申请/专利权人:南京工业大学
申请日:2024-03-13
公开(公告)日:2024-04-16
公开(公告)号:CN117895920A
主分类号:H03H21/00
分类号:H03H21/00;G06F17/18;G06F17/16;G06F18/25
优先权:
专利状态码:在审-实质审查的生效
法律状态:2024.05.03#实质审查的生效;2024.04.16#公开
摘要:本发明公开了通信链路故障下传感器网络分布式一致性卡尔曼滤波方法,包括:步骤1、基于标准卡尔曼滤波算法,根据通信链路故障下传感器网络的测量信息进行局部测量更新,得到局部最优估计,包括传感器网络的最优估计值和估计误差协方差矩阵;步骤2、对局部最优估计进行信息一致性融合,并在完成一致性融合后,更新传感器网络的最优估计值和估计误差协方差矩阵。本发明可补偿测量数据丢失对滤波精度的影响,借助于矩阵理论、随机分析技术来计算增广系统的误差协方差矩阵以及状态估计方差矩阵,进一步的获得分布式滤波器的更新方程,可保证整个分布式传感网络的整体工作性能,适用于存在通信链路故障时的分布式状态估计问题。
主权项:1.通信链路故障下传感器网络分布式一致性卡尔曼滤波方法,其特征在于,包括:步骤1、基于标准卡尔曼滤波算法,根据通信链路故障下传感器网络的测量信息进行局部测量更新,得到局部最优估计,包括传感器网络的最优估计值和估计误差协方差矩阵;所述局部测量更新过程为: ; ;其中,表示k时刻第i个传感器的最优估计值;表示k时刻第i个传感器的估计误差协方差矩阵;表示k时刻第i个传感器的测量值;表示第i个传感器的测量矩阵;表示k时刻第i个传感器的一步预测值;表示k时刻第i个传感器的一步预测误差估计误差协方差矩阵;为k时刻第i个传感器的卡尔曼滤波增益矩阵; ;其中,T表示矩阵转置,表示第i个传感器测量值中噪声信号的估计误差协方差矩阵; ;其中,表示k-1时刻第i个传感器的估计值;表示k-1时刻第i个传感器的估计误差协方差矩阵;表示目标系统模型中过程噪声估计误差协方差矩阵;A表示目标系统模型中的状态矩阵;步骤2、对局部最优估计进行信息一致性融合,并在完成一致性融合后,更新传感器网络的最优估计值和估计误差协方差矩阵。
全文数据:
权利要求:
百度查询: 南京工业大学 通信链路故障下传感器网络分布式一致性卡尔曼滤波方法
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。