分布式传感器数据库论文

2024-06-01

分布式传感器数据库论文（通用7篇）

分布式传感器数据库论文篇1

在探测系统中,单个探测传感器对目标探测与定位的性能受到自身可用资源的限制。若将多个探测传感器组成一个分布式传感器网络,则可以通过数据融合的方法对各个传感器节点的信息进行融合,提高探测精度,改善整个探测网络的探测性能。

分布式传感器网络是一个有中心的网络系统,其结构示意图如图1所示。在该系统中,传统的单个传感器作为网络中的一个节点。分布在不同位置上的传感器节点首先进行独立的探测,然后将得到的探测信息经无线信道传送到网络的融合中心。考虑到无线信道传输带宽和性能的限制,每个传感器节点向融合中心传送的不是原始探测数据,而是根据独立探测做出的本地判决(如目标的检测、位置、类别等),然后将判决结果传送到融合中心,由融合中心通过信息级数据融合做出全面的判决,从而提高整个网络的探测性能。与单节点系统相比,分布式传感器网络系统的覆盖范围、探测与定位性能可以得到显著提高[1,2]。

有效的数据融合算法是决定探测信息融合性能提高的重要因素。目前,在分布式传感器网络的数据融合算法研究中,检测信息融合算法和多传感器跟踪信息融合算法得到大量研究[3,4,5,6,7,8]。文献[3,4]研究运用数据融合的方法来提高二元检测的精度。文献[7]在主被动雷达双传感器目标跟踪背景下,提出一种自适应数据融合算法,将融合精度与计算量作为评估算法优劣的标准。文献[8]提出了一种在线调整权值的多传感器自适应滤波数据融合跟踪算法,应用信息相关自适应滤波算法和模糊推理在线调整各传感器权值,得到最优估计。

本文提出了一种用于目标定位的数据融合算法,该算法通过对单节点的定位信息的加权来进行数据融合,提高网络系统的定位精度。融合算法采用两级自适应权值调整来确定最佳权值因子,首先利用线性最小方差估计(LMSE)算法进行第一级权系数调整,形成最优估计增益矩阵,然后将LMSE的增益矩阵作为第二级递归最小平方(RLS)自适应算法的初始权值,借助于融合结果的均方误差,自适应地调整各传感器权值,最终得到在两级自适应调整下的最优权值估计。仿真结果表明,与单节点的定位和LMSE一级权系数调整融合定位算法相比,两级权系数调整融合算法定位精度有很大提高,定位误差减小。

1 基于数据融合的目标定位系统模型

假设分布式传感器网络由N个传感器节点和一个融合中心组成,用来确定目标S的位置d = [x, y, z],假设在探测期间,目标处于准静态状态,即其位置变化相对较小。传感器节点P1,P2,...,PN按照网络的拓扑结构部署在监视区域内,假设传感器节点之间相互独立,第i个节点对目标S的定位数据为Li;i = 1,…,N,且是真值d的无偏估计。其方差为σ $_{i}^{2}$ ,它与定位数据的离散度成正比,表征第i个节点的定位精度。假设各个传感器节点的位置相对于融合中心节点O固定,且是已知的;其坐标在以O为原点的坐标系中的分别为(x1,y1,z1),(x2,y2,z2),…,(xN,yN,zN)。假设所有的传感器节点具有相同的探测半径,整个模型结构如图2所示。

图2中,P1,P2,P3为传感器节点,O为融合中心,S为目标节点,Q为位置已知的训练节点。假设节点Xi对目标节点S的位置进行探测,在自己的坐标系中得到的目标坐标为(xi,yi,zi);i = 1,…, N,即

各节点将式(1)表示的目标定位信息发送到融合中心,融合中心首先对这些数据进行时间同步、空间坐标对准、量纲对准、滤波、去野值等预处理后,得到X、Y、Z轴方向上的观测值分别为

我们采用加权平均法来对各节点数据进行融合。下面以X轴方向的数据融合为例说明数据融合的过程。设融合后目标S的位置估计值为 $\hat{d} = (\hat{X}, \hat{Y}, \hat{Ζ})$ ,则在X轴方向上位置估计值 $\hat{X}$ 是各传感器观测值的线性组合,即

$\hat{X} = \sum_{j = 1}^{Ν} w_{j} x_{j} = W_{X}^{Τ} X (3)$

式(3)中,wj是第j个传感器数据的权值,xj表示来自第j个传感器的观测值。WX=[w1w2 ... wN]T为权值向量,X=[x1x2 ... xN]T为各个传感器的观测值向量。

用AT表示矩阵A的转置,A-1表示矩阵A的逆,A+表示矩阵A的广义逆,A1/2表示矩阵A的平方根矩阵。

权值对融合结果有着决定性的影响。权值取值合理,融合结果理想;反之,则对系统的精度和可靠性提高不大,甚至会偏离真值。因此,融合算法的重点在于权值的选取与调整。

2 定位数据融合算法

定位加权融合算法对权系数的调整分为两步,首先基于线性最小方差估计(LMSE)计算求得权系数的初值,然后采用递归最小二乘算法(RLS)进行自适应权值调整,以达到最佳。定位融合算法的实现过程如图3所示。

在数据融合时,首先利用LMSE算法对各传感器观测数据进行加权融合,形成一级权系数矩阵,其基本思想是在总均方误差最小的条件下,根据各传感器得到的观测数据,寻找各数据矩阵的最优加权因子,使融合后的目标观测值达到最优。然后将LMSE的权系数矩阵作为RLS自适应算法的初始权值,观测融合结果的误差变化,自适应地调整各传感器数据的权值,得到二级权系数矩阵,最终系统输出即为在两级自适应调整融合下达到的最优位置估计值。下面分别介绍两级权系数的调整算法。

2.1 一级权系数矩阵的计算

按照文献[10],由式(3)确定的X的最优位置估计 $\hat{X}$ 存在且唯一,表示为

$\hat{X} = \sum_{i = 1}^{Ν} [\frac{\frac{1}{σ_{i}^{2}}}{\sum_{i = 1}^{Ν} \frac{1}{σ_{i}^{2}}}] x_{i} (4)$

且最优位置估计的均方误差为

$Μ S E [\hat{X}] = [\sum_{i = 1}^{Ν} \frac{1}{σ_{i}^{2}}]^{- 1} (5)$

式(5)中,σ $_{i}^{2}$ ;i=1,2,...,N为各个传感器定位精度,可由递推的方法计算得到[8]。

对N个精度分别为σi;i=1,2,...,N的观测数据进行加权融合后其精度表示为

$\begin{array}{l} Μ S E [\hat{X}] = [\sum_{i = 1}^{Ν} \frac{1}{σ_{i}^{2}}]^{- 1} = \\ [\frac{1}{σ_{\max}^{2}} + \frac{1}{σ_{\min}^{2}} + \sum_{i = 1}^{Ν - 2} \frac{1}{σ_{i}^{2}}]^{- 1} < \\ [\frac{1}{σ_{\min}^{2}} + \sum_{i = 1}^{Ν - 2} \frac{1}{σ_{i}^{2}}]^{- 1} < σ_{\min}^{2} (6) \end{array}$

式(6)中,σ $_{\max}^{2}$ ,σ $_{\min}^{2}$ 分别表示σ $_{i}^{2}$ 的最大值和最小值,i=1,…,N。由式(6)可知,融合后的误差小于任何一个传感器误差,融合精度提高。

在实际应用中,由于传感器自身性能及周围环境,噪声等影响,定位必然存在误差,可以假设多传感器定位数据融合模型如下:

$X = Η d_{x} + v (7)$

式(7)中,X为目标位置观测数据;dx为待估计目标的实际位置;H为观测数据与被估计目标实际位置的映射矩阵;v为观测误差,设vi～N(0,σ $_{i}^{2}$ );i=1,2,...,N,即vi服从均值为0方差为σ $_{i}^{2}$ 的高斯分布,cov(v)=P为误差协方差阵。根据线性最小方差估计(LMSE)准则可得到待估计目标的位置 $\hat{X}_{L Μ S E}$ 。

$\begin{array}{l} \hat{X}_{L Μ S E} = \arg \min_{\hat{X} = α + B Y} Μ S E [\hat{X}] = \\ \arg \min_{\hat{X} = α + B Y} E [(X - \hat{X}) (X - \hat{X})^{Τ}] (8) \end{array}$

对于式(7),其最优LMSE存在且唯一,其表示形式如下[10]:

式(9)中,T=I-HH+,当且仅当[H,P1/2]行满秩时,最优权系数阵WXLMSE由式(10)唯一确定。

式(10)中,T1/2是T=I-HH+的行满秩平方根矩阵,P1/2是P的平方根矩阵;否则,若[H,P1/2]不是行满秩,则WXLMSE=WXLMSE+θT,其中θ是具有适当维数且满足(P1/2)TTθ=0的任意阵;当且仅当P非奇异时,有WXLMSE=RHTP-1。

利用训练节点来生成最佳权系数矩阵WX,之后利用式(3)就可得到目标最佳估计位置。设训练节点Q在融合中心坐标系的坐标为dk=(xk,yk,zk),利用N个传感器对训练节点Q进行M次探测,探测得到的X轴方向的观测数据为

$\begin{array}{l} L_{x} = [\begin{matrix} \begin{matrix} x_{11} \\ x_{21} \\ ⋮ \\ x_{Μ 1} \end{matrix} & \begin{matrix} x_{12} \\ x_{22} \\ ⋮ \\ x_{Μ 2} \end{matrix} & \begin{matrix} . . \\ . . \\ ⋱ \\ . . . \end{matrix} & \begin{matrix} x_{1 Ν} \\ x_{2 Ν} \\ ⋮ \\ x_{Μ Ν} \end{matrix} \end{matrix}]^{Τ} = \\ [\begin{matrix} X_{1} & . . . & X_{k} & . . . & X_{Μ} \end{matrix}] (11) \end{array}$

式(11)中, $X_{k} = [\begin{matrix} x_{k 1} & \dots & x_{k Ν} \end{matrix}]^{Τ}$ ,k=1,2,…,M。利用文献[8]方法计算得到σ $_{i}^{2}$ ;i=1,2,...,N,代入式(7)可以得到其映射矩阵H和误差协方差阵P,由式(9)就可以得到一级权系数矩阵WXLMSE。

