CN102830402B - 水下传感器网络目标跟踪系统及方法 - Google Patents

水下传感器网络目标跟踪系统及方法 Download PDF

Info

Publication number
CN102830402B
CN102830402B CN201210330673.4A CN201210330673A CN102830402B CN 102830402 B CN102830402 B CN 102830402B CN 201210330673 A CN201210330673 A CN 201210330673A CN 102830402 B CN102830402 B CN 102830402B
Authority
CN
China
Prior art keywords
target
moment
noise
network
node
Prior art date
Application number
CN201210330673.4A
Other languages
English (en)
Other versions
CN102830402A (zh
Inventor
曾庆军
张冬运
王彪
章飞
陈伟
Original Assignee
江苏科技大学
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by 江苏科技大学 filed Critical 江苏科技大学
Priority to CN201210330673.4A priority Critical patent/CN102830402B/zh
Publication of CN102830402A publication Critical patent/CN102830402A/zh
Application granted granted Critical
Publication of CN102830402B publication Critical patent/CN102830402B/zh

Links

Abstract

本发明公开了一种水下传感器网络目标跟踪系统和方法。系统包括陆上网络和水域网络,水域网络包括多个水下目标跟踪簇和一个水面处理中心,水下目标跟踪簇包括若干水下传感器节点和一个簇头节点。本发明在修正各个传感器节点所采集信号时延的基础上结合自适应UKF和PF对目标状态进行跟踪。修正时延降低了因传感器节点同一时刻采集的信号不同源所造成的跟踪误差,使跟踪更可靠;自适应UKF自动根据目标机动情况调整系统噪声加权系数以更贴切的描述目标实际运动状态,克服了目标运动模型在目标机动时有失准确性的缺点,并为粒子滤波提供了包含更多后验信息的重要性函数,减轻了粒子退化,提高了跟踪精度。

Description

水下传感器网络目标跟踪系统及方法

技术领域

[0001] 本发明涉及一种传感器网络系统,特别涉及一种水下传感器网络目标跟踪系统及方法,属于水下传感器网络信息处理技术领域。

背景技术

[0002] 海洋占了地球三分之二的表面积,对人类的生存和发展有着至关重要的意义。目前人类对海洋的了解和开发还只是初级阶段,怎样更深入地认识海洋,更合理的使用海洋资源是一件意义深远的事情。随着陆上无线传感器网络的不断成熟和发展,水下传感器网络作为陆上无线传感器网络向水下的延伸也不断发展。水下传感器网络提供了一个更全面和深刻认识和使用海洋资源的途径。水下被动目标跟踪无论在民事还是军事方面都有广阔的应用前景。被动跟踪只能利用目标的方位信息,传统的单站水下目标跟踪方法受到系统可观测性的限制,要想保证滤波收敛,载体的运动阶数必须高于目标运动阶数。在跟踪时,往往需要载体机动,制定机动策略,使算法复杂度增加,因此水下传感器网络需要解决这一技术问题,提闻跟踪精度和跟踪稳定性。

[0003] 由于和陆上传感器网络所面临环境不同,从通信方式到网络协议、拓扑结构等,水下传感器网络有着自己的特点,已有的陆上传感器网络技术不能照搬到水下传感器网络。水声通信的低速率、高误码率、低带宽、高时延以及水下环境复杂可变带来的不可靠性限制了水下传感器网络技术的发展。目前,面向水下传感器网络的的应用还不够成熟,大多数都停留在理论阶段,离实际应用还有一定距离。基于水下传感器网络的被动目标跟踪更是如此。水下传感器网络的被动目标跟踪属于非线性状态估计问题,实际环境中的噪声也多不符合高斯假设,上世纪90年代发展起来粒子滤波算法作为非线性非高斯问题目前的最合理解法在目标跟踪方面得到广泛应用。但是粒子滤波存在粒子退化问题,为了解决这个问题往往采用优选重要性密度函数和重采样的方法。优选重要性密度函数使重要性函数包含了更多的后验信息可以提高滤波精度,更快的跟踪目标状态变化。采用EKF (扩展卡尔曼滤波)或者UKF (无迹卡尔曼滤波)产生重要性密度函数的建议分布是常用的优选重要性密度函数的方法,其中UKF计算相对于简单,且在同阶的情况下能达到更高的精度。现有技术中,各种改进的粒子滤波算法对这些问题有所考虑,但是没有结合水下长时延的环境。水下传感器网络采用声通信的方式带来了信号延时的问题,由于声波在水中的传播速度低,信号时延大,时延带来的误差使得多个传感器测的数据不是目标同一时刻的信息,增大了跟踪误差。并且大多水下传感器网络目标跟踪滤波算法多假设目标运动方程的系统噪声为强度始终不变的高斯白噪声,不能很好地反映目标实际运动,尤其当目标机动时,这种噪声假设偏差更大,使滤波误差增大。大多数的算法研究也停留在二维平面范围内,没有考虑实际三维情况,和实际有一定差距。因此,针对水下特殊环境研究相适应的高精度的算法和相应的实用性强的应用系统是水下传感器网络目标跟踪的发展方向。

