CN101393260A - 一种无线传感器网络目标定位与跟踪方法 - Google Patents

Abstract

本发明公开了一种无线传感器网络目标定位与跟踪方法，所述方法主要包括：在任意定位时刻，根据传感器节点测量信息预估计目标位置，建立包含目标预估计位置的学习区域，在学习区域内选取任意数量的位置点，利用多项式核函数和ε－支持向量回归机逼近位置点到传感器节点距离向量与位置点坐标的映射关系得到决策函数，将传感器节点到目标测距向量输入决策函数得到目标位置估计值，将目标位置估计值发送至基站，基站对目标位置历史数据进行拟合更新目标运动轨迹，实现目标跟踪。通过本发明能显著减小传感器节点测量误差对目标定位和轨迹估计的影响，提高目标跟踪准确度。

Description

一种无线传感器网络目标定位与跟踪方法

技术领域

本发明涉及一种无线传感器网络目标定位与跟踪方法，尤其涉及一种基于ε-支持向量回归机的无线传感器网络目标定位与跟踪方法。

背景技术

无线传感器网络是新一代传感器网络，具有非常广阔的应用前景。目标定位与跟踪是无线传感器网络的重要应用之一，它要求目标位置和运动轨迹估计具有较高准确度，但传感器节点测量信息通常包含较大噪声，它直接影响到目标定位与跟踪的准确度，在相同测量信息下，不同方法对测量噪声的影响具有不同的抑制能力。传统的目标位置估计方法利用最小二乘法、极大似然估计法确定目标某时刻位置，但通过这些方法得到的定位结果容易受到传感器节点测量噪声的影响而导致定位准确度不足，进而影响到目标运动轨迹的估计结果。

国内专利号为CN200710164468.4的一种基于预测的无线传感器网络目标跟踪方法，该方法根据目标运动的当前测量数据或者历史测量数据确定目标的运动特征；结合目标的当前位置、速度、运动方向等信息预测目标的未来位置以及下一监控节点的唤醒时刻；当目标位置预测失败时，网络根据目标的运动历史记录和先验知识逐级启动预测失败恢复过程。

国内专利号为CN200810103125.1的一种无线传感器网络的目标跟踪方法，该方法利用历史目标状态信息和当前时刻观测数据，进行重要性采样，获得粒子状态估计信息，计算得到轨迹存活指数和剩余测量值；根据轨迹存活指数决定是否终止该轨迹，并更新轨迹集合；使用重采样后的粒子，获得全部目标轨迹的当前状态估计，即移动目标的当前位置和运动速度，实现目标定位跟踪。

以上方法重点考虑了无线传感器网络目标跟踪预测或目标状态估计问题，未充分考虑传感器节点测量噪声对目标定位与跟踪结果的影响，目标跟踪过程容易受到测量噪声的干扰。

发明内容

为解决现有无线传感器网络目标定位与跟踪方法受到传感器节点测量误差影响导致的目标定位结果、目标轨迹拟合准确度较低的问题，本发明提供了一种无线传感器网络目标定位与跟踪方法，提高目标定位与目标轨迹估计的准确度。

本发明是通过以下技术方案实现的：

本发明所涉及的一种无线传感器网络目标定位与跟踪方法，包括：

在任意定位时刻，根据传感器节点测量信息预估计目标位置；

建立包含目标预估计位置的学习区域；

在学习区域内选取任意数量的位置点；

利用多项式核函数和ε-支持向量回归机逼近位置点到传感器节点距离向量与位置点坐标的映射关系得到决策函数；

将传感器节点到目标测距向量输入决策函数得到目标位置估计值；

将目标位置估计值发送到基站；

基站对目标位置历史数据进行拟合来更新目标运动轨迹，实现目标跟踪。

其中目标定位与跟踪方法具体包括以下步骤：

传感器节点通过RSSI方法测量到目标距离，利用最小二乘法预估计目标位置。

建立以目标预估计位置为圆心的圆形学习区域。

在圆形学习区域内确定若干同心圆，并在同心圆上选取位置点，且较小半径同心圆上的位置点数量不小于较大半径同心圆上的位置点数量。

将每个位置点到各传感器节点距离向量作为样本输入，分别将位置点X、Y坐标作为样本输出，构造分别用于估计目标X、Y坐标的训练样本，所有位置点形成分别用于估计目标X、Y坐标的训练样本集，采用多项式核函数ε-支持向量回归机对训练样本集进行学习得到分别用于估计目标X、Y坐标的决策函数。

