CN111083661A - 一种应用于光电传感网络中的事件触发异步状态估计算法 - Google Patents

一种应用于光电传感网络中的事件触发异步状态估计算法 Download PDF

Info

Publication number
CN111083661A
CN111083661A CN201911254383.4A CN201911254383A CN111083661A CN 111083661 A CN111083661 A CN 111083661A CN 201911254383 A CN201911254383 A CN 201911254383A CN 111083661 A CN111083661 A CN 111083661A
Authority
CN
China
Prior art keywords
value
event
fusion center
measurement
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
CN201911254383.4A
Other languages
English (en)
Other versions
CN111083661B (zh
Inventor
陈烨
路绳方
高阳
焦良葆
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.)
Shuyang Tianbao Industry And Trade Co ltd
Original Assignee
Nanjing Institute of Technology
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 Nanjing Institute of Technology filed Critical Nanjing Institute of Technology
Priority to CN201911254383.4A priority Critical patent/CN111083661B/zh
Publication of CN111083661A publication Critical patent/CN111083661A/zh
Application granted granted Critical
Publication of CN111083661B publication Critical patent/CN111083661B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/30—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
    • H04W24/00—Supervisory, monitoring or testing arrangements
    • H04W24/02—Arrangements for optimising operational condition
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W24/00—Supervisory, monitoring or testing arrangements
    • H04W24/06—Testing, supervising or monitoring using simulated traffic
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Testing Or Calibration Of Command Recording Devices (AREA)

Abstract

本发明公开了一种应用于光电传感网络中的事件触发异步状态估计算法，包括步骤：1)建立异步传感网络目标状态估计动态模型，设定初值；2)建立事件触发机制；3)在动态模型引入事件触发机制，利用贝叶斯估计得到k时刻的目标状态估计值及其估计误差、量测值；4)将量测值以增广形式Zk表示，计算量测噪声与过程噪声的协方差，判断得到过程噪声与量测噪声相关；5)利用修正Kalman滤波算法，得到融合中心最终在k时刻关于目标状态的估计值及其估计方差；6)重复3)至5)，计算下一时刻的目标状态的估计值及其估计方差。本发明可根据实际指标需求，选取合适的门限阈值，节省了系统通信资源和能源消耗，同时保证估计的精度。

