CN111601269B - 一种基于信息新鲜度判断事件触发卡尔曼一致性滤波方法 - Google Patents
一种基于信息新鲜度判断事件触发卡尔曼一致性滤波方法 Download PDFInfo
- Publication number
- CN111601269B CN111601269B CN202010410159.6A CN202010410159A CN111601269B CN 111601269 B CN111601269 B CN 111601269B CN 202010410159 A CN202010410159 A CN 202010410159A CN 111601269 B CN111601269 B CN 111601269B
- Authority
- CN
- China
- Prior art keywords
- information
- cluster
- node
- age
- representing
- 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
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
- H04W84/00—Network topologies
- H04W84/18—Self-organising networks, e.g. ad-hoc networks or sensor networks
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明提出了一种基于信息新鲜度判断的事件触发卡尔曼一致性滤波方法,所述方法包括:步骤1、在多簇头无线传感器网络中,通过计算数据包的信息年龄对所述信息的新鲜度进行度量,获得簇内所有节点产生的数据包的平均信息年龄;步骤2、计算所述平均信息年龄的最小值,获得信息年龄最小值;步骤3、将所述信息年龄最小值作为事件触发阈值,建立基于信息新鲜度约束的事件触发卡尔曼一致性滤波算法模型,计算目标系统的估计值。
Description
技术领域
本发明提出了一种基于信息新鲜度判断的事件触发卡尔曼一致性滤波方法,属于滤波技术领域。
背景技术
随着民航事业的快速发展,安全舒适的机舱环境已成为飞机设计者关注的重点之一,乘客和机组人员也对机舱环境提出了更高的要求。一旦狭窄封闭的客舱或货舱发生机械故障,管道破裂或密封失效,舱内环境可能受到污染,导致乘客和机组人员出现头晕、头痛等不良状况,甚至导致严重的神经系统疾病,这将严重威胁飞行安全。因此,及时的对机舱环境状态进行检测是保证乘客与机组人员生命健康的重要前提。随着无线传感技术的发展,WSN融合了无线传感技术、无线通信、信息融合等多个学科技术。目前,WSN在环境试验、军事、卫生、农业、空间探测等领域显示出了巨大的应用价值和广阔的商业前景。作为一种新兴的信息应用技术,WSN通过无线传输和信息交互实现了对被检测对象的物理信息的协同感知和处理功能,为实时监测和快速处理检测数据,缩短检测时间提供了直接、有效、真实的信息支持。此外,一些特定的无线传感器网络,如近程无线传感器网络,也可用于监测未来飞机行业狭窄和复杂的机舱环境。在利用WSN检测技术来监测污染物浓度时,检测系统实际运行时往往因障碍物干扰、数据丢包和网络带宽限制等因素的影响而难以准确检测出污染物浓度值。
分布式容错控制能够有效解决系统中存在的扰动和干扰问题。同时,分布式无线传感器网络中的分布式状态估计算法也是在有干扰存在的网络系统中研究的热点。分布式卡尔曼一致性滤波算法因其具有收敛速度快、融合精度高和强鲁棒性等特点而被广泛关注。但是,在真实环境中,由于网络带宽限制、节点能量限制、外界恶劣环境等影响因素的存在,数据包在传输过程中不可避免的会出现丢包和路径损耗现象。在非理想环境中,卡尔曼滤波器的性能无法得到有效保证,时常发生数据包丢失和路径损耗,这两者是影响滤波算法精度及检测系统稳定性的主要因素。同时,实际应用中,带宽总是有限的,网络带宽限制是影响检测网络使用寿命的关键因素。解决上述问题的一个可行方法是在综合考虑系统数据丢包和路径损耗的情况下,将事件触发机制引入到KCF中。
发明内容
本发明提供了一种基于信息新鲜度判断的事件触发卡尔曼一致性滤波方法,用以解决现有分布式卡尔曼一致性滤波算法中存在数据包丢失和路径损耗的问题,同时将最小平均信息年龄作为事件触发阈值,有效降低了检测系统的通信损耗,所采取的技术方案如下:
一种基于信息新鲜度判断的事件触发卡尔曼一致性滤波方法,所述方法包括:
步骤1、在多簇头无线传感器网络中,通过计算信息年龄(age of information,AoI)对所述信息的新鲜度进行度量,获得簇内所有节点产生的数据包的平均信息年龄;
步骤2、计算所述簇内所有节点产生的数据包的平均信息年龄的最小值,获得信息年龄最小值;
步骤3、将所述信息年龄最小值作为事件触发阈值,建立基于信息新鲜度约束的事件触发卡尔曼一致性滤波算法模型,计算目标系统的估计值。
进一步地,所述多簇头无线传感器网络中,各节点采样生成的数据包大小相同。
进一步地,各所述节点在采样时间区间(0,T1)内所有数据包的平均信息年龄与下一个采样时间区间(T1,T)内所有数据包的平均信息年龄相同,其中,0<T1<T。
进一步地,步骤1所述获得簇内所有节点产生的数据包的平均信息年龄的过程包括:
步骤101、利用公式(1)计算在连续时间区间(0,T)内,所述多簇头无线传感器网络的平均信息年龄:
其中,ΔT表示所述多簇头无线传感器网络的平均信息年龄;T表示采样时刻;Δ(t)表示信息年龄,并且Δ(t)=t-U(t);t表示采样时长,U(t)表示最新一次数据包生成的时间戳;
步骤102、将所述公式(1)分解为几个不相交的几何区域之和,选取连续时间区间(0,T)段的所述几何区域对所述平均信息年龄进行分析;获得所述簇内所有节点产生的数据包的平均信息年龄,所述簇内所有节点产生的数据包的平均信息年龄如公式(2):
其中,Δ表示簇内所有节点产生的数据包的平均信息年龄;l表示对所述多簇头无线传感器网络中的源节点的能量供给率;X表示数据包在链路中消耗的时间;Y表示两个连续数据包到达目的节点时的时间间隔;E[XY]表示X,Y乘积的均值;E[Y2]表示Y2均值。
进一步地,步骤102中的对所述平均信息年龄进行分析的过程包括:
步骤1021、在连续时间区间(0,T)内,上述不相交几何区域Qw的面积之和S为:
其中,w表示采样次数,且满足w∈{1,2,……,N(T)};Qw表示在时间间隔Yw下的信息年龄;此时,当w≥2时所述时间间隔Yw下的信息年龄Qw被视作一个几何区域;
步骤1022、利用公式(4)计算所述一个几何区域Qw的面积,所述一个几何区域Qw的面积SQw为:
其中,Yw表示时间间隔;Xw-1表示数据包在链路中消耗的时间;
根据所述趋近条件和所述平均信息年龄与所述几何区域面积之和的关系,将所述多簇头无线传感器网络的平均信息年龄的公式形式变换为:
其中,Q1表示采样次数为1时的信息年龄,N(T)表示最大采样次数;
步骤1024、利用Xw-1和Yw的相互独立性,获得如下关系式(6),并根据所述关系式(6)获得所述簇内所有节点产生的数据包的平均信息年龄;其中,所述关系式(6)如下:
进一步地,步骤2所述获得信息年龄最小值的过程包括:
步骤201、计算第w次采样生成的数据包从生产到传送至目的节点,消耗的时间Xw为:
Xw=Sw+Ww (7)
其中,Sw代表数据包的服务时间,Ww代表数据包在系统中等待的时间;
步骤202、利用所述平均信息年龄的最小化定理一,对所述簇内所有节点产生的数据包的平均信息年龄进行转换,转换后的所述簇内所有节点产生的数据包的平均信息年龄的表达式如公式(8):
其中,1/μ为数据包在系统内的平均服务时间。
步骤203、利用所述平均信息年龄的最小化定理二对转换后的所述簇内所有节点产生的数据包的平均信息年龄进行最小化;获得信息年龄最小值为:
进一步地,步骤202所述最小化定理一为:所述多簇头无线传感器网络中的源节点在第w次采样形成的数据包自在tw时刻生成后立即被传向目的节点,数据包在系统中的延迟为0,Xw等于Sw。
进一步地,步骤203所述最小化定理二为:n项式之和为一定值M,当每项值均为M/n时,n项式平方和的最小值为M2/n。
进一步地,,步骤3所述获得估计值模型的过程包括:
步骤302、在多簇头无线传感器网络中,利用所述簇内的各成员传感器节点检测目标状态信息;
步骤303、所述各成员传感器节点发送信息mi={ui,Ui}及相应的时间戳给簇头传感器节点;m为簇头传感器节点总数;i表示簇头传感器节点;ui和Ui分别表示数据包内的加权测量矩阵和信息矩阵;
步骤304、各所述簇头传感器节点利用公式(10)对所述成员传感器节点发送的信息以及所述簇头传感器节点可连接到的相邻节点发送的信息进行信息融合:
其中,和分别表示在k时刻下,簇i的邻居节点接收到观测数据包和通信数据包的成功概率;和分别表示数据包内的加权测量矩阵和信息矩阵;为系统测量矩阵;为观测噪声协方差矩阵;代表测量误差;和分别表示融合自身与邻居节点后的加权测量矩阵和信息矩阵;j表示节点i的某一邻居节点;Ni表示节点i的所有邻居节点的集合;Uj k表示节点j向i传输的信息矩阵,uj k表示节点j向i传输的测量矩阵。
步骤305、利用公式(11)对所述数据包的信息新鲜度进行检验:
其中,表示所述卡尔曼一致性滤波目标系统的最新估计值;表示所述卡尔曼一致性滤波目标系统的最新估计值的前一个估计值;在时将最新估计值进行传输,否则一致性计算将使用前一个估计值,该估计值不被传输,减少了网络能耗;
步骤307、各所述簇头传感器节点更新误差协方差矩阵和估计增益矩阵,更新后的所述误差协方差矩阵和估计增益矩阵为:
其中,Mi k表示更新后的误差协方差矩阵,Pi k+1表示更新后的估计增益矩阵;Qi k表示过程噪声协方差矩阵;A和B分别表示具有适当维数的系统矩阵;
步骤308、利用所述更新后的误差协方差矩阵和估计增益矩阵计算卡尔曼一致性滤波目标系统的估计值,所述估计值模型为:
其中,Δ*为信息年龄最小值;代表源节点q在某次采样后生成的数据包的信息年龄;1/λq i表示在簇i的q成员节点上,数据包生成的时间间隔;1/μi表示数据包在系统中的平均服务时间;和分别表示观测数据包和通信数据包的成功到达率;Ci k表示一致性增益;θij表示簇头节点i和簇头节点j之间的路径损耗率;和分别表示融合自身与邻居节点后的加权测量矩阵和信息矩阵;表示邻居节点j的目标状态向量;
步骤309、返回步骤302并循环执行步骤302至步骤308的内容。
本发明有益效果:
本发明提出的一种基于信息新鲜度判断的事件触发卡尔曼一致性滤波方法用于监测舱内污染物浓度,通过在事件触发机制中度量和判断状态更新数据的新鲜程度,有效降低了系统对过期信息的传输成本,对于节约网络能耗,延长检测系统寿命。同时,本发明所述方法综合考虑数据丢包和路径损耗对算法稳定性的影响,使检测算法具有较强的容错性。
附图说明
图1为本发明所述方法的流程图;
图2为本发明所述方法的仿真图一;
图3为本发明所述方法的仿真图二;
图4为本发明所述方法的仿真图三;
图5为本发明所述方法的仿真图四。
具体实施方式
以下结合附图对本发明的优选实施例进行说明,应当理解,此处所描述的优选实施例仅用于说明和解释本发明,并不用于限定本发明。
本发明实施例提供了一种基于信息新鲜度判断事件触发卡尔曼一致性滤波方法,用以解决现有分布式卡尔曼一致性滤波算法中存在的网络能量约束问题:
本实施例中,一种基于信息新鲜度判断事件触发卡尔曼一致性滤波方法,如图1所示,所述方法包括:
步骤1、在多簇头无线传感器网络中,通过计算信息年龄(ageofinformation,AoI)对所述信息的新鲜度进行度量,获得簇内所有节点产生的数据包的平均信息年龄;
步骤2、计算所述簇内所有节点产生的数据包的平均信息年龄的最小值,获得信息年龄最小值;
步骤3、将所述信息年龄最小值作为事件触发阈值,建立基于信息新鲜度约束的事件触发卡尔曼一致性滤波算法模型,计算目标系统的估计值。
其中,所述多簇头无线传感器网络中,各节点采样生成的数据包大小相同。各所述节点在采样时间区间(0,T1)内所有数据包的平均信息年龄与下一个采样时间区间(T1,T)内所有数据包的平均信息年龄相同,其中,0<T1<T。
步骤1所述获得簇内所有节点产生的数据包的平均信息年龄的过程包括:
步骤101、利用公式(1)计算在连续时间区间(0,T)内,所述多簇头无线传感器网络的平均信息年龄:
其中,ΔT表示所述多簇头无线传感器网络的平均信息年龄;T表示采样时刻;Δ(t)表示信息年龄,并且Δ(t)=t-U(t);t表示采样时长,U(t)表示最新一次数据包生成的时间戳;
步骤102、将所述公式(1)分解为几个不相交的几何区域之和,选取连续时间区间(0,T)段的所述几何区域对所述平均信息年龄进行分析;获得所述簇内所有节点产生的数据包的平均信息年龄,所述簇内所有节点产生的数据包的平均信息年龄如公式(2):
其中,Δ表示簇内所有节点产生的数据包的平均信息年龄;l表示对所述多簇头无线传感器网络中的源节点的能量供给率;X表示数据包在链路中消耗的时间;Y表示两个连续数据包到达目的节点时的时间间隔;E[XY]表示X,Y乘积的均值;E[Y2]表示Y2均值。
其中,步骤102中的对所述平均信息年龄进行分析的过程包括:
步骤1021、在连续时间区间(0,T)内,上述不相交几何区域Qw的面积之和S为:
