基于卡尔曼滤波框架的无线传感器网络目标跟踪.docxVIP

基于卡尔曼滤波框架的无线传感器网络目标跟踪 0 无线传感器网络 无线传感器网络的无线传感器网络（无线传感器网络）存在大量。具有通信和算术功能的微传感器节点集中分布在无人值守监控区域内，可以独立于环境执行某些环境任务。由于无线传感器节点体积小、价格低廉、采用无线通信方式, 具有自组织性、鲁棒性和隐藏性等特点, 无线传感器网络非常适合于移动目标的定位和跟踪。 在无线通信网络中, 由于网络拥塞和资源竞争, 数据丢包和传输时延时有发生。特别在无线传感器网络中, 由于其资源受限所导致的数据计算, 处理和通信能力的限制, 数据丢包引起的不确定观测更应该被关注。 在测量数据丢包情况下的滤波算法一直以来都是滤波估计研究的一个重要课题, 基于卡尔曼滤波框架的这方面的算法研究可以追溯到Nahi 本文就目前具有代表性的以卡尔曼滤波为框架的不确定观测滤波的几种方法进行比较, 并将它们应用于无线传感器网络移动目标的跟踪。 1 扩展卡尔曼滤波 该部分讨论了滤波算法在无线传感器网络中的应用———移动目标跟踪及其基本方法和常用于目标跟踪的卡尔曼滤波KF ( Kalman filter) 及其非线性情况下的扩展卡尔曼滤波EKF ( Extended Kalman filter) 。这两种滤波算法也是其他各种不确定观测滤波算法的框架基础。 1.1 超声波传感器检测 传感器节点设备随机均匀布置在目标监测区域中。启动传感器节点设备和服务器, 准备接收无线传感器网络中的数据, 当被动红外传感器检测到目标时, 启动超声波传感器测距, 将测量值传输给任务节点, 并运行滤波算法得到目标位置坐标。根据滤波精度或节约能量的原则选择下一时刻的任务节点, 进行下一步滤波估计, 直到移动目标离开监测区域 1.2 卡尔曼滤波型卡尔曼滤波 设系统的运动状态方程和观测方程如下: 其中x 滤波公式如下: 若测量函数是线性的, 则H = h ( ·) , 若测量函数是非线性系统, 则H是h ( ·) 的雅克比矩阵, 从而将卡尔曼滤波扩展成扩展卡尔曼滤波。 2 基于卡尔曼滤波结构的非确定观测滤波算法 2.1 观测量损失概率最佳的滤波组合 1 不确定观测时 1969 年Nahi在文献[1]中第一次考虑了在丢包状态下的最优递归滤波器, 他认为前人的工作总是假定观测信号中含有被估计信号, 但在实际情况中, 某步的观测值或者一个观测序列可能只含有观测噪声。在这种情况下就需要改进滤波器, 使其成为在不确定观测情况下的最优滤波器。 考虑以下模型: 其中, w 初始条件为: E[x 作者证明这是一个最优估计器, 事实上这是一个最优预测器。从其数学模型可以看出来当某一步观测数据丢包时, 状态预测所用的观测值只是观测噪声, 因此预测误差会比较大 2 非线性系统推广到非线性系统 Liu在文献[12]中将Nahi的不确定观测情况下的线性最优递归预测器推导成线性最优估计器, 并推广到非线性系统。 文献[12]中的线性最优估计器采用式 ( 12) 、式 ( 13) 中模型, 其滤波系列方程为: 其中: 并且协方差矩阵为: 将这个线性滤波器推广到非线性领域采用的模型为: f ( ·) 和h ( ·) 分别是状态和测量的非线性函数, 其雅可比矩阵分别为F和H, γ 其中: 2.2 线性系统目标跟踪 在文献[7]中, Sinopoli等考虑了传感器网络中存在间断观测的滤波方法。文中把测量值的到达看成一个随机过程, 并在标准卡尔曼滤波框架的基础上给出了一个带有间断观测的卡尔曼滤波方法。文中表示对于观测值信息包的到达率存在一个下限, 在这个界限之内, 才存在有界的状态误差协方差矩阵, 并给出了状态误差协方差矩阵的上界和下界。文中采用式 ( 1) 、式 ( 2) 的状态和测量方程, 由于测量模型是一个线性模型, 因此式 ( 2) 可以写成: 假定在时间步k的测量值到达情况由二进制变量 γ 当 σ→∞ 时, 我们认为观测值丢包。基于以上假设, 我们可以得到如下的滤波方程: 当 σ→∞ 时: 文中在标准卡尔曼滤波模型的基础上, 改变观测噪声模型, 得到了一组类卡尔曼滤波方程。因为当测量值丢包时, 以最优预测值来代替滤波值, 所以在线性系统目标跟踪中可以取得很好的跟踪性能。但是模型要求确切知道每一步丢包的具体情况, 这在实际情况中是不可能的, 因此应用推广受到限制。 2.3 最好的过滤过滤器是距离分散系统的步骤 1 建立组合模型 Sun等在文献[9]中给出了带有多步丢包的离散随机线性系统的最优估计问题。文中采用一个递推型的观测函数并通过一个组合模型, 把原有系统变成包含有状态和测量的随机参数模型, 用以研究多步丢包问题。 考虑以下线性系统: y 其中: 其中: 初始值: 文中所设计的滤波器采用当前步的测量值和上一步的观测值用于估计值的更