Description

一种应用于光电传感网络中的事件触发异步状态估计算法
技术领域
本发明属于信息处理方面状态估计技术领域，具体涉及一种应用于光电传感网络中的事件触发异步状态估计算法。
背景技术
如图1所示，光电探测网主要通过激光、红外、可见光谱段的光电传感器实现目标信息的获取，并以有线或无线通信的方式实现各探测器与融合中心间的信息交互，负责探测信息运动信息等任务。在一类通用异步光电传感网络中，各光电传感器对目标状态进行估计，并将量测信息发送至融合中心，进而进行状态估计。
状态估计是根据可获取的量测数据估算动态系统内部状态的方法。对系统的输入和输出进行量测而得到的数据只能反映系统的外部特性，而系统的动态规律需要用内部(通常无法直接测量)状态变量来描述，因此状态估计对于了解和控制一个系统具有重要意义。
发明内容
发明目的：针对现有技术中存在的问题，本发明公开一种应用于光电传感网络中的事件触发异步状态估计算法，在光电传感网络状态估计中加入了事件触发机制，再经Kalman滤波算法修正，在保证估计精度的同时，降低通信能耗，节约通信资源。
技术方案：本发明采用如下技术方案：一种应用于光电传感网络中的事件触发异步状态估计算法，其特征在于，包括如下步骤：
步骤A、异步传感器网络中传感器数目为N，在(tk-1，tk]时间段内共有Nk个量测值，建立目标状态估计的非线性动态模型，设定初值，得到该模型的目标状态变化方程、量测方程和融合中心的累积量测值集合
Figure BDA0002308031730000011
步骤B、建立事件触发机制，在相应事件触发后，控制各传感器与融合中心间的信息交互过程；
步骤C、在所述步骤A的动态模型中引入事件触发机制，各传感器通过事件触发机制判断是否将完整量测值发送至融合中心，若不发送则由融合中心产生虚拟量测值，利用贝叶斯估计得到融合中心在k时刻的目标状态预测估计值
Figure BDA0002308031730000012
及其估计误差Pk|k-1、量测值
Figure BDA0002308031730000013
步骤D、综合所有量测值以增广形式Zk表示，令Zk＝Hkx(tk)+ηk，计算量测噪声ηk与过程噪声w(tk，tk-1)的协方差
Figure BDA0002308031730000021
得到：在事件触发机制下的异步传感器网络信息融合问题中，过程噪声与量测噪声相关；
步骤E、基于所述步骤D的结论，利用修正Kalman滤波算法，得到融合中心最终在k时刻关于目标状态xk的估计值
Figure BDA0002308031730000022
及其估计方差Pk|k；
步骤F、重复所述步骤C至E，计算下一时刻的目标状态的估计值及其估计方差。
优选的，所述步骤A中目标状态变化方程为：
x(tk)＝Φ(tk，tk-1)x(tk-1)+w(tk，tk-1)
其中，x(tk)表示目标在tk时刻的状态，x(tk-1)表示目标在tk-1时刻的状态，Φ(tk，tk-1)表示状态转移矩阵，w(tk，tk-1)表示过程噪声，为零均值高斯白噪声，方差为Q(tk，tk-1)；
所述量测方程为：
Figure BDA0002308031730000023
其中，
Figure BDA0002308031730000024
表示传感器i在时刻
Figure BDA0002308031730000025
量测得到的第j个量测值，
Figure BDA0002308031730000026
表示相应的量测矩阵，
Figure BDA0002308031730000027
表示零均值高斯量测噪声，方差为Ri；
所述融合中心在k时刻及以前得到的累积量测值集合为：
Figure BDA0002308031730000028
其中，
Figure BDA00023080317300000220
表示融合中心在(tk-1，tk]时间段内得到的量测值集合。
优选的，所述过程噪声w(tk，tk-1)、量测噪声
Figure BDA0002308031730000029
初值x(0)相互独立。
优选的，所述步骤B中事件触发机制为：
Figure BDA00023080317300000210
其中，
Figure BDA00023080317300000211
表示
Figure BDA00023080317300000212
时刻的量测值
Figure BDA00023080317300000213
是否发送至融合中心，
Figure BDA00023080317300000214
表示待定矩阵，δi表示门限因子；
若
Figure BDA00023080317300000215
传感器i发送量测值
Figure BDA00023080317300000216
至融合中心，若
Figure BDA00023080317300000217
融合中心生成虚拟量测值
Figure BDA00023080317300000218
其中，
Figure BDA00023080317300000219
其中，
Figure BDA0002308031730000031
表示与
Figure BDA0002308031730000032
w(tk，tk-1)互不相关且在区域
Figure BDA0002308031730000033
内均匀分布的随机变量。
优选的，所述步骤C中融合中心在k时刻的目标状态预测估计值为：
Figure BDA0002308031730000034
估计误差为：
Pk|k-1＝Φ(tk，tk-1)Pk-1|k-1ΦT(tk，tk-1)+Q(tk，tk-1)
其中，融合中心在k-1时刻状态估计值为
Figure BDA0002308031730000035
相应的估计方差为Pk-1|k-1；
在时间段(tk-1，tk]内，融合中心收到关于传感器i在
Figure BDA0002308031730000036
时刻的量测值可统一为：
Figure BDA0002308031730000037
其中，
Figure BDA0002308031730000038
优选的，所述步骤E中，融合中心最终在k时刻关于目标状态xk的最终估计值为：
Figure BDA0002308031730000039
估计方差为：
Figure BDA00023080317300000310
其中，
Figure BDA00023080317300000311
为量测噪声ηk的方差。
优选的，所述步骤B中事件触发机制的参数为：
Figure BDA00023080317300000312
Figure BDA00023080317300000313
其中，
Figure BDA00023080317300000314
表示矩阵
Figure BDA00023080317300000315
的迹。
有益效果：本发明在异步传感网络状态估计算法中引入了事件触发机制，并利用修正Kalman滤波算法，传感器与融合中心间的通信量仅为原来的四分之一左右，通信量大幅降低，节省了系统通信资源和能源消耗；同时可根据实际指标需求，选取合适的门限阈值，进而保证估计的精度。
附图说明
图1为通用异步光电传感网络进行状态估计的示意图；
图2为本发明方法的流程图；
图3为异步传感网络引入事件触发机制后的整体系统框图；
图4为异步光电探测网有无事件触发机制时的目标位置及速度估计精度图，其中图4a为目标位置估计精度图，其中图4b为目标速度估计精度图；
图5为异步光电探测网有无事件触发机制时传感器与融合中心间通信量图，其中图5a为无事件触发机制时的通信量图，其中图5b为有事件触发机制时的通信量图；
图6为事件触发机制中不同门限阈值下的目标位置及速度估计精度图，其中图6a为目标位置估计精度图，其中图6b为目标速度估计精度图；
图7为事件触发机制中不同低门限阈值下的通信量图，其中图7a为阈值为5时，图7b为阈值为10时，图7c为阈值为15时；
图8为事件触发机制中不同高门限阈值下的通信量图，其中图8a为阈值为20时，图8b为阈值为25时，图8c为阈值为30时；
图9为事件触发机制中不同门限阈值下异步传感器与融合中心间的总通信量图。
具体实施方式
下面结合附图对本发明作更进一步的说明。
本发明公开了一种应用于光电传感网络中的事件触发异步状态估计算法，如图2所示，包括如下步骤：
步骤A、异步传感器网络中传感器数目为N，在(tk-1，tk]时间段内共有Nk个量测值，建立目标状态估计的非线性动态模型，设定初值，得到该模型的目标状态变化方程、量测方程和融合中心的累积量测值集合
Figure BDA0002308031730000041
其中，目标状态变化方程为：
x(tk)＝Φ(tk，tk-1)x(tk-1)+w(tk，tk-1) (1)
其中，x(tk)表示目标在tk时刻的状态，x(tk-1)表示目标在tk-1时刻的状态，Φ(tk，tk-1)表示状态转移矩阵，w(tk，tk-1)表示过程噪声，为零均值高斯白噪声，方差为Q(tk，tk-1)。
量测方程为：
Figure BDA0002308031730000042
其中，
Figure BDA0002308031730000051
表示传感器i在时刻
Figure BDA0002308031730000052
量测得到的第j个量测值，
Figure BDA0002308031730000053
表示相应的量测矩阵，
Figure BDA0002308031730000054
表示零均值高斯量测噪声，方差为Ri，且w(tk，tk-1)、
Figure BDA0002308031730000055
x(0)相互独立。
融合中心在k时刻及以前得到的累积量测值集合为：
Figure BDA0002308031730000056
其中，
Figure BDA00023080317300000524
表示融合中心在(tk-1，tk]时间段内得到的量测值集合。
步骤B、建立事件触发机制，在相应事件触发后，控制各传感器与融合中心间的信息交互过程，减少通信量。
其中，事件触发机制为：
Figure BDA0002308031730000057
其中，
Figure BDA0002308031730000058
表示
Figure BDA0002308031730000059
时刻的量测值
Figure BDA00023080317300000510
是否发送至融合中心，等于1，表示触发条件满足，传感器i发送量测值
Figure BDA00023080317300000511
至融合中心；等于0，表示触发条件不满足，传感器i不发送量测值
Figure BDA00023080317300000512
至融合中心，
Figure BDA00023080317300000513
表示待定矩阵，δi表示门限因子，δi越大，表示量测值
Figure BDA00023080317300000514
发送至融合中心的概率越小，反之，越大。
引入事件触发机制后，整体系统框图如图3所示。
当传感器i在时刻k触发条件不满足时，不发送量测值
Figure BDA00023080317300000515
至融合中心，此时相当于融合中心生成虚拟量测值
Figure BDA00023080317300000516
Figure BDA00023080317300000517
其中，
Figure BDA00023080317300000518
为虚拟量测值，
Figure BDA00023080317300000519
表示与
Figure BDA00023080317300000520
w(tk，tk-1)互不相关且在区域
Figure BDA00023080317300000521
内均匀分布的随机变量。
Figure BDA00023080317300000522
对应的虚拟量测噪声协方差阵为：
Figure BDA00023080317300000523
步骤C、在步骤A的动态模型中引入事件触发机制，各传感器通过事件触发机制判断是否将完整量测值发送至融合中心，若不发送则由融合中心产生虚拟量测值，利用贝叶斯估计得到融合中心在k时刻的目标状态预测估计值
Figure BDA0002308031730000061
及其估计误差Pk|k-1、量测值
Figure BDA0002308031730000062
C1、时间更新
假设融合中心在k-1时刻状态估计值为
Figure BDA0002308031730000063
相应的估计方差为Pk-1|k-1，则利用贝叶斯估计公式可得，融合中心在k时刻的目标状态预测估计值为：
Figure BDA0002308031730000064
相应的估计误差协方差阵为：
Figure BDA0002308031730000065
C2、量测更新
引入事件触发机制后，融合中心在k时刻所得量测值可分以下两种情形进行讨论。
1)若
Figure BDA0002308031730000066
即在(tk-1，tk]时间段内传感器i的量测值
Figure BDA0002308031730000067
满足触发条件，
Figure BDA0002308031730000068
发送至融合中心，相应量测噪声协方差阵为Ri；
2)若
Figure BDA0002308031730000069
则
Figure BDA00023080317300000610
不再发送至融合中心，此时融合中心按事件触发机制生成虚拟量测值
Figure BDA00023080317300000611
相应的量测噪声协方差阵为
Figure BDA00023080317300000612
统一1)、2)可得，时间段(tk-1，tk]内，融合中心收到关于传感器i在
Figure BDA00023080317300000613
时刻的量测值可统一为：
Figure BDA00023080317300000614
由(1)式可得：
Figure BDA00023080317300000615
代入式(8)，可得：
Figure BDA00023080317300000616
其中，
Figure BDA00023080317300000617
步骤D、综合所有量测值以增广形式Zk表示，令Zk＝Hkx(tk)+ηk，计算量测噪声ηk与过程噪声w(tk，tk-1)的协方差
Figure BDA0002308031730000071
得到：在事件触发机制下的异步传感器网络信息融合问题中，过程噪声与量测噪声相关。
在(tk-1，tk]时间段内共有Nk个量测值。将Nk个量测值以增广形式表示如下：
Figure BDA0002308031730000072
则关于Zk的量测方程可表示为：
Zk＝Hkx(tk)+ηk (12)
其中，
Figure BDA0002308031730000073
这里，
Figure BDA0002308031730000074
按相应量测时刻由小到大排列，传感器序号由小到大排列，
Figure BDA0002308031730000075
量测噪声ηk的期望E[ηk]＝0，不妨设j＜s，
Figure BDA0002308031730000076
可得：
Figure BDA0002308031730000077
其中，1i＝q表示当i＝q时，取值为1，反之为0。
则ηk的方差为：
Figure BDA0002308031730000078
由于
Figure BDA0002308031730000079
量测噪声ηk与过程噪声w(tk，tk-1)的协方差为：
Figure BDA00023080317300000710
由上式可得，在事件触发机制下的异步传感器信息融合问题中，过程噪声与量测噪声相关。
步骤E、基于步骤D的结论，利用修正Kalman滤波算法，得到融合中心最终在k时刻关于目标状态xk的估计值及其估计方差。
融合中心在k时刻关于xk的估计值：
Figure BDA0002308031730000081
相应估计误差协方差阵：
Figure BDA0002308031730000082
这里，
Figure BDA0002308031730000083
步骤F、重复所述步骤C至E，计算下一时刻的目标状态的估计值及其估计方差。
为保证估计误差有界性，可令事件触发机制(3)中的参数为：
Figure BDA0002308031730000084
Figure BDA0002308031730000085
Figure BDA0002308031730000086
其中
Figure BDA0002308031730000087
表示矩阵
Figure BDA0002308031730000088
的迹。
以下实施例为验证本发明所公开的一种应用于光电传感网络中的事件触发异步状态估计算法的有效性，将本发明所提算法应用于某异步光电探测网。设传感器1量测周期为0.2s，传感器2量测周期为0.4s，均从0时刻开始对运动目标状态进行量测。目标运动方程如下：
xk+1＝Φkxk+wk
其中目标状态向量xk＝[xpos xvel ypos yvel hpos hve1]T，
Figure BDA0002308031730000089
Δ＝0.1s为采样间隔，wk为零均值高斯过程噪声，其方差为
Figure BDA00023080317300000810
其中，q＝1为噪声强度，融合周期Tfusion＝0.5s。
传感器1、2量测方程为：
Figure BDA0002308031730000091
其中，
Figure BDA0002308031730000092
表示k时刻第l个传感器的量测值，
Figure BDA0002308031730000093
为零均值高斯量测噪声，其方差为Ri＝10·I3。
为说明本发明所提事件触发机制的有效性，将本发明所提出的事件触发机制下异步传感网络状态估计方法与无触发机制下的异步状态网络状态估计方法进行比较，蒙特卡罗仿真次数为1000。
传感器1、2触发条件门限阈值定为15时，如图4、图5所示，其中图4a为目标位置估计精度图，图4b为目标速度估计精度图，图5a为无事件触发机制时的通信量图，图5b为有事件触发机制时的通信量图，引入事件触发机制后，传感器与融合中心间的通信量仅为原来的四分之一左右，通信量大幅降低，节省了系统通信资源和能源消耗；而融合中心对目标位置及速度的估计精度略有降低，但在一定范围之内。
为进一步说明本发明所提事件触发机制中门限阈值与估计精度及通信量间的关系，给出不同门限阈值下的估计精度及通信量如图6-8所示，估计精度及通信量均为蒙特卡洛仿真统计意义下的平均值，其中，图6a为目标位置估计精度图，图6b为目标速度估计精度图，图7a为阈值为5时的通信量图，图7b为阈值为10时的通信量图，图7c为阈值为15时的通信量图，图8a为阈值为20时的通信量图，图8b为阈值为25时的通信量图，图8c为阈值为30时的通信量图。
传感器1、2与融合中心间的总通信量与门限阈值间的关系如图9所示，柱状图上所标数字为总通信量数值。
由图6可得：随着事件触发机制门限阈值的不断增加，融合中心估计的目标运动位置和速度的均方根误差越大，估计精度不断降低但在一定范围之内，且估计误差不会发散；与此同时，由图7～9可得：随着事件触发机制门限阈值的不断增加，传感器与融合中心间的通信量不断降低，但降低的幅度逐渐减小，降低了系统的通信负担及所需能耗。在应用于具体某系统时，我们可根据实际指标需求，选取合适的门限阈值，进而在保证估计精度符合要求的同时，降低通信能耗，节约通信资源。
以上所述仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (7)

1.一种应用于光电传感网络中的事件触发异步状态估计算法，其特征在于，包括如下步骤：
步骤A、异步传感器网络中传感器数目为N，在(tk-1，tk]时间段内共有Nk个量测值，建立目标状态估计的非线性动态模型，设定初值，得到该模型的目标状态变化方程、量测方程和融合中心的累积量测值集合
Figure FDA0002308031720000011
步骤B、建立事件触发机制，在相应事件触发后，控制各传感器与融合中心间的信息交互过程；
步骤C、在所述步骤A的动态模型中引入事件触发机制，各传感器通过事件触发机制判断是否将完整量测值发送至融合中心，若不发送则由融合中心产生虚拟量测值，利用贝叶斯估计得到融合中心在k时刻的目标状态预测估计值
Figure FDA0002308031720000012
及其估计误差Pk|k-1、量测值
Figure FDA0002308031720000013
步骤D、综合所有量测值以增广形式Zk表示，令Zk＝Hkx(tk)+ηk，计算量测噪声ηk与过程噪声w(tk，tk-1)的协方差
Figure FDA0002308031720000014
得到：在事件触发机制下的异步传感器网络信息融合问题中，过程噪声与量测噪声相关；
步骤E、基于所述步骤D的结论，利用修正Kalman滤波算法，得到融合中心最终在k时刻关于目标状态xk的估计值
Figure FDA0002308031720000015
及其估计方差Pk|k；
步骤F、重复所述步骤C至E，计算下一时刻的目标状态的估计值及其估计方差。
2.根据权利要求1所述的一种应用于光电传感网络中的事件触发异步状态估计算法，其特征在于，所述步骤A中目标状态变化方程为：
x(tk)＝Φ(tk，tk-1)x(tk-1)+w(tk，tk-1)
其中，x(tk)表示目标在tk时刻的状态，x(tk-1)表示目标在tk-1时刻的状态，Φ(tk，tk-1)表示状态转移矩阵，w(tk，tk-1)表示过程噪声，为零均值高斯白噪声，方差为Q(tk，tk-1)；
所述量测方程为：
Figure FDA0002308031720000016
其中，
Figure FDA0002308031720000017
表示传感器i在时刻
Figure FDA0002308031720000018
量测得到的第j个量测值，
Figure FDA0002308031720000019
表示相应的量测矩阵，
Figure FDA00023080317200000110
表示零均值高斯量测噪声，方差为Ri；
所述融合中心在k时刻及以前得到的累积量测值集合为：
Figure FDA0002308031720000021
其中，
Figure FDA0002308031720000022
表示融合中心在(tk-1，tk]时间段内得到的量测值集合。
3.根据权利要求2所述的一种应用于光电传感网络中的事件触发异步状态估计算法，其特征在于，所述过程噪声w(tk，tk-1)、量测噪声
Figure FDA0002308031720000023
初值x(0)相互独立。
4.根据权利要求2所述的一种应用于光电传感网络中的事件触发异步状态估计算法，其特征在于，所述步骤B中事件触发机制为：
Figure FDA0002308031720000024
其中，
Figure FDA0002308031720000025
表示
Figure FDA0002308031720000026
时刻的量测值
Figure FDA0002308031720000027
是否发送至融合中心，
Figure FDA0002308031720000028
表示待定矩阵，δi表示门限因子；
若
Figure FDA0002308031720000029
传感器i发送量测值
Figure FDA00023080317200000210
至融合中心，若
Figure FDA00023080317200000211
融合中心生成虚拟量测值
Figure FDA00023080317200000212
其中，
Figure FDA00023080317200000213
其中，
Figure FDA00023080317200000214
表示与
Figure FDA00023080317200000215
w(tk，tk-1)互不相关且在区域
Figure FDA00023080317200000216
内均匀分布的随机变量。
5.根据权利要求4所述的一种应用于光电传感网络中的事件触发异步状态估计算法，其特征在于，所述步骤C中融合中心在k时刻的目标状态预测估计值为：
Figure FDA00023080317200000217
估计误差为：
Pk|k-1＝Φ(tk，tk-1)Pk-1|k-1ΦT(tk，tk-1)+Q(tk，tk-1)
其中，融合中心在k-1时刻状态估计值为
Figure FDA00023080317200000218
相应的估计方差为Pk-1|k-1；
在时间段(tk-1，tk]内，融合中心收到关于传感器i在
Figure FDA00023080317200000219
时刻的量测值可统一为：
Figure FDA00023080317200000220
其中，
Figure FDA00023080317200000221
6.根据权利要求5所述的一种应用于光电传感网络中的事件触发异步状态估计算法，其特征在于，所述步骤E中，融合中心最终在k时刻关于目标状态xk的最终估计值为：
Figure FDA0002308031720000031
估计方差为：
Figure FDA0002308031720000032
其中，
Figure FDA0002308031720000033
Figure FDA0002308031720000034
为量测噪声ηk的方差。
7.根据权利要求6所述的一种应用于光电传感网络中的事件触发异步状态估计算法，其特征在于，所述步骤B中事件触发机制的参数为：
Figure FDA0002308031720000035
Figure FDA0002308031720000036
其中，
Figure FDA0002308031720000037
Figure FDA0002308031720000038
表示矩阵
Figure FDA0002308031720000039
的迹。
CN201911254383.4A 2019-12-09 2019-12-09 一种应用于光电传感网络中的事件触发异步状态估计方法 Active CN111083661B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911254383.4A CN111083661B (zh) 2019-12-09 2019-12-09 一种应用于光电传感网络中的事件触发异步状态估计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911254383.4A CN111083661B (zh) 2019-12-09 2019-12-09 一种应用于光电传感网络中的事件触发异步状态估计方法

Publications (2)

Publication Number Publication Date
CN111083661A true CN111083661A (zh) 2020-04-28
CN111083661B CN111083661B (zh) 2022-06-17

Family

ID=70313491

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911254383.4A Active CN111083661B (zh) 2019-12-09 2019-12-09 一种应用于光电传感网络中的事件触发异步状态估计方法

Country Status (1)

Country Link
CN (1) CN111083661B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111883265A (zh) * 2020-06-30 2020-11-03 南京理工大学 一种应用于火控系统的目标状态估计方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7884754B1 (en) * 2006-04-28 2011-02-08 The United States Of America As Represented By The Secretary Of The Navy Method of distributed estimation using multiple asynchronous sensors
US20140335889A1 (en) * 2013-05-07 2014-11-13 Deutsche Telekom Ag Method and devices for determining the position of a mobile communication device
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
CN107659989A (zh) * 2017-10-24 2018-02-02 东南大学 无线传感器网络节点分布式测量休眠和目标跟踪方法
CN107832575A (zh) * 2017-10-10 2018-03-23 中国航空无线电电子研究所 基于伪测量的带反馈机动目标异步航迹融合算法
CN109696669A (zh) * 2018-12-24 2019-04-30 北京理工大学 一种相关噪声环境下事件触发的多传感器融合估计方法
CN109728795A (zh) * 2018-12-24 2019-05-07 哈尔滨理工大学 未知概率情形下具有数据丢失的时变事件触发滤波方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7884754B1 (en) * 2006-04-28 2011-02-08 The United States Of America As Represented By The Secretary Of The Navy Method of distributed estimation using multiple asynchronous sensors
US20140335889A1 (en) * 2013-05-07 2014-11-13 Deutsche Telekom Ag Method and devices for determining the position of a mobile communication device
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
CN107832575A (zh) * 2017-10-10 2018-03-23 中国航空无线电电子研究所 基于伪测量的带反馈机动目标异步航迹融合算法
CN107659989A (zh) * 2017-10-24 2018-02-02 东南大学 无线传感器网络节点分布式测量休眠和目标跟踪方法
CN109696669A (zh) * 2018-12-24 2019-04-30 北京理工大学 一种相关噪声环境下事件触发的多传感器融合估计方法
CN109728795A (zh) * 2018-12-24 2019-05-07 哈尔滨理工大学 未知概率情形下具有数据丢失的时变事件触发滤波方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
LINGLING ZHANG等: "A distributed energy-efficient target tracking algorithm based on event-triggered strategy for sensor networks", 《2018 33RD YOUTH ACADEMIC ANNUAL CONFERENCE OF CHINESE ASSOCIATION OF AUTOMATION (YAC)》 *
MARZIEH KOOSHKBAGHI等: "Event-Triggered State Estimation of High Dimensional Nonlinear Systems With Highly Nonlinear State Space Model Using Cubature Kalman Filter", 《 2019 IEEE CANADIAN CONFERENCE OF ELECTRICAL AND COMPUTER ENGINEERING (CCECE)》 *
李亚洁: "事件触发非均匀传输NCS鲁棒容错与通讯的满意协同设计", 《中国优秀博硕士学位论文全文数据库(博士)信息科技辑》 *
陈烨: "网络化防空火控系统中的事件触发机制研究", 《中国优秀博硕士学位论文全文数据库(博士)工程科技Ⅱ辑》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111883265A (zh) * 2020-06-30 2020-11-03 南京理工大学 一种应用于火控系统的目标状态估计方法

