CN102967857B - 基于粒子群优化的传感器网络对机动目标的协同跟踪方法 - Google Patents

Abstract

本发明公开了一种基于粒子群优化的传感器网络对机动目标的协同跟踪方法。其实现步骤是：（1）根据目标当前的位置，采用粒子群优化算法对传感器网络中的传感器位置进行重新部署；（2）利用重新部署后的传感器对目标的预测位置进行预探测，获得关于目标位置的期望的传感器观测值集合；（3）将期望传感器观测值集合中观测值随机分成N_C个期望传感器观测值组合；（4）采用二值粒子群优化算法求取上述N_C个期望传感器观测值组合中的最优传感器观测值组合；（5）用最优观测值组合所对目标进行真实跟踪探测，并将跟踪结果进行融合。本发明能在非高斯非线性环境下保证目标跟踪精度，降低网络能耗，可用于传感器网络对机动目标的协同跟踪。

Description

基于粒子群优化的传感器网络对机动目标的协同跟踪方法

技术领域

本发明属于雷达技术领域，具体的说是一种自适应地选择传感器网络中的雷达对目标进行最优跟踪的方法。

背景技术

对于传感器组网目标跟踪而言，参与跟踪的传感器越多，获得的关于目标的信息量就越大，进而可以获得越优的跟踪性能。但是，随着参与跟踪的传感器数量的增加，网络能耗也相应增大。在实际应用中，传感器网络的资源总量往往是受限的，当多个传感器均可实现目标跟踪时，需要选择代价最小，效果最佳的传感器或传感器组合进行跟踪。因此，如何优化目标跟踪精度与传感器网络能耗，提高资源有效利用率，为传感器网络决策出最佳传感器组合进行目标跟踪，是实现对目标高精度协同跟踪的一个关键问题。为了解决这个问题，现有技术有以下三种方法：

1.Christopher M.K.等人在“An information-based approach to sensor management inlarge dynamic networks[C].//Proceedings of the IEEE.U.S.:IEEE,2007,95(5):978-999.”文献[1]中，以最大化先、后验概率密度函数间的信息增量为代价函数实现跟踪传感器的选择，提高了目标跟踪精度，但是该方法网络能耗较大，同时这种采用集中式的传感器选择算法，一旦某一传感器出现问题，会导致整个算法失效。

2.LI Zhiming等人在“Sensor node deployment in wireless sensor networks based onimproved particle swarm optimization[C].//Proceedings of 2009 IEEE InternationalConference on Applied Superconductivity and Electromagnetic Devices.Chengdu:IEEE,2009:215-217.”文献[2]中，采用粒子群优化对传感器网络中传感器进行优化部署，未考虑如目标检测、跟踪等具体探测行为，无法实时地对目标探测行为进行优化。

3.WANG Xue等人在“Distributed energy optimization for target tracking in wirelesssensor networks[J].IEEE Transactions on Mobile Computing,2009,9(1):73-86.”文献[3]中，考虑了跟踪性能与网络能耗的问题，但其以状态估计的协方差矩阵的迹来衡量跟踪效果，并以此作为传感器选择的标准。对于非线性、非高斯***而言，状态估计的协方差矩阵无法精确表征后验概率密度函数，用其来衡量跟踪效果是不精确的，进而选择的跟踪传感器往往不是最佳的。

发明内容

本发明的目的在于克服已有方法的缺点，提供一种基于粒子群优化的传感器网络对机动目标的协同跟踪方法，以自适应地选择传感器网络中的雷达对目标进行最优跟踪，确保在非高斯非线性环境下目标跟踪精度的同时降低网络能耗，满足实际应用中对网络低能耗的要求。

为实现上述目的，本发明的技术思路是：采用粒子群优化算法对传感器网络中的动态传感器的位置进行最优化部署，用最优化部署的传感器组合对目标进行真实探测，并将探测结果进行融合。其具体实现步骤包括如下：

