CN111398900A

CN111398900A - 基于事件驱动的传声器网络分布式滤波方法及系统

Info

Publication number: CN111398900A
Application number: CN202010156045.3A
Authority: CN
Inventors: 刘永桂; 戴文丰; 胡小青
Original assignee: South China University of Technology SCUT
Current assignee: South China University of Technology SCUT
Priority date: 2020-03-09
Filing date: 2020-03-09
Publication date: 2020-07-10
Anticipated expiration: 2040-03-09
Also published as: CN111398900B

Abstract

本发明公开了一种基于事件驱动的传声器网络分布式滤波方法及系统，该方法包括下述步骤：构建分布式声阵列传感器网络；建立传声器节点间的拓扑通信链接结构，设定事件触发条件阈值；确定初始状态的各个初始值；对于k时刻，每个传声器获取自身的最新状态估计值、当前状态估计值和实际误差协方差；设定事件驱动的触发机制；构建k+1时刻的声源目标的状态估计方程，结合事件触发机制更新状态估计值；更新最小误差协方差上界；采用所述最小误差协方差上界求解状态估计方程中的测量增益和状态误差增益，对声源目标进行状态估计。本发明能提高传声器节点信息利用效率，实现对声源目标的准确跟踪。

Description

基于事件驱动的传声器网络分布式滤波方法及系统

技术领域

本发明涉及声源目标跟踪技术领域，具体涉及一种基于事件驱动的传声器网络分布式滤波方法及系统。

背景技术

声阵列传感器网络目标跟踪技术是以声源信息来跟踪目标的技术，目前广泛应用于视频电话会议、智能机器人、声源监控、反狙击步枪等领域。声阵列传感器网络涉及到多个传声器节点间的相互通信，一般采用分布式卡尔曼滤波的处理方法。然而现有的大多数分布式声阵列传感器网络都隐含地采用了周期性的时间驱动策略，传声器在每个时刻都向其相邻传声器传播其估计值，因此，由于每个周期的频繁通信，整个传感器网络需要大量的通信成本。并且，这种周期性的时间驱动策略可能会导致不必要的传声器信息传输，从而浪费声阵列传感器网络的带宽资源。此外，传感器节点之间频繁的信息通信可能会导致严重的网络拥塞，进一步导致网络中的数据包丢失或通信延迟。

发明内容

为了克服现有技术的缺点和不足，本发明提供一种基于事件驱动的传声器网络分布式滤波方法及系统，通过设定事件触发通信协议，当事件触发时，传声器节点才传输信息到相邻节点，在降低传声器节点之间的通信负载和能量消耗同时，又能精准地跟踪声源目标轨迹。本发明根据事件触发的机制调整分布式声阵列传感器网络的估计方程，采用测量增益和分布式状态误差增益同时进行修正声源目标的状态估计值，并以所有节点联合矩阵的方式求解最小误差协方差上界作为更新，实现对声源目标的准确跟踪，提高传声器节点信息利用效率，从而使分布式声阵列传感器网络系统以高效的方式运作。