发明内容[0004] 本发明的目的在于提供一种水下传感器网络目标跟踪系统及方法,该系统能耗较低,通信量较小,实用性较强。在跟踪方法上以修正时延自适应UKF_PF算法克服水下声信号长时延带来的问题,以适应了水下环境,且能够自动适应目标机动,提高跟踪精度。

[0005] 本发明的目的通过以下技术方案予以实现:

[0006] 一种水下传感器网络目标跟踪系统,包括陆上网络部分和水域网络部分。

[0007] 所述水域网络部分包括多个水下目标跟踪簇I和一个水面处理中心2 ;所述每个水下目标跟踪簇I包括多个水下传感器节点3和一个簇头节点4,所述水下传感器节点3采集水下目标的辐射噪声,得到目标方位信息并将这些信息传递给簇头节点4 ;所述簇头节点4,接收水下传感器节点3传送过来的目标方位信息,估计目标状态并将目标状态信息上传至水面处理中心2 ;所述簇头节点4还适时对簇内的水下传感器节点3的工作状态进行调整,并向其它 簇头节点传递目标的状态信息以便用于下一时刻的状态估计。

[0008] 所述水面处理中心2,融合水下各个簇头节点传送来的局部航迹信息,形成对目标状态的整体估计,并将目标状态有关信息发送给陆上网络部分。

[0009] 所述陆上网络部分包括一个岸边基站5和多个远程指控中心6。

[0010] 所述岸边基站5,用于接收水面处理中心2传递来的目标状态信息并进行显示,并将目标状态有关信息连接至网络。

[0011] 所述远程指挥中心6,用于通过网络远程查看目标的各种状态信息,以服务于更高

一层的应用。

[0012] 一种水下传感器网络目标跟踪系统的水下簇头节点对目标状态的估计方法,该方法为修正时延自适应UKF_PF算法,包括如下步骤:

[0013] (I)初始化,建立目标运动模型并给目标状态赋初值

[0014] 建立目标的运动模型为匀速模型,将目标的加速度假设为过程噪声,并引入噪声权系数来反映目标机动或环境变化带来的过程噪声强度的变化,设目标加速度为零均值高斯分布,目标运动方程为X(k+l)=AX(k) + r (k)Bw(k),观测方程为,Z (k) =H (X (k)) +V (k),其中 X (k) = [x (k) y (k) z (k) vx (k) vy (k) vz (k) ]T 为目标 k 时刻的状态,X (k)、y (k)、z (k)为目标k时刻的位置坐标,vx (k)、vy (k)、vz (k)为k时刻目标在X、y、z轴的速度;Z (k) = [ Θ工(k),…,Θ N (k)]为k时刻簇内η个传感器节点的

测量值

Figure CN102830402BD00061

η组成的矩阵,ΦίΟΟ为方位角,为俯仰角, W(k)为k时刻的过程噪声,v(k)为k时刻的测量噪声,

Figure CN102830402BD00062

为系统矩阵,

Figure CN102830402BD00071

为控制矩阵,Ts是目标跟踪间隔时间,

Figure CN102830402BD00072

为测量方

程矩阵,X1、l1、Zi 为簇内第 i 个传感器位置坐标,r (k)=diag(qx(k)qx(k)qy(k)qy(k)qz(k)qz(k)},是过程噪声的权系数矩阵,可根据目标机动程度自动调整以改变系统噪声的强度,qx(k)、qy(k)、qz(k)分别是x、y、z方向的权系数,可取不同值以反映各个方向上目标机动的不同,给出目标初始状态估计Xtl,初始状态分布P(Xtl),产生初始粒子集,.ίΚ,Η0,其中X'f> ~ P(X0),权值< =I / N, i=l,…,N ;

[0015] (2)进行目标状态估计

[0016] 步骤(2)进一步包括如下步骤:

