CN101610567A - 一种基于无线传感器网络的动态群组调度方法 - Google Patents

Abstract

本发明公开了一种基于无线传感器网络的动态群组调度方法，利用卡尔曼滤波来预测和跟踪目标轨迹，运用新的动态群组方法来选择下一个任务传感器节点的范围。在一个动态群组内，能根据采样期间平均能量消耗和预测精度来选择下一个传感器节点作为任务节点，并且能根据能量和精度要求选择不同的采样间隔。当节点满足精度要求时，考虑能量最省来选择采样间隔；当节点不满足精度要求时，综合考虑精度和能量消耗，采用加权平均的方法来选择下一个任务传感器节点。本发明采用了动态群组，限定搜索下一个任务传感器节点的范围，缩短了传感器节点的调度时间，有利于无线传感器网络的实时目标跟踪；采用变化的采样间隔，在保持精度的同时，有利于节约能量。

Description

一种基于无线传感器网络的动态群组调度方法

技术领域

本发明涉及无线传感器网络资源调度算法，特别涉及一种基于无线传感器网络的动态群组调度方法。

背景技术

无线传感器网络具有节点数量多、体积小、自组织、快速部署、电池能量有限、计算和通信资源受限等特点。因此，在具有大量节点的无线传感器网路中，如何有效、合理地进行资源分配、调度和节能，以延长整个网络的使用寿命已成为无线传感器网络广泛应用的关键技术。

无线传感器网络资源分配的一个重要方面是任务节点的调度问题。目前节点调度方法主要包括：基于最小距离调度、最小迹调度、自适应调度等。其中基于最小距离调度方法简单易用，在传感器网络中也容易实现，但是它没有考虑能量消耗和精度的要求，且在传感器节点中容易产生误差累计，从而使整个网络性能变差；最小迹调度是基于预测误差的协方差矩阵的迹的调度方法，它实质上只考虑精度这一个性能指标，没有考虑能量的要求；自适应调度方法把精度和能量两个指标的加权作为一个代价函数，用它作为选择下一个任务节点的依据，但此算法没有限制传感器的调度范围，也没有考虑传感器节点的受限资源的限制和无线传感器网络实时性的要求。

显而易见，上述调度算法均存在一些不足。根据无线传感器网络的特点分析可知，要设计一个好的调度算法，不仅要考虑预测精度、能量消耗，还要考虑传感器节点本身的计算和通信资源限制，以及它是否能够满足整个网络实时跟踪需求。

发明内容

本发明的目的在于克服现有技术存在的上述不足，提供一种基于无线传感器网络的动态群组调度方法。在移动目标的跟踪过程中，不但考虑了能量和精度这些性能指标，而且考虑了无线传感器网络的实时动态性能，把调度下一个任务节点需要的代价也作为一个性能指标。本发明通过如下技术方案实现：

一种基于无线传感器网络的动态群组调度方法，包括如下步骤：

1)预测目标的位置和速度：目标进入无线传感器网络，距离目标最近的传感器节点被唤醒作为任务传感器节点，该任务传感器节点用来跟踪移动目标，运用状态估计方法来预测移动目标的位置和速度；

2)形成一个动态分组：在当前时刻以移动目标的位置为参考位置，利用当前时刻的任务传感器节点去唤醒距离目标位置最近的传感器节点，接着唤醒距离目标第二近的传感器节点，如此下去，唤醒第M近的传感器节点，共M个被唤醒的传感器节点形成一个动态群组集合G。并定义距离目标位置最近的传感器节点为群组中心节点，动态群组集合G中离群组中心节点最远的传感器节点为群组边缘节点，群组中心节点与边缘节点之间的距离为群组半径，M大于或等于2，且小于无线传感器网络中所有传感器节点的数目；

3)在群组集合G中，当前时刻的任务传感器节点根据群组集合G中传感器节点在采样期间平均能量消耗和预测精度，选择采样间隔并调度下一个任务传感器节点作为工作节点；

4)群组中心节点判断移动目标是否已经脱离群组集合G，如果移动目标没有脱离群组G，则重复步骤3)～4)；如果移动目标已经脱离群组集合G，则重复步骤2)～4)，持续跟踪目标。

上述的一种基于无线传感器网络的动态群组调度方法中，步骤1)中的状态估计方法中，如果系统模型是线性函数，利用卡尔曼滤波或交互式多模卡尔曼滤波方法来预测和滤波移动目标的位置；如果系统模型是非线性函数，则利用扩展卡尔曼滤波、无迹卡尔曼滤波、交互式多模扩展卡尔曼滤波或粒子滤波中的一种滤波方法来预测和滤波移动目标的位置。

上述的一种基于无线传感器网络的动态群组调度方法中，步骤2)中所述M的取值大小是可变的，根据传感器网络中传感器节点分布的密度进行取值。

上述的一种基于无线传感器网络的动态群组调度方法中，步骤2)中的群组集合G包含M个被唤醒的传感器节点的相关信息，该相关信息包括传感器节点的标识号、位置坐标和能量。

上述的一种基于无线传感器网络的动态群组调度方法中，步骤3)进一步包括：

3.1)当运用滤波方法预测后，群组集合G中没有一个传感器节点满足精度要求，则采用最小的采样间隔，同时根据预测精度和采样期间平均能量消耗的加权平均作为代价函数，在群组集合内使代价函数值最小的传感器节点作为下一时刻的任务传感器节点；

3.2)当运用滤波方法预测后，如果群组集G中至少有一个传感器节点满足精度要求，在群组集合G内所有满足精度要求的传感器节点中，选取采样期间平均能量消耗最小的传感器节点作为下一个任务传感器节点。

上述的一种基于无线传感器网络的动态群组调度方法中，步骤3)中的采样期间平均能量消耗为节点消耗的总能量除以采样间隔，消耗的总能量是传感器节点发送数据，接收数据和处理数据所消耗的能量总和。

上述的一种基于无线传感器网络的动态群组调度方法中，步骤3)中的预测精度为预测轨迹与实际目标移动轨迹在水平方向和竖直方向上的误差平方之和的二次方根。

上述的一种基于无线传感器网络的动态群组调度方法中，步骤4)中的群组中心节点判断移动目标是否已经脱离群组集合G的方法是：如果移动目标与群组中心节点的距离大于群组半径，则认为移动目标已经脱离该群组集合；否则认为移动目标还在该群组内。

所述的步骤1)中的状态估计方法中，如果系统模型是线性函数，可以利用卡尔曼滤波(Kalman filter，KF)或交互式多模卡尔曼滤波(Interactive Multiple Mode-Kalman filter，IMM-KF)方法来预测和滤波移动目标的位置；如果系统模型是非线性函数，则利用扩展卡尔曼滤波(Extended Kalman filter，EKF)、无迹卡尔曼滤波(Unscented Kalman filter，UKF)、交互式多模扩展卡尔曼滤波(Interactive Multiple Mode-Extended Kalman filter，IMM-EKF)和粒子滤波(Particle filter，PF)中的一种滤波方法来预测和滤波移动目标的位置。

与现有算法相比，本发明具有如下优点和显著效果：

提出了一种基于无线传感器网络的动态群组调度方法，该方法能根据网络的拓扑结构变化和目标的随机移动，动态地唤醒无线传感器网络中部分节点以形成群组集合，在群组集合里根据能量和精度两个指标调度相应的传感器节点作为下一个任务节点。该方法与最小距离调度算法相比，折衷了距离、精度和能量指标，在保持能量相当的情况下，提高了预测精度，同时减少了预测误差累积等负面影响；该方法与最小迹调度算法相比，除考虑了预测精度外，还考虑能量消耗和实时性，当精度满足要求时，考虑能量消耗最少的传感器节点作为下一个任务节点，方便灵活；该方法与自适应调度算法相比，除了考虑精度和能量外，还考虑了资源受限和实时性要求，由于采用了动态群组调度方法，事先唤醒M个节点，让远离移动目标的节点处于休眠状态，有利于节能，同时被唤醒的节点形成一个动态群组集合，它用于跟踪移动目标，提高了跟踪的实时性和鲁棒性，并且可以根据实际需求，通过调整群组集合内节点数目M的多少以适应不同应用需要，当群组内节点数M为1时，该方法简化为自适应算法；当群组内节点数M为整个网络中的节点数时，该算法退化为最近调度算法；当群组集合内节点数1，并且权值w＝1[见(14)式]时，该方法简化为最小迹算法；而且我们可以根据实际需要调整采样间隔和权值w，从而得到想要的跟踪精度和能量要求，因此，该方法具有很好的灵活性和实用性。

附图说明

图1是基于无线传感器网络的动态群组集合形成过程的示意图，图中101为无线传感器网络中随机分布传感器节点，102为移动目标的轨迹，103为群组集合，104为移动目标的起始点。

图2是基于无线传感器网络的动态群组调度方法的主流程图。

图3是基于无线传感器网络的动态群组调度方法变采样间隔调度第k时间步子流程图，即图2中的变采样间隔调度子模块(见图2中的虚线框部分)。

图4是基于EKF的动态群组调度方法在无线传感器网络中的应用示意图。

图5为基于IMM-EKF的动态群组调度算法在无线传感器网络中的应用示意图。

具体实施方式

下面结合附图和具体应用实例，对本发明作进一步介绍，但本发明的实施不限于此。基于无线传感器网络的动态群组调度方法主要包括以下步骤：

第一步：利用KF/EKF预测目标的位置和速度

目标刚进入无线传感器网络(如图1的104)，距离移动目标最近的传感器节点(如图1的101)被唤醒作为任务节点用来跟踪移动目标，此步骤的主要任务是预测移动目标的位置和速度，可以采用KF/EKF、IMM-KF、IMM-EKF、IMM-UKF或PF方法来跟踪移动目标的轨迹，轨迹如图1的102，图4采用了EKF算法，图5采用了IMM-EKF算法跟踪移动目标。

具体实施步骤如下：

首先，给出系统模型方程，传感器节点i的状态模型X_k+1 ⁽ⁱ⁾和测量模型y_k ⁽ⁱ⁾表示如下：

$y_k^{\left(i\right)}=h\left(X_k^{\left(i\right)}\right)+r_k---\left(2\right)$

其中， $X_k^{\left(i\right)}={\left[\begin{array}{cccc}{P}_x\left(k\right)& V_x\left(k\right)& P_y\left(k\right)& V_y\left(k\right)\end{array}\right]}^T,$ P_x(k)和P_y(k)分别表示目标的x轴和y轴在时间步k的位移；V_x(k)和V_y(k)分别表示目标的x轴和y轴在时间步k的速度；q_k是时间步k的状态噪声，它服从均值为0，协方差为Q_k(□t_k)高斯分布；□t_k＝t_k+1-t_k是时间步k+1和时间步k之间的时间间隔；r_k是时间步k的测量噪声，它服从均值为0，协方差为R_k的高斯分布；h(□)是测量函数，A_k ⁽ⁱ⁾(□t_k)是动态模型的转移矩阵，A_k ⁽ⁱ⁾(□t_k)和Q_k(□t_k)分别表示如下：

其中q是一个标量，表示状态噪声强度。

其次，介绍KF/EKF算法，KF/EKF算法包括预测和更新两步：

在时间步k传感器i的预测状态估计值m_k ^-(i)和预测协方差矩阵P_k ^-(i)分别为：

其中m_k-1 ⁽ⁱ⁾表示传感器i在时间步k-1的预测状态估计值，P_k-1 ⁽ⁱ⁾表示传感器i在时间步k-1的误差协方差矩阵，初始值 $m_0^{\left(i\right)}=E\left(X_0^{\left(i\right)}\right),$ $P_0^{\left(i\right)}=E{(X_0^{\left(i\right)}-m_0^{\left(i\right)})(X_0^{\left(i\right)}-m_0^{\left(i\right)})}^T.$

在时间步k传感器i的更新状态估计均值m_k ⁽ⁱ⁾和更新误差协方差矩阵P_k ⁽ⁱ⁾分别为：

$m_k^{\left(i\right)}=m_k^{-\left(i\right)}+K_k^{\left(i\right)}{v}_k^{\left(i\right)}---\left(7\right)$

$P_k^{\left(i\right)}=P_k^{-\left(i\right)}-K_k^{\left(i\right)}{S}_k^{\left(i\right)}{\left[K_k^{\left(i\right)}\right]}^T---\left(8\right)$

其中

这里v_k ⁽ⁱ⁾表示传感器i在时间步k的测量新息；S_k ⁽ⁱ⁾表示传感器i在时间步k的预测协方差；K_k ⁽ⁱ⁾是传感器i在时间步k的滤波增益；矩阵H_k ^(i)T表示矩阵H_k ⁽ⁱ⁾的转置，测量函数h_k ⁽ⁱ⁾(□t_k)通常是非线性函数，H_k ⁱ(□t_k)为h_k ⁽ⁱ⁾(□t_k)的雅可比矩阵。

传感器节点i通过预测状态估计矢量m_k ^-(i)得到移动目标的预测位置和速度，通过更新状态矢量m_k ⁽ⁱ⁾得到移动目标的更新的位置和速度。m_k ^-(i)和m_k ⁽ⁱ⁾都是矢量，包括移动目标的x轴位置，y轴位置，x轴速度，y轴速度等估计信息。

第二步：形成一个动态群组集合

如图1，以移动目标的位置为参考，利用当前时刻的任务传感器节点去唤醒距离目标位置最近的传感器节点，接着唤醒距离目标第二近的传感器节点，如此下去，唤醒第M近的传感器节点，共M个被唤醒的传感器节点形成一个动态群组集合G。并定义距离目标位置最近的传感器节点为群组中心节点，动态群组集合G中离群组中心节点最远的传感器节点为群组边缘节点，群组中心节点与边缘节点之间的距离为群组半径，M大于或等于2，且小于无线传感器网络中所有传感器节点的数目。如附图1中的103，假设M＝5，G11、G12、G13、G14和G15形成一个群组G1。类似于G1，G2、G3、G4、…就是这样形成的动态群组集合。

第三步：选择下一个任务传感器节点和确定相应的采样间隔

当目标位于动态群组集合G所在的区域时，当前任务传感器节点从群组G中选择下一个任务传感器节点，选择的依据是根据预测精度和能量消耗的加权平均作为代价函数，使代价函数最小的节点将被选择作为下一时刻的任务传感器节点。选择采样间隔的依据是当精度满足要求时，采用最小的采样间隔；当精度不满足要求时，根据(16)式选择采样间隔Δt_k。为了更好的描述动态群组调度方法的性能，下面定义了预测精度和能量消耗指标。

(1)预测精度

在时间步k传感器j的预测精度

定义为：预测位置与实际目标移动轨迹(如图1的102)在x轴、y轴方向误差的平方之和的二次方根：

这里e_x和e_y分别是x和y轴的跟踪误差。

(2)能量消耗

如果当前传感器节点i选择传感器节点j作为下一个任务节点，传感器节点j消耗的总的能量为：

$E(i,j)=E_t(i,j)+E_r\left(j\right)+E_s\left(j\right)=(e_t+e_r+e_s)n+e_d{r}_{\mathrm{ij}}^{\mathrm{\α}}---\left(13\right)$

其中，b是所需处理的信息的位数； $E_t(i,j)=(e_t+e_d{r}_{\mathrm{ij}}^{\mathrm{\α}})b$ 表示从传感器节点i发送信息到传感器节点j时所消耗的能量；E_r(j)＝e_rb是传感器节点j接收信息时所消耗的能量；E_s(j)＝e_sb是传感器节点j处理信息时所消耗的能量；r_ij是传感器节点i到传感器节点j之间的距离；e_t，e_d是常数，由发送端决定，e_r和e_s也是常数，分别由接收端和处理模块决定；α是一个与通信信道有关的衰减因子。

假设当前时间步是k，当前任务节点是i，它从父节点那里接收前一时间步k-1的状态估计m_k-1 ⁽ⁱ⁾和误差协方差P_k-1 ⁽ⁱ⁾。首先，新的测量值y⁽ⁱ⁾(k)使用前面描述的EKF算法更新状态估计m_k ⁽ⁱ⁾和P_k ⁽ⁱ⁾。然后，应用传感器节点调度策略选择下一个任务节点j和下一个采样间隔Δt_k，以至于传感器节点j能在时刻t_k+1＝t_k+Δt_k担任测量和传感的任务。我们取Δt_k的范围为[T_max，T_min]，这里T_max和T_min分别表示最大和最小采样间隔。如果选择具有采样间隔为Δt_k的传感器节点j，它相关的代价函数J(j，Δt_k)定义如下：

是(12)式所描述的EKF算法的预测精度，E(i，j)是(13)式所描述的选择传感器节点j的总能量消耗，w是用来平衡跟踪精度和能量的权值参数，它的范围为0≤w≤1，如果w＝0，则只考虑能量指标；如果w＝1，则只考虑精度指标。

接下来用两种模式中的一种调度下一个任务传感器节点，如图3所示：

1)当运用滤波方法预测后，如果使用介于T_min和T_max任何一个采样间隔，没有一个传感器节点获得满意的跟踪精度，在这种情况下，Δt_k被设置为最小的采用间隔T_min，并且使用如下代价函数选择任务传感器节点j^*：

j^*＝arg_j∈G min{J(j，T_min)}    (15)

G是群组里的候选传感器节点的集合，使用这个模式的目的是尽可能考虑能量消耗最少的同时使跟踪精度最高；

2)当运用滤波方法预测后，如果群组内至少有一个传感器节点满足跟踪精度要求，在这种情况下，在满足精度传感器节点中，消耗能量最小的传感器节点j^*被选中作为下一个任务节点：

$J(j^{*},\mathrm{\Δ}{t_k}^{*})={\arg }_{j\∈G^{*},\mathrm{\φ}(j,k)\≤{\mathrm{\φ}}_0}\min \{E(i,j)/\mathrm{\Δ}{t}_k\}---\left(16\right)$

G^*是获得满意精度的传感器节点集合，这种模式的基本思想是当精度满足要求时，根据在采样期间能量消耗最少来选择任务传感器节点和采样间隔。

为了简单起见，假设从预先定义好的N个采样间隔{T_i}₁ ^N中选择一个值，T₁＝T_min，T_N＝T_max并且T_t1＜T_t2，t₁＜t₂，Δt＝t_i-t_i-1。

第四步：群组中心节点判断移动目标是否已经脱离群组G

当目标移出动态群组集合G时，重复步骤第二步到第四步，当目标未移出动态群组集合G时，重复步骤第三步到第四步。

无线传感器网络的动态群组调度方法步骤具体操作见附图2和图3的流程图。

在无线传感器网络里的移动目标跟踪应用中，图4是当前传感器节点利用EKF算法预测和跟踪走近似直线轨迹的移动目标，在100米×100米的区域内随机地分布着50个传感器节点，系统模型见(1)～(4)式，其中q＝50，□t_k＝0.1；T_min＝0.1，T_max＝0.5，采样间隔从中0.1～0.5之间选择；能量模型(13)式中α＝2，e_t＝45×10^-6，e_r＝135×10^-6，e_s＝50×10^-6焦耳/位，e_d＝10×10^-9焦耳/位·平方米，b＝1024；代价目标函数(14)式中w＝0.7，群组中传感器节点个数M＝5；预测精度门限

状态模型的初值 $X_0^{\left(i\right)}={\left[\begin{array}{cccc}2& 15& 2& 15\end{array}\right]}^T,$ 预测状态估计值 $m_0^{-\left(i\right)}={\left[\begin{array}{cccc}2.1& 15& 1.9& 15\end{array}\right]}^T,$ $P_0^{\left(i\right)}=\mathrm{diag}\left(\left[\begin{array}{cccc}10& 10& 10& 10\end{array}\right]\right),$ 这里函数diag(·)表示为对角线元素是·其它元素是0的矩阵；在图4和图5中，传感器节点的测量函数是基于当前任务传感器节点和移动目标之间的距离

$\begin{array}{c}{y}_k^{\left(i\right)}=h\left(X_k^{\left(i\right)}\right)+r_k\\ =\sqrt{{(P_x\left(k\right)-s_x^{\left(i\right)}\left(k\right))}^2+{(P_y\left(k\right)-s_y^{\left(i\right)}\left(k\right))}^2}+r\left(k\right)\end{array}---\left(17\right)$

其中s_x ⁽ⁱ⁾(k)，s_y ⁽ⁱ⁾(k)分别为传感器节点i在时间步k的x轴、y轴坐标，r(k)为测量噪声，其协方差R_k＝0.1。由于此测量函数为非线性函数，需要对其线性化，h_k ⁽ⁱ⁾(□)对应的雅克比矩阵为H_k ⁽ⁱ⁾

$H_k^{\left(i\right)}=\left[\begin{array}{cccc}\frac{P_x\left(k\right)-s_x^{\left(i\right)}\left(k\right)}{\sqrt{{(P_x\left(k\right)-s_x^{\left(i\right)}\left(k\right))}^2+{(P_y\left(k\right)-s_y^{\left(i\right)}\left(k\right))}^2}}& 0& \frac{P_y\left(k\right)-s_y^{\left(i\right)}\left(k\right)}{\sqrt{{(P_x\left(k\right)-s_x^{\left(i\right)}\left(k\right))}^2+{(P_y\left(k\right)-s_y^{\left(i\right)}\left(k\right))}^2}}& 0\end{array}\right]---\left(18\right)$

在图4中，采用动态群组调度方法从群组中调度下一个任务传感器节点，其中101小圆圈表示随机部署的传感器节点，401实线表示移动目标的轨迹，402虚线表示用EKF算法滤波的跟踪轨迹，404带米字的小圈代表用动态群组调度算法调度过的传感器节点，它们和轨迹之间的每一条直线403代表一次采样。由于在群组内采用变采样间隔调度算法，因此每次采样时间不是固定的，它在T_max到T_min之间根据精度要求和能量最小原则动态变化，从而有利于能量的节约。

图5是当前传感器节点利用IMM-EKF算法预测和跟踪移动目标的曲线轨迹，运用动态群组调度方法从分组中选择下一个任务传感器节点，图5中的符号意义与图4相同，图中501为跟踪轨迹，502为移动目标轨迹，503为移动目标当前位置与当前被调度的任务传感器节点的连线，504为被调度过的传感器节点。

Claims (8)

1、一种基于无线传感器网络的动态群组调度方法，其特征在于包括如下步骤：

1)预测目标的位置和速度：目标进入无线传感器网络，距离目标最近的传感器节点被唤醒作为任务传感器节点，该任务传感器节点用来跟踪移动目标，运用状态估计方法来预测移动目标的位置和速度；

2)形成一个动态分组：在当前时刻以移动目标的位置为参考位置，利用当前时刻的任务传感器节点去唤醒距离目标位置最近的传感器节点，接着唤醒距离目标第二近的传感器节点，如此下去，唤醒第M近的传感器节点，共M个被唤醒的传感器节点形成一个动态群组集合G。并定义距离目标位置最近的传感器节点为群组中心节点，动态群组集合G中离群组中心节点最远的传感器节点为群组边缘节点，群组中心节点与边缘节点之间的距离为群组半径，M大于或等于2，且小于无线传感器网络中所有传感器节点的数目；

3)在群组集合G中，当前时刻的任务传感器节点根据群组集合G中传感器节点在采样期间平均能量消耗和预测精度，选择采样间隔并调度下一个任务传感器节点作为工作节点；

4)群组中心节点判断移动目标是否已经脱离群组集合G，如果移动目标没有脱离群组G，则重复步骤3)～4)；如果移动目标已经脱离群组集合G，则重复步骤2)～4)，持续跟踪目标。

2、根据权利要求1所述的一种基于无线传感器网络的动态群组调度方法，其特征在于，所述的步骤1)中的状态估计方法中，如果系统模型是线性函数，利用卡尔曼滤波或交互式多模卡尔曼滤波方法来预测和滤波移动目标的位置；如果系统模型是非线性函数，则利用扩展卡尔曼滤波、无迹卡尔曼滤波、交互式多模扩展卡尔曼滤波或粒子滤波中的一种滤波方法来预测和滤波移动目标的位置。

3、根据权利要求1所述的一种基于无线传感器网络的动态群组调度方法，其特征在于，步骤2)中所述M的取值大小是可变的，根据传感器网络中传感器节点分布的密度进行取值。

4、根据权利要求1所述的一种基于无线传感器网络的动态群组调度方法，其特征在于，步骤2)中的群组集合G包含M个被唤醒的传感器节点的相关信息，该相关信息包括传感器节点的标识号、位置坐标和能量。

5、根据权利要求2所述的基于无线传感器网络的动态群组调度方法，其特征在于，步骤3)进一步包括：

3.1)当运用滤波方法预测后，群组集合G中没有一个传感器节点满足精度要求，则采用最小的采样间隔，同时根据预测精度和采样期间平均能量消耗的加权平均作为代价函数，在群组集合内使代价函数值最小的传感器节点作为下一时刻的任务传感器节点；

3.2)当运用滤波方法预测后，如果群组集G中至少有一个传感器节点满足精度要求，在群组集合G内所有满足精度要求的传感器节点中，选取采样期间平均能量消耗最小的传感器节点作为下一个任务传感器节点。

6、根据权利要求1所述的一种基于无线传感器网络的动态群组调度方法，其特征在于，步骤3)中的采样期间平均能量消耗为节点消耗的总能量除以采样间隔，消耗的总能量是传感器节点发送数据，接收数据和处理数据所消耗的能量总和。

7、根据权利要求1所述的一种基于无线传感器网络的动态群组调度方法，其特征在于，步骤3)中的预测精度为预测轨迹与实际目标移动轨迹在水平方向和竖直方向上的误差平方之和的二次方根。

8、根据权利要求1所述的一种基于无线传感器网络的动态群组调度方法，其特征在于，步骤4)中的群组中心节点判断移动目标是否已经脱离群组集合G的方法是：如果移动目标与群组中心节点的距离大于群组半径，则认为移动目标已经脱离该群组集合；否则认为移动目标还在该群组内。

Images