无线传感器网络目标跟踪性能优化及仿真

无线传感器网络中传感器节点相互协同完成感知任务,以传感器量测的信息效用和获取量测的能量消耗来折中地选择参与的节点,但用户对服务质量Qos( Quality of Service)的需求并没有在节点选择时得以体现。为此本文以目标跟踪为应用背景,提出了一种自适应动态协同自组织算法A-DCS,该算法同时完成检测与状态估计任务,首先根据用户设定的检测概率,确定候选节点集合,选择具有最大检测概率的节点为簇首;随之根据给定的状态估计精度,自适应确定参与感知任务的簇成员顺序和个数。统计不同检测概率和状态估计精度时相应的能量消耗,以此作为系统设计时参数设定的依据,从而最大可能地延长网络的生命周期。仿真表明：在跟踪精度和能量消耗两个指标下,该算法优于IDSQ和DCS。 A-DCS也适用于传感器网络系统中的其他估计问题。     

一种能量有效的WSN目标跟踪动态协同自组织算法

针对无线传感器网络目标跟踪应用中跟踪精度与网络能耗的权衡问题,提出一种能量有效的动态协同自组织算法(E-DCS)。根据目标预测位置和节点的位置、能量信息,建立了信息效用、通信开销和节点剩余能量的综合性能指标,并利用层次分析法确定了性能指标中各要素的权值系数。通过自适应动态成簇策略,分别设定簇首切换精度阈值和节点选择精度阈值判断是否切换簇首和选择任务节点。簇首节点根据簇内节点提供的测量信息采用序贯EKF进行状态估计。仿真结果表明,与信息驱动传感器查询(IDSQ)和自适应动态协同自组织算法(A-DCS)相比,该算法在保证跟踪精度的基础上,降低了网络能耗,有效延长了网络的生命周期。     

基于IDSQ的自适应动态协同自组织算法

在无线传感器网络中传感器节点相互协同完成感知任务,以传感器量测的信息效用与获取量测的能量消耗来折中地选择参与节点,但用户对服务质量(QoS)的需求并没有在节点选择时得以体现.为此,提出一种自适应动态协同自组织算法(A-DCS).该算法能根据用户给定的精度需求,自适应地选择簇首,确定参与感知任务的簇成员顺序和个数,并计算相应的能量消耗.以目标跟踪为应用背景的仿真结果表明,在跟踪精度和能量消耗2个指标下,该算法优于信息驱动传感器查询(IDSQ)和动态协同自组织(DCS).     

传感器网络下机动目标动态协同跟踪算法

对传感器网络下的机动目标跟踪问题提出一种分布式传感器节点动态分簇、协同跟踪算法. 通过在线优化目标跟踪的性能函数和通讯代价, 自适应地选择节点并动态分簇, 通过多传感器节点的协同感知以及信息融合提高了跟踪精度. 由于问题的非线性和传感器节点的随机性, 本文基于粒子滤波器在线预测和估计目标状态的概率分布, 使用混合高斯粒子滤波器以及选择最短路径用于传感器节点之间的信息交换节约了通讯能量, 通过一种有效的粒子方法逼近目标状态的预测方差以实现传感器节点的最优选择. 仿真结果表明, 与 IDSQ 算法相比较, 本文提出的动态分簇算法实现了对机动目标的高精度跟踪.     

WSNs自适应DCS目标跟踪算法

无线传感器网络中传感器节点相互协同完成感知任务,以传感器量测的信息效用和获取量测的能量消耗来折中地选择参与的节点。针对IDSQ和DCS算法仅在节点协同环节极小化能耗的问题,提出自适应DCS算法(ADCS),以用户设定的精度阈值为约束,根据当前性能指标自适应降低节点采样频率,在数据采集阶段对节点进行有效控制,从根源上实现了极小化网络能耗的目的。仿真结果表明:ADCS在满足用户精度需求的前提下,大幅度减少了网络能耗。     

无线传感器网络信息感知中的自组织算法

构造了信息获取与能量节省的综合性能指标,通过在线优化该函数自适应地选择簇首及簇内成员,提出了一种无线传感器网络动态协同自组织算法(DCS),从而实现综合性能优化意义下的网络自组织．仿真表明:与IDSQ算法相比,DCS算法能有效避免“乒乓效应”问题,节省通讯能量明显,而跟踪精度相当．     

WSNs下一种自适应多传感器协同目标跟踪策略*

对WSNs中机动目标跟踪问题提出一种自适应多传感器协同跟踪策略。该策略能根据目标的移动位置,动态地唤醒无线传感器网络中部分传感器节点形成分簇,并选择合适的簇首和采样间隔进行目标跟踪。簇内节点通过协作感知以及测量信息融合,提高了跟踪精度,同时自适应可变采样间隔节约了通信能量和计算资源,满足了跟踪系统的实时性要求。提出了传感器网络能量均衡分配的指标,提高了网络的可靠性。由于模型的非线性和目标运动的机动性,采用IMM滤波器进行目标状态估计。仿真结果表明,与NSSS和DGSS相比,跟踪精度明显提高;与DCSS相比     

WSNs下一种自适应多传感器协同目标跟踪策略*

对WSNs中机动目标跟踪问题提出一种自适应多传感器协同跟踪策略.该策略能根据目标的移动位置,动态地唤醒无线传感器网络中部分传感器节点形成分簇,并选择合适的簇首和采样间隔进行目标跟踪.簇内节点通过协作感知以及测量信息融合,提高了跟踪精度,同时自适应可变采样间隔节约了通信能量和计算资源,满足了跟踪系统的实时性要求.提出了传感器网络能量均衡分配的指标,提高了网络的可靠性.由于模型的非线性和目标运动的机动性,采用IMM滤波器进行目标状态估计.仿真结果表明,与NSSS和DGSS相比,跟踪精度明显提高;与DCSS相比,在保证一定跟踪精度的同时,节约了能量消耗.     

基于粒子滤波的多目标跟踪研究

针对无线传感器网络中的多目标跟踪问题,为提高系统的精度,减少误差,提出一种自适应基于粒子滤波的多目标跟踪算法(APF).算法根据粒子历史信息与后验信息的关联度,自适应的调整粒子采样分布.由目标分布与节点测量的关系,将节点组织成簇,并用簇内的节点测量表示目标特征.目标状态的估计由粒子加权表示,权值与粒子和对应目标特征的相似度成正比.仿真结果表明,APF算法较好地解决无线传感器网络下的多目标跟踪问题,跟踪误差相对于经典分布式粒子滤波降低30%,验证了APF算法可以实时多目标跟踪,实现了较好的跟踪效果.     

基于正六边形区域划分的无线传感器网络动态目标跟踪

针对无线传感器网络(WSNs)目标跟踪应用中的跟踪精度与能耗问题,提出一种能量均衡消耗的目标跟踪协同算法.该算法以正六边形网格作为分簇模型,能动态地唤醒无线传感器网络中合适的簇对目标状态进行估计.同时引入了虚拟簇头的概念用于优化簇头选举策略.仿真分析表明:所提出的算法与簇内集中式算法相比不仅具有相当的估计性能,并能有效降低对簇头节点的性能要求.除此之外,通过自适应动态簇头选举策略,有效地均衡了各簇中节点能量消耗,提高了系统的健壮性.     

基于分布式聚类的有向传感器网络移动目标跟踪算法研究

针对有向传感器网络DSN（Directional Sensor Networks）中,传感器节点部署数量对目标跟踪精度、网络寿命和能效问题的影响方面,提出了一个分布式聚类算法,该算法在优化活跃传感器和节点的直接通信过程中,由分布式集群来负责协调成员间的节点,通过传输给Sink的定位信息及从多个节点聚集的传感数据来准确定位目标的位置。基于该理论的目标跟踪机制,提高了目标跟踪精度、增加了网络寿命和网络剩余能量。并进行了仿真验证,结果表明该方法能实现更高的跟踪性能。     

Energy-balanced multiple-sensor collaborative scheduling for maneuvering target tracking in wireless sensor networks

An energy-balanced multiple-sensor collaborative scheduling is proposed for maneuvering target tracking in wireless sensor networks (WSNs). According to the position of the maneuvering target, some sensor nodes in WSNs are awakened to form a sensor cluster for target tracking collaboratively. In the cluster, the cluster head node is selected to implement tracking task with changed sampling interval. The distributed interactive multiple model (IMM) filter is employed to estimate the target state. The estimat...     

Energy-efficient adaptive sensor scheduling for target tracking in wireless sensor networks

Sensor scheduling is essential to collaborative target tracking in wireless sensor networks (WSNs). In the existing works for target tracking in WSNs, such as the information-driven sensor query (IDSQ), the tasking sensors are scheduled to maximize the information gain while minimizing the resource cost based on the uniform sampling intervals, ignoring the changing of the target dynamics and the specific desirable tracking goals. This paper proposes a novel energyefficient adaptive sensor scheduling approach that jointly selects tasking sensors and determines their associated sampling intervals according to the predicted tracking accuracy and tracking energy cost. At each time step, the sensors are scheduled in alternative tracking mode, namely, the fast tracking mode with smallest sampling interval or the tracking maintenance mode with larger sampling interval, according to a specified tracking error threshold. The approach employs an extended Kalman filter (EKF)-based estimation technique to predict the tracking accuracy and adopts an energy consumption model to predict the energy cost. Simulation results demonstrate that, compared to a non-adaptive sensor scheduling approach, the proposed approach can save energy cost significantly without degrading the tracking accuracy.     

Self-organization of unattended wireless acoustic sensor networks for ground target tracking

A distributed, self-organization algorithm for ground target tracking using unattended acoustic sensor network is developed. Instead of using microphone arrays, each sensor node in the sensor network uses only a single microphone as its sensing device. This design can greatly reduce the size and cost of each sensor node and allow more flexible deployment of the sensor network. The self-organization algorithm presented in this paper can dynamically select proper sensor nodes to form the localization sensor groups that can work as a virtual microphone array to perform energy efficient target localization and tracking. To achieve this, we use a time-delay based bearing estimation plus triangulation for source localization in the sensor network. Major error sources of the localization method like time delay estimation, bearing calculation and triangulation are analyzed and sensor selection criteria are developed. Based on these criteria and neighborhood information of each sensor node, a distributed self-organization algorithm is developed. Simulation results show the effectiveness of the proposed algorithm.