基于卡尔曼一致滤波器的WSN时间同步算法

提出一种基于分布式卡尔曼一致滤波器的无线传感器网络时间同步算法.该算法不需要将网络分层,每个节点都和它的相邻节点交换时间消息,通过分布式卡尔曼一致滤波器估计本节点的时钟偏移和频率偏移,使得全网所有节点的虚拟全局时钟逐渐收敛一致.仿真实验表明,提出的算法在多跳网络中误差累积较小,具有较高的同步精度,同时对存在节点失效或新节点加入的动态网络具有良好的可扩展性.     

能量高效的无线传感器网络分布式分簇一致性滤波算法

针对无线传感器网络中节点能量有限的特点,利用分簇模型提出了一种新的能量高效的分布式卡尔曼一致性滤波算法.并结合图论、矩阵论对该算法进行了收敛分析,得出了分簇处理能加快系统的收敛速度,且能有效地减少节点间信息的传输量、缩短节点间的通信距离的结论.为进一步降低能量消耗,引入Gossip 算法用于处理簇头级网络信息的一致性问题.仿真分析表明,所提出的算法不仅具有优越的估计性能,而且能有效地减少节点能量消耗,延长无线传感器网络的寿命.     

基于自适应加权融合的分布式滤波算法

针对存在丢包的传感器网络中每个传感器节点对目标估计确信度不同的问题,提出一种基于自适应加权融合的分布式滤波算法.考虑节点在网络中的影响力及其节点属性,将节点重要度与传感器网络节点观测数据间的支持度线性加权,获得每个传感器节点对目标的估计确信度,并将该确信度构成的融合权值引入节点状态估计值的一致性协议中,更新传感器节点对目标的状态估计值,提高分布式滤波算法的估计精度和传感器节点估计值的一致性.仿真结果验证了所提出方法的有效性.     

一种适用于稀疏无线传感器网络的改进分布式UIF算法

分布式无迹信息滤波(Distributed unscented information filter,DUIF)算法是一种有效的非线性分布式状态估计多源信息融合方法,然而当将该算法应用于稀疏无线传感器网络(Wireless sensor networks,WSN)时,稀疏WSN中存在的无效节点会引起使滤波趋于发散的平均一致误差.针对该问题,本文提出一种改进DUIF算法.该算法不改变DUIF算法的级联结构,而是将其底层和上层滤波器分别改进为局部无迹信息滤波器(Local unscented information filter,LUIF)和加权平均一致性滤波器.LUIF对每个节点的局部多源观测信息进行局部融合,得到局部的后验估计信息向量和矩阵,进而将它们作为加权平均一致性滤波器的输入,最终得到不包含平均一致误差的分布式后验估计结果.其中,加权平均一致性滤波器是通过对由LUIF输出的局部后验估 计信息向量和矩阵分别进行平均一致性滤波而得以在改进DUIF算法框架下实现的.同时,在此过程中,相邻节点之间的状态估计互相关信息也被引入改进DUIF算法的输出结果中,进一步增强了滤波的可靠性.仿真实验结果表明,改进DUIF算法能够在稀疏WSN中对机动目标进行有效跟踪,在估计精度和抑制滤波发散方面明显优于标准DUIF算法.     

移动传感器网络节点快速一致性滤波定位

针对移动传感器网络拓扑结构的动态特性,提出了一种快速卡尔曼一致性滤波定位算法。该算法依据Mc- tropolis准则,仅利用通信节点之间的RSSI值快速调整融合步长。在网络拓扑结构未知的情况下,利用卡尔曼一致性 滤波定位算法实现位置求精。仿真结果表明,与Saber算法相比,该方法能够在降低通信量的同时,提高节点的定位 精度,适合移动传感器网络。     

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．     

基于分布式数据融合的无线移动传感器网络目标跟踪算法

针对无线移动传感器网络(WMSN)自身具有移动性和分布式的特点,在现有分布式粒子滤波DPF的基础上,提出了一种实现分布式数据融合的分布式目标跟踪算法WDOT。该算法使用高斯混合模型和平均一致性滤波器实现了节点的分布式数据融合,提高了算法的稳定性,降低了通信开销。仿真实验通过与已有目标跟踪算法在通信开销、估计均方根误差等方面的对比,验证了WDOT算法的目标跟踪性能。     

卡尔曼一致滤波算法综述

以应用传感器网络进行分布式估计为研究背景,对卡尔曼一致滤波问题进行综述.系统地介绍了各种卡尔曼一致滤波算法,其中包括几种典型的基础算法、自适应估计算法、优化算法以及带丢包、带牵制控制等滤波算法.最后,对卡尔曼一致滤波算法的进一步研究方向进行了展望.     

基于分布式粒子滤波的二进制无线传感器网络目标跟踪

为了提高二进制无线传感器网络跟踪算法的精度和实时性,降低传感器节点能耗,将分布式粒子滤波运用到二进制无线传感器网络中进行目标跟踪。选择信号强度最大的节点作为簇头节点,在簇头单跳通信范围内的所有节点和簇头组成对目标跟踪的动态分簇,在簇头节点进行粒子采样和状态估计,在簇头之间传递粒子及其权值,从而得到了二进制无线传感器网络的分布式粒子滤波跟踪算法。研究了粒子数和网络节点数量对跟踪精度的影响。仿真结果表明,传感器的节点数量会影 响跟踪精度,但是粒子数对跟踪精度的影响更大。同时分布式粒子滤波比集中式粒子滤波具有更好的实时性和更低的能耗。     

带丢包的一致性最小方差滤波

针对传感网路中存在的丢包问题,提出了一种新的基于一致性的滤波方法。对于节点的检测数据丢包,该滤波引入一致性协议提高了网络对于丢包的鲁棒性;对于传感器节点之间的通信丢包,该滤波引入了丢包补偿的方法。通过与已有丢包算法仿真对比,该方法具有更好的估计精度。     

Distributed Sparse Signal Estimation in Sensor Networks Using H∞-Consensus Filtering

This paper is concerned with the sparse signal recovery problem in sensor networks, and the main purpose is to design a filter for each sensor node to estimate a sparse signal sequence using the measurements distributed over the whole network. A so-called l₁-regularized H_∞ filter is established at first by introducing a pseudo-measurement equation, and the necessary and sufficient condition for existence of this filter is derived by means of Krein space Kalman filtering. By embedding a high-pass consensus filter into l₁-regularized H_∞ filter in information form, a distributed filtering algorithm is developed, which ensures that all node filters can reach a consensus on the estimates of sparse signals asymptotically and satisfy the prescribed H_∞ performance constraint. Finally, a numerical example is provided to demonstrate effectiveness and applicability of the proposed method.      

Event‐triggered UKF for nonlinear dynamic systems with packet dropout

In this paper, the event‐triggered nonlinear filtering problem is investigated for nonlinear dynamic systems over a wireless sensor network with packet dropout. Measurements are transmitted to a remote estimator only when a specific event happens for a reduction of communication cost. An event‐triggered unscented Kalman filter related to trigger threshold is derived. It is shown that the prediction error covariance of the proposed filter is bounded and converges to a steady value if the threshold and packet dropout rate are small enough. Sufficient conditions are obtained to ensure stochastic stability of the filter, where a critical value of the threshold exists. Two examples are given to illustrate the effectiveness of the proposed filter. Copyright © 2017 John Wiley & Sons, Ltd.     

基于信息矩阵加权一致策略的分布式Kalman 滤波器

本文提出采用信息矩阵加权的方法改进基于一致性策略的分布式Kalman 滤波算法,提高其在传感器 网络估计融合应用中的性能．此方法中,节点根据其自身及其邻居节点估计的不确定信息融合估计值．在此基础上, 文中还讨论了通过优化一致加权系数进一步提高算法性能的方法．仿真实验表明,本文所提算法不仅改进了节点状 态估计的精确度,而且显著提高了各个节点状态估计的一致性．     

分布式动态一致性非线性目标跟踪策略研究

针对集中目标跟踪和分层目标跟踪中心节点通信瓶颈以及容错性能差的不足, 提出了一种分布式动态一致性非线性目标跟踪策略。目标状态初始化由网络节点采用加权最小二乘法完成。整个跟踪过程采用动态成簇策略, 分阶段选择并唤醒任务节点检测目标并执行分布式一致性扩展卡尔曼滤波策略完成目标的状态估计, 其余节点进入休眠状态从而能降低系统的能耗。从跟踪误差和能量两个方面, 与集中目标跟踪算法相比, 仿真结果表明所提算法与集中卡尔曼滤波相比, 跟踪精度相当, 适用于要求高可靠度的非线性跟踪。此外分布式的工作方式使得节点仅需与邻居交换数据并在局部完成状态估计, 消除集中式结构中心节点的瓶颈, 以保证部分传感器节点的损坏不会影响到全局任务的完成。     

有限时间一致无迹Kalman滤波器

本文研究多个传感器测量非线性系统时的分布式无迹Kalman滤波器(Unscented Kalman filter, UKF)的设计问题.借助离散多智能体系统有限时间平均一致算法的思想, 针对无向通信和有向通信网络分别设计了两种不同的滤波算法.对于无向连通的通信拓扑, 利用节点存储的一致性算法的迭代值构造差向量, 由该差向量构成的Hankel矩阵的核来得到分布式无迹Kalman滤波器, 并通过利用误差协方差矩阵的逆来构造Lyapunov函数, 基于随机稳定性引理证明了该有限时间一致无迹Kalman滤波器的稳定性.对于有向强连通的通信拓扑, 结合比率一致和Hankal矩阵的核来设计分布式无迹Kalman滤波器, 该滤波器的稳定性与无向通信拓扑的滤波器相同.最后, 通过仿真例子来验证所提滤波器的跟踪效果.     

一种基于数据预处理和卡尔曼滤波的 温室监测数据融合算法

温室具有空间大、无线传感器节点易受到干扰等特点,节点采集的数据波动性较大且易出现丢失现象.为了提高温室监测无线传感网的可靠性和数据融合的精度,提出了一种基于数据预处理和卡尔曼滤波的无线传感器网络数据融合算法.经过对各传感器数据进行预处理和卡尔曼滤波估计,再将数据发送到簇头节点进行基于状态补偿策略的加权数据融合.通过对温室湿度数据进行仿真,结果表明:数据预处理能明显减小数据波动,大幅减少网络数据传输量和能耗,提高抗干扰能力.另外,针对温室无线传感器网络容易出现丢包的现象,基于状态补偿策略的加权数据融合算法可以明显提高在数据丢包情况下的融合精度.     

基于传感器丢包率不确定性预测的分布式H∞滤波算法

针对无线传感器网络（ WSNs）在测量数据丢包不确定性情况下的分布式H∞滤波问题,提出一种基于传感器丢包率不确定性预测的分布式H∞滤波算法。通过设计一种线性全阶滤波器,使得滤波误差能够收敛在均方渐近为零,同时抑制外界的干扰造成的H∞滤波衰减。根据滤波参数符合伯努利分布随机分布的原理,利用Lyapunov函数的方法,通过寻找最佳的滤波参数来保证在丢包率不确定的情况下对真值预测的随机稳定性。实验仿真结果表明：当观测数据存在不确定性丢包时,该滤波算法能发挥有效的滤波效果。     

Novel sensor scheduling and energy-efficient quantization for tracking target in wireless sensor networks

This paper focuses on sensor scheduling and information quantization issues for target tracking in wireless sensor networks (WSNs). To reduce the energy consumption of WSNs, it is essential and effective to select the next tasking sensor and quantize the WSNs data. In existing works, sensor scheduling’ goals include maximizing tracking accuracy and minimizing energy cost. In this paper, the integration of sensor scheduling and quantization technology is used to balance the tradeoff between tracking accuracy and energy consumption. The main characteristic of the proposed schemes includes a novel filtering process of scheduling scheme, and a compressed quantized algorithm for extended Kalman filter (EKF). To make the algorithms more efficient, the proposed platform employs a method of decreasing the threshold of sampling intervals to reduce the execution time of all operations. A real tracking system platform for testing the novel sensor scheduling and the quantization scheme is developed. Energy consumption and tracking accuracy of the platform under different schemes are compared finally.     

Distributed Kalman filtering via node selection in heterogeneous sensor networks

In this paper, we propose a strategy for distributed Kalman filtering over sensor networks, based on node selection, rather than on sensor fusion. The presented approach is particularly suitable when sensors with limited sensing capability are considered. In this case, strategies based on sensor fusion may exhibit poor results, as several unreliable measurements may be included in the fusion process. On the other hand, our approach implements a distributed strategy able to select only the node with the most accurate estimate and to propagate it through the whole network in finite time. The algorithm is based on the definition of a metric of the estimate accuracy, and on the application of an agreement protocol based on max-consensus. We prove the convergence, in finite time, of all the local estimates to the most accurate one at each discrete iteration, as well as the equivalence with a centralised Kalman filter with multiple measurements, evolving according to a state-dependent switching dynamics. An application of the algorithm to the problem of distributed target tracking over a network of heterogeneous range-bearing sensors is shown. Simulation results and a comparison with two distributed Kalman filtering strategies based on sensor fusion confirm the suitability of the approach.