[发明专利]基于无线传感器网络的协同信息估计方法

说明书

技术领域

本发明涉及无线传感器网络分布式协同信息处理方法，特别涉及无线传感器网络中具有多个测量信息的分布式协同信息估计方法。

背景技术

在无线传感器网络监控区域内，通常部署大量廉价的传感器节点且采用无线通信方式，单个传感器节点受到计算资源、通信带宽和传感范围的限制。为了完成一个共同的目标，需要多个传感器节点相互协同工作来共同完成一个或多个任务。另外，考虑到无线传感器网络部署在复杂环境中，测量噪声、信道噪声和链路冲突等不确定性因素存在，每个传感器节点从同一个感兴趣的检测点可能获得不一致的信息，这将导致传感器节点估计性能变坏。这些问题使得无线传感器网络面临巨大的挑战。因此，开发新的协同信号和信息处理理论及方法，对改善系统的可靠性和提高系统的鲁棒性具有重要意义。

为了提高系统的鲁棒性，有学者开发了一类能容忍丢包的卡尔曼滤波器，这类滤波器只考虑了系统的不确定性，比如系统的丢包和延时，没有考虑到传感器节点之间相互协作和信息一致性。为了处理测量信息的不一致性，有学者提出了基于一致性(Consensus)策略的协同信息处理方法，该方法是全分布式的算法，能够处理系统的不确定性和不一致性，但是该算法中一致性增益不是最优的，因此不是最优的信息处理方法。也有学者提出了基于扩散策略(Diffusion strategies)的分布式卡尔曼滤波方法，无线网络内传感器节点只与他们的邻居通信，且信息通过一系列卡尔曼迭代和数据融合来处理，并把信息扩散到网络上其他节点，这类滤波器具有较高的估计精度，但是这类滤波器需要做多次迭代才能得到最后结果，具有一定的时延，且估计误差具有较大的抖动，不适合实时性要求高的应用场景。

发明内容

本发明公开了一种基于无线传感器网络的分布式最优协同信息估计方法。在网络中每个工作传感器节点并行处理信息且只与自己的邻居节点交换信息，从而达到协同信息处理的目的。这种方法是分布式最优算法，网络中不需要信息融合中心，也不需要簇头。对于单个传感器节点或者通信链路是鲁棒的，对于随机部署传感器节点是灵活的，因此非常适合变化的网络拓扑结构，同时不需要复杂的路由协议来传递信息。

由于整个网络中传感器节点地位是对等的，以当前传感器节点s_i为例说明上述目标，分布式协同信息估计方法采用以下技术方案：

1:在初始时刻k=0，初始化每个滤波器的各种参数；

2：为当前传感器节点s_i构建邻居表

3：当前传感器节点只和邻居节点交换测量信息；

4：计算最优的滤波器增益，根据步骤3中交换的测量信息，更新滤波器的估计值，并为下一时刻k+1预测滤波器的估计值；

5:如果当前邻居表变化，为下一时刻k+1更新邻居表然后转入到步骤3继续执行程序。

其中，上述所述的步骤1中，每个滤波器的参数包括状态估计和协方差，且每个滤波器的状态估计和协方差都服从均值为x₀，方差为P₀的高斯分布。

上述所述的步骤2中，构建邻居表的具体操作如下：

如果s_j位于s_i的通信范围内，则把s_j加入到s_i的邻居表中；否则如果s_j不在s_i的通信范围内，或者链路失败，则把s_j从s_i的邻居表中删除。如图1所示，例如，对于s₁₁，它的邻居表邻居个数对于s₁₇，它的邻居表邻居个数等等。

上述所述的步骤3)中包括两层含义：a)当前传感器节点和邻居节点交换信息具体过程包括：当前传感器节点广播自己的测量信息给邻居节点，同时接收来自所有邻居节点的测量信息，因此，每个传感器节点不仅拥有自己的测量信息，同时拥有邻居节点的测量信息；b)当前传感器节点只与邻居节点交换信息，与整个网络规模无关，因此该方法是全分布式算法。

上述所述的步骤4中进一步包括：

4.1)计算滤波器增益包括当前滤波器增益和邻居滤波器增益当前滤波器增益主要用于调节当前预测值，邻居滤波器增益主要用于补偿邻居节点和当前节点测量信息的不一致。

4.2)当前滤波器增益和邻居滤波器增益都是最优的，即在滤波器设计目标中，采用最小化滤波器估计误差而得到的和因此本发明中的滤波器也为最优滤波器。