CN109219118B - 一种基于序列唤醒机制的分布式一致状态估计方法 - Google Patents

一种基于序列唤醒机制的分布式一致状态估计方法 Download PDF

Info

Publication number
CN109219118B
CN109219118B CN201811428878.XA CN201811428878A CN109219118B CN 109219118 B CN109219118 B CN 109219118B CN 201811428878 A CN201811428878 A CN 201811428878A CN 109219118 B CN109219118 B CN 109219118B
Authority
CN
China
Prior art keywords
node
sensor
state
nodes
class
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
Application number
CN201811428878.XA
Other languages
English (en)
Other versions
CN109219118A (zh
Inventor
朱善迎
于文彬
陈彩莲
关新平
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.)
Shanghai Jiaotong University
Original Assignee
Shanghai Jiaotong 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 Shanghai Jiaotong University filed Critical Shanghai Jiaotong University
Priority to CN201811428878.XA priority Critical patent/CN109219118B/zh
Publication of CN109219118A publication Critical patent/CN109219118A/zh
Application granted granted Critical
Publication of CN109219118B publication Critical patent/CN109219118B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W52/00—Power management, e.g. TPC [Transmission Power Control], power saving or power classes
    • H04W52/02—Power saving arrangements
    • H04W52/0209—Power saving arrangements in terminal devices
    • H04W52/0212—Power saving arrangements in terminal devices managed by the network, e.g. network or access point is master and terminal is slave
    • H04W52/0216—Power saving arrangements in terminal devices managed by the network, e.g. network or access point is master and terminal is slave using a pre-established activity schedule, e.g. traffic indication frame
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/30—Services specially adapted for particular environments, situations or purposes
    • H04W4/38—Services specially adapted for particular environments, situations or purposes for collecting sensor information
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Abstract

本发明公开了一种基于序列唤醒机制的分布式一致状态估计方法，涉及无线传感网络领域，包含多个节点的无线传感网对移动目标进行状态检测，唤醒节点构成簇，采用由分簇估计算法和节点初始化融合算法构成的分布式序列估计算法来估计和预测系统状态；目标移动时，簇内节点一部分睡眠，同时唤醒另外节点重构簇，继续进行估计和预测。本发明缩短了节点空闲等待时间，降低了能量消耗，提高了估算精度。

