[发明专利]基于信息一致性权值优化的无线传感网络目标跟踪方法

摘要

本发明公开了一种基于信息一致性权值优化的无线传感网络目标跟踪方法，包括：（1）初始化各节点的先验信息矢量和先验信息矩阵；（2）计算各节点的观测向量；（3）计算各节点的本地观测矢量和本地观测矩阵；（4）各节点广播信息给邻居节点；（5）计算各节点的融合的本地观测矢量和融合的本地观测矩阵；（6）一致性权值优化；（7）计算各节点的一致性融合的本地信息矢量和一致性融合的本地信息矩阵；（8）获得各节点的信息矢量一致性估计和信息矩阵一致性估计；（9）获得各节点对目标状态的预测值和估计值；（10）预测更新各节点的先验信息矢量和先验信息矩阵。本发明提高了传感网络中各个节点状态估计的精确性和一致性。

主权项

1.一种基于信息一致性权值优化的无线传感网络目标跟踪方法，其特征在于包括如下步骤：步骤一：将无线传感网络的每个节点i的先验信息矢量和先验信息矩阵分别初始化如式（1）和式（2）所示：i‾(0)=P-1(0)x‾(0)---(1)]]>I‾(0)=P-1(0)---(2)]]>其中，k代表当前采样时刻；i是节点指标，代表节点i；k和i是整数，k＝0,1,2,...,且1≤i≤n，n是无线传感网络的节点总数；是在0时刻的初始值，是在0时刻的初始值，表示目标的初始状态是均值为的高斯随机变量，P(0)表示目标的初始状态是协方差为P(0)的高斯随机变量；步骤二：在当前采样时刻，由式（3）和式（4）计算每个节点i的观测向量z_i(k)；x(k)＝A(k)x(k-1)+B(k)w(k)          （3）z_i(k)=H_i(k)x(k)+v_i(k)               （4）其中，x(k)∈R^m是当前采样时刻跟踪目标的状态向量，R^m代表m维向量，m是目标的状态向量所包含的状态分量的个数，x(k-1)是跟踪目标在前一个采样时刻的状态向量，为当前采样时刻节点i对跟踪目标的观测向量，代表p_i维向量，p_i是当前采样时刻节点i的观测向量所包含的状态分量的个数，A(k)是当前采样时刻目标的状态转移矩阵，w(k)是当前采样时刻的过程噪声代表零均值、协方差为Q(k)的高斯白噪声，B(k)是当前采样时刻过程噪声的输入矩阵，是当前采样时刻节点i的观测转移矩阵，代表p_i×m维矩阵，v_i(k)是当前采样时刻节点i的测量噪声代表零均值、协方差为R_i(k)的高斯白噪声；k＝0时，x(0)的值等于步骤三：分别由式（5）和式（6）计算各节点i的本地观测矢量y_i(k)和本地观测矩阵s_i(k)：y_i(k)＝H_i(k)^TR_i^-1(k)z_i(k)   (5)s_i(k)＝H_i^T(k)R_i^-1(k)H_i(k)   (6)其中，y_i(k)是当前采样时刻节点i的本地观测矢量，s_i(k)是当前采样时刻节点i的本地观测矩阵；步骤四：将各节点i的信息m_i广播给其所有邻居节点，所述信息m_i满足如式（7）所示的关系式：mi={yi(k),si(k),i‾i(k),I‾i(k)}---(7)]]>其中，y_i(k)是当前采样时刻节点i的本地观测矢量，s_i(k)是当前采样时刻节点i的本地观测矩阵，是当前采样时刻节点i的先验信息矢量，是当前采样时刻节点i的先验信息矩阵；当k＝0时，的值等于的值等于步骤五：分别由式（8）和式（9）计算各节点i的融合的本地观测矢量Y_i(k)和融合的本地观测矩阵S_i(k)：Yi(k)=Σj∈Jiyj(k)---(8)]]>Si(k)=Σj∈Jisj(k)---(9)]]>其中，Y_i(k)是当前采样时刻节点i的融合的本地观测矢量，S_i(k)是当前采样时刻节点i的融合的本地观测矩阵，J_i表示节点i和它的所有邻居节点的集合；j是节点指标，代表节点j；步骤六：利用以下式（10）至式（16）获取各节点i与其他各节点的最优的一致性权值βi*=argminβiFi---(10)]]>βij≥0,(i,j)∈Eβij=0,(i,j)∉E||βi||1=1---(11)]]>Fi=αi1tr((I‾ic(k))-1)tr((I‾i(k))-1)+αi2||i‾ic(k)-i‾ci,av(k)||2+Σj∈Ni||i‾j(k)-i‾ci,av(k)||2Σj∈Ji||i‾j(k)-i‾i,av(k)||2---(12)]]>i‾i,avc(k)=11+di(i‾ic(k)+Σj∈Nii‾j(k))---(13)]]>i‾i,av(k)=11+di(i‾i(k)+Σj∈Nii‾j(k))---(14)]]>i‾ic(k)=i‾i(k)+Σj∈Niβij(i‾j(k)-i‾i(k))---(15)]]>I‾ic(k)=I‾i(k)+Σj∈Niβij(I‾j(k)-I‾i(k))---(16)]]>式（10）至式（16）中，N_i表示节点i的所有邻居节点的集合，是当前采样时刻节点i的先验信息矢量，是当前采样时刻节点j的先验信息矢量，是当前采样时刻节点i的先验信息矩阵，是当前采样时刻节点j的先验信息矩阵，是当前采样时刻节点i的一致性融合的本地信息矢量，是当前采样时刻节点i的一致性融合的本地信息矩阵，和分别由式（15）和式（16）表示；β_i＝[β_i1,β_i2,...,β_in]是优化参数，是节点i和节点j相互间的一致性权值，是β_i经过优化后获得的最优值，F_i是优化的目标函数；(i,j)∈E表示节点i和节点j互为邻居节点，||β_i||₁表示β_i的1-范数；式（12）中，和是权系数，满足tr(·)表示求矩阵的迹；式（13）和式（14）中，d_i表示节点i的度，是当前采样时刻节点i的一致平均本地信息矢量，是当前采样时刻节点i的平均本地信息矢量；步骤七：根据步骤六得到的最优的一致性权值利用式（15）和式（16）计算各节点i的一致性融合的本地信息矢量和一致性融合的本地信息矩阵步骤八：根据步骤五得到的Y_i(k)和S_i(k)以及步骤七得到的和利用式（17）和式（18）获得各节点i的信息矢量一致性估计和信息矩阵一致性估计i^i(k)=i‾ic(k)+Yi(k)---(17)]]>I^i(k)=I‾ic(k)+Si(k)---(18)]]>其中，是当前采样时刻节点i的信息矢量一致性估计，是当前采样时刻节点i的信息矩阵一致性估计，是当前采样时刻节点i的一致性融合的本地信息矢量，是当前采样时刻节点i的一致性融合的本地信息矩阵，Y_i(k)是当前采样时刻节点i的融合的本地观测矢量，S_i(k)是当前采样时刻节点i的融合的本地观测矩阵；步骤九：根据步骤八得到的和利用式（19）至式（22）获得当前采样时刻节点i对目标状态的预测值和估计值Pi(k)=I‾i-1(k)---(19)]]>Mi(k)=I^i-1(k)---(20)]]>x‾i(k)=Pi(k)i‾i(k)---(21)]]>x^i(k)=Mi(k)i^i(k)---(22)]]>其中，P_i(k)是节点i在当前采样时刻的目标状态估计误差协方差矩阵的预测值，M_i(k)是节点i在当前采样时刻的目标状态估计误差协方差矩阵的估计值；步骤十：根据步骤八得到的和利用式（23）和式（24）对各节点i的先验信息矢量和先验信息矩阵进行预测更新，得到下一采样时刻的先验信息矢量和先验信息矩阵i‾i(k+1)=I‾i(k)A(k)I^i-1(k)i^i(k)---(23)]]>I‾i(k+1)=(A(k)I^i-1(k)AT(k)+B(k)Q(k)BT(k))-1---(24)]]>其中，Q(k)是当前采样时刻的过程噪声w(k)的协方差矩阵；k+1表示下一采样时刻；在下一采样时刻到来时，将下一采样时刻作为新的当前采样时刻并且将先验信息矢量和先验信息矩阵作为新的当前时刻的先验信息矢量和先验信息矩阵而返回执行步骤二。