CN103686923A - 面向目标跟踪的无线传感器聚簇能量管理方法 - Google Patents

Abstract

本发明公开了无线传感器能量管理技术领域中一种面向目标跟踪的无线传感器聚簇能量管理方法。包括，当目标进入无线传感器网络时，探测到目标的所有无线传感器形成初始聚簇；从初始聚簇中随机选取一个无线传感器作为簇头，簇头计算当前时刻目标的位置并预测下一时刻目标的位置；簇头向目标的预测位置广播，在发出应答信号的无线传感器中，选取有效提供目标信息的传感器组成最优更新聚簇，再从该聚簇中选择剩余能量最多的传感器作为更新簇头；仅在簇头和更新簇头不同时，将相关参数从簇头传递至更新簇头；并以更新簇头替代簇头进行下一次循环，来追踪目标。本发明有效实现了目标检测与跟踪，并保证了最优聚簇和较低的计算复杂度。

Description

面向目标跟踪的无线传感器聚簇能量管理方法

技术领域

本发明属于无线传感器能量管理技术领域，尤其涉及一种面向目标跟踪的无线传感器聚簇能量管理方法。

背景技术

无线传感器网络（WSN）因其可靠性、可扩展性、经济性、以及易于部署等特性在军事、民用、以及生态领域获得了广泛应用。另一方面，WSN也因其自身的能量供应、无人操作、带宽等方面的局限性，面临着独有的技术挑战。而其中，能量供应受限是WSN最主要的局限性之一。因为大部分的传感器是由电池驱动的，而它们往往被部署在无人能到达的区域，几乎难以实现替换电池或给电池充电。目前国内外有大量的研究课题致力于提高传感器的能量利用率，或者通过能量控制机制来延长传感器网络的寿命。其中，传感器聚簇策略已是公认的、能够在有限的能量和带宽限制下，有效提高WSN的服务质量（QOS）和可扩展性的策略。它的核心就是依据节点密度、位置及其他因素将一个分布式的WSN划分为多个子集。每个子集被称为一个聚簇（cluster），其中一个传感器节点被选作聚簇的主节点（簇头，cluster head），用于监管聚簇中其他从属节点（slaves）。聚簇的优势在于，对于大部分节点而言，数据的传输从整个网络范围缩减到聚簇内的小范围传输，仅有簇头之间需要远距离的通信。

WSN的能量管理策略都是面向应用的。大部分以数据为中心的WSN应用都采用Low-Energy Adaptive Clustering Hierarchy(LEACH)策略，该策略让网络中的传感器节点随机成簇，并轮流担当簇头的角色，以使得网络中的能量消耗尽可能平均，从而达到延长整个网络寿命的目的。但随机选取簇头和成簇的方式容易带来大量不确定因素，在选取簇头的时候也未考虑候选节点的能量消耗程度，从而容易导致整个网络的能耗不均，最终影响网络寿命。Misra等人提出了改进的LEACH算法，在选择簇头节点的时候比较候选节点的剩余能量。然而，这两种策略都是为数据融合应用而提出的，无论节点所在位置是否有事情发生，都要求网络中所有的节点参与“成簇”过程。然而网络中的能量消耗是与网络中的活跃节点数目成正比的，就经济性的原则而言，应当倾向于采用事件驱动型的方式。

事实上，在WSN的各种应用中，目标跟踪一直是研究者们广泛关注的课题，例如野生动物监测、高速公路、战场监控等。而目标跟踪过程中的目标检测、数据融合、各传感器节点之间的协同工作等都不可避免地带来了相应的能量消耗。跟踪精度要求越高，相应的资源占用、能量消耗也就越大。为了尽可能在网络资源消耗与目标跟踪质量之间达到平衡，相应的能量管理策略自然是必不可少的。事实上，在刚才所提到的聚簇策略的基础上，还需要合理的聚簇激活调度策略来进一步控制能耗。具体说来，可以将现有的面向目标跟踪的聚簇管理策略分为两大类：预成簇和应激成簇策略。前者事先将整个网络静态地划分为若干个聚簇，后者则等到有事件发生再激活成簇过程。但无论哪种策略，在任一时刻都只有一个簇头处于激活状态以负责当前时刻的目标跟踪。现有的针对目标跟踪的传感器聚簇管理策略有Chen等人提出的层次型WSN，该网络由静态的簇头所形成的主干与动态的从属节点构成，它的主要缺点就是当被跟踪目标的速度提升时跟踪性能会显著下降。Tseng等人提出使用一个移动代理来跟踪目标并协调传感器节点工作的策略，然而，他们并未评估该策略所导致的能量与其他资源的消耗，此外，对于不规则的WSN网络拓扑而言，选择簇头节点与从属节点的能量与时间开销相对较大。

