CN103778320A - 一种基于变分贝叶斯多传感器量化融合目标跟踪方法 - Google Patents
一种基于变分贝叶斯多传感器量化融合目标跟踪方法 Download PDFInfo
- Publication number
- CN103778320A CN103778320A CN201310753877.3A CN201310753877A CN103778320A CN 103778320 A CN103778320 A CN 103778320A CN 201310753877 A CN201310753877 A CN 201310753877A CN 103778320 A CN103778320 A CN 103778320A
- Authority
- CN
- China
- Prior art keywords
- upsi
- centerdot
- message
- processor
- sigma
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Landscapes
- Complex Calculations (AREA)
Abstract
本发明涉及一种基于变分贝叶斯方法和强跟踪信息滤波的多传感器量化融合目标跟踪方法。本发明设计了一种主次处理机结构,在主处理机中构造增强测量矩阵Hk和增强全局消息zυ,k;计算一步预测和相应协方差Pk|k-1;计算全局消息预测zk|k-1;将zυ,k,l,Pk|k-1送至次处理机。在次处理机中,计算消息噪声方差并将送至主处理机,在主处理机中即可计算得到融合估计和相应协方差Pk|k。本发明使用变分贝叶斯方法的自适应强跟踪信息滤波方法不仅具有强跟踪能力,还能估计量测噪声的未知方差,实现了自适应功能。同时,衰减系数可以通过迭代的方法估计出来,而无需计算雅可比矩阵。
Description
技术领域
本发明属于网络化多传感器***的目标跟踪领域,特别涉及一种基于联合变分贝叶斯方法和强跟踪技术的多传感器信息滤波量化融合方法。
背景技术
近几十年来,由于快速发展的现代化信息和互联网技术,出现了越来越多关于复杂无线数据网络的应用。因此,由许多分散部署的传感器节点组成的分布式传感器网络已经被广泛地应用在各个领域,例如环境监测、目标跟踪、智能消防,以及身体健康监测仪器等等。通常情况下,为了满足数据传输和有限带宽的要求,本地传感器监测的数据要在它们传输到处理中心之前被量化。基于这个原因,量化滤波和融合已经成为信号处理、通信、控制方面的研究热点。
目前,自适应比特量化已经成为一种在获得本地传感器原始测量的近似消息的流行方法,因为它能根据传感器网络的可用网络带宽的实时变化来量化测量数据。因此,现在已经有许多有价值的研究成果,并且有些成果已经被应用与实际***。随机比特量化的结果是一个带有未知准确方差的量化误差向量。设计量化滤波器的关键思想是怎样解决随机量化误差。通常,量化误差被看成是零均值高斯白噪声。根据卡尔曼滤波原理,为了让计算一个最佳量化估计,量化误差方差应该是准确已知并且是准确的。遗憾的是很难准确地得到它。这个方差的准确上限值能被获得,并且它与量化区间有关。因此,当设计量化滤波器和融合估计器时,这个上限通常用来代替未知真实的方差。然而,有一个明显的问题是这个上限实际近似导致了使用模型***的不确定性。结果,量化状态估计器的准确性和稳定将在不同程度上受到影响。为了提高量化卡尔曼估计器的性能,强跟踪技术的使用在一定的程度上克服了这个不利的影响,并且对状态突变的鲁棒性也有所帮助。遗憾的是强跟踪不能完全消除由***模型的不确定性造成的影响,并且量化误差方差也不能实时估计。
对于大多数实际应用,有需要定量评估自适应比特量化带来的影响,并且在线评估比特量化误差方差有利于该定量评估。明确了这个方向,我们研究了带有联合变分贝叶斯和强跟踪滤波技术自适应比特量化的线性动力***的网络化状态估计。变分贝叶斯方法能有效地评估由原始测量误差和量化误差组成的量化消息噪声的完全方差。完全方差估计能被应用在强跟踪方程中。强跟踪衰退因子对量化估计器适应最新消息和从消息中提取有效信息具有很大的帮助。上限值用于决定方差估计的有效性,并且为了决定一个有效的方差,提出了相关方案。因此,提出一种新颖的基于联合变分贝叶斯方法和强跟踪技术的多传感器信息滤波量化融合方法。
发明内容
本发明针对现有技术的不足,提供了一种基于变分贝叶斯多传感器量化融合目标跟踪方法。
本发明方法具体是:
A)主处理机
2)融合中心接收到每个传感器的量化消息zυ,k,l,并构成增强全局消息zυ,k。
4)计算全局消息预测zk|k-1,及新息rk和强跟踪衰退因子λk。
B)第l个次处理机(l=1,2,…,N)
6)计算第l个消息噪声方差的参数αk|k-1,l和βk|k-1,l的预测值:
αk|k-1,l=ρk,l·αk-1,l,βk|k-1,l=ρk,l·βk-1,l
8)迭代估计
11)如果j<N1,有
C)主处理机
本发明的有益效果:本发明使用变分贝叶斯方法的自适应强跟踪信息滤波方法不仅具有强跟踪能力,还能估计量测噪声的的未知方差,实现了自适应功能。同时,衰减系数可以通过迭代的方法估计出来,而无需计算雅可比矩阵。
附图说明
图1为本发明方法流程图。
具体实施方式
下面先为目标跟踪***建立数学模型,再给出了基于联合变分贝叶斯方法和强跟踪技术的多传感器信息滤波量化融合方法的公式,详细介绍本发明的实施步骤。
1.***建模
多传感器网络跟踪***可以描述为:
