CN102592038B - 基于ds推理的无线传感器网络多目标跟踪数据关联方法 - Google Patents

Abstract

本发明公开了一种基于DS推理的无线传感器网络多目标跟踪数据关联方法，包括：步骤1，利用前一个无线传感器网络节点发送的信息得到关于目标的预测信息，对当前无线传感器网络节点所观测到的不确定信息构建基本信任函数指派模型；步骤2，根据所述基本信任函数指派模型，由证据理论的组合规则组合不同证据得到综合信息，根据综合信息实现数据关联。本发明结合预测信息，对不确定信息构建了简单地易于在节点上实现的基本信任函数指派模型，实现了对由节点观测到的不确定信息的表示；根据证据理论的组合规则组合不同证据得到综合信息，实现数据关联。由于信息的互补，最终的数据关联效果很好，关联精度高。

Description

基于DS推理的无线传感器网络多目标跟踪数据关联方法

技术领域

本发明属于智能信息处理技术领域，特别是涉及一种基于DS(Dempster-Shafer)证据推理的无线传感器网络多目标跟踪数据关联方法。

背景技术

随着传感器技术、微机电技术、现代网络和无线通信等技术的进步，产生了涉及多学科高度交叉、知识高度集成的无线传感器网络(Wireless SensorNetwork，WSN)，其优点突出：成本低，布设方便，组网快捷、灵活，不受有线网络约束，已经广泛应用于军事国防、工农业控制、环境检测、危险区域远程控制等领域。无线传感器网络由于其自组织性、鲁棒性及节点数量巨大的特点，非常适合于目标跟踪。目前无线传感器网络的目标跟踪研究主要集中于在不同环境下的单目标跟踪，如何以较低的能量代价高效地融合有效的信息，提高观测精度和延长网络生存期，并解决多目标跟踪，成为目前研究无线传感器网络目标跟踪的热点。

多目标跟踪中需要解决的一个核心问题是数据关联。数据关联也即是将观测值正确地映射到引起本次观测的目标，建立观测值与目标之间的对应关系。只有正确地解决了数据关联问题，继而才能有效地预测目标的运动趋势，进行后续的目标跟踪任务。

常用的关联方法有最近邻数据关联(Near Neighbor Data Association，NNDA)，概率数据关联滤波算法(probability data association filter，PDA)、联合概率数据关联滤波算法(joint data association，JPDA)、概率多假设跟踪(probability multiple hypothesis track，PMHT)方法、最大期望方法(Expectation-Maximization，EM)等。NNDA具有运算量小，易于实现等优点，但是环境局限性较大，仅适用于对稀疏目标环境的目标跟踪；PDA方法计算量较小，实时性好，有较好的单目标跟踪性能，但在跟踪多个目标时会发生目标的偏移和聚合现象。专利“分布式多目标跟踪的方法和系统”利用视频信息，采用EM算法实现数据关联。专利“一种联合概率数据关联的视频多目标快速跟踪方法”利用视频信息，采用基于概率理论的JPDA实现数据关联；中文专利“一种基于地面动目标指示雷达系统的多目标跟踪方法”及英文专利“Multi-window/multi-target tracking method for point source objects，involvesassigning unique local frame sum to objects，applying detection algorithms toobjects，and producing track files of one of objects”采用概率多假设跟踪(PMHT)方法实现数据关联。这两种方法不仅具有基于概率方法固有的不能表示不确定性信息的缺陷，而且计算量大，很难在无线传感器网络中实现的问题。专利“机动多目标跟踪方法”针对基于概率进行数据关联计算量大的缺陷，提出了基于聚矩阵分解的简化概率数据关联算法，大大减少了计算量。专利“模糊巨雷粒子滤波的无线传感器网络多目标跟踪方法”提出了先采用跟踪门限算法进行粗关联，然后利用FCM进行精关联的两级关联策略，在一定程度较少了计算量。

由于真实环境的复杂性，各种不可控制、不可预期的干扰因素的存在，在观测过程中得到的观测值往往存在一些不确定、未知因素。在多目标跟踪系统中常用的如JPDA等基于概率的方法简单地将不知道划分到对立事件中。相比于传统的基于概率的关联方法，证据理论(Dempster-Shafer Theory，DST)在不确定的表示、观测和组合方面有很大优势，能够表示由无知带来的不确定性，利用组合规则融合多种证据信息，得到综合评价指标。英文专利“Method fordistributed data association and multi-target tracking-communicating trackinformation among processing entities which process inputs from single sensorwith continuing updating”提到进行数据关联时可以基于证据理论，但是并没有给出具体的利用证据理论进行数据关联的方法。

发明内容

本发明的目的在于提供一种基于DS推理的无线传感器网络多目标跟踪数据关联方法，用于在无线传感器网络多目标跟踪应用中，针对无线传感器网络本身固有的资源限制，以及由环境中各种干扰因素引起的观测值的不确定现象，利用证据理论的优势，实现对不确定信息的适当表示、并利用组合规则组合各种信息，利用组合后的综合信息进行数据关联。

为了实现上述目的，本发明提供一种基于DS推理的无线传感器网络多目标跟踪数据关联方法，其特征在于，包括：

步骤1，利用前一个无线传感器网络节点发送的信息得到关于目标的预测信息，对当前无线传感器网络节点所观测到的不确定信息构建基本信任函数指派模型；

步骤2，根据所述基本信任函数指派模型，由证据理论的组合规则组合不同证据得到综合信息，根据综合信息实现数据关联。

所述的数据关联方法，其中，

所述步骤1中，包括：

为第i种不确定信息建立属于目标j的信任指派函数；

建立第i种不确定信息的不确定信息函数；

对为第i种不确定信息建立的信任指派函数以及不确定信息函数进行归一化处理；

其中，i＝1，2...M，j＝1，2...N，M为不确定信息的个数，N为待识别目标的个数。

所述的数据关联方法，其中，

所述为第i种不确定信息建立属于目标j的信任指派函数采用如下公式：

j，k＝1，2...N

其中，

H_t ^k表示在t时刻的第k组观测中第i种不确定信息，第i种不确定信息标记为H；

H_min为待识别目标引起的不确定信息H的最小值；

H_max为待识别目标引起的不确定信息H的最大值；

M_min ^H为待识别目标引起的不确定信息H的最小信任指派值；

M_max ^H为待识别目标引起的不确定信息H的最大信任指派值；

为t时刻第i种不确定信息H属于目标j的预测值；

M^j(H_t ^k)为t时刻第k组观测值中第i种不确定信息H属于目标j的信任值。所述的数据关联方法，其中，

所述建立第i种不确定信息的不确定信息函数采用如下公式：

$\left\{\begin{array}{cc}{M}^{\mathrm{undef}}\left({H_t}^k\right)={M_{\min }}^H+\frac{{M_{\max }}^H-{M_{\min }}^H}{\stackrel{\‾}{H}-H_{\min }}({H_t}^k-H_{\min })& {H_t}^k\≤\stackrel{\‾}{H}\\ M^{\mathrm{undef}}\left({H_t}^k\right)={M_{\min }}^H+\frac{{M_{\max }}^H-{M_{\min }}^H}{\stackrel{\‾}{H}-H_{\max }}({H_t}^k-H_{\max })& {H_t}^k>\stackrel{\‾}{H}\end{array}\right.$

其中，

为t时刻第k组观测中第i种不确定信息H的不确定信息函数的值；

$\stackrel{\‾}{H}=\frac{H_{\min }+H_{\max }}{2}.$

所述的数据关联方法，其中，

所述对第i种不确定信息H所构建的信任指派函数以及不确定信息函数进行归一化处理采用如下公式：

$M^j\left({H_t}^k\right)=\frac{M^j\left({H_t}^k\right)}{\underset{n=1}{\overset{n=N}{\mathrm{\Σ}}}{M}^n\left({H_t}^k\right)+M^{\mathrm{undef}}\left({H_t}^k\right)}$

j＝1，2..N。

$M^{\mathrm{undef}}\left({H_t}^k\right)=\frac{M^{\mathrm{undef}}\left({H_t}^k\right)}{\underset{n=1}{\overset{n=N}{\mathrm{\Σ}}}{M}^n\left({H_t}^k\right)+M^{\mathrm{undef}}\left({H_t}^k\right)}$

所述的数据关联方法，其中，

所述步骤2中，还包括：实现多组证据组合的步骤：

对于一组观测值O(H₁，H₂...H_M)，根据所构建的基本信任函数指派模型，得到M组证据，构成证据集P，记为P＝{A₁，A₂，A₃...A_M}，任选其中未组合的两组不同的证据A_i，A_j(i≠j)，按照证据理论中的两组证据组合规则进行组合得到新的证据，记为A_i′，并以A_i′替换A_i，A_j，作为证据集P中的一个元素，直至证据集P中只有一个元素，完成M组不同证据的证据组合。

所述的数据关联方法，其中，

根据证据组合后得到的综合信息，选取其中信任值最大的一项作为引起本组观测值的对象，从而实现数据关联。

所述的数据关联方法，其中，

当所述不确定信息包括响应强度、响应时间时，所述步骤1具体包括：

建立属于某目标的响应强度信任指派函数、响应时间信任指派函数；

建立响应强度的不确定信息函数、响应时间的不确定信息函数；

对所述响应强度信任指派函数、所述响应时间信任指派函数、所述响应强度的不确定信息函数、所述响应时间的不确定信息函数进行归一化处理。

所述的数据关联方法，其中，

建立所述响应强度信任指派函数采用以下公式：

$\left\{\begin{array}{cc}{M}^i\left({S_t}^j\right)={M_{\min }}^S+\frac{{M_{\max }}^S-{M_{\min }}^S}{{{\hat{S}}_t}^i-S_{\min }}({S_t}^j-S_{\min })& {S_t}^j\≤{{\hat{S}}_t}^i\\ M^i\left({S_t}^j\right)={M_{\min }}^S+\frac{{M_{\max }}^S-{M_{\min }}^S}{{{\hat{S}}_t}^i-S_{\max }}({S_t}^j-S_{\max })& {S_t}^j>{{\hat{S}}_t}^i\end{array}\right.$ i，j＝1，2...N

