CN101458325B - 一种基于自适应预测的无线传感器网络目标跟踪方法 - Google Patents
一种基于自适应预测的无线传感器网络目标跟踪方法 Download PDFInfo
- Publication number
- CN101458325B CN101458325B CN2009100762127A CN200910076212A CN101458325B CN 101458325 B CN101458325 B CN 101458325B CN 2009100762127 A CN2009100762127 A CN 2009100762127A CN 200910076212 A CN200910076212 A CN 200910076212A CN 101458325 B CN101458325 B CN 101458325B
- Authority
- CN
- China
- Prior art keywords
- target
- coordinate
- leader cluster
- cluster node
- quadratic polynomial
- 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.)
- Expired - Fee Related
Links
Images
Landscapes
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于自适应预测的无线传感器网络目标跟踪方法,该方法包括:簇头节点对当前时刻及与当前时刻相邻两个以上时刻的目标定位坐标和时间进行拟合,得到描述目标X坐标或Y坐标与时间关系的二次多项式预测模型;簇头节点利用二次多项式预测模型预测下一时刻的目标位置;簇头节点唤醒目标预测位置附近传感器节点进行目标定位;根据当前时刻及与当前时刻相邻的两个时刻目标预测位置和定位位置自适应调节时刻个数的取值;簇头节点利用更新的拟合数据建立新的二次多项式预测模型,通过重复预测和定位过程实现目标跟踪。通过本发明能显著降低目标加速度改变对目标位置预测的影响,减小目标位置预测误差,提高目标跟踪准确度。
Description
技术领域
本发明涉及一种基于自适应预测的无线传感器网络目标跟踪方法,尤其涉及一种基于二次多项式预测模型的无线传感器网络目标跟踪方法。
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。目标跟踪是无线传感器网络的重要应用之一,而目标位置预测则直接影响到目标跟踪准确度和可靠性,当目标预测误差较大时,容易导致目标丢失。通常根据前几个时刻目标定位坐标预测下一时刻的目标位置,目标预测模型建模方法是决定目标预测准确度大小的主要因素。传统的线性预测法只根据相邻两个时刻目标定位坐标建立预测模型,预测准确度受到目标定位误差影响较大;轨迹拟合法利用多项式直接拟合若干目标定位坐标,得到的多项式函数不包含时间信息,无法充分反映目标运动规律,并且拟合目标定位坐标数量一定,对于机动性目标预测的适应性较差,从而影响到目标预测准确度。
国内申请号为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。
国内申请号为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。
以上方法分别通过目标预测或者粒子滤波进行目标跟踪,前者重点考虑了不同运动模式类别下的目标预测算法,后者针对解决粒子滤波目标跟踪计算量大,实时性差的问题。然而,目标跟踪还需要考虑以下问题,一方面,目标定位坐标值通常存在一定误差,根据目标定位坐标值预测目标位置,需要充分考虑目标定位误差的影响;另一方面,目标运动的多变性要求目标跟踪方法能够适应目标运动规律的变化,同时保持较低的计算量。因此,通过较为简单的计算实时估计目标运动规律来预测目标位置,增加目标预测算法在存在目标定位误差和目标运动变化情况下的鲁棒性,有利于进一步提高无线传感器网络目标跟踪性能。
发明内容
为解决传统无线传感器网络目标跟踪方法受到目标定位误差、目标运动规律变化影响较大的问题,本发明提供了一种基于自适应预测的无线传感器网络目标跟踪方法,该方法利用目标定位历史数据建立近似描述目标坐标随时间变化关系的数学模型,并利用该模型预测目标位置,通过实时估计预测误差进行自适应建模,降低目标定位误差和目标运动变化对跟踪性能的影响,提高目标跟踪准确度。
本发明是通过以下技术方案实现的:
本发明所涉及的一种基于自适应预测的无线传感器网络目标跟踪方法,包括:
a、簇头节点对当前时刻及与当前时刻相邻两个以上时刻的目标定位坐标和时间进行拟合,得到描述目标X坐标或Y坐标与时间关系的二次多项式预测模型;