Description

一种基于序列唤醒机制的分布式一致状态估计方法
技术领域
本发明涉及无线传感网络领域，尤其涉及一种基于序列唤醒机制的分布式一致状态估计方法。
背景技术
随着嵌入式技术和通信技术的发展，无线传感器监测网络越来越多的应用于分布式数据采集、移动目标跟踪等。近十年来，分布式无线传感器网络针对工业、农业、军事领域的应用越来越多，逐渐替代集中式信息采集系统。相比集中式信息采集系统，分布式传感器网络有其特有的优势，主要包括：无需设置中央数据融合设备、信息更安全、系统更稳定、计算信息分布化等。各个传感器节点之间通过相应的专用网络协议来实现信息的汇集和处理，能够实现对监测区域的信息采集、分布处理和数据的远程传输等功能。增强了在边远地区、危险区域等不适于人工操作的地区进行监测的能力。无线传感器网络的自组织性、自主完成任务的智能性使得其具有广泛的应用前景，在军事国防、工业生产、智能交通、智能家庭、环境监测、现代农业等许多领域都有潜在的应用价值。
由于无线传感器网络中节点的密度相对较高，因此这些节点所采集到的数据之间一般都具有一定的冗余性和相关性。另外，由于传感器节点体积小，价格低廉，携带电量有限。这些不利因素的存在给无线网络的可靠性提出了极大的挑战。使得无线网络面临着节点数据传输不可靠、感知数据不准确、数据存在冗余以及能量有限等问题。
在已授权专利中，ZL201410693468.3发明了一种无线传感网络中基于预测的目标跟踪方法及系统，所述方法包括：S1、对无线传感网络中的所有传感器节点进行分簇；S2、将分簇后的所有传感器节点置于活跃状态，收集移动物体的历史移动路径信息；S3、根据所述历史移动路径信息建立所有所述传感器节点的后向依赖序列，并将所述后向依赖序列存储到对应的簇头节点；S4、在每个簇中按照所述后向依赖序列控制传感器节点的状态进行所述移动物体的跟踪。该方法通过将传感器节点分簇的方式，减少了传感器节点和基站之间的长距离通信，实现预测信息的局部更新。该发明通过K均值这种简单的方法进行分簇，可以对下一时段的状态进行估计，但是没有在估计的同时设计信息融合和传输的路径设计。
ZL201010283439.1发明了一种无线网络技术领域的异步无线传感网络的运动目标跟踪方法，建立无线传感器网络并进行网络定位初始化设置，然后由每隔L个时钟周期发射一次信号，各个传感器节点将对应的测量值传送给汇聚节点，由汇聚节点合成测量向量用于位移估计处理和门限更新处理。该发明通过极大似然法估计对目标下一步位置进行估计，该方法的主要问题是需要对系统的概率模型有先验知识，若此模型不准确会大大影响后续估计的精度。
ZL201310168056.3发明了一种基于粒子群算法的无线传感网多目标跟踪节点任务分配方法，解决传统无线传感网多目标跟踪中的节点能耗过高问题。该方法中使用粒子群算法预测目标在下一个跟踪周期中的位置，根据此信息将目标的跟踪任务分配给距离其预测位置最近的传感器节点，从而实现节点能耗的降低与目标跟踪精确度的提高。该方法通过粒子群方法广播消息，通过各传感器反馈信息估计目标位置，粒子群方法计算量极大，对整体传感器网络的时延影响很大。
综上，现有技术存在如下缺陷：
当状态方程和观测方程为非线性时，如飞行器的跟踪，工业现场的环境监测等，现有技术中的方法不再适用；
缺乏先验知识时，模型不准确影响后续估计精度；
计算量大，增加传感器网络时延。
因此，本领域的技术人员致力于开发一种基于序列唤醒机制的分布式一致状态估计方法，进行无线传感网络的状态跟踪和估计，提高节点层面的数据准确性、降低数据的冗余性并降低节点间的数据差异，同时减少节点处不必要的数据传输，降低节点能耗。
发明内容
有鉴于现有技术的上述缺陷，本发明所要解决的技术问题包括以下两方面：
(1)通过设计出怎样的节点唤醒机制，来减少节点的空闲等待时间，以达到减少节点的能量消耗的目的；
(2)设计出一种怎样的算法来实现非线性系统目标状态的估计跟踪并提高估计精度。
为实现上述目的，本发明提供了一种基于序列唤醒机制的分布式一致状态估计方法，包括以下步骤：
步骤一：当移动目标处于无线传感网中时，所述移动目标初始位置覆盖范围内所涉及的若干传感器节点构成初始的传感器节点簇；所述初始的传感器节点簇内所包含的全部传感器节点被设置为唤醒状态，成为唤醒传感器节点；
步骤二：所述唤醒传感器节点对所述移动目标进行感知，并根据感知的信息和所述传感器节点簇内的邻居传感器节点传送的信息对所述移动目标的状态进行估计和预测；
步骤三：当所述移动目标从当前位置i移动到下一个新位置i+1时，构造新的所述传感器节点簇；所述新的传感器节点簇内的传感器节点被设置为唤醒状态，成为所述唤醒传感器节点；
