事件驱动采样长路径多源数据的快速跟踪与溯源方法研究

As the most important part of the Internet of Things (IoT), Radio Frequency Identification (RFID) tracking system based on long path multi-source data with event triggered sampling has the important applications. The traditional fusion method with recursive one by one can't get real-time estimation, while the estimation get by moving target sequence method based on searching data relationship model is not accurate enough. Research project here focus on fusion estimation theory and algorithms that can deal with long path multi-source data, meanwhile, obtain high-speed computation in accordance with the feature of the system. The main works will include 1) to study dynamic clustering method based on target motion characteristics, and describe the irregular sampling estimation problem as the estimation problem within the Bayesian framework; 2) to study the mathematical relationship of the current state and the out-of-sequence measurement caused by members in the cluster data, then get progressive fusion estimation algorithm based on Kalman filter, particle filter and MHE, etc; 3) to study data exchange mechanism of model parameters and state estimation in RFID of IoT system, and get the parallel theory and algorithms with model parameters and state estimation. Project results will fundamentally resolve the performance declination and low real-time caused by the long path multi-source data with event triggered sampling, which has an extremely important value in theoretical research and practical applications.

含有事件驱动采样长路径多源数据的物联网RFID目标跟踪系统是物联网最重要的组成部分，有着重要的应用价值。按照时间顺序逐一递推的传统融合估计方法无法保证系统跟踪与溯源的实时性，而利用数据关系模型快速查找目标移动序列、并以此序列近似地表示目标移动路线的方法精确度不高。项目研究即有效融合长路径多源数据、又可根据系统特性进行高速运算的估计理论与算法，内容包括1）研究基于目标运动特性的动态分簇方法，将不规则测量时刻的融合估计问题描述为贝叶斯框架下的估计问题；2）研究当前状态与簇中成员数据引起的测量失序数据的数学关系，得到基于Kalman滤波器、粒子滤波器及MHE算法的渐进融合估计算法；3）研究物联网RFID系统模型参数与状态估计间的数据交换机制，研究参数及状态并行估计理论与算法。成果将从根本上解决由事件驱动采样长路径数据引起的估计性能下降、实时性差的问题，在理论研究与实际应用中都具有极其重要的价值。

项目实现了实际物联网RFID目标跟踪系统中即使含有超长路径数据，仍然可以获得准确度高、实时性强的估计性能的预期研究目标。基于物联网RFID商品供应链的多传感器多目标跟踪系统为研究对象，以贝叶斯估计为理论依据，针对由事件驱动采样长路径的多源数据跟踪与溯源问题，研究了自适应过程模型、不规则采样理论以及弹簧跳采样模型等理论及方法。.项目完成的算法研究主要包括五个部分：1）基于RFID非线性跟踪算法：研究了RFID测量模型，给出了基于EKF、UKF的室内跟踪算法。2）闭环跟踪方法及算法实现：基于自适应动力学过程模型，结合Kalman滤波器，给出了能够同时进行过程模型的在线调整、根据系统模型进行状态估计的闭环跟踪方法，同时研究了保证算法收敛的关键参数上限。3）在线超长数据链压缩算法：基于弹簧跳采样模型，对超长数据链进行不规则采样，该方法进行保存数据的原始特征，又可以大幅度的压缩数据有效采样点数。4）长数据链去噪及主趋势提取算法：利用不规则采样方法、以及自适应动力学模型，进行信号去噪并且获得主要趋势，该方法已经应用于大型数据中心的容量数据处理。5）长数据链特征提取算法：对超长数据连的理解，数据特征也是非常重要的一个方面。基于贝叶斯方法，对获得主要趋势的数据提取更准确的区间特征，将长数据链进行压缩，获得对数据的更好的理解。.项目完成了预期的研究目标，在理论及应用研究中取得了创新性成果。项目的研究成果主要表现在论文、专利等方面，发表论文24篇，其中SCI收录论文5篇、EI收录论文17篇；出版1本专著；申请、授权国家发明专利共11项，获得软件著作权11项；出版专著1本。10名研究生进入研究项目，其中2名研究生已经毕业获得了硕士学位，并获得了国家奖学金。