分布式Zigbee多節點傳感器數據融合軌跡關聯
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的測量子集Zt和沒有與其他目標互聯的虛擬測量子集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;在靜態傳感器測量數據互聯中,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



2 近似測量
近似測量算法采用節點狀態估算推導形成,節點狀態估算算法為

式中,



式中,



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中,只能每幾秒鐘測量一次小區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:第一如果控制系統對目標狀態的采集頻率高于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,只能通過開發一些精度的實用模型來實現。上述節點狀態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://www.104case.com/article/155824.htm
評論