其中，

S_min为目标所引起的响应强度的最小值；

S_max为目标所引起的响应强度的最大值；

为目标所引起的响应强度的最小信任指派值；

为目标所引起的响应强度的最大信任指派值；

为由目标i引起的响应强度的预测值；

代表一系列距离无线传感器网络节点较远的目标的信任指派函数；

代表一系列距离无线传感器网络节点较近的目标的信任指派函数；

建立所述响应时间信任指派函数采用以下公式：

i，j＝1，2...N

其中，

T_min为目标所引起的响应时间的最小值；

T_max为目标所引起的响应时间的最大值；

为目标所引起的响应时间的最小信任指派；

为目标所引起的响应时间的最大信任指派；

为由目标i引起的响应强度的预测值；

代表一系列速度较快的目标的信任指派函数；

代表一系列速度较慢的目标的信任指派函数。

所述的数据关联方法，其中，

建立所述响应强度的不确定信息函数采用以下公式：

$\left\{\begin{array}{cc}{M}^{\mathrm{undef}}\left({S_t}^j\right)={M_{\min }}^S+\frac{{M_{\max }}^S-{M_{\min }}^S}{\stackrel{\‾}{S}-S_{\min }}({S_t}^j-S_{\min })& {S_t}^j\≤\stackrel{\‾}{S}\\ M^{\mathrm{undef}}\left({S_t}^j\right)={M_{\min }}^S+\frac{{M_{\max }}^S-{M_{\min }}^S}{\stackrel{\‾}{S}-S_{\max }}({S_t}^j-S_{\max })& {S_t}^j>\stackrel{\‾}{S}\end{array}\right.$

其中，

$\stackrel{\‾}{S}=\frac{S_{\min }+S_{\max }}{2};$

代表一系列距离无线传感器网络节点较远的目标的不确定信息函数；

代表一系列距离无线传感器网络节点较近的目标的不确定信息函数；

建立所述响应时间的不确定信息函数采用以下公式：

$\left\{\begin{array}{cc}{M}^{\mathrm{undef}}\left({T_t}^j\right)={M_{\min }}^T+\frac{{M_{\max }}^T-{M_{\min }}^T}{\stackrel{\‾}{T}-T_{\min }}({T_t}^j-T_{\min })& {T_t}^j\≤\stackrel{\‾}{T}\\ M^{\mathrm{undef}}\left({T_t}^j\right)={M_{\min }}^T+\frac{{M_{\max }}^T-{M_{\min }}^T}{\stackrel{\‾}{T}-T_{\max }}({T_t}^j-T_{\max })& {T_t}^j>\stackrel{\‾}{T}\end{array}\right.$ i，j＝1，2N

其中，

$\stackrel{\‾}{T}=\frac{T_{\min }+T_{\max }}{2};$

代表一系列速度较快的目标的不确定信息函数； 代表一系列速度较慢的目标的不确定信息函数。

所述的数据关联方法，其中，

所述对所述响应强度信任指派函数、所述响应强度的不确定信息函数进行归一化处理采用如下公式：

$\left\{\begin{array}{c}{M}^i\left({S_t}^j\right)=\frac{M^i\left({S_t}^j\right)}{\underset{k=1}{\overset{k=N}{\mathrm{\Σ}}}{M}^k\left({S_t}^j\right)+M^{\mathrm{undef}}\left({S_t}^j\right)}\\ M^{\mathrm{undef}}\left({S_t}^j\right)=\frac{M^{\mathrm{undef}}\left({S_t}^j\right)}{\underset{k=1}{\overset{k=N}{\mathrm{\Σ}}}{M}^k\left({S_t}^j\right)+M^{\mathrm{undef}}\left({S_t}^j\right)}\end{array}\right.$ i，j＝1，2...N。

所述对所述响应时间信任指派函数、所述响应时间的不确定信息函数进行归一化处理采用如下公式：

$\left\{\begin{array}{c}{M}^i\left({T_t}^j\right)=\frac{M^i\left({T_t}^j\right)}{\underset{k=1}{\overset{k=N}{\mathrm{\Σ}}}{M}^k\left({T_t}^j\right)+M^{\mathrm{undef}}\left({T_t}^j\right)}\\ M^{\mathrm{undef}}\left({T_t}^j\right)=\frac{M^{\mathrm{undef}}\left({T_t}^j\right)}{\underset{k=1}{\overset{k=N}{\mathrm{\Σ}}}{M}^k\left({T_t}^j\right)+M^{\mathrm{undef}}\left({T_t}^j\right)}\end{array}\right.$ i，j＝1，2...N。

所述的数据关联方法，其中，

所述步骤2中，还包括：

步骤21，以响应强度信息和响应时间信息作为证据，利用证据理论的证据组合规则，采用以下公式：

$M^i\left(O_t^j\right)=M^i\left(S_t^j\right)*M^i\left(T_t^j\right)+M^{\mathrm{undef}}\left(S_t^j\right)*M^i\left(T_t^j\right)+M^{\mathrm{undef}}\left(T_t^j\right)*M^i\left(S_t^j\right)$ i，j＝1，2...N

其中，

t时刻无线传感器网络节点储存了N组观测值，是指第j组观测值，是指第j组观测值是由第i个目标引起的信任值；

步骤22，对第j组观测值j＝1，2...N，比较i＝1，2...N，选取其中最大的一项k作为引起第j组观测的目标，实现将第j组观测关联到目标k，假定k，i，j＝1，2...N 且k≠i。

与现有技术相比，本发明的有益技术效果在于：

传统的基于概率理论的数据关联方法，只能简单地将未知划分到对立事件，而本发明利用证据理论能够表示由未知带来的不确定性。本发明结合卡尔曼滤波得到的预测信息，对不确定信息构建了简单地易于在节点上实现的基本信任函数指派模型，实现了对不确定信息的表示；根据证据理论的组合规则组合不同证据得到综合信息，实现数据关联。由于信息的互补，最终的数据关联效果很好，关联精度高。

附图说明

图1是本发明的无线传感器网络多目标跟踪数据关联方法流程图；

图2是实验场景示意图；

图3是本发明的响应强度S和响应时间T示意图；

图4是本发明的响应强度信息的信任指派模型；

图5是本发明的响应时间信息的信任指派模型；

图6是本发明的一实施例的无线传感器网络多目标跟踪数据关联方法流程图。

具体实施方式

以下结合附图和具体实施例对本发明进行详细描述，但不作为对本发明的限定。

本发明结合预测信息，对不确定信息构建了简单地易于在无线传感器网络节点(以下简称传感器节点)上实现的基本信任函数指派模型，实现对不确定信息的表示；根据证据理论的组合规则组合不同证据得到综合信息，实现数据关联。如图1所示，描述了无线传感器网络多目标跟踪数据关联方法流程图，该方法包括：

步骤1，利用前一个无线传感器网络节点发送的信息得到关于目标的预测信息，对当前无线传感器网络节点所观测到的不确定信息构建基本信任函数指派模型；

步骤2，根据所述基本信任函数指派模型，由证据理论的组合规则组合不同证据得到综合信息，根据综合信息实现数据关联。

进一步地，步骤1中，包括：

为第i种不确定信息建立属于目标j的信任指派函数；

建立第i种不确定信息的不确定信息函数；

对为第i种不确定信息建立的信任指派函数以及不确定信息函数进行归一化处理；

其中，i＝1，2...M，j＝1，2...N，M为不确定信息的个数，N为待识别目标的个数。

进一步地，采用如下公式为第i种不确定信息建立属于目标j的信任指派函数：

j，k＝1，2...N

其中，

H_t ^k表示在t时刻的第k组观测中第i种不确定信息，第i种不确定信息标记为H；

H_min为待识别目标引起的不确定信息H的最小值；

H_max为待识别目标引起的不确定信息H的最大值；

M_min ^H为待识别目标引起的不确定信息H的最小信任指派值；

M_max ^H为待识别目标引起的不确定信息H的最大信任指派值；

为t时刻第i种不确定信息H属于目标j的预测值；

M^j(H_t ^k)为t时刻第k组观测值中第i种不确定信息H属于目标j的信任值。进一步地，采用如下公式建立第i种不确定信息的不确定信息函数：

$\left\{\begin{array}{cc}{M}^{\mathrm{undef}}\left({H_t}^k\right)={M_{\min }}^H+\frac{{M_{\max }}^H-{M_{\min }}^H}{\stackrel{\‾}{H}-H_{\min }}({H_t}^k-H_{\min })& {H_t}^k\≤\stackrel{\‾}{H}\\ M^{\mathrm{undef}}\left({H_t}^k\right)={M_{\min }}^H+\frac{{M_{\max }}^H-{M_{\min }}^H}{\stackrel{\‾}{H}-H_{\max }}({H_t}^k-H_{\max })& {H_t}^k>\stackrel{\‾}{H}\end{array}\right.$

其中，

为t时刻第k组观测中第i种不确定信息H的不确定信息函数的值；

$\stackrel{\‾}{H}=\frac{H_{\min }+H_{\max }}{2}.$

进一步地，采用如下公式对第i种不确定信息H所构建的信任指派函数以及不确定信息函数进行归一化处理：

$M^j\left({H_t}^k\right)=\frac{M^j\left({H_t}^k\right)}{\underset{n=1}{\overset{n=N}{\mathrm{\Σ}}}{M}^n\left({H_t}^k\right)+M^{\mathrm{undef}}\left({H_t}^k\right)}$

j＝1，2..N。

$M^{\mathrm{undef}}\left({H_t}^k\right)=\frac{M^{\mathrm{undef}}\left({H_t}^k\right)}{\underset{n=1}{\overset{n=N}{\mathrm{\Σ}}}{M}^n\left({H_t}^k\right)+M^{\mathrm{undef}}\left({H_t}^k\right)}$

所述步骤2中，还包括：实现多组证据组合的步骤：

对于某一组观测值O(H₁，H₂...H_M)，根据所构建的基本信任函数指派模型，得到M组证据，构成证据集P，记为P＝{A₁，A₂，A₃...A_M}，任选其中未组合的两组不同的证据A_i，A_j(i≠j)，按照证据理论中的两组证据组合规则进行组合得到新的证据，记为A_i′，并以A_i′替换A_i，A_j，作为证据集P中的一个元素，直至证据集P中只有一个元素，完成M组不同证据的证据组合。

所述数据关联方法中，还包括：

根据证据组合后得到的综合信息，选取其中信任值最大的一项作为引起本组观测值的对象，即将本组观测值关联到信任值最大的一项来实现数据关联。

下面将以无线传感器网络的一个典型应用场景智能交通系统中的车辆跟踪为实施例，说明本发明的具体实施步骤。

真实的道路场景如图2所示。由于智能交通系统处理的对象是动态流动的车流，由传感器节点得到的观测数据必须正确关联到真实对应的车辆，才能实现车辆运动趋势的预测，进而实现目标跟踪。因此数据关联是其中要解决的核心问题。由于证据理论在不确定性的表示、组合方面的优势，拟采用证据理论实现数据关联。考虑到无线传感器网络自身的局限性，如计算、存储资源有限，在跟踪问题中，采用卡尔曼滤波预测目标运动趋势。因为卡尔曼滤波只是根据前一次的估计值和当前的观测值，用状态方程和递推方法进行估计的。所需的数据存储量较小，便于进行实时处理，适合于在计算、存储能力有限的传感器节点上实现。

本发明以现有的交通平台能得到响应强度和响应时间信息，所以只是分别对这两种信息进行建模和组合。实际上，如果能得到更多的信息，那么就可以组合更多的证据。

由图2所示的传感器节点可以获得两种信息：响应强度S和响应时间T(如图3所示)。响应强度是指车辆经过时引起传感器节点响应的峰值，响应时间T是指传感器节点监测到车辆的持续期，即监测到车辆到来与车辆离开的时间差。响应强度与车辆和传感器节点之间的距离有关，距离近响应强度大，距离远响应强度小。但是响应强度还受车辆的铁磁性物质含量影响，不同车辆的铁磁性物质含量不同，仅利用响应强度进行数据关联会引起一定的不确定性。响应时间与速度有关系，速度大对应的响应时间短，速度小对应的响应时间长。但是响应时间还受车身长度、车辆铁磁性物质含量影响，不同车辆的车身长度、铁磁性物质含量等不同，仅利用响应时间进行数据关联也会引起一定的不确定性。如果采用证据理论表示响应强度和响应时间信息，以响应强度和响应时间作为证据，按照组合规则组合这两类证据，根据组合结果进行数据关联就能降低由单类信息进行关联时所引起的不确定性，提高关联精度。

由大量统计可以得到车辆所引起的响应强度/响应时间的最小值/最大值，储存到布设的传感器节点中，记为其中 记响应强度/响应时间信息的较大/较小的信任指派M＝(M_min ^S，M_max ^S，M_min ^T，M_max ^T)，其值可以视情况进行适当调整。数据关联的执行流程如图6所示，具体操作步骤如下：

步骤1、在时刻t传感器节点接收到前一时刻(t-1)发送的后验估计i＝1，2...N和估计误差的协方差P_t-1，根据卡尔曼滤波理论，执行时间更新推算当前状态变量i＝1，2...N，误差协方差估计的值作为该传感器节点当前时刻的先验估计；

步骤2、在某一时刻，传感器节点储存了N组观测值j＝1，2...N；

步骤3、建立基本信任指派函数。由于卡尔曼滤波是以最小均方误差为估计的最佳准则，保证了预测值是可信的，所以可以为预测值指派较大的信任值。利用统计信息M＝(M_min ^S，M_max ^S，M_min ^T，M_max ^T)和预测信息i＝1，2...N，为第j组观测j＝1，2...N建立信任指派函数模型：

(a)对第j组观测值中的建立属于目标i的响应强度信任指派函数由(S_min，M_min ^S)、(S_max，M_min ^S)来确定：

$\left\{\begin{array}{cc}{M}^i\left({S_t}^j\right)={M_{\min }}^S+\frac{{M_{\max }}^S-{M_{\min }}^S}{{{\hat{S}}_t}^i-S_{\min }}({S_t}^j-S_{\min })& {S_t}^j\≤{{\hat{S}}_t}^i\\ M^i\left({S_t}^j\right)={M_{\min }}^S+\frac{{M_{\max }}^S-{M_{\min }}^S}{{{\hat{S}}_t}^i-S_{\max }}({S_t}^j-S_{\max })& {S_t}^j>{{\hat{S}}_t}^i\end{array}\right.$ i，j＝1，2...N (1)

其中，

S_min为目标所引起的响应强度的最小值；

S_max为目标所引起的响应强度的最大值；

为目标所引起的响应强度的最小信任指派值；

为目标所引起的响应强度的最大信任指派值；

为由目标i引起的响应强度的预测值；

代表一系列距离无线传感器网络节点较远的目标的信任指派函数；

代表一系列距离无线传感器网络节点较近的目标的信任指派函数。

如图4中所示，其中代表一系列距离传感器节点较远的车辆的信任指派函数，代表一系列距离传感器节点较近的车辆的信任指派函数；

(b)建立响应强度的不确定信息函数。当车辆距离传感器节点较近时，引起的响应强度较大，当车辆距离传感器节点较远时，引起的响应强度较小，所以当响应强度较大/较小时，由图(a)，响应的距离传感器节点较近/较远的车辆会获得较高的信任值；然而当此时的响应强度S_t处于附近时，各种车辆的铁磁性物质含量及各种干扰因素的影响不可忽视，也即响应强度信息中的不确定性增加，因此根据(S_min，M_min ^S)、(S_max，M_min ^S)建立不确定信息函数如下：

$\left\{\begin{array}{cc}{M}^{\mathrm{undef}}\left({S_t}^j\right)={M_{\min }}^S+\frac{{M_{\max }}^S-{M_{\min }}^S}{\stackrel{\‾}{S}-S_{\min }}({S_t}^j-S_{\min })& {S_t}^j\≤\stackrel{\‾}{S}\\ M^{\mathrm{undef}}\left({S_t}^j\right)={M_{\min }}^S+\frac{{M_{\max }}^S-{M_{\min }}^S}{\stackrel{\‾}{S}-S_{\max }}({S_t}^j-S_{\max })& {S_t}^j>\stackrel{\‾}{S}\end{array}\right.---\left(2\right)$

其中，

$\stackrel{\‾}{S}=\frac{S_{\min }+S_{\max }}{2};$

代表一系列距离无线传感器网络节点较远的目标的不确定信息函数；

代表一系列距离无线传感器网络节点较近的目标的不确定信息函数。

如图4中所示；

(c)对第j组观测值中的建立属于目标i的响应时间信任指派函数，由(T_min，M_min ^T)、(T_max，M_min ^T)来确定：

$\left\{\begin{array}{cc}{M}^i\left({T_t}^j\right)={M_{\min }}^T+\frac{{M_{\max }}^T-{M_{\min }}^T}{{\hat{T}}_t^i-T_{\min }}({T_t}^j-T_{\min })& {T_t}^j\≤{\hat{T}}_t^i\\ M^i\left({T_t}^j\right)={M_{\min }}^T+\frac{{M_{\max }}^T-{M_{\min }}^T}{{\hat{T}}_t^i-T_{\max }}({T_t}^j-T_{\max })& {T_t}^j>{\hat{T}}_t^i\end{array}\right.$ i，j＝1，2...N(3)

其中，

T_min为目标所引起的响应时间的最小值；

T_max为目标所引起的响应时间的最大值；

为目标所引起的响应时间的最小信任指派；

为目标所引起的响应时间的最大信任指派；

为由目标i引起的响应强度的预测值；

代表一系列速度较快的目标的信任指派函数；

代表一系列速度较慢的目标的信任指派函数。

如图5所示，其中代表一系列速度较快的车辆的信任指派函数，代表一系列速度较慢的车辆的信任指派函数；

(d)建立响应时间的不确定信息函数。当车速较快时，引起的响应时间较长，当车速较慢时，引起的响应时间较短，所以当响应时间较长/较短时，由0，速度较快/较慢的车辆会获得较高的信任值；然而当此时的响应时间T_t处于附近时，各种车辆的铁磁性物质含量及各种干扰因素的影响不可忽视，也即响应时间信息中的不确定性增加，因此根据(T_min，M_min ^T)、(T_max，M_min ^T)建立不确定信息函数如下：

$\left\{\begin{array}{cc}{M}^{\mathrm{undef}}\left({T_t}^j\right)={M_{\min }}^T+\frac{{M_{\max }}^T-{M_{\min }}^T}{\stackrel{\‾}{T}-T_{\min }}({T_t}^j-T_{\min })& {T_t}^j\≤\stackrel{\‾}{T}\\ M^{\mathrm{undef}}\left({T_t}^j\right)={M_{\min }}^T+\frac{{M_{\max }}^T-{M_{\min }}^T}{\stackrel{\‾}{T}-T_{\max }}({T_t}^j-T_{\max })& {T_t}^j>\stackrel{\‾}{T}\end{array}\right.$ i，j＝1，2N       (4)

其中，

$\stackrel{\‾}{T}=\frac{T_{\min }+T_{\max }}{2};$

代表一系列速度较快的目标的不确定信息函数；

代表一系列速度较慢的目标的不确定信息函数。

如图5中所示；

(e)对由a、b得到的指派值进行归一化操作。

$\left\{\begin{array}{c}{M}^i\left({S_t}^j\right)=\frac{M^i\left({S_t}^j\right)}{\underset{k=1}{\overset{k=N}{\mathrm{\Σ}}}{M}^k\left({S_t}^j\right)+M^{\mathrm{undef}}\left({S_t}^j\right)}\\ M^{\mathrm{undef}}\left({S_t}^j\right)=\frac{M^{\mathrm{undef}}\left({S_t}^j\right)}{\underset{k=1}{\overset{k=N}{\mathrm{\Σ}}}{M}^k\left({S_t}^j\right)+M^{\mathrm{undef}}\left({S_t}^j\right)}\end{array}\right.$ i，j＝1，2...N    (5)

(f)对由c、d得到的指派值进行归一化操作。

$\left\{\begin{array}{c}{M}^i\left({T_t}^j\right)=\frac{M^i\left({T_t}^j\right)}{\underset{k=1}{\overset{k=N}{\mathrm{\Σ}}}{M}^k\left({T_t}^j\right)+M^{\mathrm{undef}}\left({T_t}^j\right)}\\ M^{\mathrm{undef}}\left({T_t}^j\right)=\frac{M^{\mathrm{undef}}\left({T_t}^j\right)}{\underset{k=1}{\overset{k=N}{\mathrm{\Σ}}}{M}^k\left({T_t}^j\right)+M^{\mathrm{undef}}\left({T_t}^j\right)}\end{array}\right.$ i，j＝1，2...N    (6)

步骤4、以响应强度信息和响应时间信息作为证据，利用证据理论的证据组合规则得到综合信息。有

$M^i\left(O_t^j\right)=M^i\left(S_t^j\right)*M^i\left(T_t^j\right)+M^{\mathrm{undef}}\left(S_t^j\right)*M^i\left(T_t^j\right)+M^{\mathrm{undef}}\left(T_t^j\right)*M^i\left(S_t^j\right)$ i，j＝1，2...N    (7)

步骤5、关联准则。对第j组观测值j＝1，2...N，比较i＝1，2...N，选取其中最大的一项k(假定k，i，j＝1，2...N且k≠i)作为引起第j组观测的车辆，即将第j组观测关联到第k辆车；

步骤6、由卡尔曼滤波理论，执行状态更新，利用新的观测变量j＝1，2...N结合关联的车辆构造改进的后验估计并更新误差协方差P_k，将i＝1，2...N和P_k，传递给下一个时刻(t+1)的传感器节点。

本发明是在无线传感器网络多目标跟踪应用中，针对无线传感器网络本身固有的资源限制，以及由环境中各种干扰因素引起的观测值的不确定现象，利用证据理论的优势，实现对不确定信息的适当表示、并利用组合规则组合各种信息，利用组合后的综合信息进行数据关联，解决了无线传感器网络中多目标跟踪中关键的数据关联问题。

当然，本发明还可有其它多种实施例，在不背离本发明精神及其实质的情况下，熟悉本领域的技术人员当可根据本发明做出各种相应的改变和变形，但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。

Claims (9)

1.一种基于DS推理的无线传感器网络多目标跟踪数据关联方法，其特征在于，包括：

步骤1，利用前一个无线传感器网络节点发送的信息得到关于目标的预测信息，对当前无线传感器网络节点所观测到的不确定信息构建基本信任函数指派模型；

步骤2，根据所述基本信任函数指派模型，由证据理论的组合规则组合不同证据得到综合信息，根据综合信息实现数据关联；

所述步骤1中，包括：

为第i种不确定信息建立属于目标j的信任指派函数；

建立第i种不确定信息的不确定信息函数；

对为第i种不确定信息建立的信任指派函数以及不确定信息函数进行归一化处理；

其中，i＝1,2…M，j＝1,2…N，M为不确定信息的个数，N为待识别目标的个数；

所述为第i种不确定信息建立属于目标j的信任指派函数采用如下公式：

$\left\{\begin{array}{c}{M}^j\left({H_t}^k\right)={M_{\min }}^H+\frac{{M_{\max }}^H-{M_{\min }}^H}{{{\hat{H}}_t}^j-H_{\min }}({H_t}^k-H_{\min }){H_t}^k\≤{\hat{H}}_t^j\\ M^j\left({H_t}^k\right)={M_{\min }}^H+\frac{{M_{\max }}^H-{M_{\min }}^H}{{\hat{H}}_t^j-H_{\max }}({H_t}^k-H_{\max }){H_t}^k>{\hat{H}}_t^j\end{array}\right.j,k=\mathrm{1,2}...N$

其中，

H_t ^k表示在t时刻的第k组观测中第i种不确定信息，第i种不确定信息标记为H；

H_min为待识别目标引起的不确定信息H的最小值；

H_max为待识别目标引起的不确定信息H的最大值；

M_min ^H为待识别目标引起的不确定信息H的最小信任指派值；

M_max ^H为待识别目标引起的不确定信息H的最大信任指派值；

为t时刻第i种不确定信息H属于目标j的预测值；

M^j(H_t ^k)为t时刻第k组观测值中第i种不确定信息H属于目标j的信任值。

2.根据权利要求1所述的数据关联方法，其特征在于，

所述建立第i种不确定信息的不确定信息函数采用如下公式：

$\left\{\begin{array}{c}{M}^{\mathrm{undef}}\left({H_t}^k\right)={M_{\min }}^H+\frac{{M_{\max }}^H-{M_{\min }}^H}{\stackrel{\‾}{H}-H_{\min }}({H_t}^k-H_{\min }){H_t}^k\≤\stackrel{\‾}{H}\\ M^{\mathrm{umdef}}\left({H_t}^k\right)={M_{\min }}^H+\frac{{M_{\max }}^H-{M_{\min }}^H}{\stackrel{\‾}{H}-H_{\max }}({H_t}^k-H_{\max }){H_t}^k>\stackrel{\‾}{H}\end{array}\right.$

其中，

为t时刻第k组观测中第i种不确定信息H的不确定信息函数的值；

$\stackrel{\‾}{H}=\frac{H_{\min }+H_{\max }}{2}.$

3.根据权利要求2所述的数据关联方法，其特征在于，

所述对第i种不确定信息H所构建的信任指派函数以及不确定信息函数进行归一化处理采用如下公式：

$\begin{array}{c}{M}^j\left({H_t}^k\right)=\frac{M^j\left({H_t}^k\right)}{\underset{n=1}{\overset{n=N}{\mathrm{\Σ}}}{M}^n\left({H_t}^k\right)+M^{\mathrm{undef}}\left({H_t}^k\right)}\\ M^{\mathrm{undef}}\left({H_t}^k\right)=\frac{M^{\mathrm{undef}}\left({H_t}^k\right)}{\underset{n=1}{\overset{n=N}{\mathrm{\Σ}}}{M}^n\left({H_t}^k\right)+M^{\mathrm{undef}}\left({H_t}^k\right)}\end{array}j=\mathrm{1,2}..N.$

4.根据权利要求1-3任一所述的数据关联方法，其特征在于，

所述步骤2中，还包括：实现多组证据组合的步骤：

对于一组观测值O(H₁,H₂...H_M)，根据所构建的基本信任函数指派模型，得到M组证据，构成证据集P，记为P＝{A₁,A₂,A₃...A_M}，任选其中未组合的两组不同的证据A_i,A_j(i≠j)，按照证据理论中的两组证据组合规则进行组合得到新的证据，记为A_i'，并以A_i'替换A_i,A_j，作为证据集P中的一个元素，直至证据集P中只有一个元素，完成M组不同证据的证据组合。

5.根据权利要求4所述的数据关联方法，其特征在于，还包括：

根据证据组合后得到的综合信息，选取其中信任值最大的一项作为引起本组观测值的对象，从而实现数据关联。

6.根据权利要求4所述的数据关联方法，其特征在于，

当所述不确定信息包括响应强度、响应时间时，所述步骤1具体包括：

建立属于某目标的响应强度信任指派函数、响应时间信任指派函数；

建立响应强度的不确定信息函数、响应时间的不确定信息函数；

对所述响应强度信任指派函数、所述响应时间信任指派函数、所述响应强度的不确定信息函数、所述响应时间的不确定信息函数进行归一化处理。

7.根据权利要求6所述的数据关联方法，其特征在于，

建立所述响应强度信任指派函数采用以下公式：

$\left\{\begin{array}{c}{M}^i\left({S_t}^j\right)={M_{\min }}^S+\frac{{M_{\max }}^S-{M_{\min }}^S}{{{\hat{S}}_t}^i-S_{\min }}{{(S}_t}^j-S_{\min }){S_t}^j\≤{{\hat{S}}_t}^i\\ M^i\left({S_t}^j\right)={M_{\min }}^S+\frac{{M_{\max }}^S-{M_{\min }}^S}{{{\hat{S}}_t}^i-S_{\max }}({S_i}^j-S_{\max }){S_t}^j>{{\hat{S}}_t}^i\end{array}\right.i,j=\mathrm{1,2}...N$

其中，

S_min为目标所引起的响应强度的最小值；

S_max为目标所引起的响应强度的最大值；

为目标所引起的响应强度的最小信任指派值；

为目标所引起的响应强度的最大信任指派值；

为由目标i引起的响应强度的预测值；

代表一系列距离无线传感器网络节点较远的目标的信任指派函数；

代表一系列距离无线传感器网络节点较近的目标的信任指派函数；

建立所述响应时间信任指派函数采用以下公式：

$\left\{\begin{array}{c}{M}^i\left({T_t}^j\right)={M_{\min }}^T+\frac{{M_{\max }}^T-{M_{\min }}^T}{{{\hat{T}}_t}^i-T_{\min }}({T_t}^j-T_{\min }){T_t}^j\≤{\hat{T}}_t^i\\ M^j\left({T_t}^j\right)={M_{\min }}^T+\frac{{M_{\max }}^T-{M_{\min }}^T}{{\hat{T}}_t^i-T_{\max }}({T_t}^j-T_{\max }){T_t}^j>{\hat{T}}_t^i\end{array}\right.i,j=\mathrm{1,2}...N$

其中，

T_min为目标所引起的响应时间的最小值；

T_max为目标所引起的响应时间的最大值；

为目标所引起的响应时间的最小信任指派；

为目标所引起的响应时间的最大信任指派；

为由目标i引起的响应强度的预测值；

代表一系列速度较快的目标的信任指派函数；

代表一系列速度较慢的目标的信任指派函数。

8.根据权利要求7所述的数据关联方法，其特征在于，

建立所述响应强度的不确定信息函数采用以下公式：

$\left\{\begin{array}{c}{M}^{\mathrm{undef}}\left({S_t}^j\right)={M_{\min }}^S+\frac{{M_{\max }}^S-{M_{\min }}^S}{\stackrel{\‾}{S}-S_{\min }}({S_t}^j-S_{\min }){S_t}^j\≤\stackrel{\‾}{S}\\ M^{\mathrm{undef}}\left({S_t}^j\right)={M_{\min }}^S+\frac{{M_{\max }}^S-{M_{\min }}^S}{\stackrel{\‾}{S}-S_{\max }}({S_t}^j-S_{\max }){S_t}^j>\stackrel{\‾}{S}\end{array}\right.$

其中，

$\stackrel{\‾}{S}=\frac{S_{\min }+S_{\max }}{2};$

代表一系列距离无线传感器网络节点较远的目标的不确定信息函数；

代表一系列距离无线传感器网络节点较近的目标的不确定信息函数；

建立所述响应时间的不确定信息函数采用以下公式：

$\left\{\begin{array}{c}{M}^{\mathrm{undef}}\left({T_t}^j\right)={M_{\min }}^T+\frac{{M_{\max }}^T-{M_{\min }}^T}{{\stackrel{\‾}{T}-T}_{\min }}({T_t}^j-T_{\min }){T_t}^j\≤\stackrel{\‾}{T}\\ M^{\mathrm{undef}}\left({T_t}^j\right)={M_{\min }}^T+\frac{{M_{\max }}^T-{M_{\min }}^T}{{\stackrel{\‾}{T}-T}_{\max }}({T_t}^j-T_{\max }){T_t}^j>\stackrel{\‾}{T}\end{array}\right.i,j=\mathrm{1,2}...N$

其中，

$\stackrel{\‾}{T}=\frac{T_{\min }+T_{\max }}{2};$

代表一系列速度较快的目标的不确定信息函数；

代表一系列速度较慢的目标的不确定信息函数。

9.根据权利要求8所述的数据关联方法，其特征在于，

所述对所述响应强度信任指派函数、所述响应强度的不确定信息函数进行归一化处理采用如下公式：

$\left\{\begin{array}{c}{M}^i\left({S_t}^j\right)=\frac{M^i\left({S_t}^j\right)}{\underset{k=1}{\overset{k=N}{\mathrm{\Σ}}}{M}^k\left({S_t}^j\right)+M^{\mathrm{undef}}\left({S_t}^j\right)}\\ M^{\mathrm{undef}}\left({S_t}^j\right)=\frac{M^{\mathrm{undef}}\left({S_t}^j\right)}{\underset{k=1}{\overset{k=N}{\mathrm{\Σ}}}{M}^k\left({S_t}^j\right)+M^{\mathrm{undef}}\left({S_t}^j\right)}\end{array}\right.i,j=\mathrm{1,2}...N;$

所述对所述响应时间信任指派函数、所述响应时间的不确定信息函数进行归一化处理采用如下公式：

$\left\{\begin{array}{c}{M}^i\left({T_t}^j\right)=\frac{M^i\left({T_t}^j\right)}{\underset{k=1}{\overset{k=N}{\mathrm{\Σ}}}{M}^k\left({T_t}^j\right)+M^{\mathrm{undef}}\left({T_t}^j\right)}\\ M^{\mathrm{undef}}\left({T_t}^j\right)=\frac{M^{\mathrm{undef}}\left({T_t}^j\right)}{\underset{k=1}{\overset{k=N}{\mathrm{\Σ}}}{M}^k\left({T_t}^j\right)+M^{\mathrm{undef}}\left({T_t}^j\right)}\end{array}\right.i,j=\mathrm{1,2}...N.$