基于动态加权量化分布式卡尔曼滤波.docVIP

基于动态加权量化分布式卡尔曼滤波 　　摘要：针对一个无融合中心传感器网络中的状态估计问题，提出一种基于量化信息的分布式卡尔曼滤波（QDKF）算法。首先，在分布式卡尔曼滤波（DKF）中，以节点状态估计精度为加权准则，动态选取加权矩阵，使得全局估计误差的协方差最小；然后，进一步考虑了网络带宽受限制的情况，在DKF算法中加入均匀量化器，节点之间通信使用量化后的信息，以减少网络通信的带宽需求。QDKF算法仿真采用了8bit的均匀量化器，与Metropolis加权法和最大度加权法相比，动态加权法的状态估计均方根误差分别降低了25%和27.33%。实验结果表明，采用动态加权法的QDKF算法能提高系统的状态估计精度，减少带宽需求，适用于网络通信受限制的应用场合。 　　关键词：无线传感器网络；分布式算法；量化信息；一致性滤波；动态加权 　　中图分类号： TP391； TN915.04 文献标志码：A 　　Abstract： Focusing on the state estimation problem of a Wireless Sensor Network （WSN） without a fusion center， a Quantized Distributed Kalman Filtering （QDKF） algorithm was proposed. Firstly， based on the weighting criterion of node estimation accuracy， a weight matrix was dynamically chosen in the Distributed Kalman Filtering （DKF） algorithm to minimize the global estimation Error Covariance Matrix （ECM）. And then， considering the bandwidth constraint of the network， a uniform quantizer was added into the DKF algorithm. The requirement of the network bandwidth was reduced by using the quantized information during the communication. Simulations were conducted by using the proposed QDKF algorithm with an 8bit quantizer. In the comparison experiments with the Metropolis weighting and the maximum degree weighting， the estimation Root Mean Square Error （RMSE） of the mentioned dynamic weighting method decreased by 25% and 27.33% respectively. The simulation results show that the QDKF algorithm using dynamic weighting can improve the estimation accuracy and reduce the requirement of network bandwidth， and it is suitable for network communications limited applications. 　　Key words： Wireless Sensor Network （WSN）； distributed algorithm； quantized information； consensus filtering； dynamic weighting 　　0 引言 　　近年来，无线传感器网络（Wireless Sensor Network， WSN）成为研究的热点，此类系统由多个低功耗的分布式传感器节点组成，通过节点之间相互通信，协调合作可以完成许多复杂的任务，例如监测目标定位与跟踪、网络化控制，环境监测[1]等。传感器网络一般分为两种[2]：一种是有融合中心（fusion center）网络；另一种是自组织（AdHoc）网络。有融合中心的网络具有以下特征：1）网络中存在一个数据处理中心；2）传感器只与融合中心进行通信；3）为了确保每个传感器能正常和中心通信，因此传感器节点往往是固定不变的。自组织网络具有