CN103152791B - 一种基于水下无线传感器网络的目标跟踪方法 - Google Patents

Abstract

本发明公开了一种基于水下无线传感器网络的目标跟踪方法。该方法首先根据最强信号原则选择簇节点，然后根据单跳距离准则组成簇网络对目标进行观测，如果观测信号强度超过阈值，则发送观测数据给簇头节点。簇头节点接收到粗内节点传送的数据，采用改进重采样的粒子滤波算法对当前时刻的目标位置和方差进行估计。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，再由当前簇头节点采用改进的重采样粒子滤波算法估计运动目标位置，直到运动目标超出了水下无线传感器网络的跟踪范围；本发明使用改进重采样算法的粒子滤波跟踪方法估计水下目标的位置和方差，提高水下无线传感器网络的目标跟踪性能。

Description

一种基于水下无线传感器网络的目标跟踪方法

技术领域

本发明涉及一种基于水下无线传感器网络的目标跟踪方法。

背景技术

水下无线传感器网络是指在一定的水域中部署大量的传感器节点和自主车协作监测和采集周围环境感兴趣数据的网络，传感器节点能够自组织地建立起网络并进行声通信，经过数据融合技术，指定节点将获取的数据传送到水面或者岸基的控制中心，这样就实现了水下传感器网络与陆地通信网络的融合。水下传感器通常具有低功耗、传输距离短的特点。

水下目标跟踪是水下传感器网络的一个重要应用。水下传感器网络具有节点分布广、数量多，节点间可以相互协作、交换数据，可扩展性强等特点，这有利于扩大目标的跟踪范围、加强目标跟踪的可靠性和实时性。

水下目标跟踪多为非线性问题，粒子滤波方法在非线性非高斯问题中已经得到了广泛应用，在陆地无线传感器网络中已有粒子滤波用于目标跟踪问题，因此水下目标跟踪问题多采用粒子滤波方法。

水下传感器网络的目标跟踪方法根据粒子滤波工作方式的不同可以分为集中式粒子滤波跟踪和分布式粒子滤波跟踪。集中式的粒子滤波跟踪方法网络中只有一个中心节点，其余节点将跟踪目标的测量数据传送给中心节点，中心节点负责运用粒子滤波进行数据处理，估计机动目标的运动轨迹。集中式的粒子滤波跟踪方法使得整个网络不够稳定且负载不平衡，分布式的粒子滤波跟踪方法克服了这些缺点，根据粒子滤波存在形式的不同大致上分为四种。第一种方法网络中不同时刻不同数据处理节点运行粒子滤波算法，根据机动目标的预测轨迹，选择离预测位置最近的可行节点作为处理节点。处理节点随着机动目标轨迹的改变而变化，解决了集中式粒子滤波中网络脆弱和负载不平衡的问题。第二种方法为了克服查询过程中可能存在的巨大损耗，采用简单的扩充处理节点的方式，即网络中每个处理节点都同时运行相同的粒子滤波算法，测量值来自整个网络传感器采集的数据。第三种方法假设每个处理节点都有相应数量的传感器与之唯一相连，每个处理节点同时运行不同的粒子滤波算法，更新测量值采用与之相连的传感器所采集的数据。第四种方法考虑到粒子滤波粒子数越多，对机动目标跟踪轨迹的精度越高，而单个处理节点容量有限，所以将粒子集分为若干个子集分别在不同的处理节点中运行粒子滤波。

发明内容

本发明的目的是克服现有技术的不足，提供一种基于水下无线传感器网络的目标跟踪方法。

基于水下无线传感器网络的目标跟踪方法的步骤如下：

1）初始化水下无线传感器网络，使所有传感器节点都具有同一规格，并且都处于工作状态；

2）选择水下接收信号强度最大的传感器节点作为簇头节点，与簇头节点在单跳通信范围内的传感器节点和簇头节点组簇，其余传感器节点保持在休眠状态；

3）簇内传感器节点对目标进行观测，将接收到的信号的强度与预设门限相比较，若高于预设门限则发送数据给簇头节点，反之不发送；

4）设定初始状态估计值和初始方差估计值；

5）在k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k时刻的簇头节点；

6）进行k时刻的改进重采样的粒子滤波，从重要密度函数中采样N个粒子，再更新采样粒子，进行粒子改进重采样，最后输出目标的位置估计值和方差估计值；

7）k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）-步骤7），直至目标脱离水下无线传感器网络的覆盖区域为止。

所述的步骤6）为：从采集粒子i＝1，...,N，并计算重要性权重和归一化重要性权重，其中是建议分布，采集的N个粒子重要性权重为归一化后权重为对粒子进行重采样更新，更新方法为：根据粒子权重的大小来选择保留的粒子，原本粒子穿过概率墙即被保存的方法被舍弃，当粒子权重穿过多个概率墙时，放弃复制粒子的模式，而采用以下策略：

