一种非精确间歇测量的多传感器网络协同估计方法

本发明涉及多传感器网络技术领域，具体涉及一种非精确间歇测量的多传感器网络协同估计方法。

背景技术：

目前在多传感器网络领域中，估计算法大多是分布式的。每个传感器上的估计值会进入通信网络并与邻居传感器进行信息交互。现有的大部分估计算法都包含了估计信息的一致性误差，这种一致性估计策略对于计算平均值特别有用，因为其基本目标是所有传感器都应保证在稳态下具有相同的估计结果。然而，目前大部分包含了一致性估计策略的技术并没有考虑非精确测量的情况，但实际情况下，传感器在运行过程中总会受到电磁干扰、异常电流等故障的影响，导致估计算法的精度偏离期望，对此如何设计出一套既能检测故障又能克服故障影响的测量算法至关重要。此外，在大多数技术中，所有传感器之间的通信通常被假定为连续的，但在实际工程中，由于存在障碍、计算和通信能力的限制或其他一些因素，信息通信可能是不连续的，这就会导致不充分的信息交互，可能会使原本收敛的协同估计结果变得发散。基于此，本发明设计出了一个基于间歇非精确测量的多传感器协同估计方法。

技术实现要素：

本发明为了克服以上技术的不足，提供了一种非精确间歇测量的多传感器网络协同估计方法。

本发明克服其技术问题所采用的技术方案是：

一种非精确间歇测量的多传感器网络协同估计方法，包括如下步骤：

s1、确定待测目标的动力学系统，建立多传感器之间的通信拓扑图，传感器之间的交互通过拉普拉斯矩阵表示；

s2、根据测量要求，确定传感器的测量模型，并建立基于周期间歇测量算法的状态空间估计模型；

s3、引入自适应算法，通过建立参考模型获得改进的分布式协同估计算法；

s4、根据改进后的分布式协同估计算法的系统信息，通过分析协同估计一致性，确定间歇测量参数从而得到能够克服干扰因子对系统影响的自适应间歇测量算法；

s5、将步骤s4得到的间歇测量算法引入到各传感器中，并通过步骤s1建立的通信拓扑图实现传感器之间的不连续信息交互。

进一步地，步骤s1具体包括如下：

s1-1、设待测目标的动力学系统方程如下：

s(0)＝s0

上式中，s(t)代表目标系统的状态，w(t)代表过程噪声或外部扰动，设w(t)是一个时不变常值向量，s0是系统初始状态，a是时不变状态矩阵，b是时不变干扰矩阵；

s1-2、建立多传感器之间的通信拓扑图g，传感器之间的交互通过拉普拉斯矩阵l表示；

设步骤s1-1中待测目标系统通过n个传感器进行监测，该n个传感器组成一个通信网络，该通信网络的拓扑图由下式表示：

g＝(θ,ε,π)

上式中，θ＝{1,2,…,n}代表这n个传感器的集合，ε＝{(i,j)|i,j∈θ}代表存在通信交互的边的集合，其中i代表第i个传感器节点，j代表第j个传感器节点，π＝[aij]n×n代表具有权重的邻接矩阵，如果(i,j)∈ε，则aij>0，否则，aij＝0；

图g的度矩阵为：

δ＝diag{d1,d2,…,dn}

di∈{d1,d2,…,dn}代表与传感器i存在通信的传感器个数，由此得到g的拉普拉斯矩阵l＝δ-π；

任何驻留在传感器i通信范围内的传感器被称为传感器i的邻居，传感器i的邻居集表示为：

ni＝{j∈v|pij≤ri}

上式中，pij代表传感器i和传感器j之间的距离，ri代表传感器i测量范围的半径。

进一步地，步骤s2具体包括如下：

s2-1、传感器的测量模型为：

yi(t)＝cs(t)+dvi(t)

上式中，yi(t)代表传感器i的测量输出，vi(t)代表传感器i的测量或通信噪声，设vi(t)也是一个时不变常值向量，c代表输出测量矩阵，d代表输出干扰矩阵；

s2-2、在间歇测量的基础上，每个传感器的状态空间估计模型表示为：

上式中，xi(t)代表传感器i中估计模型的估计状态，bi和εi代表至少由电磁干扰、异常电流、外界噪声而产生的干扰因子，其中，bi是乘性干扰因子，εi是加性干扰因子，代表所需的分布式协同估计算法，[kt,kt+δ]是传感器的持续工作时间，[kt+δ,(k+1)t)是传感器的休眠时间，0＜δ＜t，t代表一个间歇周期的时长。

进一步地，步骤s3具体包括如下：

s3-1、当t∈[kt,kt+δ]，且加性干扰因子εi不存在时，估计模型表示为：

参考模型定义为：

其中，zi(t)代表参考模型中的参考状态，xj(t)代表传感器j中估计模型的估计状态，hi(t)代表传感器i中估计模型的状态与邻居传感器中估计模型的状态之间的一致性误差；

s3-2、定义参考模型的跟踪误差为：

ei(t)＝xi(t)-zi(t)-yi(t)

s3-3、通过自适应方法得到

其中，ki(t)代表中的自适应项，是nussbaum型光滑偶函数，代表传感器i测量输出的导数。

进一步地，步骤s3中，还包括设置用于识别加性故障存在位置的故障检测器。更进一步地，识别加性故障存在位置具体包括如下步骤：

当t∈[kt,kt+δ]，且加性干扰因子εi存在时，估计模型表示为：

对于静态目标的测量过程，可通过分布式故障检测器来识别故障存在的具体位置，故障检测器表示为：

其中，mi(t)代表传感器i中故障检测器的状态，g是一个常数矩阵，需要按照使其特征根实部为负的要求去设计，qi(t)代表传感器i中故障检测器的状态与估计模型状态的偏差；

故障检测器识别故障的方法如下：

上式中，γ代表判断是否存在加性故障的阈值，可根据实际经验设定该阈值。

本发明的有益效果是：

本发明在基于传统多传感器分布式测量算法的基础上，针对测量过程中可能会面临的非精确测量问题，提出了一种带参考模型的自适应测量方法，有效地克服了干扰因子对测量结果的不利影响；并设计了一种检测器，可以准确识别出存在故障的传感器节点，方便后续对这些故障节点进行人为修复或隔离。此外，本发明还引入了间歇测量策略，模拟了外界环境对系统连续测量的限制，使得系统不仅在测量成本上得到了降低，而且仍然能够保证协同估计的平均一致性。

附图说明

图1为本发明实施例所述的非精确间歇测量的多传感器网络协同估计方法的流程示意图。

图2为不存在加性干扰的情况下对静止目标采用了经典估计算法的估计情况的曲线图。

图3为不存在加性干扰的情况下对静止目标采用了本发明估计算法的估计情况的曲线图。

图4为存在加性干扰的情况下对静止目标采用了本发明检测算法的检测情况的曲线图。

图5为不存在加性干扰的情况下对运动目标采用了本发明估计算法的估计情况的曲线图。

具体实施方式

为了便于本领域人员更好的理解本发明，下面结合附图和具体实施例对本发明做进一步详细说明，下述仅是示例性的不限定本发明的保护范围。

现有的大部分多传感器分布式协同估计方法并没有考虑因外界干扰或估计器故障而导致的非精确测量问题，并且这些估计方法大多是在连续时间的理想条件下进行的，而在实际工程中，信息通信的连续性会因为存在障碍、计算和通信能力不足或其他一些因素而受到限制。

如图1所示，本发明的实施例公开了一种非精确间歇测量的多传感器网络协同估计方法，具体包括如下步骤：

步骤s1、确定待测目标的动力学系统，对进行动力系统建模；确定多传感器系统集合，建立多传感器之间的通信拓扑图，并通过拉普拉斯矩阵表示出传感器之间的交互。具体如下：

s1-1、设待测目标的动力学系统方程如下：

s(0)＝s0

上式中，s(t)代表目标系统的状态，w(t)代表过程噪声或外部扰动，设w(t)是一个时不变常值向量，s0是系统初始状态，a是时不变状态矩阵，b是时不变干扰矩阵；

s1-2、建立多传感器之间的通信拓扑图g，传感器之间的交互通过拉普拉斯矩阵l表示；

设步骤s1-1中待测目标系统通过n个传感器进行监测，该n个传感器组成一个通信网络，该通信网络的拓扑图由下式表示：

g＝(θ,ε,π)

上式中，θ＝{1,2,…,m}代表这n个传感器的集合，ε＝{(i,j)|i,j∈θ}代表存在通信交互的边的集合，其中i代表第i个传感器节点，j代表第j个传感器节点，π＝[aij]n×n代表具有权重的邻接矩阵，如果(i,j)∈ε，则aij>0，否则，aij＝0；

图g的度矩阵为：

δ＝diag{d1,d2,…,dn}

di∈{d1,d2,…,dn}代表与传感器i存在通信的传感器个数，由此得到g的拉普拉斯矩阵l＝δ-π；

任何驻留在传感器i通信范围内的传感器被称为传感器i的邻居，传感器i的邻居集表示为：

ni＝{j∈v|pij≤ri}

上式中，pij代表传感器i和传感器j之间的距离，ri代表传感器i测量范围的半径。

步骤s2、根据测量要求，确定传感器的测量模型，并建立基于周期间歇测量算法的状态空间估计模型。具体如下：

s2-1、传感器的测量模型为：

yi(t)＝cs(t)+dvi(t)

上式中，yi(t)代表传感器i的测量输出，vi(t)代表传感器i的测量或通信噪声，设vi(t)也是一个时不变常值向量，c代表输出测量矩阵，d代表输出干扰矩阵；

s2-2、在间歇测量的基础上，每个传感器的状态空间估计模型表示为：

上式中，xi(t)代表传感器i中估计模型的估计状态，bi和εi代表至少由电磁干扰、异常电流、外界噪声而产生的干扰因子，其中，bi是乘性干扰因子，εi是加性干扰因子，代表所需的分布式协同估计算法，[kt，kt+δ]是传感器的持续工作时间，[kt+δ，(k+1)t)是传感器的休眠时间，0＜δ＜t，t代表一个间歇周期的时长。

步骤s3、在上述步骤s2-2的间歇测量算法中，当t∈[kt，kt+δ]时，由于外界噪声或传感器自身故障的存在，系统测量结果可能会变得不精确，为此引入自适应算法，通过建立参考模型获得改进的分布式协同估计算法，以克服干扰因子对系统的影响。具体如下：

s3-1、当t∈[kt，kt+δ]，且加性干扰因子εi不存在时，估计模型表示为：

参考模型定义为：

其中，zi(t)代表参考模型中的参考状态，xj(t)代表传感器j中估计模型的估计状态，hi(t)代表传感器i中估计模型的状态与邻居传感器中估计模型的状态之间的一致性误差项；

s3-2、定义参考模型的跟踪误差为：

ei(t)＝xi(t)-zi(t)-yi(t)

s3-3、通过自适应方法得到

其中，ki(t)代表中的自适应项，是nussbaum型光滑偶函数，代表传感器i测量输出的导数。

作为本实施例优选的一种方案，步骤s3中，还包括设置用于识别加性故障存在位置的故障检测器，识别加性故障存在位置具体包括如下步骤：

当t∈[kt，kt+δ]，且加性干扰因子εi存在时，估计模型表示为：

对于静态目标的测量过程，可通过分布式故障检测器来识别故障存在的具体位置，本实施例中，故障检测器表示为：

其中，mi(t)代表传感器i中故障检测器的状态，g是一个常数矩阵，需要按照使其特征根实部为负的要求去设计，qi(t)代表传感器i中故障检测器的状态与估计模型状态的偏差；

故障检测器识别故障的方法如下：

上式中，γ代表判断是否存在加性故障的阈值，可根据实际经验设定该阈值；当传感器i中估计模型里存在加性故障时，一般通过人为修复或隔离。

步骤s4、根据改进后的分布式协同估计算法的系统信息，通过分析协同估计一致性，确定间歇测量参数从而得到能够克服干扰因子对系统影响的自适应间歇测量算法。

步骤s5、将步骤s4得到的间歇测量算法引入到各传感器中，并通过步骤s1建立的通信拓扑图实现传感器之间的不连续信息交互，以最终实现多从传感器精确测量结果的一致性稳定。

为了更好地说明本发明的技术效果，采用经典的协同估计算法作为对比方法，与本发明在受到两种干扰场景下的估计效果进行验证。我们采用了带4个传感器的协同估计系统，先对静态的待测目标进行验证，令目标的状态保持为s(t)＝1，所述4个传感器在对该目标的测量过程中受到的常值干扰分别为v1(t)＝1，v2(t)＝2，v3(t)＝4，v3(t)＝5，设输出测量矩阵c＝1，输出干扰矩阵d＝1，所以4个传感器的测量值分别为y1(t)＝2，y2(t)＝3，y3(t)＝5，y4(t)＝6。令第1个传感器中估计模型的b1＝-1，其他传感器则设为正常，即b2＝b3＝b4＝1。让该所述4个传感器中估计模型的初始状态分别为x1(t)＝2，x2(t)＝4，x3(t)＝6，x4(t)＝8，每个参考模型的初始状态以及每个故障检测器的初始状态都设为0。令该所述4个传感器的通信网络为环路图，其邻接矩阵π为：

图2代表对于静止目标，当b1＝-1时，采用了经典估计算法后的估计情况，明显可以看出所有估计状态都发散了。而采用了本发明所提的自适应算法后，估计情况如图3所示，明显可得这4个传感器的估计状态都趋于一致，且最后收敛为所有传感器测量值的平均值。对于本发明所设计的故障检测器，在传感器1和传感器3的估计模型中引入加性干扰，即ε1＝5，ε3＝3，其他传感器不设置加性干扰，即ε2＝0，ε4＝0，由图4明显可得，传感器2的q2(t)和传感器4的q4(t)都趋向于0，而传感器3的q3(t)和传感器4的q4(t)都不趋向于0，这验证了本发明所述故障检测器方法的有效性。

当待测目标是运动状态时，令s(t)＝t，且不设置加性干扰，依然是传感器1上存在乘性干扰b1＝-1。如图5所示，明显可以看出本文所提的自适应协同估计算法同样适用于估计动态目标。

以上仅描述了本发明的基本原理和优选实施方式，本领域人员可以根据上述描述做出许多变化和改进，这些变化和改进应该属于本发明的保护范围。