5、分布式传感器网络中的自适应估计：结合概率数据关联的多模型方法

分布式传感器网络中的自适应估计：结合概率数据关联的多模型方法

在分布式传感器网络中，对目标进行准确跟踪是一个具有挑战性的问题，尤其是在复杂环境下，目标模型可能会发生切换，同时测量数据的来源也存在不确定性。本文将介绍一种结合概率数据关联（PDA）滤波器和交互式多模型（IMM）算法的分布式自适应估计算法，用于在杂乱环境中跟踪机动目标。

1. 引言

在杂乱环境中跟踪具有切换模型或参数的目标时，主要困难在于模型/参数识别和数据关联操作之间存在根本冲突。因为通常认为具有较大创新值的测量不太可能来自感兴趣的目标。为了解决这个问题，本文提出了一种结合多模型方法和概率数据关联滤波器（PDAF）的分布式传感器目标跟踪算法。

之前已经有一些在集中式框架下进行系统状态估计和模型识别的方法，如广义伪贝叶斯（GPB）方法和交互式多模型（IMM）算法。然而，这些方法都假设数据关联是完美的，即测量来源没有不确定性。为了考虑数据关联问题，Gauvrit在1984年提出了一种自适应PDA算法，用于在噪声统计未知的杂乱环境中跟踪目标。本文将考虑一个分布式估计问题，同时考虑模型和测量来源的不确定性。

2. 问题描述

考虑一个两节点的场景，每个节点处理来自其自身传感器的局部测量数据，并定期将局部估计发送到融合处理器。融合处理器在每次通信后将处理结果返回给节点。

目标的动态模型可以表示为：
[x(k) = f[x(k - 1), M(k), v[M(k), k - 1]]]
其中，(x(k))是状态向量，(v[M(k), k - 1])是过程噪声向量，(M(k))是从时间(k - 1)到(k)的系统模型。假设随机模型过程(M(k))是马尔