距离加权的二进制传感器网络目标跟踪算法

提出了基于距离加权的二进制传感器网络中的目标跟踪算法.该算法可在二进制传感器节点判决输出信息比特的同时产生感测节点的权值.仿真结果证明了基于距离加权的目标跟踪算法的有效性,并且不论目标运动采用直线、曲线或随机轨迹,都具有良好的性能,误差分布均集中在[0,0.2]的区间范围中.     

二进制传感器网络加权目标跟踪算法研究

该文主要研究二进制传感器网络中加权目标跟踪算法的设计。针对已有算法中权值不能实时反映目标与感测节点之间距离关系的缺点,提出了距离加权和基于预测的距离加权目标跟踪算法。距离权值能够实时反映目标与各个感测节点间的距离关系,因此具有更高的跟踪精度。在距离加权算法中感测节点需要将感测信息和距离信息都传输到融合中心,这会增大感测节点的能量消耗。为了解决这个问题,文中提出一种基于预测的距离加权目标跟踪算法。该算法中感测节点不需要传输距离信息而只传输感测信息到融合中心从而减少了能耗。仿真结果表明,基于预测的距离加权算法比已有算法能够够精确地跟踪目标,在保证跟踪精度的同时减少了通信能耗。     

基于目标中心距离加权和图像特征识别的跟踪算法

本文提出了一种实时跟踪算法,以目标中心距离加权的灰度图像作为模板,采用mean-shift迭代方法实现目标的空间定位;同时建立二值图像模板,根据目标的图像特征,进行尺度定位.本算法改进了kernel-based算法对变尺度目标的跟踪.对于超过一定像素的较大目标,本算法进行"降采样",大大减小运算量,从而实现了对大尺度目标的实时跟踪.实时视频流的跟踪实验验证了该方法的有效性.     

无线传感器网络的目标跟踪算法

为了解决无线传感器网络跟踪非线性运动目标的分布式数据融合问题,使用了基于扩展信息滤波器(EIF)的分布式估计算法.对于活跃传感器的选择方法,采用了基于与目标位置接近程度的近邻选择算法和基于信息贡献的信息选择算法.仿真结果表明,与分布式扩展信息滤波器(DEIF)算法相比,近邻选择算法和信息选择算法得到了相似的响应曲线,且具有减少能量消耗和简化计算的优点.     

无线传感器网络中基于网格的目标跟踪算法

提出了一种适用于无线传感器网络中基于网格的目标跟踪算法，以解决在目标跟踪过程中信任度（belief）更新和传感器节点信息贡献量估计问题。该算法对信任度进行非参数化表示，用基于网格的算法对序列贝叶斯滤波过程进行实现。并且利用目标位置预测和基于网格的算法在不预先获知传感器节点测量数据的情况下，对节点的信息贡献量进行估算。在资源受限的无线传感器网络中，该算法在降低计算复杂度、提高算法适用范围方面都有显著改进。最后在仿真环境中验证了基于网格的目标跟踪算法的有效性。     

具有遮挡鲁棒性的目标中心距离加权的跟踪算法

本文提出了一种实时跟踪算法,以目标中心距离加权的目标图像直方图作为模板,采用mean-shift迭代方法进行目标定位;当目标被部分遮挡时,用"分块匹配"的方法提高算法鲁棒性;对于超过一定像素的较大目标,本算法进行"降采样",大大减小运算量,从而实现了对大尺度目标的实时跟踪.实时视频流的实际跟踪系统验证了该方法的有效性.     

基于强跟踪滤波的传感器目标跟踪算法

为了提高运动目标的跟踪精度,提出一种基于强跟踪滤波的传感器目标跟踪算法.首先通过传感器节点测量目标的状态值,并通过融合中心对信息进行融合,然后利用Cholesky分解技术变换成噪声独立的量化融合系统,并采用强跟踪滤波算法对目标状态进行估计,最后与其它目标跟踪算法进行对比实验.结果表明,本文算法不仅提高了目标跟踪的精度,而且具有更好的鲁棒性.     

基于改进背景加权的Mean-Shift目标跟踪算法

针对采用核加权直方图的方法计算目标模板与候选区域目标特征无法实现对运动目标的准确定位这一问题, 提出了一种利用改进背景加权增强直方图显著性的鲁棒Mean-Shift跟踪算法。在传统Mean-Shift的框架下, 通过计算目标和背景特征直方图bin值, 得到两者特征显著性大小, 将其代入传统相似性度量中, 定义新的背景加权系数, 进而更好地提高目标与背景的区分度, 减少背景信息对目标定位的干扰。通过算法改进前后的实验结果以及跟踪误差和正确跟踪率的比较发现,跟踪效果得到明显改善。     

基于孪生网络的目标跟踪算法

在计算机视觉应用中,基于孪生网络的跟踪算法相比于传统的目标跟踪算法在速度和精度上都有所提升,但是其受到遮挡、形变等干扰因素影响较大。基于此,本文对现有基于孪生网络的目标跟踪方法和技术所作的改进进行了总结分析,主要包括在孪生网络中引入全卷积孪生神经网络方法、引入回归方法和在线更新方法,对基于3种方法的目标跟踪算法的改进进行了综述,并详细介绍了近年来孪生网络在目标跟踪应用中的国内外研究进展和发展现状。同时,采用VOT2017和LaSOT数据集进行了实验对比,比较了多种基于孪生神经网络跟踪算法的性能。最后,对基于孪生网络的目标跟踪方法的发展趋势进行了展望。     

基于回声状态网络的卫星信道在线盲均衡算法

针对非线性卫星信道,该文提出了两种基于回声状态网络(ESN)的在线盲均衡算法。利用ESN良好的非线性逼近能力,将发送信号的高阶统计量(HOS)代入ESN,结合常模算法(CMA)和多模算法(MMA)构造盲均衡的代价函数,并采用递归最小二乘(RLS)算法对ESN输出权值进行迭代寻优,实现了Volterra卫星信道下常模和多模信号的在线盲均衡。实验表明,该文算法可以有效降低非线性信道对发送信号产生的畸变,相较于传统的Volterra滤波方法,有更快的收敛速度和更低的均方误差值。     

一种无线传感器网络中目标跟踪的自适应节点调度算法

在无线传感器网络目标跟踪的过程中进行节点调度,可以综合考虑跟踪误差和能量消耗,延长传感器网络的使用寿命。为了综合考虑节点调度的短期和长远损失,该文将问题建模为部分可观测马尔科夫决策过程(POMDP)以得到更优的调度策略,并提出一种近似求解算法C-QMDP。该算法利用马尔科夫链蒙特卡洛方法(MCMC)推导连续状态空间的置信状态的转移,并计算瞬时代价。使用状态离散化方法,基于马尔科夫决策过程(MDP)值迭代求解未来代价的近似值。仿真结果表明,相比现有POMDP近似算法,该文算法既可以降低跟踪过程中的累积损失,又可以将大量运算进行离线计算,减小了在线决策时的计算量。     

基于格拉布斯准则和改进粒子滤波算法的水下传感网目标跟踪

水下无线传感网络(UWSN)执行目标跟踪时,因为各个传感器节点测量值对目标状态估计的贡献不一样以及节点能量有限,所以探索一种好的节点融合权重方法和节点规划机制能够获得更好的跟踪性能。针对上述问题,该文提出一种基于Grubbs准则和互信息熵加权融合的分布式粒子滤波(PF)目标跟踪算法(GMIEW)。首先利用Grubbs准则对传感器节点所获得的信息进行分析检验,去除干扰信息和错误信息。其次,在粒子滤波的重要性权值计算的过程中,引入动态加权因子,采用传感器节点的测量值与目标状态之间的互信息熵,来反映传感器节点提供的目标信息量,从而获得各个节点相应的加权因子。最后,采用3维场景下的簇-树型网络拓扑结构,跟踪监测区域内的目标。实验结果显示,该算法可有效提高水下传感器网络测量数据对目标跟踪预测的准确度,降低跟踪误差。     

一种基于误差距离加权与跳段算法选择的遗传优化DV-Hop定位算法

针对Distance Vector-Hop (DV-Hop) 定位算法存在较大定位误差的问题,该文提出了一种基于误差距离加权与跳段算法选择的遗传优化DV-Hop定位算法,即WSGDV-Hop定位算法。改进算法用基于误差与距离的权值处理锚节点的平均每跳距离;根据判断的位置关系选择适合的跳段距离计算方法;用改进的遗传算法优化未知节点坐标。仿真结果表明,WSGDV-Hop定位算法的性能明显优于Distance Vector-Hop (DV-Hop) 定位算法,减小了节点定位误差、提高了算法定位精度。     

基于势博弈的分布式目标跟踪传感器分配算法

针对无线传感器网络多目标跟踪传感器分配问题,考虑传感器能量、带宽、观测距离和通信距离受限,该文提出一种基于势博弈的分布式目标跟踪传感器分配算法。算法基于目标预测位置,以几何精度衰减因子作为优化准则,建立了基于邻居合作促进整体最优化的传感器分配局部信息博弈模型,并证明了该模型是一个精确势博弈模型,存在纯策略纳什均衡。在此基础上,提出了一种并行最佳响应动态的传感器分配方法,从理论上证明了所提算法只需要传感器与一跳邻居进行信息交互,就能收敛到纳什均衡并且拥有比传统最佳响应动态更快的收敛速度。同时借鉴通信网中的载波侦听多路访问机制,设计了一种完全分布式的决策节点推选机制,更加符合无线传感器网络自组织的特性。仿真结果表明所提算法在收敛速度、跟踪精度和能量有效性方面的优势。     

基于累积量的递归最小二乘算法研究

从基于累积量的均方误差（ＣＭＳＥ）准则,本文推导了一种基于累积量的递归最小二乘（ＣＲＬＳ）算法．并从信号检验和估计的角度对三阶ＣＲＩＳ算法中出现的加权求和系数给出的一种物理解释,以说明其抗高斯噪声的机理．本文提出应根据三种不同条件下信号的最优估计来确定最佳窗口函数的原则,并进一步证明了在极大似（ＭＬ）和线性均方（ＬＭＳ）估计意义下的最佳窗口都是矩形窗而非Ｄｅｌｏｐｏｕｌｏｓ和Ｇｉａｎｎａｋｉｓ建议的Ｈａｍｍｉｎｇ窗~［３］。仿真实验证实：ＣＲＬＳ算法采用矩形窗确定比采用Ｈａｍｍｉｎｇ窗具有更上的结果偏差。     

远距离干扰环境下目标跟踪的扩展卡尔曼粒子滤波算法

该文在扩展卡尔曼粒子滤波算法的基础上融合了负信息(没有接收到观测值的扫描)来实现远距离干扰环境下的目标跟踪。在整个实现过程中,由传感器模型推导出的高斯和似然函数充分考虑了正负信息,直接用于计算粒子权重更新。并且通过扩展卡尔曼滤波算法产生重要性密度函数,利用当前时刻的量测,使得粒子的分布更接近其后验概率分布,而且使用较少的粒子个数即可达到较好的跟踪效果。仿真证明,扩展卡尔曼粒子滤波算法在航迹连续性和跟踪精度方面明显优于扩展卡尔曼滤波算法,但计算复杂度较高。     

基于递推质心算法的二元传感器网络分布式目标跟踪

传感器网络的一个重要应用方向是目标定位与跟踪。为了减少通信消耗,二元传感器是一个很好的选择。在递推质心算法和动态分簇结构的基础上提出了一种分布式递推质心算法,并将其应用到二元传感器网络分布式目标跟踪中。计算机仿真结果表明,该算法能够有效地对目标进行定位跟踪,并能够在节点密度大、节点探测半径大和采样周期小的情况下减少能量消耗和计算量,从而延长网络使用寿命。     

基于协方差加权的卡尔曼滤波融合跟踪算法

针对卡尔曼滤波融合跟踪对系统模型准确度和先验信息精度要求较高的问题,提出一种基于协方差加权的卡尔曼滤波融合方法,利用最小二乘准则作为误差加权的标准,使误差小的传感器加权因子大。基于此,再利用卡尔曼滤波融合,充分保留有用信息,抑制噪声干扰。在目标跟踪应用中,即使噪声统计信息未知且噪声互相关,利用该方法仍能够获得最小均方误差准则下的最优目标状态跟踪估计。