步骤四：重复步骤二、步骤三的工作过程，直至所述移动目标停止移动。
进一步地，所述无线传感网中的全部传感器节点沿所述移动目标的移动方向呈分层、连续排列，所述无线传感网覆盖所述移动目标的全部移动范围。
进一步地，所述无线传感网中的全部传感器节点均包括传感器模块和无线发射模块，所述传感器模块始终保持唤醒状态，以采集含有噪声的所述移动目标的系统状态，所述无线发射模块在所述唤醒状态和所述睡眠状态之间切换。
进一步地，所述噪声包括过程噪声、观测噪声和传输噪声。
进一步地，对于所述无线传感网中的每一个传感器节点，当所述传感器节点的所述传感器模块检测到所述移动目标出现后即唤醒所述无线发射模块，形成新的所述唤醒传感器节点，并被加入所述传感器节点簇，根据所述传感器节点簇内信息生成无效传感器节点，所述无效传感器节点进入睡眠状态。
进一步地，所述移动目标的移动轨迹由如下非线性系统表示：
x(k+1)＝F(x(k))+w(k)
其中x(k)∈Rn×n为移动目标的状态，F(x(k))为移动目标状态的非线性模型，w(k)∈Rn×n为过程噪声。
进一步地，所述步骤二中对所述移动目标的状态进行估计和预测时采用无迹卡尔曼滤波算法(Unscented Kalman Filter，UKF)。
进一步地，所述步骤三的机制如下：
当所述移动目标从位置i移动到新位置i+1时，所述移动目标附近的所述传感器节点分为三类：可以监测位置i但不能监测位置i+1的为I类节点；可以同时监测位置i和位置i+1的为II类节点；不能监测位置i但可以监测位置i+1的为III类节点；
所述I类节点将融合的信息发送给所述II类节点，然后进入所述睡眠状态；
所述II类节点接收所述I类节点的信息，保持所述唤醒状态；
所述III类节点被唤醒，与所述II类节点组网构成新的所述传感器节点簇。
进一步地，所述步骤二中由所述唤醒传感器节点对所述移动目标进行感知时采用分布式序列估计算法，包括以下步骤：
步骤201、所述I类节点对所述II类节点进行初始化计算如下公式所示：
Figure GDA0003010249390000031
其中，Mi代表初始化节点i的所述I类节点集合，λij表示权重系数，
Figure GDA0003010249390000032
为节点j对未知状态x(k)的估计值，φij(k)表示节点j到节点i的所述传输噪声；
其中，所述权重系数λij的选择，包括以下步骤：
(1)接收节点j传输过来的数据；
(2)通过求解如下公式所示的优化问题，得到加权系数λij；
Figure GDA0003010249390000041
其中，Pi(k)为
Figure GDA0003010249390000042
的误差协方差矩阵，Ji(Pi(k))为关于Pi(k)的代价函数，|Mi|为集合中元素的个数，λi是由所有λij,j∈Mi组成的|Mi|维列向量，
Figure GDA0003010249390000043
为元素全为1的|Mi|维行向量。
步骤202、所述II类节点将所述感知的信息yi(k)←Cix(k)+vi(k)，其中，Ci为观测矩阵，vi(k)为所述观测噪声，加入分布式卡尔曼一致滤波算法，计算过程如下公式所示：
Figure GDA0003010249390000044
其中xi为节点i对未知状态x(k)的预测值，
Figure GDA0003010249390000045
为节点j对未知状态x(k)的预测值，Ni代表节点i的邻居节点，Ki∈Rn×n是滤波器增益，γij>0代表节点i所接收到节点j的信号强度。
进一步地，所述分布式序列估计算法，包括以下阶段：
(1)测量更新阶段：计算状态x(k)的估计值
Figure GDA0003010249390000046
Figure GDA0003010249390000047
Figure GDA0003010249390000048
其中，(·)T表示矩阵(·)的转置矩阵，Pij(k)和
Figure GDA0003010249390000049
分别为
Figure GDA00030102493900000410
和
Figure GDA00030102493900000411
的误差协方差矩阵，
Figure GDA00030102493900000412
为
Figure GDA00030102493900000413
的误差协方差阵，系数矩阵Wi(k)＝I-Ki(k)Ci，I为单位阵，Ri(k)为观测噪声vi的方差阵，Rij(k)为所述观测噪声vi,vj的相关矩阵，
