فایل ورد کامل فیلتر توزیع شده کالمن با فیلترهای consensus جاسازی شده

توجه : به همراه فایل word این محصول فایل پاورپوینت (PowerPoint) و اسلاید های آن به صورت هدیه ارائه خواهد شد

این مقاله، ترجمه شده یک مقاله مرجع و معتبر انگلیسی می باشد که به صورت بسیار عالی توسط متخصصین این رشته ترجمه شده است و به صورت فایل ورد (microsoft word) ارائه می گردد

متن داخلی مقاله بسیار عالی، پر محتوا و قابل درک می باشد و شما از استفاده ی آن بسیار لذت خواهید برد. ما عالی بودن این مقاله را تضمین می کنیم

فایل ورد این مقاله بسیار خوب تایپ شده و قابل کپی و ویرایش می باشد و تنظیمات آن نیز به صورت عالی انجام شده است؛ به همراه فایل ورد این مقاله یک فایل پاور پوینت نیز به شما ارئه خواهد شد که دارای یک قالب بسیار زیبا و تنظیمات نمایشی متعدد می باشد

توجه : در صورت مشاهده بهم ریختگی احتمالی در متون زیر ،دلیل ان کپی کردن این مطالب از داخل فایل می باشد و در فایل اصلی فایل ورد کامل فیلتر توزیع شده کالمن با فیلترهای consensus جاسازی شده،به هیچ وجه بهم ریختگی وجود ندارد

تعداد صفحات این فایل: ۲۱ صفحه

چکیده

مساله فیلتر توزیع شده ی کالمن (DKF) برای شبکه های حسگر یکی از مهم ترین مسائل برآورد توزیع شده برای همجوشی حسگرهای مقیاس پذیر می باشد. این مقاله مساله DKF را با کاهش آن به دو مساله consensus مجزا با توجه به اندازه های وزنی و ماتریس های کواریانس معکوس در نظر می گیرد. مسائل همجوشی داده ها با استفاده از یک روش توزیع شده به کمک فیلترهای پایین گذر و میان گذر حل شده اند. فیلترهای consensus الگوریتمهای توزیع شده ای هستند که محاسبات میانگین consensus و سیگنالهای متغییر زمانی را امکان پذیر می سازد. خصوصیات ثابت فیلترهای consensus در مقاله CDC ’05 مورد بحث قرار گرفته است. ما نشان می دهیم که یک فیلتر کالمن مرکزی برای شبکه های حسگر می تواند به n میکرو فیلترها کلمن با ورودی های ارائه شده توسط دو نوع فیلتر consensus تجزیه گردد. این شبکه ی میکرو فیلترهای کلمن به طور کلی قادر به ارائه یک برآورد از وضعیت فرآیند (آنچه مشاهده شده است) هستند که با برآورد بدست آمده توسط یک فیلتر مرکزی (با فرض بر اینکه تمام گره ها برابر با دو مجموع مرکزی هستند) مشابه می باشند. بعد از آن، ما نشان می دهیم که فیلتر های consensus ما می توانند این مجموع ها را برآورد کنند و یک الگوریتم فیلتر کالمن توزیع شده ی تقریبی را ارائه دهد. یک گزارش دقیق از معماری محاسبات و ارتباطات الگوریتم ارائه شده است. نتایج شبیه سازی برای یک شبکه حسگر با ۲۰۰ گره و بیش از ۱۰۰۰ لینک نیز ارائه شده است.

۶- نتیجه گیری

اهمیت فیلتر کالمن توزیع شده برای شبکه های حسگر توضیح داده شد. ما مساله DKF را با کاهش آن به دو مساله consensus پویای جداگانه از لحاظ اندازه های وزن و ماتریس های کوواریانس معکوس که می توانند به عنوان دو مساله ترکیب داده ها با ماهیت متفاوت لحاظ کردند، در نظر گرفتیم. هر دو مساله ترکیب داده ها که حل شده بودند یک روش توزیع شده با استفاده از فیلترهای consensus هستند. فیلترهای consensus ، الگوریتمهای توزیع شده ای هستند که محاسبه سیگنال های متغیر زمانی و میانگین consensus را ممکن می سازند. ما یک فیلتر consensus پایین گذر را برای همجوشی اندازه گیری ها و یک فیلتر consensus میان گذر را برای همجوشی ماتریس ها کوواریانس معکوس اجرا کردیم. توجه داشته باشید که ویژگی های پایداری فیلترهای consensus در یک مقاله همراه مورد بحث قرار گرفته است [۲۴].

عنوان انگلیسی:Distributed Kalman Filter with Embedded Consensus Filters~~en~~

Abstract

The problem of distributed Kalman filtering (DKF) for sensor networks is one of the most fundamental distributed estimation problems for scalable sensor fusion. This paper addresses the DKF problem by reducing it to two separate dynamic consensus problems in terms of weighted measurements and inverse-covariance matrices. These to data fusion problems are solved is a distributed way using lowpass and band-pass consensus filters. Consensus filters are distributed algorithms that allow calculation of average-consensus of time-varying signals. The stability properties of consensus filters is discussed in a companion CDC ’۰۵ paper [24]. We show that a central Kalman filter for sensor networks can be decomposed into n micro-Kalman filters with inputs that are provided by two types of consensus filters. This network of micro-Kalman filters collectively are capable to provide an estimate of the state of the process (under observation) that is identical to the estimate obtained by a central Kalman filter given that all nodes agree on two central sums. Later, we demonstrate that our consensus filters can approximate these sums and that gives an approximate distributed Kalman filtering algorithm. A detailed account of the computational and communication architecture of the algorithm is provided. Simulation results are presented for a sensor network with 200 nodes and more than 1000 links.

VI- CONCLUSIONS

The importance of distributed Kalman filtering (DKF) for sensor networks was discussed. We addressed the DKF problem by reducing it to two separate dynamic consensus problems in terms of weighted measurements and inversecovariance matrices that can be viewed as two data fusion problems with different natures. Both data fusion problems were solved is a distributed way using consensus filters. Consensus filters are distributed algorithms that allow calculation of average-consensus of time-varying signals. We employed a low-pass consensus filter for fusion of the measurements and a band-pass consensus filter for fusion of the inversecovariance matrices. Note that the stability properties of consensus filters is discussed in a companion paper [24].

$$en!!