其中是***状态向量,是k-1时刻到k时刻的***状态转移矩阵。是零均值高斯白噪声,方差为Qk,k-1。N是传感器的数目,为状态xk的第lth个测量值,为相应测量矩阵。也是零均值高斯白噪声,方差Rk,l可以表示为
2.多传感器量化融合估计器
已知量测***方程,则其量化多传感器消息为:
zυ,k,l=Hk,lxk+υk,l,l=1,2,…,N
令
其中
则通过直接使用VB-AQKF-STF或者VB-AQIF-STF方法,可以很容易得到带有增强测量的相应集中式融合估计器。然而,这种融合估计器在现实***中没有很好的可计算性和良好的生存能力。通常,希望在集中式融合框架下基于信息滤波来得到分布式融合算法。或者说,本地传感器通过主次结构将它的测量值zk,l送到融合中心,这种结构由一个主处理机和N个次处理机组成。
关于VB-AQIF-STF方法,对于单传感器***,λk和的计算都需要全局的数据。这就是说,从处理中心反馈到本地传感器的数据是必要的。对于多传感器***,每个传感器的Rυ,k,l(l=1,2,…,N)的估计值相对其他传感器是独立的,本质上是因为这是一个点运算过程。这就说明基于VB-AQIF-STF的带有并行运算的多传感器分布式融合结构是可行的,参见图1。则基于VB-AQIF-STF的分布式融合方法如下:
A)主处理机
2)融合中心接收到每个传感器的量化消息zυ,k,l,并构成增强全局消息zυ,k。
Pk|k-1=λkφk,k-1Pk-1|k-1+Qk,k-1
4)计算全局消息预测值zk|k-1,及新息rk和强跟踪衰退因子λk:
B)第lth个次处理机(l=1,2,…,N)
6)计算第lth个消息噪声方差的参数αk|k-1,l和βk|k-1,l的预测值:
αk|k-1,l=ρk,l·αk-1,l,βk|k-1,l=ρk,l·βk-1,l
其中索引'k|k-1,l'和'k,l'指第'lth'个传感器,且
其中表示在k时刻,第lth个传感器的某参数向量的第ith个成分。
8)迭代估计
其中
11)如果j<N1,有
C)主处理机
主处理机接收到每个次处理机送来的即可计算全局融合估计及相应估计误差协方差
Claims (1)
1.一种基于变分贝叶斯多传感器量化融合目标跟踪方法,其特征在于该方法包括以下步骤:
A)主处理机
2)融合中心接收到每个传感器的量化消息zυ,k,l,并构成增强全局消息zυ,k;
4)计算全局消息预测zk|k-1,及参数rk和λk;
B)第l个次处理机
6)计算第l个消息噪声方差的参数预测值
αk|k-1,l=ρk,l·αk-1,l,βk|k-1,l=ρk,l·βk-1,l
8)迭代估计
10)用单一量化消息zυ,k,l计算局部估计值及其协方差
11)如果j<N1,有
C)主处理机
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310753877.3A CN103778320A (zh) | 2013-12-30 | 2013-12-30 | 一种基于变分贝叶斯多传感器量化融合目标跟踪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310753877.3A CN103778320A (zh) | 2013-12-30 | 2013-12-30 | 一种基于变分贝叶斯多传感器量化融合目标跟踪方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN103778320A true CN103778320A (zh) | 2014-05-07 |
Family
ID=50570548
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310753877.3A Pending CN103778320A (zh) | 2013-12-30 | 2013-12-30 | 一种基于变分贝叶斯多传感器量化融合目标跟踪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103778320A (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104318072A (zh) * | 2014-09-30 | 2015-01-28 | 杭州电子科技大学 | 基于qkf-mmf的多传感器量化融合方法 |
CN104318059A (zh) * | 2014-09-24 | 2015-01-28 | 深圳大学 | 用于非线性高斯***的目标跟踪方法和跟踪*** |
CN104463841A (zh) * | 2014-10-21 | 2015-03-25 | 深圳大学 | 衰减系数自适应的滤波方法及滤波*** |
CN104680002A (zh) * | 2015-02-10 | 2015-06-03 | 电子科技大学 | 一种基于随机集理论的分布式融合方法 |
CN105699903A (zh) * | 2016-01-15 | 2016-06-22 | 宁波飞拓电器有限公司 | 一种基于变分贝叶斯ckf的应急灯电池soc估计方法 |
WO2018098926A1 (zh) * | 2016-11-29 | 2018-06-07 | 深圳大学 | 一种适用于闪烁噪声的多目标跟踪方法及*** |
CN108896047A (zh) * | 2018-05-09 | 2018-11-27 | 上海交通大学 | 分布式传感器网络协同融合与传感器位置修正方法 |
CN109341690A (zh) * | 2018-09-25 | 2019-02-15 | 江苏大学 | 一种鲁棒高效的组合导航自适应数据融合方法 |
