CN107422326B - 基于贝叶斯估计的水下目标追踪方法 - Google Patents
基于贝叶斯估计的水下目标追踪方法 Download PDFInfo
- Publication number
- CN107422326B CN107422326B CN201710200549.9A CN201710200549A CN107422326B CN 107422326 B CN107422326 B CN 107422326B CN 201710200549 A CN201710200549 A CN 201710200549A CN 107422326 B CN107422326 B CN 107422326B
- Authority
- CN
- China
- Prior art keywords
- target
- sensor node
- probability
- moment
- underwater
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S15/00—Systems using the reflection or reradiation of acoustic waves, e.g. sonar systems
- G01S15/66—Sonar tracking systems
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)
Abstract
一种基于贝叶斯估计的水下目标追踪方法:在水下探测区域,随机部署n个传感器节点构建水声传感网络,根据与周围传感器节点的距离确定邻居集合;根据水下传感器节点的监测信息,设计单节点贝叶斯估计策略判断目标是否存在;在单节点贝叶斯估计基础上,设计一致性贝叶斯估计策略的先验概率及后验概率,以提高目标追踪精度;根据任一传感器节点i在k时刻对目标位置的概率信息,通过对目标可能存在位置的概率信息分析,构建目标存在位置的相对熵,用以描述不同传感器节点对目标存在位置估测概率的准确性;计算出不同传感器节点对水下目标估计位置的相对熵后,通过最优化寻找相对熵最小时所对应的位置空间点,该点即为当前目标最有可能存在的位置;构建最优化公式,进而可实现对目标的准确追踪。
Description
技术领域
本发明涉及水声传感器智能感知技术领域,尤其涉及一种基于贝叶斯估计的水下目标追踪方法。
背景技术
水下目标追踪,旨在通过水声传感网络的通信与计算能力,来获取水下目标的位置以及运动信息。水下目标追踪技术可为海难打捞搜救、水下探测防御、以及海洋物种跟踪等应用提供理论依据和技术支撑。相比于陆地环境,水下通信噪声大、同时传感器更易受外来恶意节点的干扰。上述的弱通信特性,使得水下目标追踪成为一个具有挑战性的问题。
经对现有文献的检索发现,中国专利申请号为201310537456.7,名称为“相对坐标与追踪坐标值相结合的多机器人自主定位方法”,该方法利用多个水下机器人之间的距离,来校正各机器人的追踪坐标值,以减小追踪误差、提高水下目标定位精度。然而,该方法假设水下目标始终存在,并没有对目标的存在性进行判断,而水声弱通信特性使得追踪过程中易出现“伪目标”。如果不对“伪目标”进行剔除,那么错误选择将导致追踪可靠性降低。
另外,中国专利申请号为2013100404860.7,名称为“一种基于水下无线传感器网络的弱目标跟踪方法”,该方法使用粒子滤波算法对水下目标的位置和方差信息进行协同化处理,虽然该方法提高了水下目标跟踪的稳定性和精度,但是该方法需要对大量的粒子进行数据传输处理,增加了通信能耗、降低了水下传感网络的使用寿命,使得此方法在水下环境中的推广受限。
中国专利申请号为201510628535.8,名称为“基于一致性估计与休眠调度的水下目标协同追踪方法”,该方法通过对定位追踪过程中水下噪声的检测来实现对目标存在性的判断,然而仅利用当前数据进行分析,并没有对历史信息进行分析与处理,所以该方法容易出现对目标的误判。
因此,如何考虑水声传感网络弱通信特性,设计一种既能规避“伪目标”,又能减少水声通信能耗的水下目标追踪方法仍是一个待解决的问题。
发明内容
本发明的目的在于克服上述不足,提供一种基于贝叶斯估计的水下目标追踪方法,以提高对水下目标追踪的精度,同时降低水声通信能耗。
为解决上述存在的技术问题,本发明采用下述技术方案:
一种基于贝叶斯估计的水下目标追踪方法,该方法内容包括以下步骤:
步骤1,在水下探测区域,随机部署n个传感器节点,以构建水声传感网络,所述n个传感器节点分别标记为1,2...,n,节点间通过水声通信方式进行信息交互,并根据与周围传感器节点的距离确定邻居集合;
