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。     

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.     

无线传感器网络中能效优化的自适应节点选择算法

在无线传感器网络多目标跟踪的传感器管理问题中,跟踪精度和传感器节点寿命是两个重要的性能指标,针对在提高跟踪精度时现有算法复杂度较高的问题。本文采用基于目标预测位置的Mahalanobis距离为传感器节点观测信息量度量,同时利用三角形面积和原理来解决节点共线问题,针对节点剩余能量分布不均的问题,本文基于节点的剩余能量以及能量消耗,利用模糊逻辑计算任务节点、休眠节点的概率,并用标准差来衡量节点概率之间的差异。因此,综合考虑跟踪精度和传感器节点剩余能量分布,设计综合优化指标,提出能效优化的自适应节点选择算法。仿真结果表明,该算法在保证一定跟踪精度的同时使得网络中节点的剩余能量分布较为均匀。     

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.     

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。     

基于节点感应度的自主决策目标跟踪算法

目标跟踪是无线传感器网络的一项基本应用。由于传感器节点能量有限,如何在保证跟踪精度的前提下降低节点能耗以延长网络生命周期一直是研究的重点之一。文中采用RNG平面化技术将无线传感器网络平面化为多边形跟踪结构,基于定位边,采用加权质心算法对目标位置进行估计,结合节点对目标感应质量与距离负相关的特性,给出了节点感应度的计算方法,同时提出了一种节点自主决策是否参与跟踪的目标跟踪算法(NS-ADTT)。该算法中,节点可根据自身感应度值及局部网络情况自主决策是否参与当前跟踪。仿真结果表明,在目标跟踪过程中,该算法在保证一定跟踪精度的基础上减少了参与跟踪的节点数,降低了网络能耗,有效地延长了网络生命周期。     

一种权系数两级自调整的融合定位精度提高方法

在分布式传感器网络节点定位技术中,使用数据融合方法以提高探测系统的检测与定位精度正成为研究的热点。提出了一种应用于分布式传感器网络中的数据融合定位算法,通过对各个传感器节点的定位信息的加权求和来进行数据融合,用来提高探测系统目标定位的精度。该算法采用两级自适应调整得到最优加权因子,首先利用线性最小均方差（LMSE）算法得到权系数的初始值,然后利用训练节点和递归最小二乘（RLS）算法自适应地调整达到最优。对静态和运动目标的定位数据融合算法进行了仿真,仿真结果表明：相比单节点定位,提出的融合算法的定位精度有约1—2个数量级的提高。     

基于无线传感器网络的同时定位与跟踪

研究无线传感器网络在位置信息不确定时,同时定位无线传感器网络节点并跟踪移动目标。利用RSSI测量节点对之间的距离,多维定标技术根据距离矩阵完成传感器网络的初始定位。估计与更新阶段提出了压缩EKF滤波确定传感器节点位置和目标位置。仿真结果显示:算法在较低的网络覆盖率下有较高的定位和跟踪准确度,在初始定位误差为5m时,节点和跟踪误差均小于3m,特别是在长距离的跟踪任务中有很好的精度和实时性。     

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。     

基于WSN的多目标跟踪及反馈控制平台

针对多目标跟踪易产生网络冲突与超声波传感器之间的干扰问题,搭建多目标实时跟踪及反馈控制平台,提出一种有效的传感器节点调度策略。对于网络中分布式的异步测量问题,研究扩展卡尔曼滤波定位算法,实现多目标实时定位跟踪。实验结果表明,该策略有效避免多目标跟踪造成的超声波测量干扰和网络冲突,实现机器人网络化实时反馈控制和多机器人协同控制。     

一种太阳能传感器网络的自适应休眠调度算法

通过从外界获取太阳能,传感器网络节点的能量限制得到缓解。提出一种太阳能传感器网络的自适应休眠调度算法。当观测场景从区域观测到目标跟踪转变时,节点自适应地转换活跃和休眠状态,同时剩余能量低于能量阈值的休眠节点从外界获取太阳能。与不考虑太阳能获取的休眠调度算法相比,提出的算法延长了网络生命周期。     

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。     

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。     

基于三边测量的分簇目标跟踪算法

针对目标跟踪应用中目标移动的随机性和偶然性,以及跟踪节点的能量有限、通信半径小等问题,为了提高跟踪精度,并尽可能地减少节点能量消耗、延长网络寿命,提出了一种基于三边测量的分簇目标跟踪算法。所提方案采取三边测量技术进行移动目标的定位以提高定位精度,而且为了达到能效均衡,在建立唤醒簇阶段根据节点与目标之间距离、节点残余能量两个参数进行簇头及簇成员选举。仿真结果表明,所提方案与基于预测的能量节省(PES)方案、基于混合簇的目标跟踪(HCTT)协议相比,网络寿命更长,预测轨迹更精确,跟踪精度更高。     

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．     

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。     

无线传感网络中基于误差椭圆的自适应节点 选择目标跟踪算法

追踪精度与传感器节点能耗是无线传感网络WSN(Wireless Sensor Network)中主要考虑的两个性能指标,现有的许多目标追踪算法在提高追踪精度、降低传感器节点能耗的同时缺乏对传感器节点位置与数目的考虑.因此,提出一种基于误差椭圆的自适应节点选择目标追踪算法,以误差椭圆为基准计算目标最可能出现的区域,然后根据误差判决调整区域内所需激活的传感器节点数量,完成对目标的跟踪.仿真结果表明,该算法可以在保证追踪精度的同时有效降低激活传感器节点数量.     

传感器网络中基于平均剩余能量的数据汇聚节点选择算法

针对如何根据变动的网关节点在网络内部选择合适的数据汇聚节点以传输采集的数据这一问题,综合考虑节点剩余能量和距离因素,提出了一种基于平均剩余能量的数据汇聚节点选择算法,以均衡节点能耗、延长网络生命周期。与基于最大剩余能量的数据汇聚节点选择算法比较,证明该算法能够在保持相近生命周期的情况下大大减少计算量,更适用于资源有限的传感器网络。