[发明专利]一种分布式状态估计方法

说明书

本发明提供了一种分布式状态估计方法，包括：构建通信丢包模型；基于所述通信丢包模型，构建传感器节点的状态空间模型；基于所述状态空间模型，构建分布式卡尔曼滤波的回归形式；基于所述回归形式，确定基于最大相关熵准则的代价函数和基于最大相关熵准则的目标函数；基于所述代价函数和所述目标函数，确定所述传感器节点的状态和协方差；用以描述因能量限制，具备访问攻击等因素噪声的通讯丢包过程；并通过结合广义丢包模型的分布式最大相关熵卡尔曼滤波算法，实现同时存在通讯数据丢包和非高斯噪声干扰情况下的分布式状态估计。

技术领域

本发明涉及无线传感器网络技术领域，具体而言，涉及一种分布式状态估计方法。

背景技术

近年来，基于无线传感器网络状态估计问题得到了广泛的研究，并且这些研究在实际应用中得到了广泛的应用，如在静态或动态目标定位和跟踪，室内定位，车辆导航等。在无线传感器网络的分布式状态估计的研究中，集中式和分布式融合架构是目前最流行的两种架构，而且基于分布式的融合架构因其强鲁棒性和低计算复杂度等优势已经成为状态估计的主流方法。在分布式估计方法中，每个传感器节点既是传感器又是融合中心，每个节点获得来自自身和邻居传感器的信息从而产生局部估计。然而，与邻近节点交互的信息经常受到数据包丢失的影响而造成一定的损失。丢包的原因通常有以下几种：1)因长期潜在需求或能量限制，传感器信息的发送通常是随机的或基于事件触发的，此外，间歇性地传输信息也可以看作是丢包的一种特殊情况；2)由于传感器性能和环境等因素也可能导致信息的传输失败；3)恶意的网络中的攻击，例如拒绝服务攻击，也是导致丢包的重要原因。这些因素将不可避免地造成节点间传输数据的丢失。丢包现象是分布式状态估计性能不稳定的潜在来源，并可能进一步导致节点间估计的差异的增加，并给网络的分布式状态估计带来了困难。因此考虑通信丢包的分布式状态估计受到了广泛的关注。虽然，现有技术提出了各种解决丢包问题的方法，但是考虑到在节点间成功传递的测量数据仅包含高斯噪声，因此它们在高斯环境下表现良好。然而，由于非高斯噪声在实际应用中很常见，这导致节点间成功传递的测量数据往往被非高斯噪声污染，这种情况将不可避免地降低基于高斯假设的算法的性能。为了提高分布式状态估计算法在非高斯噪声条件下的估计性能，分布式最小误差熵卡尔曼滤波算法应运而生。但是由于最小误差上准则的双求和特性，分布式最小误差熵卡尔曼滤波算法的计算复杂度要高于分布式最大相关熵卡尔曼滤波算法的计算复杂度，这对于具有能量限制的传感器来说是较为沉重的负担。因此，研究包含通信数据丢包和非高斯噪声污染分布式状态估计问题仍然是一个待解决的问题。

有鉴于此，本发明提出了一种分布式状态估计方法，用以描述因能量限制，具备访问攻击等因素噪声的通讯丢包过程；并通过结合广义丢包模型的分布式最大相关熵卡尔曼滤波算法，实现同时存在通讯数据丢包和非高斯噪声干扰情况下的分布式状态估计。

发明内容

本发明的目的在于提供一种分布式状态估计方法，包括：构建通信丢包模型；基于所述通信丢包模型，构建传感器节点的状态空间模型；基于所述状态空间模型，构建分布式卡尔曼滤波的回归形式；基于所述回归形式，确定基于最大相关熵准则的代价函数和基于最大相关熵准则的目标函数；基于所述代价函数和所述目标函数，确定所述传感器节点的状态和协方差。

进一步的，所述通信丢包模型的表达式为：

其中，表示节点i从其邻居节点j获得的观测数据；表示定义为；表示映射函数，用于反映和的映射关系；表示第j个传感器节点获得的观测向量；i表示第i个传感器节点；Ω表示网络中所有传感器构成的集合；j表示第i个传感器节点的邻居传感器节点；表示节点i及其所有邻居节点构成的集合。

进一步的，所述通信丢包模型的表达式为：

其中，表示节点i从其邻居节点j获得的观测数据；表示定义为；表示丢包参数矩阵；表示第j个传感器节点获得的观测向量。

进一步的，所述丢包参数矩阵的表达式为：