技術(shù)特征：

1.一種應(yīng)用于傳感器網(wǎng)絡(luò)的分布式協(xié)作算法和數(shù)據(jù)融合機(jī)制，其特征在于，包括傳感器級數(shù)據(jù)融合和中央級數(shù)據(jù)融合，其中傳感器級數(shù)據(jù)融合通過融合分布在不同被測對象不同類別傳感器得到被觀測系統(tǒng)的部分狀態(tài)信息和傳感器的測量噪聲方差，為中央級數(shù)據(jù)融合提供初始條件，中央級數(shù)據(jù)融合通過模糊卡爾曼濾波對傳感器級數(shù)據(jù)融合的結(jié)果進(jìn)行濾波處理得到最優(yōu)的被測系統(tǒng)的狀態(tài)信息，使用中央級數(shù)據(jù)融合的結(jié)果修正傳感器級數(shù)據(jù)融合的結(jié)果。

2.按照權(quán)利要求1所述的一種應(yīng)用于傳感器網(wǎng)絡(luò)的分布式協(xié)作算法和數(shù)據(jù)融合機(jī)制，其特征在于，所述傳感器級數(shù)據(jù)融合包括以下步驟：

(21).通過傳感器獲得充分的測量原始數(shù)據(jù)，并剔除測量中的異常數(shù)據(jù)，對于非線性的傳感器測量模型，可以使模型在某個(gè)標(biāo)稱值附近進(jìn)行線性化，然后再按線性測量模型進(jìn)行求解；

(22).假設(shè)傳感器線性測量模型為s＝Hθ，H是傳感器的輸入量，H是一個(gè)滿秩的N×P的觀測矩陣(N＞P)，H由觀測樣本組成，設(shè)s＝[s[0]，s[1]，...，s[N-1]]^T是傳感器的模型輸出，s是N×1的矩陣，x＝[x[0]，x[1]，...，x[N-1]]^T是傳感器輸出的測量量，θ是待求的傳感器的參數(shù)模型，θ是P×1的矩陣；

(23).通過線性加權(quán)方式獲得傳感器輸出的測量量x和由傳感器線性測量模型傳感器線性測量模型求解出的s之差J(θ)，設(shè)W是N×N的對角矩陣，W＝C^-1，C表示零均值噪聲的協(xié)方差矩陣；

$J\left(\mathrm{\θ}\right)=\underset{n=0}{\overset{N-1}{\mathrm{\Σ}}}w\left(n\right){\left(x\right(n)-s(n\left)\right)}^2={(x-H\mathrm{\θ})}^{T}W(x-H\mathrm{\θ})={(x-H\mathrm{\θ})}^T{C}^{-1}(x-H\mathrm{\θ})$

(24).求解J(θ)函數(shù)對θ變量的梯度；

$\frac{\∂J\left(\mathrm{\θ}\right)}{\∂\mathrm{\θ}}=-2H^{T}Wx+2H^{T}WH\mathrm{\θ}=-2H^T{C}^{-1}x+2H^T{C}^{-1}H\mathrm{\θ}$

(25).令J(θ)函數(shù)的梯度等于0，可以求得傳感器線性測量模型的估計(jì)值

$\widehat{\mathrm{\θ}}={\left(H^{T}WH\right)}^{-1}{H}^{T}Wx={\left(H^T{C}^{-1}H\right)}^{-1}{H}^T{C}^{-1}x$

(26).如果測量過程中噪聲是不相關(guān)的，則C估計(jì)量是對角矩陣，令C[n]＝diag(σ₀，σ₁，...，σ_n)，其中H[n]是n×p的矩陣，h^T[n]是1×p的矩陣，X[n]＝[x[0]，x[1]，...，x[n]]^T，則有估計(jì)量C[n]是噪聲的協(xié)方差矩陣，最小二乘估計(jì)量的協(xié)方差矩陣是

(27).計(jì)算估計(jì)量和最小二乘估計(jì)量的協(xié)方差∑[n]的更新；

估計(jì)量的更新計(jì)算如下：

其中

最小二乘估計(jì)量的協(xié)方差的更新如下：

∑[n]＝(I-K[n]h^T[n])∑[n-1]。

(28).將不同性質(zhì)或相同性質(zhì)傳感器求出的狀態(tài)估計(jì)值進(jìn)行Dempster-Shafer數(shù)據(jù)融合為中央級數(shù)據(jù)融合提供初始條件。

3.按照權(quán)利要求1所述的一種應(yīng)用于傳感器網(wǎng)絡(luò)的分布式協(xié)作算法和數(shù)據(jù)融合機(jī)制，其特征在于，所述中央級數(shù)據(jù)融合包括以下步驟：

(31).建立被觀測系統(tǒng)的狀態(tài)方程和量測方程。

設(shè)系統(tǒng)狀態(tài)方程是x_k＝Ax_k-1+Bu_k-1+w_k-1，量測方程為y_k＝Cx_k-1+v_k，其中x_k是由(x_1，k，x_2，k，...x_N，k)組成N×1的狀態(tài)變量，u_k是(u_1，k，u_2，k，...u_L，k)組成的L×1的輸入向量，y_k由(y_1，k，y_2，k，...y_M，k)組成的M×1的觀測向量，w_k是由(w_1，k，w_2，k，...w_N，k)組成N×1的過程噪聲向量，v_k是由(v_1，k，v_2，k，...v_M，k)組成的M×1的測量噪聲向量，A是N×N的狀態(tài)轉(zhuǎn)移矩陣，B是N×L的輸入關(guān)系矩陣，C是M×N測量關(guān)系矩陣；

(32).在第k-1個(gè)狀態(tài)變量最優(yōu)估計(jì)值的基礎(chǔ)上，利用系統(tǒng)的狀態(tài)方程來預(yù)測第k時(shí)刻的先驗(yàn)狀態(tài)值。

P_k^-＝AP_k-1A^T+Q，其中代表第k時(shí)刻狀態(tài)變量的先驗(yàn)估計(jì)值，代表第k-1時(shí)刻狀態(tài)變量的最優(yōu)估計(jì)值，代表第k時(shí)刻先驗(yàn)估計(jì)誤差的協(xié)方差矩陣，代表第k時(shí)刻后驗(yàn)估計(jì)誤差的協(xié)方差矩陣，Q＝E[w_kw_k^T]代表過程噪聲向量的協(xié)方差。

(33).利用實(shí)際測量值校正上一步預(yù)測得到的狀態(tài)先驗(yàn)估計(jì)值得到系統(tǒng)狀態(tài)的最優(yōu)估計(jì)值

K_k＝P_k^-C^T(CP_k^-C^T+R)^-1，P_k＝(I-K_kC)P_k^-，其中R＝E[v_kv_k^T]代表測量噪聲向量的協(xié)方差。

(34).為了避免矩陣求逆運(yùn)算，采用標(biāo)量依次處理法進(jìn)行處理，假設(shè)各個(gè)測量噪聲之間相關(guān)，對測量噪聲協(xié)方差R進(jìn)行正交分解，R＝MDM^T，其中M為正交矩陣，D＝diag(σ₁，σ₂，...，σ_M)為對角陣，對量測方程進(jìn)行矩陣變換M^Ty_k＝M^TCx_k-1+M^Tv_k，定義新的觀測向量y_k′＝M^Ty_k，測量矩陣C′＝M^TC，測量噪聲向量v_k′＝M^Tv_k，新的測量噪聲向量的協(xié)方差為R＝E[v_k′v_k′^T]＝E[M^Tv_kv_k^TM]＝M^TRM＝D，記測量矩陣y_k′＝(y_1，k′，y_2，k′，...，y_M，k′)，P_0，k＝P_k^-，則可以用下述標(biāo)量算法進(jìn)行狀態(tài)與均方誤差陣進(jìn)行校正：P_m，k＝(I-k_m，kc_m′)P_m-1，k，其中m＝1，2，...，M，P_k＝P_M，k。

(35).使用中央級數(shù)據(jù)融合結(jié)果去修正傳感器級數(shù)據(jù)融合的結(jié)果。