CN110110673A (zh) * | 2019-05-10 | 2019-08-09 | 杭州电子科技大学 | 一种基于双向2dpca和级联前向神经网络的人脸识别方法 |
CN111274536A (zh) * | 2020-01-20 | 2020-06-12 | 电子科技大学 | 一种扩展目标的分布式跟踪自适应组合系数 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7065465B2 (en) * | 2002-03-26 | 2006-06-20 | Lockheed Martin Corporation | Method and system for multi-sensor data fusion |
CN103065037A (zh) * | 2012-11-13 | 2013-04-24 | 杭州电子科技大学 | 非线性***基于分散式容积信息滤波的目标跟踪方法 |
CN103237320A (zh) * | 2013-04-12 | 2013-08-07 | 杭州电子科技大学 | 无线传感器网络基于混合量化卡尔曼融合的目标跟踪方法 |
CN103235886A (zh) * | 2013-04-25 | 2013-08-07 | 杭州电子科技大学 | 一种基于变分贝叶斯容积强跟踪信息滤波的目标跟踪方法 |
CN103424742A (zh) * | 2013-07-24 | 2013-12-04 | 深圳大学 | 一种序贯处理测量数据的目标跟踪方法与目标跟踪*** |
-
2013
- 2013-12-30 CN CN201310753877.3A patent/CN103778320A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7065465B2 (en) * | 2002-03-26 | 2006-06-20 | Lockheed Martin Corporation | Method and system for multi-sensor data fusion |
CN103065037A (zh) * | 2012-11-13 | 2013-04-24 | 杭州电子科技大学 | 非线性***基于分散式容积信息滤波的目标跟踪方法 |
CN103237320A (zh) * | 2013-04-12 | 2013-08-07 | 杭州电子科技大学 | 无线传感器网络基于混合量化卡尔曼融合的目标跟踪方法 |
CN103235886A (zh) * | 2013-04-25 | 2013-08-07 | 杭州电子科技大学 | 一种基于变分贝叶斯容积强跟踪信息滤波的目标跟踪方法 |
CN103424742A (zh) * | 2013-07-24 | 2013-12-04 | 深圳大学 | 一种序贯处理测量数据的目标跟踪方法与目标跟踪*** |
Non-Patent Citations (4)
Title |
---|
QUANBO GE等: "VB-QAKF-STF:A novel linear state estimator for stochastic quantized measurements systems", 《CONTROL CONFERENCE(ASCC),2013 9TH ASIAN》 * |
刘向阳: "多传感器跟踪算法研究", 《万方在线公开,D.WANFANGDATA.COM.CN/THESIS/Y405409》 * |
葛泉波: "多传感器数据融合及其在过程监控中的应用", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
葛泉波等: "基于EKF的集中式融合估计研究", 《自动化学报》 * |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104318059A (zh) * | 2014-09-24 | 2015-01-28 | 深圳大学 | 用于非线性高斯***的目标跟踪方法和跟踪*** |
CN104318059B (zh) * | 2014-09-24 | 2018-02-02 | 深圳大学 | 用于非线性高斯***的目标跟踪方法和跟踪*** |
CN104318072B (zh) * | 2014-09-30 | 2017-05-10 | 杭州电子科技大学 | 基于qkf‑mmf的多传感器量化融合方法 |
CN104318072A (zh) * | 2014-09-30 | 2015-01-28 | 杭州电子科技大学 | 基于qkf-mmf的多传感器量化融合方法 |
CN104463841A (zh) * | 2014-10-21 | 2015-03-25 | 深圳大学 | 衰减系数自适应的滤波方法及滤波*** |
CN104680002A (zh) * | 2015-02-10 | 2015-06-03 | 电子科技大学 | 一种基于随机集理论的分布式融合方法 |
CN104680002B (zh) * | 2015-02-10 | 2017-10-17 | 电子科技大学 | 一种基于随机集理论的分布式融合方法 |
CN105699903B (zh) * | 2016-01-15 | 2019-03-26 | 宁波飞拓电器有限公司 | 一种基于变分贝叶斯ckf的应急灯电池soc估计方法 |
