本文選題：分布式目標跟蹤 + 傳感器管理��； 參考：《杭州電子科技大學》2017年碩士論文

【摘要】：信息融合技術通過對從單個和多個信息源獲取的數(shù)據(jù)和信息進行關聯(lián)、相關和綜合,獲得對被觀測目標精確的位置和身份估計。其中分布式融合結構可以在局部傳感器上處理量測數(shù)據(jù),相比集中式融合結構,降低了融合中心的計算負荷,提高了系統(tǒng)的可靠性和生存能力。為提高分布式目標跟蹤的估計精度并降低傳感器的使用率,本文對分布式目標跟蹤及傳感器管理算法進行了研究,主要內容如下:首先,對分布式目標跟蹤以及傳感器資源管理技術的國內外研究現(xiàn)狀進行了綜述。介紹了分布式目標跟蹤的基本理論,闡述了分布式目標跟蹤的結構和基本算法。其次,針對線性系統(tǒng)、觀測噪聲為高斯噪聲的分布式目標跟蹤問題,提出了基于預測信息加權一致性算法的分布式卡爾曼濾波算法。該算法首先將一致性算法與卡爾曼濾波算法結合,對目標的局部估計值進行一致化處理,然后利用鄰居節(jié)點前一時刻的目標狀態(tài)估計值,修正當前時刻目標的局部狀態(tài)預測值,并對局部預測值進行加權處理。提高了局部預測值和估計值的一致性,從而提高了全局信息的一致性。仿真實驗表明,所提算法減少了平均一致性估計誤差,提高了目標的跟蹤精度。再次,針對線性系統(tǒng)、觀測噪聲為非高斯噪聲的分布式目標跟蹤問題,實驗比較分析了基于分布式高斯混合模型的粒子濾波算法的性能(DGMMPF)。該方法利用高斯混合模型來近似加權粒子的后驗概率分布,利用一致性算法來交換鄰居節(jié)點間的高斯混合模型的參數(shù),使每個節(jié)點可以獲得近似粒子后驗分布的高斯混合模型。由于該算法只通過交換模型參數(shù),減少了計算負荷。為降低分布式結構下傳感器的使用率,設計了一種結合DGMMPF和分布式后驗克拉美羅-下界(d PCRLB)的傳感器管理算法。該算法以d PCRLB為傳感器選擇準則,每一時刻選出使得d PCRLB最小的傳感器組合,然后采用DGMMPF算法估計目標狀態(tài)。仿真實驗表明,設計的算法相比DGMMPF算法在使用較少傳感器的情況下,提高了目標跟蹤精度。最后,對本文的研究工作進行了總結與展望。
[Abstract]:By correlating, correlating and synthesizing the data and information obtained from single or multiple information sources, the information fusion technology can obtain accurate position and identity estimation of the observed target. The distributed fusion structure can process the measurement data on the local sensor. Compared with the centralized fusion structure, the computing load of the fusion center is reduced, and the reliability and survivability of the system are improved. In order to improve the estimation accuracy of distributed target tracking and reduce the utilization rate of sensors, the distributed target tracking and sensor management algorithms are studied in this paper. The main contents are as follows: first, This paper summarizes the research status of distributed target tracking and sensor resource management at home and abroad. This paper introduces the basic theory of distributed target tracking, and expounds the structure and basic algorithm of distributed target tracking. Secondly, a distributed Kalman filter algorithm based on weighted consistency algorithm of predictive information is proposed for the distributed target tracking problem in which the observed noise is Gao Si noise in linear systems. The algorithm combines the consistency algorithm with the Kalman filter algorithm to process the local estimation of the target, and then modifies the local state of the target at the current moment by using the state estimation of the target at the previous moment of the neighbor node. The local prediction value is weighted. The consistency of the local prediction value and the estimated value is improved, thus the global information consistency is improved. Simulation results show that the proposed algorithm reduces the error of average consistency estimation and improves the tracking accuracy of the target. Thirdly, the performance of particle filter algorithm based on distributed Gao Si hybrid model is compared and analyzed for the distributed target tracking problem in which the observed noise is non-Gao Si noise in the linear system, and the performance of the particle filter algorithm based on the distributed Gao Si hybrid model is compared and analyzed. In this method, the Gao Si hybrid model is used to approximate the posterior probability distribution of weighted particles, and the consistency algorithm is used to exchange the parameters of the Gao Si mixing model between neighbor nodes, so that each node can obtain the Gao Si mixed model with approximate particle posteriori distribution. Because the algorithm only exchanges model parameters, the computational load is reduced. In order to reduce the utilization rate of sensors in distributed structure, a sensor management algorithm combining DGMMPF and distributed posterior Claramero-Lower bound (PCRLB) is designed. In this algorithm, d PCRLB is used as the sensor selection criterion, and the combination of sensors to make d PCRLB minimum is selected at every moment, and then the target state is estimated by DGMMPF algorithm. Simulation results show that compared with DGMMPF algorithm, the proposed algorithm improves the target tracking accuracy with fewer sensors. Finally, the research work of this paper is summarized and prospected.
【學位授予單位】：杭州電子科技大學
【學位級別】：碩士
【學位授予年份】：2017
【分類號】：TP202

【參考文獻】

相關期刊論文 前10條

1 柯霞;李奇;;兩種卡爾曼一致濾波算法的研究[J];工業(yè)控制計算機;2015年11期

2 張文;孫瑞勝;;EKF與UKF的性能比較及應用[J];南京理工大學學報;2015年05期

3 劉欽;;基于二值粒子群優(yōu)化的多目標協(xié)同檢測與跟蹤方法[J];火控雷達技術;2015年01期

4 楊小軍;;基于Unscented信息濾波器的分布式目標融合跟蹤[J];吉林大學學報(工學版);2015年02期

5 丁家琳;肖建;張勇;;基于CKF的分布式濾波算法及其在目標跟蹤中的應用[J];控制與決策;2015年02期

6 谷靜;史健芳;;分布式粒子濾波算法在目標跟蹤中的應用[J];傳感器與微系統(tǒng);2014年08期

7 田凡凡;崔寶同;樓旭陽;;分布式傳感網(wǎng)絡的自適應一致性算法[J];計算機工程與應用;2016年06期

8 裴福俊;李昊洋;武玫;;基于分布式無味邊緣粒子濾波的同步定位與地圖構建[J];上海交通大學學報;2014年07期

9 吳迪;葛臨東;彭華;;改進的分布式粒子濾波盲均衡算法[J];信號處理;2014年07期

10 高文;朱明;賀柏根;吳笑天;;目標跟蹤技術綜述[J];中國光學;2014年03期

相關博士學位論文 前8條

1 韓光松;多智能體系統(tǒng)的多一致性與多跟蹤性研究[D];華中科技大學;2015年

2 劉昌云;雷達機動目標運動模型與跟蹤算法研究[D];西安電子科技大學;2014年

3 申屠晗;面向目標跟蹤的信息反饋融合方法研究[D];浙江大學;2014年

4 龍慧;無線傳感器網(wǎng)絡分布式目標跟蹤問題研究[D];中南大學;2013年

5 劉欽;多傳感器組網(wǎng)協(xié)同跟蹤方法研究[D];西安電子科技大學;2013年

6 劉昕;基于無線傳感器網(wǎng)絡的目標跟蹤系統(tǒng)中的算法研究[D];華中科技大學;2010年

7 胡宏宇;基于視頻處理的交通事件識別方法研究[D];吉林大學;2010年

8 劉先省;傳感器管理方法研究[D];西北工業(yè)大學;2000年

相關碩士學位論文 前8條

1 呂娜娜;基于一致性的分布式粒子濾波算法研究[D];長安大學;2015年

2 方余瑜;基于時變量測方差的多傳感器多目標分配算法研究[D];杭州電子科技大學;2015年

3 楊晴;EM算法在混合模型參數(shù)估計中的應用[D];寧夏大學;2014年

4 李萌;基于一致性的多傳感器目標跟蹤算法研究[D];上海交通大學;2014年

5 黃財謀;基于無線傳感器網(wǎng)絡的目標一致性跟蹤算法研究[D];浙江大學;2014年

6 李國新;基于分布式粒子濾波的無線傳感器網(wǎng)絡目標跟蹤算法研究[D];長安大學;2013年

7 翟茹玲;多傳感器機動目標跟蹤數(shù)據(jù)融合算法研究[D];重慶大學;2010年

8 郭輝;基于非線性濾波的目標跟蹤算法研究[D];西安電子科技大學;2010年

，

本文編號：1950245