[0017] (21)修正时延

[0018] 根据上一时刻目标位置

Figure CN102830402BD00073

其中TiQO是k时刻目标辐射噪声传递到簇内第i个传感器节点所需时间,x(k-1)、y(k-l)、z(k-l)为估计得出的目标上一时刻在X、y、z轴的位置,c为声波在水下的传播速度,以簇头节点为参考,取出当前时刻用于目标状态估计的各个节点方位信息,{ Θ i (k+ ( τ i (k) - τ ^ (k)) /Ts)},其中τ ^ (k)为k时刻目标到簇头节点的时延,计算出当前目标状态估计的时间间隔,Ts-( τ Jk)- τ Jk-1)),用其代替原来目标运动模型中的时间间隔Ts ;

[0019] (22)根据量测残差自动调整权系数

[0020] 对每个采样得到的粒子引入中间参量,4 =ag;(k) + fi(v;m-s'J/i)XT 、

Figure CN102830402BD00074

其中

Figure CN102830402BD00075

的对角线元素,表示残差在三维空间X、y、Z方向上的方差,/t-s.是第i个粒子用标准UKF计算得到的量测残差协方差矩阵;QXX、Qyy、Qzz为过程噪声协方差阵对角线上的值,表示X、1、z方向上的方差,α+β=1, β越大,对目标机动的自适应能力越强;若次>0»则g.沿+ 1} = 2>否则i{:-(k + l) = 0,同理可得<# + 1)、q':(—k + l),既得到了第i个粒子所对应下一时刻噪声权系数矩阵

Figure CN102830402BD00076

[0021] (23)对于每个粒子用自适应UKF算法计算估计值^和方差,状态预测协方差矩阵在标准UKF算法所得结果的基础上加上,其它预测更新过程同标准UKF滤波算法;[0022] (24)对于每个粒子,采样得到新的粒子并计算权值

Figure CN102830402BD00081

’其中重要性密度函数

Figure CN102830402BD00082

表示从开始到第k时刻观测值的集合;

[0023] (25)判断是否需要重釆样,若

Figure CN102830402BD00083

小于事先确定的阈值则进入步骤

(26),否则令

Figure CN102830402BD00084

,进入步骤(27);

[0024] (26)重采样,生成新的粒子集合"[1丨:,/' = 1,…*且满足Pr(Zi=l^ = H丨,式中Pr O表示概率,重新定义权值4 = 11 N ί

[0025] (27)为解决重采样引起的粒子耗尽问题,引入马尔科夫链蒙特卡洛移动(MCMC)步骤;

[0026] (28) g标状态估计和估计方差更新:

Figure CN102830402BD00085

[0027] (29)进入下一时刻,重复步骤(21) — (28)。

[0028] 与现有技术相比,本发明的有益效果是:

[0029] 1.水下传感器网络簇内每个节点在不同位置对目标进行观测,相当于单站测量时载体机动到不同位置,克服了单站测量中目标状态不可测问题,避免了机动策略的制定,同时多传感器同时测量也提高了跟踪精度和对数据丢失的鲁棒性。

[0030] 2.在目标运动过程中每一阶段只有一个簇内的节点对其辐射噪声进行采集并计算得到方位角信息,其他簇内节点都处于休眠状态,节省了节点能耗,提高了节点寿命。

[0031] 3.传感器节点只向簇头节点传递目标方位角信息,各个簇头节点之间只传递后验概率密度函数和粒子集,簇头节点只向水面基站传递目标状态信息和协方差,整体通信量小,适应水下通信带宽低的环境特点。

[0032] 4.针对水下声信号通信速度慢,辐射噪声从目标到各个测量节点的传输时延不同的问题,本发明以簇头节点为时间参考节点对齐了各个节点的测量值,减小了因为时延带来的跟踪误差,适应通信延时大的环境。

[0033] 5.本发明利用自适应UKF算法预测目标状态及方差,重要性密度函数的生成充分利用了当前观测信息,提高了粒子集的精度,并且能够自动调整系统噪声权系数以适应目标运动实际运动状态,减小了目标机动时的跟踪误差,且重采样只在满足一定条件才进行,减少了粒子数,提高了计算速度。

附图说明

[0034] 图1是本发明水下传感器网路目标跟踪系统图;

[0035] 图2是本发明水下传感器节点硬件框图;

[0036] 图3是本发明水下传感器网络功能层次划分图;

[0037] 图4是本发明水下目标跟踪簇工作流程图;[0038] 图5是本发明水面基站的航迹融合示意图;

[0039] 图6是本发明修正时延自适应UKF-PF算法流程图;