为了达到上述目的，本发明采用以下技术方案：

本发明提供一种基于事件驱动的传声器网络分布式滤波方法，包括下述步骤：

构建分布式声阵列传感器网络；

根据所述分布式声阵列传感器网络建立传声器节点间的拓扑通信链接结构；

确定声源目标的初始值、声源目标初始状态估计集合、初始状态协方差矩阵、初始时刻和初始预测误差协方差矩阵；

对于k时刻，每个传声器获取自身的最新状态估计值、当前状态估计值和实际误差协方差；

设定事件驱动的触发机制，每个传声器节点设定事件触发条件阈值；

构建k+1时刻的声源目标的状态估计方程，结合事件触发机制更新状态估计值；

更新最小误差协方差上界；

采用所述最小误差协方差上界求解状态估计方程中的测量增益和状态误差增益，对声源目标进行状态估计。

作为优选的技术方案，所述构建声阵列传感器网络，包括构建声源目标的状态方程和传声器节点的测量方程，具体表示为：

x_k+1＝F_kx_k+G_kw_k

z_i,k＝H_i,kx_k+v_i,k i＝1,2,…,N

其中，

表示声源目标状态向量，

表示传声器节点i对声源的测量向量，F_k、G_k表示状态转移矩阵，H_i,k表示传声器节点i的测量转移矩阵，w_k表示过程噪声，v_i,k表示测量噪声。

作为优选的技术方案，所述建立传声器节点间的拓扑通信链接结构，具体表示为：

其中，

表示N个传声器测量被估计的声源目标状态，ε表示传声器节点间互相通信连接的关系，

表示传声器节点间两两连接的关系。

作为优选的技术方案，所述设定事件驱动的触发机制，具体表示为：

其中，

表示最新事件时刻的声源目标状态估计值，

表示当前时刻的声源目标状态估计值，δ_i表示事件触发条件阈值，

时，触发事件发生。

作为优选的技术方案，所述构建k+1时刻的声源目标的状态估计方程，具体表示为：

其中，K_i,k表示测量增益，C_ij,k表示估计增益，z_i,k表示传声器节点i对声源的测量向量，F_k、G_k表示状态转移矩阵，H_i,k表示传声器节点i的测量转移矩阵，

表示最新事件时刻的状态估计值，

表示当前时刻的声源目标状态估计值，a_ij表示传声器节点间两两连接的关系；

所述结合事件触发机制更新状态估计值，具体步骤为：判定为事件不触发时，各传声器节点采用最近事件时刻的状态估计值，事件触发，各传声器节点则从所有邻居传声器接收当前状态估计值，并更新为最新事件时刻的状态估计值。

作为优选的技术方案，所述更新最小误差协方差上界，具体表示为：

其中，

本发明还提供一种基于事件驱动的传声器网络分布式滤波系统，包括：声阵列传感器网络构建模块、传声器节点通信链接结构建立模块、初始化模块、传声器状态估计模块、触发机制设定模块、状态估计方程构建模块、最小误差协方差上界更新模块和声源目标状态估计模块；

所述声阵列传感器网络构建模块用于构建分布式声阵列传感器网络；

所述传声器节点通信链接结构建立模块用于根据所述分布式声阵列传感器网络建立传声器节点间的拓扑通信链接结构；

所述初始化模块用于确定声源目标的初始值、声源目标初始状态估计集合、初始状态协方差矩阵、初始时刻和初始预测误差协方差矩阵；

所述传声器状态估计模块用于获取k时刻每个传声器自身的最新状态估计值、当前状态估计值和实际误差协方差；

所述触发机制设定模块用于设定事件驱动的触发机制和给每个传声器节点设定事件触发条件阈值；

所述状态估计方程构建模块用于构建k+1时刻的声源目标的状态估计方程，结合事件触发机制更新状态估计值；

最小误差协方差上界更新模块用于更新最小误差协方差上界；

所述声源目标状态估计模块用于将所述最小误差协方差上界求解状态估计方程中的测量增益和状态误差增益，对声源目标进行状态估计。

本发明与现有技术相比，具有如下优点和有益效果：

(1)本发明采用了基于事件触发的机制来驱动节点进行通信的技术方案，解决了分布式声阵列传感器网络下传声器频繁通信造成通信负载加剧的技术问题，能够有效降低传声器间的通信负载以及声阵列传感器网络的能量消耗。

(2)本发明结合分布式声阵列传感器网络的拓扑结构以及事件驱动机制，选择合适的声源目标的状态估计方程，充分利用自身节点测量和状态估计信息以及相邻节点的状态估计信息，能够准确地预测声源目标下一时刻状态。

