无序信息的网络融合及在舰船组合导航中的应用

论文摘要

无线传感器网络（Wireless Sensor Networks,WSN）环境下的融合系统在进行信息搜集和综合处理时,将不可避免地受限于诸多与网络系统有关的约束条件（简称约束）,如有限的通信带宽和节点能量、存储和计算约束、动态网络拓扑以及路由协议等,从而导致传统信息融合理论和技术无法有效地满足日益增长的实际工程需求,并使得基于传感器网络的信息融合（简称网络融合）研究面临着诸多新的难题和挑战。各种网络约束的共同存在使得信息经传感器网络传输后,其定常性、因果性和序惯性易受破坏,若将丢包视为无限的延迟,则上述约束条件对融合系统的影响将集中体现于局部传感器信息传输具有随机延迟。而延迟的随机性必然导致有序采样的局部信息到达融合中心时呈现无序的现象,即后发的信息可能先到,先发的信息可能后到,简称为无序信息。从而,传统基于信息有序到达的融合方法将无法直接有效地应用于无序信息系统,并使得无序信息的融合算法设计已成为网络融合研究的重要内容之一。此外,Y.Bar-Shalom等提倡的无序量测（“Out-of-Sequence”Measurements,OOSM）更新方法只能解决部分无序信息系统的估计融合问题。因此,由于OOSM研究刚处于起步阶段,加之诸多自身无法克服的不足,使得大量关键性的理论和技术问题亟待进一步研究和解决。近年来,海上舰船航行安全问题受到了人们的高度重视,其主要内容之一就是对舰船航行进行动态监控并为舰船的自主避碰和其它海事险情的发生提供早期预警。实现上述功能的首要前提就是舰船精确和可靠的导航定位。传统舰船组合导航定位方法大都研究如何最优地融合来自于舰船各内部导航子系统提供的信息,并没有考虑信息的异构性和不确定性、系统的网络特性以及对GPS过度的依赖性,这样就大大降低了传统方法在实际应用中的稳定性和可靠性。实际上,海上舰船网络系统是一个典型的无线Ad hoc传感器网络,网络中的各个节点以多跳和广播的方式在网内进行信息通信和交换,从而使得各舰船节点均能接收来自他船的信息。因此,舰船节点可通过有效综合其他节点提供的信息来改善自身舰船组合导航定位方法的精度和可靠性。由于海上各舰船的导航系统往往异步工作且各船之间的信息交流均是通过无线网络进行,加之船台以短信方式转发信息和船载AIS设备在规定时间内发送不完数据均可能将造成整个数据队发送列的推迟等,都有可能导致网络节点间的信息传送具有不确定的延迟。那么,实现上述功能的关键就是在海上网络环境中目标舰船如何有效利用其他节点的信息来更新和改善自身组合导航定位估计的性能。因此,开展无序信息的网络融合及在舰船组合导航中的应用研究具有重要的理论意义和广泛的应用前景。鉴于此,本文重点开展了无序信息的网络融合算法设计以及网络环境下舰船组合导航定位的方法研究,其主要研究贡献和创新点如下:1)建立带有任意随机延迟的多传感器系统通用OOSM融合框架。为了客服现有无序量测方法研究存在的局限,利用“伪量测”技术和传统噪声相关Kalman滤波技术,系统地开展单传感器、多传感器同步系统以及一大类异步采样系统具有任意随机延迟的OOSM估计融合算法设计,最终建立一个通用的无序量测估计融合算法框架。2)提出基于分布式融合框架的无序估计（“Out-of-Sequence”Estimates,OOSE）方法来解决无序信息的网络融合问题。鉴于无序量测方法的集中式估计特性所引发的诸多不足,建立分布式融合框架下的OOSE方法来解决OOSM方法存在的问题,并针对任意随机延迟的多传感器系统建立一个通用OOSE融合方案。同时,针对一类特殊异步采样的树形网络无序信息系统,开展OOSM和OOSE联合方法的研究,并建立了相应的混合无序信息融合方案。3)结合网络信息融合技术建立舰船相对导航定位方法。考虑舰船网络中信息丰富特性以及实际舰船组合导航子系统信息的不确性,提出利用相邻舰船的信息来改善目标舰船自身组合导航定位估计的精度、稳定性和可靠性。同时,将前述建立的OOSM和OOSE方法应用到带有延迟的舰船网络节点的相对定位中。

论文目录

• 摘要
• ABSTRACT
• 目录
• 第一章 绪论
• 1.1 研究背景及选题意义
• 1.2 多传感器信息融合理论
• 1.2.1 多传感器信息融合简介
• 1.2.2 融合的功能模型与结构
• 1.2.3 国内外研究现状
• 1.3 传统数据融合算法综述
• 1.3.1 状态估计理论与Kalman滤波
• 1.3.2 同步采样系统的有序融合算法综述
• 1.3.3 异步采样系统的有序融合算法综述
• 1.4 基于传感器网络的信息融合
• 1.4.1 传感器网络简介
• 1.4.2 传感器网络对融合系统的影响
• 1.4.3 网络融合技术研究现状
• 1.4.4 无序信息的融合算法
• 1.5 舰船组合导航定位研究
• 1.6 当前研究的关键点与难点问题
• 1.7 本文的研究内容与章节安排
• 1.8 本章小结
• 第二章 多传感器网络系统的“无序量测”融合
• 2.1 连续系统离散化
• 2.1.1 连续系统描述
• 2.1.2 连续系统离散化
• 2.2 单传感器OOSM估计
• 2.2.1 问题描述
• 2.2.2 单传感器量测一步延迟最优估计（G1算法）
• 2.2.3 单传感器多OOSMs估计融合（Gl1算法）
• 2.2.4 单传感器混合多OOSMs估计融合
• 2.2.5 计算机仿真
• Gl1算法）'>2.3 多传感器同步采样系统的混合OOSM融合（M_Gl1算法）
• 2.3.1 多传感器同步采样系统描述
• 2.3.2 问题描述
• 2.3.3 多传感器分布式OOSM融合
• 2.3.4 计算机仿真
• Gl1算法）'>2.4 一般异步采样系统的OOSM融合（AM_Gl1算法）
• 2.4.1 异步采样系统描述
• 2.4.2 问题描述
• 2.4.3 异步采样系统的OOSM融合
• 2.4.4 进一步讨论
• 2.4.5 计算机仿真
• 2.5 简要分析
• 2.6 本章研究思路流程图
• 2.7 本章小结
• 第三章 多传感器同步系统的”无序估计”融合
• 3.1 无序估计（OOSE）概念
• 3.2 单传感器估计一步延迟最优算法（E1算法）
• 3.2.1 问题描述
• 3.2.2 单传感器估计一步延迟最优算法
• 3.2.3 算法性能分析
• 3.2.4 计算机仿真
• 3.3 单传感器任意随机延迟的最优混合OOSE算法（El1算法）
• 3.3.1 问题描述
• 3.3.2 单传感器最优混合OOSE算法
• 3.3.3 算法性能分析
• 3.3.4 仿真例子
• El1算法）'>3.4 同步采样系统的混合OOSE融合算法（M_El1算法）
• 3.4.1 问题描述
• 3.4.2 局部传感器估计
• 3.4.3 多传感器混合OOSE融合算法
• 3.4.4 简要分析
• 3.4.5 计算机仿真
• 3.5 本章研究思路流程图
• 3.6 本章小结
• 第四章 异步采样系统的”无序估计”融合
• 4.1 第一类系统的一步OOSE融合算法（SE1算法）
• 4.1.1 系统描述
• 4.1.2 顺序状态方程的建立
• 4.1.3 单传感器系统（N=1）的一步OOSE算法
• 4.1.4 第二类系统的OOSE算法（ASE1算法）
• SE1算法）'>4.1.5 多个无序子系统的一步OOSE融合（M_SE1算法）
• 4.1.6 计算机仿真
• El1算法）'>4.2 一般异步采样系统的混合OOSE融合（AM_El1算法）
• 4.2.1 问题分析
• 4.2.2 一般多传感器异步采样系统的混合 OOSE融合
• 4.2.3 计算机仿真
• 4.3 基于OOSE和 OOSM联合的传感器网络融合
• 4.3.1 问题分析
• 4.3.2 一个OOSE和 OOSM联合的例子
• 4.4 无序信息融合算法的收敛性分析
• 4.5 OOSE和OOSM方法比较总结
• 4.6 本章研究思路流程图
• 4.7 本章小结
• 第五章 网络环境下的舰船相对组合导航定位算法
• 5.1 一类基于广义量测融合的组合导航算法
• 5.1.1 系统描述
• 5.1.2 问题描述
• 5.1.3 广义复合量测加权融合
• 5.1.4 算法分析
• 5.1.5 计算机仿真
• 5.2 基于相对量测的舰船导航定位算法（SNPRM算法）
• 5.2.1 系统描述
• 5.2.2 问题描述
• 5.2.3 基于相对量测的舰船导航定位算法
• 5.2.4 算法性能分析
• 5.2.5 计算机仿真
• 5.2.6 进一步分析
• 5.3 基于相对估计的舰船组合导航定位算法（SNPRE算法）
• 5.3.1 主动组合导航算法描述
• 5.3.2 SNPRE算法
• 5.3.3 算法流程图
• 5.3.4 算法性能分析
• 5.3.5 计算机仿真
• 5.4 基于相对量测和估计的舰船组合导航定位算法
• 5.5 相对导航定位方法分析
• 5.6 本章小结
• 第六章 无序信息融合在舰船相对导航定位中的应用
• 6.1 异步舰船网络基于无序信息的舰船相对导航定位
• 6.1.1 一类简单异步采样OOSI系统的舰船相对导航定位
• 6.1.2 计算机仿真
• 6.1.3 多舰船相对组合导航定位算法
• 6.2 一般异步采样无序信息系统的舰船相对组合导航定位
• 6.3 简要分析
• 6.4 舰船相对导航定位研究流程
• 6.5 本章小结
• 第七章 总结与展望
• 7.1 论文总结
• 7.2 未来研究展望
• 参考文献
• 致谢
• 攻读博士学位期间参加的项目
• 攻读博士学位期间获得的奖励
• 攻读博士学位期间发表和录用的主要学术论文