1．一种基于粒子群优化的传感器网络对机动目标的协同跟踪方法，包括如下步骤：

1）根据目标当前的位置，采用粒子群优化算法对传感器网络中的动态传感器的位置进行重新部署；

2）利用重新部署后的动态传感器和静态传感器对目标的预测位置进行预探测，获得关于目标位置的期望传感器观测值集合其中，k为观测时间，j为传感器编号，N为动态传感器总数，M为静态传感器总数；

3）将期望传感器观测值集合

中的N+M个观测值进行随机组合，形成N_C个期望传感器观测值组合，其中，

q表示第q个传感器观测值，

是从N+M个期望观测值中选择的第q个观测值的排列数；

4）采用二值粒子群优化算法求取上述N_C个期望传感器观测值组合中的最优传感器观测值组合：

（4a）在N_C个期望传感器观测值组合中随机选择N_P个传感器观测值组合，作为N_P个粒子群位置向量集

其中Y_i(t)为粒子群中第i个粒子在第t代的位置向量，

为粒子i在第t代的位置向量Y_i(t)的第l个分量，

代表一个传感器选择向量，

代表该位置上对应的传感器观测值被选择，

代表该位置上对应的传感器观测值未被选择；

（4b）求取N_P个粒子群位置向量集

的适应度函数值F：

$F=\left\{\begin{array}{cc}{E}_0-D_{\mathrm{\α}}& D_{\mathrm{\α}}>D_0\\ E_S-D_0& D_{\mathrm{\α}}\≤D_0\end{array}\right.$

其中，E₀为网络能耗门限，D_α为当前选择的粒子所代表的期望观测值组合的Rényi信息增量，D₀为Rényi信息增量门限，E_S为当前选择的粒子所代表的期望观测值组合的Rényi信息增量；

（4c）令上述N_P个适应度函数值中最小值所对应的粒子为全局最优粒子，利用全局最优粒子对当前代粒子进行变异，获取下一代新粒子；

（4d）返回步骤（4b），直至到达迭代次数的最大值，获得全局最优传感器观测值组合；

5）用最优观测值组合所对应的传感器组合对目标进行真实探测，并将跟踪结果进行融合，得到k+1时刻目标状态估计的融合值x_k+1/k+1：

$x_{k+1/k+1}=P_{k+1/k+1}\{P_{k+1/k}^{-1}{x}_{k+1/k}+\underset{j=1}{\overset{N_j}{\mathrm{\Σ}}}(P_{j,k+1/k+1}^{-1}{x}_{j,k+1/k+1}-P_{j,k+1/k}^{-1}{x}_{j,k+1/k})\}$

$P_{k+1/k+1}={\{P_{k+1/k}^{-1}+\underset{j=1}{\overset{N_j}{\mathrm{\Σ}}}(P_{j,k+1/k+1}^{-1}-P_{j,k+1/k}^{-1})\}}^{-1},$

其中，P_k+1/k+1为k+1时刻的误差协方差矩阵，x_k+1/k为***在k时刻对k+1时刻目标状态的预测值，P_k+1/k为***在k时刻对k+1时刻目标状态的误差协方差矩阵，N_j为最优观测值组合中所包含的传感器个数，x_j，k+1/k+1为第j个传感器的估计值，P_j，k+1/k+1为第j个传感器的误差协方差矩阵，[]^-1为矩阵求逆。

本发明与现有技术相比具有以下优点：

1.网络能耗低，延长了传感器网络寿命。本发明通过二值粒子群优化算法在保证跟踪精度的情况下，降低了网络信息传输能耗，并且避免对某一传感器的过度使用而导致的传感器的消亡，延长了整个网络寿命。

2.本发明通过交互多模型粒子滤波算法求取各候选传感器组合的Rényi信息增量，能够较好地表征传感器组合在未来时刻的跟踪性能，确保了传感器选择的正确性；同时使得传感器网络实现在非高斯非线性环境下的目标跟踪。

理论分析和仿真结果表明，本发明与现有技术相比，可在非高斯非线性环境下自适应选择最优跟踪传感器，显著提高目标跟踪精度，降低网络能耗，满足实际应用中对网络低能耗的要求。

