基于因子图的无线传感器网络分布式推理方法研究

How to obtain the target information from raw data distributed in different physical regions is one of the main tasks of data fusion in wireless sensor networks. Factor graphs can model the statistical relations between the raw data and the target information, model the interactions among different physical regions, and calculate the marginal or conditional probability distribution using probability inference methods. With factor graphs and statistical inference as the main tools, distributed inference methods in wireless sensor networks will be researched in the project, considering computational complexity, convergence speed and communication cost of the methods. The cooperative localization in mobile sensor networks will be formulated as an example inference problem. The research contents are as follows: factor graph framework for the cooperative localization problem in mobile sensor networks, particle-based message passing algorithm using importance sampling, uniformly re-weighted message passing algorithm using sequential schedules of message updates, and distributed message passing algorithm using expectation propagation. With the research on the project, we will try to understand the particular role of factor graphs in data fusion of wireless sensor networks, which will be significant in designing distributed, fast, and accurate inference methods.

怎样从分布于不同物理区域的大量不确定数据中获取目标信息，是无线传感器网络数据融合的主要任务之一。因子图模型可以模拟无线传感器网络采集的不确定数据和需要的目标信息之间的关系，可以模拟不同物理区域之间的相关性，可以通过概率推理的方法计算相应的边缘概率和条件概率。本项目以移动传感器网络协作定位为应用背景，以因子图模型和统计推理为主要技术手段，从计算复杂度、收敛速度和通信代价三个角度，研究基于因子图的无线传感器网络分布式推理方法。主要包括对移动传感器网络协作定位问题构建动态因子图模型，研究基于重要性采样的粒子化消息传递算法、基于序贯更新策略的一致加权消息传递算法，以及基于期望传播的分布式消息传递算法。本项目的研究将为无线传感器网络数据融合设计分布式、快速、精确的推理方法提供理论和技术支撑。

怎样从这些分布于不同物理区域的大量不确定数据中获取尽可能精确的目标信息，是无线传感器网络所面临的主要问题之一。本项目以无线传感器网络协作定位和目标跟踪为应用背景，从计算复杂度、收敛性和网络通信开销等三个方面，研究了基于因子图的无线传感器网络分布式推理方法。首先，本项目通过在因子图模型中增加时间维，提出了一种动态因子图模型，将因子图映射到随时间变化的无线传感器网络拓扑。针对因子图模型中高维的连续随机变量和非线性、非高斯的概率分布函数导致消息传递算法的计算复杂度高的问题，本项目提出了一种基于重要性采样的序贯粒子化和积算法，将和积算法中的消息采用一组随机采样的粒子和权重来表示。针对无线传感器网络目标跟踪中的数据融合问题，本项目采用动态因子图建模，提出了一种无线传感器网络目标跟踪方法。实验结果表明新方法的计算复杂度与粒子数量呈线性关系。然后，针对无线传感器网络移动节点协作定位中数据融合算法的收敛问题，本项目采用动态因子图模型对移动节点之间距离观测的空间相关性，以及移动节点位置的时间相关性进行建模，提出了一种序贯一致加权和积算法。采用一致加权的方法将因子图中因子结点的边显现概率选取一致，并采用序贯的消息更新调度，提出按照移动节点的排序控制消息的迭代更新。实验结果表明在静态和移动传感器网络中，新方法的收敛速度优于采用并行消息更新调度的协作定位方法。最后，针对无线传感器网络移动节点协作定位中数据融合算法的通信开销问题，本项目研究提出了一种参数化变分和积算法，将移动节点位置的近似边缘后验概率采用高斯概率密度函数进行参数化表示，相邻节点之间只需传输相关的高斯参数即可实现消息的传递。实验结果表明在不影响数据融合精度的前提下，新算法的通信开销远小于粒子化消息传递算法。本项目的研究成果对无线传感器网络精确、快速的数据融合具有一定意义。