步骤2,根据水下传感器节点的监测信息,设计一种基于单贝叶斯估计的目标判断准则,用以判断目标是否存在,如果判定目标存在则进行步骤3,否则继续根据水下传感器节点的监测信息判断目标是否存在,直到确认探测目标存在为止;对目标存在性进行判断;
步骤3,在单节点贝叶斯估计基础上,设计一致性贝叶斯估计策略的先验概率及后验概率,以提高目标追踪精度,其中任一传感器节点i在k-1时刻与邻居传感器交互目标位置的后验概率,并进行加权平均,把所得目标位置的一致性概率作为传感器节点i在k时刻对目标位置的先验概率,进而结合传感器节点i在k时刻对目标的观测值,可得出传感器节点i在k时刻对目标位置的后验概率;
步骤4,根据任一传感器节点i在k时刻对目标位置的概率信息,通过对目标可能存在位置的概率信息分析,构建目标存在位置的相对熵,用以描述不同传感器节点对目标存在位置估测概率的准确性,若得到的相对熵处于所要求精度范围之内,则进行步骤5;否则返回步骤3,对目标可能存在位置概率进行重新取样计算;
步骤5,计算出不同传感器节点对水下目标估计位置的相对熵后,通过最优化寻找相对熵最小时所对应的位置空间点,该点即为当前目标最有可能存在的位置;构建最优化公式,进而可实现对目标的准确追踪。
式中为传感器节点i在k时刻对目标位置的后验概率;为传感器节点i在1到k时刻对目标位置的观测值;Xk为k时刻目标可能存在的位置;为传感器节点i在1到k-1时刻对目标位置的历史观测;为k时刻传感器节点i对目标位置的观测值;为k时刻传感器节点i在观测下对目标位置Xk的似然函数;为传感器节点i在历史观测下对目标位置Xk的先验概率;为归一化因子,其作用是确保对Xk求和的结果等于1。
在步骤2中,所述用以判断目标是否存在,是指采用如下规则对目标存在性进行判断:
更进一步,在步骤3中,所述设计一致性贝叶斯估计策略的先验概率及后验概率,其设计步骤如下:在初始k=0时刻,传感器节点i对目标位置的先验概率估计服从均匀分布;从k≥1时刻开始,传感器节点i对目标位置的先验概率,可通过邻居节点k-1时刻对目标存在位置的后验概率与传感器节点i在k-1时刻的后验概率取加权平均值;在得到传感器节点i的先验概率后,结合当前时刻的观测值可得到传感器节点i在时刻k对目标存在位置的后验概率。
更进一步,在步骤4中,所述构建目标存在位置的相对熵,其构建模型公式为:
Di(Pi(xk|Zk)||Xk)=Pi(xk|Zk)(log(Pi(xk|Zk))-log(Pi(xk|Z1:k-1))) (3)
其中,Pi(xk|Zk)表示k时刻传感器节点i对目标存在位置xk的后验概率;Pi(xk|Z1:k-1)表示传感器节点i在历史观测下对目标位置xk的先验概率;Di(Pi(xk|Zk)||Xk)表示传感器节点i在k时刻对水下目标存在的位置的后验概率与先验概率的相对熵;Xk为目标在k时刻可能存在的所有位置集合;xk为Xk中的任一元素。
更进一步,在步骤5中,所述构建最优化公式为:
(4)式中:L(X)表示在k时刻探测区域内传感器节点对目标可能存在位置的后验概率;D(Pi||Xk)表示目标存在位置的相对熵;Pi表示k时刻传感器节点i对目标存在位置的后验概率;P表示Pi的集合;Xk为在k时刻对探测区域内目标所有存在位置的估计。
通过上述过程所得到的位置点即为该时刻目标的位置点,从而实现了对于目标追踪。
与现有技术相比,本发明具有以下优点:
1、通过使用多个传感器节点对水下目标存在性进行概率估计,对目标的存在进行前提判断,避免出现“伪目标”的情况,提高了目标追踪的可靠性;
2、通过将一致性贝叶斯应用于水声信息处理,削弱了单个水下传感器节点由于水声弱通信特性造成的目标追踪不确定性,从而提高了追踪精度;
3、采用分布式的通信拓扑,每个传感器节点只需要与其邻居进行通信,规避了集中式算法带来的通信冗余,降低了通信能耗,同时更易于水下环境推广。
附图说明
图1是本发明方法对于水下移动目标追踪过程的流程图;
图2是本发明方法对水下移动目标追踪过程的过程模拟图。
图2中:A、B、C等表示在水下环境中部署的传感器节点;1、2、3等表示目标位置随时间的变化;水下传感器网络的拓扑结构由双向箭头构建,双向箭头表示传感器节点互为邻居节点,信息在邻居节点间进行交互。
具体实施方式
下面结合附图1对本发明做进一步说明:
如图1所示,本发明方法包括以下步骤:
步骤1,在水下探测区域,随机部署n个传感器节点,以构建水声传感网络,上述传感器节点分别标记为1,2...,n,节点间通过水声通信方式进行信息交互,并根据与周围传感器节点的距离确定邻居集合。
步骤2,设置目标存在与否的临界值P,根据步骤1中部署的传感器网络通过使用贝叶斯概率估计策略进行目标存在性的判断。首先设计基于单贝叶斯估计的目标判断准则,如下:
式中为传感器节点i在k时刻对目标位置的后验概率;为传感器节点i在1到k时刻对目标位置的观测值;Xk为k时刻目标可能存在的位置;为传感器节点i在1到k-1时刻对目标位置的历史观测;为k时刻传感器节点i对目标位置的观测值;为k时刻传感器节点i在观测下对目标位置Xk的似然函数;为传感器节点i在历史观测下对目标位置Xk的先验概率;为归一化因子,其作用是确保对Xk求和的结果等于1。
进而,采用如下规则对目标存在性进行判断:
步骤3,在单节点贝叶斯估计基础上,设计一致性贝叶斯估计策略,以提高目标追踪精度,当处于初始时刻k=0时,传感器节点i对目标位置的先验概率估计服从均匀分布,从k≥1时刻开始,传感器i在k-1时刻与邻居传感器交互目标位置的后验概率,并进行加权平均,所得目标位置的一致性概率作为传感器i在k时刻对目标位置的先验概率。进而结合传感器i在k时刻对目标的观测值,可得出传感器i在k时刻对目标位置的后验概率。
步骤4,根据任一传感器节点i在k时刻对目标位置的概率信息,通过对目标可能存在位置的概率信息分析,构建目标存在位置的相对熵,用以描述不同传感器节点对目标存在位置估测概率的准确性,其中相对熵构建如下:
Di(Pi(xk|Zk)||Xk)=Pi(xk|Zk)(log(Pi(xk|Zk))-log(Pi(xk|Z1:k-1))) (3)
其中,Pi(xk|Zk)表示k时刻传感器节点i对目标存在位置xk的后验概率;Pi(xk|Z1:k-1)表示传感器节点i在历史观测下对目标位置xk的先验概率;Di(Pi(xk|Zk)||Xk)表示传感器节点i在k时刻对水下目标存在的位置的后验概率与先验概率的相对熵;Xk为目标在k时刻可能存在的所有位置集合;xk为Xk中的任一元素。若得到的相对熵处于所要求精度范围之内,则进行步骤5;否则返回步骤3,对目标可能存在位置概率进行重新取样计算;
其中L(X)表示在k时刻探测区域内传感器节点对目标可能存在位置的后验概率;D(Pi||Xk)表示目标存在位置的相对熵;Pi表示k时刻传感器节点i对目标存在位置的后验概率;P表示Pi的集合;Xk为在k时刻对探测区域内目标所有存在位置的估计。通过上述过程所得到的位置点即为该时刻目标的位置点,从而实现了对于目标追踪。
以上所述的实施仅仅是对本发明的优选实施方式进行描述,并非对本发明的范围进行限定,在不脱离本发明设计精神的前提下,本领域普通技术人员对本发明的技术方案做出的各种变形和改进,均应落入本发明权利要求书确定的保护范围内。
Claims (5)
1.基于贝叶斯估计的水下目标追踪方法,其特征在于:该方法包括以下步骤:
步骤1,在水下探测区域,随机部署n个传感器节点,以构建水声传感网络,所述n个传感器节点分别标记为1,2...,n,节点间通过水声通信方式进行信息交互,并根据与周围传感器节点的距离确定邻居集合;
步骤2,根据水下传感器节点的监测信息,设计单节点贝叶斯估计策略,用以判断目标是否存在,如果判定目标存在则进行步骤3,否则继续根据水下传感器节点的监测信息判断目标是否存在,直到确认探测目标存在为止;
式中为传感器节点i在k时刻对目标位置的后验概率;为传感器节点i在1到k时刻对目标位置的观测值;Xk为k时刻目标可能存在的位置;为传感器节点i在1到k-1时刻对目标位置的历史观测;为k时刻传感器节点i对目标位置的观测值;为k时刻传感器节点i在观测下对目标位置Xk的似然函数;为传感器节点i在历史观测下对目标位置Xk的先验概率;为归一化因子,其作用是确保对Xk求和的结果等于1;
步骤3,在单节点贝叶斯估计基础上,设计一致性贝叶斯估计策略的先验概率及后验概率,以提高目标追踪精度,将其中任一传感器节点i在k-1时刻与邻居传感器交互目标位置的后验概率进行加权平均,把所得目标位置的一致性概率作为传感器节点i在k时刻对目标位置的先验概率,进而结合传感器节点i在k时刻对目标的观测值,可得出传感器节点i在k时刻对目标位置的后验概率;
步骤4,根据任一传感器节点i在k时刻对目标位置的概率信息,通过对目标可能存在位置的概率信息分析,构建目标存在位置的相对熵,用以描述不同传感器节点对目标存在位置估测概率的准确性,若得到的相对熵处于所要求精度范围之内,则进行步骤5;否则返回步骤3,对目标可能存在位置概率进行重新取样计算;
步骤5,计算出不同传感器节点对水下目标估计位置的相对熵后,通过最优化寻找相对熵最小时所对应的位置空间点,该点即为当前目标最有可能存在的位置;构建最优化公式,进而可实现对目标的准确追踪。
