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

【摘要】：近年來,隨著傳感網(wǎng)絡(luò)技術(shù)的發(fā)展,網(wǎng)絡(luò)估計和控制問題引起了廣泛關(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、觀測滯后、模型參數(shù)和噪聲方差不確定性等問題。周知,傳統(tǒng)Kalman濾波要求精確已知系統(tǒng)的數(shù)學(xué)模型,這些問題使得基于傳統(tǒng)的Kalman濾波的狀態(tài)估計面臨著較大的挑戰(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)估計問題顯得尤其重要,特別是信息融合魯棒估計問題越來越受到人們廣泛關(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)估值在無偏線性最小方差意義下是全局最優(yōu)的,但該方法的缺點是通訊和計算負(fù)擔(dān)較大。分布式融合可分為分布式狀態(tài)融合和分布式觀測融合。分布式狀態(tài)融合是各傳感器觀測數(shù)據(jù)先通過相應(yīng)的局部處理得到局部估計,再將各局部估計傳送到融合中心得到全局的融合估計,其中按照去集中式組合方法獲得的融合估計是全局最優(yōu)的,按照加權(quán)方法(矩陣加權(quán)、標(biāo)量加權(quán)和對角陣加權(quán))獲得的融合估計是全局次優(yōu)的。分布式觀測融合是通過加權(quán)局部觀測方程得到一個融合觀測方程,然后將其與狀態(tài)方程聯(lián)立,可獲得加權(quán)觀測融合估計,它是全局最優(yōu)融合估計。與集中式融合方法比較,分布式觀測融合方法的優(yōu)點是減小了計算和通訊負(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)是由一系列具有計算能力、存儲能力和傳輸能力的傳感器節(jié)點組成,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、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),對傳感器網(wǎng)絡(luò)采用最鄰近原則進(jìn)行分簇,每個分簇都是由一個簇頭和多個傳感節(jié)點組成;傳感節(jié)點首先進(jìn)行局部估計,并將局部估計和觀測數(shù)據(jù)傳送到相應(yīng)的簇頭,然后每個簇頭進(jìn)行局部融合估計,并將所有局部融合估計和觀測數(shù)據(jù)傳送到基站,以獲得全局融合估計。這是兩級分簇融合結(jié)構(gòu)。綜上,本文針對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)觀測融合算法,提出了兩級加權(quán)觀測融合魯棒Kalman濾波器和預(yù)報器,本文主要工作如下:采用矩陣滿秩分解方法分別提出兩級加權(quán)觀測融合魯棒時變Kalman濾波器和預(yù)報器的兩種算法,并用取極限的間接方法分別提出兩級加權(quán)觀測融合魯棒穩(wěn)態(tài)Kalman濾波器和預(yù)報器,利用Lyapunov方程證明了它們的魯棒性。通過信息濾波器形式證明了兩級加權(quán)觀測融合Kalman濾波器和預(yù)報器的魯棒精度分別等價于整體集中式融合魯棒Kalman濾波器和預(yù)報器的魯棒精度,并高于每個局部魯棒Kalman濾波器和預(yù)報器的魯棒精度。通過動態(tài)系統(tǒng)誤差分析方法(DESA)和動態(tài)方差系統(tǒng)分析(DVESA)分別證明了兩級加權(quán)觀測融合魯棒時變和穩(wěn)態(tài)Kalman濾波器和預(yù)報器的按實現(xiàn)的收斂性。基于穩(wěn)態(tài)Kalman濾波的直接方法分別提出兩級加權(quán)觀測融合魯棒穩(wěn)態(tài)Kalman濾波器和預(yù)報器的兩種算法,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)報器的等價性。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)位級別】：碩士
【學(xué)位授予年份】：2015
【分類號】：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)理論與實驗研究[J];光學(xué)學(xué)報;2005年06期

3 熊黎;無線傳感網(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(信息與管理工程版);2005年05期

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

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

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

7 王雪;馬俊杰;王晟;;無線傳感網(wǎng)絡(luò)中覆蓋能效動態(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;;無線傳感網(wǎng)絡(luò)測量系統(tǒng)的應(yīng)用前景[J];石油化工自動化;2008年04期

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

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

相關(guān)會議論文 前10條

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

2 石榮;高培德;鄭春雷;封松林;;無線傳感網(wǎng)絡(luò)技術(shù)的研究進(jìn)展[A];第二屆長三角地區(qū)傳感技術(shù)學(xué)術(shù)交流會論文集[C];2006年

3 陳濤;劉景泰;邴志剛;;無線傳感網(wǎng)絡(luò)研究與運用綜述[A];天津市自動化學(xué)會第十四屆學(xué)術(shù)年會論文集[C];2005年

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

5 魏雪云;鄭威;王鵬波;;無線傳感網(wǎng)絡(luò)時空融合(英文)[A];第九屆全國信息獲取與處理學(xué)術(shù)會議論文集Ⅱ[C];2011年

6 張雷;徐大可;;無線傳感網(wǎng)絡(luò)在預(yù)裝式智能變電站中的應(yīng)用設(shè)計[A];第二十屆華東六省一市電機(jī)工程（電力）學(xué)會輸配電技術(shù)討論會論文集[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線傳感網(wǎng)絡(luò)能耗均衡算法[A];2010中國儀器儀表與測控技術(shù)大會論文集[C];2010年

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

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

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

相關(guān)重要報紙文章 前10條

1 記者　姜澎;上海啟動信息領(lǐng)域973項目[N];文匯報;2006年

2 艾琪;小小實驗室開辟無線傳感大市場[N];科技日報;2007年

3 本報記者 許琦敏;小小實驗室闖出無線傳感大市場[N];文匯報;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;2007年

5 羅萬明;IPv6尚缺“殺手級”應(yīng)用[N];計算機(jī)世界;2007年

6 本報記者 祝蕾　見習(xí)記者 李小夢;陳冬巖：默默耕耘無線傳感市場[N];濟(jì)南日報;2010年

7 許琦敏;我國無線傳感技術(shù)完整價值鏈已初步形成[N];中華建筑報;2006年

8 本報記者 孟慶豐 特約記者 董競敏;建無線傳感網(wǎng)絡(luò)在線實時監(jiān)測溢油[N];中國交通報;2010年

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

10 宗合;信息技術(shù)催生“智慧農(nóng)業(yè)”[N];中華合作時報;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)測的智能無線傳感網(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;制造車間無線傳感網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計及路由與定位算法研究[D];華中科技大學(xué);2014年

4 石軍鋒;無線傳感網(wǎng)絡(luò)動態(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 滕國棟;無線傳感網(wǎng)絡(luò)節(jié)點定位算法的研究[D];浙江大學(xué);2010年

7 王剛;無線傳感器網(wǎng)絡(luò)配置問題研究[D];中國科學(xué)技術(shù)大學(xué);2010年

8 陳健;水下傳感網(wǎng)絡(luò)的能量優(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)用的無線傳感網(wǎng)絡(luò)定位問題研究[D];中國科學(xué)技術(shù)大學(xué);2011年

10 李建波;無線傳感網(wǎng)絡(luò)拓?fù)淇刂迫舾蓡栴}研究[D];中國科學(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;無線傳感網(wǎng)絡(luò)節(jié)點定位算法的設(shè)計與實現(xiàn)[D];燕山大學(xué);2015年

3 李玲燕;無線傳感網(wǎng)絡(luò)水質(zhì)監(jiān)測節(jié)點設(shè)計與節(jié)點部署研究[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;基于無線傳感網(wǎng)絡(luò)的停車場內(nèi)智能引導(dǎo)系統(tǒng)[D];長安大學(xué);2015年

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

8 董興;基于無線傳感網(wǎng)絡(luò)的氣體濃度監(jiān)測系統(tǒng)設(shè)計[D];長安大學(xué);2015年

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

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

，

本文編號：1626453