卡尔曼一致性滤波器的丢包性能分析及能量优化

针对无线传感器网络(wireless sensor networks,WSNs)在实际应用中不可避免的数据包丢失现象,本文研究了分布式卡尔曼一致性滤波算法(distributed Kalman consensus filtering algorithm,DKF)在两类丢包情况下的稳定性和滤波性能问题,通过矩阵论理论分析得出了估计误差协方差收敛所能容忍的极限丢包率.然后,考虑到传感器节点能量有限,基于逾渗模型构建了一种能量可调的改进型分布式一致性卡尔曼滤波器,该滤波器充分利用无线传感器节点冗余布置的特点,以较小的滤波精度下降为代价,获取网络寿命的大幅度提高,实现了该分布式滤波器在滤波精度与能量消耗两个关键指标的有效权衡.最后利用仿真实例验证了所提出算法的有效性.     

传感器网络中带有一致性策略的分布式H∞滤波:考虑一致性跟踪误差

现有的带有一致性策略的分布式 滤波方法包含两个步骤:与相邻传感器节点交互通信的一致性步骤, 以及本地滤波步骤. 本文分析了一致性跟踪误差对于本地估计误差的影响, 并针对此影响, 提出了新的分布式H∞滤波方法. 当采样周期中一致性迭代次数有限时, 本文提出的方法能够抑制一致性跟踪误差对本地估计误差的影响;当采样周期中一致性迭代次数趋于无穷, 即一致性跟踪误差收敛到零时, 本文提出的分布式算法中的本地滤波就等价于集中式滤波. 仿真表明了本文方法的有效性.     

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。     

带宽受限下的基于一致性的分布式融合估计器

研究带宽受限下的基于一致性的分布式融合估计问题. 建立以一致性滤波增益为决策变量, 以所有传感器有限时域下融合估计误差协方差矩阵的迹的和为代价函数的优化问题. 在给定一致性权重的前提下, 给出使得系统融合估计误差在无噪声时渐近稳定的一致性滤波增益存在的充分条件, 并通过最小化代价函数的上界得到一组次优的一致性滤波增益. 最后通过算例仿真验证了所提出方法的有效性.     

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.     

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。     

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.     

传感器网络一致性分布式滤波算法

为了改善分布式传感器网络的估计性能,提出了一种基于状态预测一致的滤波算法.在对局部估计值进行一致化处理的基础上,重点研究了利用邻居节点前一时刻的估计值对当前局部状态预测值进行修正来提高估计精度.给出了一种一致性增益的选择方法,利用李雅普诺夫方法得到了算法收敛的充分条件,并讨论了影响算法收敛速度的因素.仿真结果表明了算法的有效性,并发现节点度较大的传感器在网络估计中发挥着重要作用,可通过调整这类节点的一致性系数来改善算法性能.     

能量和带宽受限下的分布式一致性融合估计器

针对网络化多传感器分布式估计中传感器能量和通信网络带宽约束问题,提出一种基于降低发送频率和数据压缩降维的分布式一致性融合估计算法.为了满足通信网络带宽要求,各传感器节点直接选取局部估计信号的部分分量进行传输;与此同时,各节点随机间歇式发送数据包到其他节点来节省能量.在给定一致性权重下,建立以一致性估计器增益为决策变量,以所有传感器节点有限时域下状态融合估计误差协方差矩阵的迹的和为代价函数的优化问题,基于Lyapunov稳定性理论给出使得融合估计误差在无噪声时渐近稳定的一致性估计器增益存在的充分条件,并通过最小化代价函数的上界得到一组次优的一致性估计器增益值.最后,通过算例仿真验证算法的有效性.     

量化通信下的一致性滤波算法

为了提高一致性滤波精度,克服传感器网络的通信带宽和能量限制,基于二阶分布式一致性算法,提出了离散的一致性滤波算法,并基于量化通信,在改进概率量化的基础上,提出了量化一致性滤波算法.分析了量化、非量化一致性滤波算法的收敛性,证明了一致性滤波算法的收敛性.仿真结果表明,离散一致性滤波精度高于一阶一致性滤波精度,量化一致性滤波也具有较好的滤波精度.     

Distributed estimation based on LQG control over homogeneous sensor networks

Motivated by navigation and tracking applications within sensor networks, we consider the distributed estimation problem over wireless sensor network. We propose a consensus based Kalman filtering algorithm based on optimal Linear Quadratic Gaussian control, in which each sensor can observe the dynamical system state, process the information data individually and communicate with each other within a sensing range. We provide a sufficient condition for the convergence of the proposed algorithm, and also give an upper bound for the estimation error covariance. Further, we find an optimal consensus gain for minimizing the network estimation error. Considering the occasional sensor fault and limited sensor energy, we investigate the proposed algorithm using only a subset of sensors to observe the dynamical system. With the assistance of the simulations, we verify the effectiveness of the proposed algorithms and present some interesting examples.     

Optimal distributed Kalman filtering fusion for a linear dynamic system with cross-correlated noises

In this article, we study the distributed Kalman filtering fusion problem for a linear dynamic system with multiple sensors and cross-correlated noises. For the assumed linear dynamic system, based on the newly constructed measurements whose measurement noises are uncorrelated, we derive a distributed Kalman filtering fusion algorithm without feedback, and prove that it is an optimal distributed Kalman filtering fusion algorithm. Then, for the same linear dynamic system, also based on the newly constructed measurements, a distributed Kalman filtering fusion algorithm with feedback is proposed. A rigorous performance analysis is dedicated to the distributed fusion algorithm with feedback, which shows that the distributed fusion algorithm with feedback is also an optimal distributed Kalman filtering fusion algorithm; the P matrices are still the estimate error covariance matrices for local filters; the feedback does reduce the estimate error covariance of each local filter. Simulation results are provided to demonstrate the validity of the newly proposed fusion algorithms and the performance analysis.     

组合导航系统滤波器截断误差抑制方法

组合导航系统作为重要的定位和姿态测量的技术手段,其基本设计思想是将GPS和SINS等导航设备输出的信息经过滤波器进行最优估计。但在采用Riccati方程更新协方差矩阵和计算Kalman增益过程中,截断误差随着迭代次数的增大而累积,破坏协方差矩阵的正定性和对称性,降低滤波器计算的数值稳定性,严重时导致组合系统故障发散。本文建立了Riccati方程一阶误差模型,从理论上分析截断误差对滤波器估计性能的影响,引入基于Bierman算法和Thorton算法的Kalman滤波器进行更新方法,解决了截断误差引起的滤波器数值稳定性的问题。通过强实时半物理仿真系统验证表明,相比于基于Kalman滤波器的系统,基于Bierman-Thorton算法的组合导航系统有更强的数值稳定性和较高的导航精度。     

Kalman Filtering Over Graphs: Theory and Applications

In this technical note we consider the problem of distributed discrete-time state estimation over sensor networks. Given a graph that represents the sensor communications, we derive the optimal estimation algorithm at each sensor. We further provide a closed-form expression for the steady-state error covariance matrices when the communication graph reduces to a directed tree. We then apply the developed theoretical tools to compare the performance of two sensor trees and convert a random packet-delay model to a random packet-dropping model. Examples are provided throughout the technical note to support the theory.     

Improved variable step-size NLMS adaptive filtering algorithm for acoustic echo cancellation

Acoustic echo canceller (AEC) is used in communication and teleconferencing systems to reduce undesirable echoes resulting from the coupling between the loudspeaker and the microphone. In this paper, we propose an improved variable step-size normalized least mean square (VSS-NLMS) algorithm for acoustic echo cancellation applications based on adaptive filtering. The steady-state error of the NLMS algorithm with a fixed step-size (FSS-NLMS) is very large for a non-stationary input. Variable step-size (VSS) algorithms can be used to decrease this error. The proposed algorithm, named MESVSS-NLMS (mean error sigmoid VSS-NLMS), combines the generalized sigmoid variable step-size NLMS (GSVSS-NLMS) with the ratio of the estimation error to the mean history of the estimation error values. It is shown from single-talk and double-talk scenarios using speech signals from TIMIT database that the proposed algorithm achieves a better performance, more than 3 dB of attenuation in the misalignment evaluation compared to GSVSS-NLMS, non-parametric VSS-NLMS (NPVSS-NLMS) and standard NLMS algorithms for a non-stationary input in noisy environments.     

野值存在下的BP网络自适应卡尔曼滤波

野值的存在会严重影响滤波器的稳定性和滤波精度,甚至会引起滤波器发散。定量分析了野值对卡尔曼滤波器的影响,提出了一种抗野值的BP网络自适应卡尔曼滤波算法。通过BP网络对新息序列估计方差的变化率进行实时监测和计算,输出一组加权系数对模型中系统噪声和量测噪声作＂在线＂修正,从而有效地抑制了连续野值对滤波器的影响。经仿真证明算法提高了滤波器的精度和稳定性,同时对单个离散野值也有较好的滤波效果。     

基于间歇测量的状态估计稳定性和精度研究*

针对分布式控制系统状态估计过程出现的测量值丢失问题,本文量化分析测量值丢失对估计稳定性和精度的影响。首先,根据随机测量模型重新推导带测量值丢失的卡尔曼滤波器,得到估计误差协方差迭代式。然后,将随机误差协方差迭代式建模为修正的黎卡提微分方程,提出了估计稳定性和精度分析方法。最后,列举不同的系统实例,证明临界包到达率的存在性,当测量值到达率大于临界值时,平均误差协方差从发散过渡到有界,进而得到估计精度与包达率之间的函数关系。     

自适应高斯粒子滤波在导航中的应用

针对粒子滤波中重要性密度函数难以选取和粒子退化导致的计算精度下降的问题,提出一种新的自适应高斯粒子滤波算法。通过高斯混合密度函数和UT变换来获取状态均值和协方差阵,选择并计算合适的自适应因子来调节均值和方差,在迭代过程中可动态调节重要性密度函数,并用WEM和EM步骤代替重采样,上述滤波算法考虑了最新量测信息的影响,使滤波性能明显改善,能更好地解决非线性非高斯系统模型的抗干扰问题。将提出的算法应用于SINS/GPS组合导航系统跑车试验中,结果表明上述滤波算法能提高导航解算的精度,其性能明显优于已有滤波,同时验证了当系统出现噪声干扰突然变化时提出算法的有效性。     

一种改进的变步长LMS自适应算法及分析

现有的变步长LMS算法中,大都采用建立步长因子与误差信号的函数关系的方法,以提高算法的收敛速度和跟踪性能,但由于未考虑输入信号对算法性能的影响,使得当输入信号发生变化后,稳态误差明显增大。为此,在现有算法的基础上,引入了输入信号因子,提出了一种改进算法。该算法可根据瞬时误差和输入信号来调整步长因子,使算法不仅能保持较高的收敛速度和跟踪性能,还可在输入信号变化的情况下,保证较小的稳态误差。理论分析及仿真实验表明新算法的性能优于现有算法。     

L-DACS中的信号分离算法的研究

L波段数字航空通信系统(L-DACS)是未来20年乃至更长时间航空通信需求的航空通信系统。为了解决接收机更好地区别有用信号,通过研究固定步长EASI算法和变步长EASI(VS-EASI)算法,提出一种基于优选估计函数的EASI峭度变步长(Q-EASI)算法。该算法根据信号的分离状态与峭度方差的关系,使步长随峭度方差的变化而变化,从而使收敛速度与稳态误差之间的矛盾得以缓解,并在信号分离的不同阶段使用不同的估计函数,使稳态误差得以减小。仿真验证,新算法相对于传统算法在稳定性和收敛速度上都有较大提高。