無線傳感器網(wǎng)絡(luò)節(jié)點感應(yīng)度模型及目標跟蹤算法研究結(jié)題摘要

本課題以無線傳感器網(wǎng)絡(luò)的目標跟蹤為背景，研究節(jié)能的目標跟蹤協(xié)議和算法，解決目前目標跟蹤協(xié)議存在通信量大、參與跟蹤的節(jié)點數(shù)目多從而導致耗能多的問題。具體研究無線傳感器網(wǎng)絡(luò)目標跟蹤機制，節(jié)點感應(yīng)度計算模型，并研究基于節(jié)點感應(yīng)度的目標定位與跟蹤算法。 本項目提出了一種節(jié)點感應(yīng)度計算模型，該模型主要利用傳感器節(jié)點感應(yīng)到的信號強度與離目標的距離互相關(guān)特性，即感應(yīng)到的信號強度越大，則感應(yīng)度值越高。感應(yīng)度值將作為跟蹤過程中節(jié)點是否參與跟蹤的依據(jù)之一。提出了基于多邊形的目標跟蹤框架-FaceTrack,該跟蹤框架包括目標在多邊形區(qū)域之間的穿越過程中目標跟蹤方法，節(jié)點喚醒與休眠時機、主跟蹤節(jié)點的選擇方法等。模擬結(jié)果表明，F(xiàn)aceTrack跟蹤框架能有效定位目標所在多邊形區(qū)域。為了提高跟蹤精度，即實現(xiàn)目標在多邊形內(nèi)部動態(tài)移動的跟蹤與定位，本項目以節(jié)點感應(yīng)度模型為基礎(chǔ)，提出了一種節(jié)點自主決策是否參與跟蹤的目標跟蹤算法（NS-ADTT），該算法基于定位邊采用加權(quán)質(zhì)心算法對目標位置進行估計，并且，節(jié)點可根據(jù)自身感應(yīng)度值及局部網(wǎng)絡(luò)情況自主決策是否參與當前跟蹤。仿真結(jié)果表明，在目標跟蹤過程中，該算法在保證一定跟蹤精度的基礎(chǔ)上減少了參與跟蹤的節(jié)點數(shù)， 降低了網(wǎng)絡(luò)能耗，有效地延長了網(wǎng)絡(luò)生命周期。 本項目對其他跟蹤模式進行了探索，基于拍賣的思想，提出了基于拍賣的目標跟蹤算法Auction-Based Adaptive Sensor Activation Algorithm(簡稱AASA)。拍賣機制讓預(yù)測區(qū)域內(nèi)的節(jié)點通過競爭產(chǎn)生最適合參與目標跟蹤的節(jié)點。拍賣過程充分考慮了節(jié)點的剩余能量以及節(jié)點到目標預(yù)測距離。模擬結(jié)果表明,算法AASA在保持可接受跟蹤質(zhì)量的前提下,能有效地解決能量消耗不平衡的問題。

無線傳感器網(wǎng)絡(luò)是物聯(lián)網(wǎng)的基本組成部分，目標跟蹤是無線傳感器網(wǎng)絡(luò)的一項基本應(yīng)用。現(xiàn)有的目標跟蹤機制存在參與跟蹤的節(jié)點多、節(jié)點之間過于依賴消息通信進行定位與協(xié)作跟蹤，能量消耗較大。為了充分降低傳感器節(jié)點能量消耗，本項目提出節(jié)點感應(yīng)度模型的概念，并研究基于節(jié)點感應(yīng)度模型的目標定位與跟蹤算法。首先，提出科學合理的節(jié)點感應(yīng)度模型，該模型充分利用傳感器節(jié)點感應(yīng)到的信號強度、節(jié)點當前狀態(tài)和網(wǎng)絡(luò)狀況等信息，進行節(jié)點狀態(tài)轉(zhuǎn)換，實現(xiàn)跟蹤調(diào)度，避免傳統(tǒng)協(xié)作跟蹤中的頻繁通信。其次，以節(jié)點感應(yīng)度模型為基礎(chǔ)，研究新型的目標跟蹤協(xié)議和算法，在確保目標跟蹤精度和響應(yīng)速度的前提下，盡量減少參與跟蹤的傳感器節(jié)點的數(shù)目，減少傳感器節(jié)點之間的消息通信。最后，利用軟件工程技術(shù)，設(shè)計與開發(fā)目標跟蹤原型軟件系統(tǒng)，擬在一些典型的無線傳感器網(wǎng)絡(luò)中進行示范應(yīng)用。研究成果為無線傳感器網(wǎng)絡(luò)中目標監(jiān)測、定位、目標跟蹤等典型應(yīng)用提供理論指導。

