CN105611626A - 无线传感网中基于感知器的区域分簇目标跟踪算法 - Google Patents

Abstract

本发明公开了一种无线传感网中基于感知器的区域分簇目标跟踪算法，采用多级调度机制极大程度地减少网络能源消耗，规定只允许区域簇内通信来充分降低无线通信损耗，以感知器输出作为定量标准来判断区域簇的激活状态，并在动态目标跟踪中设定了合理的越区切换模式防止节点之间的碰撞；此外，通过对比无线传感网与神经网络的相似性，将传感器节点类比为神经元，建立信息传输模型，充分利用无线传感网的分布式处理特性和自组织能量，提高了泛化能力和容错性。

Description

无线传感网中基于感知器的区域分簇目标跟踪算法

技术领域

本发明属于网络通信技术领域，具体涉及一种无线传感网中基于感知器的区域分簇目标跟踪算法。

背景技术

无线传感器网络与神经网络有很大相似之处：都采用分布式存储与并行处理，都配置大量节点，具有高容错性和鲁棒性，它们的共同特性使得神经网络模型非常适用于无线传感器网络的数据融合。运动目标的跟踪是无线传感器网络的一项基本功能，目标跟踪需要传感器网络根据节点侦测信号判断目标是否出现，当目标出现时，要在一定持续时间内判断运动目标的轨迹，这就要求传感器节点能够对侦测数据进行处理，根据任务需求合理地调度节点资源并且选择合适的算法来确定目标状态，通过多点协作跟踪得到精确的跟踪结果。目标定位是目标跟踪的基础，常用的基本方法包括基于信号强度(RSSI)、信号到达角度(AOA)、信号到达时间(TOA)、信号到达时间差法(DTOA)，其中RSSI因其对传感器硬件要求较低而成为近来基于无线传感器网络的目标定位最常用的方法。

无线传感器网络中，传感器节点往往是大量密集分布，但由于节点能量的局限和探测范围的局限，在目标定位时采用大量节点做集中式处理是不现实的。在无线传感器网络中的目标定位与跟踪主要需要考虑以下两个局限：

(1)电源能量有限

传感器节点体积微小，通常所携带的能量十分有限，并且由于无线传感器网络中传感器节点众多、成本低廉、分布区域广，而且部署环境复杂，所以用更换电池的方式给节点补充能量是不现实的。传感器节点消耗能量的模块包括传感器模块、处理器模块和无线通信模块，根据DeborahEstrin在Mobicom2002会议上的特邀报告(WirelessSensorNetworks,PartIV：SensorNetworkProtocols)中的描述，传感器节点绝大部分能量消耗在无线通信模块上，传输1比特的信息100米距离需要大约执行3000条计算指令消耗的能量，所以如何设计能够高效使用能量的定位算法是当前定位应用中的首要挑战，如何让网络通信更有效率，减少不必要的转发和接收，不需要通信时尽快进入睡眠状态，是传感器网络协议设计需要重点考虑的问题。

(2)通信能力有限

无线通信的能量消耗与通信距离的关系为：E＝kdⁿ，其中，参数n的取值一般为2<n<4，随着距离的增加通信能耗将距离将急剧增加。一般而言，传感器节点的无线通信半径在100m内比较合适。无线通信的信道资源有限，所以如何设计满足无线传感器网络通信需求的定位算法也是评价一个算法有效性与实用性的标准。

传感器节点无线通信模块的状态包括发送状态、接收状态、侦听状态和睡眠状态等，单位时间内消耗的能量按上述顺序依次减少。在无线传感器网络中，可能造成网络能量浪费的主要原因包括：如果MAC协议采用竞争方式使用共享的无线信道，节点在发送数据的过程中可能会引起多个节点之间的数据碰撞，这就需要重新发送数据，从而消耗更多的能量；监测区域内密布大量探测节点，节点数据存在大量冗余，节点接收和处理不必要的数据，这也会造成节点消耗更多能量。此外，传统基于动态分簇自适应目标跟踪算法，利用最优选择机制和动态分簇方式确定激活节点，此方法需要所有节点处于侦听状态并且需要频繁的节点间的通信，会浪费过多的通信能耗。

发明内容

为了解决现有技术中存在的不足，本发明提供了无线传感网中基于感知器的区域分簇目标跟踪算法，其能耗低、容错性强，具有良好的应用前景，值得推广。

为解决上述问题，本发明具体采用以下技术方案：

无线传感网中基于感知器的区域分簇目标跟踪算法，其特征在于，包括以下步骤，

步骤(1)，令目标的监测区域划分为M个区域簇，第j(j＝1,2,…M)个区域簇里有1个簇头节点和n个通用节点，x_j＝(x₁,x₂,…x_n)^T是各个通用节点的探测数据，w_j＝(w_j1,w_j2,…w_jn)^T为第j个区域簇的连接权值，代表各个通用节点数据对输出的影响程度，θ_j是第j个区域簇的阈值，f(.)是阈值型活化函数，构建感知器的训练模型，

$y_j=f(\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{w}_{ji}{x}_i-{\mathrm{\&theta;}}_j)=\left\{\begin{array}{cc}1,& if\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{w}_{ji}{x}_i-{\mathrm{\&theta;}}_j\&GreaterEqual;0\\ 0,& if\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{w}_{ji}{x}_i-{\mathrm{\&theta;}}_j<0\end{array}\right.---\left(1\right)$

式(1)中，y_j为簇头节点输出，x_i为区域簇内通用节点输出，w_ji为连接通用节点x_i与簇头y_j的权值，表示第i个通用节点对兴奋度输出的权重；

步骤(2)，利用样本点数据对步骤(1)中感知器的训练模型进行训练，训练后的感知器能够完成对目标的感知任务，目标越接近区域簇内，该区域簇内簇头节点的兴奋度输出越高，数值显示为越接近1，目标越远离区域簇，该区域簇内簇头节点的兴奋度输出越低，数值显示为越接近0；

步骤(3)，构建无线传感网器网络，所述无线传感网器网络包括部署在监测区域内的簇头节点、通用节点以及作为融合中心的汇聚中心，簇头节点负责收集区域簇内的通用节点数据并进行初步融合，将融合后的数据转发给汇聚中心做进一步的数据处理，通用节点负责感知目标并收集目标信号强度数据；

步骤(4)，在通用节点处设置第一道阈值，规定每个区域簇内周期性轮流开启一个通用节点侦听信号，其余的通用节点全部处于休眠状态，对当前侦听信号的通用节点进行第一道阈值判断，判断目标是否在区域簇内，若信号强度低于第一道阈值则继续保持区域簇内其他通用节点的睡眠状态，若信号强度超过第一道阈值，则当前侦听信号的通用节点在区域簇内发送一个广播，将其余的通用节点全部唤醒为接收状态，并激活所有通用节点与簇头节点的通信，区域簇内所有通用节点的信息在簇头节点处进行融合；

步骤(5)，进行第二层判断，通过步骤(2)中训练后的感知器判断目标信号是否在本区域簇内，设定兴奋度阈值δ(0<δ<1)，若感知器处于抑制状态，则不开启簇头节点与汇聚中心的通信，若感知器处于兴奋状态，则开启簇头节点与汇聚中心的通信，簇头节点向汇聚中心发送感知器的兴奋度值；

步骤(6)，若目标处于多个区域簇边界处时多个簇头节点可能同时被激活，汇聚中心同时接收多个簇头节点的兴奋度值，此时进行第三层判断，比较多个感知器输出的兴奋度值大小，判断采用兴奋度值最大的区域簇的数据和模型，在选定区域簇之后，接收该区域簇内簇头节点的数据包，数据包内包括该区域簇的ID、区域簇内通用节点的ID、各通用节点的探测数据以及用于该区域簇计算目标坐标的数学模型参数，汇聚中心调用兴奋度占优的区域簇的数学模型参数，并接收该区域簇中的通用节点节点数据输入该模型中做实时目标定位。

前述的无线传感网中基于感知器的区域分簇目标跟踪算法，其特征在于，所述步骤(1)中连接权值w_ji的训练方式为，

令x₀＝-1，w_j0＝θ_j，w_j(k)＝(w_j0(k),w_j1(k),…w_jn(k))表示第k步的连接权值向量，y_j(k)表示第k步的输出，表示第j个区域簇的期望输出，样本点在此区域簇内期望输出为1，不在此区域簇内期望输出为0，则第k+1步的连接权值调整为，

$w_{ji}(k+1)=w_{ji}\left(k\right)+\mathrm{\&eta;}(\stackrel{\&OverBar;}{y_j}-y_j(k\left)\right)x_i,i=0,1,...,n---\left(2\right)$

式(2)中，为连接权值修正项，当时为正，表明当前连接权值不够大，需要正向调整，时为负，表明当前连接权值足够大，需要负向调整；η为学习效率，并且0<η≤1，用来控制连接权值的调整速度。

前述的无线传感网中基于感知器的区域分簇目标跟踪算法，其特征在于，所述步骤(3)中簇头节点、通用节点是特定的或随机部署在监测区域内的。

前述的无线传感网中基于感知器的区域分簇目标跟踪算法，其特征在于，所述步骤(6)中数学模型有最小二乘线性回归模型和支持向量机非线性回归模型。

本发明的有益效果，本发明提供的一种无线传感网中基于感知器的区域分簇目标跟踪算法，具有以下优点：1、采用多级调度机制极大程度地减少网络能源消耗，规定只允许区域簇内通信来充分降低无线通信损耗，以感知器输出作为定量标准来判断区域簇的激活状态，并在动态目标跟踪中设定了合理的越区切换模式防止节点之间的碰撞；2、通过对比无线传感网与神经网络的相似性，将传感器节点类比为神经元，建立信息传输模型，充分利用无线传感网的分布式处理特性和自组织能量，提高了泛化能力和容错性。

附图说明

图1为感知器模型图；

图2为无线传感网器网络示意图；

图3多级调度机制图。

具体实施方式

下面结合实施例和附图对本发明作进一步描述。

美国学者F.Rosenblatt于1957年提出一种具有单层计算单元的神经网络，称之为感知器。感知器是模拟人的视觉，接受环境信息，并由神经冲动进行信息传递的神经网络，其结构如图1所示。设目标的监测区域共划分为M个区域簇，第j(j＝1,2,…M)个区域簇里有1个簇头节点和n个通用节点，x_j＝(x₁,x₂,…x_n)^T是各个通用节点的探测数据，w_j＝(w_j1,w_j2,…w_jn)^T为第j个区域簇的连接权值，代表各个通用节点的探测数据对输出的影响程度，这是与通用节点的布局有关的，θ_j是第j个区域簇的阈值，f(.)是活化函数，常用的活化函数有阈值型、子阈累积型、分段线性型和S型，在分簇定位中，需要知道的是目标在不在当前的区域簇内，所以活化函数采用阈值型用作二元分类，构建感知器的训练模型，

$y_j=f(\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{w}_{ji}{x}_i-{\mathrm{\&theta;}}_j)=\left\{\begin{array}{cc}1,& if\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{w}_{ji}{x}_i-{\mathrm{\&theta;}}_j\&GreaterEqual;0\\ 0,& if\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{w}_{ji}{x}_i-{\mathrm{\&theta;}}_j<0\end{array}\right.---\left(1\right)$

式(1)中，y_j为簇头节点输出，x_i为区域簇内通用节点输出，w_ji为连接通用节点x_i与簇头y_j的权值，表示第i个通用节点对兴奋度输出的权重；感知器输出有两种状态，分别为抑制和兴奋，输出为1代表神经元受到的刺激足够强烈而处于兴奋状态，判定目标在该区域簇内，输出为0代表神经元受到的刺激不够强烈而处于抑制状态，判定目标不在该区域簇内。

将感知器用于二元分类，相当于在高维样本空间中用一个超平面将两类样本分开。感知器的学习是有监督的学习，其连接权值和阈值可以通过多次训练求得，令x₀＝-1，w_j0＝θ_j，w_j(k)＝(w_j0(k),w_j1(k),…w_jn(k))表示第k步的连接权值向量，y_j(k)表示第k步的输出，表示第j个区域簇的期望输出，样本点在此区域簇内期望输出为1，不在此区域簇内期望输出为0，则第k+1步的连接权值调整为，

$w_{ji}(k+1)=w_{ji}\left(k\right)+\mathrm{\&eta;}(\stackrel{\&OverBar;}{y_j}-y_j(k\left)\right)x_i,i=0,1,...,n---\left(2\right)$

式(2)中，为连接权值修正项，当时为正，表明当前连接权值不够大，需要正向调整，时为负，表明当前连接权值足够大，需要负向调整；η为学习效率，并且0<η≤1，用来控制连接权值的调整速度。若η过大，会导致学习过程中连接权值发生震荡，影响其稳定性；η取值过小则会影响收敛速度。训练后的感知器模型能够完成对目标的感知任务：目标越接近区域簇内，簇头节点的兴奋度输出越高(越接近1)；目标越远离本区域簇，簇头节点兴奋度输出越低(越接近0)。

为了提高区域分簇定位的效率，将监测区域划分为M个小区域簇，每个区域簇覆盖少量的通用节点，为了能够利用每个区域簇内的信息得到目标的位置坐标，每个区域簇至少需要三个通用节点；而又由于区域分簇定位是由粗到细的定位，其选用的簇头节点都是最接近目标的，即其通用节点内的探测数据都是高质量的，所以无需布置大量通用节点。然而不难证明当通用节点数量即输入维数有限甚至较低时，输入模式为线性不可分的，即无法用二元分类来判断目标是否在当前区域簇内。例如当目标刚好出现在两个区域簇公共边界上，两个区域簇的感知器是无法区分目标的归属的。但是经过大量样本数据的训练，感知器的功能会越来越逼近二元分类，即目标落在正确的区域簇内会使得该感知器的输出越大，目标越远离该区域簇感知器输出越小。

采用分簇的思想估计目标的坐标，是由粗到细的定位，先判断目标所在的区域作为初步的粗估计，再由该簇内的节点数据估计目标的坐标作为精估计，如图2所示，无线传感网器网络由特定的或随机部署在监测区域内的簇头节点、通用节点以及作为融合中心的汇聚中心组成，簇头节点负责收集区域簇内的通用节点数据并进行初步融合，将融合后的数据转发给汇聚中心做进一步的数据处理，通用节点负责感知目标并收集目标信号强度数据。其采用的自适应区域激活机制，选择激活区域簇中的通用节点进行目标跟踪；最大熵原理，根据监测环境动态地往区域簇内加入移动节点，增加节点的可选择性，从而降低网络的不确定性；利用节点剩余能量和调度情况，确定无线传感器网络在跟踪目标过程中的簇规模，使网络的局部能耗达到均衡。

多级调度机制采用以下能耗级别原则：通用节点优先选择休眠状态→次优开启侦听状态→探测到信号时侦听信号的通用节点开启接收状态→通用节点的通信模块激活时优先发送低速率数据，具体调度流程如图3所示。在最低级的通用节点处设置第一道阈值，给定一个较低信噪比的的信号强度大小，即限定通用节点的探测范围，探测范围略大于区域簇范围，保证当目标进入相邻区域簇内时本区域簇开始探测目标，通过信号衰减模型获得探测范围对应的信号强度阈值作为第一道阈值，当探测信号低于此值时信号微弱，受噪声影响较大，通用节点选择不发送给簇头节点，但是若所有通用节点都开启侦听状态未免太浪费网络能量，因为每个区域簇内的通用节点位置相互靠近，通用节点的相似性很大，规定每个区域簇内周期性轮流开启一个通用节点侦听信号，其余的通用节点全部处于休眠状态，对当前侦听信号的通用节点进行第一道阈值判断，判断目标是否在探测范围内，若信号强度太弱低于第一道阈值则继续保持区域簇内其他通用节点的睡眠状态，若信号强度超过第一道阈值，则当前侦听信号的通用节点在区域簇内发送一个广播，将其余的通用节点全部唤醒为接收状态，并激活所有通用节点与簇头节点的通信，区域簇内所有通用节点的信息在簇头节点处进行融合，此时进行第二层判断，通过训练后的感知器判断目标信号是否在本区域簇内，设定兴奋度阈值δ(0<δ<1，具体大小通过应用调试而定)，若感知器处于抑制状态，则不开启簇头节点与汇聚中心的通信，若感知器受到的激励超过阈值处于兴奋状态，则开启簇头节点与汇聚中心的通信，簇头节点向汇聚中心发送感知器的兴奋度值(或隶属度)；这一步无线通信是整个网络中能耗最高的，所以先发送感知器兴奋度值，因为当目标处于两个或多个区域簇边界处时两个或多个簇头节点可能同时被激活，汇聚中心同时接收两个或多个簇头节点的兴奋度值，此时再进行第三层判断，比较两个或多个感知器输出的兴奋度值大小，判断采用兴奋度值最大的区域簇的数据和模型，传感器节点无线通信的能耗是与收发的数据长度成正比的，而兴奋度和隶属度数据占用较少比特，所以先发送，在选定哪个区域簇之后，接收该区域簇内簇头节点的数据包，数据包内包括该区域簇的ID、区域簇内通用节点的ID、各通用节点的探测数据以及用于该区域簇计算目标坐标的数学模型参数，具体的定位模型有最小二乘线性回归模型和支持向量机非线性回归模型等，汇聚中心调用兴奋度占优的区域簇的定位模型参数，并接收该区域簇中的通用节点节点数据输入模型中做实时目标定位。

以上显示和描述了本发明的基本原理、主要特征及优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (4)

1.无线传感网中基于感知器的区域分簇目标跟踪算法，其特征在于，包括以下步骤，

步骤(1)，令目标的监测区域划分为M个区域簇，第j(j＝1,2,…M)个区域簇里有1个簇头节点和n个通用节点，x_j＝(x₁,x₂,…x_n)^T是各个通用节点的探测数据，w_j＝(w_j1,w_j2,…w_jn)^T为第j个区域簇的连接权值，代表各个通用节点数据对输出的影响程度，θ_j是第j个区域簇的阈值，f(.)是阈值型活化函数，构建感知器的训练模型，

$y_j=f(\underset{i=1}{\overset{n}{\&Sigma;}}{w}_{ji}{x}_i-{\mathrm{\&theta;}}_j)=\left\{\begin{array}{cc}1,& if\underset{i=1}{\overset{n}{\&Sigma;}}{w}_{ji}{x}_i-{\mathrm{\&theta;}}_j\&GreaterEqual;0\\ 0,& if\underset{i=1}{\overset{n}{\&Sigma;}}{w}_{ji}{x}_i-{\mathrm{\&theta;}}_j<0\end{array}\right.---\left(1\right)$

式(1)中，y_j为簇头节点输出，x_i为区域簇内通用节点输出，w_ji为连接通用节点x_i与簇头y_j的权值，表示第i个通用节点对兴奋度输出的权重；

步骤(2)，利用样本点数据对步骤(1)中感知器的训练模型进行训练，训练后的感知器能够完成对目标的感知任务，目标越接近区域簇内，该区域簇内簇头节点的兴奋度输出越高，数值显示为越接近1，目标越远离区域簇，该区域簇内簇头节点的兴奋度输出越低，数值显示为越接近0；

步骤(3)，构建无线传感网器网络，所述无线传感网器网络包括部署在监测区域内的簇头节点、通用节点以及作为融合中心的汇聚中心，簇头节点负责收集簇内的通用节点数据并进行初步融合，将融合后的数据转发给汇聚中心做进一步的数据处理，通用节点负责感知目标并收集目标信号强度数据；

步骤(4)，在通用节点处设置第一道阈值，规定每个区域簇内周期性轮流开启一个通用节点侦听信号，其余的通用节点全部处于休眠状态，对当前侦听信号的通用节点进行第一道阈值判断，判断目标是否在区域簇内，若信号强度低于第一道阈值则继续保持区域簇内其他通用节点的睡眠状态，若信号强度超过第一道阈值，则当前侦听信号的通用节点在区域簇内发送一个广播，将其余的通用节点全部唤醒为接收状态，并激活所有通用节点与簇头节点的通信，区域簇内所有通用节点的信息在簇头节点处进行融合；

步骤(5)，进行第二层判断，通过步骤(2)中训练后的感知器判断目标信号是否在本区域簇内，设定兴奋度阈值δ，若感知器处于抑制状态，则不开启簇头节点与汇聚中心的通信，若感知器处于兴奋状态，则开启簇头节点与汇聚中心的通信，簇头节点向汇聚中心发送感知器的兴奋度值；

步骤(6)，若目标处于多个区域簇边界处时多个簇头节点同时被激活，汇聚中心同时接收多个簇头节点的兴奋度值，此时进行第三层判断，比较多个感知器输出的兴奋度值大小，判断采用兴奋度值最大的区域簇的数据和模型，在选定区域簇之后，接收该区域簇内簇头节点的数据包，数据包内包括该区域簇的ID、区域簇内通用节点的ID、各通用节点的探测数据以及用于该区域簇计算目标坐标的数学模型参数，汇聚中心调用兴奋度占优的区域簇的数学模型参数，并接收该区域簇中的通用节点数据输入该数学模型中做实时目标定位。

2.根据权利要求1所述的无线传感网中基于感知器的区域分簇目标跟踪算法，其特征在于，所述步骤(1)中连接权值w_ji的训练方式为，

令x₀＝-1，w_j0＝θ_j，w_j(k)＝(w_j0(k),w_j1(k),…w_jn(k))表示第k步的连接权值向量，y_j(k)表示第k步的输出，表示第j个区域簇的期望输出，样本点在此区域簇内期望输出为1，不在此区域簇内期望输出为0，则第k+1步的连接权值调整为，

$w_{ji}(k+1)=w_{ji}\left(k\right)+\mathrm{\&eta;}(\stackrel{\&OverBar;}{y_j}-y_j(k\left)\right)x_i,i=0,1,...,n---\left(2\right)$

式(2)中，为连接权值修正项，当时为正，表明当前连接权值不够大，需要正向调整，时为负，表明当前连接权值足够大，需要负向调整；η为学习效率，并且0<η≤1，用来控制连接权值的调整速度。

3.根据权利要求1所述的无线传感网中基于感知器的区域分簇目标跟踪算法，其特征在于，所述步骤(3)中簇头节点、通用节点是特定的或随机部署在监测区域内的。

4.根据权利要求1所述的无线传感网中基于感知器的区域分簇目标跟踪算法，其特征在于，所述步骤(6)中数学模型有最小二乘线性回归模型和支持向量机非线性回归模型。