将各传感器节点到目标的距离测量值组成的测距向量分别输入用于估计目标X、Y坐标的决策函数，得到的函数值即为目标定位坐标。

基站接收并存储目标定位坐标值，利用多项式函数对目标定位历史数据进行最小二乘拟合得到新的目标运动轨迹，对目标运动轨迹进行实时更新。

本发明提供的技术方案的有益效果是：

通过最小二乘法预估计目标位置来判断目标可能存在的网络区域(学习区域)，从而可以确定有限的学习区域，通过学习区域内选取位置点来构造训练样本，并利用基于多项式核函数的ε-支持向量回归机对训练样本进行学习得到用于估计目标X、Y坐标的决策函数，由此深入挖掘学习区域内位置点的绝对位置和它相对传感器节点相对位置的内部联系，将利用RSSI方法得到的目标到感知目标传感器节点测距向量输入决策函数得到目标位置估计值，能够充分利用ε-支持向量回归机的容噪能力减小目标位置估计误差，通过基站实时接收目标定位结果并拟合目标位置历史数据，可以实时更新目标运动轨迹。通过本发明能显著减小传感器节点测量噪声对目标定位和轨迹估计的影响，提高目标跟踪准确度。

附图说明

图1是目标定位与跟踪方法流程图；

图2是目标定位与跟踪方法具体实现流程图；

图3是计算位置点距离向量示意图；

图4是利用ε-支持向量回归机进行目标定位的具体流程图；

图5是基站实时拟合目标轨迹示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地详细描述：

参见图1，本实施例提供了一种无线传感器网络目标定位与跟踪方法，该方法通过预估计目标位置确定学习区域，通过学习区域内训练支持向量回归机实现目标定位，并通过基站拟合目标定位历史数据得到目标轨迹，具体包括以下步骤：

步骤101：在任意定位时刻，根据传感器节点测量信息预估计目标位置；

步骤102：建立包含目标预估计位置的学习区域；

步骤103：在学习区域内选取任意数量的位置点；

步骤104：利用多项式核函数和ε-支持向量回归机逼近位置点到传感器节点距离向量与位置点坐标的映射关系得到决策函数；

步骤105：将传感器节点到目标测距向量输入决策函数得到目标位置估计值；

步骤106：将目标位置估计值发送到基站；

步骤107：基站对目标位置历史数据进行拟合来更新目标运动轨迹，实现目标跟踪。

本实施例建立以目标预估计位置为圆心的圆形学习区域，并通过确定若干同心圆选取位置点来构造训练样本集，利用得到的决策函数确定目标位置，具体步骤参见图2，包括：

步骤201：目标感知范围内的传感器节点测量目标接收信号强度(RSSI)估计目标到传感器节点的距离；

步骤202：根据感知目标的传感器节点坐标和传感器到目标估计距离，利用最小二乘法预估计目标位置，具体包括：

设t时刻感知目标传感器节点S_tk(x_tk，y_tk)(k＝1，2，Λ，N)通过RSSI方法测量到目标T的距离为d_tk，目标T坐标为(x_t，y_t)，坐标估计值为

则有下式成立：

$\left\{\begin{array}{c}{(x_{t1}-x_t)}^2+{(y_{t1}-y_t)}^2=d_{t1}^2\\ {(x_{t2}-x_t)}^2+{(y_{t2}-y_t)}^2=d_{t2}^2\\ M\\ {(x_{\mathrm{tN}}-x_t)}^2+{(y_{\mathrm{tN}}-y_t)}^2=d_{\mathrm{tN}}^2\end{array}\right.---\left(1\right)$

从第1个到第N-1个方程依次减去第N个方程得到：

$\left\{\begin{array}{c}{x}_{t1}^2-x_{\mathrm{tN}}^2-2(x_{t1}-x_{\mathrm{tN}})x_t+y_{t1}^2-y_{\mathrm{tN}}^2-2(y_{t1}-y_{\mathrm{tN}})y_t=d_{t1}^2-d_{\mathrm{tN}}^2\\ x_{t2}^2-x_{\mathrm{tN}}^2-2(x_{t2}-x_{\mathrm{tN}})x_t+y_{t2}^2-y_{\mathrm{tN}}^2-2(y_{t2}-y_{\mathrm{tN}})y_t=d_{t2}^2-d_{\mathrm{tN}}^2\\ M\\ x_{t(N-1)}^2-x_{\mathrm{tN}}^2-2(x_{t(N-1)}-x_{\mathrm{tN}})x_t+y_{t(N-1)}^2-y_{\mathrm{tN}}^2-2(y_{t(N-1)}-y_{\mathrm{tN}})y_t=d_{t(N-1)}^2-d_{\mathrm{tN}}^2\end{array}\right.---\left(2\right)$

令：

$A=\left[\begin{array}{cc}2(x_{t1}-x_{\mathrm{tN}})& 2(y_{t1}-y_{\mathrm{tN}})\\ 2(x_{t2}-x_{\mathrm{tN}})& 2(y_{t2}-y_{\mathrm{tN}})\\ M& M\\ 2(x_{t(N-1)}-x_{\mathrm{tN}})& 2(y_{t(N-1)}-y_{\mathrm{tN}})\end{array}\right],$   $b=\left[\begin{array}{c}{x}_{t1}^2-x_{\mathrm{tN}}^2+y_{t1}^2-y_{\mathrm{tN}}^2+d_{\mathrm{tN}}^2-d_{t1}^2\\ x_{t2}^2-x_{\mathrm{tN}}^2+y_{t2}^2-y_{\mathrm{tN}}^2+d_{\mathrm{tN}}^2-d_{t2}^2\\ M\\ x_{t(N-1)}^2-x_{\mathrm{tN}}^2+y_{t(N-1)}^2-y_{\mathrm{tN}}^2+d_{\mathrm{tN}}^2-d_{t(N-1)}^2\end{array}\right],$

$\hat{X}=\left[\begin{array}{c}{\hat{x}}_t\\ {\hat{y}}_t\end{array}\right]$

则有目标T的估计坐标为： $\hat{X}={\left(A^{T}A\right)}^{-1}{A}^{T}b.$

步骤203：建立以目标预估计位置为几何中心的圆形学习区域；

步骤204：在圆形学习区域内确定若干同心圆，并在同心圆上选取位置点，且较小半径同心圆上的位置点数量不小于较大半径同心圆上的位置点数量；

步骤205：将位置点到感知目标传感器节点距离向量作为样本输入，分别将位置点X、Y坐标作为样本输出，构造分别用于估计目标X、Y坐标的两个训练样本，由所有位置点得到分别用于估计目标X、Y坐标的两个训练样本集；

步骤206：采用多项式核函数ε-支持向量回归机对训练样本集进行学习得到分别用于估计目标X、Y坐标的两个决策函数；

步骤207：将感知目标传感器节点到目标的测距向量分别输入两个决策函数，得到的函数值即为目标定位坐标；

步骤208：基站接收并存储目标定位坐标值；

步骤209：利用多项式函数对目标定位历史数据进行最小二乘拟合得到新的目标运动轨迹，实现目标跟踪。

参见图3，t时刻有效感知目标T的传感器节点为S_tk(k＝1，2，Λ，N)(本实施例中N＝5)，根据S_tk到目标T距离测量值并采用最小二乘法预估计目标位置为建立以

为圆心、R为半径的圆形学习区域Q，并在Q内(包括Q边界)确定m个同心圆，同心圆C_i(i＝1，2，...，m)与半径小于C_i的相邻同心圆C_i-1的半径差值为l_i，在C_i上均匀分布位置点M_ij(j＝1，2，...，n_i)，相邻位置点M_ij和M_i(j-1)的圆心夹角为

其中位置点M_i1与X轴圆心夹角为零，位置点M_ij到感知目标的传感器节点S_tk的实际距离为由此得到位置点M_ij到S_tk距离向量 $\mathrm{ij}=[d_{\mathrm{ij}}^{\left(1\right)},d_{\mathrm{ij}}^{\left(2\right)},\mathrm{\&Lambda;},d_{\mathrm{ij}}^{\left(n_i\right)}],$ 且当 $R_{i_1}<R_{i_2}$ 时，满足 $n_{i_1}\&GreaterEqual;n_{i_2},$ 将位置点M_ij的距离向量V_ij作为训练样本输入值，将M_ij的坐标x_ij、y_ij分别作为训练样本输出，得到训练样本η_Xij＝(V_ij，x_ij)、η_Yij＝(V_ij，y_ij)，进而得到训练样本集χ_X＝{η_Xij|η_Xij＝(V_ij，x_ij)，i＝1，2，Λ，m，j＝1，2，Λ，n_i}、χ_Y＝{η_Yij|η_Yij＝(V_ij，y_ij)，i＝1，2，Λ，m，j＝1，2，Λ，n_i}，利用多项式核函数和ε-支持向量回归机对训练样本集χ_X、χ_Y进行学习来拟合M_ij的距离向量V_ij与坐标值x_ij、y_ij的非线性关系，得到决策函数 ${\hat{x}}_t=f_X\left(V\right),$ ${\hat{y}}_t=f_Y\left(V\right),$ 其中f_X、f_Y分别用于估计t时刻目标的X坐标

和Y坐标

V_t＝[d_t1，d_t2，Λ d_tk，Λ，d_tN]为t时刻感知目标的传感器节点S_tk通过接收信号强度方法(RSSI)测量到目标T的距离d_tk构成的测距向量。

本实施例利用多项式核函数ε-支持向量回归机对位置点距离向量与坐标构成的训练样本集进行学习，并将目标测距向量输入决策函数估计目标位置，具体步骤参见图4，包括：

步骤401：t时刻传感器节点S_tk感知目标信息；

步骤402：计算位置点M_ij到S_tk的距离

步骤403：位置点M_ij到所有感知目标信息的传感器节点距离值

构成距离向量V_ij；

步骤404：位置点M_ij的距离向量V_ij分别与M_ij的X、Y坐标构成训练样本η_Xij、η_Yij；

步骤405：所有位置点M_ij的训练样本构成训练样本集χ_X、χ_Y；

步骤406：采用多项式核函数ε-支持向量回归机对训练样本集χ_X、χ_Y进行学习；

步骤407：通过步骤406得到分别估计目标X、Y坐标的决策函数f_X、f_Y；

步骤408：根据传感器节点S_tk接收信号强度计算节点S_tk到目标T的测量距离d_tk；

步骤409：所有感知目标的传感器节点S_tk到目标T的测量距离d_tk组成测距向量V_t；

步骤410：将测距向量V_t分别输入决策函数f_X、f_Y，决策函数输出t时刻目标定位坐标

参见图5，无线传感器网络采用层次型拓扑结构，传感器节点分为若干簇，每个簇包括簇头节点H_i(i＝1，2，Λ，7)和簇内节点，簇头节点可以相互通信，感知到目标信息的簇内节点将测量信息发送至簇头节点，簇头节点通过运行本发明所述算法实现t时刻目标定位，并将定位结果通过其它簇头节点传送到基站，基站接收和存储t时刻目标定位坐标值，并利用多项式函数对目标定位历史数据进行最小二乘拟合，得到的多项式函数表达了t时刻新的目标轨迹。如图4所示，簇头节点H₄将t＝6时刻的目标定位结果

通过H₃传送到基站，基站对t时刻(t＝1，2，Λ，6)的目标估计位置进行拟合得到新的目标轨迹P₆，实现准确的目标跟踪。

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，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。

Claims (7)

1、一种无线传感器网络目标定位与跟踪方法，其特征在于，所述方法主要包括：

A、在任意定位时刻，根据传感器节点测量信息预估计目标位置；

B、建立包含目标预估计位置的学习区域；

C、在学习区域内选取任意数量的位置点；

D、利用多项式核函数和ε-支持向量回归机逼近位置点到传感器节点距离向量与位置点坐标的映射关系得到决策函数；

E、将传感器节点到目标测距向量输入决策函数得到目标位置估计值；

F、将目标位置估计值发送到基站；

G、基站对目标位置历史数据进行拟合来更新目标运动轨迹，实现目标跟踪。

2、根据权利要求1所述的无线传感器网络目标定位与跟踪方法，其特征在于，所述步骤A还包括：目标感知范围内的传感器节点通过测量目标接收信号强度估计目标到传感器节点的距离，并利用最小二乘法预估计目标位置。

3、根据权利要求1所述的无线传感器网络目标定位与跟踪方法，其特征在于，所述步骤B具体包括建立以目标预估计位置为圆心的圆形学习区域。

4、根据权利要求3所述的无线传感器网络目标定位与跟踪方法，其特征在于，在圆形学习区域内确定若干同心圆，并在同心圆上选取位置点，且较小半径同心圆上的位置点数量大于较大半径同心圆上的位置点数量。

5、根据权利要求1所述的无线传感器网络目标定位与跟踪方法，其特征在于，所述步骤C和D还具体包括：将每个位置点到各传感器节点距离向量作为样本输入，分别将位置点X、Y坐标作为样本输出，构造分别用于估计目标X、Y坐标的训练样本，所有位置点形成分别用于估计目标X、Y坐标的训练样本集，采用多项式核函数ε-支持向量回归机对训练样本集进行学习得到分别用于估计目标X、Y坐标的决策函数。

6、根据权利要求1所述的无线传感器网络目标定位与跟踪方法，其特征在于，所述步骤E还具体包括：将各传感器节点到目标的距离测量值组成的测距向量分别输入用于估计目标X、Y坐标的决策函数，得到的函数值即为目标定位坐标。

7、根据权利要求1所述的无线传感器网络目标定位与跟踪方法，其特征在于，所述步骤G还具体包括：基站接收并存储目标定位坐标值，利用多项式函数对目标定位历史数据进行最小二乘拟合得到新的目标运动轨迹，并对目标运动轨迹进行实时更新。

Images