无线传感器网络中分布式点目标跟踪的高斯过程上置信界
机器学习
2024-09-13 v1 机器学习
统计理论
统计理论
摘要
不确定性量化在自主系统、决策制定以及无线传感器网络跟踪的发展中扮演着关键角色。然而，特别是在处理传感器收集的不同数据量的基于分布式机器学习的跟踪中，需要提供不确定性置信界。本文旨在填补这一空白，提出了一种用于点目标跟踪的分布式高斯过程方法，并推导了状态估计的上置信界。本文的一个独特贡献包括对所提方法及其在有和无杂波测量情况下跟踪的最大精度给出了理论保证。特别是，所开发的具有不确定性界的方法是通用的，能够以更高的可靠性提供可信赖的解决方案。提出了一种新颖的混合贝叶斯滤波方法，通过采用泊松测量似然模型来增强分布式高斯过程方法。所提方法在一个传感器具有有限感知范围的无线传感器网络案例研究中得到了验证。数值结果证明了所提方法的跟踪精度和鲁棒性。推导出的上置信界构成了评估分布式高斯过程方法可信度的工具。仿真结果表明，与基于置信区间的方法相比，所提出的上置信界在X和Y坐标上分别以88%和42%更高的概率成功包含了真实目标状态。
引用
@article{arxiv.2409.07652,
title = {Gaussian Process Upper Confidence Bounds in Distributed Point Target Tracking over Wireless Sensor Networks},
author = {Xingchi Liu and Lyudmila Mihaylova and Jemin George and Tien Pham},
journal= {arXiv preprint arXiv:2409.07652},
year = {2024}
}