CN111257824B - 基于扩散卡尔曼滤波的分布式检测方法 - Google Patents
基于扩散卡尔曼滤波的分布式检测方法 Download PDFInfo
- Publication number
- CN111257824B CN111257824B CN202010067419.4A CN202010067419A CN111257824B CN 111257824 B CN111257824 B CN 111257824B CN 202010067419 A CN202010067419 A CN 202010067419A CN 111257824 B CN111257824 B CN 111257824B
- Authority
- CN
- China
- Prior art keywords
- node
- innovation
- diffusion
- kalman filtering
- test
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S5/00—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/20—Instruments for performing navigational calculations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/277—Analysis of motion involving stochastic approaches, e.g. using Kalman filters
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/30—Services specially adapted for particular environments, situations or purposes
- H04W4/38—Services specially adapted for particular environments, situations or purposes for collecting sensor information
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Complex Calculations (AREA)
Abstract
本发明公开的基于扩散卡尔曼滤波的分布式检测方法,具体按照以下步骤实施:构造分布式传感网络;在分布式传感网络中利用扩散卡尔曼滤波方法计算得到节点新息;利用节点新息计算出其协方差矩阵,根据节点新息的协方差矩阵计算得出新息方差,进而得到检验统计量和检验门限;根据检验统计量和检验门限,得出判决表达式并由二元假设检验理论做出决策。本发明的检测性能优于单节点和局部的检测性能,受益于扩散策略,每个节点可动态获得全局信息,因此能够更快地收敛于集中式的检测性能。
Description
技术领域
本发明属于目标检测方法技术领域,具体涉及一种基于扩散卡尔曼滤波 的分布式检测方法。
背景技术
近年来,检测技术的完善和发展推动着科学技术的进步,许多专业领域 都离不开检测技术。主动检测方法虽然可以获得较高的信噪比,但以高能耗 为代价,难以实现长时间的隐蔽监控。随着传感器技术的进步,利用分布式 传感器对覆盖区域内的目标进行被动检测与定位跟踪成为可能。传感器通过 接收来自于目标的信息来进行噪声背景下的目标检测,然后会处理接收到的信息来决定目标是否存在。无线传感网络下实现目标检测,利用每一个传感 器节点对接收到的信号与相应的门限比较后做出判决,降低人为因素误差,效率高,具有较强的可靠性。对于单节点信号的检测问题,因为只能够得到 自己一个节点的信息,其检测性能并不好。使用传感器网络(如集中式、局 部式)的检测技术具有很好的应用前景。集中检测技术中,在需要做整体决策时,所有的传感器数据都发送给融合中心。尽管这项技术达到了最高的性 能,但它要求非常大的带宽来获取实时结果。在分布式网络中不需要融合中 心,每个节点仅依靠自己的观测信息和相邻节点间的共享数据获取到网络的 全局信息,做出目标有无的二元决策。其检测性能优于单节点和局部的检测 性能,且能更快地收敛于集中式的检测性能。
发明内容
本发明的目的在于提供一种基于扩散卡尔曼滤波的分布式检测方法,提 高了对目标信号的处理增益和检测概率。
本发明所采用的技术方案是:基于扩散卡尔曼滤波的分布式检测方法, 具体按照以下步骤实施:
步骤1、构造分布式传感网络;
步骤2、在步骤1得到的分布式传感网络中利用扩散卡尔曼滤波 (DiffusionKalman Filter,DKF)方法计算得到节点新息;
