6、分布式传感器网络与大型稀疏系统估计技术解析

分布式传感器网络与大型稀疏系统估计技术解析

1. 分布式传感器网络估计方法

分布式传感器系统的分布式估计方法是一个重要的研究领域。传统的分布式估计研究大多局限于线性系统或假设系统模型和测量源无不确定性的情况，而现在的研究考虑了更一般的情况，开发了一种综合考虑测量源和系统模型不确定性的通用算法。

1.1 冗余信息与数据关联处理

引入了冗余信息的概念，若在融合处理中未妥善去除冗余信息，可能会引入偏差。基本的分布式估计技术与概率数据关联方案相结合，用于处理测量源不确定时的数据关联问题。在分布式框架下，多模型概念也被用于具有不确定模型或切换模型的系统状态估计。

1.2 融合算法及其条件

为联合概率数据关联（JPDA）算法、交互式多模型算法和多模型概率数据关联（PDA）算法推导了融合算法。融合算法达到最优的必要条件是通信频率等于测量频率。若通信频率低于测量频率，由于模型切换和通信间隔内公共过程噪声的传播，最新的局部估计（或条件概率密度函数）将不足以构建全局估计。对于过程噪声值和模型切换概率较小的情况，也得到了次优的处理方法。

1.3 确定性与非确定性系统的融合算法

• 确定性系统 ：若系统是确定性的（即过程噪声为零）且模型已知，无论通信频率如何，仅使用最新局部估计的最优融合算法都是可行的。因为最新局部估计足以描述测量序列累积的创新信息。
• 非确定性系统 ：情况更为复杂，由于测量包含测量噪声和系统动态过程噪声，最优融合算法需要来自局部节点每次测量更新后的所有创新信息。这可以通过每次局部测量更新后