基于粒子滤波的分布式目标跟踪算法

根据无线传感器网络分布式目标跟踪的特性,提出一种改进粒子滤波算法。将簇内各节点最新的观测数据用极大似然估计法得到目标的状态信息,该信息作为参考分布更换粒子滤波部分粒子,引入模糊推理的数据融合方法为各个节点滤波结果分配不同权值,通过加权平均法得到目标的状态信息。仿真实验表明该算法能有效提高目标跟踪的精度。     

粒子滤波实现无线传感器网络目标跟踪预测

为减少无线传感器网络(WSN)目标跟踪预测误差,提出一种粒子滤波实现WSN目标跟踪预测方法;该方法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、预测速度和加速度获得下一时刻目标预测位置,预测位置可作为当前头节点唤醒所述下一时刻传感器节点的依据;结果表明,上述粒子滤波预测方法预测准确度相比线性预测方法明显提高,均方根误差RMSE减少49%;相比基于二次多项式运动建模的WSN目标跟踪预测方法,均方根误差RMSE减少6%。     

基于分布式粒子滤波的二进制无线传感器网络目标跟踪

为了提高二进制无线传感器网络跟踪算法的精度和实时性,降低传感器节点能耗,将分布式粒子滤波运用到二进制无线传感器网络中进行目标跟踪。选择信号强度最大的节点作为簇头节点,在簇头单跳通信范围内的所有节点和簇头组成对目标跟踪的动态分簇,在簇头节点进行粒子采样和状态估计,在簇头之间传递粒子及其权值,从而得到了二进制无线传感器网络的分布式粒子滤波跟踪算法。研究了粒子数和网络节点数量对跟踪精度的影响。仿真结果表明,传感器的节点数量会影 响跟踪精度,但是粒子数对跟踪精度的影响更大。同时分布式粒子滤波比集中式粒子滤波具有更好的实时性和更低的能耗。     

基于约束策略的WSN低能耗粒子滤波跟踪算法

目标跟踪是无线传感器网络研究的关键技术之一,如何在保证较低能量消耗的前提下,实现监测场景中运动目标准确跟踪是需要解决的问题。在深入研究分析传感器网络目标跟踪算法的基础上,提出了基于约束策略的WSN低能耗粒子滤波跟踪算法。该算法采用动态分簇,既减少网络的能量消耗,又保证监测目标节点的数量;在跟踪过程中,采用约束策略得出目标估计区域,对粒子采样结果进行优化,同时对状态空间模型进行改进,增强粒子对目标的跟踪能力。仿真结果表明,提出的跟踪算法有效的实现目标的跟踪,在保证低能耗的同时提高了跟踪精度。     

WSN中基于粒子滤波的目标跟踪研究

针对无线传感器网络中仅有角度测量的目标跟踪问题,详细分析其定位过程,提出一种基于改进粒子滤波算法的新解决方案.方案采用高斯混合模型(GMM)代替单一模型近似概率密度分布,融入粒子滤波算法,提议分布采用SRUKF-PF算法更新粒子.算法中增加改进措施以提高滤波性能如:残差重采样算法用于重采样、K-means算法用于构建预估起始点、EM算法用于拟合GMM近似等.仿真结果验证了方案的有效性.     

基于量子遗传粒子滤波的WSN目标跟踪算法

为了解决粒子滤波算法中存在的严重的退化现象,以及采用常规的重采样方法解决退化问题导致的粒子耗尽问题,研究了粒子滤波退化现象存在的原因和量子遗传算法具有的优点,将量子遗传算法引入粒子滤波,提出了基于量子遗传粒子滤波的无线传感器网络目标跟踪算法.通过量子遗传算法的编码方式增加粒子集的多样性,从而缓解了粒子滤波的退化现象并解决了粒子耗尽问题,而量子的并行性也节省了计算时间,提高了跟踪的实时性.仿真结果表明了该算法是可行的.     

二进制无线传感器网络中的分布式自适应粒子滤波目标跟踪算法

为了提高无线传感器网络目标跟踪的实时性,减少通信量,提出了一种二进制无线传感器网络的分布式自适应粒子滤波算法,该算法在簇头更换时,簇头之间只需要传送滤波值和误差方差,而无需传递大量粒子,同时该算法根据滤波方差在线调整粒子数,从而降低了算法的计算量。从算法耗时、均方根误差(跟踪精度)以及通信量等方面进行了仿真研究。仿真结果表明,分布式自适应粒子滤波算法的耗时、通信量要明显少于集中式粒子滤波和分布式粒子滤波;同时其均方根误差的变化幅度受粒子数的影响非常小,具有更好的跟踪性能。     

基于分布式动态簇结构的WSN自适应目标跟踪算法

目标跟踪是无线传感器网络应用研究的一个重要问题,如何在传感器节点随机分布的条件下对目标进行实时、准确的跟踪,并尽可能地降低网络能耗是目标跟踪问题的一个难点。文章基于分布式动态簇结构和并行粒子滤波算法对目标进行跟踪,提出一种跟踪采样周期自适应调整算法来降低网络能耗,同时也提高了跟踪的稳定性。仿真结果表明,文章提出的算法达到了实时、准确和节能的要求,具有一定的实际应用价值。     

基于粒子滤波的二元无线传感器网络分布式目标跟踪研究

针对二元无线传感器网络中利用粒子滤波进行集中式跟踪的不足,基于动态分簇结构,研究了基于粒子滤波的二元无线传感器网络分布式目标跟踪算法。算法每一时刻根据目标的状态只激活少量的节点参与探测跟踪,其它节点处于休眠状态以节省能量。最后,利用计算机进行了Monte Carlo仿真,仿真结果表明,算法在不损失跟踪精度的情况可以减少能耗和计算量,从而延长网络使用寿命。     

WMSN目标跟踪的改进粒子滤波算法

分析了无线移动传感器网络中目标的跟踪原理,研究了基本粒子滤波算法的主要技术。对基本粒子滤波的重要性函数和重采样技术进行改进后,给出了一种提高基本粒子滤波算法跟踪精度的方法。通过仿真比较可以看出改进粒子滤波算法有较好的跟踪精度。在无线移动传感器网络中强调跟踪精度的场合,改进的粒子滤波算法会有更好的跟踪效果。     

粒子滤波在无线传感器网络目标跟踪中的应用

将粒子滤波（PF）算法应用于无线传感器网络（WSNS）的目标跟踪,并给出了粒子滤波实现的具体步骤。动态组织传感器网络节点成簇,实现了对网络中做匀速直线运动的单个目标的跟踪。分别采用扩展卡尔曼滤波（EKF）、无迹卡尔曼滤波（UKF）和PF算法进行了仿真试验。结果表明,在无线传感器网络目标跟踪领域,PF算法比EKF算法、UKF算法的滤波精度更高,性能更好,并且在实际应用中,由于该算法能够有效解决非线性、非高斯环境中的目标跟踪问题,实现简单而增强了可用性。     

基于改进粒子滤波器的WSNs目标跟踪算法

提出了一种适用于无线传感器网络(WSNs)的目标跟踪算法,该算法基于改进型粒子滤波器(PF),根据当前的预测值优化PF的方向值,从而保证精确地预测到目标的移动方向;修改了目标突发变化引起的粒子滤波器预测误差,能够很好地跟踪目标移动过程中的异常、突发的移动变化.仿真结果表明:该目标跟踪算法采用新的粒子滤波器之后,可以获得...     

权值选优粒子滤波的无线传感器网络目标跟踪

基于动态分簇结构的特点,结合权值选优粒子滤波(PF)算法的优越性,研究了无线传感器网络分布式目标跟踪算法.该方法采用这种改进的粒子滤波算法,利用簇和簇之间的传递关系,获得目标的动态状态.根据当前时刻目标的本地估计位置、预测速度和加速度,获得目标的预测位置.结果表明:此方法相比集中式目标跟踪,能在节省能量消耗的基础上,比...     

分布式粒子滤波算法在目标跟踪中的应用

针对无线传感器网络中目标跟踪的精度与网络能耗这一对矛盾,提出了一种改进的分布式粒子滤波算法。通过调整滤波器的似然分布保持粒子的多样性,同时将无线传感器网络中的跟踪机制进行改进,采用根据跟踪精度自适应调整动态簇内工作的传感器节点的数目。仿真结果表明:提出的改进算法在提高跟踪性能的同时减少了能量损耗,延长了网络的使用寿命。     

基于粒子滤波的无线传感器网络目标跟踪算法

传感器节点的组织和路由对无线传感器网络(WSN)目标跟踪算法的性能有重大影响.为此,针对具有簇一树型网络拓扑结构的WSN,首先给出集中式粒子滤波跟踪算法(CPFTA)实现的具体步骤,然后提出一种分布式粒子滤波跟踪算法(DPFTA),构建性能评价体系,通过仿真实验给出两种跟踪算法的定量比较,结果表明DPFTA的跟踪精度稍低于CPFTA,但能大幅度减少通信开销,而且具有更小的跟踪反应时间;最后仿真分析了传感器覆盖密度和检测周值对跟踪算法性能的影响.     

基于预测的动态分簇目标跟踪算法

在保证高跟踪准确度的基础上,降低节点的能耗,延长网络的寿命是目标跟踪的核心问题。为此,提出了一种基于预测的动态分簇目标跟踪算法Pre-DC。该算法首先建立动态的簇结构,然后利用粒子滤波算法实现簇对目标的跟踪,最后根据预测误差大小动态地更新簇结构。这样不仅降低了跟踪簇的能量消耗,同时也提高了跟踪精确度。仿真结果表明,算法在参与跟踪节点较少的情况下,能获得很好的目标跟踪精度。     

改进粒子滤波的无线传感器网络目标跟踪算法

针对粒子滤波(PF)重采样后造成的粒子枯竭现象的问题,提出了一种基于改进重采样的粒子滤波无线传感器网络目标跟踪算法.该算法避免了残差重采样算法中的残留粒子重采样问题,减少了计算时间;通过产生新的粒子,增加了粒子的多样性,从而改善了粒子枯竭现象.仿真实验结果表明:改进重采样的粒子滤波算法提高了目标跟踪精度,降低了跟踪误差.     

基于KLD采样的自适应粒子滤波目标跟踪算法

标准粒子滤波算法用于无线传感器网络运动目标跟踪时,非高斯噪声环境会降低其跟踪精度和计算效率。针对该问题,结合多传感器测量模型和Kullback-Leibler距离(KLD)采样方法,提出一种自适应粒子滤波算法。在满足预设阈值条件时,引入补偿函数对重要性概率密度函数(IPDF)进行迭代更新,同时利用具有自适应退火参数的模拟退火算法使粒子快速接近高似然区域。在此基础上,结合KLD采样动态调整粒子规模,在保证跟踪精度的同时减少运算量。仿真结果表明,与KLD-PF算法相比,该算法的IPDF分布接近真实后验概率密度分布,跟踪精度较高,能够在不同参数的非高斯噪声下进行有效跟踪。     

基于量化新息的容积粒子滤波融合目标跟踪算法

针对现有非线性网络化目标跟踪融合算法存在的精度低和实用性差等不足,以一类带有噪声相关的非线性网络化目标跟踪系统为对象,研究基于测量新息量化策略和容积粒子滤波（Cubature particle filter,CPF）的目标跟踪融合算法. 首先,利用状态方程恒等变换和矩阵相似变换理论解除过程噪声与测量噪声以及测量噪声之间的相关性;其次,各个传感器节点采用自适应策略量化局部测量新息并将其发送到融合中心（Fusion center,FC）;随后,在集中式融合框架下采用容积粒子滤波器设计基于测量值扩维的量化融合跟踪算法,进而给出相应的顺序滤波量化融合算法,上述算法可有效解决因自适应量化引起的非高斯问题;最后,通过两个计算机仿真实验验证了所提出跟踪算法的有效性.     

基于自适应蝙蝠粒子滤波算法的WSN目标跟踪

为了解决粒子滤波(PF)的无线传感器目标跟踪中样本贫化导致的精度较低的问题,提出了自适应蝙蝠粒子滤波的WSN目标跟踪方法。通过自适应的蝙蝠算法的滤波算法优化粒子重采样过程,结合最新的观测值定义粒子的适应度函数,引导粒子整体上向较高的随机区域移动。同时利用动态自适应惯性权重探索新的粒子位置更新为设计机制,引入动态适应惯性权重值, 有效调整全局探索和局部探索适应能力、改善粒子贫化和局部极值问题,增加粒子群多样化从而提高跟踪性能。实验结果表明,自适应蝙蝠粒子滤波算法重采样方法可以防止粒子的退化,增加粒子的多样性,减少跟踪误差,可以减少算法的运行时间,实时追踪性能大幅提高。与BA-PF算法和PF算法相比较,IBAPF 算法的计算时间是最短的,IBA-PF算法的位置和速度的平均平方根误差最小(位置0.0311、0.0202、速度0.0262、0.0101),PF算法的跟踪精度是最低的,而IBA-PF跟踪精度较高,IBA-PF算法被证明具有良好的跟踪性能。