[发明专利]基于信息形式的强鲁棒传感器网络目标跟踪方法

说明书

本发明公开了一种基于信息形式的强鲁棒传感器网络目标跟踪方法，不仅具有较强的鲁棒性，而且可使传感器网络在信息融合过程中拥有相对较小的计算负担。该方法以信息形式的变量替代目标的传统状态变量，将信息矩阵和信息状态矢量两种信息变量作为每一采样时刻数据处理的关注对象；又利用学生t分布分别对传感器观测过程、目标系统过程和目标状态的重尾非高斯特性进行建模，结合三阶球面‑相径容积规则对关于学生t分布的函数进行积分的近似数值计算，得到了信息空间下两种信息变量的递推估计形式。由于量测更新步骤中信息变量形式上的相对简洁，传感器网络中各节点的信息可以进行高效融合，最终输出目标的状态估计结果。

技术领域

本发明涉及一种基于信息形式的、具有强鲁棒性的传感器网络目标跟踪方法，属于将非线性估计理论和多源信息融合理论应用于传感器网络进行目标跟踪的技术领域。

背景技术

对监控区域内的目标进行跟踪是传感器网络最为典型的一类应用之一，由于传感器节点(后文简称为节点)体积小、价格低廉，采用传感器网络进行目标跟踪具有成本低、隐蔽性强的特点。相比用单一传感器进行目标跟踪，传感器网络在具有更好跟踪精度的同时也拥有更佳的容错性和可靠性。传感器网络用于目标跟踪的一个关键环节是多传感器的数据处理问题，其实质是对传感器所获得的观测信息进行处理和分析的过程。

在实际目标跟踪应用中，由于多种内外部因素的存在，使得节点所获得的观测信息有可能存在诸多无用信息(杂波)，这就要求节点的计算中心在处理和分析数据的过程中自身具有一定的鲁棒性，能够有效剔除无用信息。比如，传感器探测到的目标表面反射的电磁波入射角信息，会由于传播路径中障碍物造成的非视距传输而形成闪烁噪声；监控区域内的电子干扰(如电子对抗)也会使传感器所获观测带有异常值；这些都属于观测过程中的杂波，其实质可看作是一类重尾非高斯不确定现象。现有的技术手段大都侧重于观测过程带杂波的数据处理，但若被跟踪目标为一飞行器属性的物体时(如飞机、无人机)，其位置的随机摆动或潜在的机动行为，会使目标的动力学模型不再遵循高斯过程，其变化过程的本质也会呈重尾非高斯特性。因此，有必要寻求一种联合针对传感器观测过程和目标系统过程的强鲁棒目标跟踪技术方法。

传感器网络目标跟踪涉及到多节点的信息采集与处理，因此将多源信息进行融合也是目标跟踪方法设计时需要考虑的问题。以卡尔曼滤波为代表的递推状态估计法是多源信息融合理论中较为经典的一类估计算法，它可以有效地从服从高斯过程的目标系统过程和传感器观测过程中估计出目标的位置、速度、加速度等目标状态信息，但其缺陷是对于带有非高斯过程和非线性模型假设的案例，滤波性能并不理想，甚至有发散和失效的可能。另一方面，大多数非线性卡尔曼滤波算法和非高斯滤波算法都以卡尔曼滤波为基础，算法更新步骤中的均值和方差矩阵的更新形式涉及诸多稳定性敏感的矩阵运算，当目标状态维数、传感器观测维数较高，或者当网络中具有相当数量的传感器需要进行信息融合时，反复的矩阵运算会给计算中心带来一定的负担，最终使节点的电能源无谓消耗，降低其使用寿命。

发明内容

本发明的目的是为了在全面提高传感器网络目标跟踪的鲁棒性同时保持方法的高效性，公开了一种基于信息形式的强鲁棒传感器网络目标跟踪方法。本发明的描述主要在信息空间展开，即用信息形式的变量对目标状态的递推过程进行描述，利用学生t分布对传感器观测过程、目标系统过程和目标状态的非高斯特性进行建模，联合三阶球面-相径容积规则对关于学生t分布的函数进行积分近似求解，给出多传感器节点条件下信息变量的递推估计表达式，从而实现融合网络信息的强鲁棒目标跟踪。

本发明的目的是通过以下技术方案实现的：一种基于信息形式的强鲁棒传感器网络目标跟踪方法，包括以下步骤：

步骤一：建立传感器网络目标跟踪的学生t分布非高斯状态空间模型，引入信息形式的变量；

步骤二：利用基于学生t分布的三阶球面-相径容积准则进行时间更新，确定信息状态矢量和信息矩阵的预测值；