English
Hierarchical fusion estimation for clustered asynchronous sensor networks
文件大小：
277k
资源说明：### 层次融合估计在集群异步传感器网络中的应用
#### 概述
本文献介绍了一种层次化融合估计方法，适用于集群异步传感器网络。该方法能够在非常一般化的设置下工作，允许传感器节点和估计器（即群头）以周期性的采样率和估计率异步运行。此方法主要通过提出一种顺序测量融合（Sequential Measurement Fusion, SMF）方法来设计局部估计器，并证明了SMF估计器与测量增强（Measurement Augmentation, MA）估计器在精度上等效，但计算复杂度大大降低。此外，还介绍了两种类型的顺序协方差交集（Sequential Covariance Intersection, SCI）融合估计器，用于融合估计过程。这些SCI融合估计器能够提供接近集中式批量协方差交集（Batch Covariance Intersection, BCI）估计器的满意估计精度，同时相比BCI估计器具有更小的计算负担。因此，所提出的层次化融合估计方法适合于实时应用，在具有能量限制的异步传感器网络中尤其有用。此外，该方法还能处理数据包延迟和丢失的情况。
#### 关键技术与方法
- **异步传感器网络**：传感器网络中的传感器节点与估计器之间可能由于各种原因而不同步，例如不同的采样频率、通信延迟或数据丢失。因此，开发能够适应这种异步环境的技术至关重要。
- **顺序测量融合(SMF)**：SMF是一种有效的方法，用于在传感器网络中进行数据融合。它通过逐个处理每个传感器的测量值来更新估计状态，这种方法不仅减少了计算量，而且可以有效地处理高维问题。
- **测量增强(MA)估计**：MA估计器通过将所有传感器的数据整合到一个增广的状态向量中来进行估计，这种方法理论上能够提供最佳的估计结果，但计算成本较高。
- **顺序协方差交集(SCI)融合估计**：SCI融合估计器是一种在不确定性环境下进行数据融合的有效方法。通过顺序地处理来自不同传感器的数据，SCI能够处理不完全同步的数据流，并且能够有效应对传感器间的不一致性。
- **集中式批量协方差交集(BCI)估计**：BCI是一种基于所有可用传感器数据的集中式估计方法，通常提供最高精度的结果，但计算成本也最高。
#### 主要贡献
1. **SMF与MA估计器的等价性证明**：证明了在精度方面，SMF估计器与MA估计器是等价的，但SMF的计算复杂度更低。
2. **SCI融合估计器的设计**：提出了两种SCI融合估计器，它们可以在保证精度的同时减少计算负担。
3. **适用于异步网络**：所提出的方法特别适用于存在采样和估计异步的传感器网络，这在现实世界的应用中十分常见。
4. **处理数据包丢失和延迟**：该方法考虑了实际网络环境中可能出现的数据包丢失和延迟问题，提高了系统的鲁棒性和实用性。
#### 结论
层次化融合估计方法为异步传感器网络提供了一种高效且可靠的解决方案。通过采用顺序测量融合和顺序协方差交集技术，该方法不仅保证了估计的准确性，而且显著降低了计算成本，使其非常适合应用于具有能量限制和实时需求的实际场景。
本源码包内暂不包含可直接显示的源代码文件，请下载源码包。