其中,w表示采样次数,且满足w∈{1,2,……,N(T)};Qw表示在时间间隔Yw下的信息年龄;此时,w≥2时所述时间间隔Yw下的信息年龄Qw被视作一个几何区域;
其中,Yw表示时间间隔;Xw-1表示数据包在链路中消耗的时间;
根据所述趋近条件和所述平均信息年龄与所述几何区域面积之和的关系,将所述多簇头无线传感器网络的平均信息年龄的公式形式变换为:
其中,Q1表示采样次数为1时的信息年龄,N(T)表示最大采样次数;
步骤1024、利用Xw-1和Yw的相互独立性,获得如下关系式(6),并根据所述关系式(6)获得所述簇内所有节点产生的数据包的平均信息年龄;其中,所述关系式(6)如下:
步骤2所述获得信息年龄最小值的过程包括:
步骤201、计算第w次采样生成的数据包从生产到传送至目的节点,消耗的时间Xw为:
Xw=Sw+Ww (7)
其中,Sw代表数据包的服务时间,Ww代表数据包在系统中等待的时间;
步骤202、利用所述平均信息年龄的最小化定理一,对所述簇内所有节点产生的数据包的平均信息年龄进行转换,转换后的所述簇内所有节点产生的数据包的平均信息年龄的表达式如公式(8):
其中,1/μ为数据包在系统内的平均服务时间。
步骤203、利用所述平均信息年龄的最小化定理二对转换后的所述簇内所有节点产生的数据包的平均信息年龄进行最小化;获得信息年龄最小值为:
其中,步骤202所述最小化定理一为:所述多簇头无线传感器网络中的源节点在第w次采样形成的数据包自在tw时刻生成后立即被传向目的节点,数据包在系统中的延迟为0,Xw等于Sw。
步骤203所述最小化定理二为:n项式之和为一定值M,当每项值均为M/n时,n项式平方和的最小值为M2/n。
步骤3所述获得估计值模型的过程包括:
步骤302、在多簇头无线传感器网络中,利用所述簇内的各成员传感器节点检测目标状态信息;
步骤303、所述各成员传感器节点发送信息mi={ui,Ui}及相应的时间戳给簇头传感器节点;m为簇头传感器节点总数;i表示簇头传感器节点;ui和Ui分别表示数据包内的加权测量矩阵和信息矩阵;
步骤304、各所述簇头传感器节点利用公式(10)对所述成员传感器节点发送的信息以及所述簇头传感器节点可连接到的相邻节点发送的信息进行信息融合:
其中,和分别表示伯努利过程型二进制变量;和分别表示在k时刻下,簇i的邻居节点接收到观测数据包和通信数据包的成功概率;和分别表示数据包内的加权测量矩阵和信息矩阵;为系统测量矩阵;为观测噪声协方差矩阵;代表测量误差;和分别表示融合自身与邻居节点后的加权测量矩阵和信息矩阵,j表示节点i的某一邻居节点;Ni表示节点i的所有邻居节点的集合;Uj k表示节点j向i传输的信息矩阵,uj k表示节点j向i传输的测量矩阵。
步骤305、利用公式(11)对所述数据包的信息新鲜度进行检验:
其中,表示所述卡尔曼一致性滤波目标系统的最新估计值;表示所述卡尔曼一致性滤波目标系统的最新估计值的前一个估计值;在时将最新估计值进行传输,否则一致性计算将使用前一个估计值,该估计值不被传输,减少了网络能耗;
步骤307、各所述簇头传感器节点更新误差协方差矩阵和估计增益矩阵,更新后的所述误差协方差矩阵和估计增益矩阵为:
其中,Mi k表示更新后的误差协方差矩阵,Pi k+1表示更新后的估计增益矩阵;Qi k表示过程噪声协方差矩阵;A和B分别表示具有适当维数的系统矩阵;
步骤308、利用所述更新后的误差协方差矩阵和估计增益矩阵计算卡尔曼一致性滤波目标系统的估计值,所述估计值模型为:
其中,Δ*为信息年龄最小值;代表源节点q在某次采样后生成的数据包的信息年龄;1/λq i表示在簇i的q成员节点上,数据包生成的时间间隔;1/μi表示数据包在系统中的平均服务时间;和分别表示观测数据包和通信数据包的成功到达率;Ci k表示一致性增益;θij表示簇头节点i和簇头节点j之间的路径损耗率;和分别表示融合自身与邻居节点后的加权测量矩阵和信息矩阵;表示邻居节点j的目标状态向量;
步骤309、返回步骤302并循环执行步骤302至步骤308的内容。
本实施例所述方法的仿真图如图2至图5所示,图2至图5表示本发明所述滤波方法(FCET-KCF)与传统滤波方法(ET-KCF和KCF)之间的指标比较;具体的,如图2所示,当存在丢包和路径损耗时,KCF会发散,而本发明提出的FCET-KCF算法仍然可以稳定收敛。如图3所示,在数据丢包和路径损耗存在的情况下,FCET-KCF的平均一致性误差大大低于局部卡尔曼滤波算法的误差值。通过图2和图3中的仿真结果可看出本发明提出的FCET-KCF方法能在实际系统中更准确的检测出污染物浓度。如图4是FCET-KCF算法和ET-KCF算法的能耗对比仿真图,如图4所示,FCET-KCF在大约采样350步后消尽节点能量,而ET-KCF在大约100步后消尽能量。仿真结果表明基于信息新鲜度判断的事件触发卡尔曼一致性滤波算法可以在确保检测算法稳定的基础上,减缓系统带宽压力,节约了系统能量。图5中的仿真曲线代表当检测系统分别采用ET-KCF算法与FCET-KCF算法时,系统能量损耗与采样步数之间的关系。仿真结果表明在系统采样步数相同的情况下FCET-KCF算法的能量损耗较少,具有节约网络能量的性能。
本实施例提出的一种基于信息新鲜度判断的事件触发卡尔曼一致性滤波方法,综合考虑无线传感器网络中的观测丢包、通信丢包和路径损耗问题,与传统的卡尔曼一致滤波器相比,该方法对随机故障具有较强的容错能力。同时为了增强检测系统的实时性并降低系统能耗,本发明引入事件触发机制,基于检测系统对采样信息的新鲜度进行判断,确保检测结果能够实时反映舱内污染物浓度状况;并减少了网络对不新鲜数据包的传输,实现节约能量损耗的目标。同时,该方法能够在系统存在丢包和路径损耗下精准、及时的对舱内污染物浓度进行检测,极大程度上降低了网络的能量损耗。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (3)
1.一种基于信息新鲜度判断的事件触发卡尔曼一致性滤波方法,其特征在于,所述方法包括:
步骤1、在多簇头无线传感器网络中,通过计算数据包信息年龄对所述信息的新鲜度进行度量,获得簇内所有节点产生的数据包的平均信息年龄;
步骤2、计算所述簇内所有节点产生的数据包的平均信息年龄的最小值,获得信息年龄最小值;
步骤3、将所述信息年龄最小值作为事件触发阈值,建立基于信息新鲜度约束的事件触发卡尔曼一致性滤波算法模型,计算目标系统的估计值;
步骤1所述获得簇内所有节点产生的数据包的平均信息年龄的过程包括:
步骤101、利用公式(1)计算在连续时间区间(0,T)内,所述多簇头无线传感器网络的平均信息年龄:
其中,ΔT表示所述多簇头无线传感器网络的平均信息年龄;T表示采样时刻;Δ(t)表示信息年龄,并且Δ(t)=t-U(t);t表示采样时长,U(t)表示最新一次数据包生成的时间戳;
步骤102、将所述公式(1)分解为几个不相交的几何区域之和,选取连续时间区间(0,T)段的所述几何区域对所述平均信息年龄进行分析;获得所述簇内所有节点产生的数据包的平均信息年龄,所述簇内所有节点产生的数据包的平均信息年龄如公式(2):
其中,Δ表示簇内所有节点产生的数据包的平均信息年龄;l表示对所述多簇头无线传感器网络中的源节点的能量供给率;X表示数据包在链路中消耗的时间;Y表示两个连续数据包到达目的节点时的时间间隔;E[XY]表示X,Y乘积的均值;E[Y2]表示Y2的均值;
步骤102中的对所述平均信息年龄进行分析的过程包括:
步骤1021、在连续时间区间(0,T)内,上述不相交几何区域Qw的面积之和S为:
其中,w表示采样次数,且满足w∈{1,2,……,N(T)};Qw表示在时间间隔Yw下的信息年龄;此时,当w≥2时,所述时间间隔Yw下的信息年龄Qw被视作一个几何区域;
步骤1022、利用公式(4)计算所述一个几何区域Qw的面积,所述一个几何区域Qw的面积SQw为:
其中,Yw表示两个连续数据包到达目的节点时的时间间隔;Xw-1表示数据包在链路中消耗的时间;
根据所述趋近条件和所述平均信息年龄与所述几何区域面积之和的关系,将所述多簇头无线传感器网络的平均信息年龄的公式形式变换为:
其中,Q1表示采样次数为1时的信息年龄,N(T)表示最大采样次数;
步骤1024、利用Xw-1和Yw的相互独立性,获得如下关系式(6),并根据所述关系式(6)获得所述簇内所有节点产生的数据包的平均信息年龄;其中,所述关系式(6)如下:
其中,E[SQw]表示所有Qw区域面积之和的均值,即所有数据包的平均信息年龄;
步骤2所述获得信息年龄最小值的过程包括:
步骤201、计算第w次采样生成的数据包从生产到传送至目的节点,消耗的时间Xw为:
Xw=Sw+Ww (7)
其中,Sw代表数据包的服务时间,Ww代表数据包在系统中等待的时间;
步骤202、利用所述平均信息年龄的最小化定理一,对所述簇内所有节点产生的数据包的平均信息年龄进行转换,转换后的所述簇内所有节点产生的数据包的平均信息年龄的表达式如公式(8):
其中,1/μ为数据包在系统内的平均服务时间,Y表示两个连续数据包到达目的节点时的时间间隔;
步骤203、利用所述平均信息年龄的最小化定理二对转换后的所述簇内所有节点产生的数据包的平均信息年龄进行最小化;获得信息年龄最小值为:
步骤203所述最小化定理二为:n项式之和为一定值M,当每项值均为M/n时,n项式平方和的最小值为M2/n;
步骤3获得估计值模型的过程包括:
步骤302、在多簇头无线传感器网络中,利用所述簇内的各成员传感器节点检测目标状态信息;
步骤303、所述各成员传感器节点发送信息mi={ui,Ui}及相应的时间戳给簇头传感器节点;m为簇头传感器节点总数;i表示簇头传感器节点;ui和Ui分别表示数据包内的加权测量矩阵和信息矩阵;
步骤304、各所述簇头传感器节点利用公式(10)对所述成员传感器节点发送的信息以及所述簇头传感器节点可连接到的相邻节点发送的信息进行信息融合:
其中,和分别表示在k时刻下,簇i的邻居节点成功接收到其观测数据包和通信数据包的概率;和分别表示数据包内的加权测量矩阵和信息矩阵;为系统测量矩阵;为观测噪声协方差矩阵;代表测量误差;和分别表示融合自身与邻居节点后的加权测量矩阵和信息矩阵,j表示节点i的某一邻居节点;Ni表示节点i的所有邻居节点的集合;Uj k表示节点j向i传输的信息矩阵,uj k表示节点j向i传输的测量矩阵;
步骤305、利用公式(11)对所述数据包的信息新鲜度进行检验:
其中,表示所述卡尔曼一致性滤波目标系统的最新估计值;表示所述卡尔曼一致性滤波目标系统的最新估计值的前一个估计值;在时将最新估计值进行传输,否则一致性计算将使用前一个估计值,该估计值不被传输,减少了网络能耗;
步骤307、各所述簇头传感器节点更新误差协方差矩阵和估计增益矩阵,更新后的所述误差协方差矩阵和估计增益矩阵为:
其中,Mi k表示更新后的误差协方差矩阵,Pi k+1表示更新后的估计增益矩阵;Qi k表示过程噪声协方差矩阵;A和B分别表示具有适当维数的系统矩阵;
步骤308、利用所述更新后的误差协方差矩阵和估计增益矩阵计算卡尔曼一致性滤波目标系统的估计值,所述估计值模型为:
其中,Δ*为信息年龄最小值;代表源节点q在某次采样后生成的数据包的信息年龄;1/λqi表示在簇i的q成员节点上,数据包生成的时间间隔;1/μi表示数据包在系统中的平均服务时间;和分别表示观测数据包和通信数据包的成功到达率;Cik表示一致性增益;θij表示簇头节点i和簇头节点j之间的路径损耗率;和分别表示融合自身与邻居节点后的加权测量矩阵和信息矩阵;表示邻居节点j的目标状态向量;
步骤309、返回步骤302并循环执行步骤302至步骤308的内容。
2.根据权利要求1所述方法,其特征在于,所述多簇头无线传感器网络中,各节点采样生成的数据包大小相同。
3.根据权利要求1所述方法,其特征在于,各所述节点在采样时间区间(0,T1)内所有数据包的平均信息年龄与下一个采样时间区间(T1,T)内所有数据包的平均信息年龄相同,其中,0<T1<T,T表示采样时刻。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010410159.6A CN111601269B (zh) | 2020-05-15 | 2020-05-15 | 一种基于信息新鲜度判断事件触发卡尔曼一致性滤波方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010410159.6A CN111601269B (zh) | 2020-05-15 | 2020-05-15 | 一种基于信息新鲜度判断事件触发卡尔曼一致性滤波方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111601269A CN111601269A (zh) | 2020-08-28 |
CN111601269B true CN111601269B (zh) | 2022-02-11 |
Family
ID=72190999
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010410159.6A Active CN111601269B (zh) | 2020-05-15 | 2020-05-15 | 一种基于信息新鲜度判断事件触发卡尔曼一致性滤波方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111601269B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112134602B (zh) * | 2020-09-23 | 2021-12-21 | 中国人民解放军陆军工程大学 | 一种大规模mimo系统中用户状态信息的更新方法 |
CN112888004B (zh) * | 2021-02-08 | 2022-10-25 | 华南理工大学 | 一种物联网中多源节点信息更新的信息年龄优化方法 |
CN113055910B (zh) * | 2021-03-08 | 2022-05-17 | 国网能源研究院有限公司 | 平均信息年龄最小化射频驱动网络优化方法、系统及装置 |
CN113316215B (zh) * | 2021-07-13 | 2022-10-11 | 山东协和学院 | 基于无线能量的数据传输方法及系统 |
CN114039918B (zh) * | 2021-10-09 | 2023-07-18 | 广东技术师范大学 | 一种信息年龄优化方法、装置、计算机设备及存储介质 |
CN117713750B (zh) * | 2023-12-14 | 2024-05-17 | 河海大学 | 一种基于分数次幂的一致性卡尔曼滤波状态估计方法 |
CN117895920B (zh) * | 2024-03-13 | 2024-05-17 | 南京工业大学 | 通信链路故障下传感器网络分布式一致性卡尔曼滤波方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20160064256A (ko) * | 2014-11-26 | 2016-06-08 | 충북대학교 산학협력단 | 링크 점유율을 이용한 무선 센서 네트워크의 저전력 라우팅 방법 및 이를 기록한 기록매체 |
CN110032711A (zh) * | 2019-04-22 | 2019-07-19 | 中南大学 | 一种基于参数动态调节的快速卡尔曼在线检测滤波方法 |
CN110856264A (zh) * | 2019-11-08 | 2020-02-28 | 山东大学 | 一种在传感器网络中最优化信息年龄的分布式调度方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101888671B (zh) * | 2010-02-10 | 2014-07-16 | 上海交通大学 | 能量有效的目标跟踪方法 |
GB2487435A (en) * | 2011-01-24 | 2012-07-25 | Webstech Aps | Enhanced wireless sensor location estimation using multiple location estimates and at least one measured medium characteristic |
EP3016352B1 (en) * | 2014-11-03 | 2019-02-06 | Fujitsu Limited | Method of managing sensor network |
CN106878375B (zh) * | 2016-12-22 | 2019-06-07 | 中国民航大学 | 一种基于分布式组合传感器网络的座舱污染物监测方法 |
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 |
-
2020
- 2020-05-15 CN CN202010410159.6A patent/CN111601269B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20160064256A (ko) * | 2014-11-26 | 2016-06-08 | 충북대학교 산학협력단 | 링크 점유율을 이용한 무선 센서 네트워크의 저전력 라우팅 방법 및 이를 기록한 기록매체 |
CN110032711A (zh) * | 2019-04-22 | 2019-07-19 | 中南大学 | 一种基于参数动态调节的快速卡尔曼在线检测滤波方法 |
CN110856264A (zh) * | 2019-11-08 | 2020-02-28 | 山东大学 | 一种在传感器网络中最优化信息年龄的分布式调度方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111601269A (zh) | 2020-08-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111601269B (zh) | 一种基于信息新鲜度判断事件触发卡尔曼一致性滤波方法 | |
EP2266254B1 (en) | Available bandwidth estimation in a packet-switched communication network | |
CN112821940B (zh) | 一种基于星间链路属性的卫星网络动态路由方法 | |
CN106612289A (zh) | 一种基于sdn的网络协同异常检测方法 | |
CN106878375A (zh) | 一种基于分布式组合传感器网络的座舱污染物监测方法 | |
CN101655561A (zh) | 基于联合卡尔曼滤波的多点定位数据与雷达数据融合方法 | |
US20110313958A1 (en) | System and method for empirical ensemble-based virtual sensing of particulates | |
CN101286872A (zh) | 无线传感器网络中分布式入侵检测方法 | |
Senapati et al. | Composite fault diagnosis methodology for urban vehicular ad hoc network | |
CN108494594A (zh) | 一种eigrp路由网络故障的分析方法和系统 | |
CN110188837A (zh) | 一种基于模糊神经的mvb网络故障诊断方法 | |
CN110825112B (zh) | 基于多无人机的油田动态侵入目标追踪系统与方法 | |
Wu et al. | Online dynamic event region detection using distributed sensor networks | |
Sanagavarapu et al. | Sdpredictnet-a topology based sdn neural routing framework with traffic prediction analysis | |
CN111542010A (zh) | 基于分类自适应估计加权融合算法的wsn数据融合方法 | |
Wang et al. | Collaborative event-region and boundary-region detections in wireless sensor networks | |
CN108459933B (zh) | 一种基于深度递归网络的大数据计算机系统故障检测方法 | |
CN116761194B (zh) | 一种无线通信网络中警务协同通信优化系统及方法 | |
CN110113723B (zh) | 基于无线传感网络的飞机舱内环境参数测量估计方法 | |
CN111883265A (zh) | 一种应用于火控系统的目标状态估计方法 | |
CN115077594B (zh) | 基于lstm和近邻信任机制的蜂群无人机故障检测方法 | |
Wang et al. | Freshness constraints of an age of information based event-triggered Kalman consensus filter algorithm over a wireless sensor network | |
CN116295583A (zh) | 传感器异常数据修正方法、装置、设备及可读存储介质 | |
Banerjee et al. | Energy efficient change detection over a MAC using physical layer fusion | |
Yan et al. | Distributed target tracking using consensus-based Bayesian filtering by underwater acoustic sensor networks |
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 |