CN117195946A - 一种基于扩展卡尔曼滤波的wsn机动目标跟踪方法 - Google Patents
一种基于扩展卡尔曼滤波的wsn机动目标跟踪方法 Download PDFInfo
- Publication number
- CN117195946A CN117195946A CN202311155583.0A CN202311155583A CN117195946A CN 117195946 A CN117195946 A CN 117195946A CN 202311155583 A CN202311155583 A CN 202311155583A CN 117195946 A CN117195946 A CN 117195946A
- Authority
- CN
- China
- Prior art keywords
- algorithm
- extended kalman
- value
- maneuvering target
- wsn
- 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.)
- Granted
Links
- 238000001914 filtration Methods 0.000 title claims abstract description 67
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 124
- 241000270295 Serpentes Species 0.000 claims abstract description 34
- 235000013305 food Nutrition 0.000 claims abstract description 33
- 238000005457 optimization Methods 0.000 claims abstract description 26
- 239000011159 matrix material Substances 0.000 claims abstract description 20
- 238000013507 mapping Methods 0.000 claims abstract description 13
- 230000008569 process Effects 0.000 claims abstract description 10
- 230000007704 transition Effects 0.000 claims description 8
- 230000013011 mating Effects 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 4
- 235000013601 eggs Nutrition 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 7
- 230000000739 chaotic effect Effects 0.000 description 13
- 238000004088 simulation Methods 0.000 description 5
- 238000011161 development Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000007758 mating behavior Effects 0.000 description 3
- 238000005065 mining Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000009827 uniform distribution Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Landscapes
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于扩展卡尔曼滤波的WSN机动目标跟踪方法包括以下具体步骤：S1：利用传感器网络获取机动目标的数据；S2：进行蛇种群的初始化，利用立方混沌Cubic映射使初始化使蛇种群均匀分布在搜索空间内，设定最大迭代次数、食物和温度触发阈值；S3：确定目标函数，根据扩展卡尔曼滤波算法过程，确定适应度函数，后按扩展卡尔曼滤波的步骤对机动目标的参数进行估计，将噪声协方差矩阵参数作为优化算法个体的位置，寻优生成协方差为Q值和R值的随机噪声，并加入到SO‑C算法的观测值和估计值中；本发明公开的一种基于扩展卡尔曼滤波的WSN机动目标跟踪方法具有能够快速收敛到全局最优，有效提高算法的收敛精度的效果。