2.2 二级权系数矩阵的自适应调整

由于训练节点有限,由此确定的各传感器精度有所偏差,一级权系数调整得到的误差较大。为此,我们在一级权系数的基础上进行二级自适应调整,以提高定位精度。二级权系数的自适应调整采用递归最小二乘(RLS)算法,其基本思路是将一级权系数矩阵WXLMSE作为初始权值,对融合函数的权系数用RLS算法进行递推调整。得到最佳权系数矩阵WXRLS。

选取式(11)中的第k次观测数据 $X_{k} = [\begin{matrix} x_{1 k} & \dots & x_{Ν k} \end{matrix}]^{Τ}$ ,定义

$R_{k}^{- 1} = \frac{1}{λ} [S_{D} (k - 1) - \frac{S_{D} (k - 1) X_{k} X_{k}^{Τ} S_{D} (k - 1)}{λ + X_{k}^{Τ} S_{D} (k - 1) X_{k}}] (12)$

式(12)中,λ为遗忘因子,且0≤λ≤1,SD(0)=δI,δ为小的正实数,I为N阶单位阵。RLS算法的递推过程可以表示为

$W_{k} = W_{k - 1} + e_{k} R_{k}^{- 1} X_{k} (13)$

式(13)中 ,ek=dk-XTkWk-1 ,取初次迭代时的权系数W0=WXLMSE,经过M次迭代后,得到权值

$W_{X R L S} = W_{k} = [\begin{matrix} w_{1} & w_{2} & . . . & w_{Ν} \end{matrix}] (14)$

利用融合函数式(3)可以得到目标X轴位置最佳估计 $\hat{X}$ 。同理,可得到目标S的其他两坐标 $\hat{Y}, \hat{Ζ}$ 。

由目标估计位置 $\hat{d} = (\hat{X}, \hat{Y}, \hat{Ζ})$ 还可得到其在球坐标系下的位置

${\begin{cases} d = \sqrt{\hat{X}^{2} + \hat{Y}^{2} + \hat{Ζ}^{2}} \\ β = \arctan \frac{\hat{X}}{\hat{Y}} \\ σ = \arctan \frac{\hat{Ζ}}{\sqrt{\hat{X}^{2} + \hat{Y}^{2}}} \end{cases} (15)$

这样就可以准确估计出目标点S的方位(距离及夹角),实现对目标S的准确定位。

3 仿真分析

设传感器网络由8个传感器节点(N=8)和一个融合中心组成,传感器节点位置相对于融合中心固定,按照一定的网络拓扑结构分布在1 000×1 000的平面内,仿真时,各传感器探测精度取为[1,5]之间的随机数。

3.1 二级权系数的学习曲线

我们提出的数据融合算法采用两级权系数调整,一级权系数由式(9)计算而得,二级权系数利用RLS算法自适应调整,二级权系数收敛的程度与快慢将决定算法的实用性。为此,我们首先对二级权系数的收敛性能进行仿真。下面以X轴方向为例给出二级权系数自适应调整算法的性能仿真,仿真时,训练节点在X轴上的坐标为390,遗忘因子为λ = 0.99,训练观测次数为M=100。

图4为X轴方向的二级权系数自适应调整的学习曲线。由图4可以看出,迭代到2次时,定位均方误差(MSE)达到10-4量级;迭代到4次的时候,定位均方误差达到10-6量级;由此可见,二级权系数调整算法有很快的收敛速度,原因是一级权系数已经接近最优,二级只需做很小的调整,所以收敛很快。

3.2 目标定位的性能

我们对目标定位的数据融合算法进行了性能仿真,并与单节点定位的性能进行比较。首先假设目标处于准静态状态。仿真时, 单节点的定位坐标按照方差(即定位精度)为2.25在1 000×1 000的平面内随机产生,仿真结果如表1所示。表1中同时给出了单节点定位、只采用一级权系数调整的数据融合算法及采用两级权系数调整的数据融合算法的定位性能。由表1可见,按照式(9)进行的LMSE数据融合算法的定位精度为1.16,采用两级权系数调整的融合算法定位精度为0.40。相比单节点定位,采用两级权系数调整的融合算法的定位精度有约一个数量级的提高。

图5为对训练节点定位时的MSE,可以看出单节点定位的MSE约为101级,采用LMSE一级权系数调整定位后融合算法的MSE为10-1级,采用RLS两级权系数调整后定位融合算法的MSE为10-3级,比单节点定位的MSE有约4个数量级的下降。

图6为对目标定位时采用两级权系数调整的融合算法与单节点定位、采用一级LMSE权系数调整的定位融合算法的MSE的比较,单节点定位的MSE为101级,LMSE一级权系数调整融合定位算法MSE为100级,RLS两级权系数调整数据融合定位MSE为10-1。比较图5、图6可以看出,虽然对目标定位时,融合算法的定位MSE有所上升,但仍比单节点的MSE有约两个数量级的下降。

我们还对运动中的目标的定位性能进行了仿真,假设目标沿着直线y=0.5x+20做二维运动,仿真定位估计及精度结果如表2所示。由表2可见,对于运动中目标的定位,单节点定位精度为2.03,采用两级权系数调整的融合算法定位精度为0.50,其定位精度有约一个数量级的提高。

图7为对沿着直线y=0.5x+20运动的目标进行定位时,单节点定位以及采用数据融合定位的结果。由图7可见,经数据融合后的定位误差明显地小于单节点的定位误差,且有更高的定位精度。

4 总结

本文对分布式传感器网络中的定位数据融合算法进行了研究,提出了基于线性最小方差估计(LMSE)和递归最小二乘(RLS) 的自适应融合算法。仿真结果表明,相比单节点定位,本文提出的数据融合算法可以显著地改善定位精度,减小定位误差。

参考文献

[1]Liu Chong,Wu Kui,He Tian.Sensor localization with ring overlapping based on comparison of received signal strength indicator mobile Ad-hoc and sensor systems.IEEE International Conference on Digital Object Identifier,2004:516—518

[2]Seovv C K,Seah W K G,Liu Z.Hybrid mobile wireless sensor network cooperative localization.IEEE22nd International Symposium on Digital Object Identifier,2007:29—34

[3]Haimovich A M,Blum R S,Cimini L J.MIMO radar with widely separated antennas.IEEE Signal Processing Magazine,2008;25(1):116—129

[4]He Q,Lehmann N H,Blum R S,et al.MIMO radar moving target detection in homogeneous homogeneous clutter.IEEE Transactions on Aerospace and Electronic Systems,2010;46(3):1290—1301

[5]Wang Tsangyi,Yu Chaotang,Tai Chihhao.Distributed sampling design and data fusion for signal detection in cluster-based sensor networks.IEEE,Anchorage,AK,2009:1—5

[6]Foelster F,Schmidt J,Froehlich D,et al.Data fusion strategies in advanced driver assistance systems.SAE International Journal of Passenger Cars-Electronic and Electrical Systems,Detroit,2010:176—182

[7]Hu Shiqiang,Jing Zhongliang,Hu Hongtao.A robust fusion algorithm based on multi-sensor tracking.Journal of Shanghai Jiaotong University,2005;39(4):509—512

[8]高嵩,潘泉,肖秦琨,等.多传感器自适应滤波融合算法.电子与信息学报,2008;30(8):1901—1904

[9]Ou Chiaho.Range-free node localization for mobile wireless sensor networks.3rd International Symposium on Wireless Pervasive Computing,Santorini,Greece.USA:IEEE Computer Society,2008:535—539

[10]Yi Shang,Ruml W.Improved mds-based localization.Proceedings of23rd Annual Joint Conference of the IEEE Computer and Communications Societies,2004:2640—2651

[11]Guerriero M,Svensson L,Willett P.Bayesian data fusion for distributed target detection in sensor networks.IEEE Transactions on Signal Processing,2010;58(6):3417—3421

[12]Li Li,Fan Bai.Analysis of data fusion in wireless sensor networks.IEEE International Conference on Electronics,Communications and Control,Ningbo,2011:2547—2549

分布式传感器数据库论文篇2

为了最小化损失, 在一个大的地理区域 (如森林) 内的多个不同地方的事件的探测需要尽早地追踪。我们想到了一个能够监视一片广阔的分布式地理区域的分布式WSN。传感器节点使用限定的结构进行部署, 部署的传感器的数量取决于事件发生的可能性。例如, 一个大的森林包括一些岩石的组合, 这些岩石分散在森林中的一大片区域, 很多高大的树木集中在被称作亚区或亚森林的一个特定区域, 在这种情况下, 便没有必要在森林中的岩石区部署传感器。因此, 事件发生可能性越大的地方传感器的密度也就越大。

图1展示了一个分布式WSN。每个亚森林区包括一个重要的Sink节点和一个次要的Sink节点, 如果主Sink节点失去功效则次Sink节点可以代替它, 整个系统还可以正常运行。在图1中只展示了一个可以和属于其它亚区域或亚森林的主Sink节点共享信息的Sink节点, 这些Sink节点是首尾节点, 他们之间可以通过直接连接进行通信, 例如他们之间的一次跳跃通信。来自亚森林的任何一个sink节点充当着头sink节点, 头sink节点可以查询来自不同亚森林的另外sink节点的信息。头部可以存储信息并追踪多个亚区的时间, 它也发出较早的探测和在WSN中事件发生地点的警报信息。

2 系统模型

我们想出了一个包含N个传感器节点的WSN, 在监测区域的这些传感器节点被有结构的进行部署, 来给网络编码创造机会。这N个传感器节点周期性的感知温度并将数据传送给sink节点。根据功能, WSN中的传感器节点被分为三种, 叶节点主要被用来感知并传送信息;集合节点主要用来聚集使用网络编码收到的信息并传送它;有一些转播节点向sink节点转播信息。

3 假设

为了应用可以提高分布式WSN性能的网络编码技术, 提出了下列假设。

每个节点被放置在彼此距离大约相同距离处。

节点按照2D平面进行放置;考虑到传感器部署平面不统一。

N是传感器节点的数量, S是Sink节点的数量。N和S的值取决于森林的深度。S取决于在一个地理区域内森林分成了多少块, 对于一个大森林来说N值很大。

在部署传感器的时候, 每个传感器节点分配了一个唯一的ID。

Sink节点维持了一个表格, 其中每行包含一个ID和一组坐标。在WSN中sink节点使用这张表来定位和追踪森林火灾。

所有传播都包含源ID和sink节点ID, 这种传播方式成为多播。

e1和e2是集合节点收到的两个信息, f是一个用来计算这两个数值间主要区别的二项式, 并且返回yes或no。如果e1和e2相差不超过γ, 函数f返回false, 否则返回true。两数之差的绝对值用d表示:d=e1~e2。

f:{0 if d<γ, 1 otherwise}

4 无线传感器节点和sink节点的规则

在网络中传感器节点的作用广义上包括感知、聚集和转播。传感器节点的功能是由制定预部署策略的部署者所决定的。集合节点是比叶传感器节点更强大的节点。sink节点是具有更高的带宽, 更强大的处理能力和存储能力的末端节点。