步骤3、利用步骤2得到的节点新息计算出其协方差矩阵,根据节点新 息的协方差矩阵计算得出新息方差,进而得到检验统计量和检验门限;
步骤4、根据步骤3得出的检验统计量和检验门限,得出判决表达式并 由二元假设检验理论做出决策,当检验统计量大于检验门限的时候表示目标 信号存在,检验统计量小于检验门限的时候表示目标信号不存在。
本发明的特点还在于,
步骤1具体为:假设在一个区域中布放了由N个传感器节点组成的分布 式传感网络,即无向图模型G=(V,ζ),其中节点集合V={1,2,...,N}和边 集ζ={(i,l)|i,l∈V,i≠l}为节点在单跳通信范围内的无序节点对,邻集 Ni={l|(i,l)∈ζ}∪i为节点i的单跳通信相邻节点集,集合Ni中元素的个数 Ni为节点i的度,网络中的每个节点对待检信号做独立观测,并与其单跳通 信相邻节点共享信息。
步骤2具体按照以下步骤实施:
步骤2.1:建立高斯-马尔可夫模型;
步骤2.2:构造二元假设检验理论;
步骤2.3:利用扩散卡尔曼滤波方法计算出各节点的新息。
步骤2.1具体为:
在离散时间***下,M×1维的矢量信号s(k)在k时刻的高斯-马尔可夫 模型为:
s(k)=Fs(k-1)+Gv(k-1)k≥0 (1)
其中,状态转移矩阵F和控制矩阵G分别是M×M、M×r维的已知矩 阵,矩阵F的特征值幅度小于1;扰动噪声矢量v(k)~N(0,Q)是r×1维的高斯 白噪声;起始条件s(-1)是一个M×1维的随机矢量,服从高斯分布 s(-1)~N(μ0,Π0),它与v(k)是相互独立的。
步骤2.2具体为:
对于节点i,从0到K时刻基于二元假设理论的离散观测方程为:
H1:yi,0:K=Zi,0:K+wi,0:K (2)
H0:yi,0:K=wi,0:K (3)
式中,yi,0:K=[yi(0),yi(1),…,yi(K)]T是观测向量,Zi,0:K是待检测的信号,观 测噪声wi,0:K=[wi(0),wi(1),…,wi(K)]T是高斯白噪声,且Zi,0:K与 wi,0:K相互独立,Zi,0:K是部分可观测的马尔可夫过程,表示为:
Zi,0:K=Hi,0:Ks0:K (4)
式中,Zi,0:K=[zi(0),zi(1),…,zi(N-1)]T,s0:K=[sT(0),sT(1),...,sT(K)]T,且/>hi(k)=[1 0 ... 0]T是M×1 维的观测矢量;s(k)是M×1维的零均值高斯-马尔可夫过程。
步骤2.3具体为:
令ψi(k)表示节点i在时刻k由扩散卡尔曼滤波方法计算得出的新息, ψi(k)与全局观测信息呈线性关系,假设该线性关系为:
其中,y0:k=[yT(0),yT(1),...,yT(k)]T,y(k)=[y1(k),...,yN(k)]T,向量bi,0:k描述 了ψi(k)与y0:k的线性关系;令ψi,0:K=[ψi(0),ψi(1),...,ψi(K)]T代表第i个节点从0 到K时刻用扩散卡尔曼滤波方法计算的新息向量,得:
ψi,0:K=Bi,0:Ky0:K (6)
式中,Bi,0:K是(K+1)×(K+1)N的矩阵,其中第j行的前j×N个元素由bi T ,0:K给出,其余元素为0;由于新息过程是全局观测的线性组合,因此ψi,0:K是零 均值的高斯变量。
步骤2.3.1、增量更新:
步骤2.3.2、扩散更新:
Pi,k+1|k=FPi,k|kFT+GQGT (13)
步骤2.3.3、利用从0到k时刻的观测信息,由增量更新和扩散更新可知 新息为:
将上式转化为矩阵维度,新息向量ψ(k+1)=[ψ1(k+1),...,ψN(k+1)]T的计算表 达式为:
步骤3具体为:
基于计算出的新息和新息方差得出检验统计量的计算公式为:
由于新息过程是独立的,基于扩散卡尔曼滤波的检验门限为:
步骤4具体为:由步骤3得出检验统计量和检验门限后,利用二元假设 检验理论,通过比较两者之间的值可得到目标有无的二元判决,判决表达式 为:
本发明的有益效果是:本发明的基于扩散卡尔曼滤波的分布式检测方法, 解决了需要融合中心的网络结构的信息崩溃问题和单节点只能够得到自己 一个节点的信息,其检测能力有限的问题。由于使用了分布式网络结构和 DKF方法,当观测时间足够长时,每个节点逐渐感知全局信息,可以有效的提高新息过程的估计精度,对目标信号有无的检测性能做到更快地收敛于集 中式。
附图说明
图1是本发明基于扩散卡尔曼滤波的分布式检测方法的流程图;
图2是N个节点组成的分布式传感网络;
图3(a)是节点数量为20的传感网络拓扑结构;图3(b)是节点数量 为20的传感网络中各节点的观测噪声标准差;
图4是传感网络中每个节点的虚警概率Pf,i(k)=0.001时的网络检测概率 随时间变化图;