Description
技术领域
本发明涉及信息科学传感器定位领域，尤其涉及一种基于扩展卡尔曼滤波的WSN机动目标跟踪方法。
背景技术
无线传感器网络(Wireless Sensor Network，WSN)对机动目标跟踪是当今的一个研究热点。对于机动目标，首先通过无线传感器网络实时采集机动目标的轨迹数据，再根据采集的轨迹数据对机动目标的位置和运动状态进行实时预测，从而完成对机动目标运动状态的获取和跟踪定位。
其中，基于卡尔曼滤波预测的方法，其具有容易实现并且对线性***有很好的跟踪效果而被国内外学者广泛研究。该算法存在对于非线性运动***跟踪性能下降明显的问题。而在实际运用中，机动目标通常都以非线性的运动模式来进行运动的，因此很多学者对卡尔曼滤波进行改进，提出了一种扩展卡尔曼滤波算法(Extended Kalman Filter)。扩展卡尔曼滤波是一种非线性的滤波方式，运用了泰勒展开处理***中的状态方程和测量方程，同时使用雅可比矩阵来替代卡尔曼算法当中的线性变换。
传统的扩展卡尔曼滤波滤波参数较为固定，导致算法的性能下降。其中，滤波参数Q指的是机动运动过程噪声的协方差矩阵的协方差值，其主要影响滤波的参数和参数的估计精度。滤波参数R是指量测噪声的协方差矩阵的协方差值，其主要决定滤波的修正速度。滤波参数的取值不当会导致滤波发散，从而导致跟踪精度大幅下降。
扩展卡尔曼滤波算法的流程包括以下步骤：首先，根据***的运动模型和观测模型，建立状态转移方程和观测方程，然后，利用状态转移方程和上一时刻的状态估计值，预测当前时刻的状态估计值和协方差矩阵。接着利用观测方程和当前时刻的观测值，校正预测的状态估计值和协方差矩阵，得到最终的状态估计值和协方差矩阵。
因此，针对影响扩展卡尔曼机动目标跟踪的精度的主要原因分析，诸多学者对其进行了数学优化，或者加入智能优化算法的变体算法力来提升跟踪精度。
SO算法(SnakeOptimizer，SO)，由FatmaA.Hashim和Abdelazim G.Hussien于2022年提出，其主要来源于蛇的交配行为，通过当前的环境温度大小和食物数量来判断蛇个体的下一步行为。蛇优化算法的灵感来源于蛇的交配行为。如果温度较低，且食物可用，蛇的交配行为发生；否则蛇只会寻找食物或吃现有的食物。基于此，蛇优化算法的搜索过程分为两个阶段：勘探和开发。勘探描述了环境因素，即寒冷的地方和食物，该阶段并不存在蛇在它周围的环境中寻找食物的这种情况。蛇优化算法作为一种更简单、更鲁棒的优化算法；该算法不仅具有易于理解的特点，而且易于写入程序代码。同时，与其他算法相比，程序代码不会太长，很容易用于处理各种优化问题。并且迭代速度较快，对无线传感器网络机动目标跟踪算法提高跟踪精度具有重大作用和意义。
但由扩展卡尔曼滤波算法可知，在滤波参数选取不当的情况下，会导致滤波发散，从而导致跟踪精度大幅下降。
发明内容
本发明公开一种基于扩展卡尔曼滤波的WSN机动目标跟踪方法，旨在解决在滤波参数选取不当的情况下，会导致滤波发散，从而导致跟踪精度大幅下降的技术问题。
为了实现上述目的，本发明采用了如下技术方案：
一种基于扩展卡尔曼滤波的WSN机动目标跟踪方法，包括以下具体步骤：
S1：利用传感器网络获取机动目标的数据；
S2：进行蛇种群的初始化，利用立方混沌Cubic映射使初始化使蛇种群均匀分布在搜索空间内，设定最大迭代次数、食物和温度触发阈值；
S3：确定目标函数，根据扩展卡尔曼滤波算法过程，确定适应度函数，后按扩展卡尔曼滤波的步骤对机动目标的参数进行估计，将噪声协方差矩阵参数作为优化算法个体的位置，寻优生成协方差为Q值和R值的随机噪声，并加入到SO-C算法的观测值和估计值中；
S4：SO-C算法模块，迭代输出最佳位置。
由扩展卡尔曼滤波算法可知，在滤波参数选取不当的情况下，会导致滤波发散，从而导致跟踪精度大幅下降，通过利用蛇优化算法动态调整滤波参数的策略，避免因滤波参数选取不当而产生误差的情况发生，通过将扩展卡尔曼滤波算法跟踪问题转化为种群搜索最优解问题，进一步提升了算法的定位精度，该算法能够快速收敛到全局最优，提高算法的收敛精度，在WSN机动目标跟踪算法的优化中均可应用，使用蛇优化算法的扩展卡尔曼滤波算法与扩展卡尔曼算法与本算法进行比较，得到位置和速度均方差误差曲线；经过对比表明，所提算法的均方根误差相较于上述两个算法分别降低了51％和34％。
