无线传感器网络中基于量化信息的目标状态估计与融合

摘要

无线传感器网络集成了微机电技术、传感器技术、无线通信技术和分布式信息处理技术,已成为当前研究的热点之一。目标定位跟踪作为无线传感器网络的典型应用之一,可广泛地应用于国防建设、环境监测、智能交通、医疗卫生和工业自动化等众多领域,特别是在生化危险环境的探测、特殊地域或特殊工作环境的监测以及军事侦察与跟踪等方面。
　　 基于无线传感器网络的目标跟踪系统具有稳健性强和跟踪精度高等优势,但同时也受到严格的能量与带宽约束。因此,在保证跟踪精度条件下如何减少对通信能量和通信带宽的需求,或者在满足能量和带宽约束的条件下如何有效提高跟踪精度是无线传感器网络目标跟踪的关键问题。本文分别针对信息融合的不同结构形式,深入研究了无线传感器网络中基于量化信息的目标状态估计与融合问题。具体来说,主要包括如下创新性成果:
　　 1.微分代数系统的降阶鲁棒滤波器的设计与分析。针对广义系统进行能量.峰值滤波器的设计,考虑了全阶和降阶两种情况。基于线性矩阵不等式(LMI)技术,给出了滤波器存在的充分必要条件以及滤波器增益的解析表达式。可以证明,给出的结果将常规状态空间系统的相关结论推广到了微分代数系统。然后,基于统一的信息融合模型及其最优解,给出了系统含有不确定项时的鲁棒融合估计算法,基此对鲁棒滤波器的估计性能进行对比分析。
　　 2.分布式量化航迹融合。考虑到无线传感器网络中的通信带宽和系统能量约束,先对局部状态估计的方差阵进行压缩处理,再对压缩后的方差阵和状态估计向量进行矢量量化、传输。在融合中心层,针对局部估计的未知或者不完整相关性,提出了不依赖于局部相关性的稳健航迹融合方法一内椭球逼近法。
　　 3.目标导向的节点动态分簇策略。考虑到基于树和基于静态分簇的目标跟踪系统存在路由代价高、冗余信息多等缺陷,提出了目标导向的动态传感器分簇策略。当传感器节点监测到目标时,它们交换监测报告,具有更高残余能量和更小平均通信距离的节点竞争成为簇首节点；其它节点加入簇首成为成员节点并对目标进行测量/状态估计。仿真结果证明相比于随机选取激活节点策略,目标导向的动态分簇策略节省可达42％的能量。
　　 4.基于自适应量化测量的目标状态估计与融合。将原始测量信息通过自适应量化处理后传输给融合中心。融合中心根据量化的测量信息,融合各激活子传感器信息进行目标状态融合估计。重点考虑了自适应带宽分配和自适应量化阈值调整两种策略,并对基于自适应量化测量的目标状态融合估计的性能进行分析,给出了其后验克拉美.罗下界(CRLB)。
　　 5.信道感知目标跟踪及跨层优化。无线传感器网络目标跟踪系统中考虑无线通信信道不确定性的信息融合结果目前还很少。针对数字通信的常用不确定信道模型一二元对称信道一进行信道感知的目标跟踪策略研究；并对其性能进行分析,给出了信道感知目标跟踪的后验CRLB。基此,对传感器调度问题进行跨层设计与优化,并给出了节点调度的一种启发式方法。
　　 6.对等传感器网络中分布式协同目标跟踪。首先,针对对等自组织传感器网络,提出两种基于动态协同策略的完全分布式滤波算法:分布式鲁棒滤波器与分布式Sigma点卡尔曼滤波器。基于动态协同策略的分布式滤波算法的优势在于每个节点仅需与邻节点进行信息交换就能对状态估计融合达到网络范围的全局一致性。这使得所提出的算法是规模可扩展的,适用于大规模传感器网络。其次,提出一种新的动态协同算法,并对其收敛性和稳定性进行分析。最后,给出一种分层结构的可扩展融合框架,它对网络链接故障、节点失效以及变拓扑结构具有较强的稳健性。

目录

文摘

英文文摘

第一章 绪论

1.1 研究背景与研究意义

1.2 国内外研究现状

1.2.1 无线传感器网络概述

1.2.2 基于无线传感器网络的状态估计与融合

1.2.3 存在的主要问题

1.3 本文研究内容和主要创新点

1.4 论文结构

第二章 目标状态估计与融合相关理论

2.1 引言

2.2 常用的滤波跟踪算法

2.2.1 (扩展)卡尔曼滤波

2.2.2 Sigma点卡尔曼滤波

2.2.3 粒子滤波技术

2.2.4 交互式多模型滤波

2.3 鲁棒滤波方法

2.3.1 鲁棒滤波器的研究现状

2.3.2 (降阶)鲁棒滤波器

2.4 信息融合基础

2.4.1 信息融合的定义

2.4.2 信息融合的基本原理与方法

2.4.3 信息融合的研究进展

2.4.4 信息融合的分类

2.5 信息融合角度看鲁棒滤波器

2.5.1 统一的信息融合模型及其最优解

2.5.2 鲁棒信息融合滤波

2.5.3 仿真分析

2.6 本章小结

第三章 分布式量化航迹融合

3.1 引言

3.2 传统航迹融合方法简介

3.2.1 信息融合卡尔曼滤波算法

3.2.2 加权平均法

3.2.3 协方差交叉法

3.3 资源受限的航迹融合

3.3.1 协方差阵的压缩处理

3.3.2 量化策略

3.4 稳健航迹融合方法-内椭球逼近法

3.4.1 算法提出

3.4.2 仿真与比较

3.5 传感器节点动态分簇

3.5.1 相关工作

3.5.2 目标导向动态分簇策略

3.6 分布式量化航迹融合仿真与分析

3.7 本章小结

第四章 基于自适应量化测量的目标状态融合估计

4.1 引言

4.2 模型建立

4.2.1 能量模型

4.2.2 概率量化策略

4.2.3 优化模型建立

4.3 自适应带宽分配

4.3.1 测量扩维情况下的带宽分配策略

4.3.2 测量加权情况下的带宽分配策略

4.3.3 噪声相关情况下的带宽分配

4.4 自适应量化阈值

4.5 基于粒子滤波的目标跟踪

4.6 性能分析

4.7 仿真与分析

4.7.1 自适应带宽分配

4.7.2 噪声相关情况

4.7.3 自适应阈值仿真

4.8 本章小结

第五章 信道感知目标跟踪及跨层优化

5.1 引言

5.2 传输信道及其模型

5.2.1 无线信道的分类

5.2.2 二元对称信道(BSC)

5.3 信道感知目标跟踪

5.3.1 问题描述

5.3.2 目标跟踪策略

5.3.3 性能分析

5.4 跨层设计与优化

5.4.1 基于信道感知CRLB的传感器调度

5.4.2 启发式调度策略

5.5 仿真与分析

5.5.1 仿真平台搭建

5.5.2 结果与讨论

5.6 本章小结

第六章 P2P传感器网络中分布式协同目标跟踪

6.1 引言

6.2 P2P传感器网络及其图模型

6.3 协同(一致性)策略

6.3.1 传统方法

6.3.2 新协同算法及其性能分析

6.3.3 仿真分析

6.4 信息滤波器

6.4.1 信息卡尔曼滤波器

6.4.2 信息鲁棒滤波器

6.4.3 信息形式Sigma点滤波器

6.5 分布式协同滤波器

6.5.1 分布式协同卡尔曼滤波器

6.5.2 分布式协同鲁棒滤波器

6.5.3 分布式协同Sigma点卡尔曼滤波器

6.6 量化情况下动态协同目标状态估计融合

6.7 分布式协同估计融合框架

6.8 仿真与分析

6.8.1 分布式稳健滤波器

6.8.2 分布式Sigma点滤波

6.8.3 量化情形

6.9 本章小结

第七章 总结与展望

7.1 论文工作总结

7.2 未来的研究方向和有待进一步探索的问题

参考文献

致谢

攻读博士学位期间的学术成果、参加项目及获奖情况