[发明专利]一种基于收敛优化的分布式多速率粒子滤波算法

说明书

本发明提供一种基于收敛优化的分布式多速率粒子滤波算法，步骤一：在无线传感器网络中的所有节点上运行局部粒子滤波器，并计算得出局部预测分布和局部滤波分布的均值与方差；步骤二：运行加权平均一致性算法，并对其收敛速率优化，得出后续滤波所需数据；步骤三：在无线传感器网络中的所有节点上运行融合粒子滤波器，输出全局状态估计结果。本发明在优化其收敛速率的同时，又将平均一致性滤波器改进为加权平均一致性滤波器，消除了无效节点带来的一致性误差，这将使估计精度也有所提升。并且，本发明的仿真实验背景设置为稀疏性与动态性并存的无线传感器网络系统，验证说明了分布式多速率收敛优化粒子滤波算法的扩展应用环境。

技术领域

本发明涉及一种基于收敛优化的分布式多速率粒子滤波算法，属于在非线性、非高斯模型环境下对扩展性粒子滤波的应用领域。

背景技术

在科技发展迅猛的当代，分布式估计和跟踪算法的相关研究愈发深入。尤其在针对于非线性模型、非高斯模型以及涉及数据融合的相关问题中，分布式算法的重要程度不可小觑。分布式状态估计在许多领域都已经占据了相当重要的地位，例如无人器械的自动导航、机器人自我定位、水下传感器网络的追踪与定位、能量分布网路中的分布式状态估计以及仅方位目标跟踪的应用。提及以上应用，无疑都可以使用相关的滤波技术加以辅助解决，并且都是在无线传感器网络的技术背景下进行实现。

现有的成熟的滤波技术领域中，粒子滤波的稳固地位不可动摇，相关的扩展性粒子滤波技术百花齐放。粒子滤波作为一种基于蒙特卡洛仿真的近似贝叶斯滤波算法，它在非线性模型和非高斯系统中的应用广泛。多速率一致/融合滤波算法作为粒子滤波算法的扩展性应用领域中的一员，它在无线传感器网络中使用时，网络中每一个节点都将运行两个完整的粒子滤波器——局部粒子滤波器与融合粒子滤波器。观测节点先利用局部粒子滤波器对观测目标进行全局估计得出局部状态估计值，这个估计值具有局部性，然后观测节点运行融合粒子滤波器对那些局部全局估计值进行补偿融合，进而得到更为准确的全局状态估计结果。

相比于现有的同类型扩展性粒子滤波技术，多速率一致/融合滤波算法具有以下几点优势：1)它针对无线传感器网络中可能出现的不可靠通信连接作了改善，尤其是在大型和多跳环节网络中，这种问题更为常见，多速率一致/融合滤波算法都可以直接应用而不受其影响；2)它可以应用于非线性、非高斯模型系统网络中，在实际应用环境中，真实模型基本都为非线性和非高斯的，无疑，这一点更增加了它的实用价值；3)它不局限于对全局后验密度信息进行高斯近似，也可以利用其它近似计算方法估算出真实结果。但是，多速率一致/融合滤波算法也存在着需要优化的问题，即它的运行过程中涉及了对平均一致性算法的应用环节，由于一致性算法的运行步数不可控制、不可预测，这将导致算法的运行时间不可控制、不可预测。以至于在追求高精度的滤波结果时，时间问题向着扩大化方向发展。由于无效节点的存在，在应用平均一致性算法的时候，将出现一致性估计误差，最终导致滤波发散、估计精度不高。而且，在实际应用中，无线传感器网络大多存在着动态性与稀疏性并存的情况，若能将多速率一致/融合滤波算法应用于此，将更为大幅度的提升其应用价值，此种情况的应用还需验证并加以说明。

发明内容

本发明的目的是为了对多速率一致/融合滤波算法的收敛速率进行优化，而提出一种基于收敛优化的分布式多速率粒子滤波算法，在优化其收敛速率的同时，又将平均一致性滤波器改进为加权平均一致性滤波器，消除了无效节点带来的一致性误差，这将使估计精度也有所提升。并且，本发明的仿真实验背景设置为稀疏性与动态性并存的无线传感器网络系统，验证说明了分布式多速率收敛优化粒子滤波算法的扩展应用环境。

本发明的目的是这样实现的：步骤如下：

步骤一：在无线传感器网络中的所有节点上运行局部粒子滤波器，并计算得出局部预测分布和局部滤波分布的均值与方差；

步骤二：运行加权平均一致性算法，并对其收敛速率优化，得出后续滤波所需数据；

步骤三：在无线传感器网络中的所有节点上运行融合粒子滤波器，输出全局状态估计结果。