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.     

一种基于Rényi信息增量的机动目标协同跟踪方法

针对传感器网络中的动态跟踪问题,提出一种基于Rényi信息增量的机动目标协同跟踪方法.首先利用粒子滤波计算每个传感器Rényi信息增量;然后以Rényi信息增量最大为原则选择传感器进行目标跟踪,并在跟踪时通过多模型的交互作用实现对机动目标状态的准确估计.仿真结果表明,在非线性非高斯环境下,所提出的方法与传统方法相比能够有效提高跟踪精度,动态分配传感器资源,实现协同跟踪.     

一种基于Rényi信息增量的机动目标协同跟踪方法

针对传感器网络中的动态跟踪问题,提出一种基于 R′enyi 信息增量的机动目标协同跟踪方法.首先利用粒子滤波计算每个传感器 R′enyi 信息增量;然后以 R′enyi 信息增量最大为原则选择传感器进行目标跟踪,并在跟踪时通过多模型的交互作用实现对机动目标状态的准确估计.仿真结果表明,在非线性非高斯环境下,所提出的方法与传统方法相比能够有效提高跟踪精度,动态分配传感器资源,实现协同跟踪.     

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。     

基于粒子群优化的大规模传感器网络节点调度策略

针对资源受限条件下大规模无线传感器网络中协作目标跟踪问题,提出一个基于粒子群优化的节点调度方案.该方案利用高斯粒子滤波算法和方差交叉融合算法获得目标状态预测信息,进而选择下一时刻簇成员节点,并构造了通信能耗的代价函数,利用粒子群优化方法选择最佳的簇头节点,减少了节点调度的计算复杂度,同时保持了较好的跟踪精度.仿真结果验证了所提出方案的有效性.     

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。     

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.     

基于动态分簇的传感器网络协同算法

该文提出了一种基于动态分簇的协同信息处理算法,并以跟踪问题为具体算例对该算法进行了验证。该方法依据被跟踪对象的预测位置,动态分簇(cluster),并利用传感器节点与该预测位置间的范数来选择合理的测量值,综合利用簇内所有相关节点的信息。仿真结果表明,该方法在有效利用能量的基础上大大提高了系统精度和鲁棒性。     

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IMM多传感器顺序粒子滤波跟踪机动目标算法

针对交互式多模型粒子滤波在跟踪机动目标时精度受限问题,提出一种基于交互式多模型(IMM)的多传感器顺序粒子滤波算法。采用IMM机制实现目标运动模式的确认;在合理利用单传感器量测和多传感器量测中冗余和互补信息的基础上,引入顺序重抽样方法改善粒子分布,并将改善后的粒子应用于IMM粒子滤波算法框架。仿真实验结果表明:新算法能够估计出强机动目标状态,且精度明显优于标准IMM粒子滤波算法。     

传感器网络中的分布式粒子滤波被动跟踪算法比较研究

为提高无线传感器网络(WSN)中的被动跟踪性能,并减少通信量,提出了两种分布式粒子滤波方法.在使用动态分簇结构的基础上,采用信息粒子滤波器(IPF)技术,以簇头作为簇的处理中心,接收来自子节点的观测量,形成本地估计,再将并行粒子滤波器(PPF)将粒子集被分成多个小的子集,分配到簇中的各子节点,完成并行进行粒子滤波过程.在通过计算机仿真的基础上,进行了跟踪和能耗的对比分析研究,结果表明IPF和PPF不仅提高了跟踪精度,而且减少了WSN中的通信能量开销.     

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...     

基于粒子滤波的模型自适应机动目标跟踪算法

针对当前机动目标跟踪领域中多模型算法存在的问题,提出一种基于粒子滤波的模型自适应机动目标跟踪算法.首先,依据前一时刻每个粒子采用的模型状态和模型间的状态转移概率,实现对当前时刻模型的采样;然后,将采样模型用于对当前粒子的预测,并根据当前时刻得到的量测数据实现对预测粒子权值的度量;最后,通过重采样策略和概率最大化原则完成对模型的合理选择和状态的有效估计.仿真实验验证了该算法的有效性.     

基于核密度的动态初始化重置粒子滤波

针对粒子滤波过程中,长时间的重采样造成的粒子多样性枯竭,由此导致目标跟踪中出现的精度下降及跟踪轨迹大幅振荡的现象,通过对采样粒子分布规律的研究,根据粒子枯竭的程度设置重置门限,在滤波过程中实时地检测粒子枯竭参数,当粒子的枯竭超过设置门限时,采用重置初始化粒子的方法来缓解采样粒子的枯竭趋势,有效地增加了长时间大量重采样后粒子的多样性,避免了粒子所含信息过多的丢失,显著地提高了粒子滤波的精度,在二维目标跟踪模型中应用所提算法并进行仿真实验,仿真结果证明了算法的可行有效。     

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。     

划分交互式箱粒子概率假设密度滤波法

针对现有的多机动目标追踪问题,将交互式多模型(interacting multiple model,IMM)思想与箱粒子概率假设密度滤波器(box probability hypothesis density filter,Box-PHD)相结合,并针对箱粒子在区间密集杂波等复杂环境下箱体偏大,所导致的箱粒子冗余和目标跟踪位置估计不精确等问题,引入箱粒子划分技术,提出一种划分交互式概率假设密度滤波(partitioned interacting multiple model probability hypothesis density filter,PIMM-Box-PHD)算法,来处理椭圆形多机动目标的跟踪问题。该算法首先在预测阶段针对多目标的机动问题引入IMM预测,利用多模型交互方法来解决目标运动时模型失配问题;其次,利用箱划分技术将预测得到的箱粒子划分为大小和权值相同的多个子箱,以提高目标位置估计精度;最后,利用Box-PHD滤波对划分后的小箱粒子集进行区间量测更新。利用实验验证了PIMM-Box-PHD算法在多机动目标跟踪方面的良好性能,以及相较于IMM-Box-PHD算法在目标位置估计方面的优势。