在一个优选的方案中，所述S1中，利用传感器收集数据的具体操作如下：针对WSN区域内跟踪问题，假设传感器网络中传感器都为同一型号，传感器通过测距功能获取当前采样时刻传感器到目标轨迹的距离和噪声信息，其中传感器采用的观测模型如下：
zi＝(1+γi)ri+ni＝ri+ui
(1)
通过利用传感器收集数据，其中，该***首先利用传感器网络获取机动目标的数据，根据获取的数据，利用SO-C算法算法动态搜索最优的参数，以减小滤波误差，从而提高跟踪的准确性。
在一个优选的方案中，所述S2中，蛇种群的初始化是基于公式产生每个蛇个体的初始种群，式中，ρ＝2.595，N0＝0.3。
通过利用立方混沌Cubic映射来产生分布更加均匀的初始化种群，可将混沌映射生成的混沌序列映射到解空间内得到多样性更好的初始蛇种群，从而扩大算法寻优搜索范围，提高优化算法的精度和性能。
在一个优选的方案中，所述S3中，扩展卡尔曼滤波的算法公式如下：
Pi|i-1＝APi-1AT+Q (4)
Pi＝(I-KiHi)Pi|i-1 (5)
所述S3中，扩展卡尔曼滤波算法的具体步骤如下：
S31：根据***的运动模型和观测模型，建立状态转移方程和观测方程；
S32：基于扩展卡尔曼滤波算法公式，通过预测公式中步骤(3)至步骤(6)，利用状态转移方程和上一时刻的状态估计值，预测当前时刻的状态估计值和协方差矩阵；
S33：通过更新公式中的步骤(7)至步骤(9)，利用观测方程和当前时刻的观测值，校正预测的状态估计值和协方差矩阵，得到最终的状态估计值和协方差矩阵；
所述S4中，SO-C算法模块的具体步骤如下：
S41：将种群分为雄性与雌性两组，设置适应度函数，并计算相应的适应度，找当前最佳雌雄个体，将当前时刻的观测值和估计值作为SO-C算法的适应度函数，在每次重复后得到新的滤波参数，根据适应度函数计算出来的适应度值来判断此次迭代产生的滤波参数的准确性；
S42：根据公式定义环境温度temp和食物数量D；
S43：根据食物量D的大小决定个体处于只寻找食物或战斗和交配，若D<0.25,则只寻找食物，按优化算法定义更新蛇的个***置；若食物充足且temp>0.6,则只寻找食物和吃现有食物，按优化算法的定义更新位置；
S44：根据模式随机数判断进入战斗模式和交配模式，更新战斗模式的位置，分别替换战斗模式下的Am,将最佳个体替换成当前个体，更新位置，如果卵孵化，选出最差个体进行替换；
S45：处理更新后的位置，更新个体历史最佳值,判断其是否达到迭代次数，不满足则进入下一轮迭代，满足则结束迭代输出最佳位置；
所述S41中，适应度函数如下：
所述S42中，环境温度和食物数量的定义公式如下：
通过优化SO算法中的一种收敛因子，可更有效地平衡了全局搜索时的开发能力与局部搜索时的挖掘能力，使得优化后的SO算法可以更好地适应较为复杂的搜索过程。
由上可知，一种基于扩展卡尔曼滤波的WSN机动目标跟踪方法，包括以下具体步骤：S1：利用传感器网络获取机动目标的数据；S2：进行蛇种群的初始化，利用立方混沌Cubic映射使初始化使蛇种群均匀分布在搜索空间内，设定最大迭代次数、食物和温度触发阈值；S3：确定目标函数，根据扩展卡尔曼滤波算法过程，确定适应度函数，后按扩展卡尔曼滤波的步骤对机动目标的参数进行估计，将噪声协方差矩阵参数作为优化算法个体的位置，寻优生成协方差为Q值和R值的随机噪声，并加入到SO-C算法的观测值和估计值中；S4：SO-C算法模块，迭代输出最佳位置。本发明提供的一种基于扩展卡尔曼滤波的WSN机动目标跟踪方法具有能够快速收敛到全局最优，有效提高算法的收敛精度的技术效果。
附图说明
图1为本发明提出的一种基于扩展卡尔曼滤波的WSN机动目标跟踪方法的WSN机动目标跟踪***的逻辑流程图。
图2为本发明提出的一种基于扩展卡尔曼滤波的WSN机动目标跟踪方法的跟踪效果图。
图3为本发明提出的三种算法的位置误差对比图。
图4为本发明提出的三种算法的X方向位置均方根误差随时间变化曲线图。
图5为本发明提出的三种算法的y方向位置均方根误差随时间变化曲线图。
图6为本发明提出的三种算法的X方向速度均方根误差随时间变化曲线图。
图7为本发明提出的三种算法y方向速度均方根误差随时间变化曲线图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。
本发明公开的一种基于扩展卡尔曼滤波的WSN机动目标跟踪方法主要应用于信息科学传感器定位的场景。