CN105699903A (zh) * | 2016-01-15 | 2016-06-22 | 宁波飞拓电器有限公司 | 一种基于变分贝叶斯ckf的应急灯电池soc估计方法 |
WO2018098926A1 (zh) * | 2016-11-29 | 2018-06-07 | 深圳大学 | 一种适用于闪烁噪声的多目标跟踪方法及*** |
CN108896047A (zh) * | 2018-05-09 | 2018-11-27 | 上海交通大学 | 分布式传感器网络协同融合与传感器位置修正方法 |
CN109341690A (zh) * | 2018-09-25 | 2019-02-15 | 江苏大学 | 一种鲁棒高效的组合导航自适应数据融合方法 |
CN109341690B (zh) * | 2018-09-25 | 2022-03-22 | 江苏大学 | 一种鲁棒高效的组合导航自适应数据融合方法 |
CN110110673A (zh) * | 2019-05-10 | 2019-08-09 | 杭州电子科技大学 | 一种基于双向2dpca和级联前向神经网络的人脸识别方法 |
CN111274536A (zh) * | 2020-01-20 | 2020-06-12 | 电子科技大学 | 一种扩展目标的分布式跟踪自适应组合系数 |
CN111274536B (zh) * | 2020-01-20 | 2023-04-07 | 电子科技大学 | 一种扩展目标的分布式跟踪自适应组合系数 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103778320A (zh) | 一种基于变分贝叶斯多传感器量化融合目标跟踪方法 | |
Deletic et al. | Assessing uncertainties in urban drainage models | |
Sikorska et al. | Considering rating curve uncertainty in water level predictions | |
WO2018188432A1 (zh) | 一种工程结构模态识别的模型定阶方法 | |
CN103294848B (zh) | 基于混合自回归滑动平均模型的卫星太阳能电池阵寿命预测方法 | |
CN104376231B (zh) | 基于改进近似贝叶斯计算的损伤识别方法 | |
CN105260607A (zh) | 一种串并联耦合的多模型水文预报方法 | |
JP2012517583A (ja) | 無線ネットワークにおいてノードのセットをロケーション特定するための方法 | |
CN103237320B (zh) | 无线传感器网络基于混合量化卡尔曼融合的目标跟踪方法 | |
CN110958639A (zh) | 一种目标状态估计方法及*** | |
Fan et al. | Development of integrated approaches for hydrological data assimilation through combination of ensemble Kalman filter and particle filter methods | |
CN103268525B (zh) | 一种基于wd-rbf的水文时间序列模拟预测方法 | |
CN108053049B (zh) | 一种基于Budyko理论的水文随机插值径流预测方法 | |
CN104298650B (zh) | 基于多方法融合的量化卡尔曼滤波方法 | |
CN101588328A (zh) | 一种高精度无线信道参数化模型的联合估计方法 | |
WO2019173943A1 (zh) | 一种自动追踪结构模态参数的方法 | |
CN104318072B (zh) | 基于qkf‑mmf的多传感器量化融合方法 | |
CN105653728B (zh) | 基于双层模型体系的无线传感网的数据采集方法 | |
CN107741581B (zh) | 基于截断矩的广义帕累托分布参数估计方法 | |
She et al. | A new adaptive local linear prediction method and its application in hydrological time series | |
Bae et al. | Uncertainty estimation of the SURR model parameters and input data for the Imjin River basin using the GLUE method | |
Bhardwaj et al. | Estimation of lifespan of diesel locomotive engine | |
Hema et al. | Reconstructing missing hourly real-time precipitation data using a novel intermittent sliding window period technique for automatic weather station data | |
CN102567606B (zh) | 给水管网等水压面实时绘制方法 | |
Gruber et al. | Models of regional skew based on Bayesian GLS regression |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20140507 |