第1章緒論1

1.1研究背景及意義1

1.2研究現(xiàn)狀7

1.2.1節(jié)點定位技術(shù)研究現(xiàn)狀7

1.2.2協(xié)作跟蹤技術(shù)研究現(xiàn)狀10

1.3章節(jié)安排13

參考文獻15

第2章無線傳感器網(wǎng)絡(luò)節(jié)點定位和協(xié)作跟蹤技術(shù)21

2.1節(jié)點定位21

2.1.1節(jié)點定位原理22

2.1.2定位系統(tǒng)27

2.1.3性能評價31

2.2協(xié)作跟蹤32

2.2.1目標跟蹤算法32

2.2.2協(xié)作跟蹤方案39

2.2.3評價指標47

2.3本章小結(jié)47

參考文獻48

第3章室內(nèi)復(fù)雜環(huán)境下節(jié)點定位算法49

3.1路徑損耗模型49

3.2室內(nèi)測距模型參數(shù)辨識52

3.3室內(nèi)定位方案62

3.4人員定位實驗64

3.5本章小結(jié)68

參考文獻68

第4章野外環(huán)境下三維節(jié)點定位算法69

4.1網(wǎng)絡(luò)模型69

4.2三維輔助定位算法71

4.3定位誤差和能量消耗分析77

4.4仿真實驗81

4.5本章小結(jié)88

參考文獻89

目錄傳感器網(wǎng)絡(luò)節(jié)點定位與協(xié)作跟蹤第5章基于粒子群優(yōu)化的協(xié)作跟蹤算法90

5.1系統(tǒng)描述90

5.2多傳感器協(xié)作跟蹤方案91

5.2.1高斯粒子濾波91

5.2.2多傳感器數(shù)據(jù)融合94

5.3基于粒子群優(yōu)化的動態(tài)簇組織算法96

5.3.1基于位置預(yù)測的簇成員節(jié)點選擇97

5.3.2基于粒子群優(yōu)化的簇頭節(jié)點選擇98

5.4仿真實驗102

5.5本章小結(jié)107

參考文獻107

第6章基于貝葉斯理論的多傳感器交互濾波算法109

6.1問題描述109

6.2接力卡爾曼算法110

6.2.1狀態(tài)和協(xié)方差更新110

6.2.2預(yù)測方程111

6.2.3傳感器概率更新111

6.3多傳感器交互濾波算法111

6.4后驗克拉美羅下界112

6.5仿真實驗114

6.5.1PCRLB115

6.5.2IMSF的性能115

6.5.3傳感器概率118

6.6本章小結(jié)120

參考文獻120

第7章基于后驗克拉美羅下界的機動目標跟蹤算法122

7.1相關(guān)工作123

7.2問題描述123

7.3多模型后驗克拉美羅下界124

7.4通信受限節(jié)點調(diào)度策略126

7.5模型參數(shù)預(yù)測127

7.6仿真實驗128

7.7本章小結(jié)134

參考文獻134

第8章連續(xù)泄漏穩(wěn)態(tài)氣體源參數(shù)估計算法137

8.1連續(xù)泄漏穩(wěn)態(tài)氣體源參數(shù)估計模型137

8.1.1有風條件下穩(wěn)態(tài)氣體擴散模型137

8.1.2穩(wěn)態(tài)氣體源參數(shù)估計狀態(tài)空間模型142

8.2連續(xù)泄漏穩(wěn)態(tài)氣體源參數(shù)估計算法142

8.2.1穩(wěn)態(tài)氣體源參數(shù)的粗估計142

8.2.2確定粒子濾波的似然函數(shù)143

8.2.3基于粒子濾波的穩(wěn)態(tài)氣體源參數(shù)估計算法145

8.3氣體源參數(shù)估計性能分析145

8.3.1氣體源參數(shù)估計CRLB的定義146

8.3.2氣體源參數(shù)估計的CRLB推導146

8.4仿真實驗與結(jié)果分析150

8.4.1實驗條件150

8.4.2實驗結(jié)果與分析151

8.5本章小結(jié)158

參考文獻158

第9章連續(xù)泄漏非穩(wěn)態(tài)氣體源參數(shù)估計算法159

9.1連續(xù)泄漏非穩(wěn)態(tài)參數(shù)估計模型159

9.1.1二維非穩(wěn)態(tài)氣體擴散模型159

9.1.2傳感器測量模型161

9.2連續(xù)泄漏非穩(wěn)態(tài)氣體源參數(shù)估計算法162

9.2.1構(gòu)造目標優(yōu)化函數(shù)162

9.2.2基于多種群遺傳算法的非穩(wěn)態(tài)氣體源參數(shù)估計算法164

9.3仿真實驗與結(jié)果分析167

9.3.1仿真條件168

9.3.2仿真結(jié)果與分析168

9.4本章小結(jié)173

參考文獻173

第10章瞬時泄漏氣體源參數(shù)估計算法174

10.1瞬時泄漏氣體源參數(shù)估計模型174

10.1.1有風條件下瞬時氣體擴散模型174

10.1.2瞬時氣體源參數(shù)估計狀態(tài)空間模型176

10.2基于高斯粒子濾波的瞬時氣體源參數(shù)估計算法179

10.2.1瞬時氣體源參數(shù)的粗估計180

10.2.2基于高粒子濾波的瞬時氣體源參數(shù)估計方法181

10.3瞬時氣體源參數(shù)估計性能分析183

10.4仿真實驗與結(jié)果分析184

10.4.1實驗條件184

10.4.2實驗結(jié)果與分析186

10.5本章小結(jié)193

參考文獻194

附錄A矩陣求逆195

附錄B預(yù)測距離的推導196 2100433B

本課題擬針對采用集中式信息融合的多傳感器多目標跟蹤系統(tǒng)提出基于最大期望算法的聯(lián)合數(shù)據(jù)配準、關(guān)聯(lián)和融合算法,以及針對采用分布式信息融合的多傳感器多目標跟蹤系統(tǒng)提出基于最大期望算法的聯(lián)合航跡配準、關(guān)聯(lián)和融合算法。傳統(tǒng)上人們一般將數(shù)據(jù)配準、數(shù)據(jù)關(guān)聯(lián)和數(shù)據(jù)融合三者分開研究，或者是將航跡配準、航跡關(guān)聯(lián)和航跡融合三者分開研究，但實際上它們是相互影響的：數(shù)據(jù)配準需要正確關(guān)聯(lián)了的多傳感器數(shù)據(jù)而存在配準誤差的多傳感器數(shù)據(jù)又會增加錯誤關(guān)聯(lián)的概率，它們都會對數(shù)據(jù)融合的性能產(chǎn)生影響；同樣航跡配準需要正確關(guān)聯(lián)了的局部航跡而存在配準誤差的局部航跡又會增加錯誤關(guān)聯(lián)的概率，它們都會對航跡融合的性能產(chǎn)生影響。本課題將它們作為一個整體研究從而解決傳統(tǒng)上將它們分開研究和工程實現(xiàn)的弊端，因考慮了它們之間的相互聯(lián)系和相互影響，我們能大大提高多傳感器多目標跟蹤的精度，從而可提高軍事和民用領(lǐng)域?qū)δ繕吮O(jiān)視和跟蹤的能力。

為提高成像設(shè)備在運動中對全場景進行監(jiān)視和分析的效率和效果，課題以分布于球形表面的攝像機陣列獲得的視頻數(shù)據(jù)為對象，研究球面機器視覺模型，以新的視角- - 曲線空間中的視頻處理和分析- - 研究球面機器視覺的形成機制和基礎(chǔ)應(yīng)用環(huán)節(jié)中的理論問題，以及全動態(tài)場景中目標全方位跟蹤方法。首先，研究從球形攝像機陣列獲得的高維圖像集合到球面圖像之間的數(shù)據(jù)優(yōu)化傳遞關(guān)系，建立球面視覺的形成方法和曲線空間中更具一般性的圖像處理理論和方法；進而研究成像設(shè)備運動過程中，寄生運動對成像過程的影響，提出從觀測運動中相對運動的分離方法和寄生運動的抑制方法，提出球面立體視覺的形成機制、誤差傳遞方法以及精度估計模型；在此基礎(chǔ)上研究全動態(tài)場景中目標跟蹤線索的選擇機制和描述方法以及曲線空間中連續(xù)形變目標的立體跟蹤方法。球面視覺是實現(xiàn)全動態(tài)場景監(jiān)視和連續(xù)形變目標全方位不間斷跟蹤的有效途徑。