参照图1和图2，一种基于扩展卡尔曼滤波的WSN机动目标跟踪方法，包括以下具体步骤：
S1：利用传感器网络获取机动目标的数据；
S2：进行蛇种群的初始化，利用立方混沌Cubic映射使初始化使蛇种群均匀分布在搜索空间内，设定最大迭代次数、食物和温度触发阈值；
S3：确定目标函数，根据扩展卡尔曼滤波算法过程，确定适应度函数，后按扩展卡尔曼滤波的步骤对机动目标的参数进行估计，将噪声协方差矩阵参数作为优化算法个体的位置，寻优生成协方差为Q值和R值的随机噪声，并加入到SO-C算法的观测值和估计值中；
S4：SO-C算法模块，迭代输出最佳位置。
参照图1，在一个优选的实施方式中，S1中，利用传感器收集数据的具体操作如下：针对WSN区域内跟踪问题，假设传感器网络中传感器都为同一型号，传感器通过测距功能获取当前采样时刻传感器到目标轨迹的距离和噪声信息，其中传感器采用的观测模型如下：
zi＝(1+γi)ri+ni＝ri+ui
(1)
参照图1，在一个优选的实施方式中，S2中，蛇种群的初始化是基于公式产生每个蛇个体的初始种群，式中，ρ＝2.595，N0＝0.3，通过利用立方混沌Cubic映射来产生分布更加均匀的初始化种群，它使用混沌映射生成随机数序列来代替传统优化算法中使用的伪随机数序列，为加强标准SO算法种群多样性并提高算法的寻优效率，SO-C算法采用立方混沌Cubic初始化种群策略，利用混沌变量随机性和遍历性的特点，生成多样性较好的混沌初始种群，选择迭代速度更快、遍历性和均匀性更好的立方混沌Cubic混沌映射初始化种群，将混沌映射生成的混沌序列映射到解空间内得到多样性更好的初始蛇种群，从而扩大算法寻优搜索范围，提高优化算法的精度和性能。
参照图1，在一个优选的实施方式中，S3中，扩展卡尔曼滤波的算法公式如下：
Pi|i-1＝APi-1AT+Q (4)
Pi＝(I-KiHi)Pi|i-1 (5)
参照图1，在一个优选的实施方式中，S3中，扩展卡尔曼滤波算法的具体步骤如下：
S31：根据***的运动模型和观测模型，建立状态转移方程和观测方程；
S32：基于扩展卡尔曼滤波算法公式，通过预测公式中步骤(3)至步骤(6)，利用状态转移方程和上一时刻的状态估计值，预测当前时刻的状态估计值和协方差矩阵；
S33：通过更新公式中的步骤(7)至步骤(9)，利用观测方程和当前时刻的观测值，校正预测的状态估计值和协方差矩阵，得到最终的状态估计值和协方差矩阵。
参照图1，在一个优选的实施方式中，S4中，SO-C算法模块的具体步骤如下：
S41：将种群分为雄性与雌性两组，设置适应度函数，并计算相应的适应度，找当前最佳雌雄个体，将当前时刻的观测值和估计值作为SO-C算法的适应度函数，在每次重复后得到新的滤波参数，根据适应度函数计算出来的适应度值来判断此次迭代产生的滤波参数的准确性；
S42：根据公式定义环境温度temp和食物数量D；
S43：根据食物量D的大小决定个体处于只寻找食物或战斗和交配，若D<0.25,则只寻找食物，按优化算法定义更新蛇的个***置；若食物充足且temp>0.6,则只寻找食物和吃现有食物，按优化算法的定义更新位置；
S44：根据模式随机数判断进入战斗模式和交配模式，更新战斗模式的位置，分别替换战斗模式下的Am,将最佳个体替换成当前个体，更新位置，如果卵孵化，选出最差个体进行替换；
S45：处理更新后的位置，更新个体历史最佳值,判断其是否达到迭代次数，不满足则进入下一轮迭代，满足则结束迭代输出最佳位置。
参照图1，在一个优选的实施方式中，S41中，适应度函数如下：
参照图1，在一个优选的实施方式中，S42中，环境温度和食物数量的定义公式如下：
通过优化SO算法中的一种收敛因子，在初期的衰减程度较低，蛇能够以较大步幅移动，更好地寻找全局最优解。到了后期，环境温度Temp和食物数量D的衰减程度提高，蛇移动步幅减小，可以更加精确地寻找最优解。从而更有效地平衡了全局搜索时的开发能力与局部搜索时的挖掘能力，使得优化后的SO算法可以更好地适应较为复杂的搜索过程。
实施例：
为了验证本文算法的定位性能，利用MATLAB2022a对本发明算法、蛇优化的WSN机动目标跟踪算法、扩展卡尔曼滤波算法，从X轴方向的位置均方根误差、Y轴方向的位置均方根误差、X方向的速度均方根误差、Y方向的速度均方根误差等四个方面进行仿真实验分析。在100m*100m的仿真区域内，随机产生一定数量的网络节点。
算法的参数设置如表1所示。
表1算法相关参数设置
算法的跟踪均方根误差计算公式(13)如下：
式中:RMSE为节点的归一化平均定位误差，为t时刻预估坐标，(x,y)为实际未知节点坐标。
