一种多项式参数化似然函数的分布式批估计数据融合方法技术

本发明专利技术公开一种多项式参数化似然函数的分布式批估计数据融合方法，首先根据本地雷达的采样速率或数据更新的实际需求设定批估计更新周期，利用粒子滤波算法获得多传感器中粒子样本近似的本地似然函数，然后通过最小二乘近似方法求解得到本地传感器的多项式参数，并且在多传感器间通信交互这些多项式参数，最后利用多项式参数恢复得到粒子样本近似的多传感器近似似然函数，并采用批估计融合方法融合多传感器的近似似然函数，有效地解决了异步传感器网络中由于采样速率和初始偏差不同导致的异步数据难以融合的问题；相比于在个传感器节点之间直接传输原始量测，传输多项式参数的通信量更低；本申请相比于后验方法的精度更高。

A distributed batch estimation data fusion method based on polynomial parameterized likelihood function

The invention discloses a polynomial parametric likelihood function of the distributed batch estimation data fusion method, according to the local radar sampling rate or the actual demand data update set batch estimation update cycle, using the particle filter algorithm to get the local likelihood function approximation particle samples of multi sensors, and then through the least squares approximation method is employed to solve the polynomial local sensor parameters and, in the multi-sensor interaction communication between these polynomial parameters, finally recovered multi sensor particle sample approximation of the approximate likelihood function with polynomial parameters, approximate likelihood function and batch estimation fusion of multi sensor fusion methods, effectively solve the asynchronous sensor network due to the asynchronous data sampling rate and the initial deviation caused by different difficulty the problem of integration; compared to the sensor nodes in the The direct communication between the original measurements and the transmission polynomial parameters is lower, and the accuracy of this method is higher than that of the latter.