图5(a)是时刻k=2时本发明和现有检测方法的接收机工作特性曲线对 比图;图5(b)是时刻k=5时本发明和现有检测方法的接收机工作特性曲线 对比图。
具体实施方式
下面结合附图以及具体实施方式对本发明进行详细说明。
本发明提供了一种基于扩散卡尔曼滤波的分布式检测方法,如图1所示, 具体按照以下步骤实施:
步骤1、构造分布式传感网络,如图2所示,这种网络不需要融合中心 获取各节点的信息,因此可以实时适应和跟踪数据流信息的变化,实现分布 式网络节点的实时信号检测,具体如下:
假设在一个区域中布放了由N个传感器节点组成的分布式传感网络。它 可以描述为无向图模型G=(V,ζ),其中节点集合V={1,2,...,N},边集ζ={(i,l)|i,l∈V,i≠l}为节点在单跳通信范围内的无序节点对,邻集 Ni={l|(i,l)∈ζ}∪i为节点i的单跳通信相邻节点集,集合Ni中元素的个数 Ni为节点i的度。网络中的每个节点对待检信号做独立观测,并与其单跳通 信相邻节点共享信息。
步骤2、在分布式传感网络中利用DKF方法计算得到新息。DKF方法是 将各节点的信息作为全局代价函数,使用相邻节点的信息通过卡尔曼迭代估 计得到新息。随着观测时间的增加,每个节点估计新息时都逐渐使用了全局 信息,提高了估计精度,具体如下:
步骤2.1:建立高斯-马尔可夫模型;
在离散时间***下,M×1维的矢量信号s(k)在k时刻的高斯-马尔可夫 模型为:
s(k)=Fs(k-1)+Gv(k-1)k≥0 (1)
其中,状态转移矩阵F和控制矩阵G分别是M×M、M×r维的已知矩 阵,矩阵F的特征值幅度小于1;扰动噪声矢量v(k)~N(0,Q)是r×1维的高 斯白噪声。起始条件s(-1)是一个M×1维的随机矢量,服从高斯分布 s(-1)~N(μ0,Π0),它与v(k)是相互独立的。
步骤2.2:构造二元假设检验理论;
二元假设检测利用噪声和信号的统计特性,对观测数据中有无目标信号 做出二元判决。检测***的输入(即观测数据)y(k),k=0,1,...,K有两种可能: 用H1假设表示输入中有目标信号存在,H0假设表示没有目标信号,即
H1:y(k)=z(k)+w(k)
H0:y(k)=w(k)
式中,z(k)和w(k)分别表示k时刻的目标信号的加性噪声。于是检验问 题归结为检验H0假设和H1假设的真伪问题。
对于节点i,由上式可写出从0到K时刻基于二元假设理论的离散观测 方程:
H1:yi,0:K=Zi,0:K+wi,0:K (2)
H0:yi,0:K=wi,0:K (3)
式中,yi,0:K=[yi(0),yi(1),...,yi(K)]T是观测向量,Zi,0:K是待检测的信号,观 测噪声wi,0:K=[wi(0),wi(1),...,wi(K)]T是高斯白噪声,且Zi,0:K与 wi,0:K相互独立。Zi,0:K是部分可观测的马尔可夫过程,可表示为:
Zi,0:K=Hi,0:Ks0:K (4)
式中,Zi,0:K=[zi(0),zi(1),...,zi(N-1)]T,s0:K=[sT(0),sT(1),...,sT(K)]T,且/>hi(k)=[1 0 ... 0]T是M×1 维的观测矢量;s(k)是M×1维的零均值高斯-马尔可夫过程。
步骤2.3:利用DKF方法计算出各节点的新息;
令ψi(k)表示节点i在时刻k由DKF方法计算得出的新息。受益于扩散策 略,每个节点都可以逐渐获取整个网络的全局信息从而利用全局信息估计 ψi(k),因此ψi(k)与全局观测信息呈线性关系,假设该线性关系为:
其中,y0:k=[yT(0),yT(1),...,yT(k)]T,y(k)=[y1(k),...,yN(k)]T,向量bi,0:k描述 了ψi(k)与y0:k的线性关系。令ψi,0:K=[ψi(0),ψi(1),...,ψi(K)]T代表第i个节点从0 到K时刻用DKF方法计算的新息向量,可得:
ψi,0:K=Bi,0:Ky0:K (6)
DKF算法具体步骤如下:
步骤2.3.1、增量更新:
步骤2.3.2、扩散更新:
Pi,k+1|k=FPi,k|kFT+GQGT (13)
步骤2.3.3、利用从0到k时刻的观测信息,由增量更新和扩散更新可 知新息为:
将上式转化为矩阵维度,新息向量ψ(k+1)=[ψ1(k+1),...,ψN(k+1)]T的计算表 达式为:
步骤3、利用步骤2得到的新息,计算出新息的协方差矩阵,根据新息 的协方差矩阵由公式计算得出新息方差,进而由新息和新息方差来计算检验 统计量和检验门限,具体如下:
为了方便推导出新息方差的计算公式,这里使用新息向量的协方差矩阵, 由公式(11)、(12)、(13)和公式(15)可计算出Pl,k|k,/>Pl,k+1|k和 ψi(k)。假设新息协方差矩阵的计算公式为:
基于上面算出的新息和新息方差可得出检验统计量的计算公式为:
由于新息过程是独立的,基于DKF的检验门限为:
步骤4、根据步骤3得到的检验统计量和检验门限,利用二元假设检验 理论,对目标信号做出决策,具体如下:
依据计算得出的检验统计量和检验门限,通过比较两者之间的值可得到 目标有无的二元判决,判决表达式为:
结果分析
对本发明基于DKF的检测算法与集中式、局部、单节点的检测性能进 行仿真和比较。假设高斯-马尔可夫过程中s(k)和v(k)的维数分别为2和1,状态转移矩阵F=[0.6,0.2;1,0],控制矩阵G=[1,0]T,扰动噪声矢量的协方差矩阵 Q=0.1,初始状态s(-1)~N([0,0]T,diag{0.5,0.5})。假设传感网络中节点数量为N=20。网络拓扑结构和每个节点的观测噪声标准差依次在图3(a)和图3 (b)给出。对所有的节点i=1,2,...,N在任意时刻k=0,1,...,K-1都有hi(k)=[1,0]T hi(k)=[1;0]T。假设DKF算法中,权系数矩阵C中的非零权系数设定为 cl,i=1/|Ni|,其中|Ni|是节点i的单跳通信相邻节点个数。定义网络的检测概 率为max{Pd,1(k),...,Pd,N(k)},其中,max{·}代表集合{·}中的最大值。
图4仿真了当每个节点的虚警概率Pf,i(k)=0.001时的网络检测概率。门 限和检测概率由20,000次蒙特卡洛仿真得出。由图可明显看出,使用网络(如 集中式、局部和基于DKF)的检测概率要远高于单节点的。而在使用网络的 检测中,集中式表现出了最好的性能,本发明方法的检测性能优于局部的性 能。随着k的增加,本发明方法的检测概率比局部和单节点的提高的快,可 以更快的逼近集中式。
图5仿真了时刻k=2和k=5时,依次参见图5(a)和图5(b),每个检 测方法的接收机工作特性曲线(Receiver Operating Charateristic,ROC)。蒙特 卡洛仿真次数为20,000次。从图中可以看出,当k=2时,集中式检测性能优 于其它方法的性能,但在经过了3次迭代后,本发明方法的ROC曲线与集 中式的几乎相重叠,而单节点的和局部的ROC仍低于集中式的。这说明随 着k的增加,由于使用了扩散策略,本发明方法可以更精确的估计新息过程,从而能更快的趋近集中式的检测性能。
Claims (3)
1.基于扩散卡尔曼滤波的分布式检测方法,其特征在于,具体按照以下步骤实施:
步骤1、构造分布式传感网络;具体为:假设在一个区域中布放了由N个传感器节点组成的分布式传感网络,即无向图模型G=(V,ζ),其中节点集合V={1,2,...,N}和边集ζ={(i,l)|i,l∈V,i≠l}为节点在单跳通信范围内的无序节点对,邻集为节点i的单跳通信相邻节点集,集合/>中元素的个数/>为节点i的度,网络中的每个节点对待检信号做独立观测,并与其单跳通信相邻节点共享信息;
步骤2、在步骤1得到的分布式传感网络中利用扩散卡尔曼滤波方法计算得到节点新息;具体按照以下步骤实施:
步骤2.1:建立高斯-马尔可夫模型;具体为:
在离散时间***下,M×1维的矢量信号s(k)在k时刻的高斯-马尔可夫模型为:
s(k)=Fs(k-1)+Gv(k-1) k≥0 (1)
其中,状态转移矩阵F和控制矩阵G分别是M×M、M×r维的已知矩阵,矩阵F的特征值幅度小于1;扰动噪声矢量是r×1维的高斯白噪声;起始条件s(-1)是一个M×1维的随机矢量,服从高斯分布/>它与v(k)是相互独立的;
步骤2.2:构造二元假设检验理论;具体为:
对于节点i,从0到K时刻基于二元假设理论的离散观测方程为:
式中,yi,0:K=[yi(0),yi(1),…,yi(K)]T是观测向量,Zi,0:K是待检测的信号,观测噪声wi,0:K=[wi(0),wi(1),…,wi(K)]T是高斯白噪声,且Zi,0:K与wi,0:K相互独立,Zi,0:K是部分可观测的马尔可夫过程,表示为:
Zi,0:K=Hi,0:Ks0:K (4)
式中,Zi,0:K=[zi(0),zi(1),…,zi(N-1)]T,s0:K=[sT(0),sT(1),…,sT(K)]T,且/>hi(k)=[10…0]T是M×1维的观测矢量;s(k)是M×1维的零均值高斯-马尔可夫过程;
步骤2.3:利用扩散卡尔曼滤波方法计算出各节点的新息;具体为:
令ψi(k)表示节点i在时刻k由扩散卡尔曼滤波方法计算得出的新息,ψi(k)与全局观测信息呈线性关系,假设该线性关系为:
其中,y0:k=[yT(0),yT(1),…,yT(k)]T,y(k)=[y1(k),…,yN(k)]T,向量bi,0:k描述了ψi(k)与y0:k的线性关系;令ψi,0:K=[ψi(0),ψi(1),…,ψi(K)]T代表第i个节点从0到K时刻用扩散卡尔曼滤波方法计算的新息向量,得:
ψi,0:K=Bi,0:Ky0:K (6)
