基于Connsus滤波的分布式卡尔曼信息融合方法
龙慧
【摘 要】分布式信息融合是无线传感器网络信号处理中最重要的研究课题之一.文中给出了无线传感器网络的分布式一致卡尔曼信息融合算法,该方法首先在无线传感器网络的每个传感节点中配置微卡尔曼滤波器,再引入一致滤波算法用于计算节点平均观测数据和平均逆协方差,然后各自执行微卡尔曼滤波,从而得到各节点的分布式状态估计.文中用仿真结果证实了该方法的有效性和可靠性.
【期刊名称】《物联网技术》
描写童年的句子
紫叶李花期【年(卷),期】2011(000)003
【总页数】4页(P61-64)
【关键词】无线传感器网络;分布式算法;卡尔曼滤波;信息融合
我的世界开始下雪
【作 者】龙慧
助纣为虐的意思
【作者单位】湖南生物机电职业技术学院信息技术系,湖南长沙,410126
【正文语种】中 文
【中图分类】TP393;TP14
0 引 言
无线传感器网络（WSN）就是在监测区域内布置大量具有信息采集、数据处理及无线通信能力的节点，以形成一个多跳自组织网络系统，共同完成某些功能。WSN在军事、环境监测、交通运输、医疗等领域的科学研究中已得到广泛应用，因而引起了广大学者的兴趣。
多传感器的采用能够提供更多的原始数据，从而能得到更高质量的数据。由于无线传感网络节点的能量、带宽资源、感知范围和信号处理能力有限，而通过多节点的协作则能有效提高网络的性能和容错能力［1］。常规的信息融合方法有分布式和集中式两种。集中式的方法容易带来网络拥塞并限制带宽，而且容错能力差。因此，设计合理有效的分布式算法已成为当前无线传感网络研究的热点之一［2－6］。
最早提出的全分散卡尔曼滤波器［7］分散融合结果与集中融合结果完全相同，但其要求所有节点之间都有通信，通信复杂度为O（n2）。近来，Xiao等人针对传感器网络提出了分布式一致滤波方法，采用并加权最小二乘近似估计来实现计静态参数状态［2］。文献［8］给出了在信息空间交换信息矩阵和信息状态，以实现分布式信息计算的方法。然而，该方法由于不便于滤波器的扩展而不能方便地推广到动态情况。文献［3～5］提出了一种动态一致估计方法，该方法将集中卡尔曼滤波分解为n个微卡尔曼滤波器，文中证明的滤波结果与集中滤波的结果相同。文献［9］提出的一致滤波器直接作用于状态空间变量的估计值，因而又称为卡尔曼一致性滤波器（KCF）。其他相似的方法则把系统分解为许多覆盖子系统［6］，这些子系统可通过一致性通信方式组合起来。
本文针对无线传感器网络，采用了基于connsus滤波的分布式卡尔曼信息融合方法。该方法中的检测节点仅需接收自身及邻居节点的数据并执行分布式卡尔曼信息融合方法。由于运行过程中采用了connsus滤波算法，故能有效减少整个传感器网络的数据传输量，从而更好的节约能量。此外，分布式计算方式也决定了即使部分节点失效，其他节点仍能够保持较好的性能，即有一定的容错性。
1 问题描述红烧鳕鱼的家常做法
由L个传感器组成的线性离散定常随机系统模型可采用下列差分方程描述：
其中x（k）∈Rn为k时刻的系统状态向量，yi（k）∈Rm 是第i个传感器在k时刻的观测值（i，1，2，…，L），A、H分别是状态转移矩阵和观测矩阵，w（k）∈Rr，vi（k）∈Rm分别是系统过程噪声Q和观测噪声R，且Q和R是不相关的白噪声。
本文的目标是在无线传感器网络中采用分布式一致滤波器，其状态为x ＝ ［x1，x2，…，xn］T，输入为u，y＝x为滤波器的输出，该网络的所有节点关于信号观测信号可在所有时间渐进到达一致。无线传感器网络中的检测传感器在必要时可将感知的数据以多跳方式传感到汇聚节点，如果所有检测到数据的节点均将数据发送给汇聚节点，则可能会带来网络拥塞，并且汇聚节点将会收到大量的带有噪声的高冗余数据。为此，本文采用了分布式一致滤波算法，传感器节点可用卡尔曼滤波方法通过更新邻居节点信息来降低数据传输量。
2 分布式一致卡尔曼信息融合算法
2.1 卡尔曼滤波
卡尔曼滤波是匈牙利数学家Kalman R E［10］于1960年提出的一种递归数据处理算法，
可用于实现有噪声线性动态系统的状态估计，是一种线性无偏最小方差估计。该算法是一种关于时间的递推算法，具有模型简单、数据存储量小等特点，特别适用于数值计算，因而自推出以来获得了广泛的应用。
2.2 信息卡尔曼滤波
信息卡尔曼滤波是标准卡尔曼滤波的另一表达形式，该方法可把状态量转换成信息量，状态估计时无需计算高维协方差矩阵的逆，且具有易启动等特点。信息卡尔曼滤波算法如下：
（1）预测
（2）校正
2.3 分布卡尔曼滤波器
分布卡尔曼滤波器（DKF）是Olfati saber在2005年提出的一种基于connsus的分布式滤波算法。该算法中的各本地节点只需接收自身和邻居节点的测量值和观测噪声协方差信息，执行微卡尔曼滤波器，以分别完成局部估计，而且状态估计误差有界。
传感器网络的节点由微卡尔曼滤波器和两个一致滤波器组成。其组成框图如图1所示。图中的低通一致滤波器用于自身和邻居节点测量数据的均值计算，带通一致滤波器则用于求取状态估计平均逆协方差矩阵。微卡尔曼滤波器根据一致滤波输出的测量值和协方差矩阵值执行微卡尔曼滤波算法。文献［11］对使用该算法得到的滤波估计值可渐进趋近集中卡尔曼滤波的估计值进行了证明。
图1 分布式一致卡尔曼滤波器
对于由N个传感器组成的连通网络，可假设网络中每个节点在每个迭代时刻k都能用一致性滤波算法计算节点自身和邻居节点的平均逆协方差矩阵S和平均测量值z，那么，在每个迭代时刻，就都能完成微卡尔曼滤波并实现状态估计。即：
七人头上长了草打一字
2.4 平均Connsus滤波算法
分布微卡尔曼滤波算法需要首先计算测量平均值z和逆协方差矩阵S。但是，直接求取该两项平均值需要获取所有节点的值，即需要所有节点都两两连接。Connsus算法是一种分布式网络计算的有效工具，它仅需邻居节点的数据即可达到输出一致。低通平均connsus算法为：
带通平均connsus算法［11］为：
其中，qi表示低通滤波器的状态，ui为第i个节点的输入。当网络拓扑结构无向连通且当t趋向无穷大时，带通滤波器的状态将渐近收敛于输入的平均值。
为了分布式的计算z（k）和S，每个节点的输入均应设为和初值设为0，这样，一致滤波器的输出就会渐近收敛于它们的平均值。
2.5 分布式一致卡尔曼滤波算法
根据上述说明可见，平均一致卡尔曼滤波算法可以分为4个阶段：
Step 1：将传感器节点自身及邻居节的观测值作为低通一致滤波（5）的输入，计算每个节点观测数据的平均一致输出z（k）；
Step 2：将节点自身及邻居节点的观测噪声协方差矩阵作为带通一致滤波器（6）的输入，也就是用计算又见测噪声协方差矩阵一致滤波输出S；
Step 3：确定目标状态微卡尔曼滤波估计为：
3 仿真分析实习日记
对于100m×100m的方形区域内随机分布的100个节点。假设移动目标在区域内作圆周运动，则系统运动方程可以用下式表示：
测量方程为：
其中，
本文的目标是让整个传感器网络在没有融合中心的情况下，使各个节点仅需邻居的测量值就能求取一致性状态估计（k），然后比较不同的估计方法，从而验证该方法的有效性。系统仿真采用的对应离散时间模型如下（采样时间设置为ε＝0.02）：
其中：
图2 传感器节点分布及拓扑图
图3给出了集中卡尔曼估计与分布式估计的结果图。
图3 状态估计值结果图
从图中可以看出，集中卡尔曼滤波状态估计值略优于分布式卡尔曼滤波方法。然而，本文所用算法由于仅需邻居节点数据的特点就能减少数据传输量从而减少能量消耗，延长网络的生命周期。此外，分布式特点还决定了它具有较好的容错性，即使部分节点失效，网络仍然能够保持较好的性能。
4 结 论
本文针对无线传感器网络，提出了一种分布式一致卡尔曼信息融合方法。该方法把传感器节点嵌入微卡尔曼滤波器，首先执行一致滤波算法计算测量均值和观测噪声协方差均值，再分别执行微卡尔曼滤波，最后完成状态估计。仿真结果表明，该方法具有较高的有效性和可靠性。
参考文献
【相关文献】
［1］XU Y，QI H.Distributed computing paradigms for collaborative signal and information processing in nsor networks［J］.Journal of Parallel and Distributed Comp
uting，2004，64（8）：945－959.
［2］XIAO L，BOYD S，LALL S.A scheme for robust distributed nsor fusion bad on average connsus［C］／／Proc. ITST.［S.l.］：IPSN，2005：63－70.
