[发明专利]无线传感器网络中运动目标定位的干扰噪声去噪方法

说明书

技术领域

本发明涉及的是在无线传感器网络(WSN)中运动目标定位的干扰噪声去噪方法，为无线传感器网络在受到噪声干扰的环境下能够准确而快速的定位出运动目标的实际位置所采用的滤波器的设计提供前提基础，属于数字信号处理在无线传感器网络中应用的技术领域。

背景技术

粒子滤波(PF)算法和无迹卡尔曼滤波(UKF)算法是在受到噪声干扰的信号中恢复原始信号的有效措施。PF算法的关键是选择合理的重要性抽样函数，常见的选取办法是用状态的先验概率分布作为重要性抽样函数，这种选取方法不能利用当前时刻的测量值，使得重要性抽样函数在很大程度上依赖于系统模型如果模型不准确，或者量测噪声突然增大，则这种重要性抽样函数不能有效表示真实分布，对当前时刻运动目标的真实状态的估计会产生较大的误差。UKF算法采用了一种特殊的采样策略，对非线性函数的概率密度分布进行近似，使得非线性函数统计量的精度至少达到二阶，而UKF算法对干扰噪声特性的要求较高，对滤波精度要求精度更高的场合并不适用。UPF算法是在PF算法的基础上利用UKF算法以获得更好的重要性函数。UPF算法能够将最新观测量引入状态估计，从而大大降低了粒子滤波采样的盲目性，与PF和UKF算法相比滤波精度有了很大的提高。UPF算法对PF算法的每一个抽样粒子采用UKF算法以获得更好的重要性函数，在提高滤波精度的同时大大的增加了算法的运算量，从而降低了算法的实时性。因此，设计一种精度高而且运算简单的滤波算法有着重要意义。

发明内容

技术问题：为了既考虑当前量测值和先验概率对后验概率分布的影响，又减少计算量，本发明提出了一种无线传感器网络中运动目标定位的干扰噪声去噪方法，在保证滤波精度的同时又减少了计算量，从而提高了滤波过程的实时性。

技术方案：由于不同的场合对目标跟踪的精度要求有所不同，因此本发明根据对目标跟踪精度的要求而选择对UPF算法中的一部分粒子应用以获得更好的重要性函数。UKF算法是目前常用的粒子滤波算法，该算法用二阶函数对非线性概率密度分布进行近似，其滤波精度和运算量与粒子数之间的关系是矛盾的。本发明提出的改进UPF算法结合网络中不同场合的精度要求选取UKF算法的粒子数，对于精度要求高的场合应用UKF滤波算法的粒子数较多，而对于精度要求相对较低的场合应用UKF滤波算法的粒子数较少，这样既减少了计算量，又保证了跟踪精度。无线传感器网络中运动目标定位的干扰噪声去噪方法即改进的UPF算法具体步骤如下：

1)设向量x₀是运动目标的状态初值，是由目标的初始位置坐标和初始速度构成的一维向量。根据状态初值x₀的概率分布密度函数p(x₀)抽样得到N个粒子并令每个粒子的滤波权值为其中i＝1，…，N；

2)根据当前时刻的观测值对上一时刻所产生N个粒子中的l·N个重要粒子采用UKF算法，得出对当前状态估计的后验概率分布函数，并对所得出每个后验概率分布函数抽样，产生当前时刻的l·N个粒子，其中0＜l＜1。同时，对上一时刻所产生N个粒子中其余的(1-l)·N个粒子从对当前状态估计的先验概率分布中产生(1-l)·N个粒子；

3)对步骤2)所产生的l·N和(1-l)·N个粒子分别利用公式

i＝1，2，…，l·N和i＝l·N+1，l·N+2，…，N对当前权值进行更新，并根据对当前权值进行归一化。其中k+1为当前时刻，k为上一时刻，z_k+1为当前时刻的测量向量，z_0：k+1为初始到当前时刻的测量向量，和为先验概率分布，为UPF算法中的重要性分布函数；

4)计算N_eff为有效采样粒子数，以判断是否要进行重抽样，如果N_eff＜N_threshold，则对采样粒子样本集重抽样，其中N_threshold为根据需要设定的阈值，通常取N_threshold＝N/2；

5)对当前状态进行更新其中是当前的第i个粒子状态，是该粒子对应的权值，x_k+1是对当前状态的估计值。

有益效果：本发明是对已有的UPF算法进行了改进而提出的一种改进的UPF算法。改进的UPF算法不必对UPF算法中所有的抽样粒子应用UKF算法，而只对其中的一部分粒子应用UKF算法，从而在保证了滤波精度的同时又减少了计算量，提高了滤波过程的实时性。