步骤2.3.1、增量更新:
步骤2.3.2、扩散更新:
Pi,k+1|k=FPi,k|kFT+GQGT (13)
步骤2.3.3、利用从0到k时刻的观测信息,由增量更新和扩散更新可知新息为:
将上式转化为矩阵维度,新息向量ψ(k+1)=[ψ1(k+1),…,ψN(k+1)]T的计算表达式为:
步骤3、利用步骤2得到的节点新息计算出其协方差矩阵,根据节点新息的协方差矩阵计算得出新息方差,进而得到检验统计量和检验门限;
步骤4、根据步骤3得出的检验统计量和检验门限,得出判决表达式并由二元假设检验理论做出决策,当检验统计量大于检验门限的时候表示目标信号存在,检验统计量小于检验门限的时候表示目标信号不存在。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010067419.4A CN111257824B (zh) | 2020-01-20 | 2020-01-20 | 基于扩散卡尔曼滤波的分布式检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010067419.4A CN111257824B (zh) | 2020-01-20 | 2020-01-20 | 基于扩散卡尔曼滤波的分布式检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111257824A CN111257824A (zh) | 2020-06-09 |
CN111257824B true CN111257824B (zh) | 2023-03-28 |
Family
ID=70954684
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010067419.4A Active CN111257824B (zh) | 2020-01-20 | 2020-01-20 | 基于扩散卡尔曼滤波的分布式检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111257824B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO1988001409A1 (en) * | 1986-08-20 | 1988-02-25 | Grumman Aerospace Corporation | Distributed kalman filter |
JPH1144754A (ja) * | 1997-07-29 | 1999-02-16 | Mitsubishi Electric Corp | 目標追尾方法及び装置 |
CN105549049A (zh) * | 2015-12-04 | 2016-05-04 | 西北农林科技大学 | 一种应用于gps导航的自适应卡尔曼滤波算法 |
-
2020
- 2020-01-20 CN CN202010067419.4A patent/CN111257824B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO1988001409A1 (en) * | 1986-08-20 | 1988-02-25 | Grumman Aerospace Corporation | Distributed kalman filter |
JPH1144754A (ja) * | 1997-07-29 | 1999-02-16 | Mitsubishi Electric Corp | 目標追尾方法及び装置 |
CN105549049A (zh) * | 2015-12-04 | 2016-05-04 | 西北农林科技大学 | 一种应用于gps导航的自适应卡尔曼滤波算法 |
Non-Patent Citations (2)
Title |
---|
张正本 ; 马同伟 ; .基于卡尔曼一致滤波和分布式协作网络控制的多目标跟踪.电子测量与仪器学报.2018,(03),全文. * |
李忠良 ; 陈卫兵 ; 邹豪杰 ; 罗天资 ; 张洪波 ; 曾光华 ; .基于新息的神经网络自适应卡尔曼滤波.湖南工业大学学报.2011,(01),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN111257824A (zh) | 2020-06-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111294921B (zh) | 一种rssi无线传感器网络三维协作定位方法 | |
CN112533149B (zh) | 一种基于uwb移动节点的移动目标定位算法 | |