b、簇头节点利用二次多项式预测模型预测下一时刻的目标位置;
c、簇头节点唤醒目标预测位置附近传感器节点进行目标定位;
d、根据当前时刻及与当前时刻相邻的两个时刻目标预测位置和定位位置自适应调节时刻个数的取值;
e、簇头节点利用更新的拟合数据建立新的二次多项式预测模型,通过重复预测和定位过程实现目标跟踪。
所述的步骤a中,簇头节点将当前时刻及与当前时刻相邻的两个以上时刻的目标定位坐标和定位时间作为拟合数据,定义拟合数据长度为N,利用最小二乘法分别拟合目标定位X坐标值或Y坐标值与定位时间的二次多项式函数,该二次多项式函数反映了目标X坐标值或Y坐标值随定位时间的变化关系,因而将二次多项式函数作为下一时刻目标位置的预测模型。
所述的步骤b中,簇头节点将下一次目标定位时间分别输入目标X坐标值或Y坐标值二次多项式预测模型,二次多项式模型的输出值即为下一时刻目标X坐标或Y坐标的预测值,然后由簇头节点存储目标X坐标或Y坐标的坐标预测值。
所述的步骤c中,簇头节点发送信息唤醒距离目标预测位置为目标探测距离R范围内的传感器节点,若簇头节点到目标预测位置的距离大于目标探测范围,则在唤醒节点中选择新的簇头节点,原簇头节点将当前时刻及与当前时刻相邻的两个以上时刻目标定位坐标、定位时间和最近两个时刻的目标坐标预测值发送到新的簇头节点,然后,簇头节点收集簇内节点的目标接收信号强度值RSSI,并利用极大似然估计法进行目标定位。
所述的步骤d中,簇头节点存储目标定位坐标值,并计算当前时刻及与当前时刻相邻的两个时刻目标定位位置和预测位置距离的平均值,当平均值大于设定阈值时,将拟合数据长度调节为M,否则保持拟合数据长度N不变。
所述与当前时刻相邻的两个时刻为当前时刻往前的两个或两个以上时刻。
所述拟合数据长度M小于所定义的拟合数据长度N而大于或等于数值3。
所述的步骤e中,簇头节点通过最小二乘法拟合更新后的拟合数据得到新的目标X坐标或Y坐标二次多项式预测模型,并重复目标预测和定位过程实现连续的目标跟踪。
本发明提供的技术方案的有益效果是:
根据运动学原理,较短时间内的目标定位X坐标值或Y坐标值与定位时间近似符合二次多项式函数关系,通过最小二乘法分别拟合最近若干时刻目标定位X坐标值或Y坐标值与定位时间二次多项式函数可以估计当前时刻的目标运动规律。通过实时计算目标定位位置和预测位置距离的平均值自适应调节目标预测建模,提高目标运动变化时目标预测准确度,降低由于目标预测误差过大引起目标丢失的概率。另外,利用最小二乘拟合方法建立预测模型能够显著减小目标定位误差对于二次多项式函数估计的影响,从而提高了目标预测算法对于目标定位误差的鲁棒性。因此,本发明能够降低目标运动变化和目标定位误差对目标跟踪的影响,提高机动性目标跟踪准确度和可靠性。
附图说明
图1是自适应预测目标跟踪流程图;
图2是自适应预测目标跟踪具体实现流程图;
图3是预测建模示意图;
图4是基于自适应预测的无线传感器网络目标跟踪示意图。
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基于自适应预测的无线传感器网络目标跟踪方法,该方法通过拟合目标定位坐标和定位时间得到目标预测模型,并根据预测坐标和定位坐标自适应调节预测模型,具体包括以下步骤:
步骤101:簇头节点对当前时刻及与当前时刻相邻两个以上时刻的目标定位坐标和时间进行拟合,得到描述目标X坐标或Y坐标与时间关系的二次多项式预测模型;
步骤102:簇头节点利用二次多项式预测模型预测下一时刻的目标位置;
步骤103:簇头节点唤醒目标预测位置附近传感器节点进行目标定位;
步骤104:根据当前时刻及与当前时刻相邻的两个时刻目标预测位置和定位位置自适应调节时刻个数的取值;
步骤105:簇头节点利用更新的拟合数据建立新的二次多项式预测模型,通过重复预测和定位过程实现目标跟踪。
本实施例采用最小二乘法拟合目标定位坐标和时间得到二次多项式预测模型,并利用该模型预测目标下一时刻的位置,提前唤醒相关节点进行目标定位,通过实时计算目标定位和预测偏差更新拟合数据并建立预测模型,具体步骤参见图2,包括:
步骤201:目标跟踪起始阶段,传感器节点存储当前时刻及与当前时刻相邻两个以上时刻的目标定位坐标值和定位时间。
步骤202:簇头节点将前多个时刻(包含当前时刻)的目标定位坐标和定位时间作为拟合数据,定义拟合数据长度为N,利用最小二乘法分别拟合目标X坐标或Y坐标与定位时间的二次多项式函数,并将它们作为目标位置预测模型;
步骤203:簇头节点将下一次目标定位时间分别输入关于目标X坐标或Y坐标二次多项式预测模型,模型输出目标X坐标或Y坐标预测值,簇头节点存储目标预测坐标值;
步骤204:簇头节点发送信息唤醒距离目标预测位置为探测距离R范围内的传感器节点;
步骤205:簇头节点根据目标探测信息判断它到目标的距离;
