CN110769376A - 一种基于事件触发机制的协同目标跟踪方法 - Google Patents
一种基于事件触发机制的协同目标跟踪方法 Download PDFInfo
- Publication number
- CN110769376A CN110769376A CN201911007361.8A CN201911007361A CN110769376A CN 110769376 A CN110769376 A CN 110769376A CN 201911007361 A CN201911007361 A CN 201911007361A CN 110769376 A CN110769376 A CN 110769376A
- Authority
- CN
- China
- Prior art keywords
- platform
- target tracking
- platforms
- result
- communication
- 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
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
- H04W4/029—Location-based management or tracking services
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W64/00—Locating users or terminals or network equipment for network management purposes, e.g. mobility management
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明提供了一种基于事件触发机制的协同目标跟踪方法,包含1.本地目标跟踪阶段:每个观测平台根据自身所获得量测信息,进行本地目标跟踪计算,得到本地目标跟踪结果;2.事件触发判断与平台通信阶段:根据阶段1中获得的本地目标跟踪结果进行事件触发条件判断,如不满足事件触发条件,则跳过阶段2阶段3,直接输出阶段1的本地目标跟踪结果;如满足事件触发条件,则整个系统执行多平台信息共享;3.目标跟踪结果更新阶段:在满足事件触发机制的条件下,利用阶段2中融合后的目标跟踪结果对本地目标结果进行更新,作为最终目标跟踪结果输出。与现有技术相比,本方法所需的通信量、通信次数、通信带宽均显著降低,有效节省了系统的通信资源。
Description
技术领域
本发明属于目标跟踪定位技术领域,特别涉及基于事件触发机制的协同目标跟踪方法。
背景技术
近几十年来,随着科技的迅猛发展,无线通信以及低功耗、体积小的嵌入式计算机技术较为广泛的应用在众多领域中。能耗少、功能多、体积小和成本低是无线传感器节点的优点。无线传感器网络在组织形式上是一种分布式的网络,通过在监测网络中部署大规模的传感器节点,应用无线通信技术来收集和传输监测对象的相关信息。在信息采集、信息传输和信息感知应用领域内无线传感器网络掀起了一场研究热潮。
对移动目标进行实时跟踪是传感器网络的一项最基础的功能,其基本流程为:利用监测网络内节点之间相互协作对目标进行感知、跟踪,最后将目标的位置信息反馈给汇聚节点最终上报给用户。例如在环境保护中,无线传感器网络利用节点对周围的环境信息进行采集,监测野生动植物生活习性。在传感器网络中,传感器节点不仅具有体积小、价格低的优点,节点还可对处于自己感知范围内的目标进行实时监测并且传递目标的相关信息,同时传感器网络可采取随机部署的方式,这种部署方式使得监测网络具有自组织性、鲁棒性和隐蔽性等特点。然而相比于传统分布式网络,无线传感器网络还是存在一定的局限性的,主要因为传感器节点存储能力、计算能力、通信能力和能源供应十分有限,所以无法维持长时间、高频次、大量数据的传输与共享。如何在尽可能减小通信内容、通信次数的情况下,获得具有更优跟踪效果的协同目标跟踪技术是当前研究的热点。
发明内容
针对现有技术中存在的问题,本发明提出了一种基于事件触发机制的协同目标跟踪方法,用于实现在尽可能节省通信资源的情况下的协同目标跟踪。所谓事件触发机制,指的是多平台之间的数据交互并不是在每个通信周期都发生的,而是需要每个平台对当前时刻的系统状态进行检测,在系统状态满足一定条件的情况下(触发相关事件),才在当前的通信周期内进行多平台之间的数据交互。通过引入事件触发机制,可有效的缩减多平台之间的数据通信量,同时增强了平台自身的隐蔽性。在缩减通信量的同时,通过选择合理的触发事件机制,确保一些需要进行交互的关键信息可以在平台间得到及时共享,从而保证协同跟踪的精度。算法的具体流程如下,包含如下三个流程:1.本地目标跟踪阶段:每个观测平台根据自身所获得量测信息,进行本地目标跟踪计算,得到本地目标跟踪结果;2.事件触发判断与平台通信阶段:根据阶段1中获得的本地目标跟踪结果进行事件触发条件判断,如果不满足事件触发条件,则跳过阶段2和阶段3,直接输出阶段1的本地目标跟踪结果;如果满足事件触发条件,则整个系统执行多平台信息共享,具体做法为:所有平台向与自身存在通信关系的平台发送自身的本地目标跟踪结果,并利用接收到的其余平台的目标跟踪结果与自身平台的本地目标跟踪结果进行加权融合;3.目标跟踪结果更新阶段:在满足事件触发机制的条件下,利用阶段2中的融合后的目标跟踪结果对本地目标结果进行更新,作为最终的目标跟踪结果予以输出。与传统协同目标跟踪算法相比,本算法所需的通信量、通信次数、通信带宽均显著降低,有效节省了系统的通信资源,降低了系统暴露的可能性;同时在压缩通信量的同时,本算法也保证了具有较高的目标跟踪精度与跟踪稳定性。
本发明的目的是通过以下技术方案实现的:
一种基于事件触发机制的协同目标跟踪方法,包括以下步骤:
步骤1:每个运动平台根据自身传感器所敏感到的目标信息,利用CKF算法独立进行本平台的目标跟踪估计,得到本平台的目标跟踪估计结果;
步骤2:全部平台利用本地的目标跟踪结果进行事件触发检测,如果全部平台均不满足事件触发条件,则各平台以步骤1中的目标跟踪估计结果作为最终结果输出,结束本次目标跟踪计算;如果存在平台满足事件触发条件,则进一步执行步骤3,进行多平台间信息共享;
步骤3:每个平台依据一致性法则开始向邻居平台传输本平台的目标跟踪估计结果,同时接受邻居平台的目标跟踪估计结果,并将二者进行融合,进行多平台间信息共享,得到一致性融合后的本平台的目标跟踪估计结果;
步骤4:每个平台利用步骤3中获得融合后的本平台的目标跟踪估计结果对本地目标跟踪结果进行更新,得到最终的目标跟踪结果同时输出。
进一步的,步骤1中,所述目标信息包括运动平台与目标之间的相对角度,以及运动平台与目标之间的相对距离。
进一步的,步骤3中,所述进行多平台间信息共享的具体过程为:
3-1:首先获得由所有平台形成的通信网络对应的邻接矩阵G,然后根据邻接矩阵G设置相应的权重矩阵W;
权重矩阵W的设计方法为:
首先计算G的行和向量与列和向量其中G与W均定义为n行n列的方阵,n代表当前通信网络所包含的平台总数目;
进一步计算W中的W(i,j)元素:
如果i≠j,则
如果i=j,则
其中max()代表在输入的数据之中取最大值;
设置第i个平台在第k步时获得的滤波结果为滤波误差协方差矩阵为Pi(k|k);平台i将本平台滤波结果与滤波误差协方差矩阵Pi(k|k)传递给自身全部邻居平台,同时接受全部邻居平台所传递过来相应的邻居平台的滤波结果与滤波误差协方差矩阵Pl(k|k),l∈Ni,其中Ni代表节点i的全部邻居平台的序号的集合,在此基础上,进一步利用权重矩阵W对Pi(k|k),Pl(k|k),l∈Ni在i平台本地进行加权融合,并对平台i的滤波结果与滤波误差协方差矩阵进行更新,具体更新计算原则如下:
通信网络内的全部平台均依据上述计算原则完成一次数据通信与数据加权融合,从而完成一轮全局通信;
本发明相比现有技术的有益效果为:
(1)本发明通过在协同目标跟踪过程中引入事件触发机制来控制平台间的数据通信,当满足事件触发条件时,多平台之间进行数据通信,而当不满足事件触发条件时,多平台之间不进行数据通信,有效的减小了多平台之间的数据通信次数,提高了平台之间通信带宽的利用率,提高了平台之间通信信息的质量;在保证协同目标跟踪精度和跟踪稳定性的基础上,解决了传统协同目标跟踪算法中平台通信次数多、通信数据量大的问题;
(2)本发明设计了两类不同的事件触发机制,用于确保实现对需要传递数据情况下的准确判断,确保不会出现关键信息无法及时共享而导致目标跟踪精度下降的问题,保证了算法的稳定性与鲁棒性。
附图说明
图1为本专发明所述的基于事件触发机制的协同目标跟踪方法流程框图;
图2为本发明所述的基于事件触发机制的协同目标跟踪方法时序示意图;
图3为实施例中平台之间通信情况示意图;其中,双向箭头代表两个平台之间可以进行数据通信;
图4~图6分别为利用本专利中所设计目标跟踪算法进行仿真,所得到的X、Y、Z轴位置跟踪误差;
图7为利用本专利中所设计目标跟踪算法进行仿真,所得到的跟踪位置RMSE;
图8为利用本专利中所设计目标跟踪算法进行仿真,满足事件触发条件的时刻的示意图。
具体实施方式
下面结合附图并举实施例,对本发明进行详细描述。
本实施例提供了一种基于事件触发机制的协同目标跟踪方法,所述方法的整体流程框图如图1所示,系统时序图如图2所示。
具体流程包括以下步骤:
步骤1:每个运动平台根据自身传感器所敏感到的目标信息(为运动平台与目标之间的相对角度(俯仰角与方位角)以及运动平台与目标之间的相对距离),利用CKF(Cubature Kalman filter,容积Kalman滤波)算法独立进行本平台的目标跟踪估计,得到本平台的目标跟踪估计结果。
以其中的平台i为例进行说明,首先定义如下的平台i对应的滤波模型:
Xk+1=ΦXk+wk
h代表观测向量函数,满足:
Φ代表状态转移矩阵,满足:
T为系统采样间隔,状态误差wk为零均值高斯白噪声,其对应的协方差矩阵为:
以上述模型作为基础,应用如下的CKF滤波算法:
其中n可以根据实际情况自行选定。
2.进行时间更新,具体包含如下计算步骤:
对所有的容积点进行状态一步预测:
协方差一步预测:
3.进行状态更新,具体包含如下计算步骤:
观测值一步预测:
计算预测观测协方差矩:
观测向量和状态向量的交互协方差为:
计算状态更新:
状态误差协方差更新:
Pi(k|k)=P(k|k-1)-[Pxz,k+1|k(Pzz,k+1|k)-1]Pzz,k+1|k[Pxz,k+1|k(Pzz,k+1|k)-1]T
步骤2:全部平台利用本地的目标跟踪结果进行事件触发检测,如果全部平台均不满足事件触发条件,则各平台以步骤1中的目标跟踪结果作为最终结果输出,结束本次目标跟踪计算。如果存在平台满足事件触发条件,则进一步执行步骤3,进行多平台间信息共享。
以平台i在第k步的事件触发检测为例进行说明:
则本实施例中设计的触发事件(共包含两个触发事件)如下:
事件1:
事件2:
事件1代表了从上次通信(j步)至今,目标估计状态的变化程度;事件2代表了从上一步(k-1步)至当前步(k步),目标估计状态的变化程度;δ1和δ2分别代表了事件1和事件2的检测阈值,可以根据实际适用情况进行设置。上述两个事件的含义如下:事件1代表目标长期的变化量,即距离上次通信后,目标状态的变化情况,主要是对目标状态的长时间缓慢变化进行检测;事件2代表目标短期的变化量,即与上一次滤波结果相比,目标状态的变化情况,主要是对目标状态的突发变化进行检测;因为对于多平台目标跟踪而言,一般需要进行通信主要是两种情况:1.目标的机动情况发生突然改变,此时一般为目标产生了突然性的机动,此时需要利用多平台信息对目标进行重新跟踪(即事件2所对应的情况);2.长时间未进行信息共享,由于目标信息不可避免会存在一些慢速改变,而当该慢速改变带来的影响累加到一定程度时,此时需要进行一次多平台之间数据共享,从而有效修正慢速改变带来的不利影响(即事件1所对应的情况)。
对于全部平台都执行上述触发事件的检测,如果全部平台都不触发上述事件,即全部平台都不满足上述条件,则直接将步骤1中的,各平台的本地目标跟踪结果作为最终结果进行输出;如果存在平台触发上述事件,则进一步执行步骤3,进行多平台间信息传递与共享。
步骤3:每个平台依据一致性法则开始向邻居平台传输本平台的目标跟踪估计结果同时接受邻居平台的目标跟踪估计结果,并将二者进行融合,得到一致性融合后的本平台的目标跟踪估计结果。
通过步骤2的计算,此时已经触发相关事件,开始执行多平台间数据共享。
具体流程为:
在步骤1中,每一个平台均可以独立地获得自身的目标跟踪结果,该目标跟踪结果将在本步中作为传递信息在邻居中进行传输与共享。传输与共享规则均为基于一致性法则,其具体流程如下:首先获得由所有平台形成的通信网络对应的邻接矩阵G,然后根据邻接矩阵G设置相应的权重矩阵W;
权重矩阵W的设计方法为:
进一步计算W中的W(i,j)元素:
其中max()代表在输入的数据之中取最大值;
以第i个平台的计算为例,首先获取第i个平台在第k步时获得的滤波结果为滤波误差协方差矩阵为Pi(k|k)(即步骤1的计算结果);平台i将本平台滤波结果为与滤波误差协方差矩阵为Pi(k|k)传递给自身全部邻居平台,同时接受全部邻居平台所传递过来相应的邻居平台的滤波结果与滤波误差协方差矩阵Pl(k|k),l∈Ni,其中Ni代表节点i的全部邻居平台的序号的集合,在此基础上,进一步利用权重矩阵W对Pi(k|k),Pl(k|k),l∈Ni在i平台本地进行加权融合,并对平台i的滤波结果与滤波误差协方差矩阵进行更新,具体更新计算原则如下:
通信网络内的全部平台均依据上述计算原则完成一次数据通信与数据加权融合,从而完成一轮全局通信;
以此类推完成多轮全局通信,定义通讯轮数为M,所有平台将最终得到本平台的信息贡献向量与信息贡献矩阵的数据放大n倍,获得最终的经过全局融合后的滤波结果与滤波误差协方差矩阵(以平台i为例,为与Pi(k|k))。
为方便理解,下面对该信息传输与共享规则进行举例介绍如下,具体介绍内容如下:考虑以下包含5个运动平台的通信网络,如图3所示。该通信网络对应的邻接矩阵(Adjacency Matrix)为:
其中邻接矩阵G是表示顶点之间相邻关系的矩阵,例如G(1,2)=1则代表平台2和1之间具有通信关系,平台2可以将数据传输给平台1,即平台2为平台1的邻居;G(1,4)=0则代表平台4无法将数据直接传输给平台1,即平台4不为平台1的邻居。
根据G可以设置相应的W权重矩阵,本专利中设计的基于一致性法则的W权重矩阵设计方法如下:
其中max()代表在输入的数据之中取最大值。
对于上文中设计的G,应用上述方法设计得到的W权重矩阵为:
利用W权重进行不同平台之间的数据通信与数据融合,具体算法流程如下,以平台1为例:
根据G中的第一行中的元素,平台1所能接受到的信息为平台2的信息与平台5的信息,则根据W中的第一行中的权重,有:
P1(k|k)=W(1,1)P1(k|k)+W(1,2)P2(k|k)+W(1,5)P5(k|k)
利用上述介绍的数据共享与融合方法进行多平台间数据共享。同时定义通信轮数为10轮,在每一轮通信中,每个平台利用自身信息,邻居信息与W矩阵信息进行数据融合与共享。在完成上述流程的数据通信后(共执行10轮后),每一个平台均可以获得对应的最终的数据通信后的结果(放大5倍后的结果):
步骤4:每个平台利用步骤3中获得融合后的本平台的目标跟踪估计结果对本地目标跟踪结果进行更新,得到最终的目标跟踪结果同时输出。
以平台i为例,与Pi(k|k)即为在第k步计算中的最终目标跟踪结果。
将步骤4得到的最终目标跟踪结果进行输出,最终输出结果(三轴定位误差)如图4至图6所示。从上述仿真图形可以看出,利用本发明所设计的目标跟踪算法,能实现三轴向位置误差的快速收敛,同时保持三轴向的位置误差被限制在一定的容许范围内而不随时间的推移而发散,从而实现对目标的长时间的准确跟踪。此外,本发明所设计的算法的位置定位RMSE(Root Mean Squared Error,均方根误差)结果如图7所示,从图7中也可以看出,随着目标跟踪的进行,RMSE快速收敛并逐渐减小,也就说明了定位精度逐渐提高,也就说明了本发明设计的目标跟踪算法,具有较好的跟踪误差收敛性能。此外,在本次算法中,满足事件触发条件的时刻的示意图如图8所示,在图8中,当结果为1时,代表满足事件触发条件,平台之间开启信息交互与融合,当结果为0时,代表不满足事件触发条件,平台不进行信息交互与融合。从图8中可以看出,并不是每一个时刻都会满足事件触发条件,也就是说,采用本发明设计的目标跟踪算法可以有效的减轻通信压力,提高通信效率。
综上所述,以上仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (3)
1.一种基于事件触发机制的协同目标跟踪方法,其特征在于,所述方法包括以下步骤:
步骤1:每个运动平台根据自身传感器所敏感到的目标信息,利用CKF算法独立进行本平台的目标跟踪估计,得到本平台的目标跟踪估计结果;
步骤2:全部平台利用本地的目标跟踪结果进行事件触发检测,如果全部平台均不满足事件触发条件,则各平台以步骤1中的目标跟踪估计结果作为最终结果输出,结束本次目标跟踪计算;如果存在平台满足事件触发条件,则进一步执行步骤3,进行多平台间信息共享;
步骤3:每个平台依据一致性法则开始向邻居平台传输本平台的目标跟踪估计结果,同时接受邻居平台的目标跟踪估计结果,并将二者进行融合,进行多平台间信息共享,得到一致性融合后的本平台的目标跟踪估计结果;
步骤4:每个平台利用步骤3中获得融合后的本平台的目标跟踪估计结果对本地目标跟踪结果进行更新,得到最终的目标跟踪结果同时输出。
2.根据权利要求1所述的基于事件触发机制的协同目标跟踪方法,其特征在于,步骤1中,所述目标信息包括运动平台与目标之间的相对角度,以及运动平台与目标之间的相对距离。
3.根据权利要求1所述的基于事件触发机制的协同目标跟踪方法,其特征在于,步骤3中,所述进行多平台间信息共享的具体过程为:
3-1:首先获得由所有平台形成的通信网络对应的邻接矩阵G,然后根据邻接矩阵G设置相应的权重矩阵W;
权重矩阵W的设计方法为:
进一步计算W中的W(i,j)元素:
其中max()代表在输入的数据之中取最大值;
设置第i个平台在第k步时获得的滤波结果为滤波误差协方差矩阵为Pi(k|k);平台i将本平台滤波结果与滤波误差协方差矩阵Pi(k|k)传递给自身全部邻居平台,同时接受全部邻居平台所传递过来相应的邻居平台的滤波结果与滤波误差协方差矩阵Pl(k|k),l∈Ni,其中Ni代表节点i的全部邻居平台的序号的集合,在此基础上,进一步利用权重矩阵W对Pi(k|k),Pl(k|k),l∈Ni在i平台本地进行加权融合,并对平台i的滤波结果与滤波误差协方差矩阵进行更新,具体更新计算原则如下:
通信网络内的全部平台均依据上述计算原则完成一次数据通信与数据加权融合,从而完成一轮全局通信;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911007361.8A CN110769376B (zh) | 2019-10-22 | 2019-10-22 | 一种基于事件触发机制的协同目标跟踪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911007361.8A CN110769376B (zh) | 2019-10-22 | 2019-10-22 | 一种基于事件触发机制的协同目标跟踪方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110769376A true CN110769376A (zh) | 2020-02-07 |
CN110769376B CN110769376B (zh) | 2021-12-21 |
Family
ID=69332684
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911007361.8A Active CN110769376B (zh) | 2019-10-22 | 2019-10-22 | 一种基于事件触发机制的协同目标跟踪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110769376B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104994579A (zh) * | 2015-06-30 | 2015-10-21 | 浙江工业大学 | 一种适用于事件触发的分布式移动目标跟踪方法 |
CN106991691A (zh) * | 2017-02-24 | 2017-07-28 | 北京理工大学 | 一种适用于摄像机网络下的分布式目标跟踪方法 |
CN108896047A (zh) * | 2018-05-09 | 2018-11-27 | 上海交通大学 | 分布式传感器网络协同融合与传感器位置修正方法 |
CN109752002A (zh) * | 2018-12-26 | 2019-05-14 | 北京壹氢科技有限公司 | 一种多平台无源目标跟踪方法 |
CN109782269A (zh) * | 2018-12-26 | 2019-05-21 | 北京壹氢科技有限公司 | 一种分布式多平台协同有源目标跟踪方法 |
CN110044356A (zh) * | 2019-04-22 | 2019-07-23 | 北京壹氢科技有限公司 | 一种通信拓扑切换下分布式协同目标跟踪方法 |
CN110289989A (zh) * | 2019-05-27 | 2019-09-27 | 东南大学 | 一种基于容积卡尔曼滤波算法的分布式状态估计方法 |
-
2019
- 2019-10-22 CN CN201911007361.8A patent/CN110769376B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104994579A (zh) * | 2015-06-30 | 2015-10-21 | 浙江工业大学 | 一种适用于事件触发的分布式移动目标跟踪方法 |
CN106991691A (zh) * | 2017-02-24 | 2017-07-28 | 北京理工大学 | 一种适用于摄像机网络下的分布式目标跟踪方法 |
CN108896047A (zh) * | 2018-05-09 | 2018-11-27 | 上海交通大学 | 分布式传感器网络协同融合与传感器位置修正方法 |
CN109752002A (zh) * | 2018-12-26 | 2019-05-14 | 北京壹氢科技有限公司 | 一种多平台无源目标跟踪方法 |
CN109782269A (zh) * | 2018-12-26 | 2019-05-21 | 北京壹氢科技有限公司 | 一种分布式多平台协同有源目标跟踪方法 |
CN110044356A (zh) * | 2019-04-22 | 2019-07-23 | 北京壹氢科技有限公司 | 一种通信拓扑切换下分布式协同目标跟踪方法 |
CN110289989A (zh) * | 2019-05-27 | 2019-09-27 | 东南大学 | 一种基于容积卡尔曼滤波算法的分布式状态估计方法 |
Non-Patent Citations (3)
Title |
---|
胡小全等: "被动目标观测误差对多平台复合跟踪性能的影响及分析", 《电子设计工程》 * |
蔡淑娜等: "基于多agent协同跟踪调度技术研究", 《计算机应用研究》 * |
郭卫东等: "AWACS/UAV协同目标识别技术研究", 《舰船电子对抗》 * |
Also Published As
Publication number | Publication date |
---|---|
CN110769376B (zh) | 2021-12-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109116349B (zh) | 多传感器协同跟踪联合优化决策方法 | |
CN111027686B (zh) | 一种滑坡位移的预测方法、装置及设备 | |
CN108896047B (zh) | 分布式传感器网络协同融合与传感器位置修正方法 | |
CN108848449B (zh) | 基于DV-Hop改进的无线传感器网络节点定位算法 | |
Vera-Amaro et al. | Design and analysis of wireless sensor networks for animal tracking in large monitoring polar regions using phase-type distributions and single sensor model | |
CN101848529B (zh) | 一种无线传感器网络的多重主成分分析数据压缩方法 | |
CN110958639A (zh) | 一种目标状态估计方法及系统 | |
CN102316496A (zh) | 无线传感器网络中基于卡尔曼滤波的数据融合方法 | |
CN109254532A (zh) | 一种面向通信时滞的多智能体分布式合作故障检测方法 | |
CN109618288B (zh) | 基于深度卷积神经网络的无线传感网距离测量系统及方法 | |
CN111757266B (zh) | 基于太阳能供电型农业物联网的uav数据采集轨迹算法 | |
CN116186643B (zh) | 一种多传感器协同目标跟踪方法、系统、设备及介质 | |
CN109039720A (zh) | 一种针对二值传感器网络的参数估计方法 | |
CN106934242A (zh) | 基于交叉熵法的多模式下设备的健康度评估方法及系统 | |
CN117034189A (zh) | 多源物联网数据融合方法 | |
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 | |
CN110769376B (zh) | 一种基于事件触发机制的协同目标跟踪方法 | |
CN111397607B (zh) | 一种采用并行融合机制的信息滤波方法 | |
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 | |
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 | |
CN109362049B (zh) | 基于混合信息加权一致的平方根容积滤波方法 | |
CN114415157A (zh) | 一种基于水声传感器网络的水下目标多模型跟踪方法 | |
CN110807478B (zh) | 一种观测间歇丢失情况下的协同目标跟踪方法 | |
CN113723006B (zh) | 一种基于ls-svm的单台站地球变化磁场建模预测方法及系统 |
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 |