具有网络约束和丢包传感器网络系统的分布式融合滤波

发布时间：2017-03-21 00:01

  本文关键词：具有网络约束和丢包传感器网络系统的分布式融合滤波，由笔耕文化传播整理发布。

【摘要】：传感器网络由于具有低功耗、低成本、分布式和自组织、易于资源共享等优点,而被广泛应用于目标跟踪、环境监测、交通管制、医疗保健等领域。在传感器网络中,由于通信带宽和传感器能量等网络资源的有限性,传感器在通过网络进行数据交换时往往遇到网络拥塞和丢包等问题。如何在网络资源有限的情况下进行资源的有效分配和丢包补偿是目前国内外研究的热点问题。本文将针对传感器网络中存在的网络约束和丢包问题,应用最优化理论和信息融合估计理论研究具有网络约束和丢包传感器网络系统的信息融合估计算法。主要研究内容如下:研究了传感器网络中具有带宽或能量受限的动态随机变量的分布式融合滤波问题。在传感器网络中,每一个传感器基于自身的观测数据给出一个局部滤波值。由于通信带宽的有限性,局部滤波值经过量化后被传输到融合中心,在融合中心,基于量化的局部滤波值设计了分布式融合量化滤波器。其中量化时的带宽分配采用了在精度损耗受限的情况下极小化总传输能耗,并给出了优化问题的近似解。研究了具有观测丢失、状态和观测乘性噪声及通道传输噪声的复杂传感器网络系统的加权观测融合和分布式融合估计问题。通过将乘性噪声转化为加性噪声,基于矩阵满秩分解和加权最小二乘原理,给出了加权观测融合估值器。该加权观测融合估值器具有与集中式融合估值器相同的精度,即具有全局最优性。同时,对于每个单传感器子系统,给出了局部估值器和任意两个传感器子系统之间的估计误差互协方差阵。在此基础上,在线性最小方差意义下,给出了按矩阵加权分布式融合估值器。分析了分布式融合估计算法的稳态特性,给出了稳态存在的一个充分条件。研究了具有随机丢包补偿的传感器网络系统的最优融合估计问题。通过一组满足Bernoulli分布的随机变量来描述数据从传感器到估值器传输过程中具有的观测丢失现象。在数据丢失时采用对传感器观测的一步预报值作为丢包补偿。应用配方法,给出了在线性无偏最小方差意义下的局部最优线性估值器,包括滤波、预报和平滑。并应用在线性最小方差意义下的按矩阵加权融合算法给出了分布式最优融合估值器。推导了任两个局部估计误差之间互协方差阵的计算公式。最后,给出了集中式融合估值器。并进行了比较仿真研究。研究了具有网络带宽受限和丢包传感器网络系统的观测加权融合量化估计问题。由于网络带宽受限,量化后的传感器观测数据传输给融合中心的过程中存在丢失现象。引入一个Bernoulli分布的随机变量来描述这种丢失现象。基于融合中心接收到的量化的观测数据,提出了两种观测加权融合量化滤波器。一个是依赖于Bernoulli随机变量值;另外一个依赖于Bernoulli随机变量概率。与相应的集中式融合滤波相比,它们具有较小的计算负担和具有相同的精度。同时,在有限带宽约束下给出了最优带宽分配问题的近似最优解。
【关键词】：传感器网络 量化 网络约束 丢包补偿 观测加权融合 分布式融合估计
【学位授予单位】：黑龙江大学
【学位级别】：博士
【学位授予年份】：2015
【分类号】：TP212.9;TN713
【目录】：

• 中文摘要6-8
• Abstract8-16
• 第1章 绪论16-34
• 1.1 课题研究背景及意义16-18
• 1.2 传感器网络概述18-24
• 1.2.1 传感器网络的概念及结构18-20
• 1.2.2 传感器网络的特点和常见的状态估计问题20-21
• 1.2.3 传感器网络系统中状态估计问题的研究现状21-24
• 1.3 多传感器信息融合技术的研究概况24-32
• 1.3.1 信息融合的主要方法25-28
• 1.3.2 信息融合的结构28-30
• 1.3.3 多传感器信息融合状态估计的研究现状30-32
• 1.4 主要研究内容32-34
• 第2章 具有网络约束传感器网络的分布式融合估计34-45
• 2.1 引言34
• 2.2 问题的阐述34-35
• 2.3 具有网络约束传感器网络分布式融合估计算法设计35-42
• 2.3.1 量化分布式融合准最优无偏线性估计滤波器35-38
• 2.3.2 极小化宽带调度38-39
• 2.3.3 多维情况39-42
• 2.4 仿真研究42-43
• 2.5 本章小结43-45
• 第3章 具有乘性噪声和丢包传感器网络系统的融合估计45-65
• 3.1 引言45
• 3.2 加权观测融合估计算法设计45-51
• 3.2.1 问题的阐述45-46
• 3.2.2 加权观测融合估值器46-49
• 3.2.3 加权观测融合与集中式融合的功能等价性49-51
• 3.3 基于概率的分布式融合估计算法51-58
• 3.3.1 局部单传感器子系统的估值器51-52
• 3.3.2 分布式信息融合估值器52-55
• 3.3.3 稳态估值器55-58
• 3.4 仿真研究58-64
• 3.5 本章小结64-65
• 第4章 具有丢包补偿传感器网络系统的融合估计65-85
• 4.1 引言65
• 4.2 问题的阐述65-67
• 4.3 分布式最优线性估值器67-75
• 4.3.1 局部线性最优滤波器67-69
• 4.3.2 局部线性最优预报器和平滑器69-71
• 4.3.3 多传感器分布式信息融合估值器71-75
• 4.4 集中式信息融合估值器75-79
• 4.5 仿真研究79-84
• 4.6 本章小结84-85
• 第5章 具有带宽约束和丢包传感器网络系统的加权观测融合量化滤波器85-94
• 5.1 引言85
• 5.2 问题的阐述85-86
• 5.3 加权观测量化Kalman滤波86-91
• 5.3.1 量化和带宽分配86-87
• 5.3.2 两种加权观测量化Kalman滤波算法87-90
• 5.3.3 多维观测情况90-91
• 5.4 仿真研究91-93
• 5.5 本章小结93-94
• 结论94-96
• 参考文献96-104
• 致谢104-105
• 攻读学位期间发表的学术论文105

【相似文献】

中国期刊全文数据库 前10条

1 葛勤革;李君灵;;分布式融合中冗余信息消除原理分析[J];指挥信息系统与技术;2010年06期

2 马丁E·里根斯Ⅱ ,周承慧 ,孟昭香;用于目标跟踪的分布式融合结构和算法[J];情报指挥控制系统与仿真技术;1997年06期

3 关欣,何友,衣晓;带反馈信息的纯方位水下分布式融合算法[J];系统仿真学报;2003年07期

4 杨露菁;邹岗;李启元;;多传感器分布式融合检测自适应算法[J];探测与控制学报;2006年05期

5 文成林,潘泉,张洪才,戴冠中;多传感器单模型动态系统多尺度分布式融合估计(英文)[J];控制理论与应用;2000年06期

6 邓自立;毛琳;;多传感器分布式融合Kalman预报器[J];电子与信息学报;2006年09期

7 宋留勇;韩中庚;杜剑平;;基于Bayes理论的信息分布式融合模型与仿真[J];信息工程大学学报;2008年03期

8 朱再文;杜坚;徐琰;乐强;;多传感器数据融合结构性能分析[J];仪器仪表用户;2012年03期

9 刘瑜;何腊梅;王兆敏;;含状态等式约束的分布式估计融合[J];通信技术;2012年02期

10 李岳;;分布式融合处理结构研究[J];舰船电子工程;2013年06期

中国重要会议论文全文数据库 前1条

1 罗双喜;;分布式估计融合最新研究进展[A];2013第一届中国指挥控制大会论文集[C];2013年

中国博士学位论文全文数据库 前2条

1 丁健;具有网络约束和丢包传感器网络系统的分布式融合滤波[D];黑龙江大学;2015年

2 孙甲冰;多传感器离散随机系统的分布式融合估计研究[D];山东大学;2011年

  本文关键词：具有网络约束和丢包传感器网络系统的分布式融合滤波，由笔耕文化传播整理发布。

，

本文编号：258643