CN104318072B - 基于qkf‑mmf的多传感器量化融合方法 - Google Patents
基于qkf‑mmf的多传感器量化融合方法 Download PDFInfo
- Publication number
- CN104318072B CN104318072B CN201410520613.8A CN201410520613A CN104318072B CN 104318072 B CN104318072 B CN 104318072B CN 201410520613 A CN201410520613 A CN 201410520613A CN 104318072 B CN104318072 B CN 104318072B
- Authority
- CN
- China
- Prior art keywords
- fusion
- quantitative
- estimation
- kalman filtering
- covariance
- 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.)
- Active
Links
Landscapes
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明涉及一种基于QKF‑MMF的多传感器量化融合方法,本发明包括该发明包括:系统建模;计算基于强跟踪量化卡尔曼滤波和基于变分贝叶斯自适应量化卡尔曼滤波的局部量化估计误差协方差和估计误差互协方差;通过基于多方法融合的量化卡尔曼滤波方法计算量化融合估计误差互协方差;采用贯序融合方法计算最终融合估计和相应的估计误差协方差。该发明不仅具有强跟踪和动态估计观测噪声未知方差的能力,还能够有效地融合多个传感器的局部量化估计值,提高了信息的估计精确度,同时具有较好的计算性和扩展性。因此,通过该方法可以准确地估计出任意时刻的目标运动状态,以实现目标跟踪。
Description
技术领域
本发明属于网络化多传感器系统的目标跟踪领域,特别涉及一种基于QKF-MMF的多传感器量化融合方法。
背景技术
复杂无线数据网络技术已经广泛应用于各个领域当中,尤其,在分布式传感器网络系统大量涌现的时代背景下,环境监测、目标跟踪、智能消防以及身体健康监测仪器等方面都得到了进一步的发展。通常情况下,为了满足数据传输和有限带宽的要求,本地传感器监测的数据要在它们传输到处理中心之前被量化。基于这个原因,量化滤波和融合已经成为信号处理、通信、控制方面的研究热点话题。
随着现代信息和网络技术的迅猛发展,传统的单一传感器融合已经不能满足时代的需求。在现实生活中,为了降低信息模糊度,往往需要对采集数据实行进一步的处理。通常情况下,一般需要采集多传感器或多信息源的数据,并使传感器数据之间按某种特定的最优准则进行相关,剔除信息的冗余部分,以提高信息的状态估计精度,实现态势评估的完整及时性,达成对观测环境的统一认知。在多传感器系统中,为了同步实现强跟踪和动态估计观测噪声未知方差的功能,可以先采用最优线性加权融合技术以实现。针对每一个量化信息,都可以通过基于多方法融合的量化卡尔曼滤波方法(QKF-MMF),对采取不同方法求得的局部量化估计先进行融合估计,而后实行多传感器量化融合。多传感器量化融合的核心即是如何有效地融合这些新形成的多传感器量化融合估计值。由于传统的QKF-MMF只能实现两个估计值的融合,即无法同时完整地得到线性最优加权融合矩阵。
发明内容
为了应对上面提到的无法有效融合多传感器量化估计值的问题,在本发明中,运用基于强跟踪量化卡尔曼滤波(QKF-STF)方法得到的多个传感器的局部量化估计结果与基于变分贝叶斯自适应量化卡尔曼滤波(VB-AQKF)方法得到的多个传感器局部量化估计结果进行QKF-MMF处理以及贯序式融合,提出了一种新的多传感器量化融合方法,即基于QKF-MMF的多传感器量化融合方法。
该发明包括:系统建模;计算QKF-STF和VB-AQKF的局部量化估计误差协方差和估计误差互协方差;通过QKF-MMF方法计算量化融合估计误差互协方差;采用贯序融合方法计算最终融合估计和相应的估计误差协方差。
利用本发明设计的滤波器不仅具有强跟踪和动态估计观测噪声未知方差的能力,还提高了信息的估计精确度,并且具有较好的可计算性和扩展性。
附图说明
图1为基于QKF-MMF的多传感器量化融合方法的流程图。
具体实施方式
如图1所示,本发明首先为网络化目标跟踪系统建立模型,其次求出QKF-STF和VB-AQKF的局部量化估计误差协方差和估计误差互协方差,随之通过QKF-MMF方法计算量化融合估计误差互协方差,最后采用贯序融合方法计算最终融合估计和相应的估计误差协方差。具体实施过程如下:
步骤1.系统建模:
考虑二维平面目标的跟踪问题,假设目标为匀速运动模型,给出跟踪目标的系统模型如下:
式中,该系统是由N(N=1,2,...)个传感器构成的线性多传感器网络系统,k是时间指数,xk是系统状态向量,分别由运动状态的距离和速度组成;φk,k-1是相应的从k-1到k时刻系统状态转移矩阵;zl,k是第l个传感器观测值,即表示由雷达所测得的距离;Hl,k是相关观测矩阵;N是传感器数量。wk,k-1和vl,k分别为均值为零方差为Qk,k-1和Rl,k的高斯白噪声;假设初始状态为x0,其中均值和方差分别是和P0|0,并且与wk,k-1和vl,k不相关。
步骤2.分别计算基于QKF-STF和VB-AQKF的局部量化估计误差协方差以及互协方差和
(2.1)给出基于QKF-STF和VB-AQKF的最优估计结果
