基于自适应速率因子的卡尔曼一致性滤波器的制造方法
【技术领域】
[0001] 本发明涉及传感器网络的信息融合系统，尤其涉及一种分布式传感器网络中的一 致性滤波方法，属于传感器信息处理领域。
【背景技术】
[0002] 状态估计是分布式传感器网络应用的核心关键技术，为满足诸多实际应用需求， 分布式传感器网络需要对目标状态实施一致估计，从而在每个传感器中形成统一的态势， 提高任务执行的成功概率及高效性。节点协同一致性状态估计是分布式传感器网络中一种 有效的估计融合方法。该方法基于信息交互式融合的迭代形式，网络中每个传感器都可以 利用邻居节点之间的有效信息不断更新本地估计，通过多次迭代循环，能够使得每个传感 器的本地估计逐渐收敛于全局最优估计，从而实现网络内所有节点对目标状态具有统一的 估计。这种方法对节点失效等分布式网络特性具有充分鲁棒性，且因其优越的容错性与可 扩展性在传感器网络状态估计领域发挥着越来越重要的作用。
[0003] 由于分布式传感器网络通常采用随机部署方式，其网络结构一般具有非均匀拓 扑特性，甚至呈现局部小型网络、多簇网络等结构。因此，网络中不同节点间的通信链接 在一致性估计融合中应该具有不同的重要性，而卡尔曼一致性滤波（Kalman Consensus Filter，KCF)等代表性方法在信息迭代时将所有节点通信链接的对应权值视为相等，容易 导致一致性收敛速度受到网络中某些"桥梁"链接的负面影响。
[0004] 原理上，基于一致性的滤波方法需要通过邻居节点之间足够多次的通信迭代，才 能使得各节点对目标的状态估计逐渐收敛且趋于一致。实际上，由于网络通信资源、节点能 量受限及实时性要求等因素，单个时间点的状态估计过程中只能执行有限且少数次一致性 迭代处理，因而并不是在任何给定时刻都能满足绝对的一致性收敛。此时，如何在迭代次数 受限的情况下利用网络拓扑结构信息加速节点间状态估计的一致性收敛，是目前一致性状 态估计方法中亟待解决的重要问题。
【发明内容】
[0005] 1.要解决的技术问题
[0006] 本发明的目的在于提供一种网络资源受限条件下基于自适应速率因子卡尔曼一 致性滤波器。该发明研宄了网络资源受限条件下的节点协同一致性状态估计框架，根据节 点通信链接的重要性设计了基于网络动态拓扑信息的自适应权值分配策略，并提出了基于 自适应速率因子卡尔曼一致性滤波方法。
[0007] 2?技术方案
[0008] 本发明所述的基于自适应速率因子的卡尔曼一致性滤波器，如图1所示，包括以 下技术措施：首先，计算通信链接对应的一致性速率因子，如图2所示；然后计算本地信息 向量和信息矩阵，进行一致性信息处理与融合；最后，进行目标的状态估计和状态预测，实 现对目标状态的滤波。
[0009] 3?有益效果
[0010] 本发明相比【背景技术】具有如下的优点：
[0011] (1)在节点部署较为稀疏的网络中，该滤波器收敛速度较快；
[0012] (2)在保证相同的估计精度下，该滤波器所需的一致性迭代次数较少；
【附图说明】
[0013] 图1:基于自适应速率因子的卡尔曼一致性滤波方法流程图；
[0014] 图2:基于动态拓扑的一致性速率因子分配方法流程图；
[0015] 图3:多簇结构的分布式传感器网络；
[0016] 图4:不同通信半径下的随机拓扑网络（50个节点）；
[0017] 图5:均值估计误差随一致性迭代次数变化情况。
【具体实施方式】
[0018] 以下结合说明书附图对本发明作进一步详细描述。参照说明书附图，本发明目标 状态更新的单次循环方式分以下几个步骤：
[0019]1、问题描述
[0020] 传感器网络中节点之间的通信连接可由无向图g= (&￡)来表示，其中 S= {SrS2?.…包含了图中所有的顶点，表示网络中的通信节点，其中Ns为节点数量，而 集合e包含图中所有的边，表示网络中不同节点建立起来的可行通信链接。此外，以^表 示k时刻网络中的节点集合，以W；?表示所有与直接通信连接的节点的集合，即中的 每个节点都与Si构成图中的某一条边，都是si的邻居节点。不妨假设单个节点si仅具有 一个传感器，在k时刻观测到目标，则Si称为观测节点，其线性高斯系统中的状态转移及量 测模型可表示为
[0021] xk+1=① x k+wk，k = 0, 1，2,…， (1)
[0022] Zi= H而+丫" k = 0, 1，2,…，⑵其中，?^ e k e欺分别表示k时刻的 目标状态及传感器Si的量测，其中nx为状态维度，《2;为传感器Si的量测维度；0eM?? 为状态转移矩阵，过程噪声WeIT?为零均值的高斯白噪声，即％?eR?％为 传感器Si的可时变观测矩阵，V,. 为零均值的高斯白噪声，
[0023] 令戽?x?为量测信息矩阵，同样也是可时变的。需要指出的是，观测 矩阵氏并不是行满秩的，即有时刻传感器Si关于目标估计的误差方差表示为 匕e其信息矩阵定义为' =$。
[0024] 一致性状态估计过程及其主要任务为：基于目标量测，以分布式 的方式解算被估目标的全局状态信息，并以条件概率密度函数的形式表示估计结果，通过 邻居节点之间的信息迭代处理与融合实现网络中所有或部分传感器对目标的一致估计。 [0025] 2、卡尔曼一致性滤波 (3)
[0026] 作用于变量a的一致性单次迭代过程可以表示如下：[0027]
【主权项】
1. 基于自适应速率因子的卡尔曼一致性滤波器，其特征在于包括以下步骤： (1) 计算通信链接对应的一致性速率因子； (2) 计算本地信息向量与信息矩阵； (3) -致性信息处理与融合； (4) 目标状态预测。
2. 根据权利要求1所述的方法，其特征在于步骤（1)采用以下技术措施：节点i广播自 身邻居列表Λ/；并接收来自邻居j的信息Λ/>对于链接（i，j)，y'eA/；，计算中间权值T ij:
其中，|Nm|表示集合Nm中元素的个数；然后进行中间权值归一化：
接着节点i广播归一化的中间权值％，对于链接@，其对应的一致性速率因子设置 为
在中选择较小的值作为一致性速率因子ζ m可以确保通信链接对应权值的无 向性，BP ζ。= ζ μ。
【专利摘要】本发明提供了一种基于自适应速率因子的卡尔曼一致性滤波器。该滤波器考虑到网络不均匀拓扑时一致性收敛较慢的情况，根据节点间通信链接的重要性设计基于网络局部动态拓扑信息的自适应权值分配策略，并基于动态自适应的一致性速率因子，将卡尔曼一致性滤波KCF扩展至分布式传感器网络一致性状态估计框架，经过迭代计算，最终实现网络节点对目标的一致性状态估计。在稀疏网络中该滤波器收敛速度明显快于KCF，并且在一致性迭代次数较少时取得优于KCF的估计精度，在收敛速度方面取得了改进效果，可用于提高非均匀拓扑网络中目标状态估计的一致性收敛速度。
【IPC分类】H03H21-00
【公开号】CN104539266
【申请号】CN201410783561
【发明人】刘瑜, 刘俊, 王海鹏, 董凯, 徐从安, 孙顺
【申请人】中国人民解放军海军航空工程学院
【公开日】2015年4月22日
【申请日】2014年12月16日