我们通过一系列的实验仿真分析来验证本发明的有效性。
设置总节点个数为100，锚节点个数为50，传感器通信半径为20m。
本发明提出的算法跟踪效果如图3所示，SO-C算法的WSN机动目标跟踪算法的跟踪轨迹和真实轨迹几乎重合，由此可见，利用SO-C算法对非线性模型目标跟踪是有效的。
在监测区域内随机部署50个节点，传感器的通信半径设置为20m,采样周期设为0.1s，采样点数设为50。参数Q设置为[0.0001,0.01]中的一个随机值，参数R设置为[5,10]中的一个随机值。
SO-C优化算法中，种群数量M设为20个，算法最大迭代次数设为100次。食物数量阈值G设为0.25，温度阈值Temp设为0.6。X、Y方向位置的RSME变化曲线如图4和图5所示。
由此可知，相较于SO-EKF和EKF算法，扩展卡尔曼滤波和SO-C算法在x方向和y方向的位置均方根误差均低于上述两个算法，且扩展卡尔曼滤波和SO-C算法算法波动较小，证明扩展卡尔曼滤波和SO-C算法算法受到前一步骤的位置预测结果影响较小，具有良好的跟踪稳定性和准确性。
X、Y方向速度的RSME变化曲线如图6和图7所示，相较于SO-EKF和EKF算法，扩展卡尔曼滤波和SO-C算法在x方向和y方向的速度均方根误差均低于上述两个算法，由于仿真采用的为匀速转弯运动模型，证明扩展卡尔曼滤波和SO-C算法算法对非线性运动模型的速度有着良好的预测性能。同时相较于SO-EKF和EKF算法，速度预测波动较小，证明扩展卡尔曼滤波和SO-C算法算法在受到前一步骤的速度预测结果影响较小。
仿真结果表示，在跟踪精度和误差方面，SO和SO-C算法由于动态调整滤波参数，在速度和跟踪位置的误差上均优于传统EKF算法，由于SO-C相较于SO加入了自适应策略和立方混沌Cubic映射，跟踪效果进一步提升。证明了SO-C的有效性和调节因子的合理性。
工作原理：在迭代过程中，利用非线性收敛因子，可更有效地平衡了全局搜索时的开发能力与局部搜索时的挖掘能力，使得SO-C算法可以更好地适应较为复杂的搜索过程，同时利用混沌变量随机性和遍历性的特点，生成多样性较好的混沌初始种群，扩大算法寻优搜索范围，提高优化算法的精度和性能，将扩展卡尔曼滤波算法跟踪问题转化为种群搜索最优解问题，进一步提升了算法的定位精度，该算法能够快速收敛到全局最优，提高算法的收敛精度，在WSN机动目标跟踪算法的优化中均可应用，使用蛇优化算法的扩展卡尔曼滤波算法与扩展卡尔曼算法与本算法进行比较，得到位置和速度均方差误差曲线；经过对比表明，所提算法的均方根误差相较于上述两个算法分别降低了51％和34％。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。
Claims (8)
1.一种一种基于扩展卡尔曼滤波的WSN机动目标跟踪方法，其特征在于，包括以下具体步骤：
S1：利用传感器网络获取机动目标的数据；
S2：进行蛇种群的初始化，利用立方混沌Cubic映射使初始化使蛇种群均匀分布在搜索空间内，设定最大迭代次数、食物和温度触发阈值；
S3：确定目标函数，根据扩展卡尔曼滤波算法过程，确定适应度函数，后按扩展卡尔曼滤波的步骤对机动目标的参数进行估计，将噪声协方差矩阵参数作为优化算法个体的位置，寻优生成协方差为Q值和R值的随机噪声，并加入到SO-C算法的观测值和估计值中；
S4：SO-C算法模块，迭代输出最佳位置。
2.根据权利要求1所述的一种一种基于扩展卡尔曼滤波的WSN机动目标跟踪方法，其特征在于，所述S1中，利用传感器收集数据的具体操作如下：针对WSN区域内跟踪问题，假设传感器网络中传感器都为同一型号，传感器通过测距功能获取当前采样时刻传感器到目标轨迹的距离和噪声信息。
3.根据权利要求1所述的一种基于扩展卡尔曼滤波的WSN机动目标跟踪方法，其特征在于，所述S2中，蛇种群的初始化是基于公式产生每个蛇个体的初始种群，式中，ρ＝2.595，N0＝0.3。
4.根据权利要求1所述的一种一种基于扩展卡尔曼滤波的WSN机动目标跟踪方法，其特征在于，所述S3中，扩展卡尔曼滤波的算法公式如下：
Pi|i-1＝APi-1AT+Q (4)
Pi＝(I-KiHi)Pi|i-1 (5)
5.根据权利要求1所述的一种基于扩展卡尔曼滤波的WSN机动目标跟踪方法，其特征在于，所述S3中，扩展卡尔曼滤波算法的具体步骤如下：
S31：根据***的运动模型和观测模型，建立状态转移方程和观测方程；
S32：基于扩展卡尔曼滤波算法公式，通过预测公式中步骤(3)至步骤(6)，利用状态转移方程和上一时刻的状态估计值，预测当前时刻的状态估计值和协方差矩阵；