在网络中, 叶节点用来感知和传播。它存储先前传播的数据, 如果现在感知的数据 (温度) 和先前传送的数据差别较大, 新感知的数据就会像图2所示传送给聚合节点。这样通过避免不必要的数据传输节省了很多能量。

聚合节点的作用是作为网络编码节点, 这些节点运行启发式算法来限制大量信息流并实现节省网络带宽的网络编码。聚合节点使用f函数来决定是否应用网络编码。

5 部署策略和拓扑结构

部署策略是2D的。如图2所示, WSN是递归构建的。图3展示了一个更一般化的框架。图2中, 节点1和节点3是sink节点, 一个sink节点是主sink节点, 另一个sink节点是从sink节点, 但是他们在WSN中有同样的作用, 如图所示, 节点1和节点3从大量的传感器节点中获取大量的数据。拓扑结构最初由节点1、2、3、4、8、19、12和16组成。这称作初始级别L0, L0包括8个节点。现在拓扑结构递归构建级别L1、L2、L3…LP。L1包含8个叶传感器节点和4个聚合节点, 其中节点5、10、13和18是聚合节点, 节点6、7、9、11、14、15、17和20是叶传感器节点。级别L1包含 (r+q) 个节点, 其中r表示叶传感器节点的数量, q是级别L1中添加的聚合传感器节点的数量。此外, 拓扑结构进行递归构建, 则级别L2包含2 (r+q) 个节点, 随着WSN中级别的增加这个过程会继续添加新的传感器节点。提出的这个结构是可以升级的, 并且随着级别的提高, 它可以容纳更多的传感器节点。

6 结论

在这篇论文中我们展示了一个健壮的可知网络编码数据聚合方法。这种方法将通过减少网络中传输的信息数量来提高网络的性能, 它还为来自多个传感节点到sink节点的多对多网络流提供保护来防止连接失败, 我们提出的方法的效率已经在地理应用即野外火灾探测的帮助下得到论证。这种递归的部署策略是可升级的, 并可应用在一个大的分布式无线传感器网络中。

摘要：无线传感器网络 (WSNs) 被广泛的部署用来监视像适度、温度和土壤肥沃度等信息。当传感器节点采集到数据并且将数据传到网络时, 网络的流量增加并且可能造成可导致广播风暴问题的堵塞。阐述了最优化数据集合和减少WSN内传播信息的数量的网络编码。一个可知编码部署策略通过在传感器节点集合中创造网络编码机会表现出来。我们的部署策略可产生一个支持多对多网络流的拓扑结构。它同时也提供了在网络中防止出现多个错误的保护。此外, 我们提出了一种可以限制不必要传播的启发。

关键词：分布式WSN,数据集合,网络编码

参考文献

[1]Y.Wu, P.A.Chou, Q.Zhang, K.Jain, W.Zhu, and S.-Y.Kung."Network planning in wireless ad hoc networks:a cross-layer approach".IEEEJSAC special issue on wireless ad hoc networks, 23 (1) :136-150, 2005.

分布式传感器数据库论文篇3

含未知输入、干扰或偏差的随机系统的状态估计问题广泛出现在控制、通信、信号处理和故障诊断中。对带有系统偏差系统的估计问题,文献[1,2]在假设噪声独立的条件下,设计了含未知输入系统的状态滤波器,所提出的状态滤波器不依赖未知输入。文献[3,4]给出了系统和传感器都带有未知输入情况下的状态估计方法。但现有文献多为基于单传感器进行研究。当有多个传感器对系统进行观测时,我们可以将所有的观测方程合并成一个观测方程,然后采用集中式滤波方法进行处理,但是这种集中式方法将会给融合中心带来较大的计算负担,实时性较差,且不具有容错性。由于分布式滤波器具有并行结构,易于故障的检测与分离,且具有可靠性等特点,近几年已得到了广泛而深入的研究。1990年,Carlson[5]提出了著名的联邦Kalman滤波器,但假设任两传感器的初始局部估计误差不相关。1994年,Kim[6]提出了考虑局部估计误差相关情形的极大似然最优信息融合准则。但假设局部估计误差服从联合正态分布。Li[7]等基于统一的线性模型对集中式、分布式和混合式估计,给出了统一的加权最小二乘和最好线性无偏估计准则。文献[8]在线性最小方差意义下提出了通用的矩阵加权、对角矩阵加权和标量加权三种融合算法。并应用到了状态、白噪声和广义系统的分布式估计中[9,10,11]。其中矩阵加权融合算法与文献[6]的极大似然融合算法以及文献[7]的分布式最好线性无偏估计,除不同的准则和推导方法外具有相同的结果。文献[12,13,14]分别应用文献[8]的加权融合算法处理了多传感器分离常偏差和随机偏差的分布式融合估计问题。

以往对含未知输入的系统,最普遍采用的方法一般是把未知输入看成是常偏差或随机过程[12,13,14]。然而,当这些假设不正确时,将会严重影响到滤波器的性能。本文针对传感器含未知输入的带多传感器的随机系统,在没有未知输入的任何先验信息的情况下,考虑了噪声之间的相关性,对每个单传感器子系统提出了线性最小方差状态滤波器。对带有多个传感器的系统,推导了任两个局部估计的滤波误差互协方差阵。进而,基于通用的线性最小方差加权融合算法[8],给出了标量加权分布式融合滤波器。由于所给出的分布式状态滤波器具有并行结构,因而它具有较好的可靠性[11]。

1 问题阐述

考虑带多个传感器的系统

x(t+1)=Φ(t)x(t)+Γ(t)w(t) (1)

yi(t)=Hi(t)x(t)+Di(t)θi(t)+vi(t),i=1,2,…,L (2)

其中状态x(t)∈Rn,观测yi(t)∈Rmi,且Φ(t)∈Rn×n,Γ(t)∈Rn×r,Hi(t)∈Rmi×n,Di(t)∈Rmi×pi是时变矩阵,θi(t)∈Rpi为未知输入,下标i表示第i个传感器,L表示传感器的个数。

假设1w(t)∈Rr和vi(t)∈Rmi,i=1,2,…,L是零均值的相关白噪声,即

(3)式中Rii(t)=Ri(t),E为均值号,T为转置号,δtk是Kronecker delta函数。

假设2 初始状态x(0)独立于w(t)和vi(t),i=1,2,…,L,且均值为μ0,方差为P0。

假设3 rank[Di(t)]=pi,pi≤n,pi≤mi,i=1,2,…,L。

我们的目的是:基于每个传感器的观测(yi(t),…,yi(1)),i=1,2,…,L,设计如下形式的局部滤波器:

$\hat{x}_{i} (t + 1) = F_{i} (t) \hat{x}_{i} (t) + L_{i} (t + 1) y_{i} (t + 1)$ (4)

(4)式中滤波增益Li(t+1)为n×mi矩阵。然后,推导任两个局部估计之间的互协方差阵Pij(t),基于所获得的局部估计 $\hat{x}$ i(t),i=1,2,…,L和协方差阵Pij(t),i,j=1,2,…,L,应用线性最小方差最优标量加权信息融合估计算法[8],给出分布式最优标量加权信息融合滤波器 $\hat{x}$ $_{o}^{}$ (t),它将满足:

(a) 无偏性,即 $E [\hat{x}_{o}^{} (t)] = E [x (t)]$ 。

(b) 最优性,即极小化融合滤波误差方差阵的迹,trPo(t)=min{trP(t)},其中P(t)为任意标量加权信息融合滤波器的滤波误差方差阵,Po(t)为最优标量加权信息融合滤波器的滤波误差方差阵。

2 局部单传感器滤波器

定理1 在假设1—3下,带多传感器系统(1)式和(2)式基于每个传感器有局部状态滤波器(4)式,其中增益阵Fi(t)和Li(t+1)计算如下:

Fi(t)=Φ(t)-Li(t+1)Hi(t+1)Φ(t) (5)

$\begin{array}{l} L_{i} (t + 1) = [\bar{Ρ}_{i} (t + 1) Η_{i}^{Τ} (t + 1) + \\ Λ_{i} (t) D_{i}^{Τ} (t + 1)] C_{i}^{- 1} (t + 1) (6) \end{array}$

$C_{i} (t + 1) = Η_{i} (t + 1) \bar{Ρ}_{i} (t + 1) Η_{i}^{Τ} (t + 1) + R_{i} (t + 1)$ (8)

且滤波误差方差阵Pi(t+1)计算如下:

$\begin{array}{l} Ρ_{i} (t + 1) = [Ι_{n} - L_{i} (t + 1) Η_{i} (t + 1)] \bar{Ρ}_{i} (t + 1) [Ι_{n} - \\ L_{i} (t + 1) Η_{i} (t + 1)]^{Τ} + L_{i} (t + 1) R_{i} (t + 1) L_{i}^{Τ} (t + 1) (10) \end{array}$

证明考虑第i个传感器的局部状态滤波器(4)式,令估计误差 $\tilde{x}_{i} (t) = x (t) - \hat{x}_{i} (t)$ ,则由(1)式,(2)式和(4)式有滤波误差方程为

$\tilde{x}_{i} (t + 1) = Φ (t) x (t) + Γ (t) w (t) - F_{i} (t) \hat{x}_{i} (t) - L_{i} (t + 1) [Η_{i} (t + 1) x (t + 1) + D_{i} (t + 1) θ_{i} (t + 1) + v_{i} (t + 1)] = [Φ (t) - F_{i} (t) - L_{i} (t + 1) Η_{i} (t + 1) Φ (t)] x (t) + F_{i} (t) \tilde{x}_{i} (t) + Γ (t) w (t) - L_{i} (t + 1) Η_{i} (t + 1) Γ (t) w (t) - L_{i} (t + 1) D_{i} (t + 1) θ_{i} (t + 1) - L_{i} (t + 1) v_{i} (t + 1) (11)$

为了保证无偏性,必须要求 $\tilde{x} (0) = 0$ ,并且

Fi(t)=Φ(t)-Li(t+1)Hi(t+1)Φ(t) (12)

