基于CPCRLB和一致性算法的分散式传感器管理

针对无线传感器网络中的目标跟踪问题,基于条件后验克拉美—罗下界（CPCRLB）提出一种分散式传感器节点管理方法．基于一致性策略给出一种CPCRLB的分布式迭代算法,并且基于分布式粒子滤波器给出该算法的数值逼近实现．对层次结构的无线传感器网络,将CPCRLB作为传感器管理的准则,基于平均一致性给出一种迭代的局部搜索算法,实现了无线传感器网络下观测节点的分散式在线选择．仿真结果表明了基于CPCRLB的分散式传感器管理方法在目标跟踪精度方面的有效性．     

基于区分度增量和CPCRLB的传感器管理算法

针对传感器管理中存在的能量和资源有限问题,提出了一种基于区分度增量和条件后验克拉美-罗界(CPCRLB)的传感器管理算法,首先推导了CPCRLB在无源传感器粒子滤波情况下计算公式,然后采用条件后验CPCRLB作为矩阵遗传的适应值对传感器分配方案进行选择,同时计算每个目标的区分度增量,合理分配传感器资源.仿真结果表明:该算法能较好地实现传感器的分配,并降低了整个跟踪过程中的能耗.     

基于二元多跳WSN的信道容错的目标定位方法

针对信道退化的多跳无线传感器网络下的定位问题,基于最大似然估计提出一种新的信道容错的定位算法.传感器节点接收到的源信号强度数据被压缩量化为二元信号,经Rayleigh退化信道多跳中继到达融合中心.利用信道退化统计量和译码策略,推导出二元观测数据的似然函数,基于最大似然估计获得目标定位,进一步给出目标位置估计的克拉美-罗下界.仿真结果表明了所提出算法的有效性.     

带一步随机延迟量测非线性序列贝叶斯估计的条件后验克拉美罗下界

为了解决带一步随机延迟量测非线性状态估计器可获得最优性能的评价问题,提出了一种适用于带一步随机延迟量测非线性系统的条件后验克拉美罗下界(Conditional posterior Cramr-Rao lower bound, CPCRLB),且现有的CPCRLB仅是所提出的CPCRLB在延迟概率为零时的一种特例. 为了递归地计算提出的CPCRLB,本文提出了一种带一步随机延迟量测的粒子滤波器(Particle filter, PF),继而推导了提出的CPCRLB 一般近似解和在高斯噪声情况下的特殊近似解. 单变量非平稳增长模型、纯方位跟踪和频率调制信号模型的数值仿真证明了本文提出方法与现有方法相比的有效性和优越性.     

多跳无线传感器网络下信道感知的目标定位方法

针对资源有限、存在信道退化的无线传感器网络(Wireless sensor network, WSN),基于最大似然估计(Maximum-likelihood estimation, MLE)提出一种信道感知的目标定位方法. 把传感器观测数据量化为M位二进制序列,经过衰落信道多跳中继到达融合中心. 中继节点采用二元解码-前向中继策略,中继输出是被信道污染的中继信号的估计值. 在Rayleigh信道衰落和高斯信道噪声假设下,结合无线信道衰落的统计知识和解码策略, 推导了观测数据的似然函数,得到目标位置的最大似然估计. 此外,还推导了估计器性能的后验克拉美-罗下界(Cramr-Rao lower bounds, CRLB). 仿真结果表明,信道感知的方法能够减缓由于信道衰落和噪声所带来的定位性能的退化.     

面向协同检测与跟踪的多传感器长时调度方法

针对目标检测与跟踪时辐射控制问题,提出一种面向协同检测与跟踪的多传感器长时调度方法.首先建立基于部分马尔可夫决策过程(POMDP)的目标跟踪与辐射控制模型;然后以随机分布粒子计算新生目标检测概率,以后验克拉美-罗下界(PCRLB)预测长时跟踪精度,以隐马尔可夫模型(HMM)滤波器推导长时辐射代价;最后构建新生目标检测概率和已有目标跟踪精度约束下辐射控制的长时优化函数,给出基于贪婪搜索的分支定界算法求解最优调度序列.仿真结果验证了所提出方法的有效性.     

面向目标跟踪的主动式移动传感器长期调度方法

针对面向目标跟踪的移动传感器调度问题,考虑多目标跟踪需求,提出了一种基于后验克拉美－罗下界(PCRLB)和目标优先级的长期调度方法。该方法首先结合传感器运动能力,给出了传感器运动与量测模型,并依据贝叶斯滤波理论构建了移动传感器长期调度模型。然后,在多目标跟踪场景下给出了基于PCRLB和目标优先级的传感器调度收益函数。最后,将 传感器调度问题转化为决策树优化问题,并利用阈值剔除搜索技术进行优化求解,实验结果表明所提方法能够有效解决移动传感器的调度问题,相较于固定、恒速和短期调度方法,能够获得更好的跟踪收益。     

传感器网络下机动目标动态协同跟踪算法

对传感器网络下的机动目标跟踪问题提出一种分布式传感器节点动态分簇、协同跟踪算法. 通过在线优化目标跟踪的性能函数和通讯代价, 自适应地选择节点并动态分簇, 通过多传感器节点的协同感知以及信息融合提高了跟踪精度. 由于问题的非线性和传感器节点的随机性, 本文基于粒子滤波器在线预测和估计目标状态的概率分布, 使用混合高斯粒子滤波器以及选择最短路径用于传感器节点之间的信息交换节约了通讯能量, 通过一种有效的粒子方法逼近目标状态的预测方差以实现传感器节点的最优选择. 仿真结果表明, 与 IDSQ 算法相比较, 本文提出的动态分簇算法实现了对机动目标的高精度跟踪.     

多扩展目标跟踪中基于加权最优子模式分配距离的传感器管理方法

针对多扩展目标跟踪优化中的传感器管理问题,本文基于随机有限集(RFS)提出一种基于加权最优子模式分配(W–OSPA)距离的传感器管理方法.首先,在部分可观测马尔可夫决策过程(POMDP)理论框架下,给出基于逆威沙特椭圆分布假设的多扩展目标跟踪传感器管理的基本方法.其次,利用W–OSPA距离求解多扩展目标后验分布的离差,以离差最小化获得最优化的多扩展目标状态估计设计传感器管理策略.最后,通过推导给出的离差数值求解方法进行最优传感器管理方案的决策.仿真实验基于OSPA距离评价验证了所提传感器管理方法相对于其他算法对多扩展目标的质心运动状态和椭圆形状都有更好的估计效果.     

椭圆-笛卡尔变换结合LKF的多基地雷达目标跟踪算法

为了改善多基地雷达系统对高机动目标的跟踪性能,提出一种基于椭圆-笛卡尔变换结合线性卡尔曼滤波器(LKF)的目标跟踪算法。首先,以最小化跟踪估计的均方差为目标,自适应选择发射器的发射波形和笛卡尔估计。然后,通过椭圆-笛卡尔变换,将2个接收器所测量的时间延迟、多普勒平移和到达角度转换成笛卡尔坐标系中的目标位置和速度估计,并通过克拉美罗下界(CRLB)来表示笛卡尔估计的估计误差统计。最后,利用LKF进行滤波,进一步提高目标跟踪精度。实验结果表明,该算法在保持低计算量的同时,提供了较高的目标跟踪精度。     

基于贝叶斯理论框架的传感器选择算法

针对大规模传感器网络(Large-scale sensor networks)的目标跟踪问题, 本文在贝叶斯(Bayes)框架下, 提出了一种全新的基于传感器选择的多传感器目标跟踪算法.算法的具体思路为:首先基于Bayes框架, 根据不同的管理目标, 推导出传感器选择的目标函数; 然后根据目标函数, 计算出相应的传感器选择方案; 最后将选择的传感器进行数据融合, 求得传感器网络的目标跟踪结果.相比传统的基于量测野值点剔除思想的目标跟踪算法以及基于系统偏差估计的传感器配准算法, 本文提出的基于传感器选择的多传感器目标跟踪算法不仅目标跟踪精度更高, 且跟踪性能更稳定.同时本文提出的传感器选择算法还可以适用于杂波数目较少的目标跟踪场景.仿真结果说明了本文所提算法的有效性.     

基于粒子滤波的多目标跟踪研究

针对无线传感器网络中的多目标跟踪问题,为提高系统的精度,减少误差,提出一种自适应基于粒子滤波的多目标跟踪算法(APF).算法根据粒子历史信息与后验信息的关联度,自适应的调整粒子采样分布.由目标分布与节点测量的关系,将节点组织成簇,并用簇内的节点测量表示目标特征.目标状态的估计由粒子加权表示,权值与粒子和对应目标特征的相似度成正比.仿真结果表明,APF算法较好地解决无线传感器网络下的多目标跟踪问题,跟踪误差相对于经典分布式粒子滤波降低30%,验证了APF算法可以实时多目标跟踪,实现了较好的跟踪效果.     

RSS测距定位模型的Cramer-Rao界分析

给出了无线传感器网络RSS测距定位模型的距离无偏估计和定位估计方差Cramer-Rao下界。实验表明定位方差在锚节点附近产生突变,同时随着锚节点数量的增多而减小,可应用于定位算法的精度评估和节点配置方案选择。     

基于量化测量值的实时状态估计的PCRLB

针对网络化系统中的实时量化估计问题,研究基于量化测量值的离散时间系统实时状态估计均方误差的后验克拉美罗下界(PCRLB).给出量化律的最优实时重构值和最小实时均方失真函数.利用系统模型和量化律的最小实时均方失真函数,得到实时状态估计的PCRLB.所得到的PCRLB反映量化效应,尤其是量化律的实时均方失真函数对实时状态估计性能的影响.仿真算例表明,当基于通信网络的系统具有不稳定特征根时,在低比特率量化律的情形下,实时状态估计的PCRLB可能不是有界的.     

基于SIM-GM-PHD的低可观测目标跟踪算法

针对多传感器协同探测多个低可观测目标问题,提出一种基于强度叠加的多传感器高斯混合概率假设密度(SIM-GM-PHD)滤波器,并提出目标状态的两步提取策略.首先,利用跟踪门对预测强度函数中每个高斯分量选择有效传感器集合;然后,利用各传感器量测数据更新其对应的高斯分量,叠加所有传感器的局部后验强度以及全局漏检强度得到融合后验强度;最后,提出目标状态的两步提取策略对目标的个数与状态进行估计.仿真结果验证了所提出算法的有效性.     

基于信息量的分布式协同自组织算法

无线传感器网络中节点协同自组织主要涵盖传感器管理和状态估计,也就是如何选择传感器节点、设置传感器参数并估计被监测系统的状态,因此协同白组织为决策与估计的联合优化．本文提出了一种自适应动态协同自组织算法,以量测所提供的信息量和节点自身的剩余能量做为节点选择的综合指标,根据设定的感知精度,自适应地选择参与感知任务的节点集合,在信息滤波的融合框架下完成状态的分布式估计．相比信息驱动传感器查询（information-driven sensor querying,IDSQ）,算法具有精度可调、强鲁棒,同时尽可能地延长了网络的生命周期．以目标跟踪为应用背景,其仿真结果表明：以跟踪精度、失跟率和网络生命周期作为评价指标,该算法优于IDSQ．     

一种基于水下无线传感器网络的目标跟踪方法

本发明公开了一种基于水下无线传感器网络的目标跟踪方法。该方法首先根据最强信号原则选择簇节点,然后根据单跳距离准则组成簇网络对目标进行观测,如果观测信号强度超过阈值,则发送观测数据给簇头节点。簇头节点接收到粗内节点传送的数据,采用改进重采样的粒子滤波算法对当前时刻的目标位置和方差进行估计。根据目标的运动不断地更新簇头节点,将上一簇头节点状态估计值和方差估计值传送给当前簇头节点,再由当前簇头节点采用改进的重采样粒子滤波算法估计运动目标位置,直到运动目标超出了水下无线传感器网络的跟踪范围;本发明使用改进重采样算法的粒子滤波跟踪方法估计水下目标的位置和方差,提高水下无线传感器网络的目标跟踪性能。     

高分辨方位估计克拉美-罗界的改进算法

高分辨方位估计是阵列信号处理研究的热点,方位估计的性能用克拉美-罗界(Cramer-Rao Bound,简称CRB)来衡量,CRB是参数估计的最小方差极限.Petre Stoica和Arye Nethorai证明了方位估计的克拉美-罗界公式.但是此公式是在一定的条件下推导出来的,不适合本文研究的方位估计模型.在此基础上,本文对它进行了进一步的修改和理论推导,得到适合本文模型的方位估计克拉美-罗界公式.仿真结果表明,新的方位估计克拉美-罗界能够取得和传统的CRB一致的效果,是方位参数的无偏估计器的方差理论下界,可以作为高分辨方位估计方法估计性能的衡量标准.     

具有间歇性观测的无线传感器网络分布式容错目标跟踪

针对具有随机间歇性观测的无线传感器网络, 基于多模型估计方法和一致性信息滤波器, 提出一种对观测节点故障容错的自适应分布式目标跟踪方法. 将传感器节点随机间歇性观测丢失和到达过程建模为马尔科夫切换系统, 在容积信息滤波器框架下, 估计传感器节点的观测丢失和到达的后验概率. 通过观测状态概率组合计算每个局部传感器节点的信息贡献, 基于自适应多模型估计方法, 实现对间歇性观测的容错性. 仿真结果表明了所提出算法的有效性和对间歇性观测的自适应容错性.

     

不完全量测下基于事件触发机制的面目标跟踪系统CRLB

面目标跟踪系统状态估计问题中,附加的强非线性面目标扩展测量会增加系统的通信量和估计中心的计算量.为此,基于工程应用,提出一种不完全量测下的事件触发机制来控制面目标测量传输.从理论上推导了事件触发机制下面目标跟踪系统的理想（枚举）克拉美罗下界（Cramer-Rao lower bound,CRLB）和统计意义下的CRLB,该统计意义CRLB为理想CRLB的下界,计算复杂度远小于理想CRLB,便于工程应用.典型测试航路下的仿真结果表明:不完全量测下,面目标跟踪系统CRLB明显小于传统质点目标跟踪系统CRLB;同时,利用所提事件触发机制,可在大幅减少面目标跟踪系统通信量的同时保证系统的最优估计性能.