分布式传感网络的自适应一致性算法

为了提高分布式传感网络的估计精度;提出了一种新的自适应一致性算法。该算法在每次迭代时只需部分节点工作;即进行目标状态的监测。通过节点之间二进制信息的交换来调整每次迭代时的一致性权值;使得每次迭代时工作节点所占的权值更大;进而将该一致性算法与卡尔曼滤波相结合对目标状态进行估计。对该算法进行数值仿真;并与其他一致性加权算法进行比较;验证了该算法的有效性。     

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.     

基于状态预测自适应一致滤波器的分布式估计融合算法

应用自适应滤波算法改进了基于一致滤波器的估计融合算法以加快节点估计的一致收敛速度,提出了一种基于状态预测的自适应一致滤波器．在此算法中,节点采用状态预测值作为自适应滤波器的参考信号,应用自适应算法修正一致滤波器的加权矩阵．仿真结果表明,本文提出的算法不仅能够加快节点估计的一致收敛速度,还能减小收敛过程中节点的估计误差．     

分布式融合算法在WSANs中的性能分析

在无线传感器执行器中,执行器节点接收传感器节点传来的信息并执行相应的动作。为了满足执行器节点及时地采取行动,无线传感器执行器网络对时延有严格的限制。构建了一种一般性的分布式融合算法并与集中式融合算法比较。通过从网络传输时延、节点能量消耗、网络寿命、有效传输次数等方面分析了这种算法在无线传感器执行器网络中的特性。在三种典型拓扑结构下的仿真实验表明,在相同条件下,分布式融合算法比集中式融合算法具有更小的网络传输时延,更长的网络寿命,同时节点的能量消耗更加均匀。     

一种权系数两级自调整的融合定位精度提高方法

在分布式传感器网络节点定位技术中,使用数据融合方法以提高探测系统的检测与定位精度正成为研究的热点。提出了一种应用于分布式传感器网络中的数据融合定位算法,通过对各个传感器节点的定位信息的加权求和来进行数据融合,用来提高探测系统目标定位的精度。该算法采用两级自适应调整得到最优加权因子,首先利用线性最小均方差（LMSE）算法得到权系数的初始值,然后利用训练节点和递归最小二乘（RLS）算法自适应地调整达到最优。对静态和运动目标的定位数据融合算法进行了仿真,仿真结果表明：相比单节点定位,提出的融合算法的定位精度有约1—2个数量级的提高。     

基于无线传感器网络的分布递阶信息融合算法

提出了基于无线传感器网络的分布递阶信息融合方法,下层源节点采用卡尔曼滤波及基于减少能耗和网络冲突的数据处理方法,上层汇聚节点采用方差最小的加权信息融合方法,该方法能有效降低传感器网络能耗和网络信息冲突,仿真结果表明了该方法的有效性和可靠性。     

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.     

无线传感器网络下分布式决策融合方法综述

分布式决策融合方法以其成本低廉、可靠性高、生存能力强、带宽要求低等优点而在多传感器检测系统特别是无线传感器网络中具有广阔的应用前景,但是传感器网络具有有限的能量、有限的计算能力、有限的通讯带宽,以及存在无线信道衰落、传输错误和干扰噪声对分布式决策融合理论带来挑战。介绍了分布式检测和决策融合的理论基础,对近年来无线传感器网络下的分布式决策融合理论方法及其研究进展进行了详细的综述,分析并展望了该领域存在的问题和前景,探讨了进一步的研究方向。     

传感器网络中的分布式滚动时域状态估计

利用分布式滚动时域方法对无线传感器网络的状态估计问题进行研究,给出了基于量化测量值的滚动时域估计算法。在无线传感器网络的环境下处理分布式状态估计问题时,减少通信的成本是非常重要的一个环节,需要将观测值量化后再传送。以往的滚动时域估计方法无法处理量化观测值的状态估计问题,而本文的方法考虑了最严格的观测值量化情况即传感器只发送一个比特至融合中心的状态估计问题。与其它传感器网络中的状态估计方法相比,该方法减少了每一步的计算量。仿真结果验证了该算法的有效性。     

一种有效的分布式离散Kalman滤波器

运用一致性检验原理,提出了一种有效的分布式离散Kalman滤波器;分析了用于多传感器数据融合的分布式Kalman滤波方法,并将经过一致性检验的量测数据引入分布式Kalman滤波器进行数据融合;当干扰噪声的统计特征发生变化时,仿真结果表明该滤波器可以大大提高数据融合的精度。     

An event-triggered approach to state estimation with multiple point- and set-valued measurements

In this work, we consider state estimation based on the information from multiple sensors that provide their measurement updates according to separate event-triggering conditions. An optimal sensor fusion problem based on the hybrid measurement information (namely, point- and set-valued measurements) is formulated and explored. We show that under a commonly-accepted Gaussian assumption, the optimal estimator depends on the conditional mean and covariance of the measurement innovations, which applies to general event-triggering schemes. For the case that each channel of the sensors has its own event-triggering condition, closed-form representations are derived for the optimal estimate and the corresponding error covariance matrix, and it is proved that the exploration of the set-valued information provided by the event-triggering sets guarantees the improvement of estimation performance. The effectiveness of the proposed event-based estimator is demonstrated by extensive Monte Carlo simulation experiments for different categories of systems and comparative simulation with the classical Kalman filter.