CN102256381A - 分布式自适应粒子滤波的无线传感器网络目标跟踪方法 - Google Patents

Abstract

本发明公开一种分布式自适应粒子滤波的无线传感器网络目标跟踪方法，先根据原则唤醒部分传感器节点参与目标跟踪，发送二进制数据给簇头节点，再用自适应粒子滤波对当前时刻的目标位置进行估计，在线调节粒子数，最后根据目标的运动不断地更新簇头节点，将上一簇头节点状态估计值和方差估计值传送给当前簇头节点；本发明在簇头之间无需传递大量的粒子，降低算法的计算量，减少通信量，有效减少带宽，降低能量消耗，大大提高目标跟踪的实时性和跟踪精度。

Description

分布式自适应粒子滤波的无线传感器网络目标跟踪方法

技术领域

本发明涉及一种无线传感器网络的目标跟踪方法，属于传感器和无线通信技术领域。

背景技术

无线传感器网络由大量随机分布传感器节点组成，是一种能够自组织的网络，能够感知覆盖区域内被检测对象的信息。由于传感器节点具有体积小、价格低廉、无线通信、自组织性、健壮性和隐蔽性等特点，被广泛应用于国防军事、环境检测等领域。无线传感器网络的典型应用之一是目标跟踪，通过节点间的相互协作，对进入覆盖区域的目标进行跟踪，利用多节点观测值，运用滤波对目标的位置等信息进行估计。

传统的无线传感器网络目标跟踪方法有其自身缺陷：1)能量有限，一般的传感器节点都是用电池供电，而且无法再充电，信息的传送会消耗大量能量；2)带宽有限，节点之间的协同工作需要传送大量数据；3)节点计算能量有限。目前，大多数基于无线传感器网络的目标跟踪方法中都采用角度或者信号强度作为量测，使传感器传送数据过多，造成数据拥塞，而且会占用大量带宽。

相对于上述传统的无线传感器网络，二进制无线传感器网络只传送”0”或”1”，可以有效节约带宽和能量。现有的二进制无线传感器网络目标跟踪时利用网络结构、传感器探测半径以及几何知识进行定位，在精度上有所欠缺；或者利用滤波法跟踪目标，如粒子滤波法，但是大多是集中式，消耗太多的能量而且实时性不能满足要求。因此基于分布式粒子滤波法更符合实际应用，其中的分簇算法一般都是根据当前的目标位置进行动态组簇，虽然在组簇上可进行优化，但是却要在簇头交替过程中传送大量数据，从而占据大量带宽，消耗大量能量。

发明内容

本发明所要解决的问题是针对上述现有技术的不足而提出了一种基于分布式自适应粒子滤波的二进制无线传感器网络目标跟踪方法，实时性好，能量消耗少，目标跟踪的精度高。

本发明采用的技术方案是包括如下步骤：(1)初始化无线传感器网络，使所有节点都具有统一的规格且都处于休眠状态；(2)选择信号接收强度最大的节点作为簇头节点，与簇头节点在单跳通信范围内的节点和簇头节点组簇，其余节点继续在休眠状态；(3)簇内节点对目标进行观测，将接收到的信号与预设门限相比较，若高于预设门限则发送二进制数据给簇头节点，反之不发送。(4)使用常规的粒子滤波算法估计初始状态估计值和初始方差估计值；(5)在t时刻根据步骤(2)组簇，并将上一时刻粒子滤波估计的状态估计值和方差估计值打包传送给此t时刻的簇头节点；(6)进行t时刻的自适应粒子滤波在线调整粒子数，包括先由决策规则

确定所需的粒子数，然后从重要密度函数中采样N(t)个粒子，再更新采样粒子，最后输出目标的位置状态估计值和方差估计值，每一时刻更新所需的粒子数根据方差估计值在线调整；m为比例系数，

是处理一个粒子的平均时间损耗，P_t-1是上一时刻的方差，t-1是完成上一次仿真的耗时；(7)t时刻自加1，根据目标的运动不断地更新簇头节点，在簇头节点更换时将上一簇头节点的信息传送给当前簇头节点；(8)重复步骤(5)-(7)，直至目标脱离无线传感器网络覆盖区域为止。

本发明提供的技术方案的有益效果是：通过采用二进制传感器网络，在节点与簇头节点之间只传送“0”，“1”信号，根据一定的原则选择簇头节点，可以有效地减少带宽。并采用自适应粒子滤波算法，当簇头更换时，在簇头之间无需传递大量的粒子，簇头之间只需要传送滤波值和误差方差即可，同时根据滤波方差在线调整粒子数，降低了算法的计算量，进一步有效减少带宽，并且采用分布式算法，大大提高无线传感器网络目标跟踪的实时性和跟踪精度，减少通信量，降低能量消耗。

附图说明

以下结合附图和具体实施方式对本发明作进一步详细说明：

图1是本发明的目标跟踪方法流程图。

具体实施方式

本发明采用分布式自适应粒子滤波来跟踪目标的位置，在当前时刻，目标移动到某个位置，根据一定的原则唤醒部分传感器节点参与目标跟踪，以减少通信量和降低能耗。首先让传感器节点处于一种休眠状态，当目标进入传感器节点后，唤醒节点，在规定范围内的节点自组织成簇，然后根据一定的原则选择簇头节点，簇内节点对目标进行观测，并发送二进制数据给簇头节点，不符合组簇原则的节点重新进入休眠状态，以节省传感器节点的能量。目标跟踪节点用自适应粒子滤波对当前时刻的目标位置进行估计，根据目标的运动不断地更新簇和簇头，当簇头更换时，将上一簇头的信息传送给当前簇头。因为传感器节点向簇头之间传送的是二进制数据，而且可以在线调节粒子数，因此可以进一步节省带宽和能量。参见图1，本发明具体实施步骤如下：

步骤101：初始化无线传感器网络，在区域内随机播撒无线传感器网络节点，所有节点都具有统一的规格，如通信距离、探测距离等，所有节点都处于休眠状态，只保持简单的探测功能，即只能探测出有或无目标存在，关闭通信功能。

步骤102：传感器节点探测到目标，唤醒在探测范围的节点。这些在探测范围的节点根据原则组簇，即选择信号接收强度最大的节点k作为簇头节点，与簇头节点k在单跳通信范围内的节点和簇头节点组簇，其余节点继续进入休眠状态；

步骤103：簇内节点对目标进行观测，并发送二进制数据给簇头节点。当观测到数据，发送“1”，未观测到数据则发送“0”，对于没有发送数据的节点，簇头默认该节点发送的为“0”。节点接收信号的强度模型是：

$y_{n,t}=g_n\left(x_t\right)+v_{n,t}=\frac{\mathrm{\Ψ}{d}_0^{\mathrm{\α}}}{{|r_n-l_t|}^{\mathrm{\α}}}+v_{n,t}$ n＝1， 2，…，N                                          (1)

其中g_n(x_t)是第n个节点接收信号强度的函数，v_n，t是独立于u_t的噪声，

r_n是第n个节点的位置，I_t是目标在时刻t所处的位置，||r_n-I_t||是目标和节点之间的欧几里得距离，Ψ是在目标距离为d₀时的信号能量，α是传输介质参数。

第n个节点接收到的信号强度在本地进行处理，然后根据准则发送二进制信息给簇头节点，该准则是：将接收到的信号y_n，t与预设的门限γ相比较，如果值低于门限γ，则不发送任何信息；如果值高于γ，则发送信息给簇头节点。因此，节点只有当y_n，t高于门限γ的时候才向簇头节点传送信息。簇头节点接收到来自第n个节点的量测为z_n，t＝β_ns_n，t+ε_n，t，其中ε_n，t是观测噪声，

β_n与传感器参数。

步骤104：在t＝0时刻，根据步骤102中的组簇原则，组成初始簇，并选出簇头节点，从先验分布中采样

i＝1，2，…，N₀，其中，N₀为初始粒子数，使用常规的粒子滤波算法估计初始状态估计值和初始方差估计值。

步骤105：在t时刻，根据步骤102的组簇原则组簇，并将上一时刻粒子滤波算出的状态估计值和方差估计值打包传送给此t时刻的簇头节点；

步骤106：进行t时刻的自适应粒子滤波在线调整粒子数，对目标的位置进行状态估计。

自适应粒子滤波在线调整粒子数时，根据步骤102组簇原则组簇后，节点是由决策规则确定粒子数，根据公式计算所需的粒子数。首先定义一个综合评价指标式中，t代表的是完成一次仿真的耗时，RMSE代表了滤波的误差大小，可以看出IEI性能指标综合考虑了时间和精度两方面，IEI越大，说明算法性能越好。为了平衡增加粒子数和IEI之间的关系，定义滤波的综合性能代价(IPC)函数：

$C({\mathrm{\ζ}}_t,N_t)=m{\∫}_{-\∞}^{+\∞}{\mathrm{\ζ}}_t^{2}f\left({\mathrm{\ζ}}_t\right)d_{{\mathrm{\ϵ}}_t}+{\stackrel{\‾}{c}}_t\×N\left(k\right)---\left(2\right)$

其中，表示用粒子均值对

估计时带来的估计误差，m为比例系数，

是处理一个粒子的平均时间损耗，f(ζ_t)表示估计误差的概率密度函数，N(t)为所需要的粒子数。再由决策规则N(t)确定所需的粒子数，即在t时刻，选择N(t)，使C(ζ_t，N_t)最小，可以求得N(t)由下式计算：

$N\left(t\right)=\sqrt{\frac{m{P}_{t-1}}{\stackrel{\‾}{c_t}}}---\left(3\right)$

P_t-1是上一时刻的方差，t-1是完成上一次仿真的耗时。

然后，从重要密度函数里抽取粒子，即从

中采样N(t)个粒子

粒子权重为

并且：

${\tilde{w}}_t^{\left(i\right)}\∝p\left(z_t\right|x_t^{\left(i\right)})w_{t-1}^{\left(i\right)}---\left(4\right)$

再更新采样粒子由于观测噪声ε_n，t是独立的，所以：

$p\left(z_t\right|x_t^{\left(i\right)})=\underset{n=1}{\overset{N}{\mathrm{\Π}}}p\left(z_{n,t}\right|x_t^{\left(i\right)})---\left(5\right)$

因此可以写成：

$p\left(z_{n,t}\right|x_t^i)=p\left(z_{n,t}\right|s_{n,t}=0,x_t^i)p(s_{n,t}=0|x_t^i)+p\left(z_{n,t}\right|s_{n,t}=1,x_t^i)p(s_{n,t}=1|x_t^i)$

$=p\left(z_{n,t}\right|s_{n,t}=0)p(s_{n,t}=0|x_t^i)+p\left(z_{n,t}\right|s_{n,t}=1)p(s_{n,t}=1|x_t^i)---\left(6\right)$

其中z_n，t是第n个节点在t时刻的量测，

并且： $p(s_{n,t}=1|x_t^{\left(i\right)})=Q\left(\frac{\mathrm{\γ}-g_n\left(x_t^{\left(i\right)}\right)-{\mathrm{\μ}}_v}{{\mathrm{\σ}}_v}\right)$

$p(s_{n,t}=0|x_t^{\left(i\right)})=1-Q\left(\frac{\mathrm{\γ}-g_n\left(x_t^{\left(i\right)}\right)-{\mathrm{\μ}}_v}{{\mathrm{\σ}}_v}\right)---\left(7\right)$

其中Q(·)是为正态分布累积函数。

最后，在更新采样粒子

后输出目标位置的状态估计值是

输出目标位置的方差估计值是

判断滤波是否结束，若是则进行步骤107，若否则返回步骤105。每一时刻更新所需的粒子数都是根据方差在线调整的，下一时刻的粒子是根据上一时刻的状态估计和方差估计得到的。

步骤107：t时刻自加1。在下一时刻，当目标移动到另一个位置，按步骤102重新组簇，当选出的簇头节点与上一时刻的簇头节点不相同时，上一簇头节点将信息传送给当前簇头节点，簇头节点之间传送的信息为上一时刻目标的状态估计值和方差估计值。根据目标的运动不断地更新簇和簇头节点，当簇头节点更换时，将上一簇头节点的信息传送给当前簇头。

步骤108：重复步骤105-107，直至目标脱离无线传感器网络覆盖区域为止。

Claims (2)

1.一种分布式自适应粒子滤波的无线传感器网络目标跟踪方法，其特征是包括如下步骤：

(1)初始化无线传感器网络，使所有节点都具有统一的规格且都处于休眠状态；

(2)选择信号接收强度最大的节点作为簇头节点，与簇头节点在单跳通信范围内的节点和簇头节点组簇，其余节点继续在休眠状态；

(3)簇内节点对目标进行观测，将接收到的信号与预设门限相比较，若高于预设门限则发送二进制数据给簇头节点，反之不发送；

(4)使用常规的粒子滤波算法估计初始状态估计值和初始方差估计值；

(5)在t时刻根据步骤(2)组簇，并将上一时刻粒子滤波估计的状态估计值和方差估计值打包传送给此t时刻的簇头节点；

(6)进行t时刻的自适应粒子滤波在线调整粒子数，包括先由决策规则

确定所需的粒子数，然后从重要密度函数中采样N(t)个粒子，再更新采样粒子，最后输出目标的位置状态估计值和方差估计值，每一时刻更新所需的粒子数根据方差估计值在线调整；m为比例系数，

是处理一个粒子的平均时间损耗，P_t-1是上一时刻的方差，t-1是完成上一次仿真的耗时；

(7)t时刻自加1，根据目标的运动不断地更新簇头节点，在簇头节点更换时将上一簇头节点的信息传送给当前簇头节点；

(8)重复步骤(5)-(7)，直至目标脱离无线传感器网络覆盖区域为止。

2.根据权利要求1所述的分布式自适应粒子滤波的无线传感器网络目标跟踪方法，其特征是：步骤(7)中，当目标在下一时刻移动到另一个位置，按步骤(2)重新组簇，当选出的簇头节点与上一时刻的簇头节点不相同时，上一簇头节点将信息传送给当前簇头节点，簇头节点之间传送的信息为上一时刻目标的状态估计值和方差估计值。

Images