附图说明

图1是本发明的实施总流程图；

图2是本发明中动态传感器重新部署时适应度函数值随迭代次数的变化过程图；

图3是用本发明与现有方法对目标运动轨迹跟踪结果的对比图；

图4是用本发明与现有方法协同跟踪时平均位置误差的对比图；

图5是用本发明与现有方法协同跟踪时网络能量消耗的对比图；

图6是用本发明与现有方法选择跟踪传感器数目的对比图。

具体实施方式

参照图1，本发明的实现步骤如下：

步骤1，根据目标当前的位置，采用粒子群优化算法对传感器网络中的动态传感器的位置进行重新部署。

1a）根据传感器探测覆盖率与传感器能耗，计算粒子群位置向量集中N_P个粒子的适应度函数值，其中X_i(t)为粒子群中第i个粒子在第t代的位置向量，

为粒子i在第t代的位置向量X_i(t)的第l个分量，N_C为传感器组合数目。

1b）根据上述N_P个适应度函数值，以适应度函数值最小为准则选择出第i个粒子的局部最优位置向量

和所有粒子的全局最优位置

1c）利用上述p_i(t)、p_g(t)和X_i(t)计算粒子i在第t+1代的速度向量

$v_i^l(t+1)=\mathrm{\ω}\·v_i^l\left(t\right)+c_1\·r_1\·(p_i^l\left(t\right)-x_i^l\left(t\right))+c_2\·r_2\·(p_g^l\left(t\right)-x_i^l\left(t\right))$

其中，ω为惯性权重因子；

是粒子i在第t代的速度向量的第l个分量；c₁和c₂为Hooke常数；r₁和r₂为[0,1]内均匀分布的随机数；

为p_i(t)的第l个分量；

是粒子i在第t代的位置向量的第l个分量；

为p_g(t)的第l个分量；

1d）利用粒子i在第t+1代的速度向量

获取粒子i在第t+1代的位置

$x_i^l(t+1)=x_i^l\left(t\right)+v_i^l(t+1),$

其中，是粒子i在第t代的位置向量X_i(t)的第l个分量；

1e）返回步骤1b），直至达到迭代的最大次数，得到传感器网络中动态传感器低能耗高覆盖率部署的位置。

步骤2，利用重新部署后的动态传感器和静态传感器对目标的预测位置进行预探测，获得关于目标位置的期望的传感器观测值集合其中，k为观测时间，j为传感器编号，N为动态传感器总数，M为静态传感器总数；

步骤3，将期望传感器观测值集合

中的N+M个观测值进行随机组合，形成N_C个期望传感器观测值组合，其中，

q表示第q个传感器观测值，

是从N+M个期望观测值中选择的第q个观测值的排列数。

步骤4，采用二值粒子群优化算法求取上述N_C个期望传感器观测值组合中的最优传感器观测值组合：

4a）在N_C个期望传感器观测值组合中随机选择N_P个传感器观测值组合，作为N_P个粒子群位置向量集

其中Y_i(t)为粒子群中第i个粒子在第t代的位置向量，

为粒子i在第t代的位置向量Y_i(t)的第l个分量，

代表一个传感器选择向量，

代表该位置上对应的传感器观测值被选择，代表该位置上对应的传感器观测值未被选择。

4b）求取N_P个粒子群位置向量集

的适应度函数值F：

4b1）利用粒子滤波将求解Rényi信息增量的积分问题转化为有限样本点的概率转移累加过程，得到Rényi信息增量D_α：

$D_{\mathrm{\α}}=\left(p\left(x\right|z)\right|\left|p\left(x\right)\right)\≈\frac{1}{\mathrm{\α}-1}\·\log (\underset{n=1}{\overset{N_{\mathrm{PF}}}{\mathrm{\Σ}}}{w}_{n}p{\left(z\right|x_n)}^{\mathrm{\α}}/{\left(\underset{n=1}{\overset{N_{\mathrm{PF}}}{\mathrm{\Σ}}}p\left(z\right|x_n)w_n\right)}^{\mathrm{\α}})$

其中，p(x|z)是目标位置分布的后验概率，p(x)是目标位置分布的先验概率，α为取值在[0,1]的参数，N_PF是粒子滤波中的粒子总数，w_n为第n个粒子的权值，x_n是第n个粒子的位置，p(z|x_n)代表第n个粒子所估计的目标位置分布的后验概率；