(3)本发明采用测量增益和分布式状态误差增益同时进行修正声源目标的状态估计值，能够提高声源目标跟踪准确度。

附图说明

图1为本实施例基于事件驱动的传声器网络分布式滤波方法的流程示意图；

图2为本实施例声源的位置和各个节点估计位置的示意图；

图3为本实施例声源的速度和各个节点估计速度的示意图；

图4为本实施例分布式声阵列传感器网络各个节点的触发时刻示意图；

图5为本实施例不同阈值下的实际误差协方差和误差协方差上界示意图；

图6为本实施例相同通信率下三种方法的均方根误差对比示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

实施例

如图1所示，本实施例提供一种基于事件驱动的传声器网络分布式滤波方法，包括下述步骤：

S1、本实施例构建以下声阵列传感器网络，其声源目标的状态方程和传声器节点的测量方程是：

x_k+1＝F_kx_k+G_kw_k

z_i,k＝H_i,kx_k+v_i,k i＝1,2,…,N

式中

表示声源目标状态向量，

表示传声器节点i对声源的测量向量，F_k、G_k表示状态转移矩阵，H_i,k表示传声器节点i的测量转移矩阵。假定过程噪声w_k和测量噪声v_i,k是分别具有协方差矩阵Q_k和R_i,k的零均值高斯白噪声，且两者不相关；

S2、由分布式声阵列传感器网络建立传声器节点间的拓扑通信链接结构

为每个传声器节点设定事件触发的条件阈值δ_i，用N个传声器测量被估计的声源目标状态，记作

表示传声器节点间互相通信连接的关系，两两连接的表示矩阵记作

当两传声器有通信连接时a_ij＞0，当两传声器无通信连接a_ij＝0，每两个传声器节点的邻居节点加上其自身节点表示为

S3、确定声源目标的初始值、声源目标初始状态估计集合

初始状态协方差矩阵P₀、初始时刻k＝0、初始预测误差协方差矩阵P_i,0＝P₀；

S4、对于k时刻，每个传声器获取自身的最新状态估计值

和当前状态估计值

以及实际误差协方差P_i,k；

S5、对于设定事件驱动的触发机制为：

式中

表示最近事件时间的声源目标状态估计值，

表示当前时刻的声源目标状态估计值。只要

满足，就会触发该事件；

S6、构建k+1时刻，传声器节点i对声源目标的状态估计方程：

其中K_ik是测量增益，C_ijk是估计增益，是本实施例需要设计的部分，结合事件触发机制，当

时，事件不触发，各传声器节点使用最新事件时刻的状态估计值

当

时，事件触发，各传声器节点则从所有邻居传声器接收当前状态估计值

并更新为最新事件时刻的状态估计值

S7、更新最小误差协方差上界Ξ_k+1：

其中，

具体计算如下：

首先定义如下变量：当前事件时间状态估计误差

最近事件时间状态估计误差

事件驱动后的估计误差

本实施例将所有传声器节点以集值的方式重新表示

可以得到以下集值声源状态估计误差方程：

其中：

在时刻k+1处的声源目标状态估计误差协方差矩阵P_k计算如下：

其中，

根据声源目标状态估计方程

中的噪声w_k和v_i,k互不相关的性质，可以得到：

由此，

对于

通过使用基本不等式(α^(1/2)M-α^(-1/2)N)(α^(1/2)M-α^(-1/2)N)^T≥0，其中M，N是具有相同维数并且是正标量的矩阵，可以得出以下不等式：