步骤206:当簇头节点超出目标探测范围时,则在唤醒节点中选择出新的 簇头节点,否则,保持簇头节点不变;
步骤207:原簇头节点将前多个时刻目标定位坐标、定位时间和最近两个时刻的目标预测坐标发送到新的簇头节点;
步骤208:簇内节点根据目标接收信号强度值RSSI和目标信号衰减模型测量它到目标的距离值,并将RSSI测距值发送到簇头节点;
步骤209:簇头节点判断探测到目标的节点数量;
步骤210:若探测到目标的传感器节点数小于3,无法进行目标定位,目标跟踪过程结束;
步骤211:若探测到目标的传感器节点数大于或等于3,则簇头节点利用极大似然估计法进行目标定位;
步骤212:簇头节点计算目标定位位置和预测位置距离值;
步骤213:簇头节点计算最近3次(包含当前时刻)目标定位位置和预测位置距离的平均值;
步骤214:簇头节点判断最近3次目标定位位置和预测位置距离的平均值是否大于预先设定的阈值;
步骤215:当平均值大于设定阈值时,将拟合数据长度调节为M(3≤M<N),否则保持拟合数据长度N不变。
参见图3,T为活动目标,t时刻目标速度为vt,加速度为at,vxt、vyt和axt、ayt分别为它们的X轴、Y轴分量。设初始时刻t0的目标坐标为(x0,y0),初速度分量为vx0、vy0,根据运动学原理,当目标加速度at一定时,则Δt时间后目标坐标(xt,yt)与时间t满足二次多项式关系:
若已知tk时刻目标真实坐标(xk,yk)(k=1,2,...,N,N>3),通过上式能够求解时间段[t0,t0+Δt]内的目标运动方程Fx(t)、Fy(t),并利用Fx(t)、Fy(t)预测目标在tN+1时刻的位置。实际上,无线传感器网络目标定位坐标 通常包含一定误差,这时可以利用最小二乘法分别拟合多个时刻的定位时间tk和目标定位坐标 (k=1,2,...,N,N>3)得到目标运动方程的函数估计F′x(t)和F′y(t)。
由运动学原理可知,加速度是决定目标运动规律变化的关键因素。目标运动过程中的加速度可能会发生变化,但在较短时间内可以认为目标加速度近似不变。通过最小二乘法拟合较短时间内多个时刻的目标定位坐标值和定位时间得到的二次多项式函数F′x(t)和F′y(t)能够近似反映这个时间段内的目标运动规律,并可以利用它预测目标下一时刻的位置。最小二乘拟合能够减小目标定位误差对目标预测建模的影响,提高目标预测算法的鲁棒性。当目标加速度改变时,目标运动规律相应也会发生变化。由于加速度改变前后的目标真实坐标与定位时间不符合二次多项式函数关系,因此,通过最小二乘法拟合得到的二次多项式函数不能准确表达目标当前运动规律,并且拟合数据长度N越大,二次多项式建模误差也就越大,从而增大了预测误差,这时需要自适应减小拟合数据长度N的取值来降低预测建模误差。通过实时计算最近3个时刻的目标预测位置和定位位置距离平均值可以衡量二次多项式预测建模误差大小,并在平均值计算结果大于设定阈值时,自适应降低拟合数据长度为M(3≤M<N),在目标加速度变化情况下,达到有效控制目标预测误差的目的。
参见图4,无线传感器网络通过提前唤醒目标附近传感器节点组成动态簇跟踪活动目标,曲线P为目标T的运动轨迹, 为tk时刻目标定位坐标值。t6时刻簇头节点CH6通过最小二乘法分别拟合目标定位坐标值 和定位时间tk(k=1,…,6)得到二次多项式预测模型F′x6(t)和F′y6(t),并将下一次目标定位时间t7输入预测模型得到目标坐标预测值(F′x6(t7),F′y6(t7))。簇头节点CH6提前唤醒距离目标预测位置为目标探测距离R范围内的传感器节点组成新的动态簇,并 根据CH6到目标预测位置距离确定是否更新簇头节点。如图4所示,CH6与目标预测位置(F′x6(t7),F′y6(t7))的距离小于探测距离R,因而CH6同时作为t7时刻的簇头节点CH7收集簇内节点RSSI测距值,利用极大似然法估计t7时刻目标位置 并计算tk(k=5,6,7)时刻目标预测位置和定位位置距离的平均值。然后,根据距离平均值与设定阈值的对比关系确定下一次预测建模的拟合数据长度。若平均值小于设定阈值,则利用 和tk(k=2,…,7)拟合新的二次多项式预测模型。无线传感器网络通过重复以上预测和定位过程实现连续的目标跟踪,并将目标定位结果通过多跳形式实时地传送到基站。
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 (8)
1.一种基于自适应预测的无线传感器网络目标跟踪方法,其特征在于,该方法包括:
a、簇头节点对当前时刻及与当前时刻相邻两个以上时刻的目标定位坐标和时间进行拟合,得到描述目标X坐标或Y坐标与时间关系的二次多项式预测模型;
b、簇头节点利用二次多项式预测模型预测下一时刻的目标位置;
c、簇头节点唤醒目标预测位置附近传感器节点进行目标定位;
d、根据当前时刻及与当前时刻相邻的两个时刻目标预测位置和定位位置自适应调节时刻个数的取值;
e、簇头节点利用更新的拟合数据建立新的二次多项式预测模型,通过重复预测和定位过程实现目标跟踪。
2.根据权利要求1所述的基于自适应预测的无线传感器网络目标跟踪方法,其特征在于,所述步骤a中,簇头节点将当前时刻及与当前时刻相邻的两个以上时刻的目标定位坐标和定位时间作为拟合数据,定义拟合数据长度为N,利用最小二乘法分别拟合目标定位X坐标值或Y坐标值与定位时间的二次多项式函数,该二次多项式函数反映了目标X坐标值或Y坐标值随定位时间的变化关系,因而将二次多项式函数作为下一时刻目标位置的预测模型。
3.根据权利要求1所述的基于自适应预测的无线传感器网络目标跟踪方法,其特征在于,所述步骤b中,簇头节点将下一次目标定位时间分别输入目标X坐标值或Y坐标值二次多项式预测模型,二次多项式模型的输出值即为下一时刻目标X坐标或Y坐标的预测值,然后由簇头节点存储目标X坐标或Y坐标的坐标预测值。
4.根据权利要求1所述的基于自适应预测的无线传感器网络目标跟踪方法,其特征在于,所述步骤c中,簇头节点发送信息唤醒距离目标预测位置为 目目标探测距离R范围内的传感器节点,若簇头节点到目标预测位置的距离大于目标探测范围,则在唤醒节点中选择新的簇头节点,原簇头节点将当前时刻及与当前时刻相邻的两个以上时刻目标定位坐标、定位时间和最近两个时刻的目标坐标预测值发送到新的簇头节点,然后,簇头节点收集簇内节点的目标接收信号强度值RSSI,并利用极大似然估计法进行目标定位。
5.根据权利要求1所述的基于自适应预测的无线传感器网络目标跟踪方法,其特征在于,所述的步骤d中,簇头节点存储目标定位坐标值,并计算当前时刻及与当前时刻相邻的两个时刻目标定位位置和预测位置距离的平均值,当平均值大于设定阈值时,将拟合数据长度调节为M,否则保持拟合数据长度N不变。
6.根据权利要求1、2、4或5所述的基于自适应预测的无线传感器网络目标跟踪方法,其特征在于,所述与当前时刻相邻的两个时刻为当前时刻往前的两个时刻。
7.根据权利要求5所述的基于自适应预测的无线传感器网络目标跟踪方法,其特征在于,所述拟合数据长度M小于所定义的拟合数据长度N而大于或等于数值3。
8.根据权利要求1所述的基于自适应预测的无线传感器网络目标跟踪方法,其特征在于,所述的步骤e中,簇头节点通过最小二乘法拟合更新后的拟合数据得到新的目标X坐标或Y坐标二次多项式预测模型,并重复目标预测和定位过程实现连续的目标跟踪。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2009100762127A CN101458325B (zh) | 2009-01-08 | 2009-01-08 | 一种基于自适应预测的无线传感器网络目标跟踪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2009100762127A CN101458325B (zh) | 2009-01-08 | 2009-01-08 | 一种基于自适应预测的无线传感器网络目标跟踪方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN101458325A CN101458325A (zh) | 2009-06-17 |
CN101458325B true CN101458325B (zh) | 2011-07-20 |
Family
ID=40769301
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2009100762127A Expired - Fee Related CN101458325B (zh) | 2009-01-08 | 2009-01-08 | 一种基于自适应预测的无线传感器网络目标跟踪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101458325B (zh) |
Families Citing this family (28)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101631272B (zh) * | 2009-08-19 | 2011-08-10 | 长讯通信服务有限公司 | 基于粒子滤波无线传感器网络目标预测跟踪方法 |
CN101854653B (zh) * | 2010-05-21 | 2012-08-15 | 南京邮电大学 | 一种无线多媒体传感器网络中的目标跟踪方法 |
KR101531449B1 (ko) * | 2010-06-30 | 2015-06-24 | 노키아 코포레이션 | 센서의 호출을 제어하기 위한 방법 및 장치 |
WO2013063778A1 (en) | 2011-11-02 | 2013-05-10 | Nokia Corporation | Method and apparatus for context sensing inference |
CN102711243B (zh) * | 2012-06-13 | 2015-07-29 | 暨南大学 | 一种基于rssi改进的apit定位方法 |
CN103152826A (zh) * | 2013-03-08 | 2013-06-12 | 天津大学 | 一种基于nlos状态检测补偿的移动目标追踪方法 |
CN103686923A (zh) * | 2013-12-26 | 2014-03-26 | 华北电力大学 | 面向目标跟踪的无线传感器聚簇能量管理方法 |
CN104754733B (zh) * | 2013-12-31 | 2019-03-05 | 南京理工大学 | 动态无线网络控制系统节点位置预测方法 |
CN104732089B (zh) * | 2015-03-24 | 2017-10-20 | 北京科技大学 | 一种跨区域定位系统滤波算法的历史数据构建方法 |
CN105021199B (zh) * | 2015-07-22 | 2017-10-31 | 中国船舶重工集团公司第七0九研究所 | 基于ls的多模型自适应状态估计方法及系统 |
CN106255041A (zh) * | 2016-08-27 | 2016-12-21 | 上海交通大学 | 一种无线传感器网络目标跟踪系统及目标跟踪方法 |
CN108268049B (zh) * | 2016-12-30 | 2023-01-10 | 北京远度互联科技有限公司 | 飞行器、跟随飞行的飞行系统以及控制方法 |
CN107205255A (zh) * | 2017-05-15 | 2017-09-26 | 中国科学院上海微系统与信息技术研究所 | 面向基于图像传感器的无线传感器网络的目标跟踪方法 |
CN110785765A (zh) * | 2018-08-23 | 2020-02-11 | 深圳市大疆创新科技有限公司 | 目标对象的运动轨迹预测方法和监控平台 |
CN109189875A (zh) * | 2018-08-28 | 2019-01-11 | 武汉中海庭数据技术有限公司 | 车载定位数据处理装置及方法 |
CN111095024A (zh) * | 2018-09-18 | 2020-05-01 | 深圳市大疆创新科技有限公司 | 高度确定方法、装置、电子设备和计算机可读存储介质 |
CN110220513B (zh) * | 2019-04-30 | 2022-10-04 | 中国科学院深圳先进技术研究院 | 一种目标定位的方法、系统、无人机及存储介质 |
CN110310303B (zh) * | 2019-05-06 | 2021-07-23 | 南昌嘉研科技有限公司 | 图像分析多目标跟踪方法 |
CN110596639A (zh) * | 2019-07-22 | 2019-12-20 | 深圳市金溢科技股份有限公司 | 车辆跟踪定位方法、信息标记方法、系统及控制终端 |
CN111132014A (zh) * | 2019-12-31 | 2020-05-08 | 南京烽火星空通信发展有限公司 | 一种基于无人机移动信标的无线传感器网络节点定位方法 |
CN111537950B (zh) * | 2020-04-14 | 2023-04-21 | 哈尔滨工业大学 | 一种基于位置指纹和二步多项式拟合的卫星位置预测跟踪方法 |
US11442442B2 (en) | 2020-09-14 | 2022-09-13 | International Business Machines Corporation | Sensor event coverage and energy conservation |
CN112309115B (zh) * | 2020-10-27 | 2022-04-15 | 华中科技大学 | 基于多传感器融合的场内外连续位置检测与停车精确定位方法 |
CN112486318A (zh) * | 2020-11-26 | 2021-03-12 | 北京字跳网络技术有限公司 | 图像显示方法、装置、可读介质及电子设备 |
CN112560658B (zh) * | 2020-12-10 | 2024-01-26 | 昆仑数智科技有限责任公司 | 一种预警方法、装置、电子设备及计算机可读存储介质 |
CN112686921B (zh) * | 2021-01-08 | 2023-12-01 | 西安羚控电子科技有限公司 | 一种基于轨迹特征的多干扰无人机检测跟踪方法 |
CN113364365B (zh) * | 2021-06-09 | 2024-03-12 | 湖南东嘉智能科技有限公司 | 一种检测电机转子位置的电路 |
CN113640739B (zh) * | 2021-10-14 | 2022-01-28 | 南昌奇眸科技有限公司 | 一种三维场景下的协作定位方法及装置 |
-
2009
- 2009-01-08 CN CN2009100762127A patent/CN101458325B/zh not_active Expired - Fee Related
Also Published As
Publication number | Publication date |
---|---|
CN101458325A (zh) | 2009-06-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101458325B (zh) | 一种基于自适应预测的无线传感器网络目标跟踪方法 | |
CN104215249B (zh) | 一种行车轨迹的平滑方法 | |
CN102830402B (zh) | 水下传感器网络目标跟踪系统及方法 | |
CN103648108A (zh) | 传感器网络分布式一致性目标状态估计方法 | |
CN110244715B (zh) | 一种基于超宽带技术的多移动机器人高精度协同跟踪方法 | |
CN112533149B (zh) | 一种基于uwb移动节点的移动目标定位算法 | |
Huang et al. | Target tracking based on a distributed particle filter in underwater sensor networks | |
CN101339240B (zh) | 基于双层预测机制的无线传感器网络目标跟踪方法 | |
CN103759732B (zh) | 一种角度信息辅助的集中式多传感器多假设跟踪方法 | |
CN101393260B (zh) | 一种无线传感器网络目标定位与跟踪方法 | |
CN110191411B (zh) | 一种基于时空域联合处理的分布式协作定位系统和方法 | |
CN103052128A (zh) | 一种基于无线传感器网络能量有效的协同调度方法 | |
CN103645725A (zh) | 一种机器人示教轨迹规划方法和系统 | |
CN110602723A (zh) | 一种基于水下边缘设备的两级双向预测获取数据方法 | |
CN105759274A (zh) | 一种台风关注区雷达降水估测方法 | |
CN112034713B (zh) | 非理想网络环境下移动目标的最优状态估计方法及系统 | |
CN103889053A (zh) | 一种自生长式的指纹图自主建立方法 | |
CN109239704A (zh) | 一种基于序贯滤波交互式多模型的自适应采样方法 | |
CN110213813B (zh) | 一种室内定位技术中惯性传感器的智能管理方法 | |
Wang et al. | Collaborative target tracking in WSNs using the combination of maximum likelihood estimation and Kalman filtering | |
Hamouda et al. | Metadata-based adaptive sampling for energy-efficient collaborative target tracking in wireless sensor networks | |
Huo et al. | A target tracking algorithm using Grey Model predicting Kalman Filter in wireless sensor networks | |
CN104407256B (zh) | 一种处理量测断面时延的电力系统动态状态更新方法 | |
CN105717527A (zh) | 一种利用边坡变形数据快速确定监测点移动轨迹的方法 | |
KR101557184B1 (ko) | 연관성 분석에 기반한 빌딩의 에너지소비 예측 방법 및 장치 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20110720 Termination date: 20150108 |
|
EXPY | Termination of patent right or utility model |