4b2）根据各个传感器的通信距离r和每个传感器的固有能耗ψ₁，求得传感器网络能耗E_S：

$E_S=[e_{\mathrm{te}}{n}_{\mathrm{sel}}+\underset{j=1}{\overset{n_{\mathrm{sel}}}{\mathrm{\Σ}}}{\mathrm{\ϵ}}_a\·{\left(d(0,j)\right)}^2]\·r+n_{\mathrm{sel}}{\mathrm{\ψ}}_1$

其中，n_sel是选择的跟踪传感器总数，e_te是发射电路能耗，ε_a是功率放大能耗，d(0,j)表示由Dijkstra’s算法获得的被选的第j个传感器到簇首的最低能耗路径；

4b3）将上述计算获得的Rényi信息增量D_α与网络能耗E_S求得适应度函数值F：

$F=\left\{\begin{array}{cc}{E}_0-D_{\mathrm{\α}}& D_{\mathrm{\α}}>D_0\\ E_S-D_0& D_{\mathrm{\α}}\≤D_0\end{array}\right.$

其中，D₀和E₀分别表示Rényi信息增量门限与网络能耗门限；D_α与E_S表示当前选择的粒子所代表的期望观测值组合的Rényi信息增量与网络能耗；

4c）令上述N_P个适应度函数值F中最小值所对应的粒子为全局最优粒子，根据全局最优粒子对当前代粒子进行变异，获取下一代新粒子，变异公式如下：

$y_i^l(t+1)=\left\{\begin{array}{cc}\mathrm{exchange}\left(y_i^l\left(t\right)\right)& \mathrm{rand}<2\&times;|\frac{1}{1+e^{-v_i^l(t+1)}}-0.5|\\ y_i^l\left(t\right)& \mathrm{rand}\&GreaterEqual;2\&times;|\frac{1}{1+e^{-v_i^l(t+1)}}-0.5|\end{array}\right.$

其中

为第t+1代的位置向量Y_i(t+1)的第l个分量，rand表示[0,1]内均匀分布的随机数,exchange(·)表示0，1取反运算，

为粒子i在第t代的位置向量Y_i(t)的第l个分量

为粒子i在第t+1代的速度向量；

4d）返回步骤4b），直至到达迭代次数的最大值，获得全局最优传感器观测值组合。

步骤5，用最优观测值组合所对应的传感器组合对目标进行真实跟踪探测，并将跟踪结果进行融合，得到k+1时刻目标状态估计的融合值x_k+1/k+1：

$x_{k+1/k+1}=P_{k+1/k+1}\{P_{k+1/k}^{-1}{x}_{k+1/k}+\underset{j=1}{\overset{N_j}{\mathrm{\&Sigma;}}}(P_{j,k+1/k+1}^{-1}{x}_{j,k+1/k+1}-P_{j,k+1/k}^{-1}{x}_{j,k+1/k})\}$

$P_{k+1/k+1}={\{P_{k+1/k}^{-1}+\underset{j=1}{\overset{N_j}{\mathrm{\&Sigma;}}}(P_{j,k+1/k+1}^{-1}-P_{j,k+1/k}^{-1})\}}^{-1}$

其中，P_k+1/k+1为k+1时刻的误差协方差矩阵，x_k+1/k为***在k时刻对k+1时刻目标状态的预测值，P_k+1/k为***在k时刻对k+1时刻目标状态的误差协方差矩阵，N_j为最优观测值组合中所包含的传感器个数，x_j，k+1/k+1为第j个传感器的估计值，P_j，k+1/k+1为第j个传感器的误差协方差矩阵，[]^-1为矩阵求逆。