Also Published As

Publication number Publication date
CN111083661B (zh) 2022-06-17

Similar Documents

Publication Publication Date Title
US20190195631A1 (en) Positioning method, positioning device, and robot
JP2022500617A (ja) ＩＭＵに基づくｕｗｂ測位異常値処理方法
CN111896029A (zh) 一种基于组合算法的mems陀螺随机误差补偿方法
CN108614533A (zh) 一种基于narx模型和时滞估计的神经网络建模方法
CN108871365B (zh) 一种航向约束下的状态估计方法及系统
CN112325880A (zh) 分布式平台相对定位方法、装置、计算机设备和存储介质
CN108896456B (zh) 基于反馈型rbf神经网络的气溶胶消光系数反演方法
CN111083661B (zh) 一种应用于光电传感网络中的事件触发异步状态估计方法
CN104280047A (zh) 一种多传感器融合的陀螺漂移滤波系统及方法
CN113392518A (zh) 估计车辆重量的方法和装置
CN111678513A (zh) 一种超宽带/惯导紧耦合的室内定位装置与系统
CN113029136B (zh) 定位信息处理的方法、设备、存储介质及程序产品
CN113375697B (zh) 基于最大后验估计的x射线脉冲星信号时延估计方法
CN108450007A (zh) 使用廉价惯性传感器的冗余阵列的高性能惯性测量
CN117490722A (zh) 一种多传感器外参的确定方法、装置、电子设备及介质
CN116929343A (zh) 位姿估计方法、相关设备及存储介质
CN107886058B (zh) 噪声相关的两阶段容积Kalman滤波估计方法及系统
CN115727871A (zh) 一种轨迹质量检测方法、装置、电子设备和存储介质
CN112697146B (zh) 一种基于稳健回归的航迹预测方法
CN111222086A (zh) 一种基于全信息滤波技术的时变系统递推状态估计方法
CN114660587A (zh) 基于Jerk模型的跳跃滑翔弹道目标跟踪方法及系统
CN114705223A (zh) 多移动智能体在目标跟踪中的惯导误差补偿方法及系统
Zhang et al. Noise identification and analysis in MEMS sensors using an optimized variable step Allan variance
CN112683216B (zh) 用于生成车辆长度信息的方法、装置、路侧设备和云控平台
Hu A tutorial on Bayesian sequential data assimilation for dynamic data driven simulation

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
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20230625

Address after: 223600 Liuzhai Industrial Zone, sangxu Town, Shuyang County, Suqian City, Jiangsu Province

Patentee after: Shuyang Tianbao Industry and Trade Co.,Ltd.

Address before: 1 No. 211167 Jiangsu city of Nanjing province Jiangning Science Park Hongjing Road

Patentee before: NANJING INSTITUTE OF TECHNOLOGY