CN103152819A - 一种基于水下无线传感器网络的弱目标跟踪方法 - Google Patents

Abstract

本发明公开了一种基于水下无线传感器网络的弱目标跟踪方法。该方法首先采集传感器网络所观测的数据，不进行阈值判断，然后直接采用粒子滤波方法估计目标的位置估计值和方差估计值。水下环境的复杂背景噪声使得采集的信号信噪比低，如果对传感器采集的观测数据进行阈值过滤，会造成目标位置信息残缺，该方法采用检测前跟踪的思想，直接使用观测数据为粒子滤波跟踪算法的输入，在粒子状态向量中加入了存在性变量用于表示粒子的状态。粒子分为出生粒子、遗传粒子和湮灭粒子三种，分别代表了目标状态的粒子出现、粒子遗传和粒子消失。本发明使用基于检测前跟踪的粒子滤波算法估计水下弱目标的位置和方差，有效提高了水下弱目标跟踪的稳定性和精度。

Description

一种基于水下无线传感器网络的弱目标跟踪方法

技术领域

本发明涉及一种基于水下无线传感器网络的弱目标跟踪方法。 

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。 

水下目标跟踪多为非线性问题，粒子滤波方法在非线性非高斯问题中已经得到了广泛应用，在陆地无线传感器网络中已有粒子滤波用于目标跟踪问题，因此水下目标跟踪问题多采用粒子滤波方法。 

在声纳传感器检测水中目标的过程中，总是希望能够在较远的距离较早发现目标，而水中目标增加的隐蔽性或者检测目标本身尺寸较小、背景噪声和杂波过强等都有可能造成声纳回波微弱，目标检测的信噪比过低，这就是弱小目标的监测与跟踪问题。人们提出了弱小目标的检测前跟踪算法（track before detect）。检测前跟踪算法利用原始的观测数据作为观测输入，采用跟踪算法估计目标状态，然后利用目标状态进行检测判决，这有利于低信噪比条件下的弱小目标信号能量积累，提高弱小目标的检测性能。 

在过去的几十年中，各种传感器技术飞速发展，声纳、雷达、红外等探测手段性能不断提高，但是随着科技的发展，隐身技术、电子干扰技术等严重影响了传感器对目标的检测性能，加上现代战争环境复杂，强海杂波对水面舰艇、强地杂波对导弹武器和低空飞行器等有着严重的干扰，因此必须研究相应的技术来应对挑战，检测前跟踪技术利用原始数据不设门限和信号能量累积的特性都使其相对其他检测与跟踪技术更有优势。 

发明内容

本发明的目的是克服现有技术的不足，提供一种基于水下无线传感器网络的弱目标跟踪方法。 

基于水下无线传感器网络的弱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）选择水下接收信号强度最大的传感器节点作为簇头节点，与簇头节点在单跳通信范围内的传感器节点和簇头节点组簇，其余传感器节点保持在休眠状态； 

3）簇内传感器节点对目标进行观测，将观测的数据直接发送给簇头节点。 

4）设定初始状态估计值和初始方差估计值，设定粒子存在性变量马尔科夫转移矩阵和粒子出现概率分布p_B(x)； 

5）在k时刻根据步骤2）组簇，并将上一时刻检测前跟踪粒子滤波估计的状态估计值和方差估计值打包传送给此k时刻的簇头节点； 

6）进行k时刻的检测前跟踪粒子滤波，输出目标的位置估计值和方差估计值； 

7）k时刻自加1，根据目标的运动不断地更新簇头节点，在簇头节点更换时将上一簇头节点的信息传送给当前簇头节点； 

8）重复步骤5）-步骤7），直至目标脱离水下无线传感器网络的覆盖区域为止。 

步骤6）为：粒子状态向量除了目标位置外还包括了粒子存在性变量λ，存在性变量根据马尔科夫矩阵转移， 

似然函数： 

$p\left(Z\left(k\right)\right|x_k,{\mathrm{\λ}}_k)=\underset{i,j}{\mathrm{\Π}}{P}_{S+N}\left(z_{\mathrm{ij}}\left(k\right)\right|x_k,{\mathrm{\λ}}_k)=\underset{i,j\∈C\left(x_k\right)}{\mathrm{\Π}}{P}_{S+N}\left(z_{\mathrm{ij}}\left(k\right)\right|x_k,{\mathrm{\λ}}_k)\underset{i,j\∉C\left(x_k\right)}{\mathrm{\Π}}{P}_N\left(z_{\mathrm{ij}}\left(k\right)\right)$