由于QKF-STF具有较强的关于模型不确定性的鲁棒性,同时针对突变状态具有极强的跟踪能力,而VB-AQKF用于实现状态和观测噪声未知方差的同步估计,而QKF-MMF通过融合前两种方法的最优估计结果,同步实现了这两种功能。对于第l(1≤l≤N)个传感器的量化信息,可分别得知QKF-STF和VB-AQK的局部量化状态估计估计误差协方差Pq,l,k|k和增益矩阵Kq,l,k(q=1,2);
(2.2)令l={l1,l2},其中1≤l1,l2≤N,l1≠l2,可分别计算得QKF-STF和VB-AQKF的局部量化估计误差协方差以及互协方差和如下所示:
步骤3.计算基于QKF-MMF的量化融合估计误差互协方差
(3.1)针对每个量化信息zv,l,k(l=1,2,…,N),可通过QKF-MMF方法得到量化融合估计和相应的估计误差协方差Pf,l,k|k;
(3.2)令l={l1,l2},可得量化融合估计误差互协方差
式中,Aq,l,k表示最优量化加权矩阵;
步骤4:采用贯序融合方法计算最终融合估计和相应的估计误差协方差Pf,k|k:
(4.1)定义第l个传感器的融合估计公式、估计误差协方差公式以及最优加权矩阵公式
式中,和Bl,k(l=1,2,…,N)为最优加权矩阵;
(4.2)开始贯序融合过程,给融合估计估计误差协方差以及最优加权矩阵赋初值,即:
(4.3)当l=1时,计算第1个传感器的融合估计估计误差协方差及其相应的最优加权矩阵B1,k
(4.4)当l=2时,计算第2个传感器的融合估计及其估计误差协方差
其中,
其中,
式中,Pf,12,k|k可通过式(5)计算;
(4.5)当2≤l≤N时,计算第l个传感器的融合估计及其估计误差协方差
因为可得:
其中,
式中,可通过式递归算得,其中
(4.6)当l=N时,计算最终的多传感器融合估计及其相应的估计误差协方差Pf,k|k
本发明使用基于QKF-MMF的多传感器量化融合方法不仅具有强跟踪和动态估计观测噪声未知方差的能力,还能够有效地融合多个传感器的局部量化估计值,提高了信息的估计精确度,同时具有较好的计算性和扩展性。因此,通过该方法可以准确地估计出任意时刻的目标运动状态,以实现目标跟踪。
Claims (1)
1.基于QKF-MMF的多传感器量化融合方法,其特征在于该方法包括以下步骤:
步骤1.系统建模:
考虑二维平面目标的跟踪问题,假设目标为匀速运动模型,给出跟踪目标的系统模型如下:
式中,该系统是由N个传感器构成的线性多传感器网络系统,k是时间指数,xk是系统状态向量,分别由运动状态的距离和速度组成;φk,k-1是相应的从k-1到k时刻系统状态转移矩阵;zl,k是第l个传感器观测值,即表示由雷达所测得的距离;Hl,k是相关观测矩阵;wk,k-1和vl,k分别为均值为零方差为Qk,k-1和Rl,k的高斯白噪声;假设初始状态为x0,其中均值和方差分别是和P0|0,并且与wk,k-1和vl,k不相关;
步骤2.分别计算基于强跟踪量化卡尔曼滤波和变分贝叶斯自适应量化卡尔曼滤波的局部量化估计误差协方差以及互协方差和q=1,2:
令其中1≤l1,l2≤N,l1≠l2,那么
式中表示基于强跟踪量化卡尔曼滤波和变分贝叶斯自适应量化卡尔曼滤波的增益矩阵;
步骤3.计算基于量化卡尔曼滤波的量化融合估计误差互协方差
式中表示最优量化加权矩阵;
步骤4.采用贯序融合方法计算最终融合估计和相应的估计误差协方差
其中,
式中,和BN,k表示最优状态矩阵;和分别表示通过贯序融合方法融合了l个传感器的融合状态估计及其相应的估计误差协方差;其中式可通过迭代算得。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410520613.8A CN104318072B (zh) | 2014-09-30 | 2014-09-30 | 基于qkf‑mmf的多传感器量化融合方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410520613.8A CN104318072B (zh) | 2014-09-30 | 2014-09-30 | 基于qkf‑mmf的多传感器量化融合方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104318072A CN104318072A (zh) | 2015-01-28 |
CN104318072B true CN104318072B (zh) | 2017-05-10 |
Family
ID=52373303
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410520613.8A Active CN104318072B (zh) | 2014-09-30 | 2014-09-30 | 基于qkf‑mmf的多传感器量化融合方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104318072B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106454892B (zh) * | 2016-08-30 | 2020-02-11 | 衢州学院 | 一种基于量化和事件的集值卡尔曼滤波方法 |
CN110546459A (zh) * | 2017-02-08 | 2019-12-06 | 马凯特大学 | 具有数据融合的机器人跟踪导航 |
CN108416372B (zh) * | 2018-02-11 | 2022-07-19 | 同济大学 | 基于多种传感器的风电场风速获取方法 |
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 |
Citations (1)
