CN116489602A - 一种分布式容错目标跟踪方法、系统、设备及介质 - Google Patents
一种分布式容错目标跟踪方法、系统、设备及介质 Download PDFInfo
- Publication number
- CN116489602A CN116489602A CN202310735520.6A CN202310735520A CN116489602A CN 116489602 A CN116489602 A CN 116489602A CN 202310735520 A CN202310735520 A CN 202310735520A CN 116489602 A CN116489602 A CN 116489602A
- Authority
- CN
- China
- Prior art keywords
- current moment
- information
- state vector
- matrix
- target tracking
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 72
- 239000011159 matrix material Substances 0.000 claims abstract description 131
- 239000013598 vector Substances 0.000 claims abstract description 129
- 238000001914 filtration Methods 0.000 claims abstract description 80
- 230000004927 fusion Effects 0.000 claims abstract description 63
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 53
- 238000004891 communication Methods 0.000 claims description 35
- 230000005540 biological transmission Effects 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 9
- 238000012216 screening Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000013178 mathematical model Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 5
- 238000005070 sampling Methods 0.000 description 15
- 238000004088 simulation Methods 0.000 description 7
- 230000015556 catabolic process Effects 0.000 description 6
- 238000006731 degradation reaction Methods 0.000 description 6
- 238000005259 measurement Methods 0.000 description 5
- 238000013461 design Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000007500 overflow downdraw method Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000000342 Monte Carlo simulation Methods 0.000 description 1
- 238000009954 braiding Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 210000003666 myelinated nerve fiber Anatomy 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
- H04W4/029—Location-based management or tracking services
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/251—Fusion techniques of input or preprocessed data
-
- 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
- G06F2123/00—Data types
- G06F2123/02—Data types in the time domain, e.g. time-series data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- 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
-
- 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)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Signal Processing (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开一种分布式容错目标跟踪方法、系统、设备及介质,涉及分布式容错目标跟踪领域;方法包括构建目标跟踪模型;对目标跟踪模型中的各个传感器节点,采用容积信息卡尔曼滤波方法,根据获取的上一时刻的状态向量和上一时刻的误差协方差矩阵,确定每个传感器节点当前时刻的滤波数据;确定目标传感器节点;采用基于密度的聚类算法确定节点集合;根据节点集合中的各个传感器节点,采用一致性融合算法,根据当前时刻的信息状态向量和当前时刻的信息矩阵确定目标跟踪模型在当前时刻的目标估计状态向量;本发明能够提高分布式目标跟踪的容错能力和鲁棒性。
Description
技术领域
本发明涉及分布式容错目标跟踪领域,特别是涉及一种分布式容错目标跟踪方法、系统、设备及介质。
背景技术
分布式容错目标跟踪是目前目标跟踪技术研究的热点,在民事及军用领域中应用极其广泛。在民用领域,分布式目标跟踪可以用来对于大型商用场景进行监控,便于减少人工巡逻监控的工作量,大大提升工作效率。在军事领域中,分布式目标跟踪可以用来对于敌方目标进行精确定位,为后续的制导等任务提供信息,还应用于防空等任务中,位于作战任务的前端,至关重要。现有的分布式的目标跟踪方法具有无中心节点,鲁棒性高,可扩展能力强等优点。
但是随着干扰技术的作战策略的不断发展,目标跟踪面临的干扰越来越多,环境越来越复杂,对于目标跟踪技术的容错能力和鲁棒性要求越来越高。目前,对于容错分布式目标跟踪方法的研究主要集中于观测随机丢失、通信拓扑切换以及事件触发策略设计等方面。采用的分布式信息融合方法大部分为基于一致性的分布式融合策略,可以实现全局状态的一致估计。但是针对于无线传感器网络中部分传感器精度下降且存在随机观测丢失导致分布式一致性融合估计精度下降的情况的研究很少。
发明内容
本发明的目的是提供一种分布式容错目标跟踪方法、系统、设备及介质,能够提高分布式目标跟踪的容错能力和鲁棒性。
为实现上述目的,本发明提供了如下方案:
一种分布式容错目标跟踪方法,所述方法包括:
构建目标跟踪模型;所述目标跟踪模型是基于无线传感器网络中各个传感器节点,建立的非线性离散时间数学模型;
获取所述目标跟踪模型中各个传感器节点在上一时刻的状态向量和上一时刻的误差协方差矩阵;
对所述目标跟踪模型中的各个传感器节点,采用容积信息卡尔曼滤波方法,根据上一时刻的状态向量和上一时刻的误差协方差矩阵,确定每个传感器节点当前时刻的滤波数据;当前时刻的滤波数据包括:当前时刻的信息状态向量和当前时刻的信息矩阵;
确定目标传感器节点;所述目标传感器节点是无线传感器网络中各个传感器节点采用分布式通信拓扑结构对当前时刻的滤波数据进行通信传输时,能够最先接收到所有滤波数据的传感器节点;
采用基于密度的聚类算法,将所述目标传感器节点作为聚类中心,并根据设定的聚类半径对各个传感器节点进行聚类筛选,确定节点集合;
根据所述节点集合中的各个传感器节点,采用一致性融合算法,根据当前时刻的信息状态向量和当前时刻的信息矩阵确定目标跟踪模型在当前时刻的目标估计状态向量;所述目标估计状态向量用于表征通信信号的跟踪定位。
可选地,对所述目标跟踪模型中的各个传感器节点,采用容积信息卡尔曼滤波方法,根据上一时刻的状态向量和上一时刻的误差协方差矩阵,确定每个传感器节点当前时刻的滤波数据,具体包括:
根据上一时刻的状态向量和上一时刻的误差协方差矩阵,确定当前时刻的先验信息状态向量和当前时刻的先验信息矩阵;
根据当前时刻的先验信息状态向量确定当前时刻的估计观测向量;
根据当前时刻的估计观测向量确定当前时刻的误差协方差矩阵和当前时刻的交叉协方差矩阵;
根据当前时刻的交叉协方差矩阵和当前时刻的先验信息状态向量确定当前时刻的信息增益向量;
根据当前时刻的交叉协方差矩阵和当前时刻的先验信息矩阵确定当前时刻的信息增益矩阵;
根据当前时刻的信息增益向量和当前时刻的先验信息状态向量确定当前时刻的信息状态向量;
根据当前时刻的先验信息矩阵和当前时刻的信息增益矩阵确定当前时刻的信息矩阵。
可选地,当前时刻的信息矩阵的计算公式为:
;
其中,为当前时刻的先验信息矩阵;/>为当前时刻的信息增益矩阵;/>为当前时刻的信息矩阵。
可选地,所述当前时刻的信息状态向量的计算公式为:
;
其中,为当前时刻的信息状态向量;/>为当前时刻的先验信息状态向量;为当前时刻的信息增益向量。
可选地,采用基于密度的聚类算法,将所述目标传感器节点作为聚类中心,并根据设定的聚类半径对各个传感器节点进行聚类筛选,确定节点集合,具体包括:
对任一传感器节点,将当前时刻的滤波数据转化为估计状态对;
对任一估计状态对,以估计状态向量为聚类中心,根据设定的聚类半径确定邻域;
根据所有的估计状态对和所有的邻域,确定聚类核心元素集;
根据所述聚类核心元素集确定对应的各个传感器节点的编号,并根据各个所述编号确定所述节点集合。
可选地,根据所述节点集合中的各个传感器节点,采用一致性融合算法,根据当前时刻的信息状态向量和当前时刻的信息矩阵确定目标跟踪模型在当前时刻的目标估计状态向量,具体包括:
对所述节点集合中的各个传感器节点,采用一致性融合算法确定当前时刻的融合权重矩阵;
对当前时刻的融合权重矩阵进行归一化处理,得到当前时刻的归一化融合权重矩阵;
对任一传感器节点,根据当前时刻的归一化融合权重矩阵、当前时刻的信息状态向量和当前时刻的信息矩阵,确定当前时刻的初始融合信息;所述初始融合信息包括后验信息状态向量和后验信息矩阵;
对所有的当前时刻的初始融合信息进行一致性融合迭代,得到融合后的估计状态向量;
根据融合后的估计状态向量确定当前时刻的目标估计状态向量。
一种分布式容错目标跟踪系统,所述系统包括:
模型构建模块,用于构建目标跟踪模型;所述目标跟踪模型是基于无线传感器网络中各个传感器节点,建立的非线性离散时间数学模型;
数据获取模块,用于获取所述目标跟踪模型中各个传感器节点在上一时刻的状态向量和上一时刻的误差协方差矩阵;
滤波模块,用于对所述目标跟踪模型中的各个传感器节点,采用容积信息卡尔曼滤波方法,根据上一时刻的状态向量和上一时刻的误差协方差矩阵,确定每个传感器节点当前时刻的滤波数据;当前时刻的滤波数据包括:当前时刻的信息状态向量和当前时刻的信息矩阵;
传输模块,用于确定目标传感器节点;所述目标传感器节点是无线传感器网络中各个传感器节点采用分布式通信拓扑结构对当前时刻的滤波数据进行通信传输时,能够最先接收到所有滤波数据的传感器节点;
聚类模块,用于采用基于密度的聚类算法,将所述目标传感器节点作为聚类中心,并根据设定的聚类半径对各个传感器节点进行聚类筛选,确定节点集合;
确定模块,用于根据所述节点集合中的各个传感器节点,采用一致性融合算法,根据当前时刻的信息状态向量和当前时刻的信息矩阵确定目标跟踪模型在当前时刻的目标估计状态向量;所述目标估计状态向量用于表征通信信号的跟踪定位。
一种电子设备,包括存储器及处理器,所述存储器用于存储计算机程序,所述处理器运行所述计算机程序以使所述电子设备执行上述所述的分布式容错目标跟踪方法。
一种计算机可读存储介质,其存储有计算机程序,所述计算机程序被处理器执行时实现上述所述的分布式容错目标跟踪方法。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明提供了一种分布式容错目标跟踪方法、系统、设备及介质,该方法基于密度的聚类算法对各个传感器节点进行聚类筛选,能够将精度下降的传感器滤除,得到节点集合;采用一致性融合算法对节点集合中的各个传感器节点,根据当前时刻的信息状态向量和当前时刻的信息矩阵确定目标跟踪模型在当前时刻的目标估计状态向量;又由于当前时刻的信息状态向量和当前时刻的信息矩阵是通过容积信息卡尔曼滤波方法确定的;因此能够实现在不改变无线传感器网络通信拓扑的前提下剔除精度下降的传感器,并且进行一致性融合,提高目标跟踪的容错能力和鲁棒性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例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性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的分布式容错目标跟踪方法的流程图;
图2为本发明实施例提供的传感器观测特性示意图;
图3为本发明提供的跟踪方法的设计原理流程图;
图4为单个节点的估计状态和基于DBSCAN的分布式容积信息滤波容错目标跟踪算法得到的仿真结果示意图;
图5为消除故障节点与不消除故障节点的分布式容积信息滤波算法的仿真结果示意图;
图6为本发明实施例提供的分布式容错目标跟踪系统的结构图。
符号说明:
模型构建模块-1、数据获取模块-2、滤波模块-3、传输模块-4、聚类模块-5、确定模块-6。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
对于现有技术中存在的问题,可以采取聚类方法将精度下降的传感器挑选出来,然后利用正常传感器的本地估计进行分布式一致性融合,实现分布式容错目标跟踪任务。因此,研究部分传感器精度下降及随机观测丢失情况下的分布式容错目标跟踪方法不仅具有理论意义,还具有很强的工程应用意义。
本发明的目的是提供一种分布式容错目标跟踪方法、系统、设备及介质,能够提高分布式目标跟踪的容错能力和鲁棒性。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例1
如图1所示,本发明实施例提供了一种分布式容错目标跟踪方法,该方法包括:
步骤100:构建目标跟踪模型;目标跟踪模型是基于无线传感器网络中各个传感器节点,建立的非线性离散时间数学模型。
具体地,建立一个非线性离散时间模型来描述无线传感器网络的目标跟踪模型。该模型的数学表达式如下:
(1)
其中,为目标在采样时刻/>的状态向量;/>表示第/>个传感器在采样时刻/>的观测向量;N是无线传感器网络中传感器的数目;/>为目标在采样时刻/>的运动函数,为第/>个传感器在采样时刻/>的观测函数。/>和/>分别代表目标运动的不确定性和观测噪声,规定都服从均值为0的高斯分布,且方差为:
(2)
其中,为目标运动不确定性的误差协方差矩阵;/>为第/>个传感器在采样时刻/>的观测噪声协方差矩阵;/>表示方差;/>表示转置变换。/>为序号标号。
传感器的观测丢失用来建模,/>表示第/>个传感器在采样时刻/>并没有丢失观测,/>代表观测丢失,那么公式(1)可以改写为:
(3)
根据图论的相关知识,使用来描述无线传感器网络中传感器之间的通信关系。
代表无线传感器网络中传感器节点集合,是边的集合。/>就是第/>个传感器节点,/>就是一个索引标号,通信拓扑是有节点的,如果两个节点之间存在通信关系,那这两个节点的连线就是一条边,所有边就是边的集合。
表示节点/>的邻居节点集合,定义/>为节点/>及其邻居节点集合/>组成的集合,/>。假设无线传感器网络的通信拓扑为无向联通网络,且一致性融合权重矩阵为Metropolis 矩阵/>,设计方法如下:
(4)
其中,为/>中第/>行第/>列的元素;/>为第/>个传感器节点的邻居节点的序号。
步骤200:获取目标跟踪模型中各个传感器节点在上一时刻的状态向量和上一时刻的误差协方差矩阵。
步骤300:对目标跟踪模型中的各个传感器节点,采用容积信息卡尔曼滤波方法,根据上一时刻的状态向量和上一时刻的误差协方差矩阵,确定每个传感器节点当前时刻的滤波数据;当前时刻的滤波数据包括:当前时刻的信息状态向量和当前时刻的信息矩阵。
其中,对目标跟踪模型中的各个传感器节点,采用容积信息卡尔曼滤波方法,根据上一时刻的状态向量和上一时刻的误差协方差矩阵,确定每个传感器节点当前时刻的滤波数据,具体包括:
根据上一时刻的状态向量和上一时刻的误差协方差矩阵,确定当前时刻的先验信息状态向量和当前时刻的先验信息矩阵。
根据当前时刻的先验信息状态向量确定当前时刻的估计观测向量。
根据当前时刻的估计观测向量确定当前时刻的误差协方差矩阵和当前时刻的交叉协方差矩阵。
根据当前时刻的交叉协方差矩阵和当前时刻的先验信息状态向量确定当前时刻的信息增益向量。
根据当前时刻的交叉协方差矩阵和当前时刻的先验信息矩阵确定当前时刻的信息增益矩阵。
根据当前时刻的信息增益向量和当前时刻的先验信息状态向量确定当前时刻的信息状态向量。
根据当前时刻的先验信息矩阵和当前时刻的信息增益矩阵确定当前时刻的信息矩阵。
具体地,当前时刻的信息矩阵的计算公式为:
;
其中,为当前时刻的先验信息矩阵;/>为当前时刻的信息增益矩阵;/>为当前时刻的信息矩阵。
当前时刻的信息状态向量的计算公式为:
;
其中,为当前时刻的信息状态向量;/>为当前时刻的先验信息状态向量;为当前时刻的信息增益向量。
此外,为传感器的序号标号;/>为采样时刻。
具体地,为了分布式一致性融合算法的设计方便,本地滤波算法采用容积信息卡尔曼滤波器。容积信息卡尔曼滤波器是容积卡尔曼滤波器的对偶形式,估计状态向量、误差协方差矩阵/>、信息状态向量/>和信息矩阵/>之间的转换关系如下:
(5)
关于预测步:
假设节点在采样时刻/>的估计状态向量和误差协方差矩阵分别为/>和。使用球-径向容积理论采样:
(6)
其中,为误差协方差矩阵/>的cholesky分解矩阵。/>为第/>个元素为或/>其他元素为0的维数为/>的列向量。
为第/>维成分为1的/>维单位向量。/>就是一个索引标号,相当于一个不确定的常数,本质上就是1,2,3....。每个采样点的预测状态为:
(7)
先验估计目标状态表示为:
(8)
先验误差协方差为:
(9)
根据(5)可知,先验信息状态向量和先验信息矩阵为:
(10)
关于更新步:
更新步的容积采样点为:
(11)
其中,。
从(3)可知,采样点的观测可以表示为:
(12)
那么,估计观测向量为:
(13)
测量的误差协方差矩阵和交叉协方差矩阵/>为:
(14)
信息增益向量和信息增益矩阵为:
(15)
其中,。/>为一个中间变量,为了缩减公式长度的。
由公式(12)-公式(14)可以看出,如果的观测丢失,那么/>,/>,,即观测丢失的节点更新步的信息增益为0,为了更加显式的表现观测丢失对于信息增益的影响将公式(15)改写为:
(16)
后验信息状态向量和后验信息矩阵为:
(17)
步骤400:确定目标传感器节点;目标传感器节点是无线传感器网络中各个传感器节点采用分布式通信拓扑结构对当前时刻的滤波数据进行通信传输时,能够最先接收到所有滤波数据的传感器节点。
首先,无线传感器网络中的节点根据通信拓扑传递各个节点的带有节点编号的本地信息滤波结果。初始时每个节点的信息集为
(18)
在通信迭代过程中的信息集为:
(19)
迭代直到无线传感器网络中出现某个传感器节点收集到了无线传感器网络中所有节点的本地信息滤波结果,即:
(20)
其中,表示集合/>中元素的个数。无线传感器网络的通信拓扑为分布式,在进行DBSCAN聚类时采用分布式传播的形式,可以保持分布式结构的优势,没有唯一的中心节点,每个传感器都可以是中心节点,有较强的鲁棒性。同时只迭代传播到有一个节点获得所有本地滤波估计为止,又拥有集中式的优点,此节点成为DBSCAN聚类的中心,其他节点并不进行计算,且不再进行迭代传播,减少了通信负担和能量消耗。因此,这种分布式的信息传播和集中式的信息处理在增强鲁棒性的同时减小了通信负担。
步骤500:采用基于密度的聚类算法,将目标传感器节点作为聚类中心,并根据设定的聚类半径对各个传感器节点进行聚类筛选,确定节点集合。
其中,采用基于密度的聚类算法,将目标传感器节点作为聚类中心,并根据设定的聚类半径对各个传感器节点进行聚类筛选,确定节点集合,具体包括:
对任一传感器节点,将当前时刻的滤波数据转化为估计状态对。
对任一估计状态对,以估计状态向量为聚类中心,根据设定的聚类半径确定邻域。即,对任一估计状态对,以目标传感器节点的估计状态向量为聚类中心,然后,根据设定的聚类半径确定/>邻域。
根据所有的估计状态对和所有的邻域,确定聚类核心元素集。
根据聚类核心元素集确定对应的各个传感器节点的编号,并根据各个编号确定节点集合。
无线传感器网络中的传感器节点进行本地CIF滤波获得本地估计后,由于部分传感器节点存在观测精度下降的情况,得到的本地估计的精度也会下降,直接进行分布一致性融合,会导致融合精度下降。为了提升分布一致性融合的精度,需要将观测精度下降的传感器节点的本地估计结果剔除。首先需要从无线传感器网络中挑选出精度下降的传感器。根据传感器的观测特性,量测映射到目标状态空间后会聚集在目标真实状态的周围,而精度下降的量测映射到目标状态空间后会孤立地分布在聚集簇的外围,如图2所示。因此采用DBSCAN聚类方法,可以区分密集聚集的正常量测和孤立分布的精度下降量测。需要注意的是,这种方法具有一定的局限性,要求无线传感器网络的传感器节点为相同的传感器,即精度不下降时的观测方差相同,且为了保证DBSCAN算法的顺利实施,要求至少一半传感器节点的探测精度正常。这些要求在实际的应用中容易满足,是合理的假设。
在传感器节点处进行DBSCAN聚类,/>为聚类半径。/>邻域最小元素个数(MinPts),根据实际的跟踪场景选取。首先,将估计信息对转化为估计状态对:
(21)
计算每个估计状态的邻域:
(22)
挑选核心元素:
(23)
聚类核心元素:
(24)
重复(Repeat):
;
直至。/>为第/>个估计状态对应的方差矩阵;/>为此次迭代的核心元素集,同时也是此次迭代后的聚类点集,/>为聚类结束后的聚类核心元素集合。
(25)
从中挑选出正常精度的节点编号集合。随后此节点将正常节点广播给其他节点,进入分布一致性融合。其中,/>、/>和/>均为序号。
步骤600:根据节点集合中的各个传感器节点,采用一致性融合算法,根据当前时刻的信息状态向量和当前时刻的信息矩阵确定目标跟踪模型在当前时刻的目标估计状态向量;目标估计状态向量用于表征通信信号的跟踪定位。
其中,根据节点集合中的各个传感器节点,采用一致性融合算法,根据当前时刻的信息状态向量和当前时刻的信息矩阵确定目标跟踪模型在当前时刻的目标估计状态向量,具体包括:
对节点集合中的各个传感器节点,采用一致性融合算法确定当前时刻的融合权重矩阵。
对当前时刻的融合权重矩阵进行归一化处理,得到当前时刻的归一化融合权重矩阵。
对任一传感器节点,根据当前时刻的归一化融合权重矩阵、当前时刻的信息状态向量和当前时刻的信息矩阵,确定当前时刻的初始融合信息;初始融合信息包括后验信息状态向量和后验信息矩阵。
对所有的当前时刻的初始融合信息进行一致性融合迭代,得到融合后的估计状态向量。
根据融合后的估计状态向量确定当前时刻的目标估计状态向量。
由于故障节点的探测精度下降导致本地滤波估计的精度也要低于正常节点,因此要提升分布一致性融合的精度要将精度下降节点的本地滤波估计剔除。正常节点会接收其正常邻居节点的信息并按照融合权重进行融合,不接收错误邻居节点的信息。错误的节点会接收其正常邻居节点的信息并按照融合权重进行融合,不接收错误邻居节点的信息。按照这种通信方式,融合权重矩阵变为:
(26)
其中,表示初始权重矩阵/>的修正矩阵,/>为/>的第/>行第/>列的元素;/>且
(27)
这就造成权重矩阵的行元素的和不为1。
因此进行行归一化处理得到:
,
。
为/>行/>列的归一化权重矩阵;/>为/>行/>列的权重矩阵。
因此,根据权重矩阵得到各节点初始信息状态向量和信息矩阵:
(28)
其中,为/>中第/>行第/>列的元素。
为了使一致性融合迭代时的通信拓扑与前述的通信拓扑相同,同时将精度下降的本地滤波估计剔除,在进行一致性迭代的初始化时,采用初始化权重矩阵,使得精度下降节点利用其正常的邻居节点的本地滤波估计得到加权滤波估计作为初始迭代信息对。与直接将本地滤波估计作为初始迭代信息对方法相比,可以剔除精度下降的滤波估计,提升一致性融合估计的精度。
关于分布式一致性融合迭代,定义1:当迭代次数趋近于/>时,如果每个节点的迭代信息对/>满足:/>
(29)
其中,分别表示一致性融合向量和一致性融合矩阵。/>为/>次迭代下的信息状态向量;/>为/>次迭代下的信息矩阵。
那么称初始信息对是加权平均一致的。因为在初始化的过程中已经将来自精度下降的本地滤波估计剔除,因此在迭代过程中,按照经典分布式一致性融合方法进行,精度下降节点正常接收和发送融合结果。迭代方程为:
(30)
其中采用的一致性权重矩阵为前述介绍的Metropolis矩阵。
引理1:对于一个通信拓扑结构为的传感器网络,如果一致性权重矩阵/>是本原的,那么初始信息对/>是加权平均一致的,且一致于:
(31)
其中,
。
Metropolis矩阵是本原矩阵,根据引理1可知/>可以由/>线性表示。/>为加权平均值的集合。在/>次一致性迭代后得到各个节点的融合信息对,则融合后的估计状态向量和误差协方差矩阵为:/>
(32)
图3为本发明提供的跟踪方法的设计原理流程图。该流程在实际应用中,还需要对上述提及的方法进行仿真。构建一个目标跟踪场景,使用分布式容积信息滤波算法与所提的基于密度聚类算法(DBSCAN)的分布式容积信息滤波容错目标跟踪算法进行对比,验证所提算法的有效性。仿真场景中有1个目标和9个传感器。9个传感器同时观察目标。目标运动做匀速转弯运动,运动模型为:
;
。
其中,为目标的状态转移矩阵(运动矩阵)。/>,采样间隔时间为,/>服从均值为0的高斯分布/>,方差矩阵为:
。
目标的初始状态向量为:
。
第个传感器的观测模型为:
;
;
。/>
其中,表示目标与第/>个传感器之间的距离;/>表示目标与第/>个传感器之间的角度;/>是目标的位置,/>是第/>个传感器的位置,观测噪声/>服从均值为0的高斯分布/>,方差矩阵为:/>。
进行蒙特卡洛仿真实验10次。仿真实验总采样次数300次。DBSCAN聚类的参数,/>。每个传感器在每个采样时刻均有50%的概率丢失观测值。编号为1和5的传感器会在仿真采样的部分时刻出现精度下降的情况,精度下降开始时刻和结束时刻见表1。
表1: 精度下降开始和结束时刻
传感器 | 1 | 5 |
开始/s | 20 | 50 |
结束/s | 140 | 160 |
通过均方根误差(RMSE)来衡量算法的效果:
。
其中,为时间变量;/>为变量/>对应的输出值;/>为第/>个传感器观测的时间变量;/>为变量/>对应的观测输出值。
单个节点的状态估计和所提出的基于DBSCAN的分布式容积信息滤波容错目标跟踪算法得到的仿真结果如图4所示。图5和表2展示了该算法与不消除故障节点的分布式容积信息滤波算法的仿真结果。从图4可以看出,提出的基于DBSCAN的分布式容积信息滤波容错目标跟踪算法不受单个故障传感器滤波结果的影响,保持了分布式融合算法的优势,可以减少目标跟踪误差。从图5可以看出,与单传感器滤波算法相比,由于采用了分布式一致性融合,正常传感器的滤波结果对故障传感器的滤波结果有修正作用,分布式容积信息滤波算法可以减少干扰的影响。然而,与所提出的基于DBSCAN的分布式容积信息滤波容错目标跟踪算法相比,分布式容积信息滤波算法的跟踪误差更大。另外,随着故障传感器数量的增加,分布式容积信息滤波算法相比于基于DBSCAN的分布式容积信息滤波容错目标跟踪算法的误差越大,如图5所示。当第一个故障传感器在20秒出现时,分布式容积信息滤波算法方法的误差开始大于所提出的基于DBSCAN的分布式容积信息滤波容错目标跟踪算法的误差,但误差的差异不是很明显。在50s时出现第二个故障传感器,误差差距进一步扩大。此外,分布式容积信息滤波算法误差的变化趋势与故障传感器的滤波误差的变化趋势基本相同,这也表明分布式容积信息滤波算法方法受到故障传感器滤波结果的影响。
表2: 与单节点相比定位精度提升程度
算法 | 基于DBSCAN的分布式容积信息滤波容错目标跟踪算法 | 分布式容积信息滤波 |
精度提升 | 79.73% | 44.91% |
结果表明,所提出的基于DBSCAN的分布式容积信息滤波容错目标跟踪算法可以有效地降低故障传感器的影响,提高干扰环境下目标跟踪的精度。
实施例2
如图6所示,本发明实施例提供了一种分布式容错目标跟踪系统,该系统包括:模型构建模块1、数据获取模块2、滤波模块3、传输模块4、聚类模块5和确定模块6。
模型构建模块1,用于构建目标跟踪模型;目标跟踪模型是基于无线传感器网络中各个传感器节点,建立的非线性离散时间数学模型。
数据获取模块2,用于获取目标跟踪模型中各个传感器节点在上一时刻的状态向量和上一时刻的误差协方差矩阵。
滤波模块3,用于对目标跟踪模型中的各个传感器节点,采用容积信息卡尔曼滤波方法,根据上一时刻的状态向量和上一时刻的误差协方差矩阵,确定每个传感器节点当前时刻的滤波数据;当前时刻的滤波数据包括:当前时刻的信息状态向量和当前时刻的信息矩阵。
传输模块4,用于确定目标传感器节点;目标传感器节点是无线传感器网络中各个传感器节点采用分布式通信拓扑结构对当前时刻的滤波数据进行通信传输时,能够最先接收到所有滤波数据的传感器节点。
聚类模块5,用于采用基于密度的聚类算法,将目标传感器节点作为聚类中心,并根据设定的聚类半径对各个传感器节点进行聚类筛选,确定节点集合。
确定模块6,用于根据节点集合中的各个传感器节点,采用一致性融合算法,根据当前时刻的信息状态向量和当前时刻的信息矩阵确定目标跟踪模型在当前时刻的目标估计状态向量;目标估计状态向量用于表征通信信号的跟踪定位。
实施例3
本发明实施例提供了一种电子设备,包括存储器及处理器,存储器用于存储计算机程序,处理器运行计算机程序以使电子设备执行实施例1中的分布式容错目标跟踪方法。
在一种实施例中,该电子设备可以是服务器。
作为一种可选的实施方式,本发明还提供了一种计算机可读存储介质,其存储有计算机程序,计算机程序被处理器执行时实现实施例1中的分布式容错目标跟踪方法。
本发明可以利用DBSCAN聚类将无线传感器网络中的精度下降的传感器挑选出来,避免精度下降的本地滤波估计进入分布式一致性融合过程,降低一致性融合估计的精度,同时设计了一种改进的一致性融合方法,在不改变无线传感器网络通信拓扑的前提下实现剔除精度下降本地滤波估计与一致性融合,提高了分布式目标跟踪的容错能力和鲁棒性。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (9)
1.一种分布式容错目标跟踪方法,其特征在于,所述方法包括:
构建目标跟踪模型;所述目标跟踪模型是基于无线传感器网络中各个传感器节点,建立的非线性离散时间数学模型;
获取所述目标跟踪模型中各个传感器节点在上一时刻的状态向量和上一时刻的误差协方差矩阵;
对所述目标跟踪模型中的各个传感器节点,采用容积信息卡尔曼滤波方法,根据上一时刻的状态向量和上一时刻的误差协方差矩阵,确定每个传感器节点当前时刻的滤波数据;当前时刻的滤波数据包括:当前时刻的信息状态向量和当前时刻的信息矩阵;
确定目标传感器节点;所述目标传感器节点是无线传感器网络中各个传感器节点采用分布式通信拓扑结构对当前时刻的滤波数据进行通信传输时,能够最先接收到所有滤波数据的传感器节点;
采用基于密度的聚类算法,将所述目标传感器节点作为聚类中心,并根据设定的聚类半径对各个传感器节点进行聚类筛选,确定节点集合;
根据所述节点集合中的各个传感器节点,采用一致性融合算法,根据当前时刻的信息状态向量和当前时刻的信息矩阵确定目标跟踪模型在当前时刻的目标估计状态向量;所述目标估计状态向量用于表征通信信号的跟踪定位。
2.根据权利要求1所述的分布式容错目标跟踪方法,其特征在于,对所述目标跟踪模型中的各个传感器节点,采用容积信息卡尔曼滤波方法,根据上一时刻的状态向量和上一时刻的误差协方差矩阵,确定每个传感器节点当前时刻的滤波数据,具体包括:
根据上一时刻的状态向量和上一时刻的误差协方差矩阵,确定当前时刻的先验信息状态向量和当前时刻的先验信息矩阵;
根据当前时刻的先验信息状态向量确定当前时刻的估计观测向量;
根据当前时刻的估计观测向量确定当前时刻的误差协方差矩阵和当前时刻的交叉协方差矩阵;
根据当前时刻的交叉协方差矩阵和当前时刻的先验信息状态向量确定当前时刻的信息增益向量;
根据当前时刻的交叉协方差矩阵和当前时刻的先验信息矩阵确定当前时刻的信息增益矩阵;
根据当前时刻的信息增益向量和当前时刻的先验信息状态向量确定当前时刻的信息状态向量;
根据当前时刻的先验信息矩阵和当前时刻的信息增益矩阵确定当前时刻的信息矩阵。
3.根据权利要求2所述的分布式容错目标跟踪方法,其特征在于,当前时刻的信息矩阵的计算公式为:
;
其中,为当前时刻的先验信息矩阵;/>为当前时刻的信息增益矩阵;/>为当前时刻的信息矩阵。
4.根据权利要求2所述的分布式容错目标跟踪方法,其特征在于,所述当前时刻的信息状态向量的计算公式为:
;
其中,为当前时刻的信息状态向量;/>为当前时刻的先验信息状态向量;/>为当前时刻的信息增益向量。
5.根据权利要求1所述的分布式容错目标跟踪方法,其特征在于,采用基于密度的聚类算法,将所述目标传感器节点作为聚类中心,并根据设定的聚类半径对各个传感器节点进行聚类筛选,确定节点集合,具体包括:
对任一传感器节点,将当前时刻的滤波数据转化为估计状态对;
对任一估计状态对,以估计状态向量为聚类中心,根据设定的聚类半径确定邻域;
根据所有的估计状态对和所有的邻域,确定聚类核心元素集;
根据所述聚类核心元素集确定对应的各个传感器节点的编号,并根据各个所述编号确定所述节点集合。
6.根据权利要求1所述的分布式容错目标跟踪方法,其特征在于,根据所述节点集合中的各个传感器节点,采用一致性融合算法,根据当前时刻的信息状态向量和当前时刻的信息矩阵确定目标跟踪模型在当前时刻的目标估计状态向量,具体包括:
对所述节点集合中的各个传感器节点,采用一致性融合算法确定当前时刻的融合权重矩阵;
对当前时刻的融合权重矩阵进行归一化处理,得到当前时刻的归一化融合权重矩阵;
对任一传感器节点,根据当前时刻的归一化融合权重矩阵、当前时刻的信息状态向量和当前时刻的信息矩阵,确定当前时刻的初始融合信息;所述初始融合信息包括后验信息状态向量和后验信息矩阵;
对所有的当前时刻的初始融合信息进行一致性融合迭代,得到融合后的估计状态向量;
根据融合后的估计状态向量确定当前时刻的目标估计状态向量。
7.一种分布式容错目标跟踪系统,其特征在于,所述系统包括:
模型构建模块,用于构建目标跟踪模型;所述目标跟踪模型是基于无线传感器网络中各个传感器节点,建立的非线性离散时间数学模型;
数据获取模块,用于获取所述目标跟踪模型中各个传感器节点在上一时刻的状态向量和上一时刻的误差协方差矩阵;
滤波模块,用于对所述目标跟踪模型中的各个传感器节点,采用容积信息卡尔曼滤波方法,根据上一时刻的状态向量和上一时刻的误差协方差矩阵,确定每个传感器节点当前时刻的滤波数据;当前时刻的滤波数据包括:当前时刻的信息状态向量和当前时刻的信息矩阵;
传输模块,用于确定目标传感器节点;所述目标传感器节点是无线传感器网络中各个传感器节点采用分布式通信拓扑结构对当前时刻的滤波数据进行通信传输时,能够最先接收到所有滤波数据的传感器节点;
聚类模块,用于采用基于密度的聚类算法,将所述目标传感器节点作为聚类中心,并根据设定的聚类半径对各个传感器节点进行聚类筛选,确定节点集合;
确定模块,用于根据所述节点集合中的各个传感器节点,采用一致性融合算法,根据当前时刻的信息状态向量和当前时刻的信息矩阵确定目标跟踪模型在当前时刻的目标估计状态向量;所述目标估计状态向量用于表征通信信号的跟踪定位。
8.一种电子设备,其特征在于,包括存储器及处理器,所述存储器用于存储计算机程序,所述处理器运行所述计算机程序以使所述电子设备执行如权利要求1至6中任意一项所述的分布式容错目标跟踪方法。
9.一种计算机可读存储介质,其特征在于,其存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至6中任意一项所述的分布式容错目标跟踪方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310735520.6A CN116489602B (zh) | 2023-06-21 | 2023-06-21 | 一种分布式容错目标跟踪方法、系统、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310735520.6A CN116489602B (zh) | 2023-06-21 | 2023-06-21 | 一种分布式容错目标跟踪方法、系统、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116489602A true CN116489602A (zh) | 2023-07-25 |
CN116489602B CN116489602B (zh) | 2023-08-18 |
Family
ID=87227201
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310735520.6A Active CN116489602B (zh) | 2023-06-21 | 2023-06-21 | 一种分布式容错目标跟踪方法、系统、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116489602B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103065037A (zh) * | 2012-11-13 | 2013-04-24 | 杭州电子科技大学 | 非线性系统基于分散式容积信息滤波的目标跟踪方法 |
CN107453993A (zh) * | 2017-08-11 | 2017-12-08 | 长春理工大学 | 基于Fisher信息矩阵与SUKF的目标跟踪方法 |
CN107743299A (zh) * | 2017-09-08 | 2018-02-27 | 天津大学 | 面向无人机机载移动传感器网络的一致性信息滤波算法 |
WO2022057107A1 (zh) * | 2020-09-18 | 2022-03-24 | 中国人民解放军海军航空大学 | 面向观测优化的多机异类传感器协同多目标跟踪方法 |
-
2023
- 2023-06-21 CN CN202310735520.6A patent/CN116489602B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103065037A (zh) * | 2012-11-13 | 2013-04-24 | 杭州电子科技大学 | 非线性系统基于分散式容积信息滤波的目标跟踪方法 |
CN107453993A (zh) * | 2017-08-11 | 2017-12-08 | 长春理工大学 | 基于Fisher信息矩阵与SUKF的目标跟踪方法 |
CN107743299A (zh) * | 2017-09-08 | 2018-02-27 | 天津大学 | 面向无人机机载移动传感器网络的一致性信息滤波算法 |
WO2022057107A1 (zh) * | 2020-09-18 | 2022-03-24 | 中国人民解放军海军航空大学 | 面向观测优化的多机异类传感器协同多目标跟踪方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116489602B (zh) | 2023-08-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109194707B (zh) | 分布式图嵌入的方法及装置 | |
Wang et al. | On scalability and robustness limitations of real and asymptotic confidence bounds in social sensing | |
CN105844102A (zh) | 一种自适应无参空间离群点检测算法 | |
CN109460539B (zh) | 一种基于简化容积粒子滤波的目标定位方法 | |
CN114152839B (zh) | 一种分布式电力并网环境下的配电网故障定位方法及系统 | |
CN105407529B (zh) | 基于模糊c均值聚类的无线传感器网络节点定位算法 | |
CN109547929B (zh) | 基于共轭梯度法的分布式传感器节点定位方法 | |
CN109684314A (zh) | 一种基于空间结构的无线传感器网络缺失值估计方法 | |
CN102708327A (zh) | 一种基于谱优化的网络社区发现方法 | |
CN109039720A (zh) | 一种针对二值传感器网络的参数估计方法 | |
CN111757266B (zh) | 基于太阳能供电型农业物联网的uav数据采集轨迹算法 | |
CN103313386B (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 | |
CN116489602B (zh) | 一种分布式容错目标跟踪方法、系统、设备及介质 | |
CN105228185A (zh) | 一种用于识别通信网络中模糊冗余节点身份的方法 | |
CN114119690A (zh) | 一种基于神经网络重建高斯混合模型的点云配准方法 | |
CN114090860A (zh) | 一种加权网络节点重要性确定方法及系统 | |
Karimi et al. | Efficient model selection in switching linear dynamic systems by graph clustering | |
CN117241215A (zh) | 一种基于图神经网络的无线传感器网络分布式节点协作定位方法 | |
CN109561498B (zh) | 基于改进牛顿法的传感器节点分布式定位方法 | |
CN116304950A (zh) | 一种配电网多源异构数据融合方法、装置及存储介质 | |
CN110035405A (zh) | 一种基于随机集理论的多传感器分布式高效融合方法 | |
Dou et al. | Incremental multi-hop localization algorithm based on regularized weighted least squares | |
CN105979564B (zh) | 一种发送数据的方法及装置 | |
CN110895332B (zh) | 一种扩展目标的分布式跟踪方法 | |
CN109657160B (zh) | 基于随机游走访问频数的入度信息估计方法及系统 |
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 |