Li(t+1)Di(t+1)=0 (13)

由假设3可知方程(13)有解。把(12)式和(13)式代入(11)式,则误差方程(11)变为如下形式

由误差方程(14)可以得到滤波误差方差阵为

$Ρ_{i} (t + 1) = E [\tilde{x}_{i} (t + 1) \tilde{x}_{i}^{Τ} (t + 1)] =$

(15)式中 $\bar{Ρ}_{i} (t + 1) = E {[Φ (t) \tilde{x}_{i} (t) + Γ (t) w (t)] [Φ (t) \tilde{x}_{i} (t) + Γ (t) w (t)]^{Τ}}$ 由(9)式计算。

为了在约束条件(13)式下极小化估计误差方差(15)式,我们引进如下辅助函数

Ji(t)=tr[Pi(t+1)]+2tr[Li(t+1)Di(t+1)ΛTi(t)] (16)

令 $\frac{\partial J_{i} (t)}{\partial L_{i}^{Τ} (t + 1)} = 0$ ,得

$\begin{array}{l} C_{i} (t + 1) L_{i}^{Τ} (t + 1) + D_{i} (t + 1) Λ_{i}^{Τ} (t) = \\ Η_{i} (t + 1) \bar{Ρ}_{i} (t + 1) (17) \end{array}$

(17)式中Ci(t+1)由(8)式计算。由(13)式和(17)式可构成如下矩阵方程

$\begin{array}{l} [\begin{matrix} C_{i} (t + 1) & D_{i} (t + 1) \\ D_{i}^{Τ} (t + 1) & 0 \end{matrix}] [\begin{matrix} L_{i}^{Τ} (t + 1) \\ Λ_{i}^{Τ} (t) \end{matrix}] = \\ [\begin{matrix} Η_{i} (t + 1) \bar{Ρ}_{i} (t + 1) \\ 0 \end{matrix}] (18) \end{array}$

由假设1和假设3,易知矩阵方程(18)式左边的系数矩阵是可逆的。由矩阵求逆公式,可求得(6)式和(7)式。证毕。

到目前为止,我们已求得了传感器带未知输入和相关噪声多传感器离散随机线性系统的局部滤波器 $\hat{x}$ i(t)及其方差阵Pi(t),i=1,2,…,L。为了应用多传感器线性最小方差标量加权融合算法求得融合估计,我们还需要求得任两个局部估计之间的互协方差阵。下面的定理2给出了这个结果。

定理2 在假设1—3下,带多传感器系统(1)式和(2)式的第i与第j局部估计之间的滤波误差互协方差阵可如下递推计算:

Pij(t+1)=[In-Li(t+1)Hi(t+1)]×[Φ(t)Pij(t)ΦT(t)-Γ(t)Sj(t)LTj(t)ΦT(t)-Φ(t)Li(t)STi(t)ΓT(t)+Γ(t)Qw(t)ΓT(t)]×[In-Lj(t+1)Hj(t+1)]T+Li(t+1)Rij(t+1)LTj(t+1) (19)

(19)式中Pij(t),i,j=1,…,L;i≠j为第i个与第j个传感器子系统的局部滤波误差互协方差阵,且初值Pij(0)=P0。

证明由(14)式有第i个传感器与第j个传感器子系统的局部滤波误差互协方差阵为

又由(14)式,我们有

$\begin{array}{l} E [\tilde{x}_{i} (t) w^{Τ} (t)] = - L_{i} (t) E [v_{i} (t) w^{Τ} (t)] = \\ - L_{i} (t) S_{i}^{Τ} (t) (21) \end{array}$

同理,有

$E [w (t) \tilde{x}_{j}^{Τ} (t)] = - S_{j} (t) L_{j}^{Τ} (t)$ (22)

将(21)式和(22)式代入(20)式可得(19)式。证毕。

3 最优融合滤波器

基于以上定理1计算的局部估计和定理2计算的互协方差阵,应用最优标量加权信息融合估计算法[8,9],可获得系统(1)式和(2)式的分布式标量加权最优信息融合滤波器如下:

$\hat{x}_{o} (t) = \sum_{i = 1}^{L} a_{i} (t) \hat{x}_{i} (t)$ (23)

最优融合系数计算为

$a (t) = \frac{Σ^{- 1} (t) e}{e^{Τ} Σ^{- 1} (t) e}$ (24)

(24)式中L×L的矩阵Σ(t)=(trPij(t))L×L,i,j=1,2,…,L, $a (t) = [a_{1} (t), a_{2} (t), \dots, a_{L} (t)]^{Τ}$ 和e=[1,1,…,1]T均为L维列向量。相应的最优信息融合估计误差方差阵为

$Ρ_{o} (t) = \sum_{i, j = 1}^{L} a_{i} (t) a_{j} (t) Ρ_{i j} (t)$ (25)

且有结论trPo(t)≤trPi(t),i=1,2,…,L。

4 仿真实例

考虑传感器含未知输入的带三个传感器的离散随机线性系统(1)式—(2)式,各变量如部分1定义,其中观测噪声vi(t)与过程噪声w(t)相关,且满足:

vi(t)=αiw(t)+ξi(t),i=1,2,3 (26)

ξi(t)是带零均值、方差为Qξi,i=1,2,3的高斯白噪声,αi,i=1,2,3为相关系数。求分布式最优标量加权信息融合状态估计 $\hat{x}$ o(t)。

在仿真中取

图1—图3是基于每个传感器的局部滤波器 $\hat{x}$ i(t),图4为标量加权分布式融合滤波器 $\hat{x}$ o(t)。其中(a)为第一个状态分量的滤波,(b)为第二个状态分量的滤波,其中实线为真值,虚线为估值。图5为局部滤波器与标量加权分布式融合估计的误差方差比较,其中实线为分布式融合滤波的方差,虚线为各局部单传感器滤波的方差。由图1—图5可见每个分量的分布式标量加权融合估计比各局部估计具有更高的精度。

5 结论

在实践中,系统模型往往是不精确的,而具有已知的或未知的系统或传感器偏差。本文针对传感器含未知输入的带相关噪声的离散随机线性系统,在不知道未知输入的任何先验信息的情况下,给出了独立于未知输入的无偏状态滤波器。当系统带有多个传感器时,推导了任两个局部估计之间的估计误差互协方差阵的计算公式。进而基于线性最小方差标量加权融合估计算法,给出了分布式标量加权融合滤波器。

分布式传感器数据库论文篇4

1 基于模糊控制系统因数集与隶属度模糊控制函数描述

为提高算法的有效性, 可把影响航迹关联的因素分为两大类:一类是为模糊控制系统因素, 如目标位置间, 航速间和航向间的欧氏距离等;另一类是不可模糊控制系统的因数。

1.1 基于模糊控制系统因素集描述

设模糊控制系统因素集为U=u1, u2, …, uk, …, un其中uk表示对判决起作用的第k个模糊控制系统因素。模糊控制系统因素集通常分为三类:第一类集包括两目标位置间, 航速间, 航向间, 加速度和航向变化率之间的欧氏距离和多层无线传感器对机动反应快慢等模糊控制系统因素;第二类集包括两目标的航迹的X轴和Y轴方向上的位置, 速度和加速度之间的欧氏距离及航向, 航向变化率之间的欧氏距离等模糊控制系统因素;第三类集包括两目标X, Y, Z轴方向上的位置, 速度, 加速度, 方向余弦角及余弦角变化率之间的欧氏距离等模糊控制系统因素。对于上述因素集的权分配为U上的模糊控制系统集A=a1, a2, …, ak, …, an, 式中ak为第k个因素uk所对应的权, 一般规定的选择需要根据第k个因素对判决的重要性或影响程度来决定。因此, 根据现有多无线传感器的特点, 通常选a1≥a2≥a3…≥an并且最后几个因素的权重均较小。

1.2 基于隶属度模糊控制函数的选择描述

基于隶属度模糊控制函数与航迹关联中的模糊控制系统因素的特点, 可采用的隶属度模糊控制函数有正态型分布, 哥西型分布, 居中性分布和降Γ分布等。下面具体给出各种模糊控制函数的分布表达式。

1) 正态型分布的模糊控制函数形式为

其中, σk是对应于模糊控制系统集中的第k个因素的展度, τk是调整度, 其值通过仿真确定。

2) 哥西型分布的模糊控制函数形式为

其中, σk, τk与式 (1) 的含义相同, 但取值不同。

3) 居中型分布的模糊控制函数形式为

其中, σk, τk与式 (1) 的含义相同, 但取值不同。

4) 降Γ分布的模糊控制函数形式为

其中, a, c是标称化常数, 需要通过仿真确定。

2 基于模糊控制系统因素的确定与模糊控制系统集A的动态分配描述

2.1 基于模糊控制系统因素与权向量初值的确定描述

对第一类模糊控制系统因素集, 取n=3, 有

与之对应的权向量初值取a1=0.55, a2=0.35, a3=0.10

对第二类模糊控制系统因素集, 取n=5, 那么

与之对应的权向量初值取

对第三类模糊控制系统因素集, 取n=9, 有

a1=0.2, a2=0.2, a3=0.2, a4=0.1, a5=0.1, a6=0.1, a7=1/30, a8=1/30, a9=1/30

在这里定义的第一和第二类模糊控制系统因素集只考虑了多层无线传感器提供的二维信息, 实际上很容易扩展到三维空间, 并且三类模糊控制系统集都没有包含加速度信息。

2.2 基于模糊控制系统因素权集~A的动态分配描述

基于多层无线传感器在对低速视频目标跟踪时航向信息的摆动较大, 采用动态分配模糊控制系统子集~A的做法可以综合地考虑各种模糊控制系统因素之间的相互影响。

设l时刻的模糊控制系统因素权集为其中an (l) 对应于航向因素的权值。为了使an (l+1) 对低速目标自适应变小, 令

其中, vi (l+1) 是航迹i (i∈U1) 在l+1时刻的速度, vmin, vmax分别为监视区中最小和最大目标速度。a'n (l+1) 是使an (l+1) 对低速目标自适应变小的调整因子, 于是

当l=0时, ak (0) (1, 2, …, n) 为权向量的初值。这样便形成了模糊控制系统集的递推分配过程。它适用于采用第一、二类模糊控制系统集的权分配, 对第三类模糊控制系统集则要按式 (8) 分别计算a'n-2 (l+1) 、a'n-1 (l+1) 和a'n (l+1) 三个权值, 且vi (l+1) 和式 (9) 、式 (10) 也要做相应的调整。另外, 对不同的i (i∈U1) 其权值分配也是不同的。在实际工程应用中, 为减少计算量可对权值分配进行分区处理, 即把速度vi事先分成N个区, 并计算出N组模糊控制系统子集~A, 然后根据实际速度vi (l+1) 所位于的区间选择与其对应的权向量。N组模糊控制系统权集可以事先制成表格以备实际使用时查询。

3 基于模糊控制系统航迹关联算法研究

基于模糊控制系统航迹关联算法:基于隶属度模糊控制函数、模糊控制系统因素集和模糊控制系统因素权集~A确定之后, 当选择正态型隶属度模糊控制函数时, 基于第k个因素判为两航迹相似的隶属度为

在分别计算了各因素的隶属度之后, 就可采用加权平均进行综合评价, 于是综合相似度为

这样对来自局部节点1的n1条航迹和来自局部节点2的n2条航迹便构成了l时刻的模糊控制系统关联矩阵

有了模糊控制系统关联矩阵以后, 下一步就是如何根据上式进行航迹关联检验。这里采用最大综合相似度和阈值差别原则。其过程是:首先在矩阵中找出最大元素fij, 如果fij>ε, 则判定航迹i与j为关联;然后从矩阵中划去fij所对应的行、列元素, 得到新的降阶模糊控制系统关联矩阵, 但原矩阵的行、列号 (即航迹号) 不变。再对重复上述过程, 产生直到的所有元素均小于ε为止。剩下的元素所对应的行、列号在l时刻为不关联航迹。参数ε是阈值, 通常取ε≥0.5。这样就完成了l时刻两局部节点间航迹相似性检验。

4 基于多局部节点情况下的模糊控制系统关联算法研究

对于M个局部节点的公共监视区来说, 模糊控制系统航迹关联算法可以直接推广到多局部节点的情况, 通过构造多维模糊控制系统分配问题来解决。我们可以构造一个新的统计量;, 其中s=1, 2, …M是局部节点的编号, is=1, 2, …ns是局部节点S的航迹编号, 可以构造全局统计量为

其中is=1, 2, …ns;s=1, 2, …M;H0是原假设, 表示航迹i1, i2, …iM对应同一个目标;H1是对立假设, 表示航迹i1, i2, …iM来自于不同目标。

基于多局部节点公共区的航迹关联问题便可由模糊控制系统关联矩阵化成多维分配问题, 即:

基于多层无线传感器信息融合视频目标跟踪领域的一个研究重点是如何解决杂波干扰视频目标跟踪问题.在可用的算法中, 有代表性的是概率数据关联算法 (PDAF) 优化跟踪性能。

5 结语

基于多层无线传感器数据融合的设计虽然蓬勃发展, 但同时也存在很多问题.制约多层无线传感器数据融合设计的因素有很多, 其中数据节点网络的拓扑结构中, 人员不能接近、无人照看的那些多层无线传感器节点易于频繁失效, 使多层无线传感器拓扑维护成为难题。

参考文献

[1]焦长兵, 金勇杰, 傅历光.无线传感器网络及其军事应用[J].黑龙江科技信息, 2007.

分布式传感器数据库论文篇5

分布式光纤传感技术是近年来发展迅速的一种新型传感技术,其基本原理是利用同一根光纤传输和感知信号,对长达几十公里的光纤不同位置处的温度、振动和应变等物理量的变化进行探测并定位,实现真正的分布式测量。由于光纤传感具有其他传感技术无可比拟的优势,如抗电磁干扰、抗腐蚀、耐高温,以及长距离、高精度、分布式测量等,还能够提供被测物理参量沿整个光纤路径的空间分布及其随时间变化特征,因此可以广泛的应用于国土安防、围界入侵监测、建筑物健康监测、输油管道监测等领域。目前,光纤传感器已成为最具市场发展前景的传感技术之一[1,2]。

分布式光纤传感器按照原理可分为:基于干涉仪原理的分布式传感技术,如马赫-曾德干涉原理的分布式传感器与光纤陀螺;基于光时域后向散射(OTDR)原理的分布式传感技术,如基于后向瑞利散射、后向拉曼散射与后向布里渊散射的传感器;基于波长扫描型的分布式传感技术,主要有光纤布拉格光栅传感器[3]。其中,基于相干后向瑞利散射光时域反射原理的分布式光纤传感技术是最受关注与迅速发展的技术之一。它采用超窄线宽光纤激光器向传感光纤注入强相干脉冲光,由于光纤折射率不均匀产生的后向散射是相干瑞利散射,因此传感光纤上每一点对外界的扰动都非常敏感。然而,由于光纤激光器出射的连续光经过脉冲调制后损耗比较大,并且后向散射信号的强度也很弱,信噪比较低,所以必须对调制后的脉冲进行预放大,以提高后向散射信号的动态范围和信噪比。本文通过实验,设计了一种优化的掺铒光纤放大器(EDFA),搭建了基于相干后向瑞利散射的传感系统,探讨了电光调制器(EOM)偏置电压设置、传感长度以及传感光纤前后端菲涅耳反射等因素对注入脉冲消光比与后向散射信号的影响。

1 实验系统

1.1 EDFA的设计

对基于相干后向瑞利散射的分布式光纤传感系统而言,放大后的矩形脉冲所产生的畸变对系统的影响可以忽略,而放大后脉冲的峰值功率与消光比是两个不可忽略的关键因素。首先,如果峰值功率过低,就难以探测到传感光纤中的瑞利散射,所以放大后的峰值功率必须达到一定的量级;其次,因为经过脉冲调制器调制后的信号光并不是理想的矩形脉冲,即在波谷处光功率并不为零,所以在设计系统的EDFA时特别要考虑放大后脉冲的消光比的变化,使其处于最优值。此外,放大后产生的自发辐射放大光(ASE)也会给系统带来额外的噪声,需要通过滤波器滤除[4]。

基于上述因素搭建的EDFA系统原理图如图1所示。系统采用两级放大结构,主要包括一个980 nm的泵浦激光器、两段掺铒光纤、两个带通滤波器和两个隔离器。信号光经过电光调制器调制成频率为2 kHz的脉冲(脉冲宽度可调),然后经过掺铒光纤的两级放大后输出。带通滤波器1用来滤除第一级放大后产生的ASE光,以限制ASE光经过第二级放大时消耗反转粒子数,提高放大效率。隔离器1主要用来隔离第二级放大产生的后向ASE光进入第一级放大,防止其降低第一级放大的效率[5]。

1.2 相位敏感的OTDR传感系统

相位敏感的OTDR传感系统主要包括窄线宽光纤激光器(Δν=3 kHz)、电光调制器、EDFA、光环形器、传感光纤与光电探测器,如图2。光纤激光器输出波长为1 550 nm的连续激光,通过EOM调制成窄脉冲后进入EDFA。被EDFA放大后的脉冲光经光环形器端口1耦合进环形器,通过端口2注入传感光纤。传感光纤产生的后向散射信号从环形器端口3输出,并耦合进光电探测器,通过数字采集卡采集信号进行处理[6,7,8]。鉴于后向散射信号比较微弱,信噪比较差,系统的探测器选用了Nufern公司生产的带有前置放大的高灵敏、低噪声光电探测器;使用60 M的采集卡进行数据采集[9‐10]。

假设注入光纤的脉冲峰值功率为0P,距离光纤前端为z处,光纤产生的后向瑞利散射光返回光纤前段的光功率Pbs(z)

其中:S为反向散射系数;s为瑞利散射因子;c为真空光速;0n为纤芯折射率;为光脉冲宽度;为光纤损耗常数;z为散射点距离入射端距离,它由发射脉冲与返回光信号的时间差t及光在光纤中的传播速度决定[2]。

2 实验结果分析与讨论

2.1 放大前后脉冲光消光比的变化

设置EOM调制脉冲频率2 kHz,脉冲持续时间200 ns,占空比为1:2 500,此时输出脉冲的平均功率是3 W。经EOM调制后输出脉冲光的消光比和经EOM调制、EDFA放大后输出脉冲光的消光比变化如图3所示。从图3(a)可以看出,脉冲光的消光比随着EOM所加偏置电压的增大先增大后减小,偏压值在1.7 V时脉冲光消光比最好,约为16.63 dB,此时所对应的脉冲峰值功率是3.44 mW。对于经EOM调制、EDFA放大后的脉冲光,EOM偏压值在1.9 V时,放大后脉冲光的消光比最好,约为23.1 dB,此时脉冲峰值功率是150 mW。将两次结果进行对比可知:使用EOM调制脉冲时,输出光消光比有限(25 dB),但通过合理的设置EOM偏置电压,经EDFA放大后的脉冲光不仅峰值功率有了明显的提高,而且消光比也有较大的提升;脉冲光放大后EOM偏置电压最佳消光比的位置(1.9 V)相对于放大前的最佳消光比位置(1.7 V)发生了偏移。实验结果跟脉冲光放大理论相符合,即当一束脉冲光经过EDFA时,波峰会消耗大量的上能级粒子,由于反转粒子数得不到及时补充,而当波谷经过掺铒光纤时,波谷得不到充分放大,因此最终波峰的放大倍数大于波谷,脉冲光消光比得到提高。

2.2 不同传感长度对瑞利散射波形的影响

脉冲光的消光比对信号的稳定性有着重要的影响。由于EOM调制的脉冲信号在波谷处并没有达到理想的消光(EOM偏压1.7 V时波谷光强3.44 mW),通过EDFA放大后波谷也会被放大,因此注入传感光纤中的脉冲信号就包含了一个直流分量,并且导致获得的后向散射信号也包含有一个后向散射直流分量。这个后向散射直流分量是由注入脉冲的直流分量在传感光纤上每一点的后向散射叠加而成。所以,如果注入脉冲的消光比较差,含有一个较高的直流分量的话,后向散射信号就很容易使光电探测器产生饱和。同样,即使注入脉冲的直流分量产生一些微小波动,叠加到传感信号后每一点的波动也会很明显,这会严重影响到散射信号的稳定性,因此必须要限制注入脉冲直流分量对散射信号的影响。由于EOM调制能力有限(消光比25 dB),通过减少传感长度来降低后向散射直流分量的大小,是获得较为稳定的后向瑞利散射信号的有效方法。

不同传输距离上的后向散射叠加结果如图4所示,其中图4(a)是传感距离为12 km时,10次后向散射信号的叠加结果;图4(b)是传感距离为4 km时,10次后向散射信号的叠加结果。可以看出:当传感距离为12 km时,后向散射信号波动较为剧烈,由信号尾端平缓处可以看出(此处是没有脉冲注入时的散射信号,即脉冲直流分量导致的散射信号),直流分量导致的散射信号波动达到0.55个单位。由图4(b),当传感距离为4 km时,由后向散射信号尾端可以看出散射信号波动范围大约0.16个单位。由此可知:在注入脉冲光消光比一定的情况下,相对于长的传感距离,较短的传感距离可以明显地降低注入脉冲直流分量对系统的影响,获得较稳定的信号输出。而如果要获得更长的传输距离,则必须进一步提高信号的消光比。

2.3 传感光纤前后端菲涅耳反射对波形的影响

由上节可知,光纤中直流分量会随着传感距离的增长对整个瑞利散射波形产生较大的影响,导致散射波形的不稳定。同样,如果不对传感光纤尾端做适当处理,消除尾端产生的强菲涅耳反射,后向散射波形也会受到脉冲信号直流分量的较大影响,产生剧烈的波动。图5给出了尾端反射信号对瑞利散射波形的影响。图5(a)和图5(b)分别是未消除尾端反射时,散射信号单次采样和100次采样平均的结果。可以看出,尾端的强反射对整个时间段上的瑞利散射波形都产生了较大的影响,信号波动剧烈,即使是100次采样平均,信号仍然不稳定,并伴有畸变,并且易导致探测器的饱和,降低光电转换效率。当消除了尾端反射时(将传感光纤尾端端面切割成斜面,并且将尾端几十厘米的光纤绕在直径仅0.5 cm的圆柱上,加大光纤的弯曲损耗,从而消除尾端反射),无论是散射信号单次采样还是100次采样平均的结果,系统都可以获得稳定、优良的后向瑞利散射波形,结果如图5(a)和图5(b)。同样,由图5(c)和图5(d)还可以看出,散射信号的前端也存在一个菲涅耳强反射,它给系统带来的影响与尾端反射一样,所以也必须消除,这里通过直接将传感光纤与光环形器熔接起来消除前端反射,最后的散射波形如图6所示。因为系统采用的光源线宽极窄,传感光纤各点的瑞利散射具有强相干性,所以后向散射信号是各点散射相互干涉的结果。由于相位差的不同,散射信号既有相干增强点,也有相干抵消点,所以φ-OTDR系统的散射图形为锯齿状。

3 结论

本文以实验为基础,分析了注入脉冲光的消光比、传感长度以及传感光纤前后端菲涅耳反射等几个关键因素对系统后向瑞利散射波形质量的影响。从实验结果可以看出:通过适当地设置EOM的偏置电压,信号光经过EDFA放大后,在脉冲峰值得到放大的同时可以有效的提高脉冲信号的消光比;通过研究传感长度与传感光纤前后端菲涅耳反射对后向瑞利散射波形的影响发现,当注入脉冲光消光比较差,含有较大的直流分量时,过长的传感距离和传感光纤前后端的菲涅耳反射都可能会给后向瑞利散射信号带来较大的波动,导致探测器产生饱和,进而严重的影响到瑞利散射波形的质量与稳定性。

摘要：基于相干后向瑞利散射原理搭建了一套分布式光纤传感系统,并设计了一种优化的掺铒光纤放大器。以此为基础进行实验,分析了消光比、传感距离和传感光纤前后端反射等几个关键因素对相干后向瑞利散射波形的影响。实验结果表明:适当地设计电光调制器偏置电压与掺铒光纤放大器,可明显改善注入脉冲信号峰值功率和消光比;由于注入信号光消光比的限制,短距离传感比长距离传感更容易获得优良的散射信号;消除传感光纤前后端的菲涅耳反射也能显著提升散射信号的质量与稳定性。

关键词：分布式光纤传感,后向瑞利散射,消光比,传感长度,菲涅耳反射

参考文献

[1]JUAREZ J C,MAIER E W,CHOI K N,et al.Distributed Fiber-Optic Intrusion Sensor System[J].Journal of Lightwave Technology(S0733-8724),2005,23(6):2081-2087.

[2]祝宁华,闫连山,刘建国.光纤光学前沿[M].北京:科学出版社,2011:249-255.ZHU Ning-hua,YAN Lian-shan,LIU Jian-guo.Frontier of fiber optics[M].Beijing:Science Press,2011:249-255.

[3]顾金星,徐承和.掺铒光纤放大器噪声特性的全面分析[J].电子学报,1995,23(5):54-57.GU Jin-xing,XU Cheng-he.Comprehensive analysis of noise characteristics of EDFA[J].Acta Electronica Sinica,1995,23(5):54-57.

[4]伍波,刘永智,刘爽.光纤饱和吸收体稳频窄线宽光学激光器[J].光电工程,2007,34(10):30-33.WU Bo,LIU Yong-zhi,LIU Shuang.Frequency stabilized narrow linewidth fiber laser by fiber saturable absorber[J].Opto-Electronic Engineering,2007,34(10):30-33.

[5]马晓明.带光隔离器的掺铒光纤放大器性能分析[J].光子学报,2002,31(2):178-182.MA Xiao-ming.Performance analysis of EDFA with an isolator[J].Acta Photonica Sinica,2002,31(2):178-182.

[6]谢孔利,饶云江,冉曾令.基于大功率超窄线宽单模光纤激光器的φ-光时域反射计光纤分布式传感系统[J].光学学报,2008,28(3):569-572.XIE Kong-li,RAO Yun-jiang,RAN Zeng-lin.Distributed optical fiber sensing system Based of Rayleigh scattering lightφ-OTDR using single-Mode fiber laser with high power and narrow linewidth[J].Acta Optica Sinica,2008,28(3):569-572.

[7]LEE M,TAYLOR H F.Distributed Fiber Optic Intrusion Detection System with Improved Sensitivity[C]//Optical Fiber Sensors,Cancun,Mexico,October23,2006:WB6.

[8]吕月兰,行永伟.相位光时域反射计瑞利散射波形特性研究[J].光学学报,2011,31(8):0819001-1-0819001-5.LüYue-lan,XING Yong-wei.Investigation on Rayleigh scattering waveform in phase optical time domain reflectometer[J].Acta Optica Sinica,2011,31(8):0819001-1-0819001-5.

[9]LüYue-lan,ZHU Tao,CHEN Liang,et al.Distributed Vibration Sensor Based on Coherent Detection of Phase-OTDR[J].Journal of Lightwave Technology(S0733-8724),2010,28(22):3243-3249.

[10]JUAREZ J C,TAYLOR H F.Field test of a distributed fiber-optic intrusion sensor system for long perimeters[J].Applied Optics(S0003-6935),2007,46(11):1968-1971.

两描述分布式视频压缩传感篇6

随着无线网络和多媒体技术的快速发展,低功耗的无线视频设备逐渐流行。由于有限的电池能量和内存,以及不稳定的无线网络,这些设备需要低复杂度的编码算法和稳定的传输。

传统的视频编码算法,例如H.26x,MPEG系列标准,由于这些算法在编码端采用了运动估计、正交变换、运动补偿等,造成了较高的计算复杂度,所以不符合上述要求。然而分布式视频编码(DVC)[1],也称Wyner-Ziv(WZ)视频编码,其主要采用了独立编码和联合解码的编码框架,具有一定的信道传输的鲁棒性和低复杂度编码的特点,近几年来在图像/视频编码的研究方面,一直是人们研究的热点课题。DVC把复杂的计算从编码端转移到解码端,因此表现出低复杂度编码特性。同时,压缩传感(CS)[2]理论也激起人们的兴趣,能同时进行数据采集和压缩,其采样数量远小于奈奎斯特采样,通过随机测量方法,提供一个简单的编码和高精确的重构。所以根据DVC和CS各自的特性综合生成一个新的框架叫做分布式视频压缩传感(DCVS)[3],这不仅减少了视频压缩的数据量,而且降低了编码的复杂度。

近几年,多描述编码(MDC)引起了人们的关注,其特点是延时小、无需重传、易于实时视频传输,适用于互联网、无线通信网这些不稳定的网络的实时视频传输,是一种新的面向不可靠信道传输的编码方法。视频信号被分成多个描述,每个描述通过单独的信道传输。当一些描述丢失时,可以通过收到的描述来估计丢失描述,恢复出质量可接受的视频;当收到的描述增多时,恢复出的视频质量变得更好。

为了满足低耗视频设备的低复杂度编码和稳定的传输,笔者利用DCVS和MDC各自的特性,综合生成一种多描述分布式视频压缩传感(MD-DCVS)新的方案。在MD-DCVS框架里,为了提高系统的性能,应用了块压缩传感(BCS)、自适应稀疏基和双边运动估计补偿。

1 压缩传感(CS)理论

Donoho[4]和Candes[5]等人在2004年提出了CS理论,CS理论是一种全新的信号描述与处理的理论框架,其主要内容在某一变换域内具有稀疏表示的信号,或者是此信号是可压缩的,就可以基于与变换基不相关的少量线性观测将变换所得的高维信号投影到一个低维空间上,最后通过求解一个最优化问题,可以从这些少量的观测值中高概率地恢复出原始信号。

假设信号x为1个RN空间的M×1维列向量,则其可用1组基向量(稀疏基)ΨN×N的线性组合来表示,其数学表达式为[4]

x=Ψ·θ (1)

式中:θ表示稀疏系数;信号x具有可压缩性或稀疏性,信号是可压缩的是指在允许较少的损失情况下,具有较少的大系数和许多小系数,小系数都是极小或接近于零的数。信号是稀疏的,是指只有K个非零系数,K远小于N,其余所有系数都为零,这样还可称作K-稀疏信号。信号的稀疏基选择,由信号本身的特点决定,如离散傅里叶变换(DFT)基、离散余弦变换(DCT)基、离散小波变换(DWT)基,都可作为信号的稀疏基。

信号的采样与压缩是通过观测矩阵线性投影实现的,设Φ为M×N(M≪N)的观测矩阵,则长度为N的信号x的观测值y可由线性测量直接获得

y=Φ·x=Φ·(Ψ·θ)=A·θ (2)

式中:y是M×1的观测值向量;A=Φ·Ψ为M×N的矩阵;Φ满足以下的条件:1)受限等距特性准则(RIP)[5];2) 非相干性。测量矩阵Φ的列与稀疏基矩阵Ψ的行不能相互表示。x可以凭借这些观测值,通过贪婪追踪算法或者转化为凸优化问题求解,从而精确重建原信号。

2 分布式视频压缩传感(DCVS)

DCVS框架[3]如图1所示。在编码端,一个视频序列由几组图像组成,每组图像包括一个关键帧和一些CS帧,关键帧可以作为相邻CS帧的参考帧。在编码端,每一帧(关键帧或者CS帧)都单独被CS压缩,而关键帧CS测量率比CS帧高。

在解码端,每一关键帧可以通过梯度投影稀疏重建(GPSR)[6]算法来恢复,GPSR算法的初始值和迭代终止条件,可以通过视频序列之间相关性进一步改进。对于CS帧,首先根据已解码的关键帧,运动补偿内插出其边信息,然后通过联合稀疏模型(JSM)和边信息进行重建。

3 多描述编码(MDC)

一个简单的两描述编解码框架如图2所示,编码端首先将一个视频信号用多描述视频编码器分成两个子序列,即描述S1和S2,然后分别单独通过信道1和信道2传输;解码端包括一个中心解码器和两个边解码器,当两个描述S1和S2都可以收到时,中心解码器起作用;当描述S2完全丢失时,边解码器1起作用;当描述S1完全丢失时,边解码器2起作用。由图2可知,当所有的描述被收到时,中心解码器将恢复出最好的质量视频序列;假设一个描述丢失,相应的解码边将从收到的描述来估计丢失的描述,恢复出可接收的视频序列。因为这两个描述之间相关,所以丢失的描述能够用收到的描述来估计。一般来说,描述间的相关性越高,更高质量的描述能够被估计出来。然而,随着相关性增加,冗余也增加,编码的效率也随之降低。所以,在MDC中,在编码效率和恢复出的视频质量之间的权衡很重要。

4 两描述分布式视频压缩传感(2D-DCVS)

为了实现低功耗视频设备的低复杂度编码及无线网络传输的稳定性,本文根据MDC和DCVS各自特性,综合产生一种2D-DCVS新的方案,该方案框架如图3所示。

4.1 编解码的描述

在编码端,一个视频序列通过奇偶分离法,将视频分成两个描述,即奇数帧子序列和偶数帧子序列。每一个描述被分成几组图像,每组图像又包括一个关键帧和一些CS帧。每一关键帧按照CS方法编码;对于每一CS帧,为了降低编码复杂度,先把每一帧图像分成块,然后用块压缩传感 (BCS)[7]方法进行帧观测,对一个图像块xB,其观测值为

yB=ΦB·xB (3)

式中:yB表示观测值向量;ΦB表示观测矩阵,是由结构化随机矩阵(SRMS)[8]方法构造的。SRM的优点是计算速度快、结构简单。SRM建立在可靠数学模型的基础上,能有效测量广泛种类的稀疏信号,在精确恢复所需的观测值个数的矩阵中,几乎达到最佳效果,是一种性能优异的观测矩阵。

在解码端,每一关键帧可以通过GPSR算法来重建;而每个图像块也通过GPSR算法进行重构,这是一个无限制凸优化问题,表示为

$\min_{θ_{B}} \frac{1}{2} ∥ y_{B} - A \cdot θ_{B} ∥_{2}^{2} + τ ∥ θ_{B} ∥_{1} (4)$

式中:yB是从式(3)获得的观测值;A=ΦB·ΨB,ΨB是xB的稀疏基,即:xB=ΨB·θB,θB是xB在ΨB基下的系数;‖·‖2表示l2范数;‖·‖1表示l1范数;τ是一个非平衡参数。稀疏变换矩阵在很多CS算法中,通常都选择固定且正交的变换基向量,例如DFT,DCT,DWT等。因为相邻的两个视频序列之间,存在着紧密联系,具有很大相似性,所以自适应稀疏基是由当前块的前/后已重构的关键帧中相应位置的一些相邻的块组成。两个相邻帧中的一些块,可以线性组合起来近似表示当前块,在此稀疏基下,图像块表现出更好的稀疏性,因此可以得到较好的CS恢复质量。

为了充分利用视频中相邻帧之间的相关性,首先通过已解码的关键帧,然后用关键帧进行双边运动估计补偿内插,最终获得当前CS帧的边信息。当用GPSR算法恢复当前块xB=ΨB·θB时,可以设置其初始值为边信息中相应的块SB=ΨB·θSB,即 $\hat{x}_{B}^{(0)} = S_{B} ‚ \hat{θ}_{B}^{(0)} = θ_{S_{B}}$ 。其中, $\hat{θ}_{B}^{(0)}$ 是θB在GPSR中的初始值。

4.2 边解码器和中心解码器

假设只仅收到一个描述(以描述1为例),描述1的所有关键帧即K帧(1,5,9,…),首先通过GPRS算法重建;然后CS帧由通过已恢复出相邻关键帧运动补偿内插产生的边信息,并利用自适应稀疏基对CS帧中的每个图像块的恢复进行联合重建;最后由重构的所有的奇数帧内插描述2的偶数帧,以便获得人们可接受的完整视频序列。具体细节描述如图4所示。

假设所有描述都收到,所有的K帧(1,2,5,6,…)通过GPRS算法重建;所有CS帧(3,4,7,8,…)通过BCS恢复。如上文所述,利用双边运动估计补偿,能够恢复出更好质量的CS帧,最后能够获得最好质量的视频序列。具体细节描述如图5所示。

5 实验结果

本文选取2个视频测试序列Foreman和Hall,新方案2D-DCVS和文献[9]DCVS作比较。观测率(Measurement Rate)是两个描述之和,包括关键帧和CS帧;PSNR为在解码端视频恢复的平均值;视频图像组GoP大小为2;块的大小为16×16。

从图6可知,对于Hall,边解码器和中心解码器恢复出的视频质量,在相同测量率下,2D-DCVS明显优于DCVS;2D-DCVS得到大约0.7～1.4 dB的中心质量的提高,0～1.3 dB左右的边质量提高。而对于Foreman,中心质量提高了0.2～0.8 dB,边质量在测量率为0.33时降低,但恢复出的视频质量可以接受。从实验结果看到,在低观测率时,2D-DCVS比DCVS更好,因为对帧和块平均分配观测值是不合理的。图7表明2D-DCVS与DCVS恢复出的连续的帧质量几乎相当。另外,随着GoP增加,2D-DCVS的性能下降,因为MDC破坏了帧之间的相关性。然而,MDC的优点是当一个描述丢失,恢复出的视频质量可以接受,而且对于不可靠的信道,传输具有一定的鲁棒性。

6 结束语

本文提出一种新的2D-DCVS框架,考虑到低功耗视频设备编码端复杂度和实时性要求,应用了块压缩传感;为了进一步利用视频序列之间的相关性,应用自适应稀疏基对图像块解码,图像块在此稀疏基下具有更强的稀疏性;最后,应用双边运动估计补偿来优化重建的结果。实验结果展示本方案满足无线网络的需求。未来的研究是将两描述分布式视频压缩传感扩展成为多描述分布式视频压缩传感,以及在实际的互联网和无线传输网络中如何应用,从而更好地提高其实用价值。

参考文献

[1]GIROD B,AARON A,RANE S,et al.Distributed video coding[J].Pro-ceedings of the IEEE,2005,9(1):71-83.

[2] CANDES E,WAKIN M. An introduction to compressive sampling [J].IEEE Signal Processing Magazine,2008,25(2):21-30.

[3] KANG L W,LU C S. Distributed compressive video sensing[C]//Proc.ICASP 2009.[S.l.]:IEEE Press,2009:1169-1172.

[4] DONOHO D. Compressed sensing [J].IEEE Trans. Inform. Theory,2006,52(4):1289-1306.

[5] CANDES E,ROMBERG J,TAO T. Robust uncertainty principles:exact signal recon-struction from highly incomplete frequency information[J].IEEE Trans. Inform. Theory,2006,52(2):489-509.

[6]FIGUEIREDO M,NOWAK R,WRIGHT S.Gradient projection for sparsereconstruction:application to compressed sensing and other inverse prob-lems[J].IEEE Journal of Selected Topics in Signal Processing,2007,1(4):586-597.

[7] GAN L. Block compressed sensing of natural images[C]//Proc. Int. Conf. on Digital Signal Processing. Liverpool:IEEE Press,2007:403-406.

[8] DO T T,TRAN T,GAN L. Fast compressive sampling with structurally random matrices [C]//Proc. IEEE Int. Conf. Acoustics,Speech and Signal Processing. Las Vegas:IEEE Press,2008:3369-3372.

一种分布式光纤震动传感系统篇7

关键词：光纤传感,偏振控制,目标定位

0 引言

现代安全防卫系统中及时发现和定位入侵行为具有重要的现实意义。传统的安全防卫系统主要有摄像机视频识别、红外线传感和地磁传感等。这些检测方法受设备供电限制,监测距离较短,抗电磁干扰能力弱,维护成本高。分布式光纤震动传感系统能测量整个光纤长度上随时间变化的震动信息,具有检测距离远、抗电磁干扰能力强和安装后易维护等优点,已成为防卫系统领域最具有应用前景的技术之一[1,2]。

分布式光纤传感技术应用光纤纵向特性进行测量,其测量参量作为光纤长度的函数,可以在整个光纤长度上对光纤分布路径上的外部物理参量进行连续不间断地测量,同时提供被测物理参量的时间和空间信息。随着光纤传感技术的进步,基于不同技术方案的分布式光纤传感器得到了深入研究与讨论,主要包括基于散射效应的OTDR传感器和基于光波干涉效应的干涉型传感器[3,4,5]。与散射型传感器相比,干涉型传感器利用前向传输光进行信号处理与目标定位,因此具有灵敏度和动态范围方面的优势。Sagnac干涉技术和M-Z干涉技术是分布式干涉型传感器采用的两种主要技术方案。相比于Sagnac干涉技术,M-Z干涉技术具有解调技术简单和对光源相干性要求低的特点,因此基于双M-Z干涉技术的光纤传感系统适合长距离分布式应用。目前干涉型光纤传感器的解调一般采用相位生成载波( PGC) 技术和基于3×3光纤耦合器干涉的被动解调技术。相比于3×3光纤耦合器干涉的被动解调方案,PGC技术具有解调结果失真、动态范围受限以及采用外调制产生载波时光路比较复杂等缺点,因此3×3解调技术得到了广泛应用。

本文采用一种全新的光路形式,设计了一种基于双M-Z干涉仪技术方案的分布式光纤震动传感系统,该系统采用3×3解调方案,具备目标信息无失真获取、外界目标信号定位和目标信息识别,最终形成报警信息输出功能。

1 分布式光纤震动传感系统原理分析

1. 1 系统原理

分布式光纤震动传感系统的结构示意图如图1所示。系统主要由光源、光隔离器、光分路器、偏振控制器、偏振控制单元、环形器、3×3耦合器、光电探测器和信号处理单元组成。其中2个环形器和2个3×3耦合器构成2个双向马赫—曾德尔干涉仪。

光源发出的窄线宽激光经过光隔离器后,进入光分路器,然后按照1∶1比例分为2路作为每个马赫-曾德尔干涉仪光源。其中一路光信号通过偏振控制器1和环行器1后,输入到由第1耦合器和第2耦合器构成的M-Z干涉仪1,干涉仪输出信号进入第2探测器组完成光电转换,第2探测器组输出信号作为第1偏振控制单元反馈信号对通过第1偏振控制器的光波偏振态进行控制; 另一路光信号通过偏振控制器2和环行器2后,输入到由第2耦合器和第1耦合器构成的马赫—曾德尔干涉仪2,干涉仪输出信号进入第1探测器组完成光电转换,第1探测器组输出信号作为第2偏振控制单元反馈信号对通过第2偏振控制器的光波进行偏振态控制。第1探测器组输出与第2探测器组输出信号输出至信号处理单元,信号处理单元对2路信号进行3×3解调得到目标信号,对2路目标信号进行相关运算得到目标位置,对目标信息识别得到目标类型,通过对以上目标信息综合形成报警信息输出。

1. 2 3×3解调原理

下面以第一干涉仪为例介绍光纤传感器的解调方案。窄线宽激光器发出的激光经过光隔离器和光分路器后分成2路相干光源,其中一路作为第一干涉仪的输入光源,输入的相干光信号经过偏振控制器和环形器1后进入由3×3耦合器1和3×3耦合器2构成的第一干涉仪,再在干涉仪输出端干涉,最终将相位调制的光强信号分3路,3路光信号间互成120°相位差。此时,即使一路光信号的偏置点处于余弦曲线的最大点或最小点,另外2路光信号由于存在着120°相位差可以将偏置点移至线性区,极大提高了检测灵敏度,避免了信号的相位衰落现象[6]。

设3路输出光强信号I1、I2和I3,分别为:

由式( 1) 、式( 2) 和式( 3) 可以得到:

由式( 4) 消除光源输出直流量的影响,并对式( 1) 、式( 2) 和式( 3) 微分可得到:

式( 2) 消除直流量后与式( 7) 、式( 5) 的差相乘,即

同理可以得到:

式( 8) 、式( 9) 和式( 10) 相加后,

考虑到干涉条纹的峰值亮度受光源强度及偏振态变化而可能受到的影响,故将式 ( 11) 除以由式( 12) 得到的3路信号平方和B2。

最后再将所得的商对时间做积分,即可完整恢复原信号函数( t) 。

1. 3 系统定位原理

基于马赫—曾德尔干涉仪的分布式光纤传感系统,结构如图2所示,光源发出的相干激光经光分路器1后分成2路相干光源,2路相干光源分别经过耦合器2、3,由2个方向分别进入由4、5构成的马赫—曾德尔干涉仪,外界信号对由不同方向经过干涉仪的光信号同时进行相位调制,分别从干涉仪的输出端拾取2路光信号,光信号经光电转换后,由信号处理模块对包含有外界信息的信号x1( t) 和x2( t) 运用互相关算法进行触发位置定位。

传感系统干涉仪干涉臂长为L,假定在距始端耦合器4距离为x处发生扰动事件,则扰动信号传输至探测器2和探测器1的时延Δt为:

假定2路探测器输出信号分别为x1( t) 和x2( t) ,s( t) 为目标扰动信号,Δt为信号延迟,n1( t) 和n2( t) 为加性噪声。假定n1( t) 、n2( t) 、x1( t) 和x2( t) 互不相关,则2路探测器输出的信号为:

式中,Δt就是所估计信号到达2个探测器的时间差,根据式( 13) 可求得扰动位置x,即

利用互相关函数法确定两相关信号之间时延,即

由上述假设n1( t) 、n2( t) 、x1( t) 和x2( t) 互不相关,可得

式中,Rss( τ) 为扰动信号s( t) 的自相关函数。由自相关函数的性质可知Rss( τ - Δt) ≤Rss( 0) ,即当τ - Δt = 0时,2个探测器接收信号相关性最大,相关函数峰值点位置即为时延值。,进而通过式( 16)得到目标扰动位置[7]。

1. 4 偏振控制原理

由于光纤温度变化,几何弯曲等因素影响,光纤传输过程中偏振态发生随机变化[8]。基于双M-Z干涉技术的分布式光纤传感系统由于偏振态的随机变化会发生偏振衰落现象,偏振衰落不仅会导致输出信噪比下降,更重要的是会导致系统定位精度下降[9]。在如图1所示的分布式光纤传感系统中,在相干光信号进入干涉仪前加入偏振控制器来控制输入光信号偏振状态,避免信号偏振衰落,提高系统定位精度[10]。

在分布式光纤震动传感系统中,偏振态控制器分别对双Mach-Zehnder干涉仪的双向光波进行偏振态控制,以补偿干涉仪偏振态变化,经偏振态控制的光波经干涉仪输出后的2路干涉信号分别进入光电探测器,经光电转换后作为反馈信号分别输入至对应偏振控制单元。

偏振控制单元利用干涉仪输出的反馈信号,运用基于敏感通道选择及控制的偏振控制方法,调整偏振控制器各通道的输入电压信号,利用反馈回路连续调节控制光波偏振态,直至2路信号满足相关系数大于阈值,且每路信号可见度大于可见度阈值。

所述的敏感通道选择及控制的偏振控制法具体过程是: 选取2路干涉信号,其中一路作为参考信号,另一路作为相关信号。

对于可见度控制过程可用以下函数描述:

式中,Vi,i = 1,2,3,4,分别为偏振控制器1各通道上所加的电压; A为信号幅度。

对于相关度控制过程可用以下函数描述:

式中,Vi,i =5,6,7,8,分别为偏振控制器2各通道上所加的电压; C为参考信号与相关信号的相关系数。

敏感通道选择及控制的偏振控制法具体流程如下:

1选取参考信号偏振敏感通道。在另外3个通道输入电压值为0 V情况下,选择其中某一通道( 1≤i≤4) 施加0 ~ VMAX之间固定步长变化电压值,记录该通道在不同电压之下的输出信号可见度。比较每一通道单独施加电压情况下,输出信号可见度的变化情况,选取变化最大通道为敏感通道。

2选取相关信号偏振敏感通道。在另外3个通道输入电压值为0 V情况下,选择其中某一通道( 1≤j≤4) 施加0 ~ VMAX之间固定步长变化电压值,记录该通道在不同电压之下的输出信号可见度。比较每一通道单独施加电压情况下,输出信号可见度的变化情况,选取变化最大通道为敏感通道。

3设置控制阈值。选取参考信号的敏感通道可见度均值作为参考信号可见度阈值ATh,设定相关信号相关系数阈值为CTh。

4初始化参考信号偏振控制器初始电压Vi,1≤i≤4。对于参考信号,设定敏感通道i可见度最大值对应电压值为该通道初始电压,其他通道设为0 V。

5初始化相关信号偏振控制器初始电压Vj。设定敏感通道j可见度最大值对应电压值为该通道初始电压,其他通道设为0 V。测定当前信号相关系数C,若C≥CTh,选取当前电压为相关通道控制电压,若C < CTh,则以相关系数差值作为权值调节当前相关通道电压值,若调节后C≥CTh,则停止调整,若调节后电压超出0 ~ VMAX范围,仍不能满足C≥CTh,则在除当前敏感通道的剩余通道中,重复步骤2和步骤5,选取满足要求的敏感通道j及电压值Vj。

6参考信号偏振控制。测量参考信号当前可见度A,若A≥ATh,则保持参考信号各通道当前电压,若A < ATh,则以相关系数差值作为权调节当前敏感通道电压值,若调节后A≥ATh,则停止调整,选取当前电压为参考通道控制电压,若调节后电压超出0 ~ VMAX范围,仍不能满足A≥ATh,则重复步骤1、步骤3、步骤4和步骤5。

7相关信号偏振控制。测量当前信号相关系数C,若C≥CTh,则保持相关信号各通道当前电压,若A < ATh,则调节当前敏感通道电压值,若调节后A≥ATh,则停止调整,选取当前电压为参考通道控制电压,若调节后电压超出0 ~ VMAX范围,仍不能满足A≥ATh,则重复步骤2、步骤3和步骤5。

8重复步骤6和步骤7。

本系统中最大偏振控制电压VMAX= 1 V,以0. 2 V步长进行电压调节。依据步骤1和步骤2的控制流程,敏感通道测试结果如表1所示。依据选取原则,选定偏振控制器1的2通道为参考信号敏感通道,偏振控制器2的3通道为相关信号敏感通道。

选取参考信号的敏感通道可见度均值作为参考信号可见度阈值,即ATh= 0. 844 V /2 = 0. 422 V,设定相关信号相关系数阈值为CTh= 0. 9。相关系数C1= 0. 718低于阈值情况下的信号波形图如图3所示。依据控制流程和所给出阈值,经偏振控制器调节后C3= 0. 925高于阈值情况的信号波形图如图4所示。

2 实验结果分析

实验中采用传感光纤长度为30. 15 km,在干涉仪距离第一探测器组14. 48 km处施加人员走动信号,2个探测器输出信号经信号处理单元解调后输出的信号波形图如图5所示。

从图5可以看出,传感解调系统可以无失真的得到目标震动信号[11,12]。图6为利用互相关算法将图5所示探测器输出的两路解调信号进行互相关运算的结果图。

从图6中可以看出,在Δt = 0. 16 ms时相关函数取得最大值。依据上述系统定位原理,可算出扰动点位置为14. 46 km,与实际扰动位置误差为20m。因此,基于图1所示的系统框图,采用前述的偏振控制、信号解调和目标定位方法,可以真实还原目标信号,准确定位目标位置。验证了系统的可行性。

3 结束语

【分布式传感器数据库论文】推荐阅读：

分布式传感08-16