[0040] 图7是本发明通信时延示意图。

具体实施方式

[0041] 下面结合附图和具体实施例对本发明作进一步说明。

[0042] 如图1所示,一种水下传感器网络目标跟踪系统,包括陆上网络部分和水域网络部分。

[0043] 所述水域网络部分包括多个水下目标跟踪簇I和一个水面处理中心2 ;所述每个水下目标跟踪簇I包括多个水下传感器节点3和一个簇头节点4,所述水下传感器节点3采集水下目标的辐射噪声,得到目标方位信息并将这些信息传递给簇头节点4 ;所述簇头节点4,接收水下传感器节点3传送过来的目标方位信息,利用修正时延自适应UKF-PF算法估计目标状态并将目标状态信息上传至水面处理中心2 ;所述簇头节点4还适时对簇内的水下传感器节点3的工作状态进行调整,并向其它簇头节点传递目标的状态信息以便用于下一时刻的状态估计。

[0044] 所述水面处理中心2,融合水下各个簇头节点传送来的局部航迹信息,形成对目标状态的整体估计,并将目标状态有关信息发送给陆上网络部分。

[0045] 所述陆上网络部分包括一个岸边基站5和多个远程指控中心6。

[0046] 所述岸边基站5,用于接收水面处理中心2传递来的目标状态信息并进行显示,并将目标状态有关信息连接至网络。

[0047] 所述远程指挥中心6,用于通过网络远程查看目标的各种状态信息,以服务于更高

一层的应用。

[0048] 水域网络通过水声无线通信方式组网和通信,陆上网络通过无线电波通信。陆上基站和远程指挥中心可以实时产看目标运动状态,同时水面上的船只还可以通过无线电波方式和水面处理中心通信,得到实时的目标运动信息,以便各种应用。

[0049] 水下传感器节点布放在海底,并且装备有一个浮标,浮标可以拉着水下传感器节点移向海洋表面。水下传感器节点的深度可以利用水下传感器节点自带的电子设备调节浮标拉着的水下传感器节点绳子的长度来控制。各个传感器节点在三维海洋空间中组成立体传感器网络。传感器节点硬件组成框图如图2所示,换能器和调制解调器模块负责组网相关和数据传输相关的通信工作;传感器和数据采集接口负责采集目标辐射噪声并得到目标的方位角信息;存储模块可以存储采集到目标信和和其它关键数据;控制器协调控制整个传感器节点的工作;电源负责给传感器节点的各个部分提供能量。

[0050] 水域网络层次结构如图3所示。物理层负责基本的调制解调工作,数据链路层解决了节点接入网络的问题,路由层选择从源节点到目的节点的路由途径,传输层保证数据传输的可靠性,节点时间同步和定位为上层应用提供支撑,目标跟踪属于具体应用。

[0051] 本实施例按照本发明提供的水下传感器网络目标跟踪工作步骤,对水下航行器进行目标跟踪。

[0052] 水域网络部分中的水下目标跟踪簇的工作流程如图4所示,步骤如下:

[0053] (I)完成网络配置并进行网络初始化。水面处理中心可通过无线方式和卫星通信,用GPS方式得到自己的地理位置,并为系统提供基准时间标准。按照最小ID分簇方法划分簇并选择簇头节点,簇头节点以水面处理中心为参照对准自己的时间和位置坐标,簇内传感器节点以簇头节点为基准对准自己的时间和位置坐标。

[0054] (2)簇头节点根据是否在本簇范围内检测到目标或者是否有相邻簇头节点传送来的相关目标状态信息来决定是否启动簇内节点进行目标跟踪。如果检测到目标或者有传送来的信息,则进入步骤(3),否则继续等待。

[0055] (3)簇头节点唤醒簇内休眠节点,簇内传感器节点采集目标辐射噪声,得到目标方位信息,并将这些信息发送给簇头节点。

[0056] (4)簇头节点依据传感器节点传送来的目标方位信息用修正时延自适应UKF-PF算法估计目标状态,将当前时刻目标状态传送给水面基站。

[0057] (5)簇头节点监测目标是否超出的本簇的跟踪范围,若没有超出本簇跟踪范围则重复步骤(2) — (4),若超出则进入步骤(6)。

[0058] (6)簇头节点选择距离自己最近的簇头节点为下一个簇头节点,将目标当前时刻状态估计相关信息、后验概率密度函数和粒子集传递给下一个簇头节点,并将本簇内节点状态调整到休眠。

[0059] (7)重复步骤(2) — (6)。

[0060] 水域网络部分中的水面基站将接收到目标当前时刻状态将其作为初始状态(刚开始跟踪)或者将其和已有 目标过去时刻状态进行融合(已经跟踪一段时间)得到目标从开始到当前时刻的全部状态,包括航迹、速度等,并将这些信息实时传送给岸边基站。水面基站的航迹融合示意图如图5所示。