3.根据权利要求1所述的基于贝叶斯估计的水下目标追踪方法,其特征在于:在步骤3中,所述设计一致性贝叶斯估计策略的先验概率及后验概率,其设计步骤如下:在初始k=0时刻,传感器节点i对目标位置的先验概率估计服从均匀分布;从k≥1时刻开始,传感器节点i对目标位置的先验概率,可通过邻居节点k-1时刻对目标存在位置的后验概率与传感器节点i在k-1时刻的后验概率取加权平均值;在得到传感器节点i的先验概率后,结合当前时刻的观测值可得到传感器节点i在时刻k对目标存在位置的后验概率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710200549.9A CN107422326B (zh) | 2017-03-30 | 2017-03-30 | 基于贝叶斯估计的水下目标追踪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710200549.9A CN107422326B (zh) | 2017-03-30 | 2017-03-30 | 基于贝叶斯估计的水下目标追踪方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107422326A CN107422326A (zh) | 2017-12-01 |
CN107422326B true CN107422326B (zh) | 2020-09-11 |
Family
ID=60423146
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710200549.9A Active CN107422326B (zh) | 2017-03-30 | 2017-03-30 | 基于贝叶斯估计的水下目标追踪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107422326B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110032201A (zh) * | 2019-04-19 | 2019-07-19 | 成都飞机工业(集团)有限责任公司 | 一种基于卡尔曼滤波的imu机载视觉姿态融合的方法 |
CN110972077B (zh) * | 2019-12-04 | 2020-10-02 | 燕山大学 | 一种面向迭代状态伪造攻击下的水下目标定位方法 |
CN114363308B (zh) * | 2020-09-29 | 2023-06-02 | 华为技术有限公司 | 一种地图数据的传输方法及装置 |
CN115236594B (zh) * | 2022-06-30 | 2022-12-30 | 哈尔滨工程大学 | 一种适用于极地脉冲噪声环境的冰下声源定位方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5842283B2 (ja) * | 2011-06-09 | 2016-01-13 | アクアインテック株式会社 | 汚泥かき寄せ装置 |
CN104833964A (zh) * | 2015-04-28 | 2015-08-12 | 南京邮电大学 | 针对雷达/声呐***的目标检测跟踪一体化方法和装置 |
CN105242275B (zh) * | 2015-09-29 | 2017-08-29 | 燕山大学 | 基于一致性估计与休眠调度的水下目标协同追踪方法 |
CN105469110B (zh) * | 2015-11-19 | 2018-12-14 | 武汉大学 | 基于局部线性迁移的非刚性变换图像特征匹配方法及*** |
-
2017
- 2017-03-30 CN CN201710200549.9A patent/CN107422326B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN107422326A (zh) | 2017-12-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107422326B (zh) | 基于贝叶斯估计的水下目标追踪方法 | |
Liu et al. | Accelerometer assisted robust wireless signal positioning based on a hidden Markov model | |
Wang et al. | Robust device-free wireless localization based on differential RSS measurements | |
Thompson et al. | A probabilistic model of human motion and navigation intent for mobile robot path planning | |