当复制个数为2n偶数时，产生2(n-1)个新粒子：

$\{x-\frac{2n-3}{4N}*\mathrm{\Σ}\},...,\{x-\frac{1}{4N}*\mathrm{\Σ}\}\left\{x\right\}\left\{x\right\}\{x+\frac{1}{4N}*\mathrm{\Σ}\},...,\{x+\frac{2n-3}{4N}*\mathrm{\Σ}\},$

当复制个数为2n+1奇数时，产生2n个新粒子：

$\{x-\frac{2n-1}{4N}*\mathrm{\Σ}\},...,\{x-\frac{1}{4N}*\mathrm{\Σ}\left\}\right\{x\left\}\right\{x\left\}\right\{x+\frac{1}{4N}*\mathrm{\Σ}\},...,\{x+\frac{2n-1}{4N}*\mathrm{\Σ}\}$

其中∑为新粒子的分散度变量。

本发明使用改进重采样算法的粒子滤波跟踪方法估计水下目标的位置和方差，提高水下无线传感器网络的目标跟踪性能。

附图说明

图1是水下传感器网络跟踪运动目标示意图。

具体实施方式

基于水下无线传感器网络的目标跟踪方法包括以下步骤：

1）初始化水下无线传感器网络，使所有传感器节点都具有同一规格，并且都处于工作状态；

2）选择水下接收信号强度最大的传感器节点作为簇头节点，与簇头节点在单跳通信范围内的传感器节点和簇头节点组簇，其余传感器节点保持在休眠状态；

3）簇内传感器节点对目标进行观测，将接收到的信号的强度与预设门限相比较，若高于预设门限则发送数据给簇头节点，反之不发送；

4）设定初始状态估计值和初始方差估计值；

5）在k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k时刻的簇头节点；

6）进行k时刻的改进重采样的粒子滤波，从重要密度函数中采样N个粒子，再更新采样粒子，进行粒子改进重采样，最后输出目标的位置估计值和方差估计值；

7）k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）-步骤7），直至目标脱离水下无线传感器网络的覆盖区域为止。

所述的步骤6）为：从采集粒子i＝1，...,N，并计算重要性权重和归一化重要性权重，其中是建议分布，采集的N个粒子重要性权重为归一化后权重为对粒子进行重采样更新，更新方法为：根据粒子权重的大小来选择保留的粒子，原本粒子穿过概率墙即被保存的方法被舍弃，当粒子权重穿过多个概率墙时，放弃复制粒子的模式，而采用以下策略：当复制个数为2n偶数时，产生2(n-1)个新粒子：

$\{x-\frac{2n-3}{4N}*\mathrm{\Σ}\},...,\{x-\frac{1}{4N}*\mathrm{\Σ}\}\left\{x\right\}\left\{x\right\}\{x+\frac{1}{4N}*\mathrm{\Σ}\},...,\{x+\frac{2n-3}{4N}*\mathrm{\Σ}\},$

当复制个数为2n+1奇数时，产生2n个新粒子：

$\{x-\frac{2n-1}{4N}*\mathrm{\Σ}\},...,\{x-\frac{1}{4N}*\mathrm{\Σ}\left\}\right\{x\left\}\right\{x\left\}\right\{x+\frac{1}{4N}*\mathrm{\Σ}\},...,\{x+\frac{2n-1}{4N}*\mathrm{\Σ}\}$

其中∑为新粒子的分散度变量。

实施例

步骤101：初始化水下无线传感器网络，在水下环境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，所有节点都处于工作状态，保持探测功能，但是可以关闭通信功能。

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M作为簇头节点，与簇头节点M在单跳通信范围内的节点和簇头节点组成簇，其余节点继续保持休眠状态。

步骤103：簇内节点对目标进行观测，对接收到的信号进行本地处理，然后发送数据给簇头节点。节点接收信号的强度模型是：

$z\left(k\right)=\frac{S\left(k\right)}{{[x\left(k\right)-x]}^2+{y\left(k\right)-y]}^2}+\mathrm{\ϵ}\left(k\right)$

其中S(k)为目标源级别的声压，x(k)和y(k)是目标在k时刻的二维坐标，x和y是声纳传感器的二维坐标，ε(k)是独立高斯白噪声，所有水下传感器节点的观测都是独立的。

第i个节点接收到的信号强度在本地进行处理，然后根据准则发送数据给簇头节点，该准则是：将k时刻接收到的信号z(k)与预设门限D_threshold相比较，如果值低于门限，则不发送任何信息；如果值高于门限，则发送信息给簇头节点。因此，节点只有当z(k)高于门限D_threshold的时候才向簇头节点传送信息。簇头节点接收到来自第i个节点的量测为：

$z_i\left(k\right)=\frac{S\left(k\right)}{{[x\left(k\right)-x_i]}^2+{[y\left(k\right)-y_i]}^2}*{\mathrm{\λ}}_i+{\mathrm{\ϵ}}_i\left(k\right),$ 其中 ${\mathrm{\λ}}_i=\left\{\begin{array}{ccc}1& \mathrm{if}& z_i\left(k\right)>D_{\mathrm{threshold}}\\ 0& \mathrm{if}& z_i\left(k\right)\≤D_{\mathrm{threshold}}\end{array}\right..$

步骤104：在k=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，设定初始状态估计值和初始方差估计值。

步骤105：在k时刻，如图1所示，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k时刻的簇头节点。

步骤106：进行k时刻的改进重采样的粒子滤波算法，对目标的位置进行状态估计。从采集粒子i＝1，...,N，并计算重要性权重和归一化重要性权重。其中是建议分布。采集的N个粒子重要性权重为归一化后权重为

对粒子进行重采样更新，更新方法为：根据粒子权重的大小来选择保留的粒子，原本粒子穿过概率墙即被保存的方法被舍弃。当粒子权重穿过多个概率墙时，放弃复制粒子的模式，而采用以下策略：

当复制个数为2n偶数时，产生2(n-1)个新粒子：

$\{x-\frac{2n-3}{4N}*\mathrm{\Σ}\},...,\{x-\frac{1}{4N}*\mathrm{\Σ}\}\left\{x\right\}\left\{x\right\}\{x+\frac{1}{4N}*\mathrm{\Σ}\},...,\{x+\frac{2n-3}{4N}*\mathrm{\Σ}\},$

当复制个数为2n+1奇数时，产生2n个新粒子：

$\{x-\frac{2n-1}{4N}*\mathrm{\Σ}\},...,\{x-\frac{1}{4N}*\mathrm{\Σ}\left\}\right\{x\left\}\right\{x\left\}\right\{x+\frac{1}{4N}*\mathrm{\Σ}\},...,\{x+\frac{2n-1}{4N}*\mathrm{\Σ}\}$

其中∑为新粒子的分散度变量。改进重采样的粒子滤波算法如下表所示：

步骤107：k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，直至目标脱离水下无线传感器网络覆盖区域为止。

Claims (2)

1.一种基于水下无线传感器网络的目标跟踪方法，其特征在于它的步骤如下：

1）初始化水下无线传感器网络，使所有传感器节点都具有同一规格，并且都处于工作状态；

2）选择水下接收信号强度最大的传感器节点作为簇头节点，与簇头节点在单跳通信范围内的传感器节点和簇头节点组簇，其余传感器节点保持在休眠状态；

3）簇内传感器节点对目标进行观测，将接收到的信号的强度与预设门限相比较，若高于预设门限则发送数据给簇头节点，反之不发送；

4）设定初始状态估计值和初始方差估计值；

5）在k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k时刻的簇头节点；

6）进行k时刻的改进重采样的粒子滤波，从重要密度函数中采样N个粒子，再更新采样粒子，进行粒子改进重采样，最后输出目标的位置估计值和方差估计值；

7）k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）-步骤7），直至目标脱离水下无线传感器网络的覆盖区域为止。

2.根据权利要求1所述的一种基于水下无线传感器网络的目标跟踪方法，其特征是：所述的步骤6）为：从采集粒子i＝1,...,N，并计算重要性权重和归一化重要性权重，其中是建议分布，采集的N个粒子重要性权重为归一化后权重为对粒子进行重采样更新，更新方法为：根据粒子权重的大小来选择保留的粒子，原本粒子穿过概率墙即被保存的方法被舍弃，当粒子权重穿过多个概率墙时，放弃复制粒子的模式，而采用以下策略：

当复制个数为2n偶数时，产生2(n-1)个新粒子：

$\{x-\frac{2n-3}{4N}*\mathrm{\Σ}\},...,\{x-\frac{1}{4N}*\mathrm{\Σ}\}\left\{x\right\}\left\{x\right\}\{x+\frac{1}{4N}*\mathrm{\Σ}\},...,\{x+\frac{2n-3}{4N}*\mathrm{\Σ}\},$

当复制个数为2n+1奇数时，产生2n个新粒子：

$\{x-\frac{2n-1}{4N}*\mathrm{\Σ}\},...,\{x-\frac{1}{4N}*\mathrm{\Σ}\left\}\right\{x\left\}\right\{x\left\}\right\{x+\frac{1}{4N}*\mathrm{\Σ}\},...,\{x+\frac{2n-1}{4N}*\mathrm{\Σ}\}$

其中∑为新粒子的分散度变量。