量化信息融合是无线传感器网络、卫星组网、网络化控制系统等领域中受制于终端存储空间、通信能量及通信带宽条件下的有效信息处理途径。《量化信息融合理论及在无线传感器网络中的应用》深入讨论了量化信息融合相关理论及在无线传感器网络中的应用情况。主要内容包括：均匀量化测量与融合、自适应量化测量与融合、量化新息与融合、分布式量化航迹融合、信道感知目标跟踪及跨层优化、对等网络中分布式协同目标跟踪等。*后开发了无线传感器网络目标跟踪硬件平台，以验证所涉方法在相关应用场景中的实际性能。

目录
前言
变量表
第1章 绪论1
1.1 背景与意义1
1.2 量化信息融合简介3
1.2.1 信息融合概述4
1.2.2 信息融合发展概况5
1.2.3 量化信息融合概述6
1.3 无线传感器网络简介8
1.3.1 传感器节点结构9
1.3.2 无线传感器网络拓扑结构9
1.3.3 无线传感器网络的功能结构11
1.4 无线传感器网络中状态估计与信息融合12
第2章 状态估计与信息融合相关理论18
2.1 引言18
2.2 估计理论18
2.2.1 扩展卡尔曼滤波19
2.2.2 无迹卡尔曼滤波20
2.2.3 粒子滤波技术22
2.2.4 交互式多模型滤波23
2.3 鲁棒估计方法25
2.3.1 鲁棒滤波概述25
2.3.2 降阶鲁棒滤波器26
2.4 信息融合角度的鲁棒估计37
2.4.1 信息融合的分类37
2.4.2 统一的信息融合模型及其*优解39
2.4.3 鲁棒信息融合滤波42
2.4.4 仿真分析43
2.5 本章小结44
第3章 均匀量化测量与融合45
3.1 引言45
3.2 问题描述45
3.3 量化噪声分析47
3.3.1 量化噪声的概率密度函数47
3.3.2 量化噪声的概率密度函数估计52
3.4 基于均匀量化测量的目标状态估计53
3.5 仿真分析55
3.5.1 量化测量误差的概率密度56
3.5.2 均匀量化条件下的目标跟踪仿真58
3.6 本章小结60
第4章 自适应量化测量与融合61
4.1 引言61
4.2 模型建立61
4.2.1 能量模型63
4.2.2 概率量化策略63
4.2.3 优化模型建立64
4.3 自适应带宽分配65
4.3.1 测量扩维情况下的带宽分配策略65
4.3.2 测量加权情况下的带宽分配策略66
4.3.3 噪声相关情况下的带宽分配策略68
4.4 自适应量化阈值70
4.5 基于粒子滤波的目标跟踪75
4.6 性能分析76
4.7 仿真与分析79
4.7.1 自适应带宽分配80
4.7.2 噪声相关情况82
4.7.3 自适应阈值仿真84
4.8 本章小结86
第5章 量化新息与融合87
5.1 引言87
5.2 问题描述87
5.3 基于量化新息的状态估计89
5.3.1 量化新息和传输策略89
5.3.2 基于量化新息的状态估计方法91
5.3.3 量化新息卡尔曼滤波器92
5.4 性能分析95
5.5 仿真与分析98
5.6 本章小结104
第6章 分布式量化航迹融合105
6.1 引言105
6.2 传统航迹融合方法简介105
6.2.1 信息融合卡尔曼滤波算法106
6.2.2 加权平均法107
6.2.3 协方差交叉法107
6.3 资源受限的航迹融合108
6.3.1 协方差阵的压缩处理108
6.3.2 量化策略113
6.4 稳健航迹融合方法—内椭球逼近法117
6.4.1 算法提出117
6.4.2 仿真与比较120
6.5 传感器节点动态分簇122
6.5.1 相关工作122
6.5.2 目标导向动态分簇策略123
6.6 仿真与分析125
6.7 本章小结130
第7章 信道感知目标跟踪及跨层优化131
7.1 引言131
7.2 传输信道及其模型131
7.2.1 无线信道的分类131
7.2.2 二元对称离散信道132
7.3 信道感知目标跟踪133
7.3.1 问题描述133
7.3.2 目标跟踪策略134
7.3.3 性能分析135
7.4 跨层设计与优化136
7.4.1 基于信道感知CRLB的传感器调度137
7.4.2 启发式调度策略139
7.5 仿真与分析140
7.5.1 仿真平台搭建140
7.5.2 结果与讨论141
7.6 本章小结143
第8章 对等网络中分布式协同目标跟踪144
8.1 引言144
8.2 P2P传感器网络及其图模型144
8.3 协同策略146
8.3.1 传统方法146
8.3.2 新协同算法及其性能分析148
8.3.3 仿真分析150
8.4 信息滤波器152
8.4.1 信息卡尔曼滤波器152
8.4.2 信息鲁棒滤波器153
8.4.3 信息形式Sigma点滤波器154
8.5 分布式协同滤波器157
8.5.1 分布式协同卡尔曼滤波器157
8.5.2 分布式协同鲁棒滤波器158
8.5.3 分布式协同Sigma点卡尔曼滤波器159
8.6 量化情况下动态协同目标状态估计融合161
8.7 分布式协同估计融合框架161
8.8 仿真与分析162
8.8.1 分布式稳健滤波器162
8.8.2 分布式Sigma点滤波164
8.8.3 量化情形167
8.9 本章小结169
第9章 基于量化信息融合的目标跟踪应用170
9.1 引言170
9.2 系统体系结构设计170
9.3 数据生成171
9.3.1 场景数据生成171
9.3.2 监测数据生成172
9.3.3 数据传输设计173
9.4 单目标跟踪情形173
9.4.1 数据预处理173
9.4.2 结果与分析173
9.5 多目标跟踪情形179
9.5.1 目标运动模型179
9.5.2 传感器测量模型180
9.5.3 多目标情形测量解模糊180
9.5.4 结果与分析182
9.6 基于WSN的目标跟踪硬件平台185
9.6.1 系统体系结构186
9.6.2 无线传感器节点187
9.6.3 网络通信协议191
9.6.4 上位机显示195
9.7 实验与分析196
9.7.1 场景设置196
9.7.2 结果与分析197
9.8 本章小结200
参考文献201

第1章 绪论
　　1.1 背景与意义
　　信息融合是对多传感器的数据依据某种优化准则进行多角度、多层次、多级别的处理，产生对观测目标的一致性描述和解释，得到更全面更精确的结果[1-3]。信息融合又称数据融合，也可以称为传感器信息融合或多传感器信息融合，多传感器量化信息融合是该领域的一个重要分支。信息融合技术目前在网络安全、军事、计算机视觉、金融科技、航空航天工程、环境治理、智能制造、电力等领域具有广泛的理论研究意义，在诸多军事和民用领域表现出了极高的应用价值，例如，导弹制导、目标跟踪、智能交通等。
　　（1）航空武器装备[4]：信息融合技术在航空武器装备中的应用具有重大意义。随着技术的不断发展，现代作战飞机的传感器越来越多，雷达、光电、电子战以及导航系统等传感器都单*显示信息，驾驶员对这些传感器同时进行管理会产生很大的工作负荷，也使飞行中决策更加困难。采用多传感器数据融合技术，可以充分发挥各个传感器的优点，抑制其不利的一面，从而得到有关战斗场面或总体的战场情况的一幅实时的战术或作战级的图像，以增强作战飞机的生存能力和作战效能。目前，数据融合技术已在军事装备中得到广泛应用，俄罗斯和美国军方都在多传感器数据融合和信息处理技术方面进行了大量的研究工作，并已用于多种型号的军用飞机。多传感器数据融合不仅可以减少驾驶员工作负荷，为驾驶员提供一个视野更宽、更精确的战术图像，而且还能减少数据总线的数量，减少计算负载，并且起到增加传感器余度的作用。传感器数据融合还确保了一个武器平台即使在基于雷达的武器火控系统被完全干扰的恶劣的电子环境中也能保持一定程度的作战能力。各个传感器的互补特性确保了融合后的数据更精确，这些数据通过多功能信息分发系统可以发送到其他的武器平台，以便选定目标的优先级。多传感器数据融合技术是未来信息化战争中提高武器作战效能的关键技术之一。
　　（2）网络安全态势评估[5]：目前安全态势评估中普遍存在信息来源单一、评估范围有限、时空开销较大且可信度较低等问题。多方面综合考虑影响网络安全态势各因素，通过构建分级朴素贝叶斯分类器，快速高效地融合各主机多源异构非确定性信息源，使用数理统计的方法融合网络上各主机的安全指数，逐步量化评估网络安全态势，采用量化信息融合策略对当前网络安全态势形成整体宏观的认识。
　　（3）导弹制导[6]：为提高制导导弹引信的起爆控制精度，得到更为准确的起爆延迟时间，通过充分利用导引头与引信的信息，得到更为准确的数据，从而实现精准打击。对一体化引信中的两个系统（导引头成像系统以及激光测距仪测距系统）信息融合过程进行精确描述，确定一体化引信量测数据精度对起爆控制精度的影响，基于量化信息融合的数据处理方法提高了对准数据计算精度，进而提高起爆控制精度。
　　（4）金融量化投资[7]：基于信息融合和策略转换的商品期货量化投资策略在协整理论和分形市场占据了越来越重要的地位。信息融合能够提升趋势跟踪策略的效果，且表现出比统计套利策略更高的盈利能力和更大的风险。应用策略转换后，投资绩效得以进一步提高，取得了比两种单一策略更高的经风险调整后的收益率，并量化不同模型假设下*优的交易策略。
　　（5）航空装备退化预测[8]：航空部附件越来越复杂化、综合化及信息化，对航空装备的安全可靠性要求不断提升。采集多个特征指标的状态监测信息，运用经验模态分解提取包含微弱信号的特征信息，并消除部分噪声干扰，运用自组织特征映射实现多源传感器信息融合，并建立*小量化误差（minimum quantization error，MQE）模型，量化部附件运行状态，以实现部附件的状态退化预测。
　　（6）环境治理[9]：传统的藻类水华污染治理方案的选择决策通常依赖人为知识经验。为实现决策管理的理性化和自动化，需要充分利用监测信息和领域专家知识等多源信息，并建立自动决策计算机制，为信息采集与决策总体框架实现对多源异构信息的有效组织，为决策计算提供规范化计算流程，*后将基于信息融合的群决策方法应用于湖泊藻类水华治理方案的决策问题。
　　在信号处理和网络控制领域中，传感器量化估计问题成为研究热点，与传统的基于模拟观测的估计问题不同，由于无线传输设备自身物理特征（带宽、协议等）的原因，其观测数据一般要先经过量化，然后编码成数字信号，*后通过无线信道传输，所以其估计是基于量化数据进行的。同时随着信息社会向智能社会的快速演变，物联网、云计算和大数据技术等应用快速普及，作为物联网的底层感知层的无线传感器网络（WSN）被大量布设，使得人类社会对于现实世界的实时感知能力达到前所未有的高度，我们正在进入智能无处不在的时代。如何在有限的网络带宽条件下达到*优的估计性能是无线传感器网络量化估计问题的研究核心，如何利用量化信息融合理论解决无线传感器网络中的关键技术难点，对研究多传感器信息融合这类新兴学科具有相当重要的研究意义。
　　鉴于传感器网络自身物理特性的限制，信息在网络传输过程中通常需要先进行量化处理。而无线传感器网络有大量探测源（节点），具有信息源和信息量巨大的特点，因此多源状态信息融合理论的引入一方面有助于提高网络定位跟踪的性能，另一方面可以减少通信代价，延长整个网络的生命时间。信息融合在无线传感器网络的功能有别于其他网络，由于无线传感器网络主要受制于能量和通信带宽等的约束，而对信息的量化（如传感器测量、状态估计等）则有助于解决这一关键问题。同时，相比于模拟通信，数字通信具有抗干扰能力强、无噪声积累、便于加密处理、利于采用时分复用实现多路通信等特点。因此，本书将量化引入状态信息估计与融合，充分考虑无线传感器网络在实际应用中的影响因素，达到剔除冗余信息，降低通信量和能量消耗，提高定位跟踪精度，有效提升能量和通信带宽利用率的目标。
　　无线传感器网络是由大量部署在感兴趣区域（region of interest，RoI）内的微型、智能、低功耗传感器节点组成，并以某种网络协议构成的无线网络。其目的是协作地感知、采集和处理网络覆盖区域中的感知对象的信息，并发送给用户。无线传感器网络可以广泛地应用于国防建设、环境监测、智能交通、医疗卫生、智能楼宇和家庭自动化与消费电子等众多领域，特别是在生化危险环境的探测、特殊地域或特殊工作环境的监测以及军事侦察与跟踪等方面，成为近年来学术界和工业界一个非常重要的研究领域。
　　基于量化信息融合的目标定位跟踪作为无线传感器网络的典型应用之一，可以有效地提升无线传感器网络的应用范畴和性能。一些实用的无线传感器网络系统，例如，美国陆军的“战场环境侦察与监视系统”、英国国防部的DTC项目、UCLA/RSC AWAIRS、UC Berkeley智能尘埃、USC-ISI网络、SensIT系统/网络、美国陆军研究中心（ARL）先进传感器系统、DARPA（Defense Advanced Research Projects Agency）入侵监视系统Emergent Surveillance Plexus（ESP）等均将目标跟踪作为无线传感器网络的一个重要内容。*早的无线传感器网络定位跟踪实验是由美国DARPA在所负责的SensIT项目中实现的。现在许多高精度定位跟踪应用方案依然处于研究阶段。但是相关的研究文献表明信息融合[10]和目标定位跟踪[11]正在成为无线传感器网络的热点。尤其是英国国防部数据和信息融合计划已经将无线传感器网络高精度定位跟踪列为二期研究内容之一。因此，无线传感器网络目标跟踪技术应用潜力巨大，深入开展对它的研究，符合我国关于电子信息产业发展的战略需求，对于丰富和发展无线传感器网络应用基础理论研究、推进其实用化有重要作用。
　　1.2 量化信息融合简介
　　单一传感器获得的仅是环境特征的局部、片面的信息，它的信息量是非常有限的。而且每个传感器还受到自身品质、性能及噪声的影响，采集到的信息往往是不完善的，带有较大的不确定性，偶尔甚至是错误的。因此，对多源信息进行融合与对信息进行量化处理是必要的。
　　1.2.1 信息融合概述
　　多传感器信息融合是针对使用多个和/或多类传感器的系统这一特殊问题而产生的一种信息处理的新方法，它又被称为多源关联、多源合成、传感器混合或多传感器融合，但是更广泛的说法是多传感器信息融合，即信息融合。目前，很难对信息融合给出一个统一的定义，这主要是由它所研究的内容的广泛性和多样性决定的。信息融合的定义一般可以大致概括为：利用计算机技术对按时序获得的若干传感器的观测信息在一定准则下加以自动分析、优化综合以完成所需要的决策和估计任务而进行的信息处理过程。按照这一定义，多种传感器是信息融合的基础，多源信息是信息融合的对象，协调优化和综合处理是信息融合的核心。简而言之，所谓信息融合就是将来自多个传感器或者多源的信息进行综合处理，从而得出对现实环境的更为准确、可靠的描述。
　　随着传感器技术、计算机科学和信息技术的发展，各种面向复杂应用背景的多传感器系统大量涌现，使得多渠道的信息获取、处理和融合成为可能。并且在金融管理、心理评估和预测、医疗诊断、气象预报、组织管理决策、机器人视觉、交通管制、遥感遥测等诸多领域，人们都认识到把多个信息源中的信息综合起来能够提高工作的成绩。因此多源信息融合技术在军事领域和民用领域得到了广泛的重视和成功的运用，其理论和方法已成为智能信息处理及控制的一个重要研究方向[11-13]。
　　信息融合的基本原理和出发点是，充分利用多个信息源，通过对它们及其提供信息的合理支配和使用，把多个信息源在空间或时间上的冗余或互补信息按照某种准则进行组合，以获得对被测对象的一致性解释或描述，使该信息系统由此获得比它的各组成部分的子集所构成的系统更优越的性能。信息融合不是一门单一的技术，而是一门跨越数学、模式识别、决策论、不确定性理论、信号处理、*优化技术、计算机科学、自动控制理论、人工智能、神经网络、通信技术、管理科学等多种学科领域的综合理论和方法，并且是一个不很成熟的新的研究方向，仍然处在不断的变化和发展过程中，如贝叶斯规则、D-S证据理论、模糊集理论、模糊积分理论、粗糙集理论、统计理论、聚类技术、熵理论、估计理论等。虽然目前数据融合技术已经广泛应用于军事等特定领域，但是国际上关于此项技术至今尚没有形成完整的理论框架和方法。
　　1.2.2 信息融合发展概况
　　信息融合技术始于20世纪70年代初，来源于军事领域的C3I（communication，command，control and intelligence）系统的需要。由于在军用和民用上都有着广阔的潜力，从其出现开始，就受到各国的高度重视。美国是信息融合技术应用较早、发展*快的国家。1973年，美国国防部就资助开发了声呐信号理解系统，信息融合技术在该系统中得到了*早的体现。70年代末，在公开的技术文献中开始出现基于多系统的信息整合意义的融合技术。80年代，传感器技术的飞速发展推动了信息融合技术的研究。1984年美国政府三军组织成立了信息融合技术专家组（DFS），指导、组织和协调信息融合技术的研究，并在1988年将信息融合列入了90年代重点研究发展的二十项关键技术之一。在学术研究方面，从1998年开始，由NASA艾姆斯研究中心、美国陆军研究部、IEEE信号处理学会、IEEE控制系统学会、IEEE宇航和电子系统学会联合发起每年召开一次的信息融合国际会议ICIF（International Conference on Information Fusion）以及Information Fusion、IEEE Transactions on Aerospace & Electronic Systems、IEEE Transactions on Pattern Analysis and Machine Intelligence、IEEE Transactions on Systems，Man，and Cybernetics等国际重要学术期刊都