其中P_N(z_ij(k))是k时刻第(i,j)个栅格的背景噪声，P_S+N(z_ij(k)|x_k,λ_k)是k时刻第(i,j)个栅格的目标信号强度加背景噪声，λ_k是存在性变量，z_ij(k)是观测值，各个栅格之间的P_S+N是独立的，C(x)是受目标影响的栅格的集合， 

粒子滤波中对于第p个粒子权重q(p)∝p(Z|x^*(p),λ^*(p))，*号表示重采样前的粒子值， 

$q\left(p\right)\∝\left\{\begin{array}{ccc}\underset{i,j\∈C\left(x^{*}\left(p\right)\right)}{\mathrm{\Π}}l\left(z_{\mathrm{ij}}\left(k\right)\right|x^{*}\left(p\right),{\mathrm{\λ}}^{*}\left(p\right))& \mathrm{for}& {\mathrm{\λ}}^{*}\left(p\right)=1\\ 1& \mathrm{for}& {\mathrm{\λ}}^{*}\left(p\right)=0\end{array}\right.$

其中l(z_ij(k)|x^*(p),λ^*(p))＝P_S+N(z_ij|x,λ)/P_N(z_ij)表示目标位置为(x,y)时第(i,j)个 栅格的似然比，λ＝1的粒子权重完全依赖于粒子附近区域的似然比乘积， 

粒子滤波在预测阶段，粒子被根据目标的存在与否被分为λ＝1和λ＝0两部分，在k到k+1时刻，λ_k＝1的粒子按照转移概率有P_L的概率转移为λ_k＝0，也有1-P_L的概率继续为λ_k＝1，λ_k＝0的粒子转移过程也相似，如果λ^* _k+1(p)＝0，表示粒子p所代表的目标并不存在，x^* _k+1(p)不能确定，如果λ_k(p)＝1且λ^* _k+1(p)＝1，那么粒子遗传根据系统模型f(x_k(p),ω_k(p))，ω_k(p)是系统噪声的随机采样，如果目标运动轨迹超出了传感器的探测范围，目标就被视为消失了，λ^* _k+1＝0，如果λ_k(p)＝0而λ^* _k+1(p)＝1，那么表示该粒子是在转移过程中出现的，x^* _k+1(p)要从目标的出现概率分布p_B(x)中采样。 

本发明使用检测前跟踪粒子滤波跟踪方法估计水下目标的位置和方差，提高水下无线传感器网络对弱目标的跟踪性能。 

附图说明

图1是本发明的二维栅格平面区域示意图。 

具体实施方式

基于水下无线传感器网络的弱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）选择水下接收信号强度最大的传感器节点作为簇头节点，与簇头节点在单跳通信范围内的传感器节点和簇头节点组簇，其余传感器节点保持在休眠状态； 

3）簇内传感器节点对目标进行观测，将观测的数据直接发送给簇头节点。 

4）设定初始状态估计值和初始方差估计值，设定粒子存在性变量马尔科夫转移矩阵和粒子出现概率分布p_B(x)； 

5）在k时刻根据步骤2）组簇，并将上一时刻检测前跟踪粒子滤波估计的状态估计值和方差估计值打包传送给此k时刻的簇头节点； 

6）进行k时刻的检测前跟踪粒子滤波，输出目标的位置估计值和方差估计值； 

7）k时刻自加1，根据目标的运动不断地更新簇头节点，在簇头节点更换时将上一簇头节点的信息传送给当前簇头节点； 

8）重复步骤5）-步骤7），直至目标脱离水下无线传感器网络的覆盖区域为止。 

所述的步骤6）为： 

粒子状态向量除了目标位置外还包括了粒子存在性变量λ， 

存在性变量根据马尔科夫矩阵转移， 

似然函数： 

$p\left(Z\left(k\right)\right|x_k,{\mathrm{\λ}}_k)=\underset{i,j}{\mathrm{\Π}}{P}_{S+N}\left(z_{\mathrm{ij}}\left(k\right)\right|x_k,{\mathrm{\λ}}_k)=\underset{i,j\∈C\left(x_k\right)}{\mathrm{\Π}}{P}_{S+N}\left(z_{\mathrm{ij}}\left(k\right)\right|x_k,{\mathrm{\λ}}_k)\underset{i,j\∉C\left(x_k\right)}{\mathrm{\Π}}{P}_N\left(z_{\mathrm{ij}}\left(k\right)\right)$

其中P_N(z_ij(k))是k时刻第(i,j)个栅格的背景噪声，P_S+N(z_ij(k)|x_k,λ_k)是k时刻第(i,j)个栅格的目标信号强度加背景噪声，λ_k是存在性变量，z_ij(k)是观测值，各个栅格之间的P_S+N是独立的，C(x)是受目标影响的栅格的集合， 

粒子滤波中对于第p个粒子权重q(p)∝p(Z|x^*(p),λ^*(p))，*号表示重采样前的粒子值， 

$q\left(p\right)\∝\left\{\begin{array}{ccc}\underset{i,j\∈C\left(x^{*}\left(p\right)\right)}{\mathrm{\Π}}l\left(z_{\mathrm{ij}}\left(k\right)\right|x^{*}\left(p\right),{\mathrm{\λ}}^{*}\left(p\right))& \mathrm{for}& {\mathrm{\λ}}^{*}\left(p\right)=1\\ 1& \mathrm{for}& {\mathrm{\λ}}^{*}\left(p\right)=0\end{array}\right.$

其中l(z_ij(k)|x^*(p),λ^*(p))＝P_S+N(z_ij|x,λ)/P_N(z_ij)表示目标位置为(x,y)时第(i,j)个栅格的似然比，λ＝1的粒子权重完全依赖于粒子附近区域的似然比乘积， 

粒子滤波在预测阶段，粒子被根据目标的存在与否被分为λ＝1和λ＝0两部分，在k到k+1时刻，λ_k＝1的粒子按照转移概率有P_L的概率转移为λ_k＝0，也有1-P_L的概率继续为λ_k＝1，λ_k＝0的粒子转移过程也相似，如果λ^* _k+1(p)＝0，表示粒子p所代表的目标并不存在，x^* _k+1(p)不能确定，如果λ_k(p)＝1且λ^* _k+1(p)＝1，那么粒子遗传根据系统模型f(x_k(p),ω_k(p))，ω_k(p)是系统噪声的随机采样，如果目标运动轨迹超出了传感器的探测范围，目标就被视为消失了，λ^* _k+1＝0，如果λ_k(p)＝0而λ^* _k+1(p)＝1，那么表示该粒子是在转移过程中出现的，x^* _k+1(p)要从目标的出现概率分布p_B(x)中采样。 

实施例 

步骤101：初始化水下无线传感器网络，在水下环境内随机播撒无线传感器 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。 

步骤102：传感器节点探测到目标，唤醒在探测范围的节点。这些在探测范围的节点根据原则组簇，即选择信号接收强度最大的节点M作为簇头节点，与簇头节点M在单跳通信范围内的节点和簇头节点组成簇，其余节点继续保持休眠状态。 

步骤103：簇内节点对目标进行观测，对接收到的信号进行本地处理，然后发送数据给簇头节点。节点接收信号的强度模型是： 

$z\left(k\right)=\frac{S\left(k\right)}{{[x\left(k\right)-x]}^2+{[y\left(k\right)-y]}^2}+\mathrm{\ϵ}\left(k\right)$

其中S(k)为目标源级别的声压，x(k)和y(k)是目标在k时刻的二维坐标，x和y是声纳传感器的二维坐标，ε(k)是独立高斯白噪声，所有水下传感器节点的观测都是独立的。 

第i个节点接收到的信号强度在本地进行处理，然后不经过阈值判断发送数据给簇头节点，簇头节点接收到来自第i个节点的量测为： 

$z_i\left(k\right)=\frac{S\left(k\right)}{{[x\left(k\right)-x_i]}^2+{[y\left(k\right)-y_i]}^2}+{\mathrm{\ϵ}}_i\left(k\right),$

步骤104：在k=0时刻，根据步骤102中的组簇原则，组成初始簇，并选出簇头节点，设定初始状态估计值和初始方差估计值。 

步骤105：在k时刻，根据步骤102的组簇原则组簇，并将上一时刻粒子滤波算出的状态估计值和方差估计值打包传送给此k时刻的簇头节点。 

步骤106：进行k时刻的检测前跟踪粒子滤波算法，对目标的位置进行状态估计。在弱目标贝叶斯估计问题中，目标状态后验概率可以表示为p(x_k,λ_k|Z(k))，Z(k)是所有时刻观测值的集合，λ_k是上节所述的存在性变量。后验概率密度依赖于转移概率密度和测量似然函数： 

p(x_k+1，λ_k+1|x_k,λ_k)＝p(x_k+1|x_k,λ_k,λ_k+1)p(λ_k+1|x_k,λ_k)， 

λ_k由马尔科夫模型决定，与x_k无关。如果λ_k+1＝0，那么传感器不能探测到目标，x_k+1就不能进行状态估计，如果λ_k+1＝1，x_k+1的后验条件概率密度函数可以表示为： 

$p\left(x_{k+1}\right|x_k,{\mathrm{\λ}}_k,{\mathrm{\λ}}_{k+1}=1)=\left\{\begin{array}{ccc}p\left(x_{k+1}\right|x_k)& \mathrm{for}& {\mathrm{\λ}}_k=1\\ p_B\left(x_{k+1}\right)& \mathrm{for}& {\mathrm{\λ}}_k=0\end{array}\right.,$

目标运动模型的p(x_k+1|x_k)是状态转移概率密度，p_B(.)是目标出现的初始化概率密 度函数，通常服从均匀分布。 

似然函数 $p\left(Z\left(k\right)\right|x_k,{\mathrm{\λ}}_k)=\left\{\begin{array}{ccc}\underset{i,j}{\mathrm{\Π}}{P}_{S+N}\left(z_{\mathrm{ij}}\left(k\right)\right|x_k,{\mathrm{\λ}}_k)& \mathrm{for}& {\mathrm{\λ}}_k=1\\ \underset{i,j}{\mathrm{\Π}}{P}_N\left(z_{\mathrm{ij}}\left(k\right)\right)& \mathrm{for}& {\mathrm{\λ}}_k=0\end{array}\right.$

其中P_N(z_ij(k))是k时刻第(i,j)个栅格的背景噪声，P_S+N(z_ij(k)x_k,λ_k)是k时刻第(i,j)个栅格的目标信号强度加背景噪声。各个栅格之间的P_S+N是独立的。假设目标的影响范围很小，那么上式可简化为： 

$p\left(Z\left(k\right)\right|x_k,{\mathrm{\λ}}_k)=\underset{i,j}{\mathrm{\Π}}{P}_{S+N}\left(z_{\mathrm{ij}}\left(k\right)\right|x_k,{\mathrm{\λ}}_k)=\underset{i,j\∈C\left(x_k\right)}{\mathrm{\Π}}{P}_{S+N}\left(z_{\mathrm{ij}}\left(k\right)\right|x_k,{\mathrm{\λ}}_k)\underset{i,j\∉C\left(x_k\right)}{\mathrm{\Π}}{P}_N\left(z_{\mathrm{ij}}\left(k\right)\right)$

其中C(x)是受目标影响的栅格的集合。 

粒子滤波中对于第p个粒子权重q(p)∝p(Z|x^*(p),λ^*(p))，*号表示重采样前的粒子值。 

$q\left(p\right)\∝\left\{\begin{array}{ccc}\underset{i,j\∈C\left(x^{*}\left(p\right)\right)}{\mathrm{\Π}}l\left(z_{\mathrm{ij}}\left(k\right)\right|x^{*}\left(p\right),{\mathrm{\λ}}^{*}\left(p\right))& \mathrm{for}& {\mathrm{\λ}}^{*}\left(p\right)=1\\ 1& \mathrm{for}& {\mathrm{\λ}}^{*}\left(p\right)=0\end{array}\right.$

其中l(z_ij(k)|x^*(p),λ^*(p))＝P_S+N(z_ij|x,λ)/P_N(z_ij)表示目标位置为(x,y)时第(i,j)个栅格的似然比。λ＝1的粒子权重完全依赖于粒子附近区域的似然比乘积。 

当算法进入预测阶段时，粒子根据目标的存在与否被分为λ＝1和λ＝0两部分。在k到k+1时刻，λ_k＝1的粒子按照转移概率有P_L的概率转移为λ_k＝0，也有1-P_L的概率继续为λ_k＝1。λ_k＝0的粒子转移过程也相似。如果λ^* _k+1(p)＝0，表示粒子p所代表的目标并不存在，x^* _k+1(p)不能确定。如果λ_k(p)＝1且λ^* _k+1(p)＝1，那么f(x_k(p),ω_k(p))，ω_k(p)是系统噪声的随机采样。如果目标运动轨迹超出了传感器的探测范围，目标就被视为消失了，λ^* _k+1＝0。如果λ_k(p)＝0而λ^* _k+1(p)＝1，那么表示该粒子是在转移过程中出现的，x^* _k+1(p)要从目标额出现分布p_B(x)中采样。检测前跟踪粒子滤波过程为： 

步骤107：k时刻自加1。在下一时刻，当目标移动到另一个位置，按步骤102重新组簇，当选出的簇头节点与上一时刻的簇头节点不相同时，上一簇头节点将信息传送给当前簇头节点，簇头节点之间传送的信息为上一时刻目标的状态估计值和方差估计值。根据目标的运动不断地更新簇和簇头节点，当簇头节点更换时，将上一簇头节点的信息传送给当前簇头。 

步骤108：重复步骤105-107，直至目标脱离水下无线传感器网络覆盖区域为止。 

Claims (2)

1.一种基于水下无线传感器网络的弱目标跟踪方法，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）选择水下接收信号强度最大的传感器节点作为簇头节点，与簇头节点在单跳通信范围内的传感器节点和簇头节点组簇，其余传感器节点保持在休眠状态；

3）簇内传感器节点对目标进行观测，将观测的数据直接发送给簇头节点。

4）设定初始状态估计值和初始方差估计值，设定粒子存在性变量马尔科夫转移矩阵和粒子出现概率分布p_B(x)；

5）在k时刻根据步骤2）组簇，并将上一时刻检测前跟踪粒子滤波估计的状态估计值和方差估计值打包传送给此k时刻的簇头节点；

6）进行k时刻的检测前跟踪粒子滤波，输出目标的位置估计值和方差估计值；

7）k时刻自加1，根据目标的运动不断地更新簇头节点，在簇头节点更换时将上一簇头节点的信息传送给当前簇头节点；

8）重复步骤5）-步骤7），直至目标脱离水下无线传感器网络的覆盖区域为止。

2.根据权利要求1所述的一种基于水下无线传感器网络的弱目标跟踪方法，其特征是：所述的步骤6）为：

粒子状态向量除了目标位置外还包括了粒子存在性变量λ，

存在性变量根据马尔科夫矩阵转移，

似然函数：

$p\left(Z\left(k\right)\right|x_k,{\mathrm{\λ}}_k)=\underset{i,j}{\mathrm{\Π}}{P}_{S+N}\left(z_{\mathrm{ij}}\left(k\right)\right|x_k,{\mathrm{\λ}}_k)=\underset{i,j\∈C\left(x_k\right)}{\mathrm{\Π}}{P}_{S+N}\left(z_{\mathrm{ij}}\left(k\right)\right|x_k,{\mathrm{\λ}}_k)\underset{i,j\∉C\left(x_k\right)}{\mathrm{\Π}}{P}_N\left(z_{\mathrm{ij}}\left(k\right)\right)$

其中P_N(z_ij(k))是k时刻第(i,j)个栅格的背景噪声，P_S+N(z_ij(k)x_k,λ_k)是k时刻第(i,j)个栅格的目标信号强度加背景噪声，λ_k是存在性变量，z_ij(k)是观测值，各个栅格之间的P_S+N是独立的，C(x)是受目标影响的栅格的集合，

粒子滤波中对于第p个粒子权重q(p)∝p(Z|x^*(p),λ^*(p))，*号表示重采样前的粒子值，

$q\left(p\right)\∝\left\{\begin{array}{ccc}\underset{i,j\∈C\left(x^{*}\left(p\right)\right)}{\mathrm{\Π}}l\left(z_{\mathrm{ij}}\left(k\right)\right|x^{*}\left(p\right),{\mathrm{\λ}}^{*}\left(p\right))& \mathrm{for}& {\mathrm{\λ}}^{*}\left(p\right)=1\\ 1& \mathrm{for}& {\mathrm{\λ}}^{*}\left(p\right)=0\end{array}\right.$

其中l(z_ij(k)|x^*(p),λ^*(p))＝P_S+N(z_ij|x,λ)/P_N(z_ij)表示目标位置为(x,y)时第(i,j)个栅格的似然比，λ＝1的粒子权重完全依赖于粒子附近区域的似然比乘积，

粒子滤波在预测阶段，粒子被根据目标的存在与否被分为λ＝1和λ＝0两部分，在k到k+1时刻，λ_k＝1的粒子按照转移概率有P_L的概率转移为λ_k＝0，也有1-P_L的概率继续为λ_k＝1，λ_k＝0的粒子转移过程也相似，如果λ^* _k+1(p)＝0，表示粒子p所代表的目标并不存在，x^* _k+1(p)不能确定，如果λ_k(p)＝1且λ^* _k+1(p)＝1，那么粒子遗传根据系统模型f(x_k(p),ω_k(p))，ω_k(p)是系统噪声的随机采样，如果目标运动轨迹超出了传感器的探测范围，目标就被视为消失了，λ^* _k+1＝0，如果λ_k(p)＝0而λ^* _k+1(p)＝1，那么表示该粒子是在转移过程中出现的，x^* _k+1(p)要从目标的出现概率分布p_B(x)中采样。

Images