从上述描述中可以发现，WSN的寿命不仅仅取决于整个网络的总能量消耗，更重要的是能量消耗的分布程度。如果能尽可能的使网络中的能量消耗均匀分布，就能避免因少数某些个传感器电池耗尽而导致的整个网络瘫痪，甚至夭折的情况出现。

发明内容

本发明的目的在于，提供一种面向目标跟踪的无线传感器聚簇能量管理方法，用于解决现有的无线传感器聚簇能量管理策略存在的不足。

为了实现上述目的，本发明提出的技术方案是，一种面向目标跟踪的无线传感器聚簇能量管理方法，其特征是所述方法包括：

步骤1：当目标进入无线传感器网络时，探测到目标的所有无线传感器形成初始聚簇；

步骤2：从初始聚簇中随机选取一个无线传感器作为簇头CH₀，并令当前时刻t=1；

步骤3：在簇头CH_t-1中计算时刻t-1目标的实际位置X_t-1并估计时刻t目标的预测位置X′_t；

步骤4：簇头CH_t-1向目标的预测位置X′_t发出广播；

步骤5：距离目标预测位置X′_t小于等于无线传感器探测半径γ的无线传感器向簇头CH_t-1发出包含自身位置和剩余能量的应答信号；

步骤6：簇头CH_t-1在发出应答信号的无线传感器中动态选取有效提供目标信息的无线传感器组成最优更新聚簇，并选取最优更新聚簇中剩余能量最多的无线传感器作为簇头CH_t；

步骤7：判断CH_t-1≠CH_t是否成立，如果CH_t-1≠CH_t，则执行步骤8；否则，跳至步骤9；

步骤8：在簇头CH_t-1和簇头CH_t之间传递用于计算目标实际位置和估计目标预测位置的参数；

步骤9：令t=t+1，返回步骤3。

在步骤6中，所述组成最优更新聚簇采用公式S_op={v|argmin[dis(c[v],X′_t)]}；

其中，S_op为最优更新聚簇；

v∈V且num(v)≥3，V为所有发出应答信号的无线传感器组成的集合，num(v)为最优更新聚簇S_op中无线传感器的数量；

c[v]为最优更新聚簇中所有无线传感器的中心；

X′_t为时刻t目标的预测位置；

dis(c[v],X′_t)为c[v]与X′_t的距离。

本发明针对同构的WSN而提出，利用类Dijkstra算法动态地选取能够最有效提供关于目标信息的节点来形成聚簇，实现目标检测与跟踪的任务，其保证了最优聚簇和较低的计算复杂度，相较于预成簇策略更具鲁棒性和安全性，尤其在应对恶意外部攻击的时候更具优势。

附图说明

图1是面向目标跟踪的无线传感器聚簇能量管理方法流程图；

图2是贝叶斯推理方法示意图；

图3是变分模型示意图；

图4是连续两个时刻间应激式动态成簇过程示意图。

具体实施方式

下面结合附图，对优选实施例作详细说明。应该强调的是，下述说明仅仅是示例性的，而不是为了限制本发明的范围及其应用。

图1是面向目标跟踪的无线传感器聚簇能量管理方法流程图，如图1所示，本发明提供的面向目标跟踪的无线传感器聚簇能量管理方法包括：

步骤1：当目标进入无线传感器网络时，探测到目标的所有无线传感器形成初始聚簇。

在本实施例中，假设无线传感器以密度d随机分布在整个网络区域，且无线传感器的探测半径为γ，则网络中任意一点被3个以上无线传感器探测到的概率为：

$p=\underset{i=3}{\overset{\∞}{\mathrm{\Σ}}}\frac{e^{-\mathrm{d\π}{\mathrm{\γ}}^2}{\left(\mathrm{d\π}{\mathrm{\γ}}^2\right)}^i}{i!}---\left(1\right)$

