本文選題：分簇傳感網(wǎng)絡(luò)　切入點(diǎn)：加權(quán)觀測(cè)融合　出處：《黑龍江大學(xué)》2015年碩士論文　論文類(lèi)型：學(xué)位論文

【摘要】：近年來(lái),隨著傳感網(wǎng)絡(luò)技術(shù)的發(fā)展,網(wǎng)絡(luò)估計(jì)和控制問(wèn)題引起了廣泛關(guān)注。在網(wǎng)絡(luò)系統(tǒng)中,不可避免的存在數(shù)據(jù)包丟失、觀測(cè)滯后、模型參數(shù)和噪聲方差不確定性等問(wèn)題。周知,傳統(tǒng)Kalman濾波要求精確已知系統(tǒng)的數(shù)學(xué)模型,這些問(wèn)題使得基于傳統(tǒng)的Kalman濾波的狀態(tài)估計(jì)面臨著較大的挑戰(zhàn),因此,在網(wǎng)絡(luò)監(jiān)視和控制系統(tǒng)中,不確定網(wǎng)絡(luò)系統(tǒng)魯棒狀態(tài)估計(jì)問(wèn)題顯得尤其重要,特別是信息融合魯棒估計(jì)問(wèn)題越來(lái)越受到人們廣泛關(guān)注。在傳感網(wǎng)絡(luò)系統(tǒng)中,按照未加工的數(shù)據(jù)是否被直接應(yīng)用,信息融合方法分為集中式融合和分布式融合;集中式融合是將各傳感器的觀測(cè)數(shù)據(jù)直接送到融合中心進(jìn)行處理,故獲得的狀態(tài)估值在無(wú)偏線性最小方差意義下是全局最優(yōu)的,但該方法的缺點(diǎn)是通訊和計(jì)算負(fù)擔(dān)較大。分布式融合可分為分布式狀態(tài)融合和分布式觀測(cè)融合。分布式狀態(tài)融合是各傳感器觀測(cè)數(shù)據(jù)先通過(guò)相應(yīng)的局部處理得到局部估計(jì),再將各局部估計(jì)傳送到融合中心得到全局的融合估計(jì),其中按照去集中式組合方法獲得的融合估計(jì)是全局最優(yōu)的,按照加權(quán)方法(矩陣加權(quán)、標(biāo)量加權(quán)和對(duì)角陣加權(quán))獲得的融合估計(jì)是全局次優(yōu)的。分布式觀測(cè)融合是通過(guò)加權(quán)局部觀測(cè)方程得到一個(gè)融合觀測(cè)方程,然后將其與狀態(tài)方程聯(lián)立,可獲得加權(quán)觀測(cè)融合估計(jì),它是全局最優(yōu)融合估計(jì)。與集中式融合方法比較,分布式觀測(cè)融合方法的優(yōu)點(diǎn)是減小了計(jì)算和通訊負(fù)擔(dān),減小能源消耗,具有全局最優(yōu)性。傳感網(wǎng)絡(luò)系統(tǒng)是由一系列具有計(jì)算能力、存儲(chǔ)能力和傳輸能力的傳感器節(jié)點(diǎn)組成,在許多領(lǐng)域都有著非常重要的應(yīng)用,如軍事、環(huán)境監(jiān)測(cè)、醫(yī)療、工業(yè)、農(nóng)業(yè)、建筑、物流與交通等方面。為了節(jié)約能源,降低通訊負(fù)擔(dān),對(duì)傳感器網(wǎng)絡(luò)采用最鄰近原則進(jìn)行分簇,每個(gè)分簇都是由一個(gè)簇頭和多個(gè)傳感節(jié)點(diǎn)組成;傳感節(jié)點(diǎn)首先進(jìn)行局部估計(jì),并將局部估計(jì)和觀測(cè)數(shù)據(jù)傳送到相應(yīng)的簇頭,然后每個(gè)簇頭進(jìn)行局部融合估計(jì),并將所有局部融合估計(jì)和觀測(cè)數(shù)據(jù)傳送到基站,以獲得全局融合估計(jì)。這是兩級(jí)分簇融合結(jié)構(gòu)。綜上,本文針對(duì)帶有不確定噪聲方差的分簇傳感網(wǎng)絡(luò)系統(tǒng),利用最小二乘法原理,根據(jù)極大極小估值原則,應(yīng)用加權(quán)觀測(cè)融合算法,提出了兩級(jí)加權(quán)觀測(cè)融合魯棒Kalman濾波器和預(yù)報(bào)器,本文主要工作如下:采用矩陣滿(mǎn)秩分解方法分別提出兩級(jí)加權(quán)觀測(cè)融合魯棒時(shí)變Kalman濾波器和預(yù)報(bào)器的兩種算法,并用取極限的間接方法分別提出兩級(jí)加權(quán)觀測(cè)融合魯棒穩(wěn)態(tài)Kalman濾波器和預(yù)報(bào)器,利用Lyapunov方程證明了它們的魯棒性。通過(guò)信息濾波器形式證明了兩級(jí)加權(quán)觀測(cè)融合Kalman濾波器和預(yù)報(bào)器的魯棒精度分別等價(jià)于整體集中式融合魯棒Kalman濾波器和預(yù)報(bào)器的魯棒精度,并高于每個(gè)局部魯棒Kalman濾波器和預(yù)報(bào)器的魯棒精度。通過(guò)動(dòng)態(tài)系統(tǒng)誤差分析方法(DESA)和動(dòng)態(tài)方差系統(tǒng)分析(DVESA)分別證明了兩級(jí)加權(quán)觀測(cè)融合魯棒時(shí)變和穩(wěn)態(tài)Kalman濾波器和預(yù)報(bào)器的按實(shí)現(xiàn)的收斂性�；诜�(wěn)態(tài)Kalman濾波的直接方法分別提出兩級(jí)加權(quán)觀測(cè)融合魯棒穩(wěn)態(tài)Kalman濾波器和預(yù)報(bào)器的兩種算法,利用Lyapunov方程證明了它們的魯棒性,用信息濾波器形式分別證明了它們與集中式融合魯棒穩(wěn)態(tài)Kalman濾波器和預(yù)報(bào)器的等價(jià)性。用若干仿真例子證明了上述理論的正確性與有效性。
[Abstract]:In recent years, with the development of sensor network technology, network estimation and control problem has aroused widespread concern. In the network system, the inevitable presence of packet loss, time delay, model parameters and noise variances uncertainty. As we know, the traditional Kalman filter requires a precise mathematical model of known system, these problems make the traditional Kalman filter the state estimation is facing greater challenges, based on the result, in network monitoring and control system, uncertain robust state estimation problem of network system is particularly important, especially robust information fusion estimation problem has attracted more and more attention. In the sensor network system, in accordance with the raw data is directly applied to information the fusion method for the fusion of centralized and distributed fusion; centralized fusion is the observation data of various sensors directly to the fusion center at Therefore, state estimates obtained is globally optimal in linear unbiased minimum variance sense, but the shortcomings of the method are the communication