[发明专利]一种基于变分贝叶斯多传感器量化融合目标跟踪方法

说明书

技术领域

本发明属于网络化多传感器系统的目标跟踪领域，特别涉及一种基于联合变分贝叶斯方法和强跟踪技术的多传感器信息滤波量化融合方法。

背景技术

近几十年来，由于快速发展的现代化信息和互联网技术，出现了越来越多关于复杂无线数据网络的应用。因此，由许多分散部署的传感器节点组成的分布式传感器网络已经被广泛地应用在各个领域，例如环境监测、目标跟踪、智能消防，以及身体健康监测仪器等等。通常情况下，为了满足数据传输和有限带宽的要求，本地传感器监测的数据要在它们传输到处理中心之前被量化。基于这个原因，量化滤波和融合已经成为信号处理、通信、控制方面的研究热点。

目前，自适应比特量化已经成为一种在获得本地传感器原始测量的近似消息的流行方法，因为它能根据传感器网络的可用网络带宽的实时变化来量化测量数据。因此，现在已经有许多有价值的研究成果，并且有些成果已经被应用与实际系统。随机比特量化的结果是一个带有未知准确方差的量化误差向量。设计量化滤波器的关键思想是怎样解决随机量化误差。通常，量化误差被看成是零均值高斯白噪声。根据卡尔曼滤波原理，为了让计算一个最佳量化估计，量化误差方差应该是准确已知并且是准确的。遗憾的是很难准确地得到它。这个方差的准确上限值能被获得，并且它与量化区间有关。因此，当设计量化滤波器和融合估计器时，这个上限通常用来代替未知真实的方差。然而，有一个明显的问题是这个上限实际近似导致了使用模型系统的不确定性。结果，量化状态估计器的准确性和稳定将在不同程度上受到影响。为了提高量化卡尔曼估计器的性能，强跟踪技术的使用在一定的程度上克服了这个不利的影响，并且对状态突变的鲁棒性也有所帮助。遗憾的是强跟踪不能完全消除由系统模型的不确定性造成的影响，并且量化误差方差也不能实时估计。

对于大多数实际应用，有需要定量评估自适应比特量化带来的影响，并且在线评估比特量化误差方差有利于该定量评估。明确了这个方向，我们研究了带有联合变分贝叶斯和强跟踪滤波技术自适应比特量化的线性动力系统的网络化状态估计。变分贝叶斯方法能有效地评估由原始测量误差和量化误差组成的量化消息噪声的完全方差。完全方差估计能被应用在强跟踪方程中。强跟踪衰退因子对量化估计器适应最新消息和从消息中提取有效信息具有很大的帮助。上限值用于决定方差估计的有效性，并且为了决定一个有效的方差，提出了相关方案。因此，提出一种新颖的基于联合变分贝叶斯方法和强跟踪技术的多传感器信息滤波量化融合方法。

发明内容

本发明针对现有技术的不足，提供了一种基于变分贝叶斯多传感器量化融合目标跟踪方法。

本发明方法具体是：

A）主处理机

1）假定k-1时刻目标的状态融合估计为及相应误差协方差为P_k-1|k-1。已知每个传感器的测量矩阵为H_k,l和测量噪声方差为R_k,l（l＝1,2,…,N），即可构造增强测量矩阵H_k。

2）融合中心接收到每个传感器的量化消息z_υ,k,l，并构成增强全局消息z_υ,k。

3）计算全局状态的一步预测并计算带有衰退因子λ_k的相应预测误差协方差P_k|k-1。

4）计算全局消息预测z_k|k-1，及新息r_k和强跟踪衰退因子λ_k。

5）将z_υ,k,l，P_k|k-1送至次处理机。

B）第l个次处理机（l＝1,2,…,N）

6）计算第l个消息噪声方差的参数α_k|k-1,l和β_k|k-1,l的预测值：

α_k|k-1,l＝ρ_k,l·α_k-1,l，β_k|k-1,l＝ρ_k,l·β_k-1,l

7）用1/2+α_k|k-1,l代替步骤6）中的α_k,l，初始化和j＝0，开始迭代估计测量量化误差方差R_v,k,l。