变换后的测量值,表示正交变换后的测量矩阵,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
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。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:
带宽,初始状态估计和协方差分别是:
;
对于统计模型方法:
。
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;
x(k)=Φ(k,k-1)x(k-1)+w(k,k-1),
z(k)=H(k)x(k)+v(k);
k表示时刻tk,x(k)是在时刻tk感兴趣的目标的状态变量,Φ(k,k-1)是时间从tk-1到tk的系统矩阵,过程噪音w(k,k-1)是均值为零的高斯白噪音向量,它的协方差矩阵式是Q(k,k-1),z(k)是在时刻tk的传感器的测量值,H(k)是相关的测量矩阵,v(k)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;
m(k)=H(k)x(k)+θ(k),
θ(k)=v(k)+n(k);
m(k)是测量方程经过量化的信息矩阵,θ(k)是测量误差和量化误差向量之和,n(k)是量化误差向量;
2.2θ(k)的近似协方差矩阵;
Rn(k)=diag[Rn(k,1),Rn(k,2),....,Rn(k,q)],
Rn(k)表示n(k)的协方差矩阵,Rn(k,q)表示测量方程q经过量化的比特误差的协方差矩阵,表示第r个测量节点的上限值,W(r)表示第r个测量节点的下限值,q表示量化方程的个数,l(k,r)表示第r个传感器节点测量方程量化信息的字节数,T(k,r)表示量化点的个数,是θ(k)的协方差矩阵,Rθ(k)是θ(k)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:
x*(k)=[xT(k),nT(k)],
x*(k)=Φ*(k,k-1)x*(k-1)+w*(k,k-1),
m(k)=H*(k)x*(k)+v(k),
E{v(k)vT(k)}=R(k);
x*(k)是在时刻tk感兴趣的目标的扩展状态变量,Φ*(k,k-1)是时间从tk-1到tk的扩展后的系统矩阵,过程噪音w*(k,k-1)是均值为零的高斯白噪音向量,它的协方差矩阵式是Q*(k,k-1),H*(k)是相关的测量矩阵,R(k)为v(k)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;
是基于量化误差的近似协方差建模的WSFKFQM-CN估计值,A(k,k)是m(k)的系数矩阵,B(k,k)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;
是基于量化误差的扩展状态建模的WSFKF-CN估计值,A*(k,k)是m(k)的系数矩阵,B*(k,k)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:
是两种量化估计的分布式融合估计值,MI(k)和MII(k)是线性组合系数,等于表示的误差协方差矩阵,表示的误差协方差矩阵,表示和协方差矩阵,表示和协方差矩阵;
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;
zl(k)=H(k)x(k)+vl(k),l=1,2,...,N
zl(k)是多传感器的测量方程的测量值,vl(k)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;
h(k)=[HT(k),HT(k),…HT(k)],
z(k)=h(k)x(k)+v(k),
R(k)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 是个对角矩阵;
表示经过对角化的测量噪音R(k)的协方差矩阵,表示经过对角化的多传感器测量方程的测量噪音的协方差矩阵,表示正交变换后的测量值,表示正交变换后的测量矩阵,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
是在时刻tk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
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。
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 CN103237320A (zh) | 2013-08-07 |
CN103237320B true 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) |
Families Citing this family (7)
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 |
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 |
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 |
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 |
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 |
-
2013
- 2013-04-12 CN CN201310126642.1A patent/CN103237320B/zh not_active Expired - Fee Related
Non-Patent Citations (1)
Title |
---|
《噪声相关的带宽约束传感器网络融合算法》;管冰蕾,汤显峰,徐小良;《河南大学学报》;20130331;第43卷(第2期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN103237320A (zh) | 2013-08-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103237320B (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 | |
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 | |
Wu et al. | Comparison of two hybrid models for forecasting the incidence of hemorrhagic fever with renal syndrome in Jiangsu Province, China | |
CN109543143B (zh) | 非线性带偏差系统的多传感器融合估计方法 | |
CN107783944A (zh) | 一种多模型自校准无迹卡尔曼滤波方法 | |
CN106412821A (zh) | 一种基于通信距离估计及其在线评估的最小二乘定位方法 | |
CN103778320A (zh) | 一种基于变分贝叶斯多传感器量化融合目标跟踪方法 | |
WO2020133721A1 (zh) | 一种基于非参数贝叶斯框架的信号交叉口状态估计方法 | |
CN110673089B (zh) | 未知视距和非视距分布情况下基于到达时间的定位方法 | |
CN105635963A (zh) | 多智能体分布式协同定位方法 | |
JP2012518834A5 (zh) | ||
CN106525466B (zh) | 一种动车组制动系统关键部件鲁棒滤波方法和系统 | |
CN108871365B (zh) | 一种航向约束下的状态估计方法及系统 | |
CN108763648A (zh) | 基于核磁共振t2分布获取毛管压力曲线的方法和装置 | |
CN103885867B (zh) | 一种模拟电路性能的在线评价方法 | |
CN102708294A (zh) | 基于半监督局部线性回归的自适应参数软测量方法 | |
CN104298650B (zh) | 基于多方法融合的量化卡尔曼滤波方法 | |
CN105653728A (zh) | 基于双层模型体系的无线传感网的数据采集方法 | |
CN103106332B (zh) | 一种测量不确定度的分析方法 | |
CN115688288A (zh) | 飞行器气动参数辨识方法、装置、计算机设备及存储介质 | |
CN110110406B (zh) | 一种基于Excel计算平台实现LS-SVM模型的边坡稳定性预测方法 | |
CN112911502B (zh) | 基于mdt技术和rsrp测距的基站经纬度估计方法 | |
CN104777465A (zh) | 基于b样条函数任意扩展目标形状及状态估计方法 | |
CN105117609A (zh) | 一种基于推广型K-Means分类决策的动态称重的方法 | |
CN116088303B (zh) | 一种不确定复杂动态网络状态时变递推估计方法 |
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 |
Granted publication date: 20160518 |
|
CF01 | Termination of patent right due to non-payment of annual fee |