and computational burden is large. The distributed fusion can be divided into distributed state fusion and distributed observation. Distributed state fusion is the measurement data through local processing in the local estimation. Then the local estimation fusion transmitted to the fusion center are global, which according to the fusion estimation method is combined to the centralized optimal weighting method, according to the (weighted matrix, weighted by scalars and diagonal matrix weighting) obtained fusion estimation is globally suboptimal. Distributed measurement fusion is the weighted local observation equation a fusion of observation equations, and then the state equation can be obtained with simultaneous, weighted measurement fusion estimation, it is globally optimal fusion estimation and in Chinese. Comparison of fusion method, the advantages of distributed measurement fusion method is to reduce the computation and communication overhead, reduce energy consumption, with global optimality. Sensor network system is composed of a series of sensor nodes computing ability, storage capacity and transmission capacity, in many areas have very important applications, such as military, environmental monitoring, medical, industrial, agricultural, construction, logistics and transportation. In order to save energy, reduce the communication burden of using the principle of proximity sensor network into clusters, each cluster is composed of a cluster head and a plurality of sensor nodes; the sensor node first to estimate the local and local estimation and observation the data is transmitted to the corresponding cluster head, then each cluster head for local fusion, and all the local estimation and observation data are transmitted to the base station, in order to obtain the global fusion estimation. This is the two class Cluster fusion structure. In this paper, with uncertain noise variance clustering based sensor network system, using the principle of least square method according to the minimax valuation principle, application of weighted measurement fusion algorithm, this paper proposes two level weighted measurement fusion Kalman filter and robust predictor, the main work is as follows: the full rank decomposition of matrix method are put forward two kinds of algorithm two weighted measurement fusion robust time-varying Kalman filter and predictor, and indirect methods limit respectively proposed two level weighted measurement fusion robust steady-state Kalman filter and pre alarm, Lyapunov equation is used to demonstrate the robustness of them. Through information filter proved robust precision two weighted measurement fusion Kalman filter and predictor are equivalent to the overall accuracy of robust centralized fusion Kalman filter and robust predictor, and higher than that of each The accuracy of robust Kalman filter and robust predictor. Through dynamic error analysis method (DESA) analysis of variance and dynamic system (DVESA) are proved two weighted measurement fusion robust time-varying and steady-state Kalman filter and predictor according to the convergence achieved. Put forward two kinds of algorithm two weighted measurement fusion robust steady-state Kalman filter and predictor of the direct method based on steady-state Kalman filter respectively, using Lyapunov equation to prove the robustness of them, with the information filter form respectively proves their equivalence with the centralized fusion robust steady-state Kalman filter and predictor. Several simulation examples demonstrate the validity and effectiveness of the above theory.

【學(xué)位授予單位】：黑龍江大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2015
【分類(lèi)號(hào)】：TP212;TN713

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 楊凌;朱明虎;;以數(shù)據(jù)為中心的無(wú)線傳感網(wǎng)絡(luò)分析[J];信息通信;2013年10期

2 楊軍,苑立波;白光干涉雙環(huán)傳感網(wǎng)絡(luò)理論與實(shí)驗(yàn)研究[J];光學(xué)學(xué)報(bào);2005年06期

3 熊黎;無(wú)線傳感網(wǎng)絡(luò)中高能效的信息傳播協(xié)議研究[J];武漢理工大學(xué)學(xué)報(bào)(信息與管理工程版);2005年05期

4 牟連佳,牟連泳;無(wú)線傳感網(wǎng)絡(luò)及其在工業(yè)領(lǐng)域應(yīng)用研究[J];工業(yè)控制計(jì)算機(jī);2005年01期

5 魏雪云;廖惜春;;智能無(wú)線傳感網(wǎng)絡(luò)關(guān)鍵技術(shù)及應(yīng)用研究[J];制造業(yè)自動(dòng)化;2007年04期

6 屠燕春;郭愛(ài)煌;;基于協(xié)同分集的無(wú)線傳感網(wǎng)絡(luò)路由與信道分析[J];計(jì)算機(jī)工程與設(shè)計(jì);2007年21期

7 王雪;馬俊杰;王晟;;無(wú)線傳感網(wǎng)絡(luò)中覆蓋能效動(dòng)態(tài)控制優(yōu)化策略[J];控制理論與應(yīng)用;2007年06期

8 夏德海;;無(wú)線傳感網(wǎng)絡(luò)測(cè)量系統(tǒng)的應(yīng)用前景[J];石油化工自動(dòng)化;2008年04期

9 李艷波;于德海;楊俊成;;無(wú)線傳感網(wǎng)絡(luò)的結(jié)構(gòu)分析與運(yùn)用研究[J];計(jì)算機(jī)與信息技術(shù);2008年11期

10 肖同松;;無(wú)線傳感網(wǎng)絡(luò)綜述[J];中國(guó)科技信息;2008年23期

相關(guān)會(huì)議論文 前10條

1 鄒成武;黃偉;;基于無(wú)線傳感網(wǎng)絡(luò)在生態(tài)環(huán)境監(jiān)測(cè)的設(shè)計(jì)及應(yīng)用[A];全國(guó)先進(jìn)制造技術(shù)高層論壇暨第十屆制造業(yè)自動(dòng)化與信息化技術(shù)研討會(huì)論文集[C];2011年