CN109490826B (zh) | 一种基于无线电波场强rssi的测距与位置定位方法 | |
CN109710978B (zh) | 一种分布式异构自适应粒子滤波直接跟踪方法 | |
CN109688540B (zh) | 一种Ad Hoc网络物理拓扑非协作式推断*** | |
CN113038411B (zh) | 基于决策级和信号级数据融合的多传感器联合检测方法 | |
Wu et al. | Online dynamic event region detection using distributed sensor networks | |
CN111257824B (zh) | 基于扩散卡尔曼滤波的分布式检测方法 | |
Wang et al. | Collaborative event-region and boundary-region detections in wireless sensor networks | |
CN109560972A (zh) | 一种Ad Hoc网络物理拓扑非协作式推断方法 | |
CN113543026A (zh) | 一种基于径向基函数网络的多楼层室内定位方法 | |
Yu et al. | Distributed single target tracking in underwater wireless sensor networks | |
Chen et al. | Decentralized estimation of ocean current field using underwater acoustic sensor networks | |
CN113078885B (zh) | 一种抗脉冲干扰的分布式自适应估计方法 | |
Alasti | An on-demand compressed sensing approach for spatial monitoring of correlated big data using multi-contours in dense wireless sensor network | |
Lu et al. | Signal fusion-based detection with an intuitive weighting method | |
Speranzon et al. | Adaptive distributed estimation over wireless sensor networks with packet losses | |
Ju et al. | A joint jamming detection and link scheduling method based on deep neural networks in dense wireless networks | |
Katenka et al. | Local vote decision fusion for target detection in wireless sensor networks | |
Santos et al. | Crowdsource-based signal strength field estimation by gaussian processes | |
Pescosolido et al. | Decentralized detection and localization through sensor networks designed as a population of self-synchronizing oscillators | |
Liao et al. | A distributed approach to contour line extraction using sensor networks | |
Syed et al. | Software-Fault Mitigation for Derivation of Quality of Services (QoS) in Wireless Sensor Networks (WSN). | |
Yan et al. | Particle filter based Bayesian inference modulation recognition algorithm | |
Fei et al. | An Energy Allocation Method of Nodes in Energy Harvesting Distributed Detection System |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |