粒子滤波算法在多传感器测量中的应用

目标跟踪是粒子滤波算法在处理非线性问题的一种典型应用,但由于在线处理能力或传输条件的限制,实际应用中往往无法对多个传感器数据同时处理。据此,给出了一种基于多传感器选优的粒子滤波算法。假设每个时刻可以处理一个测量数据,该算法先采用加权的概率密度函数来评价每个传感器获得的测量值,并用粒子滤波对概率密度函数的加权进行实时更新,基于最大熵标准来选取最优测量数据进行处理。同时,最大熵标准保证了最优似然函数分布最宽,从而缓解粒子衰竭问题。通过数值仿真实验证明,该算法可以选择最优观测数据进行处理,有效降低多传感器测量中粒子滤波在线实时处理性能的要求,也较好地缓解了粒子滤波的"衰竭"问题。     

一类分布式传感器粒子滤波融合算法

针对非线性非高斯的分布式多传感器状态估计问题,提出了一种基于无迹卡尔曼滤波与粒子滤波相结合的融合跟踪算法。通过对量测方程的非线性分析,利用改进的粒子滤波算法(UPF)计算局部传感器的状态估计值,再应用分布式加权融合准则得到全局状态估值.     

多传感器自适应滤波融合算法

该文提出了一种在线调整权值的多传感器自适应滤波数据融合跟踪算法,用于解决复杂背景下机动目标跟踪问题。首先自适应寻找各个传感器所对应的最优加权因子,确定融合后某一时刻目标最优观测值;其次,以输入信号作为相关自适应滤波器的观测信号,通过新息相关自适应滤波算法根据状态方程及观测方程中误差的变化,实时动态地调整增益矩阵,同时依据自适应滤波状态偏差输出信号及当前观测数据,应用模糊推理在线调整各传感器权值,最终系统输出即为测量轨迹在两级自适应调整融合下最优轨迹。仿真结果证明了算法有效性。     

基于强跟踪滤波的传感器目标跟踪算法

为了提高运动目标的跟踪精度,提出一种基于强跟踪滤波的传感器目标跟踪算法.首先通过传感器节点测量目标的状态值,并通过融合中心对信息进行融合,然后利用Cholesky分解技术变换成噪声独立的量化融合系统,并采用强跟踪滤波算法对目标状态进行估计,最后与其它目标跟踪算法进行对比实验.结果表明,本文算法不仅提高了目标跟踪的精度,而且具有更好的鲁棒性.     

基于能量有效的水下分布式粒子滤波跟踪算法

为降低水下无线传感器网络目标跟踪算法能耗并提高定位精度,提出基于能量有效的分布式粒子滤波跟踪算法(EEPF算法)。EEPF算法通过能量有效的最优分布式动态成簇机制和启发式能量有效的调度算法来平衡水下节点间的能耗,延长网络生存期,并在预测、滤波、重采样阶段对粒子滤波算法进行改进,在保障期望目标跟踪精度的同时降低了运算能耗。仿真结果表明,EEPF算法是一种轻量级的能量有效的目标跟踪算法,该算法能耗低,网络存活时间长,且跟踪精度较传统粒子滤波算法有了较大提高。     

采用模糊推理自适应加权融合的双色红外成像目标跟踪

针对双色红外成像制导系统中多传感器目标跟踪的实际问题,提出了一种基于模糊推理自适应加权融合的目标跟踪算法。该算法首先采用BP神经网络与模糊推理相结合的方法对各传感器的工作性能进行判决;然后根据各传感器的性能测度对多传感器测量数据进行自适应加权融合,得到目标状态的多传感器重建测量;最后采用卡尔曼滤波器对多传感器重建测量进行滤波得到目标状态的最终估计。实验结果证明了该算法的有效性和稳健性。     

二进制传感器网络加权目标跟踪算法研究

该文主要研究二进制传感器网络中加权目标跟踪算法的设计。针对已有算法中权值不能实时反映目标与感测节点之间距离关系的缺点,提出了距离加权和基于预测的距离加权目标跟踪算法。距离权值能够实时反映目标与各个感测节点间的距离关系,因此具有更高的跟踪精度。在距离加权算法中感测节点需要将感测信息和距离信息都传输到融合中心,这会增大感测节点的能量消耗。为了解决这个问题,文中提出一种基于预测的距离加权目标跟踪算法。该算法中感测节点不需要传输距离信息而只传输感测信息到融合中心从而减少了能耗。仿真结果表明,基于预测的距离加权算法比已有算法能够够精确地跟踪目标,在保证跟踪精度的同时减少了通信能耗。     

视野有限的传感器网络中分布式多目标跟踪

在传感器网络的多目标跟踪研究中,大多数现有的跟踪算法通常设定网络中所有节点具有相同的视野,即所有节点都能够得到目标的测量,但在实际中,节点的感测范围通常是有限的。针对这一问题,本文提出了一种能够在感测范围有限的多传感器网络中实现多目标跟踪的分布式概率假设密度滤波算法,该算法通过融合传感器网络视野范围内的后验概率假设密度粒子集来克服传感器节点感测范围的局限。仿真结果表明,提出的算法可以在感测范围有限的情况下实现多目标状态和数目的有效跟踪,同时可以在一定程度上抑制杂波,具有较好的跟踪稳定性。      

基于激光信息和射频识别的运动轨迹跟踪研究

为提高运动轨迹跟踪精度,设计了基于激光信息和射频识别的运动轨迹跟踪方法,首先将射频识别阅读器与激光传感器采集数据进行速度估算处理,并利用加权因子对激光传感器估算速度进行平滑处理,然后通过相似度对比方法匹配激光传感器与射频识别阅读器获取的运动目标速度,采用粒子滤波算法融合激光传感器与射频传感器获取的运动目标速度,通过粒子滤波的预测、更新与重采样三个阶段实现准确的运动目标轨迹跟踪,最后实验结果表明,该方法对目标的运动轨迹跟踪精确度高达99%。     

基于数据链和光电传感器的融合跟踪

数据链是战争中信息互通、资源共享的生命线,研究了基于数据链和光电传感器的融合跟踪方法。根据数据链和光电传感器数据的不同特点,对数据链数据应用改进的交互式当前统计模型滤波外推算法进行时间配准,并根据光电传感器测量角度信息的非线性应用交互式卷积粒子(IMM-CPF)滤波算法进行融合跟踪。使用IMM-CPF和IMM-EKF算法对融合跟踪进行对比仿真,仿真结果表明,使用IMM-CPF算法的数据链和光电传感器的信息融合对目标的跟踪达到了很好的效果。     

基于协方差加权的卡尔曼滤波融合跟踪算法

针对卡尔曼滤波融合跟踪对系统模型准确度和先验信息精度要求较高的问题,提出一种基于协方差加权的卡尔曼滤波融合方法,利用最小二乘准则作为误差加权的标准,使误差小的传感器加权因子大。基于此,再利用卡尔曼滤波融合,充分保留有用信息,抑制噪声干扰。在目标跟踪应用中,即使噪声统计信息未知且噪声互相关,利用该方法仍能够获得最小均方误差准则下的最优目标状态跟踪估计。     

基于卡尔曼滤波的无线传感网时空数据融合算法

无线传感网络节点采集的信息具有较大的相似性,数据结果存在误差。针对该问题,文中提出了一种基于卡尔曼滤波的无线传感网数据融合算法,通过过滤无效数据和缩紧数据包,提高上传数据的有效性和精度。该算法采用实时性较高的卡尔曼滤波算法对无线传感网络中的数据根据时间序列进行数据融合。在时间数据融合的基础上,根据空间分布特点,进一步对多传感器在网关层依据权重进行数据融合。针对不同位置误差实时变化的特点,网关层以空间数据为基础,使用自适应加权算法动态调整各节点权重。仿真实验表明,该算法易于实现,可有效去除冗余信息,提高数据准确度和可靠性。相较于改进的分批估计与自适应加权方法,采用该方法后均方根误差减少约7.9%,精度提高了2.1%。     

Collaborative tracking via particle filter in wireless sensor networks

Target tracking is one of the main applications of wireless sensor networks. Optimized computation and energy dissipation are critical requirements to save the limited resource of the sensor nodes. A framework and analysis for collaborative tracking via particle filter are presented in this paper Collaborative tracking is implemented through sensor selection, and results of tracking are propagated among sensor nodes. In order to save communication resources, a new Gaussian sum particle filter, called Gaussian sum quasi particle filter, to perform the target tracking is presented, in which only mean and covariance of mixands need to be communicated. Based on the Gaussian sum quasi particle filter, a sensor selection criterion is proposed, which is computationally much simpler than other sensor selection criterions. Simulation results show that the proposed method works well for target tracking.     

基于RB粒子滤波的多传感器目标跟踪融合算法

构建面向多传感器信息融合系统的粒子滤波(PF)器是拓展采样型非线性滤波应用领域的关键,针对PF在多传感器融合目标跟踪系统的有效实现问题,提出了一种基于Rao-Blackwellized(RB)PF(RB-PF)的多传感器目标融合跟踪(MT-RB-PF)算法。首先,利用RB建模技术实现跟踪系统非线性状态估计的降维处理;其次,结合多传感器融合系统特点,给出一种多量测下粒子权重优化新方法用以改善粒子权重度量的可靠性和稳定性;最终,通过标准PF和卡尔曼滤波(KF)实现非线性和线性状态分量的估计,并利用状态重构方法构建当前时刻的状态估计值。理论分析和仿真实验验证了算法的有效性。     

Energy‐Efficient Adaptive Dynamic Sensor Scheduling for Target Monitoring in Wireless Sensor Networks

Due to uncertainties in target motion and randomness of deployed sensor nodes, the problem of imbalance of energy consumption arises from sensor scheduling. This paper presents an energy‐efficient adaptive sensor scheduling for a target monitoring algorithm in a local monitoring region of wireless sensor networks. Owing to excessive scheduling of an individual node, one node with a high value generated by a decision function is preferentially selected as a tasking node to balance the local energy consumption of a dynamic clustering, and the node with the highest value is chosen as the cluster head. Others with lower ones are in reserve. In addition, an optimization problem is derived to satisfy the problem of sensor scheduling subject to the joint detection probability for tasking sensors. Particles of the target in particle filter algorithm are resampled for a higher tracking accuracy. Simulation results show this algorithm can improve the required tracking accuracy, and nodes are efficiently scheduled. Hence, there is a 41.67% savings in energy consumption.     

基于粒子群优化和M-H采样粒子滤波的传感器网络目标跟踪方法

针对实际应用条件下传感器节点的观测数据与目标动态参数间呈现为非线性关系的特性,提出了一种基于粒子群优化和M-H抽样粒子滤波的传感器网络目标跟踪方法。该方法采用分布式结构,在动态网络拓扑结构下,由粒子群优化和M-H抽样技术实现滤波中的重抽样过程,抑制粒子退化现象,并通过粒子间共享历史信息,降低单个粒子历史状态间的相关性使各粒子能快速收敛至最优分布,从而实现高精度的目标跟踪效果。仿真结果表明,相比现有的基于信息粒子滤波和并行粒子滤波技术的传感器网络目标跟踪方法,所提出的方法能降低网络总能耗,同时保证目标跟踪的精度。     

Distributed Energy Optimization for Target Tracking in Wireless Sensor Networks

Energy constraint is an important issue in wireless sensor networks. This paper proposes a distributed energy optimization method for target tracking applications. Sensor nodes are clustered by maximum entropy clustering. Then, the sensing field is divided for parallel sensor deployment optimization. For each cluster, the coverage and energy metrics are calculated by grid exclusion algorithm and Dijkstra's algorithm, respectively. Cluster heads perform parallel particle swarm optimization to maximize the coverage metric and minimize the energy metric. Particle filter is improved by combining the radial basis function network, which constructs the process model. Thus, the target position is predicted by the improved particle filter. Dynamic awakening and optimal sensing scheme are then discussed in dynamic energy management mechanism. A group of sensor nodes which are located in the vicinity of the target will be awakened up and have the opportunity to report their data. The selection of sensor node is optimized considering sensing accuracy and energy consumption. Experimental results verify that energy efficiency of wireless sensor network is enhanced by parallel particle swarm optimization, dynamic awakening approach, and sensor node selection.