多智能体系统分布式一致及应用多传感器协同估计(2)

菜单

2.3.2 一种简化的卡尔曼一致滤波算法 14

2.4 对简化KCF算法的修正 15

2.5 丢包情况下的算法修正 17

2.6 本章小结 17

第3章仿真结果与分析 18

3.1 修正前后的简化KCF算法估计误差仿真对比 19

3.2 KCF算法与简化KCF算法仿真对比 20

3.3 迭代步长对估计精度的影响仿真 21

3.3.1 迭代步长与估计误差的关系 21

3.3.2 步长改善方案 22

3.4 丢包问题仿真分析 23

3.4.1 丢包率与估计误差的关系 23

3.4.2 丢包问题改进方案 24

3.5 本章小结 25

第4章带牵制控制的一致滤波算法 25

4.1 引言 25

4.2 算法介绍 26

4.3 两种牵制策略 27

4.4 仿真与分析 28

4.4.1 改变邻接矩阵前后估计误差比较 28

4.4.2 受控节点数对估计精度的影响 29

4.4.3 特定牵制和随机牵制的性能比较 30

4.5 本章小结 31

结论 32

致谢 34

参考文献 35

第1章绪论

1.1 课题背景及意义

多智能体系统作为人工智能的一个重要分支，近年来随着计算机技术、人工智能理论、控制理论等的快速发展，已经成为多个领域中的前沿热点问题[1]。多

本思想是使用软件模拟人类的社会行为和认知，与传统的对象概念相比，多智能体系统具备更多的知识、主动性和协作性，以及较强的问题求解能力和自冶能力。一致性问题是分布式多智能体协作控制中最为基础的内容，在多智能体理论中占有重要的地位，所谓一致性问题，就是多智能体系统中的个体按照某种控制规律，通过相互的作用和影响，使得每个主体最终能够达成一致的状态[2]。对于一致性

多传感器协同估计是指把传感器网络中各个传感器所提供的数据加以协调优化组合，达到对目标精确判断的目的，其融合机制的研究经历了中心式机制、分散式机制和分布式机制三个过程[7][8][9]。其中，分布式融合算法[10]由于具有较低的计算量和传输量，较好的实时处理能力，能耗小、鲁棒性强、估计精度好等优点，正受到越来越多研究者的关注，被广泛应用于环境监测、灾害救援等各个领域。

随着复杂网络的大规模应用，作为一种网络级别的分布式融合机制，一致性算法[11]正逐渐成为控制领域的前沿研究课题，将一致性策略与信息融合技术相结合的协同估计问题已经成为当前的热点问题之一。其中，卡尔曼一致滤波算法[12]、[13]、[14]、[15]、[16]结合了一致性算法和卡尔曼滤波算法，是一种较为典型的一致性滤波算法，由于其系统构成简单、信息处理量小、估计精度高等优点，受到了广泛的关注。与此同时，由于电子制造业设备的发展，进一步降低了具有感知和计算功能传感器的制造费用，推进了该算法在实际应用中发展。