多跳无线传感器网络下信道感知的目标定位方法

针对资源有限、存在信道退化的无线传感器网络(Wireless sensor network, WSN),基于最大似然估计(Maximum-likelihood estimation, MLE)提出一种信道感知的目标定位方法. 把传感器观测数据量化为M位二进制序列,经过衰落信道多跳中继到达融合中心. 中继节点采用二元解码-前向中继策略,中继输出是被信道污染的中继信号的估计值. 在Rayleigh信道衰落和高斯信道噪声假设下,结合无线信道衰落的统计知识和解码策略, 推导了观测数据的似然函数,得到目标位置的最大似然估计. 此外,还推导了估计器性能的后验克拉美-罗下界(Cramr-Rao lower bounds, CRLB). 仿真结果表明,信道感知的方法能够减缓由于信道衰落和噪声所带来的定位性能的退化.     

基于二元数据的WSNs多目标容错定位算法

传感节点的感测数据易受到污染,导致大量传感节点的观察数据出错.为此,提出基于二元数据的多目标容错定位BMSFTL算法.BMSFTL算法考虑传感节点的差错概率的情况,利用传感节点的二元观察数据对目标源进行识别及定位.在目标源识别阶段,采用分布式竞争领导者(DCL)算法产生领导者(leader)节点,在理想状态下,leader节点数等于目标源的个数.然后,再利用基于网格投票(GBV)机制对目标源进行定位.仿真结果表明,提出的BMSFTL算法在噪声和差错情况,保持高的定位性能,在差错概率为0.25的环境,均方根误差小于8 m,远优于最大似然估计ML.     

无线多跳传感器网络下基于粒子滤波的信道容错的目标跟踪方法

对信道衰落的无线多跳传感器网络下的目标跟踪问题, 提出一种新的信道容错的粒子滤波方法. 传感器观测数据被量化成二元信号, 经非理想无线信道多跳中继通讯到达融合中心. 中继节点采用一种二元中继策略, 中继输出是信道污染的中继信号的估计值. 在粒子滤波器下, 考虑实际的物理信道, 计算粒子的似然度函数. 将信道衰落结合进跟踪算法, 在已知信道衰落包络和信道统计分布下, 分别设计信道容错的粒子滤波算法. 仿真结果表明信道容错的粒子滤波器提高了目标跟踪的精度, 对非完美信道具有鲁棒性.     

基于条件后验克拉美–罗下界的目标跟踪传感器管理

对传感器网络下的目标跟踪问题,基于条件后验克拉美-罗下界(CPCRLB)提出一种传感器网络节点管理方法.传感器节点的观测数据是目标信号强度(RSS),基于RSS量测推导了目标状态估计均方误差的CPCRLB.以CPCRLB作为传感器管理的准则,选择激活一组最优传感器节点参与目标跟踪.利用粒子滤波器逼近目标状态,并估计CPCRLB,实现传感器节点在线选择.对基于CPCRLB、无条件后验克拉美-罗下界(PCRLB)和互信息理论的传感器选择方法进行对比仿真,结果表明CPCRLB传感器管理的有效性和优越性.     

一种新的基于压缩感知的WSN多目标定位方法

考虑无线传感器网络中定位信息的不完备性,将传感器网络监控区域划分成多个小网格,节点与目标随机分布于网格中,以目标位置信息为稀疏向量,提出了一种新的基于压缩感知的多目标定位方法。该方法将传感器节点感知到的目标数测量矩阵表示为压缩感知理论中测量矩阵、稀疏矩阵与稀疏向量的乘积形式,通过稀疏信号的重构算法恢复目标位置稀疏向量,实现多目标定位。考虑到感知矩阵不满足受限等距性条件,对此矩阵进行了正交化处理,使其满足重构算法的要求。通过仿真分析了节点感知半径、待定位目标数、传感器节点数对目标定位性能的影响。仿真结果表明,在定位信息不完备的情况下,上述方法能够满足无线传感器网络的目标定位要求,且该方法不依赖于硬件测距,其计算复杂度和定位精度与基于接受信号强度(RSS)的压缩感知定位算法相当。     

WSN目标定位动态预测方法研究

针对固定预测时间间隔下目标机动对无线传感器网络目标定位预测效果影响较大的问题,分析目标预测误差产生机理及主要影响因素,提出WSN目标定位动态预测方法。该方法根据目标预测模型构造预测时间增量函数,通过固定预测时间增量函数取距离自变量值动态调节目标预测时间间隔,实现目标运动状态自适应动态目标预测。仿真平台分别应用运动学预测、粒子滤波预测方法建立预测模型,并进行目标预测实验;结果表明,目标机动情况下,目标动态预测方法误差相比固定预测时间时间间隔方法分别减小18.5%、12.8%,动态目标预测方法能较好改善机动性目标预测效果,增强预测方法对目标运动变化的自适应能力。     

基于WSN的多声源目标定位算法

目标定位技术是无线传感器网络应用研究的一个重要领域,如何在传感器节点随机分布下,利用无源探测技术,对同时进入探测区域的多个目标进行实时的精确定位是目标定位的一个难点。基于声源能量衰减模型在最大似然算法的基础上,利用高斯—牛顿迭代算法解决了这个问题。通过对多个声源目标的仿真试验,结果表明,该算法实现了对多目标的精确定位,具有一定的实用价值。     

WSN基于声音能量量化数据的目标定位研究

无线传感器网络的通信带宽和能量是有限的,只传输二进制或几个比特量化数据来完成目标定位任务可以减少网络开销。对无线传感器网络目标定位方法进行了研究,采用声音能量衰减模型,推导了基于量化信号的似然函数,给出了基于声音能量量化数据的最大似然定位方法。为了对估计结果进行评定,推导了最大似然估计的克拉美罗下限。仿真结果表明,该方法对目标定位的准确度基本接近于克拉美罗下限。因此,在满足定位精度的前提下,可通过减少传递的比特位数来节约网络的能量。     

WSN中基于多径距离和神经网络的节点定位

为了实现802.15.4a无线传感器网络中的目标定位,提出了一种新的基于多径距离和神经网络的目标定位检测算法。首先通过目标出现时对多径效应的影响估计出到达时间差,从而计算出通信传感器节点之间的多径距离;然后把多径距离作为神经网络的输入,并将目标位置用于神经网络的训练;最后通过选择多径距离估计值和测量值的差的最小成本组函数来定位目标位置。对单目标和多目标的定位检测仿真结果表明,即使当网络中传感器数量和目标增加时,所提出的定位算法的误差累积分布函数也不会增大,而且其定位误差比其他定位算法的误差小,从而增强了网络的鲁棒性,提高了网络中传感器承受故障的能力。     

基于跳数的WSN加权中垂线定位算法

针对无线传感器网络(WSN)中的节点定位问题,提出一种基于跳数的加权中垂线定位算法。该算法使用已知位置的锚节点到未知节点的跳数作为判断依据,通过多次做线段加权中垂线划分区域的方法来最终确定未知节点所处的多边形区域,最后通过计算多边形的质心的方法得到未知节点的位置。在不需要额外增加硬件设备的情况下,提高了定位精度。仿真实验结果表明,该定位算法较DV-Hop算法有更高的定位准确率。     

基于IDSQ的自适应动态协同自组织算法

在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与获取量测的能量消耗来折中地选择参与节点,但用户对服务质量(QoS)的需求并没有在节点选择时得以体现.为此,提出一种自适应动态协同自组织算法(A-DCS).该算法能根据用户给定的精度需求,自适应地选择簇首,确定参与感知任务的簇成员顺序和个数,并计算相应的能量消耗.以目标跟踪为应用背景的仿真结果表明,在跟踪精度和能量消耗2个指标下,该算法优于信息驱动传感器查询(IDSQ)和动态协同自组织(DCS).     

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.     

无线传感器网络中DV-Hop节点定位改进算法研究*

介绍了无线传感器网络中DV-Hop算法的定位原理、误差来源。针对DV-Hop算法在未知节点到信标节点距离计算中的不足,在分析信标节点间估计距离与真实距离误差的基础上,提出了改进算法。改进算法修正了网络平均每跳距离与未知节点估计坐标的区域范围。仿真结果表明,在相同的网络环境下,改进算法的定位精度得到明显提高。     

扩展目标跟踪的PCRLB

在杂波和漏检的环境下针对扩展目标估计的性能评价问题, 提出求扩展目标跟踪估计的后验克拉美罗界(PCRLB) 的方法. 该方法假设单个扩展目标的量测个数服从泊松分布, 杂波的个数也服从泊松分布, 给出在有漏检和杂波环境下求PCRLB 的方法—–信息约减因子法(IRF). 算例展示了不同的检测概率和杂波密度对PCRLB 的影响. 仿真结果表明, 所提出方法能有效反映扩展目标跟踪所能达到的最优性能, 检测概率越高, PCRLB 越小; 杂波密度越大, PCRLB 越大.

     

执行器故障重复过程的鲁棒迭代学习容错控制方法及应用

针对具有执行器故障和外界扰动的线性重复过程,给出一种鲁棒迭代学习容错控制策略.首先,基于二维(2D)系统理论,设计鲁棒迭代学习容错控制器,将迭代学习控制系统等效转化为2D模型;然后,利用线性矩阵不等式(LMI)技术,分析和优化控制系统在时间和迭代方向上的容错性能以及对干扰的抑制性能,同时给出系统满足这些性能的充分条件,并进一步通过求解LMI凸优化问题获得控制器参数;最后,通过对旋转控制系统的仿真结果验证了所提出算法的有效性.     

Multiple target localization in wireless visual sensor networks

Target localization is an important service in wireless visual sensor networks (WVSN). Although the problem of single target localization has been intensively studied, few consider the problem of multiple target localization without prior target information in WVSN. In this paper, we first investigate the architecture of WVSN where data transmission is reduced to only target positions. Since target matching is a key issue in the multiple target localization, we propose a statistical method to match corresponding targets to located targets in world coordinates. In addition, we also consider scenarios where occlusion or limited field of view (FOV) occurs. The proposed method utilizes target images to the greatest extent. Our experimental results show that the proposed method obtains a more accurate result in targets localization compared with the camera discard scheme, and saves significant amounts of energy compared with other feature matching schemes.     

基于无线传感器网络的战场目标跟踪

基于无线传感器网络,对目标定位跟踪应用进行了研究。在对目标定位跟踪时,如何既保证跟踪精度又能有效降低能量消耗,针对这个问题,提出了一种简便的加权坐标质心定位方法,通过对目标的定位,给出了一种基于测量信息的跟踪方法,方法实现简单。性能分析表明:提出的定位跟踪方法能有效地降低能量消耗,延长节点和网络寿命,基本可以满足战场目标跟踪需求。     

考虑信息成功传递概率的多无人机协同目标最优观测与跟踪

针对考虑通信因素的多无人机协同目标最优观测与跟踪问题, 引入费舍信息矩阵对无人机探测所获取的信息进行表征, 考虑无线通信链路特性并对无人机间信息成功传递概率进行建模. 以无人机群体所获取的关于目标的信息量为指标函数, 分别建立是否考虑通信因素情况下的多机协同目标最优观测及跟踪问题模型. 对两种情况下的多机协同目标观测与跟踪进行仿真比较, 仿真结果验证了所建模型的有效性, 并体现了通信因素的重要影响.

     

基于?? 均值聚类的二进制传感器网络多目标定位方法

针对存在错误报警的二进制传感器网络,提出基于K均值聚类的二进制传感器网络多目标定位方法。在目标和节点间距离信息未知的条件下,提出基于K均值聚类的改进加正减负算法(KMC-ISNAP)对目标位置进行估计,引入影响因子降低分类过程中模糊节点对多目标定位误差的影响。仿真实验表明,K均值聚类方法在多个目标随机分布情况下能够对报警节点进行准确分类,与质心估计算法和加正减负算法相比, KMC-ISNAP多目标定位方法具有较高的定位精度和较好的容错性。