Srinivasan et al. | A survey of sensory data boundary estimation, covering and tracking techniques using collaborating sensors | |
Zhao et al. | GraphIPS: Calibration-free and map-free indoor positioning using smartphone crowdsourced data | |
CN105101090B (zh) | 一种环境监测无线传感网的节点定位方法 | |
CN113115342B (zh) | 一种虚拟力导向麻雀搜索算法的WSNs部署方法及*** | |
Cheng et al. | A robust indoor localization algorithm based on polynomial fitting and Gaussian mixed model | |
Turgut et al. | Restarting particle filters: an approach to improve the performance of dynamic indoor localization | |
Fontaine et al. | Transfer Learning for UWB error correction and (N) LOS classification in multiple environments | |
Garbuglia et al. | Bayesian active learning for received signal strength-based visible light positioning | |
CN102307358B (zh) | 基于信息度量的移动传感器网络主动定位方法 | |
Yu et al. | Distributed single target tracking in underwater wireless sensor networks | |
Wu et al. | Mobile sensor networks self localization based on multi-dimensional scaling | |
Gou et al. | [Retracted] Three‐Dimensional DV‐Hop Localization Algorithm Based on Hop Size Correction and Improved Sparrow Search | |
Sivakumar et al. | Performance evaluation of hybrid evolutionary algorithms in minimizing localization error for wireless sensor networks | |
CN107197519B (zh) | 基于改进的最小二乘支持向量机的水下目标定位方法 | |
Parwekar et al. | Localization of sensors by base station in wireless sensor networks | |
Zhang et al. | On deployment optimization strategy for hybrid wireless sensor networks | |
Nolle | On a novel ACO-estimator and its application to the target motion analysis problem | |
Fatihah et al. | Distributed sensor node localization using a binary particle swarm optimization algorithm | |
Wang et al. | An advanced algorithm for Fingerprint Localization based on Kalman Filter | |
Li | Weighted centroid localization algorithm based on mea-bp neural network and dbscan clustering | |
Roy et al. | An improved differential evolution for autonomous deployment and localization of sensor nodes |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |