CN103096444B - 一种基于传感器节点策略选择的水下无线传感器网络目标跟踪方法 - Google Patents

Abstract

本发明公开了一种基于传感器节点策略选择的水下无线传感器网络目标跟踪方法。该方法首先根据运动目标的初始位置估计和方差估计选择离初始位置估计距离最近的节点作为处理节点，再以该节点为圆心，标准差估计的三倍距离为半径选择观测节点，当观测节点位置与目标位置距离小于传感器的观测范围时传送观测数据给处理节点，处理节点根据观测值运用卡尔曼滤波估计目标位置估计值和方差估计值。再根据目标位置估计值选择距离最近的传感器节点作为下一时刻的处理节点，上一时刻的处理节点的位置估计值和方差估计值传送给当前处理节点，直到运动目标超出了水下传感器网络的跟踪范围。本发明有效降低了水下无线传感器网络目标跟踪的能耗和通信负载。

Description

一种基于传感器节点策略选择的水下无线传感器网络目标跟踪方法

技术领域

本发明涉及一种传感器节点策略选择的水下无线传感器网络目标跟踪方法

背景技术

水下无线传感器网络是指在一定的水域中部署大量的传感器节点和自主车协作监测和采集周围环境感兴趣数据的网络，传感器节点能够自组织地建立起网络并进行声通信，经过数据融合技术，指定节点将获取的数据传送到水面或者岸基的控制中心，这样就实现了水下传感器网络与陆地通信网络的融合。水下传感器通常具有低功耗、传输距离短的特点。

水下目标跟踪是水下传感器网络的一个重要应用。水下传感器网络具有节点分布广、数量多，节点间可以相互协作、交换数据，可扩展性强等特点，这有利于扩大目标的跟踪范围、加强目标跟踪的可靠性和实时性。

在机动目标的行进路线上分布着众多的传感器节点，很多传感器节点与目标的距离比较遥远，其测量信息被传送到处理节点时往往存在着延时、失真等问题。这些测量信息对目标轨迹估计的帮助往往可以忽略。这样的节点在大规模水下传感器网络中是占绝大多数的，如果长时间使上述节点保持工作状态，不仅使产生的无用信息严重侵占本已十分宝贵的水下信道频谱资源，而且造成这些节点能源的浪费。水下传感器节点一般采用蓄电池供电，由于环境复杂，蓄电池的工作寿命一般是一次性的，能源的限制严重降低了传感器的工作时间。因此将有限的能源用于有效的探测尤其显得重要。

发明内容

本发明的目的是克服现有技术的不足，提供一种基于传感器节点策略选择的水下无线传感器网络目标跟踪方法。

基于传感器节点策略选择的水下无线传感器网络目标跟踪方法步骤如下：

1)初始化水下无线传感器网络，使所有传感器节点都具有同一规格，并且都处于工作状态；

2)设定目标初始状态估计值和初始方差估计值；

3)k时刻选择距离目标状态估计值最近的传感器节点作为处理节点；

4)k时刻选择距离处理节点三倍标准差范围内的传感器节点作为观测节点；

5)k时刻选择传感器节点观测范围大于观测节点与目标位置估计的传感器节点发送观测数据到处理节点；

6)k时刻处理节点运用卡尔曼滤波估计目标位置估计和方差估计；

7)k时刻自加1，目标移动到另一个位置，按照步骤3)选择处理节点

8)重复步骤3)-步骤7)，直至目标脱离水下传感器网络的覆盖区域为止。

本发明有效降低了水下无线传感器网络目标跟踪的能耗和通信负载。

附图说明

图1是本发明的传感器节点选择示意图。

具体实施方式

基于传感器节点策略选择的水下无线传感器网络目标跟踪方法的步骤如下：

1)初始化水下无线传感器网络，使所有传感器节点都具有同一规格，并且都处于工作状态；

2)设定目标初始状态估计值和初始方差估计值；

3)k时刻选择距离目标状态估计值最近的传感器节点作为处理节点；

4)k时刻选择距离处理节点三倍标准差范围内的传感器节点作为观测节点；

5)k时刻选择传感器节点观测范围大于观测节点与目标位置估计的传感器节点发送观测数据到处理节点；

6)k时刻处理节点运用卡尔曼滤波估计目标位置估计和方差估计；

7)k时刻自加1，目标移动到另一个位置，按照步骤3)选择处理节点

8)重复步骤3)-步骤7)，直至目标脱离水下传感器网络的覆盖区域为止。

实施例

步骤101：初始化水下无线传感器网络，在水下环境内均匀播撒无线传感器网络节点，所有节点都具有统一的规格，如通信距离、探测距离等，所有节点都处于工作状态，保持探测功能，但是可以关闭通信功能，所有节点都必须知道位置数据。

步骤102：在k＝0时刻，根据目标的初始分布设定目标初始位置估计值和初始方差估计值。

步骤103：在k时刻，存在一个对目标位置估计的椭圆区域。通过上一时刻的卡尔曼滤波预测过程可以获得该时刻目标位置估计的椭圆区域。选择离椭圆区域中心最近的节点作为处理节点，上一时刻的处理节点会将目标运动信息传送给当前的处理节点。

步骤104：如图1所示，圆A与圆B分别为传感器s_A和s_B的探测区域，r₁和r₂分别是传感器s_A和s_B的探测半径，圆B的圆心是k时刻卡尔曼滤波预测的运动目标位置。圆B的半径为3σ表示圆内有99.73％概率包含了目标的状态。传感器s_i和目标估计位置间的距离d_i可以表示为：

$d_i=\sqrt{{\left({\hat{X}}_x\right(k+1\left|k\right)-s_{i,x})}^2+{\left({\hat{X}}_y\right(k+1\left|k\right)-s_{i,y})}^2}$

其中和分别为目标位置预测的x轴和y轴坐标，s_i,x和s_i,y是第i个传感器的x轴和y轴坐标。σ为方差估计值开根号，即标准差估计值。

如果d_i＜3σ+r_i，那么则认为该节点为观测节点，对于min(d₁,...,d_n)，对应节点为处理节点。

步骤105：对于观测节点，还要考虑观测节点的有效探测范围和目标实际位置之间的关系，如下式所示：

$D_i=\sqrt{{\left(z_x\right(k)-s_{i,x})}^2+{\left(z_y\right(k)-s_{i,y})}^2}$

D_i表示目标实际位置和第i个传感器之间的距离，只有

D_i≤r_i

时，该传感器节点才为有效传感器节点。z_x(k)和z_y(k)分别表示k时刻观测值的x轴和y轴坐标。

步骤106：根据卡尔曼滤波方法估计目标位置估计值和方差估计值。卡尔曼滤波输入为上一时刻传入的目标位置估计值和方差估计值。

水下传感器网络是由N个分布在二维平面的传感器组成的，每个传感器的位置可以用笛卡尔坐标系表示为(x_i,y_i),i＝1,...,N，这些传感器的位置必须是已知的。假设这N个传感器s₁,s₂,...,s_N在k时刻的测量值为z₁(k),z₂(k),...z_N(k)，则水下传感器网络的观测模型可以表示为：

$Z\left(k\right)=\left[\begin{array}{c}{z}_1\left(k\right)\\ z_2\left(k\right)\\ \·\\ \·\\ \·\\ z_N\left(k\right)\end{array}\right]=\left[\begin{array}{c}{h}_1\\ h_2\\ \·\\ \·\\ \·\\ h_N\end{array}\right]x\left(k\right)+\left[\begin{array}{c}{v}_1\left(k\right)\\ v_2\left(k\right)\\ \·\\ \·\\ \·\\ v_N\left(k\right)\end{array}\right]$

其中x(k)是k时刻目标状态，，h_i是声纳传感器s_i的观测函数，v_i(k)是观测噪声，v_i(k)服从概率分布：v_i(k)～N(0,R_i(k))；其中，R_i(k)为观测噪声v_i(k)的协方差矩阵，i＝1,...,N，

发送数据节点的测量值为Z_valid(k)＝{z₁(k),z₂(k),...,z_m(k)}，处理节点对这些测量值进行期望融合，即：

$\begin{array}{c}{z}_{fusion}\left(k\right)=E\left\{Z_{valid}\left(k\right)\right\}\\ =E\left\{\left[\begin{array}{c}{z}_1\left(k\right)\\ z_2\left(k\right)\\ \·\\ \·\\ \·\\ z_m\left(k\right)\end{array}\right]\right\}=Hx\left(k\right)+V\left(k\right)\end{array},$

其中x(k)是k时刻目标状态，H是测量矩阵，观测噪声 $V\left(k\right)=\left[\begin{array}{c}{v}_1\left(k\right)\\ v_2\left(k\right)\\ \·\\ \·\\ \·\\ v_m\left(k\right)\end{array}\right]$ 是独立高斯白噪声，v(k)～N(0,R(k))，R(k)为观测噪声V(k)的协方差矩阵；

卡尔曼滤波的递推更新方程如下：

状态预测： $\hat{X}(k+1|k)=\mathrm{\Φ}\hat{X}\left(k\right|k)$

状态方差矩阵预测： $\hat{P}(k+1|k)=\mathrm{\Φ}\hat{P}\left(k\right|k){\mathrm{\Φ}}^T+Q\left(k\right)$

观测值融合预测： ${\hat{z}}_{fusion}(k+1|k)=H\hat{X}(k+1|k)$

卡尔曼增益： $K(k+1)=\hat{P}(k+1|k)H^T\left(H\hat{P}\right(k+1|k)H^T+R(k+1\left)\right)$

状态估计： $\hat{X}(k+1|k+1)=\hat{X}(k+1|k)+K(k+1)\left(z\right(k+1)-{\hat{z}}_{fusion}(k+1|k\left)\right)$

状态方差估计： $\hat{P}(k+1|k+1)=\hat{P}(k+1|k)-K(k+1)H\hat{P}(k+1|k)$

其中Φ是系统模型，H是系统观测模型，是方差，k是时刻,是k时刻的目标状态估计，是关于k+1时刻的目标状态预测，是k时刻的目标状态方差估计，是关于k+1时刻的目标状态方差预测，Q(k)是预先给定的目标噪声协方差阵，是关于k+1时刻的观测值融合预测，K(k+1)是k+1时刻的卡尔曼增益，R(k+1)是预先给定的观测噪声协方差阵，是k+1时刻的目标状态估计，是k+1时刻的目标状态方差估计；

步骤107：k时刻自加1，根据目标位置估计和方差估计选择处理节点。

步骤108：重复步骤3)-步骤7)，直至目标脱离水下传感器网络的覆盖区域为止。

Claims (1)

1.一种基于传感器节点策略选择的水下无线传感器网络目标跟踪方法，其特征在于它的步骤如下：

1)初始化水下无线传感器网络，使所有传感器节点都具有同一规格，并且都处于工作状态；

2)设定目标初始状态估计值和初始方差估计值；

3)k时刻选择距离目标状态估计值最近的传感器节点作为处理节点；

在k时刻，存在一个对目标位置估计的椭圆区域,通过上一时刻的卡尔曼滤波预测过程可以获得该时刻目标位置估计的椭圆区域,选择离椭圆区域中心最近的节点作为处理节点，

4)k时刻选择距离处理节点三倍标准差范围内的传感器节点作为观测节点；

传感器s_i和目标估计位置间的距离d_i可以表示为：

$d_i=\sqrt{{\left({\hat{X}}_x\right(k+1|k)-s_{i,x})}^2+{\left({\hat{X}}_y\right(k+1|k)-s_{i,y})}^2}$

其中和分别为目标位置预测的x轴和y轴坐标，s_i,x和s_i,y是第i个传感器的x轴和y轴坐标,σ为方差估计值开根号，即标准差估计值；

如果d_i＜3σ+r_i，r_i是声纳传感器s_i的探测半径，那么则认为该节点为观测节点，对于min(d₁,...,d_n)，对应节点为处理节点,

5)k时刻选择传感器节点观测范围大于观测节点与目标位置估计的传感器节点发送观测数据到处理节点；

6)k时刻处理节点运用卡尔曼滤波估计目标位置估计和方差估计；

卡尔曼滤波输入为上一时刻传入的目标位置估计值和方差估计值；

水下传感器网络是由N个分布在二维平面的传感器组成的，每个传感器的位置可以用笛卡尔坐标系表示为(x_i,y_i),i＝1,...,N，这些传感器的位置必须是已知的，假设这N个传感器s₁,s₂,...,s_N在k时刻的测量值为z₁(k),z₂(k),...z_N(k)，则水下传感器网络的观测模型可以表示为：

$Z\left(k\right)=\left[\begin{array}{c}{z}_1\left(k\right)\\ z_2\left(k\right)\\ .\\ .\\ .\\ z_N\left(k\right)\end{array}\right]=\left[\begin{array}{c}{h}_1\\ h_2\\ .\\ .\\ .\\ h_N\end{array}\right]x\left(k\right)+\left[\begin{array}{c}{v}_1\left(k\right)\\ v_2\left(k\right)\\ .\\ .\\ .\\ v_N\left(k\right)\end{array}\right]$

其中x(k)是k时刻目标状态，h_i是声纳传感器s_i的观测函数，v_i(k)是观测噪声，v_i(k)服从概率分布：v_i(k)～N(0,R_i(k))；其中，R_i(k)为观测噪声v_i(k)的协方差矩阵，i＝1,...,N，

发送数据节点的测量值为Z_valid(k)＝{z₁(k),z₂(k),...,z_m(k)}，m为观测范围大于观测节点与目标位置估计的传感器节点个数；处理节点对这些测量值进行期望融合，即：

$\begin{array}{c}{z}_{fusion}\left(k\right)=E\left\{Z_{valid}\left(k\right)\right\}\\ =E\left\{\left[\begin{array}{c}{z}_1\left(k\right)\\ z_2\left(k\right)\\ .\\ .\\ .\\ z_m\left(k\right)\end{array}\right]\right\}=Hx\left(k\right)+V\left(k\right)\end{array},$

H是测量矩阵， $V\left(k\right)=\left[\begin{array}{c}{v}_1\left(k\right)\\ v_2\left(k\right)\\ .\\ .\\ .\\ v_m\left(k\right)\end{array}\right]$ 是独立高斯白噪声，V(k)～N(0,R(k)),R(k)为V(k)的协方差矩阵；

卡尔曼滤波的递推更新方程如下：

状态预测： $\hat{X}(k+1|k)=\mathrm{\Φ}\hat{X}\left(k\right|k)$

状态方差矩阵预测： $\hat{P}(k+1|k)=\mathrm{\Φ}\hat{P}\left(k\right|k){\mathrm{\Φ}}^T+Q\left(k\right)$

观测值融合预测： ${\hat{z}}_{fusion}(k+1|k)=H\hat{X}(k+1|k)$

卡尔曼增益： $K(k+1)=\hat{P}(k+1|k)H^T\left(H\hat{P}\right(k+1|k)H^T+R(k+1\left)\right)$

状态估计： $\hat{X}(k+1|k+1)=\hat{X}(k+1|k)+K(k+1)\left(z\right(k+1)-{\hat{z}}_{fusion}(k+1|k\left)\right)$

状态方差估计： $\hat{P}(k+1|k+1)=\hat{P}(k+1|k)-K(k+1)H\hat{P}(k+1|k)$

其中Φ是系统模型，H是系统观测模型，是方差，k是时刻；

是k时刻的目标状态估计，是关于k+1时刻的目标状态预测，是k时刻的目标状态方差估计，是关于k+1时刻的目标状态方差预测，Q(k)是预先给定的目标噪声协方差阵，是关于k+1时刻的观测值融合预测，K(k+1)是k+1时刻的卡尔曼增益，R(k+1)是预先给定的观测噪声协方差阵，是k+1时刻的目标状态估计，是k+1时刻的目标状态方差估计；

7)k时刻自加1，目标移动到另一个位置，按照步骤3)选择处理节点；

8)重复步骤3)‐步骤7)，直至目标脱离水下传感器网络的覆盖区域为止。