基于分布式量化信息的无线传感器网络数据融合研究

无线传感器网络是信息科学领域的一个全新发展方向，数据融合是其中一项关键支撑技术。由于能量约束和带宽限制，各节点数据需先进行量化，然后将量化数据传输给融合节点。近年来，分布式量化数据融合研究已成为国际学术界持续关注的热点问题之一。本项目针对无线传感器网络实际应用中各节点的观测噪声具有统计相关性和能量受限等情况，研究该条件下的分布式最优数据量化及其融合问题。我们将量化误差视为新观测噪声的一部分，利用稳健数据融合思想，建立对量化误差具有鲁棒性的分布式数据融合模型，其中观测噪声协方差的有界不确定性将导致对量化比特具有高度非线性的约束，进而得到一个NP-hard的优化问题。我们拟进一步探索这类复杂约束下的最优分布式量化方法和数据融合及其高效算法。本项目是涉及信息科学、数学和计算机科学的交叉研究，旨在增强数据融合对量化误差的鲁棒性，适应实时数据融合处理的需要，为无线传感器网络技术的实际应用奠定基础。

无线传感器网络是信息科学领域的一个全新发展方向，数据融合是其中一项关键支撑技术。由于无线传感器网络在实际应用（目标定位与跟踪）中面临能量约束、带宽限制及数据实时处理等多种需求，各节点数据需先进行量化，然后将量化数据传输给融合节点。本项目将量化误差视为新观测噪声的一部分，基于稳健数据融合思想，研究了能量受限情况下分布式数据量化及融合中几项基本而重要的问题。我们在不同应用条件下建立相应的对量化误差具有鲁棒性的稳健数据融合模型，通过最优化理论和方法导出最优或近似最优量化数据融合及其高效算法，并将其应用于目标定位与跟踪等实际问题。数值模拟实验表明我们的数据融合方法不仅对量化误差具有鲁棒性，还能满足实时数据融合处理的需要，为无线传感器网络技术的实际应用奠定了一定的理论基础。