另外，在基于事件驱动的条件下，如果满足触发条件，则状态估计误差e_k将立即重置为零。因此，始终满足不等式

应用矩阵运算的性质，可以得到：

于是有：

可以得到状态估计误差协方差的不等式：

由此得到了状态估计误差协方差上界的迭代方程，记作：

由于此实施例实际误差协方差的不确定性，本实施例使用最小误差协方差上界作为代替值进行卡尔曼滤波方差更新。

S8、最小化误差协方差上界来求解状态估计方程中的测量增益

和状态误差增益

本实施例计算下述公式两侧的迹：

要使误差协方差上界最小，对测量增益

和状态误差增益

分别求偏导；

根据矩阵的运算性质，对上述公式做具体运算

为了解上述联合方程，将集值方程拆分成单个节点的方程，于是得到：

其中，

进行求解，得到：

其中，

考虑定义A_i＝diag{a_i1I_n,...,a_iNI_n}以及

Θ_i,k是奇异矩阵(Nn×Nn)，所以必须对Θ_i,k做特殊处理再计算

从Θ_i,k中删除相应的零行零列，组成非奇异矩阵

再计算其逆矩阵

最后将零值填充进被删除的行和列，将这样处理的Θ_i,k的逆记作[Θ_i,k]^-1。

由求解得到的

和

进一步得到

和

带入协方差上界的迭代方程，此时得到的值为最小误差协方差上界。求解出来的测量增益

和状态误差增益

带入状态估计方程，由此对声源目标进行状态估计。

为了证明本实施例基于事件驱动的传声器网络分布式滤波方法的优势，和目前已有方法进行比较说明。

为了方便描述，对相关事件触发的分布式卡尔曼滤波跟踪方法进行如下简单定义：

现有的方法一：基于测量值误差事件触发的分布式卡尔曼滤波方法；

现有的方法二：基于状态估计值误差事件触发的次优分布式卡尔曼滤波方法；

方法三：基于事件驱动的传声器网络分布式滤波方法(本实施例方法)。

本实施例建立具体的声阵列传感器网络模型，考虑以下二阶系统：

状态

是二维向量，x₁(k)表示声源的位置(m)，x₂(k)表示声源的速度(m/s)，时间步k从1到100，将

带入状态估计方程，过程噪声的协方差矩阵是

初始状态是

本实施例设置初始状态协方差矩阵P_i,0＝diag{2,0}，事件驱动的阈值设为δ_i＝0.1，正值标量设为α＝0.1。

本实施例使用4个传声器节点来测量被估计声源的两个状态，4个节点记作

两两通信连接关系是：ε＝{(1,1),(1,2),(2,1),(2,2),(2,3),(3,1),(3,3),(4,1),(4,4)}，通信的两节点权重a_ij＝1。传声器测量方程的转移矩阵分别是：

H_1,k＝[0.82 0.62+cos(0.12k)]

H_2,k＝[0.75+0.05sin(0.1k) 0.80]

H_3,k＝[0.74+0.05sin(0.1k) 0.75+0.05cos(0.1k)]

H_4,k＝[0.75 0.65]

以及测量噪声的协方差都为R_i,k＝1，初始状态估计值为

初始预测误差协方差矩阵P_i,0＝P₀，对于所有节点初始条件都是相同的；

根据实施例方法的步骤对具体的声阵列传感器网络模型进行仿真，如图2所示，图中显示了一次仿真中声源目标的实际位置和所有节点的估计位置，如图3所示，图中显示了一次仿真中声源目标的实际速度和所有节点的估计速度，这说明本实施例设计的滤波方法可以有效地跟踪声源的位置和速度，如图4所示，图中表示为一次运行中每个传声器节点的触发时刻。

如图5所示，图中显示了在不同阈值下，经过1000次蒙特卡洛模拟运行的实际误差协方差P_k及其上界Ξ_k，实际误差协方差P_k总是始终低于误差协方差上界Ξ_k，这表明本实施例提出的卡尔曼滤波方法具有很好的稳定性能，同时给出不同阈值下的平均通信率，如下表1所示，阈值越大，事件触发越稀疏，传输数据通信率也越少。

表1：不同阈值下的平均通信率结果表

阈值δ<sub>i</sub>	0.02	0.06	0.1	0.2	0.4	0.6
							平均通信率	0.8548	0.6181	0.4789	0.2848	0.1296	0.0833

为了证明本实施例的分布式卡尔曼滤波方法性能的优越性，本实施例采用目标估计的均方根误差(RMSE)

来评估三种方法的优劣性。为了减少随机误差，本实施例同样在对比性能仿真中进行了1000次蒙特卡罗模拟，如图6所示，通信率都为0.5时的RMSE对比。可以看出现有方法一(基于测量值误差事件触发的分布式卡尔曼滤波方法)的平均估计误差在这三种算法中最差，因为现有方法一中节点与其他邻居节点交换是测量信息，现有方法二(基于状态估计值误差事件触发的次优分布式卡尔曼滤波方法)和现有方法三(本实施例基于事件驱动的传声器网络分布式滤波方法)节点与其他邻居节点交换状态估计信息，说明状态估计信息在事件触发机制下给出更多修正。并且本实施例处理的测量增益矩阵和状态估计误差增益矩阵被认为是独立变量，并基于最小化误差协方差矩阵联合求解得到，因此，方法三的平均均方根误差最小，这表明本实施例方法具有较优的性能。

上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。