S33：通过更新公式中的步骤(7)至步骤(9)，利用观测方程和当前时刻的观测值，校正预测的状态估计值和协方差矩阵，得到最终的状态估计值和协方差矩阵。
6.根据权利要求1所述的一种基于扩展卡尔曼滤波的WSN机动目标跟踪方法，其特征在于，所述S4中，S0-C模块的具体步骤如下：
S41：将种群分为雄性与雌性两组，设置适应度函数，并计算相应的适应度，找当前最佳雌雄个体，将当前时刻的观测值和估计值作为SO-C算法的适应度函数，在每次重复后得到新的滤波参数，根据适应度函数计算出来的适应度值来判断此次迭代产生的滤波参数的准确性；
S42：根据公式定义环境温度temp和食物数量D；
S43：根据食物量D的大小决定个体处于只寻找食物或战斗和交配；
S44：根据模式随机数判断进入战斗模式和交配模式，更新战斗模式的位置，分别替换战斗模式下的Am,将最佳个体替换成当前个体，更新位置，如果卵孵化，选出最差个体进行替换；
S45：处理更新后的位置，更新个体历史最佳值,判断其是否达到迭代次数，不满足则进入下一轮迭代，满足则结束迭代输出最佳位置。
7.根据权利要求6所述的一种基于扩展卡尔曼滤波的WSN机动目标跟踪方法，其特征在于，所述S41中，适应度函数如下：
8.根据权利要求6所述的一种基于扩展卡尔曼滤波的WSN机动目标跟踪方法，其特征在于，所述S42中，环境温度和食物数量的定义公式如下：
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311155583.0A CN117195946B (zh) | 2023-09-08 | 2023-09-08 | 一种基于扩展卡尔曼滤波的wsn机动目标跟踪方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311155583.0A CN117195946B (zh) | 2023-09-08 | 2023-09-08 | 一种基于扩展卡尔曼滤波的wsn机动目标跟踪方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117195946A true CN117195946A (zh) | 2023-12-08 |
| CN117195946B CN117195946B (zh) | 2024-06-18 |
Family
ID=89004690
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311155583.0A Active CN117195946B (zh) | 2023-09-08 | 2023-09-08 | 一种基于扩展卡尔曼滤波的wsn机动目标跟踪方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117195946B (zh) |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102788976A (zh) * | 2012-06-27 | 2012-11-21 | 北京理工大学 | 高量级扩展卡尔曼滤波方法 |
| CN102915545A (zh) * | 2012-09-20 | 2013-02-06 | 华东师范大学 | 一种基于OpenCV的视频目标跟踪算法 |
| US20180024641A1 (en) * | 2016-07-20 | 2018-01-25 | Usens, Inc. | Method and system for 3d hand skeleton tracking |
| CN109709805A (zh) * | 2018-12-27 | 2019-05-03 | 西北工业大学 | 一种考虑不确定性因素的航天器鲁棒交会轨迹设计方法 |
| EP3514571A1 (fr) * | 2018-01-18 | 2019-07-24 | Thales | Procede de pistage d'une cible aerienne, et radar mettant en oeuvre un tel procede |
| CN112184762A (zh) * | 2020-09-05 | 2021-01-05 | 天津城建大学 | 一种基于特征融合的灰狼优化粒子滤波目标跟踪算法 |
| CN113419177A (zh) * | 2021-07-29 | 2021-09-21 | 江苏大学 | 基于结合改进的粒子群算法的扩展卡尔曼滤波soc估算方法 |
| CN115170940A (zh) * | 2022-07-14 | 2022-10-11 | 电子科技大学 | 一种基于广义最大相关熵卡尔曼滤波的uuv目标跟踪方法 |
| CN115241923A (zh) * | 2022-08-22 | 2022-10-25 | 上海电机学院 | 一种基于蛇优化算法的微电网多目标优化配置方法 |
| CN115685128A (zh) * | 2022-11-14 | 2023-02-03 | 中国人民解放军空军预警学院 | 一种机动目标场景下的雷达目标跟踪算法及电子设备 |
| CN116293718A (zh) * | 2023-05-24 | 2023-06-23 | 中城院(北京)环境科技股份有限公司 | 基于蛇优化算法的自适应pid焚烧炉温度控制方法及装置 |
| CN116559673A (zh) * | 2023-03-22 | 2023-08-08 | 湘潭大学 | 一种基于igwo-ekf算法的锂电池soc估算方法 |
-
2023
- 2023-09-08 CN CN202311155583.0A patent/CN117195946B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102788976A (zh) * | 2012-06-27 | 2012-11-21 | 北京理工大学 | 高量级扩展卡尔曼滤波方法 |
| CN102915545A (zh) * | 2012-09-20 | 2013-02-06 | 华东师范大学 | 一种基于OpenCV的视频目标跟踪算法 |
| US20180024641A1 (en) * | 2016-07-20 | 2018-01-25 | Usens, Inc. | Method and system for 3d hand skeleton tracking |
| EP3514571A1 (fr) * | 2018-01-18 | 2019-07-24 | Thales | Procede de pistage d'une cible aerienne, et radar mettant en oeuvre un tel procede |
| CN109709805A (zh) * | 2018-12-27 | 2019-05-03 | 西北工业大学 | 一种考虑不确定性因素的航天器鲁棒交会轨迹设计方法 |
| CN112184762A (zh) * | 2020-09-05 | 2021-01-05 | 天津城建大学 | 一种基于特征融合的灰狼优化粒子滤波目标跟踪算法 |
| CN113419177A (zh) * | 2021-07-29 | 2021-09-21 | 江苏大学 | 基于结合改进的粒子群算法的扩展卡尔曼滤波soc估算方法 |
| CN115170940A (zh) * | 2022-07-14 | 2022-10-11 | 电子科技大学 | 一种基于广义最大相关熵卡尔曼滤波的uuv目标跟踪方法 |
| CN115241923A (zh) * | 2022-08-22 | 2022-10-25 | 上海电机学院 | 一种基于蛇优化算法的微电网多目标优化配置方法 |
| CN115685128A (zh) * | 2022-11-14 | 2023-02-03 | 中国人民解放军空军预警学院 | 一种机动目标场景下的雷达目标跟踪算法及电子设备 |
| CN116559673A (zh) * | 2023-03-22 | 2023-08-08 | 湘潭大学 | 一种基于igwo-ekf算法的锂电池soc估算方法 |
| CN116293718A (zh) * | 2023-05-24 | 2023-06-23 | 中城院(北京)环境科技股份有限公司 | 基于蛇优化算法的自适应pid焚烧炉温度控制方法及装置 |
Non-Patent Citations (3)
| Title |
|---|
| NOBAHARI H, SHARIFI A: "A hybridization of extended Kalman filter and Ant Colony Optimization for state estimation of nonlinear systems", 《APPLIED SOFT COMPUTING》, 31 December 2019 (2019-12-31), pages 411 - 423 * |
| 窦永梅;冀小平;杜肖山;: "基于粒子群算法和卡尔曼滤波的运动目标跟踪算法", 现代电子技术, vol. 34, no. 08, 15 April 2011 (2011-04-15), pages 133 - 136 * |
| 董跃钧;李国伟;: "量子遗传优化粒子滤波的WSN目标跟踪算法", 科学技术与工程, no. 12, 28 April 2013 (2013-04-28), pages 85 - 89 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117195946B (zh) | 2024-06-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109597864B (zh) | 椭球边界卡尔曼滤波的即时定位与地图构建方法及*** | |
| CN107247961B (zh) | 一种应用模糊轨迹序列的轨迹预测方法 | |
| CN105828287B (zh) | 一种基于强化学习的无线传感器网络协同跟踪方法 | |
| Gu et al. | Consensus based distributed particle filter in sensor networks | |
| Zoghi et al. | Adaptive sensor selection in wireless sensor networks for target tracking | |
| Wang et al. | Cell selection with deep reinforcement learning in sparse mobile crowdsensing | |
| CN112884237A (zh) | 配电网预测辅助状态估计方法及*** | |
| CN110989352A (zh) | 一种基于蒙特卡洛树搜索算法的群体机器人协同搜索方法 | |
| CN108235347A (zh) | 一种无线传感器网络能耗控制方法 | |
| CN115994629A (zh) | 一种基于gn-rbf的空气湿度预测方法及*** | |
| CN116186643A (zh) | 一种多传感器协同目标跟踪方法、***、设备及介质 | |
| CN110532517A (zh) | 基于改进的arukf的燃气管道参数估计方法 | |
| CN117195946B (zh) | 一种基于扩展卡尔曼滤波的wsn机动目标跟踪方法 | |
| CN105654053B (zh) | 基于改进约束ekf算法的动态振荡信号参数辨识方法 | |
| CN111294922B (zh) | 一种分级快速的无线传感器网络节点精准定位方法及装置 | |
| CN115494450B (zh) | 一种高精度的超宽带室内定位跟踪与控制方法及装置 | |
| Zhao et al. | Indoor localization algorithm based on hybrid annealing particle swarm optimization | |
| CN115685128B (zh) | 一种机动目标场景下的雷达目标跟踪算法及电子设备 | |
| CN115499916B (zh) | 基于改进鲸鱼优化算法的无线传感器网络节点定位方法 | |
| CN111397607A (zh) | 一种采用并行融合机制的信息滤波方法 | |
| CN105825267B (zh) | 一种基于pso-pgsa的室内定位方法 | |
| Peng et al. | WSN Mobile Target Tracking Based on Improved Snake-Extended Kalman Filtering Algorithm | |
| Ou et al. | An improved node localization based on adaptive iterated unscented Kalman filter for WSN | |
| CN115099385A (zh) | 基于传感器布局优化和自适应Kriging模型的频谱地图构建方法 | |
| CN110895332B (zh) | 一种扩展目标的分布式跟踪方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |