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。     

无线传感网络中基于测距修正的定位算法

为了提高DV-Hop算法的定位精度,提出基于测距修正的无迹卡尔曼滤波优化定位算法UKF-DV-Hop(Unscented Kalman Filtering Localization algorithm based on modifying average hop distance).UKF-DV-Hop算法先对信标节点广播的信息包进行改进,然后对跳距误差进行加权处理,进而减少测距误差,再利用最小二乘法估计未知节点位置,最后再利用无迹卡尔曼滤波UKF滤波优化节点位置.实验结果表明,与传统的DV-Hop算法相比,提出的UKF-DV-Hop算法的归一化平均误差率下降了约40%.     

基于粗大误差检测和补偿的改进型EKF动态目标跟踪算法

卡尔曼滤波作为当前动态目标跟踪中的常用滤波算法,研究其动态跟踪的准确性对于军事制导,交通导航等领域具有重大意义。针对动态系统目标跟踪观测过程中存在的坏值、静差和漂移三种粗大误差,基于传统扩展卡尔曼滤波（Extended Kalman Filter,EKF）算法框架,引入了一种粗大误差检测和补偿方法,实现了对动态系统观测值中粗大误差的准确辨识和优化补偿,使得扩展卡尔曼滤波能够结合粗大误差检测和补偿方法有效地排除观测值中的粗大误差,滤波后的状态估计值更加准确地逼近真实值。经过仿真实验和对比,提出的改进型EKF算法能有效地排除粗大误差观测值对状态预测过程的影响,并且实现了对动态系统目标的准确跟踪,这大大提高了动态目标跟踪的精确度。     

基于NSGA-II的无线传感网络簇首选择算法

延长网络生命周期是无线传感网络需要解决的主要问题之一,拓扑控制对于延长网络生命周期具有重要意义.针对分簇结构无线传感网络的簇首选择问题,提出一种基于NSGA-II的多目标簇首选择算法.同时考虑网络通信距离、能量消耗、负载均衡以及节点生存时间等多个优化目标,通过理论计算确定最优簇首数量指导种群初始化,引入正交实验机制降低搜索次数,提高寻优效率.实验结果表明, 所提出的算法与低功耗自适应层次分簇(LEACH)算法相比,簇首分布均匀、负载均衡,可明显延长网络的生命周期,与标准NSGA-II算法相比,可更好地提高搜索寻优效率.     

一种基于EKF的双节点协作目标跟踪协议

无线传感器网络的目标跟踪应用中,动态跟踪组是一种有效的跟踪方式,但该方式下簇头的能耗较大,而且簇头失效易导致目标丢失.针对以上问题,本文对动态簇结构进行了改进,提出一种双节点协作跟踪协议TNCT,该协议通过簇头与辅助节点的协作实现目标变速时采样周期的自适应,以及簇头失效时的快速移交.为提高跟踪精度,辅助节点采用扩展卡尔曼滤波算法对目标轨迹进行估计和预测.仿真结果表明,TNCT协议下跟踪系统的网络能耗更加均衡,目标丢失概率大大降低.     

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.     

无线传感网络节点锂电池剩余电量估算方法

针对采用锂电池电量检测芯片DS2786进行剩余电量估算存在误差较大的问题,结合DS2786芯片和卡尔曼滤算法,提出了一种面向无线传感网络节点锂电池的剩余电量估算方法。该方法通过建立能表征锂电池特性的等效电路模型,将芯片DS2786所获得的锂电池两端开路电压和放电电流作为卡尔曼滤波算法的输入参数,进行精确的剩余电量估算。实验结果表明,该方法对于锂电池剩余电量的估计误差可维持在3%以内,且算法复杂度低,能满足嵌入式设备的应用要求。     

基于粒子群算法的无线传感网络中继节点选择策略

针对无线传感网络中继节点没有固定的能量供应,导致无线传感网络数据传输速率较低、吞吐量较小的问题,提出基于粒子群算法的无线传感网络中继节点选择策略方法。构建无线传感网络系统模型,根据模型得出网络中每个位置中继节点的作用,同时收集所有中继节点构成中继节点集,保证中继节点的选择策略具有多样性;根据节点能量和信噪比加权得出中继节点的选取准则,并在粒子群算法的帮助下不断更新中继节点的选取结果,得出全局最优中继节点策略,实现无线传感网络中继节点选择。仿真结果表明,所提方法的数据传输延时平均为1.81ms,均方根误差平均值为1.29,及吞吐量最大值为260op/s。     

基于无线传感人脸识别的空间弱小人体目标跟踪方法

针对空间弱小目标跟踪虚警概率高,受噪声影响大等问题,提出基于无线传感人脸识别的空间弱小人体目标跟踪方法。建立基于双向稀疏表示的无线传感人脸识别模型,通过训练图像矩阵,识别图像特征。采用正交匹配追踪法求解无线传感人脸识别模型,通过不断迭代,获取空间弱小人体目标图像的双向稀疏表示。通过粒子滤波观测模型对目标粒子与背景粒子之间的稀疏重构残差差异性进行分析。通过随机估计方法,参考现有的图像数据,更新字典子空间,完成弱小人体目标跟踪。经仿真分析证明：该方法的目标识别率最高为97%;位置跟踪平均误差较低,并且检测概率高,为98%;虚警概率低,为17%。因此,说明该方法能够实现对弱小人体目标的有效跟踪,具备较高的使用价值。     

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。     

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。     

基于簇结构的无线传感器网络移动目标精确跟踪

对于移动目标跟踪,需要利用加速度或速度恒定的模型对其连续轨迹进行推断.在传感器网络环境下,利用无线传感器网络的冗余特点,提出了一种分簇结构和分时机制下采用流水线工作模式进行跟踪探测的方法,减少两次探测值之间的时间差,通过分析和仿真验证,该方法能够有效地降低对移动目标的跟踪误差.所设计的算法计算复杂度低,实现简单,满足无线传感器网络节点的计算能力要求.     

无线传感器网络目标跟踪性能优化及仿真

无线传感器网络中传感器节点相互协同完成感知任务,以传感器量测的信息效用和获取量测的能量消耗来折中地选择参与的节点,但用户对服务质量Qos( Quality of Service)的需求并没有在节点选择时得以体现。为此本文以目标跟踪为应用背景,提出了一种自适应动态协同自组织算法A-DCS,该算法同时完成检测与状态估计任务,首先根据用户设定的检测概率,确定候选节点集合,选择具有最大检测概率的节点为簇首;随之根据给定的状态估计精度,自适应确定参与感知任务的簇成员顺序和个数。统计不同检测概率和状态估计精度时相应的能量消耗,以此作为系统设计时参数设定的依据,从而最大可能地延长网络的生命周期。仿真表明：在跟踪精度和能量消耗两个指标下,该算法优于IDSQ和DCS。 A-DCS也适用于传感器网络系统中的其他估计问题。     

无线传感器网络分布式多目标跟踪算法研究

由于无线传感器网络的资源有限,集中式多目标跟踪算法在无线传感器网络多目标跟踪中受到限制.在无线声学传感器网络下,基于动态分簇结构,提出了一种分布式多目标跟踪算法.每个传感器的测量为来自单个目标或多个目标的声音信号和环境噪声的叠加.在跟踪过程中,每个目标对应于一个粒子滤波,当目标之间的距离较远时,进行单目标跟踪.当目标之...     

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。     

带非线性约束的自适应高斯和卡尔曼滤波目标跟踪算法

无线传感网络中运动目标状态通常满足某种非线性状态约束,为了提高对传感网络中运动目标的跟踪精度,降低非高斯噪声对状态估计的影响,避免高斯项数在迭代过程中的冗余累积,提出一种带非线性约束的权值自适应高斯和卡尔曼滤波算法.算法在每个时刻计算目标当前状态的高斯子项集合,并对每个高斯子项分别以无迹卡尔曼滤波进行状态估计.设计了一种高斯子项权值自适应策略动态调节子项权值,以实现无约束状态下的全局估计.将目标的非线性状态约束引入滤波器结构中时,考虑将其看作一类无约束状态估计的约束投影问题,通过状态约束信息先验来修正运动目标的状态估计.仿真结果表明,该算法与目前的非线性约束卡尔曼滤波相比具有更高的跟踪精度.     

浅析无线传感器网络及其在目标跟踪中的应用

无线传感络(WSN,Wireless Sensor Networks)是新兴的下一代传感器网络,是当前在国际上备受关注的、涉及多学科高度交叉、知识高度集成的前沿热点研究领域。该文简要介绍无线传感器网络的体系结构,对无线传感器网络的特点及节点定位、时间同步等支撑技术进行了探讨。最后阐述了无线传感器网络在目标跟踪中的应用。     

基于位置预测的无线传感器网络目标跟踪算法

针对现有的基于位置预测的目标跟踪算法还不完善问题,提出了一种新的基于目标位置预测的分布式无线传感器网络目标跟踪算法(location-based prediction,LBP)。LBP算法包括3部分,即基于自相似技术的目标位置预测算法(prediction based self-si m-lar,PBSS)、基于动态唤醒簇(dynamic wakeup cluster,DWC)的目标跟踪和三级目标恢复机制。实验结果表明:LBP算法的目标预测精度高、跟踪过程中的节点能量消耗小、目标跟踪误差小,并且目标丢失率低;其三级目标跟踪恢复机制,通过逐步扩大激活节点的范围来寻找目标。由此可见采用这种方法,无线传感器网络跟踪目标能量消耗更小,目标丢失率更低。     

无线传感器网络中基于粒子滤波的人员跟踪方法

人员跟踪是室内定位系统的一项重要任务。在无线传感器网络中利用信号强度实现人员跟踪,无需专门的测距设备,能够降低系统的复杂度和成本,成为研究的热点。但是,由于人体对信号传播产生比较大的影响,给人员跟踪带来困难。提出一种新的信道模型,描述有人环境下信号强度与距离的关系。跟踪算法根据该模型建立信号强度的测量模型,并结合人的运动特点建立状态转移模型,最后利用粒子滤波技术实现了对人员的跟踪。该方法以序贯方式估计人员的位置,计算过程简单,而且对信号强度的噪声不敏感。仿真和实验表明,该方法的跟踪效果良好。