本发明的效果可通过以下仿真实验进一步说明：

1．仿真条件

仿真中，假设监视区域内随机分布82个传感器，其中静态传感器50个，可以移动位置的动态传感器32个。目标的运动状态为：1～30s，匀速飞行；31s～50s，右转圆周飞行；51s～70s，匀速飞行；71s～90s，左转圆周飞行；91s～100s，匀速飞行，其初始参数为x＝[0.4,0.8,v·Tcos(aπ/180),v·Tsin(aπ/180)]，x中元素依次为X轴位置、Y轴位置、X轴速度，Y轴速度，单位为[km,km,km/s,km/s]，其中v=60m/s为初始速度，a＝60°为初始角度，采样周期T=1s。假设雷达传感器测量值为径向距和方位角，测量噪声为闪烁噪声，静态传感器热噪声的测量标准差均为50m，20mrad，闪烁效应对应的测量标准差均为150m，60mrad；动态传感器的热噪声测量标准差均为100m，15mrad，闪烁效应对应的测量标准差均为300m，45mrad；粒子数为500；α值设为0.5。

2．仿真内容：

仿真1，对本发明中重新部署动态传感器的位置的过程进行仿真，得到适应度函数值随迭代次数的变化过程，如图2所示。

仿真2，分别用本发明和现有的直接融合法、协方差矩阵法对目标运动轨迹进行跟踪，得到其跟踪结果，如图3所示。

仿真3，用本发明和现有的直接融合法、协方差矩阵法对目标进行协同跟踪，得到其平均位置误差，如图4所示。

仿真4，用本发明和现有的直接融合法、协方差矩阵法对目标进行协同跟踪，得到其网络能量消耗，如图5所示。

仿真5，用本发明和现有的直接融合法、协方差矩阵法对目标进行协同跟踪，得到其选择跟踪传感器数目，如图6所示。

3.仿真分析：

图2表明，迭代至第十代时动态传感器的分布位置已经达到了网络通信能耗与有效覆盖率的最佳值。

从图4中可以看出，采用本发明方法进行协同跟踪，与现有方法相比，可以获得较高的跟踪精度。

从图5中可以看出采用本发明方法进行协同跟踪，与现有方法相比，可以有效降低了网络能耗。

从图6中可以看出，采用本发明方法进行协同跟踪，选择的跟踪传感器个数稳定，从而其跟踪精度也是稳定的。

Claims (2)

1.一种基于粒子群优化的传感器网络对机动目标的协同跟踪方法，包括如下步骤：

1）根据目标当前的位置，采用粒子群优化算法对传感器网络中的动态传感器的位置进行重新部署；

2）利用重新部署后的动态传感器和静态传感器对目标的预测位置进行预探测，获得关于目标位置的期望传感器观测值集合

其中，k为观测时间，j为传感器编号，N为动态传感器总数，M为静态传感器总数；

3）将期望传感器观测值集合

中的N+M个观测值进行随机组合，形成N_C个期望传感器观测值组合，其中，

q表示第q个传感器观测值，

是从N+M个期望观测值中选择的第q个观测值的排列数；

4）采用二值粒子群优化算法求取上述N_C个期望传感器观测值组合中的最优传感器观测值组合：

（4a）在N_C个期望传感器观测值组合中随机选择N_P个传感器观测值组合，作为N_P个粒子群位置向量集

其中Y_i(t)为粒子群中第i个粒子在第t代的位置向量，

为粒子i在第t代的位置向量Y_i(t)的第l个分量，

代表一个传感器选择向量，

代表该位置上对应的传感器观测值被选择，

代表该位置上对应的传感器观测值未被选择；

（4b）求取N_P个粒子群位置向量集

的适应度函数值F：

$F=\left\{\begin{array}{cc}{E}_0-D_{\mathrm{\&alpha;}}& D_{\mathrm{\&alpha;}}>D_0\\ E_S-D_0& D_{\mathrm{\&alpha;}}\&le;D_0\end{array}\right.$

其中，E₀为网络能耗门限，D_α为当前选择的粒子所代表的期望观测值组合的Rényi信息增量，D₀为Rényi信息增量门限，E_S为当前选择的粒子所代表的期望观测值组合的Rényi信息增量；

（4c）令上述N_P个适应度函数值中最小值所对应的粒子为全局最优粒子，利用全局最优粒子通过如下公式对当前代粒子进行变异，获取下一代新粒子；

$y_i^l(t+1)=\left\{\begin{array}{cc}\mathrm{exchange}\left(y_i^l\left(t\right)\right)& \mathrm{rand}<2\&times;|\frac{1}{1+e^{-v_i^l(t+1)}}-0.5|\\ y_i^l\left(t\right)& \mathrm{rand}\&GreaterEqual;2\&times;|\frac{1}{1+e^{-v_i^l(t+1)}}-0.5|\end{array}\right.$

其中为第t+1代的位置向量Y_i(t+1)的第l个分量，rand表示[0,1]内均匀分布的随机数,exchange(·)表示0，1取反运算，

为粒子i在第t代的位置向量Y_i(t)的第l个分量

为粒子i在第t+1代的速度向量；

（4d）返回步骤（4b），直至到达迭代次数的最大值，获得全局最优传感器观测值组合；

5）用最优观测值组合所对应的传感器组合对目标进行真实跟踪探测，并将跟踪结果进行融合，得到k+1时刻目标状态估计的融合值x_k+1/k+1：

$\begin{array}{c}{x}_{k+1/k+1}=P_{k+1/k+1}\{P_{k+1/k}^{-1}{x}_{k+1/k}+\underset{j=1}{\overset{N_j}{\mathrm{\&Sigma;}}}(P_{j,k+1/k+1}^{-1}{x}_{j,k+1/k+1}-P_{j,k+1/k}^{-1}{x}_{j,k+1/k})\\ P_{k+1/k+1}={\{P_{k+1/k}^{-1}+\underset{j=1}{\overset{N_j}{\mathrm{\&Sigma;}}}(P_{j,k+1/k+1}^{-1}-P_{j,k+1/k}^{-1})\}}^{-1},\end{array}$

其中，P_k+1/k+1为k+1时刻的误差协方差矩阵，x_k+1/k为***在k时刻对k+1时刻目标状态的预测值，P_k+1/k为***在k时刻对k+1时刻目标状态的误差协方差矩阵，N_j为最优观测值组合中所包含的传感器个数，x_j,k+1/k+1为第j个传感器的估计值，P_j,k+1/k+1为第j个传感器的误差协方差矩阵，[]^-1为矩阵求逆。

2.根据权利要求1所述的基于粒子群优化的传感器网络对机动目标的协同跟踪方法，其特征在于步骤1）所述的采用粒子群优化算法对传感器网络中的动态传感器的位置进行重新部署，按如下步骤进行：

（1a）根据传感器探测覆盖率与传感器能耗，计算粒子群位置向量集

中N_P个粒子的适应度函数值，其中X_i(t)为粒子群中第i个粒子在第t代的位置向量，

为粒子i在第t代的位置向量X_i(t)的第l个分量，N_C为期望传感器组合数目；

（1b）根据上述N_P个适应度函数值，以适应度函数值最小为准则选择出第i个粒子的局部最优位置向量

和所有粒子的全局最优位置 $p_g\left(t\right)=[p_g^1\left(t\right),...p_g^l\left(t\right),...,p_g^{{2N}_C}\left(t\right)];$

（1c）利用上述p_i(t)、p_g(t)和X_i(t)计算粒子i在第t+1代的速度向量

$v_i^l(t+1)=\mathrm{\&omega;}\&CenterDot;v_i^l\left(t\right)+c_1\&CenterDot;r_1\&CenterDot;(p_i^l\left(t\right)-x_i^l\left(t\right))+c_2\&CenterDot;r_2\&CenterDot;(p_g^l\left(t\right)-x_i^l\left(t\right))$

其中，ω为惯性权重因子，

是粒子i在第t代的速度向量的第l个分量，c₁和c₂为Hooke常数，r₁和r₂为[0,1]内均匀分布的随机数，

为p_i(t)的第l个分量，

是粒子i在第t代的位置向量的第l个分量，

为p_g(t)的第l个分量；

（1d）利用粒子i在第t+1代的速度向量

获取粒子i在第t+1代的位置

$x_i^l(t+1)=x_i^l\left(t\right)+v_i^l(t+1);$

（1e）返回步骤（1a），直至达到迭代的最大次数,得到传感器网络中动态传感器低能耗高覆盖率部署的位置。

Images