[发明专利]一种多速率观测数据的状态估计和数据融合方法

说明书

技术领域

本发明属于信息处理方面多传感器信息融合技术领域，涉及一种多速率观测数据的状态估计和数据融合方法。

背景技术

在动态系统中，滤波是对当前状态的估计。用“滤波器”这个词是因为从噪声数据获取最优估计的过程相当于“过滤掉”这些噪声。滤波一词也因此具有消除干扰信号即噪声的意义。在控制系统中，控制器也需要滤波信号来得到动态系统中的状态估计。在频域和空间域，信号处理中经常用到信号的滤波。在空间域中，例如选择来自某个方向的信号。导航是检测传感器的位置的评估平台。

在传感器网络中可以分别通过集中式，顺序式和分布式的融合结构来得到状态估计，通过是不是直接融合原始数据来区分这三种融合结构。集中式数据融合通过把所有相关的数据传递给一个中央收集器节点的点对点信息流模式完成信号估计。这是一个非常低效的解决方案，因为它可能会导致长数据包延迟、消耗大量的能量且在中央收集器节点可能出现严重故障。另一种解决方案是在传感器网络中的每一个传感器不仅作为一个传感器，还作为估计器，既有估计量传感能力也有计算能力，并且它只从邻居节点收集测量信息来得到融合估计。这样会减少通信负担，提高生存能力，更加灵活、可靠。

在无线传感器网络中节能问题很重要。以前的节能方法有压缩法和量化法。这两种方法都是通过缩减数据包的大小来减少在发送和接收数据包中的能源消耗。另外一种直接有效的节能方法是减缓传感器信息传输速度。随之出现了很多多速率的融合文章。使传感器的测量和传输测量周期为采样周期几倍。直观地称这种方法为传输速率法。过去几年中，有很多将传输速率法与分布式融合方法结合的文章，但这些文章均未考虑在分布式数据融合中的节能问题。

发明内容

本发明的目的在于通过无线传感器网络观测，基于多速率、多传感器的观测数据，结合传输速率发和提升技术，提出一种低计算复杂性、高效融合利用观测数据的最优集中式、顺序式和分布式信息融合估计方法。

一种多速率观测数据的集中式状态估计和数据融合方法，包括以下步骤：

步骤1、向计算机输入传感器个数N，传感器l的邻居传感器集合N_l中传感器个数N_l，其中N_l包含与传感器l直接相邻的传感器以及隔一步相邻的传感器；输入估计更新周期和采样周期的比值a；输入测量传输周期和估计更新周期的比值b；输入初始状态均值，初始状态估计误差方差阵；

步骤2、对时刻k_i,i＝1,2,…，输入系统矩阵，系统噪声矩阵和系统误差方差阵；输入(k_i-1,k_i]时刻获得的来自所有传感器的观测数据和观测矩阵，以及观测噪声方差阵；

步骤3、在测量传输时刻t_i,i＝1,2,…，计算以传感器l作为融合中心的状态预测值与状态预测误差协方差矩阵：

步骤4、在时刻t_i,i＝1,2,…，利用步骤3得到的状态预测值与状态预测误差协方差矩阵以及步骤1输入的数据和相关参数，计算状态的融合估计值和相应的估计误差协方差矩阵；

步骤5、在时刻t_i,i＝1,2,…，利用步骤4得到的融合估计值和相应的估计误差协方差矩阵，得到时刻t_i所求状态的融合估计值和融合估计误差协方差矩阵；

步骤6、将t_i+1赋值给t_i，重复步骤2-5，即得任意时刻t_i,i＝1,2,…的集中式状态融合估计值与融合估计误差协方差矩阵。

一种多速率观测数据的顺序式状态估计和数据融合方法，包括以下步骤：

步骤1、向计算机输入传感器个数N，传感器l的邻居传感器集合N_l中传感器个数N_l，其中N_l包含与传感器l直接相邻的传感器以及隔一步相邻的传感器；输入估计更新周期和采样周期的比值a；输入测量传输周期和估计更新周期的比值b；输入初始状态均值，初始状态估计误差方差阵；

步骤2、对时刻k_i,i＝1,2,…，输入系统矩阵，系统噪声矩阵和系统误差方差阵；输入(k_i-1,k_i]时刻获得的来自所有传感器的观测数据和观测矩阵，以及观测噪声方差阵；

步骤3、在测量传输时刻t_i,i＝1,2,…，计算以传感器l作为融合中心的状态预测值与状态预测误差协方差矩阵；