公式（1）中，i为无线传感器个数。为了保证在整个网络的任一区域能够三角定位目标，通过调整密度d，可使得该概率近似为1。另外，在本实施例中，网络中所有无线传感器都具有同样的配置，所有无线传感器都有能力承担簇头的任务，也就是说它们具有相同的初始能量、计算及通信能力。网络中的无线传感器都是静止的，并且知道自己的地理位置。通过互相交换信息，每个传感器内都存储了一张其所有邻居节点的ID及其相应位置的列表。

当有目标进入无线网络时，那些能够探测到目标的无线传感器形成聚簇，记为初始聚簇。

步骤2：从初始聚簇中随机选取一个无线传感器作为簇头CH₀，并令当前时刻t=1。

由于初始时刻各个无线传感器的初始能量是一样的，因此可以从初始聚簇中，随机挑选任意一个探测到目标的无线传感器作为簇头CH₀。

步骤3：在簇头CH_t-1中计算时刻t-1目标的实际位置X_t-1并估计时刻t目标的预测位置X′_t。

由于目标的状态（速度、加速度等的数值和方向）完全未知，传感器对目标的观测值也受到周围环境的影响，数据的无线传输也不可避免地存在噪声。在这种含有多个未知条件的情况下估计目标位置，一般采用贝叶斯推理方法，如图2所示，其中X_t表示t时刻目标的位置，Z_t表示时刻t传感器对目标的观测值。

尽管贝叶斯推理的概率形式很优美简单，但在实际应用中，要求得目标的估计值X′_t往往包含了对所有参数的积分，而这个积分又一般是在高维空间中进行的，因而难以实现。本实施例采用变分贝叶斯方法，建立了一个可积分的简化概率分布模型来模拟近似真实的目标的状态演变过程，通过调整变分参数使得简化模型与真实模型函数的KL散度距离最小，即最大程度近似真实模型。假设目标在时刻t的位置为X_t，令目标的位置服从一个高斯分布即X_t～N(μ_t,λ_t)，其中μ_t为目标在时刻t的数学期望，λ_t为该估计值的方差。不同于普通的高斯分布，μ_t和λ_t都不是常量，分别服从不同的分布。其中μ_t为高斯分布

其均值为前一时刻的数学期望μ_t-1，方差

为常量。λ_t服从wishart分布

其中

为尺度矩阵，

为自由度，p为维度，当维度为2时，无线传感器网络为二维平面网络，当维度为3时，无线传感器网络为三维立体网络。在初始时刻，可以设定μ₀为初始聚簇的中心，即初始时刻探测到目标的所有无线传感器节点的中心，λ₀为设定值。那么基于该变分模型（如图3所示），可以计算时刻t-1目标的实际位置X_t-1。

目标跟踪也是一个递归的过程，设时刻t-1目标位置X_t-1已知，则估计下一时刻目标位置X′_t的过程包括预测和更新两个步骤。预测步骤是基于前一时刻的高斯拟合值μ_t-1，以及上述变分模型，得到预测值X′_t；更新步骤是根据时刻t传感器对目标的观测值Z_t，以及观测模型p(Z_t|X_t)来修正预测值，从而得到对目标的后验估计。根据全概率公式，估计时刻t目标的预测位置X′_t采用如下双重积分公式：

p(X_t|X_t-1)=∫∫N(X_t|μ_t,λ_t)p(μ_t,λ_t|X_t-1)dμ_tdλ_t   （2）

步骤4：簇头CH_t-1向目标的预测位置X′_t发出广播。

向目标的预测位置X′_t发出广播，目的是寻找到能够监测到该位置的无线传感器，并随之形成新的集簇。

步骤5：距离目标的预测位置X′_t小于等于无线传感器探测半径γ的无线传感器向簇头CH_t-1发出包含自身位置和剩余能量的应答信号。

步骤6：簇头CH_t-1以发出应答信号的那些无线传感器为基础，通过运行类Dijkstra算法动态地选取能够最有效提供关于目标信息的无线传感器组成最优更新聚簇，并选取更新聚簇中剩余能量最多的无线传感器作为簇头CH_t。

由于发出应答信号的无线传感器有多个，但如果将所有发出应答信号的无线传感器都形成聚簇，用来跟踪目标，无疑会造成传感器能量的浪费。本发明要从发出应答信号的无线传感器中，选出最佳的若干个无线传感器组成聚簇，这样可以减少传感器能量损耗。

常规的动态成簇方法一般选择离目标最近的传感器节点来构成聚簇，但这一方法存在两个问题：一个问题是，如何确定动态聚簇的最佳规模，这已经被证明是NP完全问题。另一个问题是，如果成簇节点都分布在目标的同一侧，会对跟踪结果产生怎样的影响？

一般说来，应激式成簇算法按照两个基本原则来激活传感器节点：1、该传感器节点能够提供更有用的信息；2、该传感器节点可用的剩余能量更多。由于目标跟踪依赖于成簇节点对其的观测值来三角定位目标，因此聚簇中传感器节点的数目以及传感器节点所在位置都将影响其对目标的观测，从而影响跟踪质量。

图4是连续两个时刻间应激式动态成簇过程示意图，图中的飞机图标表示目标，白色圆圈表示无限传感器节点，黑色圆圈表示已经形成聚簇的无限传感器节点，灰色圆圈表示待形成聚簇的无限传感器节点，黑色虚线表示预测目标轨迹。如图2所示，本发明将动态成簇问题用数学形式描述的话，可以将传感器节点看作是一个多边形的顶点，如果某两个传感器节点之间可以在一跳的范围内直接通信，则认为它们二者之间可以用直线连结（即该多边形的一条边）。那么最佳动态聚簇就是要找到一个多边形，它的中心最接近目标的预测值X′_t，即

S_op={v|argmin[dis(c[v],X′_t)]}   （3）

公式（3）中，v∈V且num(v)≥3，V为所有发出应答信号的无线传感器组成的集合，num(v)为更新聚簇S_op中无线传感器的数量，c[v]为更新聚簇中所有无线传感器的中心，X′_t为时刻t目标的预测位置，dis(c[v],X′_t)为c[v]与X′_t的距离，S_op代表最佳聚簇。注意公式（3）中，并未限定节点的数目上限，即每次成簇节点的数目可以不同，但至少超过3个节点才能三角定位目标。

本发明的算法受Dijkstra算法启发，该算法用于计算一个加权图中一个源点与其他节点之间的最短路径。而本发明将Dijkstra算法进行扩展，计算的是各种节点组合的中心点与目标预测值X′_t之间的最短距离。具体做法如下：

子步骤101：令V={v₁,v₂,...v_n}表示发出应答信号的无线传感器组成的集合，其中n为发出应答信号的无线传感器的个数。

子步骤102：初始化。

令v₀=CH_t-1，S[v]={v₀}，c[v]为传感器节点v₀的位置，即簇头CH_t-1的位置，d[v]=dis(v₀,X′_t)，v_p=0，S_op=φ，循环次数j=1。

子步骤103：令S[v]＝S[v]∪{v_j}，根据公式c_new[v]=avg(S[v])计算c_new[v]，根据d_new[v]=dis(c_new[v],X′_t)计算d_new[v]。

子步骤104：比较d_new[v]的值与d[v]的值，如果d_new[v]<d[v]，则令v_p=v_j-1，d[v]=d_new[v]，c[v]=c_new[v]，将传感器节点v_j加入S_op。

子步骤105：令V=V-{v_j}，且令j=j+1。如果j>n，则跳至子步骤106；否则，返回子步骤103。

子步骤106：将v₀从S_op中剔除，则S_op即为发出应答信号的无线传感器中能够最有效提供关于目标信息的无线传感器组成的最优更新聚簇。

得到S_op后，从S_op中选择剩余能量最多的无线传感器作为簇头CH_t。

步骤7：判断CH_t-1≠CH_t是否成立，如果CH_t-1≠CH_t，则执行步骤8；否则，跳至步骤9。

步骤8：在簇头CH_t-1和簇头CH_t之间传递用于计算目标实际位置和估计目标预测位置的参数。

由于本实施例的步骤3中，用于计算目标实际位置和估计目标预测位置的参数为前一时刻的数学期望和方差，因此簇头CH_t-1和簇头CH_t之间传递的参数为μ_t-1和λ_t-1。

步骤9：令t=t+1，返回步骤3。

本发明针对目标跟踪应用，传感器网络工作于全分布式的聚簇模式，也就是说，对于同一个目标，在任一时刻只有一个聚簇被激活用于跟踪该目标。因为目标的移动特性，任一时刻探测到它的传感器是不同的，只有那些探测到目标的传感器动态组成聚簇来对它进行跟踪，这就涉及到不同时刻的动态聚簇之间的任务接替工作。也就是说，对目标的可信估计必须在簇头之间传递。但由于这个工作需要跨聚簇之间的通信，并且所传输的信息量相较于对目标的探测值而言要大得多，这与分布式信息处理的目标背道而驰。如果采用传统的粒子滤波方法，目标的估计值是由大量的粒子以及它们的权值构成，这样大量的数据传输必然导致巨大的能量消耗。本发明采用变分贝叶斯方法，通过一个简单的高斯分布来近似目标的后验概率分布，使得簇头之间仅需要传递估计的数学期望和方差这两个值，大大降低了通信成本和能量消耗。并基于变分贝叶斯方法对目标趋势的预测，使得成簇过程不仅仅依赖于当前的目标观测，更具有前瞻性，在保证跟踪精确度的同时减少了簇头之间的通信次数，减少了资源消耗。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。

Claims (2)

1.一种面向目标跟踪的无线传感器聚簇能量管理方法，其特征是所述方法包括：

步骤1：当目标进入无线传感器网络时，探测到目标的所有无线传感器形成初始聚簇；

步骤2：从初始聚簇中随机选取一个无线传感器作为簇头CH₀，并令当前时刻t=1；

步骤3：在簇头CH_t-1中计算时刻t-1目标的实际位置X_t-1并估计时刻t目标的预测位置X′_t；

步骤4：簇头CH_t-1向目标的预测位置X′_t发出广播；

步骤5：距离目标预测位置X′_t小于等于无线传感器探测半径γ的无线传感器向簇头CH_t-1发出包含自身位置和剩余能量的应答信号；

步骤6：簇头CH_t-1在发出应答信号的无线传感器中动态选取有效提供目标信息的无线传感器组成最优更新聚簇，并选取最优更新聚簇中剩余能量最多的无线传感器作为簇头CH_t；

步骤7：判断CH_t-1≠CH_t是否成立，如果CH_t-1≠CH_t，则执行步骤8；否则，跳至步骤9；

步骤8：在簇头CH_t-1和簇头CH_t之间传递用于计算目标实际位置和估计目标预测位置的参数；

步骤9：令t=t+1，返回步骤3。

2.根据权利要求1所述的方法，其特征是步骤6中，所述组成最优更新聚簇采用公式S_op={v|argmin[dis(c[v],X′_t)]}；

其中，S_op为最优更新聚簇；

v∈V且num(v)≥3，V为所有发出应答信号的无线传感器组成的集合，num(v)为最优更新聚簇S_op中无线传感器的数量；

c[v]为最优更新聚簇中所有无线传感器的中心；

X′_t为时刻t目标的预测位置；

dis(c[v],X′_t)为c[v]与X′_t的距离。

Images