【技术实现步骤摘要】
一种多项式参数化似然函数的分布式批估计数据融合方法
本专利技术属于多传感器数据融合
，特别涉及异步传感器网络分布式批估计数据融合技术。
技术介绍
随着现代战场环境的日益复杂，隐身与反隐身、对抗与反对抗等迫切需求，强机动、高杂波、低检测率和高虚警率等问题的出现，利用多传感器数据融合技术获得更加全面、准确、可靠的环境态势信息越来越受到人们的关注。其中，分布式估计数据融合方法因其具有资源消耗低、可扩展性强、鲁棒性好等众多优点得到了长足的发展，并广泛地应用到了区域监视、目标跟踪、目标定位等众多领域。现有的分布式估计数据融合方法大多是针对同步传感器网络设计的，即要求多个传感器采样周期相同，初始偏差相同，且不存在通信延迟。事实上，这些要求在实际中很难得到满足，特别是在异步传感器网络中，多传感器数据异步且难以融合，直接采用同步的分布式估计融合方法将严重影响融合精度。文献“Distributedsequentialestimationinasynchronouswirelesssensornetworks，IEEESignalProcessLetters.SPL-22，1965-1969，Nov2015”提出了一种根据数据到达先后进行顺序估计的序贯估计方法，它通过递推的方式将多传感器数据进行对齐，有效地解决了异步传感器网络中的数据融合问题。但是该方法将后验分布概率密度函数直接近似为高斯分布，存在精度损失的问题，特别在非高斯场景下，高斯近似造成精度损失的问题将导致多传感器数据融合的精度较低；文献“Asynchronousparticlefilterfortrackingusingnon-synchronoussensornetworks，SignalProcessMag，SPM-91，2304-2313，Apr.2011”提出了一种联合一段时间异步数据对同一目标状态进行估计的方法，它通过引入一种利用目标状态转移特性的对齐策略，有效地解决了异步传感器网络中异步数据难以融合的问题，精度较高且计算量小。但是该方法是一种集中式估计融合方法，可扩展性和鲁棒性较弱，不能直接推广到分布式传感器网络中，并且传感器节点之间传输的数据是原始量测，需要消耗大量的能量与带宽等通信资源。
技术实现思路
本专利技术为解决上述技术问题，提出了一种多项式参数化似然函数的分布式批估计数据融合方法，并采用批估计融合方法融合多传感器的近似似然函数，有效地解决了异步传感器网络中由于采样速率和初始偏差不同导致的异步数据难以融合的问题。本专利技术采用的技术方案是：一种多项式参数化似然函数的分布式批估计数据融合方法，包括：S1、根据本地传感器的采样速率或数据更新的实际需求设定批估计更新周期，并初始化当前迭代时间t＝0；S2、判断t值是否等于本地传感器接收到当前量测的时间；若是则执行步骤S4；否则执行步骤S3；S3、在一个批估计更新周期内，依次接收和存储当前迭代对应的其他传感器的多项式参数，并更新t值，然后返回步骤S2；S4、从本地传感器读取当前量测，利用粒子滤波算法进行本地滤波，获得本地传感器当前组粒子样本近似的似然函数，然后执行步骤S5；S5、采用多项式近似对步骤S4得到的本地传感器当前组粒子样本近似的似然函数进行参数化表征；采用最小二乘近似法求解得到本地传感器的多项式参数；然后将本地传感器的多项式参数发送至其他传感器；S6、根据步骤S3存储的其他传感器的多项式参数，恢复得到当前迭代其他各传感器对应组的粒子样本近似的似然函数；S7、对步骤S6得到的其他各传感器对应组的粒子样本近似的似然函数，以及步骤S4得到的本地传感器当前组粒子样本近似的似然函数进行批估计数据融合，得到本地传感器当前组粒子样本的权值；S8、根据步骤S7得到的本地传感器当前组粒子样本的权值输出目标状态；然后执行步骤S9；S9、执行l＝l+1，然后判断l是否小于或等于L，若是则结束；否则执行步骤S2；其中，l表示当前量测，1≤l≤L，L表示本地传感器在观测总时间内接收到的总的量测个数。进一步地，所述步骤S1之前还包括初始化系统参数，包括：监测平面大小、传感器总个数、观测总时间以及目标初始状态。进一步地，所述更新t值具体为：t＝t+ΔT，ΔT为设定的时间间隔。更进一步地，所述ΔT＝批估计更新周期/p，p为整数。本专利技术的有益效果：本专利技术的方法，首先根据本地雷达的采样速率或数据更新的实际需求设定批估计更新周期，并利用粒子滤波算法获得多传感器中粒子样本近似的本地似然函数，然后采用多项式近似方法对本地传感器近似似然函数进行参数化表示，之后通过最小二乘近似方法求解得到本地传感器的多项式参数，最后利用多项式参数恢复得到粒子样本近似的多传感器近似似然函数，并采用批估计融合方法融合多传感器的近似似然函数，有效地解决了异步传感器网络中由于采样速率和初始偏差不同导致的异步数据难以融合的问题；并且具备以下优点：(1)本专利技术的方法操作简单，只需要按照一个简单的对齐策略将异步数据同步即可；(2)与现有的一些序贯估计方法相比，本专利技术的方法不需要频繁地进行更新：序贯估计方法是每当有量测到来就需要对目标状态进行更新，因此当传感器网络较大，传感器采样速率较快时，序贯估计方法就需要十分频繁地对目标状态进行更新；本申请根据传感器采样速率或实际更新速率设定批估计更新周期，并联合更新周期内的多个量测对目标状态进行更新，因此有效地避免了每个量测到来的时候都进行目标状态的更新；(3)本专利技术的方法是对一段时间内的数据进行处理的(批处理)，因此在这一段时间内的异步数据是怎样的时序对于融合精度的影响是比较小的，因而本专利技术的方法可以对任意时序的量测都有较高的融合精度；(4)本申请通过在个传感器节点之间传输多项式参数，相比于直接传输原始量测的通信量更低；(5)本申请相比于后验方法的精度更高。附图说明图1为本专利技术实施例提供的方法流程图。图2为本专利技术实施例提供的传感器网络场景与目标轨迹示意图。图3为本专利技术方法与基于量测方法，基于后验方法的跟踪精度对比图。图4为本专利技术方法与基于量测方法，基于后验方法的航迹丢失率对比图。具体实施方式为便于本领域技术人员理解本专利技术的
技术实现思路
，下面结合附图对本
技术实现思路
进一步阐释。如图1所示为本专利技术的方案流程图；本专利技术的技术方案为：一种多项式参数化似然函数的分布式批估计数据融合方法，本专利技术首先初始化系统参数，包括：观测平面大小；传感器个数Ni；传感器i,i＝1,2,...,Ni；观测总时间ttotal；当前量测序号l＝1；t＝0s；目标的初始状态其中(x(0),y(0))表示目标的初始位置，表示目标的初始速度；目标初始状态偏差服从高斯分布如图2所示，N＝25部传感器对一个观测平面大小为200km×200km的二维平面区域一运动目标进行监视，目标的初始状态x(0)＝(30,0.3,25,0.3)′；即，目标的初始位置是(30,25)，并以(0.3,0.3)的速度运动，图2给出了观测总时间ttotal＝400s的跟踪结果。目标初始状态偏差服从高斯分布并且C0＝diag(1,0.05,1,0.05)。具体方案如下：S1、根据本地雷达的采样速率或数据更新的实际需求设定更新周期，为了便于理解本专利技术的
技术实现思路
，本实施例中根据本地雷达的采样速率设本文档来自技高网...

【技术保护点】
一种多项式参数化似然函数的分布式批估计数据融合方法，其特征在于，包括：S1、根据本地传感器的采样速率或数据更新的实际需求设定批估计更新周期，并初始化当前迭代时间t＝0；S2、判断t值是否等于本地传感器接收到当前量测的时间；若是则执行步骤S4；否则执行步骤S3；S3、在一个批估计更新周期内，依次接收和存储当前迭代对应的其他传感器的多项式参数，并更新t值，然后返回步骤S2；S4、从本地传感器读取当前量测，利用粒子滤波算法进行本地滤波，获得本地传感器当前组粒子样本近似的似然函数，然后执行步骤S5；S5、采用多项式近似对步骤S4得到的本地传感器当前组粒子样本近似的似然函数进行参数化表征；采用最小二乘近似法求解得到本地传感器的多项式参数；然后将本地传感器的多项式参数发送至其他传感器；S6、根据步骤S3存储的其他传感器的多项式参数，恢复得到当前迭代其他各传感器对应组的粒子样本近似的似然函数；S7、对步骤S6得到的其他各传感器对应组的粒子样本近似的似然函数，以及步骤S4得到的本地传感器当前组粒子样本近似的似然函数进行批估计数据融合，得到本地传感器当前组粒子样本的权值；S8、根据步骤S7得到的本地传感器当前组粒子样本的权值输出目标状态；然后执行步骤S9；S9、执行l＝l+1，然后判断l是否小于或等于L，若是则结束；否则执行步骤S2；其中，l表示当前量测，1≤l≤L，L表示本地传感器在观测总时间内接收到的总的量测个数。...

【技术特征摘要】
1.一种多项式参数化似然函数的分布式批估计数据融合方法，其特征在于，包括：S1、根据本地传感器的采样速率或数据更新的实际需求设定批估计更新周期，并初始化当前迭代时间t＝0；S2、判断t值是否等于本地传感器接收到当前量测的时间；若是则执行步骤S4；否则执行步骤S3；S3、在一个批估计更新周期内，依次接收和存储当前迭代对应的其他传感器的多项式参数，并更新t值，然后返回步骤S2；S4、从本地传感器读取当前量测，利用粒子滤波算法进行本地滤波，获得本地传感器当前组粒子样本近似的似然函数，然后执行步骤S5；S5、采用多项式近似对步骤S4得到的本地传感器当前组粒子样本近似的似然函数进行参数化表征；采用最小二乘近似法求解得到本地传感器的多项式参数；然后将本地传感器的多项式参数发送至其他传感器；S6、根据步骤S3存储的其他传感器的多项式参数，恢复得到当前迭代其他各传感器对应组的粒子样本近似的似然函数；S7、对步骤S6得到的其他各传感器对应组的粒子样...

【专利技术属性】
技术研发人员：易伟，黎明，徐璐霄，王祥丽，孔令讲，王经鹤，陈树东，谢明池，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：四川,51