CN114372237B - 一种分布式状态估计方法 - Google Patents
一种分布式状态估计方法 Download PDFInfo
- Publication number
- CN114372237B CN114372237B CN202111543301.5A CN202111543301A CN114372237B CN 114372237 B CN114372237 B CN 114372237B CN 202111543301 A CN202111543301 A CN 202111543301A CN 114372237 B CN114372237 B CN 114372237B
- Authority
- CN
- China
- Prior art keywords
- node
- state estimation
- result
- local state
- information
- 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
- 238000000034 method Methods 0.000 title claims abstract description 36
- 239000011159 matrix material Substances 0.000 claims abstract description 38
- 230000004927 fusion Effects 0.000 claims abstract description 27
- 238000005259 measurement Methods 0.000 claims abstract description 26
- 238000001914 filtration Methods 0.000 claims abstract description 23
- 230000006870 function Effects 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 230000026676 system process Effects 0.000 claims description 3
- 230000009897 systematic effect Effects 0.000 claims description 3
- 230000007704 transition Effects 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 230000003287 optical effect Effects 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 3
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
Abstract
本发明的一个实施例公开了一种分布式状态估计方法，包括：每一个节点基于自身所获取的量测信息，获得本节点的本地状态估计结果、本节点的滤波新息以及本节点的滤波新息协方差矩阵；每一个节点利用本节点的滤波新息以及本节点的滤波新息协方差矩阵，计算本地状态估计置信度结果；若当前节点本地状态估计置信度结果大于0，则将该节点的本地状态估计结果以及本地状态估计置信度结果发送至全部邻居节点，同时接受邻居节点所发送的信息；若本地状态估计置信度结果等于0，则只接受邻居节点所发送的信息，该节点并不向外发送任何信息；S40：每一个节点利用本节点的本地状态估计结果、本地状态估计置信度结果以及所接受到的邻居节点发送的本地状态估计结果和本地状态估计置信度结果进行信息融合，并将信息融合后的结果输出。
Description
技术领域
本发明涉及状态估计领域。更具体地，涉及一种分布式状态估计方法。
背景技术
状态估计，英文名为“State Estimation”，指的是利用系统量测对系统状态进行实时估计的过程及相应方法。状态估计在诸多领域都有广泛应用，例如在无人机领域，需要利用状态估计对无人机的实时位姿进行估计，从而完成无人机的稳定控制与航迹跟踪；在电池领域，需要利用状态估计方法对电池的SOC(State Of Charge)进行估计从而完成能量管控。分布式状态估计是在状态估计的基础上，进一步引入“分布式”、“去中心化”等理念所提出的一种状态估计，分布式状态估计的特点为：1、存在多个节点对同一系统进行状态估计；2、不存在融合中心。分布式状态估计具有可扩展性强、并行计算等特点，是目前状态估计领域的研究热点。然而现有的分布式状态方法无法有效解决部分节点量测故障/异常等问题。
发明内容
有鉴于此，本发明的第一个实施例提供一种分布式状态估计方法，包括：
S10：每一个节点基于自身所获取的量测信息，进行本节点的状态估计计算，获得本节点的本地状态估计结果、本节点的滤波新息以及本节点的滤波新息协方差矩阵；
S20：每一个节点利用本节点的滤波新息以及本节点的滤波新息协方差矩阵，计算本地状态估计置信度结果；
S30：若当前节点本地状态估计置信度结果大于0，则将该节点的本地状态估计结果以及本地状态估计置信度结果发送至全部邻居节点，同时接受邻居节点所发送的信息；
若本地状态估计置信度结果等于0，则只接受邻居节点所发送的信息，该节点并不向外发送任何信息；
S40：每一个节点利用本节点的本地状态估计结果、本地状态估计置信度结果以及所接受到的邻居节点发送的本地状态估计结果和本地状态估计置信度结果进行信息融合，并将信息融合后的结果作为最终融合结果予以输出。
在一个具体实施例中，所述每一个节点基于自身所获取的量测信息包括：
N个节点对同一系统进行量测，其系统服从：
其中，N为大于等于3的整数，k代表系统采样时刻，Xk与Xk-1分别为k时刻与k-1时刻的系统状态，Φk为k时刻的系统状态转移矩阵，ωk为k时刻的系统过程噪声；为节点i在k时刻的系统量测，/>为节点i在k时刻的系统量测矩阵，/>和/>为节点i在k时刻的系统量测噪声以及未知故障；其中，/>为变化特性完全未知的随机向量，用于描述未知故障/异常对于节点i在k时刻量测信息的影响，ωk，/>i＝1,2,…,N均为互不相关的零均值高斯白噪声，其服从：
E{ωk(ωk)T}＝Qk
其中，E{}代表数学期望计算。
在一个具体实施例中，所述S10包括：
计算k时刻节点i的一步预测状态结果和一步预测状态误差协方差矩阵
其中，为k-1时刻节点i的状态估计结果，/>为k-1时刻节点i的状态估计误差协方差矩阵；
计算k时刻节点i的滤波新息：
计算k时刻节点i的滤波新息误差协方差矩阵；
计算k时刻节点i的滤波增益；
计算代表k时刻节点i的本地状态估计结果和本地状态估计误差协方差矩阵：
在一个具体实施例中，所述S20包括：
计算k时刻节点i的滤波新息的马氏距离
根据计算k时刻节点i的本地状态估计置信度结果/>
其中，为状态估计置信度计算函数。
在一个具体实施例中，所述状态估计置信度计算函数为
其中，low和up均为预设参数。
在一个具体实施例中，若当前节点本地状态估计置信度结果大于0，所述S40包括：
计算自身本地状态估计置信度结果与所有能接受到信息的邻居节点的本地状态估计置信度结果之和，公式表达如下：
其中，为在k时刻，所有向节点i发送信息的节点的集合；
其中，为在集合/>与集合{i}的并集，/>和/>分别为k时刻节点i的最终状态估计结果和最终状态估计误差协方差矩阵。
在一个具体实施例中，若当前节点本地状态估计置信度结果等于0，所述S40包括：
计算自身所有能接受到信息的邻居节点的本地状态估计置信度结果之和：
其中，代表在k时刻，所有向节点i发送信息的节点的集合，
根据所述本地状态估计置信度结果之和进行信息融合。
在一个具体实施例中，当所述本地状态估计置信度结果之和等于零时，进行信息融合包括：
其中，和/>分别代表k时刻节点i的最终状态估计结果和最终状态估计误差协方差矩阵；
当所述本地状态估计置信度结果之和大于零时，进行信息融合包括：
其中，和/>分别代表k时刻节点i的最终状态估计结果和最终状态估计误差协方差矩阵。
本发明的第二个实施例提供一种计算机设备，包括处理器及存储在存储有计算机程序的存储器，其特征在于，所述处理器执行所述程序时实现如第一个实施例中任一项所述的方法。
本发明的第三个实施例提供一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如第一个实施例中任一项所述的方法。
本发明的有益效果如下：
本发明提供一种分布式状态估计方法，抑制了量测故障/异常等情况对于状态估计稳定性的不利影响，确保了在存在量测故障/异常等情况下，仍然可以实现稳定可靠的分布式状态估计，扩展了分布式状态估计的应用范围。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1示出根据本发明一个实施例的分布式状态估计方法流程示意图；
图2示出根据本发明一个实施例的状态估计置信度计算函数的示意图。
图3示出根据本发明一个实施例的5个节点之间的通信拓扑示意图。
图4示出根据本发明一个实施例的采用两种分布式状态估计算法节点1对于Xk(1)和Xk(3)的估计误差对比结果示意图。
图5示出根据本发明一个实施例的别采用两种分布式状态估计算法节点1对于Xk(2)和Xk(4)的估计误差对比结果示意图。
图6示出根据本发明一个实施例的采用两种分布式状态估计算法节点3对于Xk(1)和Xk(3)的估计误差对比结果示意图；
图7示出根据本发明一个实施例的采用两种分布式状态估计算法节点3对于Xk(2)和Xk(4)的估计误差对比结果示意图。
图8示出本发明的另一个实施例的计算机设备的结构示意图。
具体实施方式
为使本发明的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地详细描述。
现有的分布式状态方法无法有效解决部分节点量测故障或者异常等问题，例如，假设某一节点在某一时刻出现量测故障/异常，那么该量测故障/异常会直接降低该节点估计结果的准确性，甚至会影响该节点估计过程的稳定性；而通过节点间信息共享后，该量测故障/异常会进一步降低/破坏所有节点的估计结果的准确性/稳定性，最终导致估计结果精度降低乃至估计失败。如何有效提升分布式状态估计方法的容错能力，确保在存在部分节点量测故障/异常等情况下，系统仍可实现稳定可靠的分布式状态估计，是目前尚未解决的问题。
为了解决上述问题，如图1所示，本发明的一个实施例提供一种分布式状态估计方法，包括：
S10：每一个节点基于自身所获取的量测信息，进行本节点的状态估计计算，获得本节点的本地状态估计结果、本节点的滤波新息以及本节点的滤波新息协方差矩阵；
在一个具体实施例中，所述S10包括：首先每一个节点获取基于自身的量测信息，具体地：
N个节点对同一系统进行量测，其系统服从：
其中，N为大于等于3的整数，k代表系统采样时刻，Xk与Xk-1分别为k时刻与k-1时刻的系统状态，Φk为k时刻的系统状态转移矩阵，ωk为k时刻的系统过程噪声；为节点i在k时刻的系统量测，/>为节点i在k时刻的系统量测矩阵，/>和/>为节点i在k时刻的系统量测噪声以及未知故障；其中，/>为变化特性完全未知的随机向量，用于描述未知故障/异常对于节点i在k时刻量测信息的影响，ωk，/>i＝1,2,…,N均为互不相关的零均值高斯白噪声，其服从：
E{ωk(ωk)T}＝Qk
其中，E{}代表数学期望计算。
此外，N个节点之间的通信拓扑可以采用图G予以描述，图G对应的邻接矩阵为A，A中的元素服从于：
然后，计算k时刻节点i的一步预测状态结果和一步预测状态误差协方差矩阵
其中，为k-1时刻节点i的状态估计结果，/>为k-1时刻节点i的状态估计误差协方差矩阵；
计算k时刻节点i的滤波新息：
计算k时刻节点i的滤波新息误差协方差矩阵；
计算k时刻节点i的滤波增益；
计算代表k时刻节点i的本地状态估计结果和本地状态估计误差协方差矩阵：
S20：每一个节点利用本节点的滤波新息以及本节点的滤波新息协方差矩阵，计算本地状态估计置信度结果；
具体地：计算k时刻节点i的滤波新息的马氏距离
根据计算k时刻节点i的本地状态估计置信度结果/>
其中，为状态估计置信度计算函数。
所述状态估计置信度计算函数为
其中，low和up均为预设参数，可根据实际使用情况与工程经验而确定。
为方便对状态估计置信度计算函数的直观理解，在一个具体实施例中，当low＝2且up＝8时，函数/>的形状如图2所示；从附图2中可以看出，/>的取值情况可以分为三种情况，分别为：完全置信区域，完全不置信区域和渐变置信区域：
在完全置信区域，的函数值恒定为1，代表此时估计结果不存在故障，完全可信；而在完全不置信区域，/>的函数值恒定为0，代表此时估计结果一定存在明显故障，完全不可采用；在渐变置信区域，估计结果处于完全不可信与完全可信的中间状态，信任程度将随着滤波新息对应的马氏距离的增大而逐渐非线性地降低。
S30：若当前节点本地状态估计置信度结果大于0，则将该节点的本地状态估计结果以及本地状态估计置信度结果发送至全部邻居节点，同时接受邻居节点所发送的信息；
若本地状态估计置信度结果等于0，则只接受邻居节点所发送的信息，该节点并不向外发送任何信息；
可以理解的是，并不是任意的两个节点之间均存在通信链路，存在通信链路的两个节点之间互为对方的邻居节点。
为方便理解，下面针对两种不同的情况做出介绍：
若此时当前节点本地状态估计置信度则节点i会将本地状态估计结果(和/>)以及本地状态估计置信度结果/>发送至节点i的全部邻居节点，同时接受所有邻居节点所发送的信息(在该邻居节点对外发送信息的前提下)。
若此时当前节点本地状态估计置信度则节点i并不向外发送任何信息，但仍然会接受所有邻居节点所发送的信息(在该邻居节点对外发送信息的前提下)。
为了进一步理解，以附图3中的通信拓扑为例对信息传输情况进行说明，其中节点1、节点2和节点4的本地状态估计置信度结果均大于0，即而节点3和节点5的本地状态估计置信度结果均为0，即/>则此时节点1、节点2和节点4对其邻居节点发送信息，而节点3和节点5并不对其邻居节点发送信息，具体而言，节点1将本地状态估计结果(/>和/>)以及本地状态估计置信度结果/>发送至节点2，节点3和节点4；节点2将本地状态估计结果(/>和/>)以及本地状态估计置信度结果/>发送至节点1；节点4将本地状态估计结果(/>和/>)以及本地状态估计置信度结果/>发送至节点1和节点5。
S40：每一个节点利用本节点的本地状态估计结果、本地状态估计置信度结果以及所接受到的邻居节点发送的本地状态估计结果和本地状态估计置信度结果进行信息融合，并将信息融合后的结果作为最终融合结果予以输出。
为方便理解，下面针对本地状态估计置信度结果两种不同的情况做出介绍：
若当前节点本地状态估计置信度结果大于0，所述S40包括：
计算自身本地状态估计置信度结果与所有能接受到信息的邻居节点的本地状态估计置信度结果之和，公式表达如下：
其中，为在k时刻，所有向节点i发送信息的节点的集合；
其中，为在集合/>与集合{i}的并集，/>和/>分别为k时刻节点i的最终状态估计结果和最终状态估计误差协方差矩阵。
若当前节点本地状态估计置信度结果等于0，所述S40包括：
计算自身所有能接受到信息的邻居节点的本地状态估计置信度结果之和：
其中，代表在k时刻，所有向节点i发送信息的节点的集合，
此时存在两种可能：/>和/>这两种情况将采用不同的信息融合策略：
(1)、
此时，节点i执行如下信息融合策略：
其中，和/>分别代表k时刻节点i的最终状态估计结果和最终状态估计误差协方差矩阵。
(2)、
此时，节点i执行如下信息融合策略：
其中，和/>分别代表k时刻节点i的最终状态估计结果和最终状态估计误差协方差矩阵。
为方便理解，仍然以附图3中的网络通信为例进行说明，假设其中节点1、节点2和节点4的本地状态估计置信度结果均大于0，即而节点3和节点5的本地状态估计置信度结果均为0，即/>则在节点1的信息融合形式为：
在节点2的信息融合形式为：
在节点3的信息融合形式为：
在节点4的信息融合形式为：
在节点5的信息融合形式为：
而如果假设其中节点1，节点2和节点3的本地状态估计置信度结果均大于0，即而节点4和节点5的本地状态估计置信度结果均为0，即/>此种情况下在节点,5的信息融合形式为：
在一个具体实施例中，有5个节点，5个节点之间的通信拓扑如附图3所示，对同一系统进行量测，其系统模型服从：
其中ωk为零均值高斯白噪声，其协方差矩阵 为零均值高斯白噪声，其协方差矩阵/>而关于/>本实施例中设置如下：
其中，random代表随机数。除此之外，在其余时刻以及其余节点，成立。此外，本实施例中设置：low＝10以及up＝40。针对上述模型，采用本专利所设计的分布式状态估计方法进行状态估计，同时为了更加直观地看出本专利方法的优越性，在计算过程中同样采用了传统分布式状态估计方法进行了状态估计，以节点1和节点3的状态估计结果为例，两种方法的状态估计误差如附图4～附图7所示。图中Xk(1)代表状态向量Xk的第一个元素，其余定义可以以此类推。从上述图中可以看出：
当不出现故障时，传统的分布式状态估计方法与本发明提出的分布式状态估计均可以实现稳定准确可靠的状态估计；
当出现故障时，传统分布式状态估计方法的估计误差则出现显著增大或者出现跳变现象；而本发明的状态估计方法仍然可以稳定准确地进行状态估计，估计结果并不会受到故障的影响。
通过上述分析总结可以看出，本发明所提出的分布式状态估计方法可以在有故障/无故障的情况下实现稳定准确的状态估计，相较于传统方法，具有在故障情况下对状态进行稳定估计的能力。
本发明的另一个实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现，在实际应用中，所述计算机可读存储介质可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本实施例中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
如图8所示，本发明的另一个实施例提供的一种计算机设备的结构示意图。图8显示的计算机设备12仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图8所示，计算机设备12以通用计算设备的形式表现。计算机设备12的组件可以包括但不限于：一个或者多个处理器或者处理单元16，系统存储器28，连接不同系统组件(包括系统存储器28和处理单元16)的总线18。
总线18表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(ISA)总线，微通道体系结构(MAC)总线，增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。
计算机设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被计算机设备12访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
系统存储器28可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(RAM)30和/或高速缓存存储器32。计算机设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统34可以用于读写不可移动的、非易失性磁介质(图8未显示，通常称为“硬盘驱动器”)。尽管图8中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如CD-ROM，DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线18相连。存储器28可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块42的程序/实用工具40，可以存储在例如存储器28中，这样的程序模块42包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本发明所描述的实施例中的功能和/或方法。
计算机设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信，还可与一个或者多个使得用户能与该计算机设备12交互的设备通信，和/或与使得该计算机设备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。并且，计算机设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图8所示，网络适配器20通过总线18与计算机设备12的其它模块通信。应当明白，尽管图8中未示出，可以结合计算机设备12使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
处理器单元16通过运行存储在系统存储器28中的程序，从而执行各种功能应用以及数据处理，例如实现本发明实施例所提供的一种分布式状态估计方法。
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定，对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动，这里无法对所有的实施方式予以穷举，凡是属于本发明的技术方案所引伸出的显而易见的变化或变动仍处于本发明的保护范围之列。
Claims (3)
1.一种分布式状态估计方法，其特征在于，包括：
S10：每一个节点基于自身所获取的量测信息，进行本节点的状态估计计算，获得本节点的本地状态估计结果、本节点的滤波新息以及本节点的滤波新息协方差矩阵；
S20：每一个节点利用本节点的滤波新息以及本节点的滤波新息协方差矩阵，计算本地状态估计置信度结果；
S30：若当前节点本地状态估计置信度结果大于0，则将该节点的本地状态估计结果以及本地状态估计置信度结果发送至全部邻居节点，同时接受邻居节点所发送的信息；
若本地状态估计置信度结果等于0，则只接受邻居节点所发送的信息，该节点并不向外发送任何信息；
S40：每一个节点利用本节点的本地状态估计结果、本地状态估计置信度结果以及所接受到的邻居节点发送的本地状态估计结果和本地状态估计置信度结果进行信息融合，并将信息融合后的结果作为最终融合结果予以输出；
所述每一个节点基于自身所获取的量测信息包括：
N个节点对同一系统进行量测，其系统服从：
其中，N为大于等于3的整数，k代表系统采样时刻，Xk与Xk-1分别为k时刻与k-1时刻的系统状态，Φk为k时刻的系统状态转移矩阵，ωk为k时刻的系统过程噪声；为节点i在k时刻的系统量测，/>为节点i在k时刻的系统量测矩阵，/>和/>为节点i在k时刻的系统量测噪声以及未知故障；其中，/>为变化特性完全未知的随机向量，用于描述未知故障/异常对于节点i在k时刻量测信息的影响，ωk，/>均为互不相关的零均值高斯白噪声，其服从：
E{ωk(ωk)T}＝Qk
其中，E{}代表数学期望计算；
所述S10包括：
计算k时刻节点i的一步预测状态结果和一步预测状态误差协方差矩阵
其中，为k-1时刻节点i的状态估计结果，/>为k-1时刻节点i的状态估计误差协方差矩阵；
计算k时刻节点i的滤波新息：
计算k时刻节点i的滤波新息误差协方差矩阵；
计算k时刻节点i的滤波增益；
计算代表k时刻节点i的本地状态估计结果和本地状态估计误差协方差矩阵：
所述S20包括：
计算k时刻节点i的滤波新息的马氏距离
根据计算k时刻节点i的本地状态估计置信度结果/>
其中，为状态估计置信度计算函数；
所述状态估计置信度计算函数为
其中，low和up均为预设参数；
若当前节点本地状态估计置信度结果大于0，所述S40包括：
计算自身本地状态估计置信度结果与所有能接受到信息的邻居节点的本地状态估计置信度结果之和，公式表达如下：
其中，为在k时刻，所有向节点i发送信息的节点的集合；
其中，为在集合/>与集合{i}的并集，/>和/>分别为k时刻节点i的最终状态估计结果和最终状态估计误差协方差矩阵；
若当前节点本地状态估计置信度结果等于0，所述S40包括：
计算自身所有能接受到信息的邻居节点的本地状态估计置信度结果之和：
其中，代表在k时刻，所有向节点i发送信息的节点的集合，
根据所述本地状态估计置信度结果之和进行信息融合；
当所述本地状态估计置信度结果之和等于零时，进行信息融合包括：
其中，和/>分别代表k时刻节点i的最终状态估计结果和最终状态估计误差协方差矩阵；
当所述本地状态估计置信度结果之和大于零时，进行信息融合包括：
其中，和/>分别代表k时刻节点i的最终状态估计结果和最终状态估计误差协方差矩阵。
2.一种计算机设备，包括处理器及存储在存储有计算机程序的存储器，其特征在于，所述处理器执行所述程序时实现如权利要求1中任一项所述的方法。
3.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111543301.5A CN114372237B (zh) | 2021-12-16 | 2021-12-16 | 一种分布式状态估计方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111543301.5A CN114372237B (zh) | 2021-12-16 | 2021-12-16 | 一种分布式状态估计方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114372237A CN114372237A (zh) | 2022-04-19 |
| CN114372237B true CN114372237B (zh) | 2024-05-03 |
Family
ID=81139950
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111543301.5A Active CN114372237B (zh) | 2021-12-16 | 2021-12-16 | 一种分布式状态估计方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114372237B (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109151759A (zh) * | 2018-10-09 | 2019-01-04 | 中国人民解放军海军航空大学 | 传感器网络分布式信息加权一致性状态滤波方法 |
| CN110532636A (zh) * | 2019-08-05 | 2019-12-03 | 东南大学 | 一种面向多场景的智能驾驶自主车道保持性能检测方法 |
| CN113011475A (zh) * | 2021-01-29 | 2021-06-22 | 深圳信息职业技术学院 | 考虑相关噪声和随机参数矩阵的分布式融合算法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140309836A1 (en) * | 2013-04-16 | 2014-10-16 | Neya Systems, Llc | Position Estimation and Vehicle Control in Autonomous Multi-Vehicle Convoys |
| 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 |
-
2021
- 2021-12-16 CN CN202111543301.5A patent/CN114372237B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109151759A (zh) * | 2018-10-09 | 2019-01-04 | 中国人民解放军海军航空大学 | 传感器网络分布式信息加权一致性状态滤波方法 |
| CN110532636A (zh) * | 2019-08-05 | 2019-12-03 | 东南大学 | 一种面向多场景的智能驾驶自主车道保持性能检测方法 |
| CN113011475A (zh) * | 2021-01-29 | 2021-06-22 | 深圳信息职业技术学院 | 考虑相关噪声和随机参数矩阵的分布式融合算法 |
Non-Patent Citations (3)
| Title |
|---|
| Consensus Based Strong Tracking Adaptive Cubature Kalman Filtering for Nonlinear System Distributed Estimation;Zheng Zhang等;《IEEE Access 》;20190716;第7卷;2169-3536 * |
| On the consistency and confidence of distributed dynamic state estimation in wireless sensor networks;Shaocheng Wang等;《2015 54th IEEE Conference on Decision and Control (CDC)》;20160211;3069-3074 * |
| 受通信约束的分布式网络化系统信息融合方法研究;刘莉;《中国博士学位论文全文数据库信息科技辑》;20181215(第12期);I138-95 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114372237A (zh) | 2022-04-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10440553B2 (en) | Distributed network center and area estimation | |
| Míguez et al. | On the convergence of two sequential Monte Carlo methods for maximum a posteriori sequence estimation and stochastic global optimization | |
| WO2020137114A1 (ja) | 学習装置、推定装置、学習方法、推定方法、学習プログラム、および推定プログラム | |
| CN111209978B (zh) | 三维视觉重定位方法、装置及计算设备、存储介质 | |
| JP2022068351A (ja) | 車両の測位情報の決定方法、装置、記憶媒体及びプログラム | |
| CN114372237B (zh) | 一种分布式状态估计方法 | |
| Zhang et al. | Interval observer filtering-based fault diagnosis method for linear discrete-time systems with dual uncertainties | |
| Li et al. | Nonlinear model identification from multiple data sets using an orthogonal forward search algorithm | |
| WO2020173270A1 (zh) | 用于分析数据的方法、设备和计算机存储介质 | |
| CN109409411B (zh) | 基于运维管理的问题定位方法、装置及存储介质 | |
| Semushin | The APA based time-variant system identification | |
| CN116176531A (zh) | 开度调节的性能指标的确定方法、装置和存储介质 | |
| CA3221529A1 (en) | Systems and methods for generation of action strategies by an autonomous system | |
| CN114372238B (zh) | 一种分布式状态估计方法 | |
| CN113357138A (zh) | 液压泵剩余使用寿命预测方法、装置及终端设备 | |
| CN115079929A (zh) | 路径调度方法及装置、存储介质和电子设备 | |
| CN112305915A (zh) | Tsk迭代回归模型的标签多伯努利多目标跟踪方法及系统 | |
| WO2020240770A1 (ja) | 学習装置、推定装置、学習方法、推定方法及びプログラム | |
| CN112364292B (zh) | 一种基于Ransac的密集目标跟踪方法、装置、设备和介质 | |
| US11210155B1 (en) | Performance data analysis to reduce false alerts in a hybrid cloud environment | |
| Liu et al. | Method for joint estimation for states and parameters concerning non‐linear systems with time‐correlated measurement noise | |
| Huo et al. | Robust maximum correlation entropy Kalman filtering algorithm based on S-functions under impulse noise | |
| Liu et al. | An Accelerated Safety Probability Estimation Method for Control Policies of Autonomous Vehicles in Open Environments | |
| CN114491405A (zh) | 一种颤振稳定性参数获取方法及装置 | |
| CN118033463A (zh) | 基于元学习的锂电池健康状态估计方法及装置 |
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 |