[发明专利]一种多项式参数化似然函数的分布式批估计数据融合方法

说明书

本发明公开一种多项式参数化似然函数的分布式批估计数据融合方法，首先根据本地雷达的采样速率或数据更新的实际需求设定批估计更新周期，利用粒子滤波算法获得多传感器中粒子样本近似的本地似然函数，然后通过最小二乘近似方法求解得到本地传感器的多项式参数，并且在多传感器间通信交互这些多项式参数，最后利用多项式参数恢复得到粒子样本近似的多传感器近似似然函数，并采用批估计融合方法融合多传感器的近似似然函数，有效地解决了异步传感器网络中由于采样速率和初始偏差不同导致的异步数据难以融合的问题；相比于在个传感器节点之间直接传输原始量测，传输多项式参数的通信量更低；本申请相比于后验方法的精度更高。

技术领域

本发明属于多传感器数据融合技术领域，特别涉及异步传感器网络分布式批估计数据融合技术。

背景技术

随着现代战场环境的日益复杂，隐身与反隐身、对抗与反对抗等迫切需求，强机动、高杂波、低检测率和高虚警率等问题的出现，利用多传感器数据融合技术获得更加全面、准确、可靠的环境态势信息越来越受到人们的关注。其中，分布式估计数据融合方法因其具有资源消耗低、可扩展性强、鲁棒性好等众多优点得到了长足的发展，并广泛地应用到了区域监视、目标跟踪、目标定位等众多领域。

现有的分布式估计数据融合方法大多是针对同步传感器网络设计的，即要求多个传感器采样周期相同，初始偏差相同，且不存在通信延迟。事实上，这些要求在实际中很难得到满足，特别是在异步传感器网络中，多传感器数据异步且难以融合，直接采用同步的分布式估计融合方法将严重影响融合精度。文献“Distributed sequential estimation inasynchronous wireless sensor networks，IEEE Signal Process Letters.SPL-22，1965-1969，Nov 2015”提出了一种根据数据到达先后进行顺序估计的序贯估计方法，它通过递推的方式将多传感器数据进行对齐，有效地解决了异步传感器网络中的数据融合问题。但是该方法将后验分布概率密度函数直接近似为高斯分布，存在精度损失的问题，特别在非高斯场景下，高斯近似造成精度损失的问题将导致多传感器数据融合的精度较低；文献“Asynchronous particle filter for tracking using non-synchronous sensornetworks，Signal Process Mag，SPM-91，2304-2313，Apr.2011”提出了一种联合一段时间异步数据对同一目标状态进行估计的方法，它通过引入一种利用目标状态转移特性的对齐策略，有效地解决了异步传感器网络中异步数据难以融合的问题，精度较高且计算量小。但是该方法是一种集中式估计融合方法，可扩展性和鲁棒性较弱，不能直接推广到分布式传感器网络中，并且传感器节点之间传输的数据是原始量测，需要消耗大量的能量与带宽等通信资源。

发明内容

本发明为解决上述技术问题，提出了一种多项式参数化似然函数的分布式批估计数据融合方法，并采用批估计融合方法融合多传感器的近似似然函数，有效地解决了异步传感器网络中由于采样速率和初始偏差不同导致的异步数据难以融合的问题。

本发明采用的技术方案是：一种多项式参数化似然函数的分布式批估计数据融合方法，包括：

S1、根据本地传感器的采样速率或数据更新的实际需求设定批估计更新周期，并初始化当前迭代时间t＝0；

S2、判断t值是否等于本地传感器接收到当前量测的时间；若是则执行步骤S4；否则执行步骤S3；

S3、在一个批估计更新周期内，依次接收和存储当前迭代对应的其他传感器的多项式参数，并更新t值，然后返回步骤S2；

S4、从本地传感器读取当前量测，利用粒子滤波算法进行本地滤波，获得本地传感器当前组粒子样本近似的似然函数，然后执行步骤S5；