[0061] 陆上网络部分中的岸边基站实时接收水面基站传送过来的目标状态信息,并将这些信息连入已有的陆上网络,远程指控中心可以实时产看目标状态信息,并根据这些信息做进一步的闻层应用,如态势评估等。

[0062] 步骤(4)所用到的自适应UKF_PF算法流程如图6所示,进一步包括:

[0063] ( I)初始化,建立目标运动模型并给目标状态赋初值:

[0064] 建立目标的运动模型为匀速模型,将目标的加速度假设为过程噪声,并引入噪声权系数来反映目标机动或环境变化带来的过程噪声强度的变化。设目标加速度为零均值高斯分布,目标运动方程为X(k+l)=AX(k) + r (k)Bw(k),观测方程为,Z (k) =H (X (k)) +V (k)。其中 X (k) = [x (k) y (k) z (k) vx (k) vy (k) vz (k) ]T 为目标 k 时亥Ij 的状态,X (k)、y (k)、z (k)为目标k时刻的位置坐标,vx (k)、vy (k)、vz (k)为k时刻目标在X、y、z轴的速度;Z (k) = [ Θ工(k),…,Θ N (k)]为k时刻簇内η个传感器节点的

测量值

Figure CN102830402BD00101

组成的矩阵,CtiGO为方位角,供(幻为俯仰角;

W(k)为k时刻的过程噪声,v(k)为k时刻的测量噪声

Figure CN102830402BD00102

为系统矩阵,

Figure CN102830402BD00111

为控制矩阵,Ts是目标跟踪间隔时间;

Figure CN102830402BD00112

程矩阵,X1、l1、Zi 为簇内第 i 个传感器位置坐标;r (k)=diag{qx(k)qx(k)qy(k)qy(k)qz(k)qz(k)},是过程噪声的权系数矩阵,可根据目标机动程度自动调整以改变系统噪声的强度,qx(k)、qy(k)、qz(k)分别是x、y、z方向的权系数,可取不同值以反映各个方向上目标机动的不同。给出目标初始状态估计Xtl,初始状态分布P(Xtl),产生初始粒子集,.[,其中C ~ P(X0),权值= I I N, i=l,…,No

[0065] ( 2 )进行目标状态估计。

[0066] 步骤(2)进一步包括如下步骤:

[0067] (21)修正时延:

[0068]根据上一时亥 Ij 目标位置

Figure CN102830402BD00113

其中TiQO是k时刻目标辐射噪声传递到簇内第i个传感器节点所需时间,x(k-1)、y(k-l)、z(k-l)为估计得出的目标上一时刻在x、y、z轴的位置,c为声波在水下的传播速度。目标到各传感器的时延如图7所示。以簇头节点为参考,取出当前时刻用于目标状态估计的各个节点方位信息,{©^+(hGO-hGOVTs)},其中TtlGO为k时刻目标到簇头节点的时延。计算出当前目标状态估计的时间间隔,Ts-( TtlGO-τ ^k-1)),用其代替原来目标运动模型中的时间间隔Ts。

[0069] (22)根据量测残差自动调整权系数:

[0070] 对每个采样得到的粒子引入中间参量,I: = aq;(k) + fi(v;(k)-sJ/Qvy 、4=aq;(k) + fi(v;(k)^SJ/Q}j 、 4 = aql(k) + β(ν》(k)- sj 丨 Q: » 其中v{k) = H^l(X'k)-Z(k),s' xx、s' yy、s'益为义#) = //—1(/^)(/^是第1个粒子用标准UKF计算得到的量测残差协方差矩阵)的对角线元素,表示残差在三维空间X、y、z方向上的方差,Qxx> Qyy> Qzz为过程噪声协方差阵对角线上的值,表示X、1、z方向上的方差,α+β=ΐ, β越大,对目标机动的自适应能力越强。若i>0»则<(A + i) = l:,否则q'x(k+ 1) = 0,同理可得fj# + 】.) ^q:(k + l),既得到了第i个粒子所对应下一时刻噪声权系数矩阵「1.+1 =diag{f;(A-+l) q'x(k+l) q'y{k+l) q\\kn) q'^k+l) q'z(k+\)} o

[0071] (23)对于每个粒子用自适应UKF算法计算估计值il.和方差Σ.(1,状态预测协方差矩阵在标准UKF算法所得结果的基础上加上ί;ρηΤ,其它预测更新过程同标准ukf滤波算法。[0072] (24)对于每个粒子,采样得到新的粒子文I ~ N(父Ά ),并计算权值

