基于多模型预测的WSN动态簇目标跟踪算法

分析了无线传感器网络(WSN)中现有目标定位算法缺陷,针对WSN中跟踪目标的运动不确定特性,提出一种基于多模型动态簇预测的WSN目标跟踪算法;该算法以多模型为目标动态建模框架,适应目标的不确定运动,在得到各模型预测之后,综合各模型预测估计形成全局预测估计,进而构造局部唤醒区域,将落入该局部唤醒区域的节点构造动态簇,通过择优规则,确定该节点动态族的簇首,实现目标的定位跟踪;仿真结果表明,与全局唤醒算法相比,所提出的基于多模型动态簇预测的WSN目标跟踪算法可适用于目标的不确定运动,并得到较好的跟踪精度。     

基于灰色系统理论和粒子滤波器的目标跟踪算法

提出一种基于灰色系统理论和粒子滤波的目标跟踪算法,自适应调整搜索范围,并采用交叉熵理论来度量目标模型与粒子确定区域特征模型之间的相似度。先用粒子滤波算法对运动目标状态进行估计,确定目标中心位置,利用历史目标位置状态序列,通过灰色系统理论对下一帧目标状态进行预测;然后对重采样后的粒子的位置和粒子的搜索范围进行修正,采用交叉熵理论来衡量目标与粒子确定区域的特征模型之间的相似度。仿真结果表明,相比传统的粒子滤波算法,新算法具有更好的鲁棒性和跟踪精度。     

基于双层预测机制的传感器网络目标跟踪算法

针对层次型传感器网络的目标跟踪问题,提出了一种基于双层预测机制的目标跟踪算法,由传感器节点执行Bayes估计算法进行目标位置的预测与更新(微观预测);由簇头进行基于曲线运动方程的目标位置预测(宏观预测),并用预测结果对传感器节点所得到的目标位置进行更新,提高了目标位置计算精度.仿真结果表明,算法具有较好的跟踪精度和能量效率.     

基于灰色预测的无人水下航行器目标跟踪

针对无人水下航行器目标跟踪控制问题,基于无人水下航行器传感器信息进行目标运动预测来实现跟踪控制。从目标预测理论出发,将灰色动态预测模型的建模原理引用到目标预测中,在对传感器进行数据滤波、小样本灰色建模与灰色动态预测的基础上,实现对目标运动的预测,文章详细阐述了基于灰色动态预测的传感器故障诊断的具体实现方法和步骤,对目标进行匀速运动、匀加速运动、变加速运动三种典型运动进行仿真研究,通过预测值与实际值之间的比较显示灰色预测方法能快速、准确的预测出目标的位置信息。     

一种基于灰色等维新息模型的目标跟踪算法

灰色系统理论将随机过程看成为灰色过程,利用数据表面离乱但整体有序的特点,挖掘潜在本质规律。对运动物体进行光学跟踪及轨迹预测,在飞行器导航、机器人路径规划等方面一直是个研究热点。根据灰色系统理论的思想,提出一种基于灰色等维新息模型的目标位置跟踪预测方法,对其进行具体分析并应用于一目标光学跟踪实验系统并验证了其有效性,最后建议指出了改进此算法的两个新的研究点。     

一种事件驱动型无线传感器网络目标追踪算法的研究

无线传感器网络节点无论在军用还是民用领域都非常适合进行活动目标的追踪任务。基于现有的常用定位算法的分析与研究,针对所提出方法在实际应用中存在如何提高定位精度与减少网络计算开销的难题,提出一种基于最小二乘二步优化目标定位算法;采用分段低阶曲线拟合法计算目标轨迹并预测目标路径,一种路径模型选择机制保障低阶曲线轨迹的拟合精度并降低计算开销,以及目标意外丢失后的恢复策略。仿真结果表明,改进后的目标跟踪算法改善了目标定位和目标位置预测效果,获得跟踪精度较高、网络计算开销较低的效果。     

基于DESO的Mean Shift目标跟踪算法研究

将基于DESO的运动预测算法和Mean Shift算法相结合,形成一种新的基于Mean Shift的快速目标跟踪算法.该算法以DESO预测位置作为Mean Shift算法下一帧候选模型的计算中心,实现了对快速运动目标的跟踪,并通过DESO对目标运动轨迹进行预测,较好地解决了目标完全遮挡时的跟踪问题.实验结果表明,该算法具有预测精度高、实时性好、抗遮挡能力强的优点.     

基于移动Sink的自组织视频传感网络目标跟踪算法

基于自组织视频传感网络的目标跟踪方法利用节点的分布式观测能力,实现目标的精确跟踪。在研究视频节点观测投射模型和通信模型的基础上,提出一种基于移动Sink的自组织视频传感网络目标跟踪算法MSTTA。该算法包括感知信息聚合和目标位置评估两个部分,利用节点分类机制周期性地更新网络拓扑以适应Sink位置的变化,根据目标运动状态预测目标位置的评估节点小组。仿真实验表明,MSTTA算法能够适应Sink移动带来的网络拓扑变化,具有较高的目标跟踪精度。     

基于概率阈值通信感知的WSNs目标跟踪算法

针对移动Sink节点目标跟踪定位时间长,能耗大等问题,提出基于概率阈值通信感知的WSNs目标跟踪算法。采用离散数据传输方式,并定义目标信息传输概率阈值来确定是否将节点当前位置信息由传感器节点传输到Sink节点。若当前位置信息不传输到Sink节点中,则使用最近一次通报的目标位置信息进行目标定位。然后开启目标周围相关传感器节点来有效降低算法数据传输量,并保持足够的定位精度。仿真结果显示：该方法比预测跟踪算法降低数据传输量87%左右,比动态目标跟踪算法降低跟踪时间33.7%左右。     

基于灰色模型和改进Chan的海洋移动传感器定位

为了实现海洋水下传感器网络中的移动节点定位,并改善传统节点定位方法在应用于无人值守和复杂环境的海洋生态监控中具有的定位误差大的问题,提出了一种基于灰色模型预测和改进Chan算法的海洋移动传感器节点定位方法;首先,采用灰色模型对节点在下一时刻的采集数据进行预测,然后将预测值与实际采集值进行比较从而判断出移动节点的状态是否正常;在此基础上,采用改进的Chan算法对处于正常状态的移动节点进行定位,从而提高水下移动传感器节点的定位精度;在Matlab中进行仿真实验,实验结果表明:文中方法能在节点运动速度增加、通信半径变大和锚节点密度增加的情况下,均具有比其它方法更低的节点定位误差,具有一定的优越性。      

交互式多模型算法在机器人目标跟踪中的应用

将交互式多模型(IMM)算法应用于视觉伺服机器人对机动目标的跟踪。使用匀速运动(CV)和匀加速运动(CA)模型表示目标的两种运动状态,利用马尔可夫链进行模型切换,根据目标前一时刻的状态和当前的观测值,预测目标当前的状态。在Matlab上对IMM滤波算法和Kalman滤波算法进行了仿真实验研究,结果表明,不管目标处于何种运动状态,IMM算法估计量的误差均值都比Kalman滤波算法的误差均值小,尤以目标作机动运动时更为突出,证明了应用IMM算法可以提高跟踪机动目标的精度。     

基于节点稳定度预测机制的Ad hoc网络中关键节点探测算法研究

为了更好地适应Ad hoc网络拓扑结构的动态特性,提出一种基于灰色预测模型的具有节点稳定度预测功能的NS-PMRC(Node Stability Prediction algorithm of Midpoint Range Circle)算法.该算法结合GPS系统提供的节点地理位置信息,在路由维护阶段利用等维递补灰色预测模型实时预测出节点下一时刻的地理位置,并计算下一时刻节点间的距离和节点稳定度.通过比较下一时刻节点间稳定度来判断关键节点的存在条件.该算法相对于PMRC算法提高了探测准确度,并明显提高了网络整体性能.     

基于灰色预测模型和粒子滤波的视觉目标跟踪算法

结合灰色预测模型和粒子滤波,提出一种新的视觉目标跟踪算法.由于粒子滤波未考虑先验信息对建议分布产生的指导作用,不能很好地逼近后验概率分布,对此,采用历史状态估计序列作为先验信息,建立该序列的灰色预测模型来预测产生建议分布.与粒子滤波、卡尔曼粒子滤波和无迹粒子滤波进行对比实验,结果表明所提出的算法在视觉目标跟踪中具有更好的性能.     

基于grey Markov--支持向量机的电弧炉终点参数预报

考虑电弧炉终点参数既受定量因素的影响,又受非定量因素的影响.将灰色马尔可夫 (grey Markov)与支持向量机 (SVM)相结合.建立了电弧炉终点参数grey Markov-SVM预报模型,其中grey Markov模型反映非定量因素对电弧炉终点参数预测值的影响,SVM模型反映电弧炉各种定量输入对终点参数预测值的影响.建立grey Markov-SVM模型的方法是:首先建立反映非定量因素的GM (1,1)模型,然后用Markov链修正其预测值:由于grey Markov模型对定量输入的影响无法准确反映,因此grey Mar-kov模型必然存在预测偏差,此预测偏差通过建立反映定量输入与终点参数预测偏差之间关系的SVM模型方法加以补偿,并采用粒子群算法 (PSO)对SVM的参数进行寻优,最终得到电弧炉终点参数的预报值,同时实现滚动预测.仿真实验表明grey Markov-SVM模型与grey-SVM模型、Markov-SVM相比较,具有很高的终点预报精度.     

一种基于预测的网格数据副本选择算法

分析影响数据副本选择的因素,将灰色系统理论应用于副本响应时间的预测,建立GM(1,1)灰色动态拟合模型;同时应用马尔可夫链预测副本可靠性发展趋势,确定系统状态转移概率矩阵,通过系统状态的划分,以概率形式分析和预测副本可靠性,并给出了两种预测算法描述。仿真实验结果表明,该算法预测效果较好,有利于作出正确的副本选择决策,并能有效实现网格中副本存储节点间的负载平衡。     

基于Markov模型与轨迹相似度的移动对象位置预测算法

针对低阶Markov模型预测精度较差,以及多阶Markov模型预测稀疏率高的问题,提出一种基于Markov模型与轨迹相似度(MMTS)的移动对象位置预测算法。该方法借鉴了Markov模型思想对移动对象的历史轨迹进行建模,并将轨迹相似度作为位置预测的重要因素,以Markov预测模型的预测结果集作为预测候选集,结合相似度因素得出最终预测结果。实验结果表明,与k阶Markov模型相比,该方法的预测性能不会随着训练样本大小及阶数k的变化受到很大的影响,并且在大幅降低k阶Markov模型预测稀疏率的同时将预测精度平均提高了8%以上。所提方法不仅解决了k阶Markov模型的预测稀疏率高及预测精度不足的问题;同时提高了预测的稳定性。     

融合帧间差分与碰撞算法的快速跟踪预测算法

传统的运动目标跟踪预测算法难以保证机器人对高速运动目标的快速捕捉和提前预测,尤其是运动目标在滑行过程中发生碰撞改变了原有的运动方向,针对这一问题提出了基于帧间差分与碰撞算法相结合的运动目标跟踪预测算法.通过帧间差分法快速识别出平面内运动物体的具体位置和运动速度,根据其运动速度方向判别运动目标是否发生碰撞.当运动目标在运动过程中发生碰撞,采用LS-DYNA显示动力分析软件建立碰撞仿真模型,并用MATLAB拟合仿真数据得到碰撞算法,结合碰撞算法对运动目标的运动轨迹进行预测.结果表明以帧间差分和碰撞算法相结合的运动目标检测跟踪算法对于在平面内运动目标的跟踪预测方面速度更快,完全能够满足机器人对算法快速性的要求.