2 石榮;高培德;鄭春雷;封松林;;無(wú)線傳感網(wǎng)絡(luò)技術(shù)的研究進(jìn)展[A];第二屆長(zhǎng)三角地區(qū)傳感技術(shù)學(xué)術(shù)交流會(huì)論文集[C];2006年

3 陳濤;劉景泰;邴志剛;;無(wú)線傳感網(wǎng)絡(luò)研究與運(yùn)用綜述[A];天津市自動(dòng)化學(xué)會(huì)第十四屆學(xué)術(shù)年會(huì)論文集[C];2005年

4 葉偉松;袁慎芳;;無(wú)線傳感網(wǎng)絡(luò)操作系統(tǒng)研究[A];江蘇省計(jì)量測(cè)試學(xué)會(huì)2005年論文集[C];2005年

5 魏雪云;鄭威;王鵬波;;無(wú)線傳感網(wǎng)絡(luò)時(shí)空融合(英文)[A];第九屆全國(guó)信息獲取與處理學(xué)術(shù)會(huì)議論文集Ⅱ[C];2011年

6 張雷;徐大可;;無(wú)線傳感網(wǎng)絡(luò)在預(yù)裝式智能變電站中的應(yīng)用設(shè)計(jì)[A];第二十屆華東六省一市電機(jī)工程（電力）學(xué)會(huì)輸配電技術(shù)討論會(huì)論文集[C];2012年

7 鐘文強(qiáng);熊慶宇;黃河;王小剛;;一種基于非均勻部署的無(wú)線傳感網(wǎng)絡(luò)能耗均衡算法[A];2010中國(guó)儀器儀表與測(cè)控技術(shù)大會(huì)論文集[C];2010年

8 張文龍;劉艷華;郭慶;;基于無(wú)線傳感網(wǎng)絡(luò)的山體滑坡預(yù)警系統(tǒng)[A];2010中國(guó)儀器儀表學(xué)術(shù)、產(chǎn)業(yè)大會(huì)（論文集1）[C];2010年

9 鄭毅敏;賈京;趙昕;;基于無(wú)線傳感網(wǎng)絡(luò)的施工階段遠(yuǎn)程監(jiān)測(cè)研究[A];建筑結(jié)構(gòu)（2009·增刊）——第二屆全國(guó)建筑結(jié)構(gòu)技術(shù)交流會(huì)論文集[C];2009年

10 李浩;李非;;新型無(wú)線傳感網(wǎng)絡(luò)系統(tǒng)設(shè)計(jì)[A];天津市電視技術(shù)研究會(huì)2012年年會(huì)論文集[C];2012年

相關(guān)重要報(bào)紙文章 前10條

1 記者　姜澎;上海啟動(dòng)信息領(lǐng)域973項(xiàng)目[N];文匯報(bào);2006年

2 艾琪;小小實(shí)驗(yàn)室開(kāi)辟無(wú)線傳感大市場(chǎng)[N];科技日?qǐng)?bào);2007年

3 本報(bào)記者 許琦敏;小小實(shí)驗(yàn)室闖出無(wú)線傳感大市場(chǎng)[N];文匯報(bào);2007年

4 王琦;RFID在制造和物流領(lǐng)域中快速發(fā)展[N];現(xiàn)代物流報(bào);2007年

5 羅萬(wàn)明;IPv6尚缺“殺手級(jí)”應(yīng)用[N];計(jì)算機(jī)世界;2007年

6 本報(bào)記者 祝蕾　見(jiàn)習(xí)記者 李小夢(mèng);陳冬巖：默默耕耘無(wú)線傳感市場(chǎng)[N];濟(jì)南日?qǐng)?bào);2010年

7 許琦敏;我國(guó)無(wú)線傳感技術(shù)完整價(jià)值鏈已初步形成[N];中華建筑報(bào);2006年

8 本報(bào)記者 孟慶豐 特約記者 董競(jìng)敏;建無(wú)線傳感網(wǎng)絡(luò)在線實(shí)時(shí)監(jiān)測(cè)溢油[N];中國(guó)交通報(bào);2010年

9 羅清岳;從WSN應(yīng)用看WSN技術(shù)[N];電子資訊時(shí)報(bào);2007年

10 宗合;信息技術(shù)催生“智慧農(nóng)業(yè)”[N];中華合作時(shí)報(bào);2012年

相關(guān)博士學(xué)位論文 前10條

1 張文哲;面向區(qū)域監(jiān)控的無(wú)線傳感網(wǎng)絡(luò)技術(shù)研究[D];上海交通大學(xué);2007年

2 吳鍵;面向結(jié)構(gòu)監(jiān)測(cè)的智能無(wú)線傳感網(wǎng)絡(luò)關(guān)鍵技術(shù)研究[D];南京航空航天大學(xué);2010年

3 巫婕妤;制造車(chē)間無(wú)線傳感網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)及路由與定位算法研究[D];華中科技大學(xué);2014年

4 石軍鋒;無(wú)線傳感網(wǎng)絡(luò)動(dòng)態(tài)休眠通信協(xié)議研究[D];重慶大學(xué);2008年

5 韓悅文;面向物聯(lián)網(wǎng)應(yīng)用的大容量光纖光柵傳感網(wǎng)絡(luò)的研究[D];武漢理工大學(xué);2012年

6 滕國(guó)棟;無(wú)線傳感網(wǎng)絡(luò)節(jié)點(diǎn)定位算法的研究[D];浙江大學(xué);2010年

7 王剛;無(wú)線傳感器網(wǎng)絡(luò)配置問(wèn)題研究[D];中國(guó)科學(xué)技術(shù)大學(xué);2010年

8 陳健;水下傳感網(wǎng)絡(luò)的能量?jī)?yōu)化組網(wǎng)技術(shù)研究[D];武漢大學(xué);2013年

9 徐學(xué)永;面向應(yīng)用的無(wú)線傳感網(wǎng)絡(luò)定位問(wèn)題研究[D];中國(guó)科學(xué)技術(shù)大學(xué);2011年

10 李建波;無(wú)線傳感網(wǎng)絡(luò)拓?fù)淇刂迫舾蓡?wèn)題研究[D];中國(guó)科學(xué)技術(shù)大學(xué);2009年

相關(guān)碩士學(xué)位論文 前10條

1 明學(xué)超;無(wú)線傳感網(wǎng)絡(luò)定位方法的研究[D];天津理工大學(xué);2015年

2 任立彬;無(wú)線傳感網(wǎng)絡(luò)節(jié)點(diǎn)定位算法的設(shè)計(jì)與實(shí)現(xiàn)[D];燕山大學(xué);2015年

3 李玲燕;無(wú)線傳感網(wǎng)絡(luò)水質(zhì)監(jiān)測(cè)節(jié)點(diǎn)設(shè)計(jì)與節(jié)點(diǎn)部署研究[D];西安建筑科技大學(xué);2015年

4 高翔;基于ZigBee的農(nóng)業(yè)傳感網(wǎng)絡(luò)與土壤濕度模型的研究[D];復(fù)旦大學(xué);2014年

5 韓穎;基于無(wú)線傳感網(wǎng)絡(luò)的溫室大棚監(jiān)控系統(tǒng)的研究[D];山東建筑大學(xué);2015年

6 周思浩;基于無(wú)線傳感網(wǎng)絡(luò)的停車(chē)場(chǎng)內(nèi)智能引導(dǎo)系統(tǒng)[D];長(zhǎng)安大學(xué);2015年

7 程飛;可重構(gòu)低壓電力線載波傳感網(wǎng)絡(luò)研究與實(shí)現(xiàn)[D];長(zhǎng)安大學(xué);2015年

8 董興;基于無(wú)線傳感網(wǎng)絡(luò)的氣體濃度監(jiān)測(cè)系統(tǒng)設(shè)計(jì)[D];長(zhǎng)安大學(xué);2015年

9 蒲仁波;基于無(wú)線傳感網(wǎng)絡(luò)的地下金屬物體的探測(cè)與定位技術(shù)研究[D];西安工業(yè)大學(xué);2015年

10 魏靜如;無(wú)線傳感器部署算法及自然交互部署平臺(tái)的研究與實(shí)現(xiàn)[D];山東大學(xué);2015年

，

本文編號(hào)：1626453