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 |
-
2014
- 2014-09-30 CN CN201410520613.8A patent/CN104318072B/zh active Active
Patent Citations (1)
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 |
Non-Patent Citations (6)
Title |
---|
Nonlinear Fusion Using Quantized Measurements and Cubature Particle Filter;Xianfeng Tang 等;《Control and Decision Conference(OCDC)》;20130527;第3692-3697页 * |
VB-AQKF-STF: A Novel Linear State Estimator for Stochastic Quantized Measurements Systems;Quanbo Ge 等;《Control Conference(ASCC)》;20130626;第1-6页 * |
含状态约束的多传感器信息融合;李永献;《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》;20050815(第4期);全文 * |
基于多传感器数据融合的多目标跟踪技术研究;李延尧;《中国优秀硕士学位论文全文数据库(信息科技辑)》;20090715(第7期);全文 * |
基于非线性滤波的飞行器姿态确定算法研究;李超;《中国优秀硕士学位论文全文数据库(工程科技II辑)》;20120915(第9期);全文 * |
序贯处理的多传感器航迹融合算法研究;黄树峰 等;《计算机工程与应用》;20101231;第42-45页 * |
Also Published As
Publication number | Publication date |
---|---|
CN104318072A (zh) | 2015-01-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Talebizadeh et al. | Uncertainty analysis for the forecast of lake level fluctuations using ensembles of ANN and ANFIS models | |
CN108846199B (zh) | 基于时空一体化的特高拱坝变形时空序列预测方法 | |
CN107396322B (zh) | 基于路径匹配与编码译码循环神经网络的室内定位方法 | |
CN112949828B (zh) | 一种基于图学习的图卷积神经网络交通预测方法及系统 | |
CN104318072B (zh) | 基于qkf‑mmf的多传感器量化融合方法 | |
CN107274030B (zh) | 基于水文变量年际和月变化特性的径流预报方法和系统 | |
CN109635763B (zh) | 一种人群密度估计方法 | |
Venskus et al. | Unsupervised marine vessel trajectory prediction using LSTM network and wild bootstrapping techniques | |
CN103052128A (zh) | 一种基于无线传感器网络能量有效的协同调度方法 | |
CN104299248A (zh) | 利用前视声呐图像对水下多个动态目标运动预测的方法 | |
CN104811991A (zh) | 基于动态时间规整算法的无线链路质量预测方法 | |
CN104298650B (zh) | 基于多方法融合的量化卡尔曼滤波方法 | |
Irwan et al. | Predicting water quality with artificial intelligence: A review of methods and applications | |
CN102625446A (zh) | 一种物联网中的物件标签定位方法 | |
CN114048546B (zh) | 一种基于图卷积网络和无监督域自适应的航空发动机剩余使用寿命预测方法 | |
CN103313386B (zh) | 基于信息一致性权值优化的无线传感网络目标跟踪方法 | |
CN116777183B (zh) | 无人船集群智能调度方法及系统 | |
CN104038993A (zh) | 一种盲源分离的无线传感器网络节点选择方法 | |
CN106570536B (zh) | 一种时差定位系统目标高精度跟踪滤波方法 | |
CN111340853B (zh) | 基于ospa迭代的多传感器gmphd自适应融合方法 | |
CN103313384A (zh) | 一种基于信息一致性的无线传感网络目标跟踪方法 | |
CN117241215A (zh) | 一种基于图神经网络的无线传感器网络分布式节点协作定位方法 | |
CN103020348B (zh) | 利用多个传感器对动态系统进行跟踪的方法及装置 | |
CN115860231A (zh) | 一种基于MCR_BiLSTM的智能洪水预报方法 | |
CN113868597B (zh) | 一种用于年龄估计的回归公平性度量方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |