CN115087092A - 一种多传感器最大相关熵拓展信息滤波分层融合方法 - Google Patents

一种多传感器最大相关熵拓展信息滤波分层融合方法 Download PDF

Info

Publication number
CN115087092A
CN115087092A CN202210579130.XA CN202210579130A CN115087092A CN 115087092 A CN115087092 A CN 115087092A CN 202210579130 A CN202210579130 A CN 202210579130A CN 115087092 A CN115087092 A CN 115087092A
Authority
CN
China
Prior art keywords
sensor
group
iteration
sensors
fusion
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
CN202210579130.XA
Other languages
English (en)
Other versions
CN115087092B (zh
Inventor
杨欣悦
彭倍
王刚
钟山
欧阳林强
高天奇
傅震霆
程嘉鹏
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.)
University of Electronic Science and Technology of China
Original Assignee
University of Electronic Science and Technology of China
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 University of Electronic Science and Technology of China filed Critical University of Electronic Science and Technology of China
Priority to CN202210579130.XA priority Critical patent/CN115087092B/zh
Publication of CN115087092A publication Critical patent/CN115087092A/zh
Application granted granted Critical
Publication of CN115087092B publication Critical patent/CN115087092B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • 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
    • G06F17/15—Correlation function computation including computation of convolution operations
    • 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
    • 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)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Computational Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Algebra (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明公开了一种多传感器最大相关熵拓展信息滤波分层融合方法，包括以下步骤：S1.将传感器网络中的传感器分组，选出多传感器网络中各个分组的头节点传感器；S2.对各传感器使用基于最大相关熵的拓展信息滤波，得到各传感器的状态估计值和协方差矩阵；S3.各个分组的头节点传感器收集同一组内其他子节点传感器的信息，使用分布式拓展信息滤波算法进行信息加权融合，得到每一个传感器分组的状态估计值；S4.根据各个分组头节点的协方差计算权重，将各个分组的状态估计值进行协方差交叉融合，得到多传感器网络的最终状态预测结果。本发明能够融合各传感器结果，得到整体传感器网络输出的更加准确的目标追踪结果。

Description

一种多传感器最大相关熵拓展信息滤波分层融合方法
技术领域
本发明涉及传感器网络，特别是涉及一种多传感器最大相关熵拓展信息滤波分层融合方法。
背景技术
无线传感器网络由一组在监控区域内协同工作的无线传感器节点组成。由于无线传感器网络具有功耗低、体积小、成本低等优点，因此被广泛应用于地震传感、农业监测和工业监测等领域。实际上，整个系统总是受到计算能力和通信带宽的影响。特别是，当无线传感器网络规模扩大时，来自大量传感器的同时通信将导致通信负担增加，甚至导致信道阻塞。因此将传感器分成若干组是另一种改进的方式。在每个集群中，传感器可以相互通信。在选择集群中的一个传感器作为头节点后，它将处理来自其他子节点的信息，然后将其上传到融合中心。融合中心将整合来自每个集群中头节点的这些数据，并输出结果作为整个系统的估计。
监测和跟踪目标运动被认为是无线传感器网络最常见的任务之一，而且在实际环境中，观测噪声通常是高斯噪声下叠加其他噪声。因此本发明算法可以应用于研究二维平面上多传感器网络的目标跟踪。能够更好的处理环境中常见的非高观测噪音并且得到更准确的状态估计结果。
发明内容
本发明的目的在于克服现有技术的不足，提供一种多传感器最大相关熵拓展信息滤波分层融合方法，能够融合各传感器结果，得到整体传感器网络输出的更加准确的目标追踪结果。
本发明的目的是通过以下技术方案来实现的：一种多传感器最大相关熵拓展信息滤波分层融合方法，包括以下步骤：
S1.将传感器网络中的传感器分组，选出多传感器网络中各个分组的头节点传感器；
S2.对各传感器使用基于最大相关熵的拓展信息滤波方法，得到各传感器的状态估计值和协方差矩阵；
S3.各个分组的头节点传感器收集同一组内其他子节点传感器的信息，使用分布式拓展信息滤波算法进行信息加权融合，得到每一个传感器分组的状态估计值；
S4.根据各个分组头节点的协方差计算权重，将各个分组的状态估计值进行协方差交叉融合(CI)，得到多传感器网络的最终状态预测结果。
首先对多传感器网络目标追踪问题进行数学建模：
Figure BDA0003661638550000011
其中
Figure BDA0003661638550000021
和
Figure BDA0003661638550000022
分别表示在时刻k的第r组中第i个传感器的目标状态和测量值。零均值噪声wk和
Figure BDA0003661638550000023
互不相关，且协方差矩阵分别为Qk和
Figure BDA0003661638550000024
Fk是已知的状态转移矩阵，h(·)代表非线性观测函数。将该模型应用于基于距离的目标跟踪问题时，xk＝[xp,k,xv,k,yp,k,yv,k]T行向量包括瞬时目标位置xp,k和yp,k，以及目标速度xv,k和yv,k在x、y坐标。非线性观测函数
Figure BDA0003661638550000025
表示移动目标和观测传感器之间的距离，其中(xv,k,yv,k)和
Figure BDA0003661638550000026
分别是移动目标和静止观测传感器的位置。
所述步骤S1中传感器分组依据和头节点选择依据为：
所述步骤S1中传感器分组的依据为以下任意一种:
(1)根据传感器类型不同进行分组，即相同类型传感器为一组,并保证同一组传感器之间存在数据通信的通路；
(2)根据传感器分布区域进行分组：将传感器的分布区域划分为多个子区域，每个子区域中的传感器为一组，并保证同一组传感器之间存在数据通信的通路。
以上分组依据都更便于传感器间通信，减轻通信负担。
在选出多传感器网络中各个分组的头节点传感器时，考虑到各分组内满足全连接特征，即各组内节点可相互通信，所以在各个分组内部可随机选择一个节点传感器为头节点。对最终目标跟踪结果无影响。
所述步骤S2中使用基于最大相关熵的拓展信息滤波，得到各传感器的状态估计值和协方差矩阵的具体方式为：
首先初始化令
Figure BDA0003661638550000027
其中上标i表示第i个传感器，x0为目标起始位置，I为单位矩阵；紧接着获得状态一步预测
Figure BDA0003661638550000028
和协方差一步预测矩阵
Figure BDA0003661638550000029
Figure BDA00036616385500000210
Figure BDA00036616385500000211
下标k|k-1表示基于k-1时刻的值所预测的k时刻的值，k|k表示一个基于k时刻观测值所得到的后验估计；状态噪声和观测噪声的协方差矩阵分别为Qk和
Figure BDA00036616385500000212
Fk是已知的状态转移矩阵协方差
Figure BDA00036616385500000213
和噪声方差矩阵
Figure BDA00036616385500000214
的Cholesky分解如下：
Figure BDA00036616385500000215
Figure BDA0003661638550000031
为了得到更为准确的最终估计值
Figure BDA0003661638550000032
此时在时刻k开始关于t的不动点迭代，迭代过程中k将保持不变，初始化
Figure BDA0003661638550000033
开始不动点迭代，
Figure BDA0003661638550000034
新的误差矩阵计算如下所示：
Figure BDA0003661638550000035
其中
Figure BDA0003661638550000036
h(·)代表观测方程中的非线性观测函数；将新误差矩阵中的行分解为对角矩阵形式，
Figure BDA0003661638550000037
Figure BDA0003661638550000038
上式中，
Figure BDA0003661638550000039
代表
Figure BDA00036616385500000310
的第l行，为了完成定点迭代更新，需要分别计算新的噪声协方差矩阵
Figure BDA00036616385500000311
和状态估计协方差矩阵
Figure BDA00036616385500000312
Figure BDA00036616385500000313
Figure BDA00036616385500000314
紧接着将得到基于最大相关准则下的滤波增益矩阵
Figure BDA00036616385500000315
的更新
Figure BDA00036616385500000316
Figure BDA00036616385500000317
通过定点迭代进行更新
Figure BDA00036616385500000318
当条件
Figure BDA00036616385500000319
在δ为小正值时满足，定点迭代停止；此时
Figure BDA00036616385500000320
并计算协方差阵
Figure BDA00036616385500000321
Figure BDA00036616385500000322
否则，设置并更新时间，t+1→t开始下一次迭代，将当前计算出的
Figure BDA00036616385500000323
赋值给
Figure BDA00036616385500000324
并开始新一次的迭代，重新计算
Figure BDA00036616385500000325
并完成其后的所有计算步骤。
步骤S3中所述的使用分布式拓展信息滤波算法进行信息加权融合，计算为：
将通过定点迭代进行更新的
Figure BDA0003661638550000041
也写成另外一种推导形式
Figure BDA0003661638550000042
其中
Figure BDA0003661638550000043
Figure BDA0003661638550000044
Figure BDA0003661638550000045
为不动点迭代中k时刻第t轮迭代的噪声协方差矩阵信息，
Figure BDA0003661638550000046
为不动点迭代中k时刻第t轮迭代状态误差信息：
Figure BDA0003661638550000047
Figure BDA0003661638550000048
在信息加权融合算法中，头结点通过将该群内各子节点的数据相加融合得到新的
Figure BDA0003661638550000049
和
Figure BDA00036616385500000410
对于每个集群，第i个传感器作为CH节点头通过以下公式集成相邻子节点的信息：
Figure BDA00036616385500000411
Figure BDA00036616385500000412
使用融合后的信息再最终获得当前该群的状态更新值
Figure BDA00036616385500000413
Figure BDA00036616385500000414
将当前结果进行不动点更新迭代，当条件
Figure BDA00036616385500000415
在δ为小正值时满足，定点迭代停止
Figure BDA00036616385500000416
否则，设置并更新时间，t+1→t开始下一次迭代，将当前计算出的
Figure BDA00036616385500000417
赋值给
Figure BDA00036616385500000418
并开始新一次的迭代；最终完成迭代后，此时的
Figure BDA00036616385500000419
代表最终该群得到的最终状态预测值。
所述步骤S4包括：
设计融合中心，头节点将向融合中心发送数据；
设公式中上标i代表头节点编号，r代表传感器组的编号；假设在融合中心有N个头节点也就是N个传感器组的数据参与融合，融合的具体步骤如下：
Figure BDA00036616385500000420
Figure BDA0003661638550000051
其中权重系数γr满足
Figure BDA0003661638550000052
Figure BDA0003661638550000053
采用
Figure BDA0003661638550000054
融合后的多传感器网络的最终状态预测结果变为
Figure BDA0003661638550000055
本发明的有益效果是：本发明针对多无线传感器网络中的目标跟踪问题，结合了MCC-DEIF算法和CI融合算法的优点，设计了一种新的分层融合估计方法；比局部估计具有更好的估计精度；本发明在面对非高斯噪声时具有良好的目标追踪性能，同时不易发散具有良好的鲁棒性。
附图说明
图1为本发明的方法流程图；
图2为传感器网络分层融合估计架构图；
图3为仿真实验结果图；
图4为实物平台图；
图5为实物验证结果图。
具体实施方式
下面结合附图进一步详细描述本发明的技术方案，但本发明的保护范围不局限于以下所述。
由于无线传感器网络具有功耗低、体积小、成本低等优点，因此被广泛应用于地震传感、农业监测和工业监测等领域。实际上，整个系统总是受到计算能力和通信带宽的影响。特别是，当无线传感器网络规模扩大时，来自大量传感器的同时通信将导致通信负担增加，甚至导致信道阻塞。此外，为每个传感器(包括远程部署的传感器)分配通信通道是不合理的。将传感器分成几个组是一种替代的改进方式。在每个集群中，传感器可以相互通信。在选择集群中的一个传感器作为头节点后，它将处理来自其他子节点的信息，然后将其上传到融合中心。融合中心将整合来自每个集群中头节点节点的这些数据，并输出结果作为整个系统的估计。
目标跟踪被认为是无线传感器网络最常见的任务之一。为了完成这项任务，本发明的主要内容被分为两个方面。一个方面是每个组中的局部估计器采用的有效方法，另一个方面是融合中心使用的多簇融合方法。
第一方面，由于测量通常受到环境噪声的污染，基于距离的测量方程通常是非线性的，因此在每个局部簇中提出了许多非线性的目标跟踪算法。著名的扩展卡尔曼滤波器(EKF)以及扩展信息滤波器(EIF)已被广泛使用。EIF算法实际上是EKF的另一种信息形式，可以分解为几个子流程。因此，分布式EIF(DEIF)不仅可以集成局部估计，还可以处理来自子节点的异步传输。
另一方面，多聚类融合方法旨在融合不同聚类算法的优点，提高跟踪精度。在著名的集中式融合结构中，融合中心需要收集所有传感器的测量数据。它在工作时需要很大的计算负担和通信带宽。因此，不可避免的资源约束可能会导致融合中心失效，甚至导致整个系统崩溃。本发明中采用了分层融合估计作为替代方案，其主要思想是分散融合中心的功能。在融合中心中，局部估计器利用来自同一组中传感器的局部信息和相邻消息，而不是所有传感器。由于局部卡尔曼估值器误差之间的互协方差未知，因此开发了协方差交集(CI)融合策略，该策略在计算量较低的情况下有效工作。CI融合的原理是通过优化非线性性能指标函数对局部估计进行凸加权组合。
上述两方面的算法均基于均方误差(MSE)准则。它们能够处理环境中的高斯噪声，并在目标跟踪中获得良好的性能。然而，在机动目标跟踪过程中，非高斯噪声可能更为常见，尤其是在恶劣环境下。基于信息论学习(ITL)的成本函数是解决这个问题的一种方法。ITL中的一个典型标准是最大相关熵，它能够捕获高阶统计量。最近提出的最大熵卡尔曼滤波器(MCKF)在存在脉冲噪声的情况下比传统卡尔曼滤波器具有更好的性能。
本发明在DEIF算法和MCKF算法的基础上，基于适用环境非高斯噪声下非线性局部估计的分散最大熵扩展信息滤波(MCC-DEIF)。然后，结合MCC-DEIF和CI的优点，提出了一种分层融合方法。该方法在面对非高斯噪声时具有良好的目标追踪性能，同时不易发散具有良好的鲁棒性。
如图1所示，一种多传感器最大相关熵拓展信息滤波分层融合方法，包括以下步骤：
S1.将传感器网络中的传感器分组，选出多传感器网络中各个分组的头节点传感器；
其中传感器分组的依据为以下任意一种:
(1)根据传感器类型不同进行分组，即相同类型传感器为一组,并保证同一组传感器之间存在数据通信的通路；
(2)根据传感器分布区域进行分组：将传感器的分布区域划分为多个子区域，每个子区域中的传感器为一组，并保证同一组传感器之间存在数据通信的通路。
S2.对各传感器使用基于最大相关熵的拓展信息滤波，得到各传感器的状态估计值和协方差矩阵；
首先确认各传感器初始位置和目标运动初始位置x0，选择合适的高斯核核宽σ以及最大相关熵收敛判定系数δ。初始化令
Figure BDA0003661638550000071
其中上标i表示第i个传感器，x0为目标起始位置，I为单位矩阵。紧接着获得状态一步预测
Figure BDA0003661638550000072
和协方差一步预测矩阵
Figure BDA0003661638550000073
Figure BDA0003661638550000074
Figure BDA0003661638550000075
下标k|k-1表示基于k-1时刻的值所预测的k时刻的值，k|k表示一个基于k时刻观测值所得到的后验估计。状态噪声和观测噪声的协方差矩阵分别为Qk和
Figure BDA0003661638550000076
Fk是已知的状态转移矩阵协方差
Figure BDA0003661638550000077
和噪声方差矩阵
Figure BDA0003661638550000078
的Cholesky分解如下：
Figure BDA0003661638550000079
Figure BDA00036616385500000710
为了得到更为准确的最终估计值
Figure BDA00036616385500000711
此时在时刻k开始关于t的不动点迭代，迭代过程中k将保持不变，初始化
Figure BDA00036616385500000712
开始不动点迭代，
Figure BDA00036616385500000713
新的误差矩阵计算如下所示：
Figure BDA00036616385500000714
其中
Figure BDA00036616385500000715
h(·)代表观测方程中的非线性观测函数。将新误差矩阵中的行分解为对角矩阵形式，
Figure BDA00036616385500000716
Figure BDA00036616385500000717
上式中，
Figure BDA00036616385500000718
代表
Figure BDA00036616385500000719
的第l行，为了完成定点迭代更新，需要分别计算新的噪声协方差矩阵
Figure BDA00036616385500000720
和状态估计协方差矩阵
Figure BDA00036616385500000721
Figure BDA00036616385500000722
Figure BDA0003661638550000081
紧接着将得到基于最大相关准则下的滤波增益矩阵
Figure BDA0003661638550000082
的更新
Figure BDA0003661638550000083
Figure BDA0003661638550000084
通过定点迭代进行更新
Figure BDA0003661638550000085
当条件
Figure BDA0003661638550000086
在δ为小正值时满足，定点迭代停止。此时
Figure BDA0003661638550000087
并计算协方差阵
Figure BDA0003661638550000088
Figure BDA0003661638550000089
否则，设置并更新时间，t+1→t开始下一次迭代，将当前计算出的
Figure BDA00036616385500000810
赋值给
Figure BDA00036616385500000811
并开始新一次的迭代，重新计算
Figure BDA00036616385500000812
并完成其后的所有计算步骤。
S3.各组头节点传感器收集同一组内其他子节点的信息，使用分布式拓展信息滤波算法进行信息加权融合，得到每一传感器组的状态估计值；
步骤S3中所述的使用分布式拓展信息滤波算法进行信息加权融合，计算为：
因为通过定点迭代进行更新的
Figure BDA00036616385500000813
也可以写成另外一种推导形式
Figure BDA00036616385500000814
其中
Figure BDA00036616385500000815
Figure BDA00036616385500000816
Figure BDA00036616385500000817
为不动点迭代中k时刻第t轮迭代的噪声协方差矩阵信息，
Figure BDA00036616385500000818
为不动点迭代中k时刻第t轮迭代状态误差信息：
Figure BDA00036616385500000819
Figure BDA00036616385500000820
在信息加权融合算法中，头结点通过将该群内各子节点的数据相加融合得到新的
Figure BDA00036616385500000821
和
Figure BDA00036616385500000822
对于每个集群，第i个传感器作为CH节点头通过以下公式集成相邻子节点的信息：
Figure BDA0003661638550000091
Figure BDA0003661638550000092
使用融合后的信息再最终获得当前该群的状态更新值
Figure BDA0003661638550000093
Figure BDA0003661638550000094
将当前结果进行不动点更新迭代，当条件
Figure BDA0003661638550000095
在δ为小正值时满足，定点迭代停止
Figure BDA0003661638550000096
否则，设置并更新时间，t+1→t开始下一次迭代，将当前计算出的
Figure BDA0003661638550000097
赋值给
Figure BDA0003661638550000098
并开始新一次的迭代；最终完成迭代后，此时的
Figure BDA0003661638550000099
代表最终该群得到的最终状态预测值。
S4.根据各组头节点的协方差计算权重，将各组的状态估计值进行协方差交叉融合，得到多传感器网络的最终状态预测结果。
为了提高估计精度，设计了融合中心，头节点将向融合中心发送数据。此时公式中上标i代表头节点编号，r代表传感器组的编号。假设在融合中心有N个头节点也就是N个传感器组的数据参与融合，融合的具体步骤如下：
Figure BDA00036616385500000910
Figure BDA00036616385500000911
获得合适的权重系数γr是非常重要的，它应该满足
Figure BDA00036616385500000912
Figure BDA00036616385500000913
然而，由于计算复杂度高，计算上述优化是不切实际的。因此，我们可以有效地采用
Figure BDA00036616385500000914
CI融合后的多传感器网络的最终状态预测结果变为
Figure BDA00036616385500000915
本实例针对移动目标运动跟踪问题，仿真中采用两组共八个传感器来建立简单的多簇无线传感器网络。状态方程和观测方程分别定义为：
Figure BDA00036616385500000916
Figure BDA0003661638550000101
其中xk＝[xp,k,xv,k,yp,k,yv,k]T是一个行向量，包括x和y坐标中的目标位置xp,k、yp,k和目标速度xv,k、yv,k，以及x和y坐标中的目标速度。目标起始位置为x0＝[350cm,5cm/s,500cm,0cm/s]T。此外，wk是具有协方差矩阵Qk＝10-3I的零均值高斯白噪声，而脉冲噪声
Figure BDA0003661638550000102
具有协方差矩阵
Figure BDA0003661638550000103
非线性观测为
Figure BDA0003661638550000104
表示移动目标和被观察传感器之间的距离。集群1的四个传感器设置在(0厘米，0厘米)，(0厘米，500厘米)，(0厘米，1000厘米)，(500厘米，1000厘米)的位置上，集群2的其他四个传感器的位置是(1000厘米，1000厘米)，(1000厘米，500厘米)，(1000厘米，0厘米)，(500厘米，0厘米)。采样时间T＝1s。对于MCC中的参数，固定点迭代的正数δ被设置为10-6，并且MCC中的核大小为σ＝2.。我们分别选择位于(0cm，0cm)的第一个传感器和位于(1000cm，1000cm)的第五个传感器作为集群1和2的头节点节点，它将从其他三个子节点收集信息。图3显示了两个集群的局部DEIF和MCC-DEIF算法、DEIF-CI算法和建议的带融合的MCC-DEIF-CI算法的k瞬间的累计误差指示器(CEI)。定义估计值与实际轨迹之间的距离误差为：
Figure BDA0003661638550000105
因此图3、图5中的结果为累计时间1到k的距离估计误差之和
除仿真外，搭建了如图4所示的实物平台，设备计划的轨迹和八个传感器的位置设置与上述仿真相同。目标被绑在遥控车上。该距离由八个利用超宽带(UWB)技术的锚点测量，其分辨率为5.0cm。然后，将测量值收集并传输到PC。实验结果如图5所示。
本发明所代表曲线为MCC-DEIF-CI，表明本发明算法在以上指标上，融合精度比局部估计具有更好的估计精度，且估计误差小于其他局部估计。在非高斯环境噪音下的多传感器网络目标追踪领域的效果均优于现有算法。
上述说明示出并描述了本发明的一个优选实施例，但如前所述，应当理解本发明并非局限于本文所披露的形式，不应看作是对其他实施例的排除，而可用于各种其他组合、修改和环境，并能够在本文所述发明构想范围内，通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围，则都应在本发明所附权利要求的保护范围内。

Claims (6)

1.一种多传感器最大相关熵拓展信息滤波分层融合方法，其特征在于：包括以下步骤：
S1.将传感器网络中的传感器分组，选出多传感器网络中各个分组的头节点传感器；
S2.对各传感器使用基于最大相关熵的拓展信息滤波方法，得到各传感器的状态估计值和协方差矩阵；
S3.各个分组的头节点传感器收集同一组内其他子节点传感器的信息，使用分布式拓展信息滤波算法进行信息加权融合，得到每一个传感器分组的状态估计值；
S4.根据各个分组头节点的协方差计算权重，将各个分组的状态估计值进行协方差交叉融合，得到多传感器网络的最终状态预测结果。
2.根据权利要求1所述的一种多传感器最大相关熵拓展信息滤波分层融合方法，其特征在于：所述步骤S1中传感器分组的依据为以下任意一种:
(1)根据传感器类型不同进行分组，即相同类型传感器为一组,并保证同一组传感器之间存在数据通信的通路；
(2)根据传感器分布区域进行分组：将传感器的分布区域划分为多个子区域，每个子区域中的传感器为一组，并保证同一组传感器之间存在数据通信的通路。
3.根据权利要求1所述的一种多传感器最大相关熵拓展信息滤波分层融合方法，其特征在于：所述步骤S1中，在选出多传感器网络中各个分组的头节点传感器时，在各个分组内部随机选择一个节点传感器为头节点。
4.根据权利要求1所述的一种多传感器最大相关熵拓展信息滤波分层融合方法，其特征在于：所述步骤S2中使用基于最大相关熵的拓展信息滤波，得到各传感器的状态估计值和协方差矩阵的具体方式为：
首先初始化令
Figure FDA0003661638540000011
其中上标i表示第i个传感器，x0为目标起始位置，I为单位矩阵；紧接着获得状态一步预测
Figure FDA0003661638540000012
和协方差一步预测矩阵
Figure FDA0003661638540000013
Figure FDA0003661638540000014
Figure FDA0003661638540000015
下标k|k-1表示基于k-1时刻的值所预测的k时刻的值，k|k表示一个基于k时刻观测值所得到的后验估计；状态噪声和观测噪声的协方差矩阵分别为Qk和
Figure FDA0003661638540000016
Fk是已知的状态转移矩阵协方差
Figure FDA0003661638540000017
和噪声方差矩阵
Figure FDA0003661638540000018
的Cholesky分解如下：
Figure FDA0003661638540000019
Figure FDA0003661638540000021
为了得到更为准确的最终估计值
Figure FDA0003661638540000022
此时在时刻k开始关于t的不动点迭代，迭代过程中k将保持不变，初始化
Figure FDA0003661638540000023
开始不动点迭代，
Figure FDA0003661638540000024
新的误差矩阵计算如下所示：
Figure FDA0003661638540000025
其中
Figure FDA0003661638540000026
h(·)代表观测方程中的非线性观测函数；将新误差矩阵中的行分解为对角矩阵形式，
Figure FDA0003661638540000027
Figure FDA0003661638540000028
上式中，
Figure FDA0003661638540000029
代表
Figure FDA00036616385400000210
的第l行，为了完成定点迭代更新，需要分别计算新的噪声协方差矩阵
Figure FDA00036616385400000211
和状态估计协方差矩阵
Figure FDA00036616385400000212
Figure FDA00036616385400000213
Figure FDA00036616385400000214
紧接着将得到基于最大相关准则下的滤波增益矩阵
Figure FDA00036616385400000215
的更新
Figure FDA00036616385400000216
Figure FDA00036616385400000217
通过定点迭代进行更新
Figure FDA00036616385400000218
当条件
Figure FDA00036616385400000219
在δ为小正值时满足，定点迭代停止；此时
Figure FDA00036616385400000220
并计算协方差阵
Figure FDA00036616385400000221
Figure FDA00036616385400000222
否则，设置并更新时间，t+1→t开始下一次迭代，将当前计算出的
Figure FDA00036616385400000223
赋值给
Figure FDA00036616385400000224
并开始新一次的迭代，重新计算
Figure FDA00036616385400000225
并完成其后的所有计算步骤。
5.根据权利要求1所述的一种多传感器最大相关熵拓展信息滤波分层融合方法，其特征在于：步骤S3中所述的使用分布式拓展信息滤波算法进行信息加权融合，计算为：
将通过定点迭代进行更新的
Figure FDA0003661638540000031
也写成另外一种推导形式
Figure FDA0003661638540000032
其中
Figure FDA0003661638540000033
Figure FDA0003661638540000034
Figure FDA0003661638540000035
为不动点迭代中k时刻第t轮迭代的噪声协方差矩阵信息，
Figure FDA0003661638540000036
为不动点迭代中k时刻第t轮迭代状态误差信息：
Figure FDA0003661638540000037
Figure FDA0003661638540000038
在信息加权融合算法中，头结点通过将该群内各子节点的数据相加融合得到新的
Figure FDA0003661638540000039
和
Figure FDA00036616385400000310
对于每个集群，第i个传感器作为CH节点头通过以下公式集成相邻子节点的信息：
Figure FDA00036616385400000311
Figure FDA00036616385400000312
使用融合后的信息再最终获得当前该群的状态更新值
Figure FDA00036616385400000313
Figure FDA00036616385400000314
将当前结果进行不动点更新迭代，当条件
Figure FDA00036616385400000315
在δ为小正值时满足，定点迭代停止
Figure FDA00036616385400000316
否则，设置并更新时间，t+1→t开始下一次迭代，将当前计算出的
Figure FDA00036616385400000317
赋值给
Figure FDA00036616385400000318
并开始新一次的迭代；最终完成迭代后，此时的
Figure FDA00036616385400000319
代表最终该群得到的最终状态预测值。
6.根据权利要求1所述的一种多传感器最大相关熵拓展信息滤波分层融合方法，其特征在于：所述步骤S4包括：
头节点将向融合中心发送数据；假设在融合中心有N个头节点也就是N个传感器组的数据参与融合，设公式中上标i代表头节点编号，r代表传感器组的编号；融合的具体步骤如下：
Figure FDA0003661638540000041
Figure FDA0003661638540000042
其中权重系数γr满足
Figure FDA0003661638540000043
Figure FDA0003661638540000044
采用
Figure FDA0003661638540000045
融合后的多传感器网络的最终状态预测结果变为
Figure FDA0003661638540000046
CN202210579130.XA 2022-05-25 2022-05-25 一种多传感器最大相关熵拓展信息滤波分层融合方法 Active CN115087092B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210579130.XA CN115087092B (zh) 2022-05-25 2022-05-25 一种多传感器最大相关熵拓展信息滤波分层融合方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210579130.XA CN115087092B (zh) 2022-05-25 2022-05-25 一种多传感器最大相关熵拓展信息滤波分层融合方法

Publications (2)

Publication Number Publication Date
CN115087092A true CN115087092A (zh) 2022-09-20
CN115087092B CN115087092B (zh) 2024-02-27

Family

ID=83248291

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210579130.XA Active CN115087092B (zh) 2022-05-25 2022-05-25 一种多传感器最大相关熵拓展信息滤波分层融合方法

Country Status (1)

Country Link
CN (1) CN115087092B (zh)

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140307917A1 (en) * 2013-04-12 2014-10-16 Toyota Motor Engineering & Manufacturing North America, Inc. Robust feature fusion for multi-view object tracking
CN106384121A (zh) * 2016-08-30 2017-02-08 电子科技大学 基于标号空间匹配的标号随机集滤波器分布式融合方法
CN107192998A (zh) * 2017-04-06 2017-09-22 中国电子科技集团公司第二十八研究所 一种基于协方差指标函数的自适应分布式航迹数据融合方法
US20180267544A1 (en) * 2017-03-14 2018-09-20 Toyota Research Institute, Inc. Systems and methods for multi-sensor fusion using permutation matrix track association
CN108934028A (zh) * 2018-07-05 2018-12-04 电子科技大学 一种多伯努利滤波器分布式融合方法
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
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
CN111178385A (zh) * 2019-12-02 2020-05-19 江苏大学 一种鲁棒在线多传感器融合的目标跟踪方法
CN111258218A (zh) * 2020-01-17 2020-06-09 成都信息工程大学 基于最大相关熵准则的智能车辆路径跟踪方法
AU2020103330A4 (en) * 2020-11-09 2021-01-21 Southwest University distributed adaptive quantization estimation algorithm
CN112747750A (zh) * 2020-12-30 2021-05-04 电子科技大学 一种基于单目视觉里程计和imu融合的定位方法
CN113436442A (zh) * 2021-06-29 2021-09-24 西安电子科技大学 一种利用多地磁传感器的车速估计方法
CN113630106A (zh) * 2021-08-02 2021-11-09 杭州电子科技大学 基于强跟踪滤波的高阶扩展卡尔曼滤波器设计方法
CN114609912A (zh) * 2022-03-18 2022-06-10 电子科技大学 基于伪线性最大相关熵卡尔曼滤波的仅测角目标追踪方法

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140307917A1 (en) * 2013-04-12 2014-10-16 Toyota Motor Engineering & Manufacturing North America, Inc. Robust feature fusion for multi-view object tracking
CN106384121A (zh) * 2016-08-30 2017-02-08 电子科技大学 基于标号空间匹配的标号随机集滤波器分布式融合方法
US20180267544A1 (en) * 2017-03-14 2018-09-20 Toyota Research Institute, Inc. Systems and methods for multi-sensor fusion using permutation matrix track association
CN107192998A (zh) * 2017-04-06 2017-09-22 中国电子科技集团公司第二十八研究所 一种基于协方差指标函数的自适应分布式航迹数据融合方法
CN108934028A (zh) * 2018-07-05 2018-12-04 电子科技大学 一种多伯努利滤波器分布式融合方法
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
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
CN111178385A (zh) * 2019-12-02 2020-05-19 江苏大学 一种鲁棒在线多传感器融合的目标跟踪方法
CN111258218A (zh) * 2020-01-17 2020-06-09 成都信息工程大学 基于最大相关熵准则的智能车辆路径跟踪方法
AU2020103330A4 (en) * 2020-11-09 2021-01-21 Southwest University distributed adaptive quantization estimation algorithm
CN112747750A (zh) * 2020-12-30 2021-05-04 电子科技大学 一种基于单目视觉里程计和imu融合的定位方法
CN113436442A (zh) * 2021-06-29 2021-09-24 西安电子科技大学 一种利用多地磁传感器的车速估计方法
CN113630106A (zh) * 2021-08-02 2021-11-09 杭州电子科技大学 基于强跟踪滤波的高阶扩展卡尔曼滤波器设计方法
CN114609912A (zh) * 2022-03-18 2022-06-10 电子科技大学 基于伪线性最大相关熵卡尔曼滤波的仅测角目标追踪方法

Non-Patent Citations (13)

* Cited by examiner, † Cited by third party
Title
ANIRUDH CHHABRA;JASHWANTH RAO VENEPALLY; DONGHOON KIM: "Measurement Noise Covariance-Adapting Kalman Filters for Varying Sensor Noise Situations", Retrieved from the Internet <URL:《https://www.ncbi.nlm.nih.gov/pmc/articles/PMC8708695/》> *
GANG WANG; KAI LIU; JINXIN WANG; RUI XUE: "Distributed Maximum Correntropy Kalman Filter with Consensus Strategies", 2021 7TH INTERNATIONAL CONFERENCE ON CONTROL, AUTOMATION AND ROBOTICS (ICCAR), 25 June 2021 (2021-06-25) *
JIAN ZHANG; CHENGDONG WU; PENG JI; YUE HUANG: "Collaborative Target Tracking Based on Energy Consideration in WSNs", 2011 7TH INTERNATIONAL CONFERENCE ON WIRELESS COMMUNICATIONS, NETWORKING AND MOBILE COMPUTING, 10 October 2011 (2011-10-10) *
YIMAO SUN, FENGRUI ZHANG;QUN WAN: "Wireless Sensor Network-Based Localization Method Using TDOA Measurements in MPR", IEEE SENSORS JOURNAL, vol. 19, no. 10, 13 January 2019 (2019-01-13) *
孙媛;李英豪;: "基于滤波扩维融合的传感器定位测距方法改进", 计算机仿真, no. 12, 15 December 2016 (2016-12-15) *
张敬艳;修建娟;董凯: "噪声非高斯条件下基于最大相关熵准则的容积滤波算法", Retrieved from the Internet <URL:《http://bzxb.cqut.edu.cn/html/202108/2096-2304(2021)08-0245-06.html》> *
李兆铭;杨文革;丁丹;王超;: "多雷达实时定轨的一致性分布式容积信息滤波算法", 仪器仪表学报, no. 08, 15 August 2016 (2016-08-15) *
李妍妍;张伟;陈明燕;: "一种基于航迹隶属度的动态加权融合算法", 计算机应用研究, no. 05, 15 May 2013 (2013-05-15) *
王恒;李春霞;刘守训;: "基于最大相关熵的雷达扩展卡尔曼滤波算法研究", 中国传媒大学学报(自然科学版), no. 03, 25 June 2020 (2020-06-25) *
王晶晶;王刚;王睿: "基于模糊熵的多传感器加权融合算法", 传感器与微系统, vol. 35, no. 07, 20 July 2016 (2016-07-20) *
蓝天保: "基于单目视觉与IMU融合的室内机器人定位系统研究", 中国优秀硕士学位论文全文数据库, 15 January 2022 (2022-01-15) *
赵猛;左燕;李明地;郭宝峰;: "通信受限下分布式多传感器协同跟踪算法", 火力与指挥控制, no. 06, 15 June 2017 (2017-06-15) *
邹平辉: "无线传感器网络安全及数据融合技术研究", 中国博士学位论文全文数据库, 15 June 2018 (2018-06-15) *

Also Published As

Publication number Publication date
CN115087092B (zh) 2024-02-27

Similar Documents

Publication Publication Date Title
CN110244715B (zh) 一种基于超宽带技术的多移动机器人高精度协同跟踪方法
CN106714336B (zh) 一种基于改进克里金算法的无线传感网温度监测方法
CN112180734B (zh) 一种基于分布式自适应事件触发的多智能体一致性方法
Vercauteren et al. Decentralized sigma-point information filters for target tracking in collaborative sensor networks
Gu et al. Consensus based distributed particle filter in sensor networks
CN110401978B (zh) 基于神经网络和粒子滤波多源融合的室内定位方法
CN114449452B (zh) 一种基于CNN-RNN的Wi-Fi室内定位方法
EP1991882A1 (en) A method of tracking a state of a mobile electronic device
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
CN108566178B (zh) 一种非稳态随机机会网络特征值滤波方法
CN111798494B (zh) 广义相关熵准则下的机动目标鲁棒跟踪方法
CN110278525B (zh) 一种高精度室内无线定位方法
CN105891820A (zh) 基于ukf和iufir的机动目标跟踪方法
CN112034713B (zh) 非理想网络环境下移动目标的最优状态估计方法及系统
CN114236480A (zh) 一种机载平台传感器系统误差配准算法
Yang et al. Distributed fusion for nonlinear uncertain systems with multiplicative parameters and random delay
CN103313386A (zh) 基于信息一致性权值优化的无线传感网络目标跟踪方法
CN115087092B (zh) 一种多传感器最大相关熵拓展信息滤波分层融合方法
CN110516198B (zh) 一种分布式非线性卡尔曼滤波方法
CN116088303B (zh) 一种不确定复杂动态网络状态时变递推估计方法
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
CN103313384A (zh) 一种基于信息一致性的无线传感网络目标跟踪方法
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
CN104467742A (zh) 基于高斯混合模型的传感器网络分布式一致性粒子滤波器
CN112994656A (zh) 一种通信拓扑随机切换的分布式k阶滤波器设计方法

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