分布式Zigbee多節(jié)點傳感器數據融合軌跡關聯(lián)
加入技術交流群
這樣一來，一個可能的劃分是把集合Z劃分成兩個與目標互聯(lián)的測量子集Zt和沒有與其他目標互聯(lián)的虛擬測量子集Zf，表示為γ={Zt，Zf}，其中，Zt={Zj1j2j3}，ji=1，2，3，…，ni，i=1，2，3；Zf={Ziji}，ji=1，2，3，…，ni，i=1，2，3；γ={Zt，Zf}表示集合Z劃分成子集Zt，Zf的可能，把集合分成測量子集和虛擬測量子集；在靜態(tài)傳感器測量數據互聯(lián)中，對一個位置進行全面測量估計至少需要兩個傳感器；否則就是認為虛擬測量子集。因此，測量集合Z的最佳關聯(lián)劃分是把Z劃分為來源于目標的測量子集Zt和虛警子集Zf，這時只需求解γ與γ0的最大聯(lián)合似然函數比，即
真實目標位置ωt近似于極大化廣義似然比的極大似然估算值
，所以式(4)中的ωt可用代替，該估算值可從3個傳感器測量獲得，即
2 近似測量
近似測量算法采用節(jié)點狀態(tài)估算推導形成，節(jié)點狀態(tài)估算算法為
式中，
為局部節(jié)點s用于更新第i個局部軌跡的近似測量；Ksis(k)是局部節(jié)點s的第is個局部軌跡的濾波增益。根據式(6)求解有
式中，
(k)是Ksij(k)的逆陣或偽逆陣。局部節(jié)點僅向融合中心傳送狀態(tài)估計值，不傳送近似測量值，通過式(7)可以在融合中心獲得局部Zigbee節(jié)點的近似測量值。近似測量構造要求信息融合中心已知軌跡狀態(tài)值
(k|k-1)、狀態(tài)估計值(k|k)。增益矩陣Ksij(k)和測量矩陣Hs(k)之所以可作為近似測量，是因為構造的結果可能不是實際測量值，這取決于局部節(jié)點使用的數據關聯(lián)算法。當局部節(jié)點使用最近鄰域互聯(lián)算法時，所構成的測量值是局部近似算法中使用的實際測量值；但當局部節(jié)點使用聯(lián)合概率數據為互聯(lián)算法(JPDA)或混合歸并(MR)算法時，重新構成的算法結果不產生實際測量值；因而原測量值需要加權平均。N≥3時多節(jié)點分配方法適用于各節(jié)點公共監(jiān)視區(qū)的軌跡關聯(lián)校驗。對各局部節(jié)點間的局部公共區(qū)則要利用N=2時的各種軌跡關聯(lián)算法或使用二維分配模型求解。3 結束語
在多數目標跟蹤的應用中，獲得大量精確的傳感器數據較困難。例如：Zigbee無線車輛門禁控制系統(tǒng)中，只能每幾秒鐘測量一次小區(qū)門前內外機動車的位置，當獲取的信息不足時，所采用的模型的精度就顯得尤為重要。原因有二：第一如果控制系統(tǒng)對目標狀態(tài)的采集頻率高于Zigbee傳感器的頻率，那么就要用到跟蹤器對位置的預測值，不同的模型對這個預測值的質量影響很大；第二是為了優(yōu)化Zigbee傳感器的性能，必須最大限度地利用來自傳感器的有限數據，在多數近似測量算法中，只能通過開發(fā)一些精度的實用模型來實現。上述節(jié)點狀態(tài)估算算法有效地改善了Zigbee傳感器的性能，提高了跟蹤精度。本文引用地址：http://m.butianyuan.cn/article/155824.htm
評論