Figure GDA00030102493900000414
γjs>0表示节点j所接收到节点s的信号强度，γir>0表示节点i所接收到节点r的信号强度，
Figure GDA00030102493900000415
为所述传输噪声φir(k)的方差，δij＝0,
Figure GDA00030102493900000416
δii＝1；
(2)Sigma点计算阶段：计算2n+1个Sigma点
Figure GDA00030102493900000417
Figure GDA00030102493900000418
Figure GDA00030102493900000419
其中κ代表换算参数，{·}r表示矩阵{·}的第r列；
(3)预测阶段：预测移动目标下一步的状态
Figure GDA00030102493900000420
Figure GDA0003010249390000051
Figure GDA0003010249390000052
其中
Figure GDA0003010249390000053
为Sigma点的权重系数，Q(k)
为所述观测噪声w(k)的方差阵。
与现有技术方案相比，本发明的有益技术效果在于：
本发明解决了基于序列式唤醒机制的移动目标的非线性状态的估计和跟踪，根据目标的移动性序列式唤醒需要工作的节点，减少节点的等待时间，减少了节点处不必要的数据传输，达到了减低网络能量消耗的目的；
根据目标的移动性，本发明提出了一种分布式的序列估计方法来实现对状态的监测和跟踪，包括基于无迹卡尔曼滤波的分簇一致估计算法，和适用于簇切换的初始化融合算法，其中的参数基于估计结果的无偏性和最优性两个准则来设计实现，提高了估算的准确性；
本发明提高了节点层面的数据的信息可靠性，降低了数据的冗余性并降低了节点间数据差异的影响。
以下将结合附图对本发明的构思、具体结构及产生的技术效果作进一步说明，以充分地了解本发明的目的、特征和效果。
附图说明
图1是本发明的一个较佳实施例的基于目标移动的节点切换示意图；
图2是本发明的一个较佳实施例的节点布置图；
图3是本发明的一个较佳实施例的节点初始化过程示意图；
图4是本发明的一个较佳实施例的分布式序列估计过程示意图。
具体实施方式
以下参考说明书附图介绍本发明的多个优选实施例，使其技术内容更加清楚和便于理解。本发明可以通过许多不同形式的实施例来得以体现，本发明的保护范围并非仅限于文中提到的实施例。
在附图中，结构相同的部件以相同数字标号表示，各处结构或功能相似的组件以相似数字标号表示。附图所示的每一组件的尺寸和厚度是任意示出的，本发明并没有限定每个组件的尺寸和厚度。为了使图示更清晰，附图中有些地方适当夸大了部件的厚度。
本实施例为热轧生产线上的钢板轧钢温度监测。
如图2所示，钢板沿直线运动，带箭头直线为钢板运动轨迹，直线周围圆点为无线温度传感器节点。
在钢板移动范围内布置N个无线温度传感器节点。通过序贯触发传感器网络中的节点来连续的估计钢板表面的温度。
第一步：通过无线传感网针对移动钢板进行温度检测，节点根据钢板移动的位置进行睡眠、唤醒操作。
第一阶段，如图1所示，以图中突出的部分为研究对像，随着目标的移动，覆盖和感知节点也随之变化。
在t1时刻，目标系统被第i和i+1排节点覆盖，此时子系统的状态信息由这些节点来采集并进行运算处理。这两排节点共同感知这个子系统不同的状态信息，同时同邻居节点进行通信，把自己对系统的温度认知信息与周围邻居节点交换，根据自己的信息和邻居传输过来的信息来估计和预测系统的状态。也就是说，此时第i和i+1排节点为一个簇，这个簇此时的任务协作地实现跟踪与估计此子系统的状态。
在t2时刻，这个子系统处于j和j+1两排节点的感知和监控范围，此时由这两排节点共同完成对子系统状态的跟踪和估计，即由新的一个簇来完成状态的估计。也就意味着节点接力地以分簇的方式来估计此移动目标的状态。
第二阶段，如图3所示，就是簇的重构和转移过程。目标移动到此位置的时候，子系统的监控节点簇将面临第i排节点的移出和第i+2排节点的移入。利用之前簇的结果来初始化第i+2排节点要优于使用经验信息，并能充分体现无线传感器网络的优点。这样就好比是第i排节点把工作任务移交给第i+2排节点，而它们又将开始其它节点移交过来的任务。这样就实现了对一个移动系统状态的连续跟踪和估计。
第二步：当前唤醒的簇内节点对目标系统进行感知，每个节点根据自己的信息和簇内邻居传来的信息来估计和预测系统的状态。
当前唤醒的簇内节点对目标系统进行感知，采用分布式序列估计算法，主要包括以下步骤：
(1)初始化计算如下公式所示：
Figure GDA0003010249390000061
其中，Mi代表初始化节点i的I类节点集合，λij表示权重系数，
Figure GDA0003010249390000062
为节点j对未知状态x(k)的估计值，φij(k)表示节点j到节点i的所述传输噪声。
(2)将所述感知的信息yi(k)←Cix(k)+vi(k)，其中，i为观测矩阵，vi(k)为所述观测噪声，加入分布式卡尔曼一致滤波算法，计算过程如下：
Figure GDA0003010249390000063
其中，
Figure GDA0003010249390000064
为节点i对未知状态x(k)的预测值，
Figure GDA0003010249390000065
为节点j对未知状态x(k)的预测值，Ni代表节点i的邻居节点，Ki∈Rn×n是滤波器增益，γij>0代表节点i所接收到节点j的信号强度。
权重系数λij的选择，包括以下步骤：
(1)接收节点j传输过来的数据；
(2)通过求解如下公式所示的优化问题，得到加权系数λij；
Figure GDA0003010249390000071
s.t.
Figure GDA0003010249390000072
λij>0,j∈Mi
其中，Mi代表初始化节点i的I类节点集合，rs(k)为
Figure GDA0003010249390000073
的误差协方差矩阵，trace(·)表述矩阵的迹，n为节点的个数，
Figure GDA0003010249390000074
为传输噪声的方差。
第三步：当目标移动到其它位置时，原簇内一部分节点睡眠，同时唤醒另外一部分节点重构簇，继续对目标进行估计和预测。
节点唤醒的机制为：
(1)目标从i位置移动到i+1位置的时候，目标附近的监控节点簇分为三类：可以监测i位置、监测不到i+1为I类节点簇；可以监测i位置和i+1位置为II类节点簇；不能监测i位置、可以监测i+1位置为III类节点簇。
(2)I类节点簇将融合的信息发送给II类节点簇，然后进入睡眠模式；
(3)II类节点簇接收I类节点簇的信息，保持唤醒模式；
(4)III类节点簇唤醒，与II类节点簇组网。
节点唤醒策略根据移动目标位置确定，对目标进行估计和预测采用无迹卡尔曼滤波算法。
分布式序列估计算法的实现，主要步骤包括：
(1)测量更新阶段：计算状态x(k)的估计值
Figure GDA0003010249390000075
Figure GDA0003010249390000076
Figure GDA0003010249390000077
其中，(·)T表示矩阵(·)的转置矩阵，Pij(k)和
Figure GDA0003010249390000078
分别为
Figure GDA0003010249390000079
和
Figure GDA00030102493900000710
的误差协方差矩阵，
Figure GDA00030102493900000711
为
Figure GDA00030102493900000712
的误差协方差阵，系数矩阵Wi(k)＝I-Ki(k)Ci，I为单位阵，Ri(k)为观测噪声vi的方差阵，Rij(k)为所述观测噪声vi,vj的相关矩阵，
Figure GDA00030102493900000713
Figure GDA00030102493900000714
γjs>0表示节点j所接收到节点s的信号强度，γir>0表示节点i所接收到节点r的信号强度，
Figure GDA00030102493900000715
为所述传输噪声φir(k)的方差，δij＝0,
Figure GDA00030102493900000716
δii＝1。
(2)Sigma点计算阶段：计算2n+1个Sigma点
Figure GDA0003010249390000081
Figure GDA0003010249390000082
Figure GDA0003010249390000083
其中κ代表换算参数，{·}r表示矩阵{·}的第r列。
(3)预测阶段：预测移动目标下一步的状态
Figure GDA0003010249390000084
Figure GDA0003010249390000085
Figure GDA0003010249390000086
其中
Figure GDA0003010249390000087
为Sigma点的权重系数，Q(k)为所述观测噪声w(k)的方差阵。
以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。

Claims (7)

1.一种基于序列唤醒机制的分布式一致状态估计方法，其特征在于，包括以下步骤：
步骤一：当移动目标处于无线传感网中时，所述移动目标初始位置覆盖范围内所涉及的若干传感器节点构成初始的传感器节点簇；所述初始的传感器节点簇内所包含的全部传感器节点被设置为唤醒状态，成为唤醒传感器节点；
步骤二：所述唤醒传感器节点对所述移动目标进行感知，并根据感知的信息和所述传感器节点簇内的邻居传感器节点传送的信息对所述移动目标的状态进行估计和预测；
步骤三：当所述移动目标从当前位置i移动到下一个新位置i+1时，构造新的所述传感器节点簇；所述新的传感器节点簇内的传感器节点被设置为唤醒状态，成为所述唤醒传感器节点；
步骤四：重复步骤二、步骤三的工作过程，直至所述移动目标停止移动；
所述步骤三的机制如下：
当所述移动目标从位置i移动到新位置i+1时，所述移动目标附近的所述传感器节点分为三类：可以监测位置i但不能监测位置i+1的为I类节点；可以同时监测位置i和位置i+1的为II类节点；不能监测位置i但可以监测位置i+1的为III类节点；
所述I类节点将融合的信息发送给所述II类节点，然后进入睡眠状态；
所述II类节点接收所述I类节点的信息，保持所述唤醒状态；
所述III类节点被唤醒，与所述II类节点组网构成新的所述传感器节点簇；
所述步骤二中由所述唤醒传感器节点对所述移动目标进行感知时采用分布式序列估计算法，包括以下步骤：
步骤201、所述I类节点对所述II类节点进行初始化计算如下公式所示：
Figure FDA0003010249380000011
其中，Mi代表初始化节点i的所述I类节点集合，λij表示权重系数，
Figure FDA0003010249380000012
为节点j对未知状态x(k)的估计值，φij(k)表示节点j到节点i的传输噪声；
其中，所述权重系数λij的选择，包括以下步骤：
(1)接收节点j传输过来的数据；
(2)通过求解如下公式所示的优化问题，得到加权系数λij；
Figure FDA0003010249380000021
其中，Pi(k)为
Figure FDA0003010249380000022
的误差协方差矩阵，Ji(Pi(k))为关于Pi(k)的代价函数，|Mi|为集合中元素的个数，λi是由所有λij,j∈Mi组成的|Mi|维列向量，
Figure FDA0003010249380000023
为元素全为1的|Mi|维行向量；
步骤202、所述II类节点将所述感知的信息yi(k)←Cix(k)+vi(k)，其中，Ci为观测矩阵，vi(k)为观测噪声，加入分布式卡尔曼一致滤波算法，计算过程如下公式所示：
Figure FDA0003010249380000024
其中
Figure FDA0003010249380000025
为节点i对未知状态x(k)的预测值，
Figure FDA0003010249380000026
为节点j对未知状态x(k)的预测值，Ni代表节点i的邻居节点，Ki∈Rn×n是滤波器增益，γij>0代表节点i所接收到节点j的信号强度；
所述分布式序列估计算法，包括以下阶段：
(1)测量更新阶段：计算状态x(k)的估计值
Figure FDA0003010249380000027
Figure FDA0003010249380000028
Figure FDA0003010249380000029
其中，(·)T表示矩阵(·)的转置矩阵，Pij(k)和
Figure FDA00030102493800000210
分别为
Figure FDA00030102493800000211
和
Figure FDA00030102493800000212
的误差协方差矩阵，
Figure FDA00030102493800000213
为
Figure FDA00030102493800000214
的误差协方差阵，系数矩阵Wi(k)＝I-Ki(k)Ci，I为单位阵，Ri(k)为观测噪声vi的方差阵，Rij(k)为所述观测噪声vi,vj的相关矩阵，
Figure FDA00030102493800000215
γjs>0表示节点j所接收到节点s的信号强度，γir>0表示节点i所接收到节点r的信号强度，
Figure FDA00030102493800000216
为所述传输噪声φir(k)的方差，δij＝0,
Figure FDA00030102493800000217
δii＝1；
(2)Sigma点计算阶段：计算2n+1个Sigma点
Figure FDA00030102493800000218
Figure FDA00030102493800000219
Figure FDA00030102493800000220
其中κ代表换算参数，{·}r表示矩阵{·}的第r列；
(3)预测阶段：预测移动目标下一步的状态
Figure FDA0003010249380000031
Figure FDA0003010249380000032
Figure FDA0003010249380000033
其中，
Figure FDA0003010249380000034
为Sigma点的权重系数，Q(k)为所述观测噪声w(k)的方差阵。
2.如权利要求1所述的基于序列唤醒机制的分布式一致状态估计方法，其特征在于，所述无线传感网中的全部传感器节点沿所述移动目标的移动方向呈分层、连续排列，所述无线传感网覆盖所述移动目标的全部移动范围。
3.如权利要求1所述的基于序列唤醒机制的分布式一致状态估计方法，其特征在于，所述无线传感网中的全部传感器节点均包括传感器模块和无线发射模块，所述传感器模块始终保持唤醒状态，以采集含有噪声的所述移动目标的系统状态，所述无线发射模块在所述唤醒状态和所述睡眠状态之间切换。
4.如权利要求3所述的基于序列唤醒机制的分布式一致状态估计方法，其特征在于，所述噪声包括过程噪声、观测噪声和传输噪声。
5.如权利要求3所述的基于序列唤醒机制的分布式一致状态估计方法，其特征在于，对于所述无线传感网中的每一个传感器节点，当所述传感器节点的所述传感器模块检测到所述移动目标出现后即唤醒所述无线发射模块，形成新的所述唤醒传感器节点，并被加入所述传感器节点簇，根据所述传感器节点簇内信息生成无效传感器节点，所述无效传感器节点进入所述睡眠状态。
6.如权利要求1所述的基于序列唤醒机制的分布式一致状态估计方法，其特征在于，所述移动目标的移动轨迹由如下非线性系统表示：
x(k+1)＝F(x(k))+w(k)
其中x(k)∈Rn×n为移动目标的状态，F(x(k))为移动目标状态的非线性模型，w(k)∈Rn×n为过程噪声。
7.如权利要求1所述的基于序列唤醒机制的分布式一致状态估计方法，其特征在于，所述步骤二中对所述移动目标的状态进行估计和预测时采用无迹卡尔曼滤波算法(Unscented Kalman Filter，UKF)。
CN201811428878.XA 2018-11-27 2018-11-27 一种基于序列唤醒机制的分布式一致状态估计方法 Active CN109219118B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811428878.XA CN109219118B (zh) 2018-11-27 2018-11-27 一种基于序列唤醒机制的分布式一致状态估计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811428878.XA CN109219118B (zh) 2018-11-27 2018-11-27 一种基于序列唤醒机制的分布式一致状态估计方法

Publications (2)

Publication Number Publication Date
CN109219118A CN109219118A (zh) 2019-01-15
CN109219118B true CN109219118B (zh) 2021-08-24

Family

ID=64994074

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811428878.XA Active CN109219118B (zh) 2018-11-27 2018-11-27 一种基于序列唤醒机制的分布式一致状态估计方法

Country Status (1)

Country Link
CN (1) CN109219118B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110958639A (zh) * 2019-01-31 2020-04-03 北京航空航天大学 一种目标状态估计方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103476110A (zh) * 2013-08-21 2013-12-25 中国石油大学(华东) 节点自定位与目标跟踪同时进行的分布式算法
CN104469875A (zh) * 2014-11-26 2015-03-25 北京邮电大学 无线传感网络中基于预测的目标跟踪方法及其系统
CN105242275A (zh) * 2015-09-29 2016-01-13 燕山大学 基于一致性估计与休眠调度的水下目标协同追踪方法
CN105427193A (zh) * 2015-12-17 2016-03-23 山东鲁能软件技术有限公司 一种基于分布式时序数据服务的大数据分析装置及方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101132595A (zh) * 2007-09-29 2008-02-27 清华大学 无线网络测量的能量管理方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103476110A (zh) * 2013-08-21 2013-12-25 中国石油大学(华东) 节点自定位与目标跟踪同时进行的分布式算法
CN104469875A (zh) * 2014-11-26 2015-03-25 北京邮电大学 无线传感网络中基于预测的目标跟踪方法及其系统
CN105242275A (zh) * 2015-09-29 2016-01-13 燕山大学 基于一致性估计与休眠调度的水下目标协同追踪方法
CN105427193A (zh) * 2015-12-17 2016-03-23 山东鲁能软件技术有限公司 一种基于分布式时序数据服务的大数据分析装置及方法

Also Published As

Publication number Publication date
CN109219118A (zh) 2019-01-15

Similar Documents

Publication Publication Date Title
Raghunathan et al. Emerging techniques for long lived wireless sensor networks
CN105828287B (zh) 一种基于强化学习的无线传感器网络协同跟踪方法
Hamouda et al. Adaptive sampling for energy-efficient collaborative multi-target tracking in wireless sensor networks
Hao et al. Distributed multiple human tracking with wireless binary pyroelectric infrared (PIR) sensor networks
CN111427007B (zh) 基于不完全量测下集员滤波的矿井人员安全状态估计方法
CN107592671B (zh) 一种网络化多智能体主动变拓扑的自主协同定位方法
Lu et al. A novel iterative identification based on the optimised topology for common state monitoring in wireless sensor networks
CN101132595A (zh) 无线网络测量的能量管理方法
CN103052128A (zh) 一种基于无线传感器网络能量有效的协同调度方法
CN111132026B (zh) 目标检测方法、装置、网络系统及可读存储介质
Munjani et al. A non-conventional lightweight Auto Regressive Neural Network for accurate and energy efficient target tracking in Wireless Sensor Network
Yu et al. Interacting multiple model filter-based distributed target tracking algorithm in underwater wireless sensor networks
CN109219118B (zh) 一种基于序列唤醒机制的分布式一致状态估计方法
Chen et al. Data fusion based on temperature monitoring of aquaculture ponds with wireless sensor networks
CN110798848A (zh) 无线传感器数据融合方法及装置、可读存储介质和终端
Wang et al. Sensor selection based on the fisher information of the Kalman filter for target tracking in WSNs
Wang et al. Collaborative target tracking in WSNs using the combination of maximum likelihood estimation and Kalman filtering
Ahmed et al. Prediction of Single Object Tracking Based on Learning Approach in Wireless Sensor Networks
CN109151760B (zh) 基于平方根容积量测加权一致的分布式状态滤波方法
Das et al. A novel energy-efficient sensor cloud model using data prediction and forecasting techniques
Lv et al. An improved target tracking scheme based on MC-MPMC method for mobile wireless sensor networks
Yeow et al. A novel target movement model and energy efficient target tracking in sensor networks
Hamouda et al. Metadata-based adaptive sampling for energy-efficient collaborative target tracking in wireless sensor networks
Zhang et al. IMM filter based sensor scheduling for maneuvering target tracking in wireless sensor networks
Sankaliya et al. Performance evaluation of prediction algorithm-based tracking methods in a recovery of a lost target using wireless sensor network

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant