专利名称：基于节点协作的高斯和半粒子滤波方法
技术领域：
本发明涉及无线传感器网络中的目标跟踪，特别是一种基于节点协作的高斯和半粒子 滤波方法(GSQPF)，属于分布式信号处理的技术领域。
技术背景随着计算机网络、无线通信和微小型系统的发展，融合了以上三种技术的无线传感器 网络应运而生。传感器节点具有数据处理和通信的能力，并利用节点上的传感器对其周围 的环境进行监控以获得测量数据，然后借助节点的处理能力对测量数据进行信号处理以提 取周围环境的本质特征，最后把得到的结果通过无线信道传给信宿。无线传感器网络可以 把现有的网络延伸到物理世界，实现人与物理世界的沟通，达到"无所不在"的通信。无 线传感器网络的一个主要应用是目标跟踪。由于传感器节点本身资源的限制，单个传感器 节点完成粒子滤波实现目标跟踪是不现实的，需要通过节点的协作进行协作粒子滤波。那 么，协作粒子滤波如何实现就是急需解决的问题。 发明内容本发明的目的是提出一种基于节点协作的高斯和半粒子滤波方法，以实现高效、低复 杂度、鲁棒的分布式目标跟踪，具有很好的实用价值，为目标跟踪提供一种新的方法。本发明的技术方案是 一种基于节点协作的高斯和半粒子滤波方法，其特征是包括 高斯和半粒子滤波和基于高斯和半粒子滤波的头节点选择两个部份，对于当前时刻的头 节点，先用QMC点产生抽样值，接着用这些抽样值产生高斯和分布近似目标当前状态的 后验概率分布，然后基于节点协作，选出下个时刻的头节点，把目标当前状态的后验概率 分布传输给下个时刻的头节点，最后，下个时刻的头节点根据自己的测量值更新目标状态 的后验概率分布。在进行高斯和半粒子滤波的过程中，可利用QMC点代替随机数产生抽样值，并利用这些抽样值产生高斯和分布近似目标状态的后验概率分布，然后基于这些高斯和分布得到 当前头节点各个邻居节点对更新下个时刻目标状态的贡献量表达式，最后选出一个贡献量 最大的邻居节点成为下个时刻的头节点。整个方法的工作步骤如下(1) QMC点的产生把服从[O,l]上均匀分布的低差异序列Uy (_/ = l,...,AO称为QMC点，常见的QMC点包括Vander Corput序列、Halton序列和Sobol序列。(2) 高斯和半粒子滤波 当前头节点接收到前一个时刻头节点传送过来的跟踪结果(『々.,/^,Z一^-i后，首先利用QMC点得到目标后验概率的预测分布 这里=『(/- 丄《 +l)厂^u(,+l》，s(,+i)广i (V i)厂 +1》,)(》+i)厂 +i)y) 接着根据头节点接收到新的测量值^/+1)，得到目标概率的近似分布^,+i)l +i))《见 +i)/"(,+iy +iV,、+i".)这里A" + l)广玉w(" + l),(" + l)/V〃 j 『=『Z'' = 1W,y = l/ = l 、…"从而得到当前头节点的跟踪结果( +w, +w,2:("w《-「(3)头节点选择协作高斯和半粒子滤波中的"协作"关系是通过头节点选择策略实现的。我们利用 互信息/(5 + 1;《+1|^)度量各个邻居节点的贡献量，根据步骤(2)高斯和半粒子滤波的结果，可把这个互信息表示为4 ，,("d/。剩〃2如果集合71/ = {1，2.....M表示头节点的邻居节点，令则节点丄就是下一个时刻的头节点。当Z元素不唯一时，也就是有两个或者以上节点的贡 献量是一致的，那随机选择一个作为下一个时刻的头节点。通过头节点选择，可以实现跟 踪结果在头节点间的相互传递，从而实现协作高斯和半粒子滤波。 本发明的优点及有益效果1、 利用基于节点协作的高斯和半粒子滤波方法实现目标跟踪将极大的降低节点间的通 信量，非常适合无线传感器网络这种资源受限的网络。2、 通过头节点选择，可把高斯和半粒子滤波的计算复杂度有效地分布到整个网络，实 现分布式处理。通过仿真还发现，基于高斯和半粒子滤波的头节点选择具有较好的鲁棒性。3、 利用QMC点代替随机数产生抽样值，可以有效地解决跟踪的发散问题。其思路还可 应用于其他粒子滤波以提高性能。4、 利用其他分布近似目标的后验概率分布，可衍生出基于其他分布的协作滤波算法。5、 利用头节点选择实现协作滤波，每个时刻仅有一个节点进行跟踪处理，可拓展为每 个时刻有多个节点进行跟踪处理以进一步提高跟踪性能的类似算法。6、 本发明方法还可拓展用于信道估计与均衡等基于模型的检测跟踪问题。
图1是一种基于节点协作的高斯和半粒子滤波(GSQPF)的实现框架；图2是本发明的仿真效果图；图3是头节点选择的仿真效果图。
具体实施例方式
本发明基于节点协作的高斯和半粒子滤波方法主要用于无线传感器网络中的分布式 目标跟踪，这种滤波方法具有复杂度低、分布式处理等特点，非常适用于资源受限的无线 传感器网络。具体实施方案如下-令{、， t=0, 1, 2. .. }表示目标在时刻t的状态，对应的测量序列为{zt， t=l， 2， 3... }，则目标的运动方程和节点的测量方程可以表示为其中/(",gOc)可以是线性的，也可以是非线性的，状态噪声 和测量噪声,都是零均值的 加性高斯白噪声。如/(x), g(;c)都是线性的，那么可根据卡尔曼滤波得到目标状态的解析解。但如/Oc),g(;c)不是线性的，那目标状态是没有解析解的，基于节点协作的高斯和半粒子滤波就是为这种情况下的目标跟踪提供一种目标状态的近似解。本发明方法的本质就是利用一些高斯和分布近似目标状态的后验概率分布p(x, I Zp ，由于高斯和分布的参数只有均值和方差，因此，要完成基于节点协作的高斯和半粒子滤波， 只需在传感器节点间传输这些参数信息，复杂度大大降低。下面介绍实施一种基于节点协 作的高斯和半粒子滤波的三个具体步骤1) QMC点的产生把服从
上均匀分布的低差异序列"(/ = l,...,iV)称为QMC点，常见的QMC点包括Vander Corput序列、Halton序列和Sobol序列。2) 高斯和半粒子滤波 高斯和半粒子滤波算法又包括两个步骤2.1)后验概率分布的预测。当前头节点接收到前一个时刻头节点传送过来的跟踪结 果( .， ,^《^后，首先'产生QMC点《.(hl,…,W， _/ = 1,2,...,( )，再把QMC点u;.变换为服从分布iV(x,;/^.，5:")的抽样《。接着，再次产生QMC点i^ + (/ = 1,...,〃 ，_/ = 1,2,…，G)，也把QMC点i^j、.根据变换为服从分布p(x,jl《.)的抽样值;^d、,.。令= K ，那么可得到目标后验概率的预测分布这里<formula>formula see original document page 7</formula>后验概率分布的更新。当头节点接收到新的测量值^(,+1)时，根据下面的过程更新后验概率分布/7( + 1)| + 1)):先抽样得到<formula>formula see original document page 7</formula>，接着 把这些QMC点转化为服从分布<formula>formula see original document page 7</formula>的抽样<formula>formula see original document page 7</formula>然后令把^, + 1".归一化得到>1^ + 1》.，现在，就可把后验概率近似为<formula>formula see original document page 7</formula>这里<formula>formula see original document page 7</formula>3)头节点选择基于节点协作的高斯和半粒子滤波中的"协作"关系是通过头节点选择实现的。 我们利用互信息/(5 + 1;《+1^)度量头节点各个邻居节点的贡献量<formula>formula see original document page 8</formula>可以表示为<formula>formula see original document page 8</formula>根据步骤(2)高斯和半粒子滤波的结果，可把上面的互信息近似为<formula>formula see original document page 8</formula>如果集合^ = {1,2....."表示头节点的邻居节点，令则节点Z就是下一个时刻的头节点。当丄元素不唯一时，也就是有两个或者以上节点的贡 献量是一致的，那随机选择一个作为下一个时刻的头节点。通过头节点选择策略，可以实 现跟踪结果在头节点间的相互传递，从而实现基于节点协作的高斯和半粒子滤波。 对本发明提出的算法，我们利用Matlab进行性能仿真，其性能如图2和图3示。 从图2可以看出， 一种基于节点协作的协作高斯和半粒子滤波的跟踪性能十分优秀， 得到的跟踪曲线非常靠近目标实际的运动轨迹。从图3可以看出，根据头节点选择得到的 头节点均匀地分布在目标跟踪曲线的两侧，具有较强的鲁棒性。
权利要求
1、一种基于节点协作的高斯和半粒子滤波方法，其特征是包括高斯和半粒子滤波和基于高斯和半粒子滤波的头节点选择两个部份，对于当前时刻的头节点，先用QMC点产生抽样值，接着用这些抽样值产生高斯和分布近似目标当前状态的后验概率分布，然后基于节点协作，选出下个时刻的头节点，把目标当前状态的后验概率分布传输给下个时刻的头节点，最后，下个时刻的头节点根据自己的测量值更新目标状态的后验概率分布。
2、 根据权利要求1所述的基于节点协作的高斯和半粒子滤波方法，其特征是在进行 高斯和半粒子滤波的过程中，利用QMC点代替随机数产生抽样值，并利用这些抽样值产 生高斯和分布近似目标状态的后验概率分布，然后基于这些高斯和分布得到当前头节点各 个邻居节点对更新下个时刻目标状态的贡献量表达式，最后选出一个贡献量最大的邻居节 点成为下个时刻的头节点。
3、 根据权利要求1或2所述一种基于节点协作的高斯和半粒子滤波方法，其特征是 包括下面三个步骤(1) QMC点的产生把服从
上均匀分布的低差异序列i^. (y = l,...,AO称为QMC 点；(2) 高斯和半粒子滤波当前头节点接收到前一个时刻头节点传送过来的跟踪结果 (^.,/V,i;.P一后，首先利用QMC点得到目标后验概率的预测分布;7(^dlz)，接着根据头节点接收到新的测量值，^+1)，得到目标概率的近似分布; 0^ + 1)!>^ + 1))，从而 翻当前头节点的跟踪结果 + 1)/ + 1);.,^ + 1)^=1。(3) 头节点选择根据步骤(2)高斯和半粒子滤波的结果，得到头节点选择的一个度 量标准^ ，如果集合M = {1，2.....《}表示头节点的邻居节点，令i^argma^e^a^，则节点丄就是下一个时刻的头节点；当丄元素不唯一时，也就是有两个或者以上节点的贡献量是一致的，那随机选择一个作为下一个时刻的头节点；通过头节 点选择，可以实现跟踪结果在头节点间的相互传递。
全文摘要
一种基于节点协作的高斯和半粒子滤波方法，其特征是包括高斯和半粒子滤波和基于高斯和半粒子滤波的头节点选择两个部分，对于当前时刻的头节点，先用QMC点产生抽样值，接着用这些抽样值产生高斯和分布近似目标当前状态的后验概率分布，然后基于节点协作，选出下个时刻的头节点，把目标当前状态的后验概率分布传输给下个时刻的头节点，最后，下个时刻的头节点根据自己的测量值更新目标状态的后验概率分布。
文档编号G06F17/50GK101162482SQ200710190189
公开日2008年4月16日 申请日期2007年11月20日 优先权日2007年11月20日
发明者郑宝玉, 颜振亚 申请人:南京邮电大学