Figure CN102830402BD00121

其中重要性密度函数

Figure CN102830402BD00122

表示从开始到第k时刻的观测值的集合。 [0073] (25)判断是否需要重采样,若

Figure CN102830402BD00123

小于总粒子数的三分之一则进入步骤

(26),否则令

Figure CN102830402BD00124

,进入步骤(27)。

[0074] (26)用残差重采样法进行重采样,生成新的粒子集合= …AfP且满足Pr(X.=1;) = H.;(Pr O表示概率,),重新定义权值< =I/ A1.[0075] (27)为解决重采样引起的粒子耗尽问题,引入马尔科夫链蒙特卡洛移动(MCMC)步骤。

[0076] (28)目标状态估计和方差更新:

Figure CN102830402BD00125

[0077] (29)进入下一时刻,重复步骤(21) — (28)。

[0078] 除上述实施例外,本发明还可以有其他实施方式,凡采用等同替换或等效变换形成的技术方案,均落在本发明要求的保护范围内。

Claims (1)

1.一种水下传感器网络目标跟踪系统的水下簇头节点对目标状态的估计方法,水下传感器网络目标跟踪系统包括陆上网络部分和水域网络部分;所述水域网络部分包括多个水下目标跟踪簇(I)和一个水面处理中心(2);每个水下目标跟踪簇(I)包括多个水下传感器节点(3)和一个簇头节点(4),所述水下传感器节点(3)采集水下目标的辐射噪声,得到目标方位信息并将这些信息传递给簇头节点(4);所述簇头节点(4),接收水下传感器节点(3)传送过来的目标方位信息,估计目标状态并将目标状态信息上传至水面处理中心(2);所述簇头节点(4)还对簇内的水下传感器节点(3)的工作状态进行调整,并向其它簇头节点传递目标的状态信息以便用于下一时刻的状态估计;所述水面处理中心(2),融合水下各个簇头节点传送来的局部航迹信息,形成对目标状态的整体估计,并将目标状态有关信息发送给陆上网络部分;所述陆上网络部分包括一个岸边基站(5)和多个远程指控中心(6);所述岸边基站(5),用于接收水面处理中心(2)传递来的目标状态信息并进行显示,并将目标状态有关信息连接至网络;所述远程指挥中心(6),用于通过网络远程查看目标的各种状态信息,以服务于更高一层的应用;所述的水下传感器网络目标跟踪系统的水下簇头节点对目标状态的估计方法为修正时延自适应UKF_PF算法,其特征在于,包括如下步骤: (I)初始化,建立目标运动模型并给目标状态赋初值 建立目标的运动模型为匀速模型,将目标的加速度假设为过程噪声,并引入噪声权系数来反映目标机动或环境变化带来的过程噪声强度的变化,设目标加速度为零均值高斯分布,目标运动方程为X(k+1) = AX(k) + r (k)Bw(k),观测方程为,Z(k)=H (X (k)) +V (k),其中 X (k) = [X (k) y (k) z (k) vx (k) vy (k) vz (k) ]T 为目标 k 时刻的状态,X (k)、y (k)、z (k)为目标k时刻的位置坐标,vx (k)、vy (k)、vz (k)为k时刻目标在X、y、z轴的速度;Z(k) = [ Θ J (k),..., ©n(k)]为k时刻簇内η个传感器节点的测量值
Figure CN102830402BC00021
j = l,...,n组成的矩阵,Φ#)为方位角,μ、为俯仰角,W(k)为k时刻的过程噪声,v(k)为k时刻的测量噪声
Figure CN102830402BC00022
为系统矩阵,
Figure CN102830402BC00023
为控制矩阵,Ts是目标跟踪间隔时间,
Figure CN102830402BC00031
为测量方程矩阵,Xj> Yj> Zj为簇内第j个传感器位置坐标,r (k) = diag{qx(k) qx(k) qy(k) qy(k)qz (k) qz (k)},是过程噪声的权系数矩阵,可根据目标机动程度自动调整以改变系统噪声的强度,qx(k)、qy(k)、qz(k)分别是X、y、z方向的权系数,可取不同值以反映各个方向上目标机动的不同,给出目标初始状态估计X。,初始状态分布P (X0),产生初始粒子集,{叉>0},其中 < ~ p(X0),权值》4 =UNJ = 1-,N ; (2)进行目标状态估计 步骤(2)进一步包括如下步骤: (21)修正时延 根据上一时刻目标位置计算
Figure CN102830402BC00032
,其中、(k)是 k 时刻目标辐射噪声传递到簇内第j个传感器节点所需时间,x(k-l)、y(k-l)、z(k-l)为估计得出的目标上一时刻在X、1、z轴的位置,c为声波在水下的传播速度,以簇头节点为参考,取出当前时刻用于目标状态估计的各个节点方位信息{Oj(k+(Tj(k)-T(l(k))/TS)},其中τ Jk)为k时刻目标到簇头节点的时延,计算出当前目标状态估计的时间间隔Ts-(x0(k)-T0(k-l)),用其代替原来目标运动模型中的时间间隔Ts ; (22)根据量测残差自动调整权系数 对每个采样得到的粒子引入中间参量
Figure CN102830402BC00033
Figure CN102830402BC00034
其中v{k)^H-\X[)-Z{k), s' ^s' ”、s' zz 为 = 的对角线元素,表示残差在三维空间X、y、z方向上的方差,PU是第i个粒子用标准UKF计算得到的量测残差协方差矩阵;QXX、Qyy > Qzz为过程噪声协方差阵对角线上的值,表不X、Y、Z方向上的方差,α + β=1,β越大,对目标机动的自适应能力越强;若1>0,则i/丨α + 1) = 1ί,否则<(Λ+1) = 0,同理可得<»+1)、<认+ 1),即得到了第i个粒子所对应下一时刻噪声权系数矩阵
Figure CN102830402BC00035
(23)对于每个粒子用自适应UKF算法计算估计值g和方差Σ<丨,状态预测协方差矩阵在标准UKF算法所得结果的基础上加上ΙΌ';/ ί其它预测更新过程同标准UKF滤波算法; (24)对于每个粒子,采样得到新的粒子M1-N(KXn),并计算权值
Figure CN102830402BC00041
,其中重要性®度函数! I Iik^Zkt) = N(XiXii), τ'..k表示从开始到第k时刻观测值的集合; (25)判断是否需要重釆样,若
Figure CN102830402BC00042
小于事先确定的阈值则进入步骤(26),否 i=i则令
Figure CN102830402BC00043
进入步骤(27); (26)重采样,生成新的粒子集合0;.,/:= 1,-*沒1,且满足?1'(1丨=尤)= <,式中?1'()表示概率,重新定义权值wj =IfN ί(27)为解决重采样引起的粒子耗尽问题,引入马尔科夫链蒙特卡洛移动(MCMC)步骤; (28)目标状态估计和估计方差更新:
Figure CN102830402BC00044
(29)进入下一时刻,重复步骤(21)-(28)。
CN201210330673.4A 2012-09-10 2012-09-10 水下传感器网络目标跟踪系统及方法 CN102830402B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201210330673.4A CN102830402B (zh) 2012-09-10 2012-09-10 水下传感器网络目标跟踪系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201210330673.4A CN102830402B (zh) 2012-09-10 2012-09-10 水下传感器网络目标跟踪系统及方法

Publications (2)

Publication Number Publication Date
CN102830402A CN102830402A (zh) 2012-12-19
CN102830402B true CN102830402B (zh) 2014-09-10

Family

ID=47333597

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201210330673.4A CN102830402B (zh) 2012-09-10 2012-09-10 水下传感器网络目标跟踪系统及方法

Country Status (1)

Country Link
CN (1) CN102830402B (zh)

Families Citing this family (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103152791B (zh) * 2013-01-29 2015-08-19 浙江大学 一种基于水下无线传感器网络的目标跟踪方法
CN104426733B (zh) * 2013-08-26 2019-04-23 中国科学院声学研究所 一种水下多浮标网络的组网与异常处理方法
CN103491148A (zh) * 2013-09-12 2014-01-01 江苏科技大学 移动式深海养殖监控系统
CN103634570A (zh) * 2013-11-22 2014-03-12 江苏科技大学 海滨浴场人员定位求生报警系统
CN103645487B (zh) * 2013-12-06 2017-04-05 江苏科技大学 水下多目标跟踪方法
CN105334492B (zh) * 2014-06-27 2018-03-27 日本电气株式会社 基于传感器网络的目标跟踪方法及装置
CN104331087B (zh) * 2014-10-24 2017-05-10 浙江大学 一种鲁棒的水下传感器网络目标跟踪方法
CN106154274B (zh) * 2015-04-10 2018-10-02 中国科学院声学研究所 一种水下小目标多基地融合跟踪方法
CN106154275B (zh) * 2015-04-10 2018-10-02 中国科学院声学研究所 一种水下小目标的跟踪方法
CN105242275B (zh) * 2015-09-29 2017-08-29 燕山大学 基于一致性估计与休眠调度的水下目标协同追踪方法
CN106569179B (zh) * 2016-11-08 2019-04-30 东南大学 一种基于遗传粒子滤波算法的水下目标跟踪定位方法
CN108990090B (zh) * 2018-06-29 2020-04-10 浙江大学 一种面向水下目标检测的水声传感网络媒体接入控制方法
CN109061652B (zh) * 2018-07-04 2020-11-20 中国船舶工业系统工程研究院 一种水声组网探测系统的探测效能评估方法
CN109470235B (zh) * 2018-10-23 2020-05-22 浙江大学 一种基于动态簇的水下多传感器协作被动跟踪方法
CN110191422B (zh) * 2019-04-09 2020-09-04 上海海事大学 海洋水下传感器网络目标跟踪方法
CN110167124B (zh) * 2019-05-21 2020-07-07 浙江大学 一种自适应传输功率的水下无线传感器网络目标跟踪方法
CN110049440B (zh) * 2019-06-06 2020-12-25 皖西学院 一种水下无线传感网同步与定位方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101644758A (zh) * 2009-02-24 2010-02-10 中国科学院声学研究所 一种目标定位跟踪系统及方法
CN102256381A (zh) * 2011-04-07 2011-11-23 江苏科技大学 分布式自适应粒子滤波的无线传感器网络目标跟踪方法
CN102280013A (zh) * 2011-07-11 2011-12-14 江苏科技大学 基于无线传感器网络的海洋环境远程监测预警系统及方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI418159B (zh) * 2010-06-14 2013-12-01 Univ Nat Taiwan 水中無線感測器

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101644758A (zh) * 2009-02-24 2010-02-10 中国科学院声学研究所 一种目标定位跟踪系统及方法
CN102256381A (zh) * 2011-04-07 2011-11-23 江苏科技大学 分布式自适应粒子滤波的无线传感器网络目标跟踪方法
CN102280013A (zh) * 2011-07-11 2011-12-14 江苏科技大学 基于无线传感器网络的海洋环境远程监测预警系统及方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于水声传感器网络的目标纯方位运动分析;王彪 等;《中国造船》;20110331;第52卷(第1期);全文 *
王彪 等.基于水声传感器网络的目标纯方位运动分析.《中国造船》.2011,第52卷(第1期),

Also Published As

Publication number Publication date
CN102830402A (zh) 2012-12-19

Similar Documents

Publication Publication Date Title
CN104764457B (zh) 一种用于无人车的城市环境构图方法
CN104316045B (zh) 一种基于sins/lbl的auv水下交互辅助定位系统及定位方法
Liu et al. Improving positioning accuracy using GPS pseudorange measurements for cooperative vehicular localization
CN102519450B (zh) 一种用于水下滑翔器的组合导航装置及方法
Shen et al. Network navigation: Theory and interpretation
Rabbat et al. Decentralized source localization and tracking [wireless sensor networks]
CN104215249B (zh) 一种行车轨迹的平滑方法
Steere et al. Research challenges in environmental observation and forecasting systems
CN102540216B (zh) 一种自适应跟踪环路及实现方法
CN101109804B (zh) 一种对无线传感器网络进行三维快速定位的系统和方法
Zhang et al. Landscape-3d; a robust localization scheme for sensor networks over complex 3d terrains
Leonard et al. Collective motion, sensor networks, and ocean sampling
US7821453B2 (en) Distributed iterative multimodal sensor fusion method for improved collaborative localization and navigation
CN103105611B (zh) 一种分布式多传感器智能信息融合方法
Yoon et al. Cooperative search and survey using autonomous underwater vehicles (AUVs)
CN101965052B (zh) 基于最优信标组的无线传感网节点定位方法
CN101483818B (zh) 一种水下无线传感器网络节点的三维定位方法
Webster et al. Decentralized extended information filter for single-beacon cooperative acoustic navigation: Theory and experiments
Yan et al. Asynchronous localization with mobility prediction for underwater acoustic sensor networks
Detweiller et al. An underwater sensor network with dual communications, sensing, and mobility
Johnson et al. Ultra-Wideband Aiding of GPS for Quick Deployment of Anchors in a GPS-denied Ad-hoc Sensor Tracking and Communication System
CN100582670C (zh) 一种车辆自组网系统的定位子系统及定位方法
Bahr et al. Cooperative localization for autonomous underwater vehicles
CN100495066C (zh) 无高稳定频标的水下gps定位导航方法及其系统
CN103338516B (zh) 一种基于总体最小二乘的无线传感器网络两步定位方法

Legal Events

Date Code Title Description
PB01 Publication
C06 Publication
SE01 Entry into force of request for substantive examination
C10 Entry into substantive examination
GR01 Patent grant
C14 Grant of patent or utility model
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20140910

Termination date: 20170910

CF01 Termination of patent right due to non-payment of annual fee