[发明专利]一种分布式传感器网络协同配准方法及系统

说明书

本发明提供了一种分布式传感器网络协同配准方法及系统，在各个传感器节点形成初始的传感器配准误差参数和目标参数；开始EM迭代计算，对目标参数进行前向卡尔曼滤波；对前向卡尔曼滤波后的目标参数进行反向卡尔曼滤波；各传感器节点利用前向卡尔曼滤波步骤和反向卡尔曼滤波步骤的结果对目标状态估计进行平滑；各传感器节点利用目标状态估计平滑步骤获得的平滑后的目标状态估计求解各自的传感器配准误差估计值；若EM迭代未结束，则返回前向卡尔曼滤波步骤；若EM迭代结束，各传感器节点输出各自的传感器配准误差估计值。本发明配准过程无需中心节点，也不需要节点间存在全连接结构，该方法简单有效、易于实施。

技术领域

本发明涉及通信技术领域，具体地，涉及一种分布式传感器网络协同配准方法及系统。

背景技术

分布式传感器网络是一类无中心节点、各节点间也不存在全连接的传感器网络。在分布式传感器网络中，各个节点仅能与其通信范围内的部分节点进行通信。分布式传感器网络的这一特性，赋予了其灵活多变的拓扑结构、强环境适应能力以及对系统中节点失效的鲁棒性，具有广泛的应用价值和应用前景。然而，分布式传感器网络的这一特性带来前述便利和优势的同时，也为传感器网络的信息处理带来了巨大的挑战。无中心节点、无全连接的结构需要寻求完全分布式的信息处理方法。针对这一问题，以R.Olfati-Saber、G.Battistelli等为代表的众多学者提出了基于一致性(consensus)策略的分布式传感器网络信息处理方法。该方法利用分布式网络中相邻节点间的局部通信，在传感器网络中相邻节点间进行一致性迭代，使分布式传感器网络中的所有节点都能得到全局一致的估计值。

传感器网络的核心意义在于利用多源传感器感知外界环境，通过对多源信息的融合使系统获得相较于单一传感器更高的精度，提升整个传感器网络系统的性能。然而，在实际系统应用中，传感器配准误差的存在会显著降低融合的性能，甚至导致融合失败。为此，对传感器进行配准是传感器网络应用中必不可少的重要环节。在集中式系统中，传感器的配准问题已经得到了深入的研究，提出了包括最小二乘(Least squares)方法、极大似然(Maximum likelihood)方法以及他们的众多改进算法。但是，前述方法均需要在中心节点集中式地进行信息处理。这一要求，限制了这些方法在分布式传感器网络中的应用。

发明内容

针对现有技术中的缺陷，本发明的目的是提供一种分布式传感器网络协同配准方法及系统。

根据本发明提供的一种分布式传感器网络协同配准方法，包括步骤：

初始化步骤：在各个传感器节点，根据先验信息形成初始的传感器配准误差参数，根据给定初始的目标状态和误差协方差阵形成初始的目标参数；

前向卡尔曼滤波步骤：开始EM迭代计算，对目标参数进行前向卡尔曼滤波；

反向卡尔曼滤波步骤：对前向卡尔曼滤波后的目标参数进行反向卡尔曼滤波；

目标状态估计平滑步骤：各传感器节点利用前向卡尔曼滤波步骤和反向卡尔曼滤波步骤的结果对目标状态估计进行平滑；

传感器配准误差估计值求解步骤：各传感器节点利用目标状态估计平滑步骤获得的平滑后的目标状态估计求解各自的传感器配准误差估计值；

判断步骤：若EM迭代未结束，则返回前向卡尔曼滤波步骤；若EM迭代结束，各传感器节点输出各自的传感器配准误差估计值。

较佳的，所述前向卡尔曼滤波步骤中的前向卡尔曼滤波包括：

前向初始步滤波：利用初始化步骤中的初始的传感器配准误差参数和初始的目标参数作为初值进行前向一致性卡尔曼滤波；

前向非初始步滤波：利用传感器配准误差估计值求解步骤得到的传感器配准误差估计值和初始化步骤中初始的目标参数作为初值进行前向一致性卡尔曼滤波。