无线传感器网络可扩展一致性目标跟踪算法研究

为提高机动目标跟踪性能,降低无线传感器网络的能量消耗,提出一种可扩展的动态平均一致卡尔曼滤波算法.根据预测的下一步目标位置,将无线传感器网络的节点动态组织成簇,多个传感节点协作执行目标的检测及分布式状态估计.给出三种可扩展动态一致卡尔曼滤波算法,即基于观测值、观测新息和估计值的一致性卡尔曼滤波,适应于不同情况的目标跟踪.簇中传感节点仅需接收邻居节点的信息,簇头节点负责下一步任务节点的选择并将当前状态估计值和对应的误差协方差发送给下一步的任务节点以减少整个网络的通信量.仿真结果表明,基于观测值、新息及估计值的分布一致卡尔曼滤波在跟踪精度方面与集中卡尔曼滤波性能相当,而其分布式结构决定了算法具有更强的鲁棒性和容错能力,能够提高系统的可靠性.     

带非线性约束的自适应高斯和卡尔曼滤波目标跟踪算法

无线传感网络中运动目标状态通常满足某种非线性状态约束,为了提高对传感网络中运动目标的跟踪精度,降低非高斯噪声对状态估计的影响,避免高斯项数在迭代过程中的冗余累积,提出一种带非线性约束的权值自适应高斯和卡尔曼滤波算法.算法在每个时刻计算目标当前状态的高斯子项集合,并对每个高斯子项分别以无迹卡尔曼滤波进行状态估计.设计了一种高斯子项权值自适应策略动态调节子项权值,以实现无约束状态下的全局估计.将目标的非线性状态约束引入滤波器结构中时,考虑将其看作一类无约束状态估计的约束投影问题,通过状态约束信息先验来修正运动目标的状态估计.仿真结果表明,该算法与目前的非线性约束卡尔曼滤波相比具有更高的跟踪精度.     

无线传感器网络动态最近邻协作目标跟踪算法

针对现有的目标跟踪算法不能兼顾精度和能耗的问题,提出了一种动态最近邻协作目标跟踪算法。本算法动态构建目标跟踪簇以更好地适应目标位置的实时变化,从而获取最佳的跟踪精度。当目标进入监控区域后,多个传感器节点感知到目标则自动成簇最小二乘方法初始移动目标的最初位置。引入预测机制,根据目标的未来位置,基于最近邻协作准则选择下一时刻的簇头节点。目标跟踪簇头节点在其邻居范围内选择任务节点观测目标位置,并采用集中卡尔曼滤波完成目标的状态估计。仿真结果表明:提出的目标跟踪算法具有跟踪精度高,节点间的单跳通信距离能够有效减少能耗。     

基于IMM-PF的分布式估计融合算法

针对基于扩展卡尔曼滤波的估计融合算法存在线性化误差,且受高斯噪声假设限制的问题,提出一种基于交互式多模型粒子滤波(IMM-PF)的分布式多传感器估计融合算法.各传感器节点采用IMM-PF算法,以便在非线性、非高斯条件下稳健地跟踪机动目标;融合中心则采用基于粒子滤波(PF)的分布式融合方法进行全局估计融合.该算法适用于非线性、非高斯条件下的多传感器状态估计.仿真结果表明,该算法能够提高多传感器系统状态估计的精度.     

分布式传感网络的自适应一致性算法

为了提高分布式传感网络的估计精度,提出了一种新的自适应一致性算法。该算法在每次迭代时只需部分节点工作,即进行目标状态的监测。通过节点之间二进制信息的交换来调整每次迭代时的一致性权值,使得每次迭代时工作节点所占的权值更大,进而将该一致性算法与卡尔曼滤波相结合对目标状态进行估计。对该算法进行数值仿真,并与其他一致性加权算法进行比较,验证了该算法的有效性。     

基于动态加权的量化分布式卡尔曼滤波

针对一个无融合中心传感器网络中的状态估计问题,提出一种基于量化信息的分布式卡尔曼滤波(QDKF)算法。首先,在分布式卡尔曼滤波(DKF)中,以节点状态估计精度为加权准则,动态选取加权矩阵,使得全局估计误差的协方差最小;然后,进一步考虑了网络带宽受限制的情况,在DKF算法中加入均匀量化器,节点之间通信使用量化后的信息,以减少网络通信的带宽需求。QDKF算法仿真采用了8 bit的均匀量化器,与Metropolis加权法和最大度加权法相比,动态加权法的状态估计均方根误差分别降低了25%和27.33%。实验结果表明,采用动态加权法的QDKF算法能提高系统的状态估计精度,减少带宽需求,适用于网络通信受限制的应用场合。     

基于信息量的分布式协同自组织算法

无线传感器网络中节点协同自组织主要涵盖传感器管理和状态估计,也就是如何选择传感器节点、设置传感器参数并估计被监测系统的状态,因此协同白组织为决策与估计的联合优化．本文提出了一种自适应动态协同自组织算法,以量测所提供的信息量和节点自身的剩余能量做为节点选择的综合指标,根据设定的感知精度,自适应地选择参与感知任务的节点集合,在信息滤波的融合框架下完成状态的分布式估计．相比信息驱动传感器查询（information-driven sensor querying,IDSQ）,算法具有精度可调、强鲁棒,同时尽可能地延长了网络的生命周期．以目标跟踪为应用背景,其仿真结果表明：以跟踪精度、失跟率和网络生命周期作为评价指标,该算法优于IDSQ．     

基于IMM-PF的分布式估计融合算法

针对基于扩展卡尔曼滤波的估计融合算法存在线性化误差,且受高斯噪声假设限制的问题,提出一种基于交互式多模型粒子滤波(IMM-PF)的分布式多传感器估计融合算法.各传感器节点采用IMM-PF算法,以便在非线性,非高斯条件下稳健地跟踪机动目标;融合中心则采用基于粒子滤波(PF)的分布式融合方法进行全局估计融合.该算法适用于非线性,非高斯条件下的多传感器状态估计.仿真结果表明,该算法能够提高多传感器系统状态估计的精度.

     

基于能量优化的无线传感器网络动态分簇目标跟踪

针对无线传感器网络动态分簇目标跟踪中的数据碰撞与簇首选择过程导致能耗过高问题,提出一种基于能量优化的无线传感器网络动态分簇方法。首先,构建时分竞选传输模型,主动避免动态簇内数据碰撞,降低节点能耗;然后,基于能量信息与跟踪质量,提出能量均衡的最远节点调度策略,优化簇头节点调度;最后,根据加权质心定位算法,完成目标跟踪任务。实验结果表明：在节点随机部署的环境下,所提方法对于非线性运动目标的平均跟踪精度为0.65 m,与多目标跟踪动态簇员选择方法（DCMS）相当,比分布式事件定位动态分簇目标跟踪算法（DELTA）提高了45.8%;能量消耗方面,与DCMS和DELTA相比,所提方法的动态跟踪簇能量消耗有效降低了61.1%,延长了网络寿命。     

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.     

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...     

基于扩散卡尔曼滤波算法的目标跟踪估计

针对节点网络上的目标跟踪,提出一种基于扩散Kalman滤波算法的分布式跟踪估计。假设该节点网络系统按照线性状态空间模型演进,网络中的每个节点获取与未观察到的状态线性相关的测量值;对于每个测量值和每个节点,采用来自邻近区域的数据计算出一个局部状态估计值;采用一个基于扩散矩阵和连接矩阵的扩散步骤,将前面计算得到的邻域估计值在整个网络上扩散,从而使得每个节点获得关于系统状态的最佳跟踪估计。仿真实验结果表明,该算法不仅在平均均方偏差性能方面可与集中式Kalman滤波跟踪算法相比拟,而且在平均能耗方面优于对比算法。     

一种基于无线传感器网络的分布式处理目标跟踪系统

系统使用超声波传感器和扩展卡尔曼滤波对无线传感器网络中的移动单目标进行定位跟踪.节点嵌入式应用程序采用TinyOS/nesC[1]编程实现,采用Labview进行应用层开发.为了优化网络的能耗以延长网络寿命,提出了两种在分布式传感器网络中局部节点自适应选择任务节点[2]的方法.实验结果验证了扩展卡尔曼算法的正确性,并比较了这两种任务节点选择调度方法的跟踪性能,得出了基于候选节点协方差矩阵最小迹的任务节点选择调度方式在目标丢失率和跟踪精度综合考虑的基础上性能更优.     

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。     

一种高跟踪质量保证的预先节点选择策略

为保证传感器网络节点高质量的目标跟踪效果,采用在目标移动的方向上提前选择一些节点进行监控的策略,保证当目标移动到新的位置时总有监测节点进行持续的监测,使这些监测节点总是离目标最近,感知质量最高;该策略依据网络能量消耗的不均衡性,在能量有剩余的区域提前唤醒更多的节点,而在能量消耗紧张的区域少唤醒节点,与其他策略相比并没有降低网络寿命。通过实验性能分析对比表明：该策略可以在不降低网络寿命的前提下大幅度提升跟踪质量。     

分布式粒子滤波实现无线传感器网络目标跟踪

为了延长无线传感器网络寿命,减小通信代价,提出一种层次型网络结构下基于粒子滤波的分布式跟踪算法.层次型网络由簇头节点和普通传感节点组成,簇头节点采用粒子滤波获得目标运动状态,联合当前时刻目标的本地估计位置、预测速度预测下一时刻的目标位置.并根据目标的预测位置判断是否转移簇首.目标离开节点探测范围后,节点进入休眠状态.实验表明,该方法能满足目标跟踪精度,并可有效的减少网络能耗,提高无线传感器网络使用寿命.     

无线传感器网络车流量统计的路由协议

提出了一种应用于交通管理中心统计道路车流量的路由协议,以便更好地进行交通管理。根据无线传感器网络能量有限的特点和具体应用的需求,在路由表中添加了车辆在检测区域内的有效时间,动态控制了中间节点是否转发信息,避免了基站接收无用信息,减少了节点的能量消耗。提出了一种节点唤醒策略,有效地提高了车流量统计应用中对目标追踪的质量。仿真实验表明:与AODV协议和TSR协议相比,延长了网络生存周期。     

WSN中一种目标追踪在线节点调度算法

针对目标追踪无线传感器网络节点能量有限、感知信息存在不确定性等问题,提出一种基于部分可观察马尔可夫决策过程的在线节点调度算法。通过状态转移函数和观察函数描述移动目标的不确定性,根据奖赏函数平衡追踪性能和节点能量消耗,并构造有限深度的可达信念与或树降低运算复杂度,实现调度策略在线求解。实验结果表明,该算法能平衡目标追踪质量与节点能量消耗,且满足实时性 要求。     

基于Kullback-Leibler分歧的变分滤波WSNs贝叶斯移动定位跟踪西

为了在降低资源能耗和带宽占用情况下,提高无线传感器网络WSNs移动目标定位跟踪的精度,提出了基于Kullback-Leibler分歧的变分滤波的WSNs贝叶斯移动目标定位跟踪算法。首先,利用高斯和Wishart分布在不考虑速度限制和方向移动限制情况下,构建WSNs移动定位的贝叶斯状态演化模型,并基于路径损耗模型构建移动目标定位的观测模型;其次,利用Kullback-Leibler分歧构建变分滤波的误差计算模型,通过周围激活节点实现移动节点目标的位置估计,设计了递归概率计算过程综合预测和更新两个过程,并实现了定位和目标跟踪的同步化;最后,通过仿真验证了所提模型在跟踪精度和资源节约上的优势。