CN109470235B - 一种基于动态簇的水下多传感器协作被动跟踪方法 - Google Patents
一种基于动态簇的水下多传感器协作被动跟踪方法 Download PDFInfo
- Publication number
- CN109470235B CN109470235B CN201811238641.5A CN201811238641A CN109470235B CN 109470235 B CN109470235 B CN 109470235B CN 201811238641 A CN201811238641 A CN 201811238641A CN 109470235 B CN109470235 B CN 109470235B
- Authority
- CN
- China
- Prior art keywords
- cluster
- node
- fusion
- nodes
- target
- Prior art date
- Legal status (The legal status 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 status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/005—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 with correlation of navigation data from several sources, e.g. map or contour matching
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/20—Instruments for performing navigational calculations
Abstract
本发明公开了一种基于动态簇的水下多传感器协作被动跟踪方法。该方法在目标跟踪过程中引入带反馈的分布式融合估计过程,采用分量按标量加权的线性最小方差融合准则来极小化融合误差协方差的迹,求得最优融合状态估计。并采用基于自适应节点选择的动态分簇过程,动态选择参与目标被动跟踪过程的簇头节点和簇成员节点。其中,簇头节点的选择主要从能量角度出发。而簇成员节点的选择是利用效用函数和成本函数来构造一个目标函数,并将节点的选择问题归类为数学中的背包问题,最后使用动态规划的方法来选择一个最优节点组合实现目标函数的最大化。该发明可以保证目标被动跟踪精度的收敛性,并有效降低被动跟踪过程中网络的能量消耗。
Description
技术领域
本发明涉及水下目标被动跟踪技术领域,特别涉及目标被动跟踪技术、多传感器信息融合技术和动态规划技术,是一种基于动态簇的水下多传感器协作被动跟踪方法。
背景技术
海洋是人类维持生存繁衍和社会实现可持续发展的重要基地,海洋中不但蕴含有丰富的生物资源和矿产资源,是经济可持续发展的战略空间,同时,海洋也是我国国家安全的重要保护屏障。近年来,我国与周边国家在领海主权和海洋资源开发等方面的争夺日益激烈,水下目标跟踪技术的研究在海洋信息的获取、环境监测、资源开发、水下灾害预警、海洋权益维护与安全防卫等方面都发挥着重要作用。
传统的海洋目标跟踪技术主要依靠船舶、潜艇等大型平台,但存在采集数据在时间和空间上过于稀疏的问题,难以保证目标跟踪的准确性。近年来,随着传感器技术的快速发展,无线传感器网络也随之快速兴起,无线传感器网络是由大量具有通信和智能计算能力的传感器节点构成的智能自组织网络,它综合了传感器技术、无线通信、微电子技术以及网络分布式信号处理等多项技术,已经成为新兴的交叉研究领域之一。水下无线传感器网络作为无线传感器网络从陆地到水下的延伸,广义的水下无线传感器网络主要由集成不同功能的水下传感器节点、AUV、水下滑行机、海面基站以及海岸基站组成。水下传感器节点的部署方式主要有直接锚定在海底、通过系链锚定在海洋的不同深度、依附于海面浮标、搭载在AUV或者水下航行机、以及气囊控制浮力大小漂浮在海洋的不同的深度等方式。这些水下传感器节点利用水声通信技术形成一个多跳的自组织传感网系统,通过协同多个传感器采集探测区域内感知目标的状态信息,结合具体的信号处理基础、分布式融合技术以及目标跟踪技术,对目标的运动参数,如位置、速度、航向等在时间上进行连续的估计,并且预测其趋势,以实现对目标的跟踪。依托于UWSNs的水下目标跟踪技术凭借其覆盖范围广、观测时间长和实时信息融合的优势已经成为一个新的研究热点。
水下目标跟踪主要分为主动式和被动式两种。主动目标跟踪系统主要是依靠主动声呐设备发射大功率的探测信号来实现对水下目标的实时跟踪,这种方法很容易暴露自己从而遭受到反辐射鱼类等硬杀伤武器的攻击,影响到探测系统自身的安全。而被动式目标跟踪系统使用水听器被动地接收水下目标辐射的信号,并通过一系列的信号处理技术,估计出目标的状态信息。水下被动跟踪系统具有探测范围广、接收隐蔽、安全系数高等优点。
由于水下目标被动跟踪过程不能获得目标辐射源的距离信息,因此,目前水下目标被动跟踪主要面临两方面的挑战:一方面是被动跟踪的跟踪精度,目前已经提出多种不同计算复杂性和精度的目标被动跟踪方法,从实现方式上主要分为以下三类:一类是基于到达时间差的方法,如:近似极大似然估计方法、渐进迭代最小二乘法等,该类方法只有在节点间有精确同步的前提下才能有很高的精度;另一类是基于各节点接收到的声源强度的差异,但是由于幅度信息容易受信道和噪声的影响,此类方法的定位精度较差;第三类类方法是利用多个不同位置的节点对对同一信号源进行定向,利用方位交线实现定位的方法,它对节点定向能力要求较高。因此如何有效提高目标被动跟踪的跟踪精度有待进一步深入研究。另一方面是网络的能耗问题。由于无线传感器节点是使用电池进行供电,在一般的情况下很难进行电池的更换或者维护,因此如何降低网络的能耗、延长传感器节点的使用寿命和满足目标跟踪的精度要求也已经成为水下目标被动跟踪技术面临的问题之一。
针对以上问题,本发明提出了一种基于动态簇的水下多传感器协作目标被动跟踪方法。该方法通过在目标跟踪的过程中引入基于分量按标量加权的线性最小方差的分布式融合估计算法和基于自适应节点选择的动态分簇过程,保证了目标跟踪精度的收敛性,降低了目标被动跟踪过程中网络的能量消耗。
发明内容
为了解决现有水下被动定位技术具有跟踪精度低、能耗高的缺点,本发明提供一种基于动态簇的水下多传感器协作目标被动跟踪方法。该方法通过在目标跟踪的过程中引入带反馈的分布式融合估计算法和基于自适应节点选择的动态分簇过程,保证了目标的跟踪精度的收敛性,降低了目标被动跟踪过程中网络的能量消耗。
为了解决上述技术问题,本发明采用以下技术方案予以实现:
一种基于动态簇的水下多传感器协作目标被动跟踪方法,被动跟踪过程如图1所示,包括以下步骤:
步骤一:簇成员节点进行本地状态估计。在k时刻,选择的Nk个簇成员节点根据簇头节点CHk-1的融合状态预测值以及融合预测误差协方差Pk|k-1,分别使用无迹卡尔曼滤波获得目标在k时刻的本地状态估计以及相应的误差协方差Pi,k|k,(1≤i≤Nk),并将本地状态估计以及相应的误差协方差Pi,k|k,(1≤i≤Nk)发送至k时刻的簇头节点CHk;
步骤二:簇头节点进行融合估计。簇头节点CHk作为融合中心,将根据各个簇成员节点的本地状态估计使用带反馈的基于分量按标量加权的线性最小方差融合准则对各个本地状态估计进行融合,得到目标在k时刻的融合状态估计和融合误差协方差Pk|k,并将融合结果以单跳或多跳的方式传递给水面基站,水面基站通过电磁波通信的方式将信息发送到岸基控制中心,用于下一步的决策与控制。
步骤五:簇头节点的选择。簇头节点CHk根据目标的融合状态预测值以及融合预测误差协方差Pk+1|k从被激活的簇头节点候选集合Ck+1中选择在k+1时刻参与目标被动跟踪过程的簇头节点CHk+1,并将相应的融合状态预测值以及融合预测误差协方差Pk+1|k发送给选择的在k+1时刻参与目标被动跟踪过程的簇头节点和簇成员节点。
与现有技术相比,本发明的优点和积极效果是:本发明提出的基于动态簇的水下多传感器协作被动跟踪方法的过程图如图1所示,该方法在目标跟踪的过程中引入带反馈的分布式融合估计算法和基于自适应节点选择的动态分簇过程,其中,带反馈的分布式融合估计算法基于分量按标量加权的线性最小方差融合准则来极小化误差协方差的迹,求得目标的最优融合状态估计。动态分簇过程则根据目标的融合状态预测值和融合预测误差协方差动态选择参与目标被动跟踪过程的簇头节点和簇成员节点,选择过程不仅考虑了节点的信息效用,而且考虑了节点的剩余能量和消耗能量。该方法既能保证目标跟踪精度的收敛性,也可降低目标被动跟踪过程中网络的能量消耗。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明所提出的基于动态簇的水下多传感器协作目标被动跟踪过程图;
图2是本发明的使用的基于无迹卡尔曼滤波算法的带反馈的分布式融合过程图;
图3是本发明使用的基于簇成员节点和簇头节点选择的动态成簇过程图。
图4是本发明使用的三维角度测量示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例一,本实施例提出了一种基于动态簇的水下多传感器协作目标被动跟踪方法,包括以下步骤:
S1、簇成员节点进行本地状态估计。在k时刻,选择的Nk个簇成员节点根据簇头节点CHk-1的融合状态预测值以及融合预测误差协方差Pk|k-1,分别使用无迹卡尔曼滤波获得目标在k时刻的本地状态估计以及相应的误差协方差Pi,k|k,并将本地状态估计和误差协方差发送至k时刻的簇头节点CHk。无迹卡尔曼滤波算法的具体过程如下:
相应的权值分别为:
其中,参数n表示状态向量的维数;参数λ=α2(n+κ)-n是一个缩放比例系数,能够起到调节高阶距的作用;参数α的选取控制了采样点的分布状态,通常设为一个较小的正数(1e-4≤α<1);κ为待选参数,其具体的取值虽然没有界限,但是通常要保证矩阵(n+λ)P为半正定矩阵,通常取为0或3-n;β是一个非负的权系数,对于高斯分布,β=2是最优的,如果状态变量是单变量,则最佳的选择是β=0。是矩阵Pk|k-1的均方根的第i列,矩阵方根表示 是与第i个采样点相对应的权重,下标m与均值相对应,下标c与方差相对应。
S15、更新k时刻后验状态估计和协方差矩阵。
Pk|k=Pk|k-1-KkPMM,k|k-1Kk T
S2、簇头节点进行融合估计。融合过程如图2所示,簇头节点CHk作为融合中心,将根据各个簇成员节点的本地状态估计使用基于分量按标量加权的线性最小方差融合准则对各个本地估计结果进行融合,得到目标在k时刻的融合状态估计和融合误差协方差并将融合结果以单跳或多跳的方式传递给水面基站,水面基站通过电磁波通信的方式将信息发送到岸基控制中心,用于下一步的决策与控制。具体步骤为:
S4、簇成员节点的选择。簇成员节点的选择主要考虑三个要素:(1)候选节点所能带来的信息;(2)候选节点进行网络通信的能量消耗;(3)候选节点的剩余能量。鉴于以上三个要素,本发明将通过效用函数和成本函数来构建最终的目标函数,并利用动态规划的方法完成簇成员节点的选择。
S41、效用函数。
本发明使用基于最大似然估计的Fisher信息矩阵来设计选择簇成员节点的信息效用函数,假设所有的传感器节点具有相同的测量噪声统计特性,则传感器选择的效用函数设计为:
S42、成本函数。
其中,lbro为簇成员节点接收到簇头节点发布的广播信息的长度,表示接收长度为lbro的广播信息消耗的能量,lrep表示簇成员节点向簇头节点回复信息的长度,表示发送长度为lbro的回复信息消耗的能量,llocal表示簇成员节点向簇头节点发送的本地信息的长度,表示发送长度为llocal的信息消耗的能量,lfusion表示簇成员节点接收簇头节点发送的融合信息的长度,表示接收长度为lfusion的信息消耗的能量,etx和erx分别表示发送和接收模块运行时需要的能量,Pr为接收端要求的最低信号接收功率,A(dj)为抵抗水声信道的能量衰减需要的增幅系数。
α=10a/10
其中,f为频率,单位为KHz。
S43、目标函数。
将成本函数和效用函数结合作为选择簇节点最终的目标函数:
本发明将簇成员节点的选择问题归类为数学中的背包问题,使用动态规划的方法来选择一个最优的节点组合实现目标函数的最大化。通过设定跟踪误差阈值Ψ0,根据融合预测协方差Pk+1|k的迹可以自适应地调整背包问题中的背包容量Nk+1,也就是参与运算的簇成员节点的数目,Nk+1的值可以在[Nmin,NS]内变化,具体为:
当tr(Pk+1|k)≤Ψ0,表示跟踪效果已经达到了预设的要求,可以在保障跟踪效果满足要求的前提下,适当减少选择的簇成员节点的数目;
当tr(Pk+1|k)>Ψ0,表示跟踪误差已经超过了预设的要求,要适当增加选择的簇成员节点的数目,要改善目标跟踪的效果。
在利用动态规划的方法选择最优节点组合的过程中,用NS表示物品的种类,Nk+1表示背包的容量,对应目标函数的取值表示所选物品的总价值,假设每种物品的重量wi=1,(1≤i≤NS),具体的求解过程如下:
S431、设计动态规划表。
构造一个二维数组V∈(NS+1)×(Nk+1+1),数组元素V[i,j](0≤i≤NS,0≤j≤Nk+1)表示把前面i个物体装入载重量为j的背包所取得的最优价值。按照二维数组V构建如表1所示的动态规划表。表中的每一个元素V[i,j]都对应着一个决策序列和一个集合Pi,j,Pi,j的初始为空集。决策序列N(:,i,j)表示与V(i,j)相对应的NS个候选簇成员节点的状态,选择为1,不选择为0。Pi,j用于保存决策序列N(:,i,j)中选择的簇成员节点。决策序列需满足以下两个约束条件:
(b)ni∈(0,1),1≤i≤NS;
综上,簇成员节点的选择问题可以归结为寻找一个集合Pi,j使目标函数V[i,j]达到最大的问题,即:
Pi,j=argmaxV[i,j]s.t.V[i,j]=Φ[Pi,j],Pi,j∈Sk+1,|Pi,j|=j。
S432、初始化动态规划表。
V[i,0]=V[0,j]=0,(0≤i≤NS,0≤j≤Nk+1);
Pi,0=P0,j=[],(0≤i≤NS,0≤j≤Nk+1);
上式表示把0个物体装入载重量为j的背包中,或者把i个物体装入载重量为0的背包中,得到的价值均为0。
S433、递归求解最优解的值。
S4331、当j<wi时,表示不选择第i个候选簇成员节点;
V[i,j]=V[i-1,j]=Φ[Pi-1,j]s.t.Pi-1,j∈Sk+1,|Pi-1,j|=j;
N(:,i,j)=N(:,i-1,j);
pi,j=pi-1,j;
S4332、当j≥wi时,
若V[i,j]=V[i-1,j],表示不选择第i个候选簇成员节点,
N(:,i,j)=N(:,i-1,j);
Pi,j=Pi-1,j;
若V[i,j]=Φ[p(i-1,j-wi)∪Sk+1(i)],表示选择第i个候选簇成员节点,
令l=[0,…,0,1,0,…,0],其中l(i)=1;
当(i,j)=(NS,Nk+1)时,对应的集合Pi,j就是通过递归求解的最优节点的组合。
S5、簇头节点的选择。
针对簇头在进行数据收集、融合以及簇头切换时,将会比普通的传感器节点消耗更多的能量,在簇头的选择过程中,主要以考虑节点的剩余能量为主。本发明采用如下所示的规则完成簇头节点的选择:
其中,Ck+1和Sk+1分别表示k+1时刻簇头节点和簇成员节点的候选集合;dis(i,CHk)是当前候选簇头节点i与簇头节点CHk之间的距离;Rc表示节点的通信距离;表示候选簇头节点i与集合中的簇成员节点j之间的距离;
其中,α,β和γ是调节三个分量的比率的参量,且满足α+β+γ=1;表示由簇头CHk到第i个候选簇头节点的向量与由簇头CHk到目标预测位置的向量之间的余弦值,值越大,则候选簇头CHk+1的方向越靠近目标移动的方向;表示簇头节点CHk与候选簇头i节点之间的距离越远,簇头交换的次数就越少,消耗能量越少;表示选择能量剩余较多的候选簇头节点作为下一时刻的簇头,是候选簇头节点本身具有的能量,簇头节点消耗的总能量表示为:
其中,表示簇头节点向Nk+1个簇成员节点发布长度为lbro的广播信息消耗的能量,表示簇头节点接收Nk+1个簇成员节点回复的长度为lrep的信息消耗的能量,簇头节点向Nk+1个簇成员节点和水面基站发布长度为lfusion的融合信息消耗的能量,簇头节点接收Nk+1个簇成员节点发送的长度为llocal的本地信息消耗的能量。
竞选成功的簇头节点将其簇头标志位CH_Flag置1,并向周围的节点广播其成为簇头的信息。其它候选簇头节点接收信息后,将不再参与簇头的竞选,并将其簇头标志位CH_Flag置0。选择的簇成员节点在接收到消息时,记录簇头节点的信息,并将其簇成员标志位MEM_Flag置1,并向簇头节点回复一个信息,告诉簇头其是簇内成员,具体的动态成簇过程如图3所示。
步骤S12中,每个簇成员节点都可以测量目标相对于自身的方向角θi,k和俯仰角其3D角度测量的几何表示如图4所示。在k时刻,Nk个簇成员节点测得的方位角和俯仰角分别表示为和方向角θi,k和俯仰角的准确值表示为:
其中,[xk,yk,zk]表示目标的坐标,(xi,k,yi,k,zi,k),i=1,…,Nk表示簇成员节点的坐标。
因此,目标的测量方程为:
步骤S24中,根据式令aij=1,(i=1,2,…,Nk),有又因为a1,j+a2,j+…+aNk,j=1,所以ai,j≤1,(i=1,2,…,Nk),故因为可得因此可以证明经过矩阵加权线性最小方差信息融合算法求得目标的融合误差协方差小于本地状态估计的误差协方差,融合算法能有效提高目标状态的估计精度。
步骤S4中,目标在三维UWSNs中的运动模型表示为:
Xk+1=FkXk+wk
其中,表示在k时刻目标的状态向量,其中,元素xk、yk和zk分别表示目标在x、y和z方向的位置,和表示目标在x、y和z方向的速度, 和表示目标在x、y和z方向的加速度。Fk表示k时刻的状态转移矩阵,w表示过程噪声,是均值为零的高斯白噪声序列,协方差矩阵为Q。
步骤S4和S5中,本发明使用的被激活的簇成员节点和簇头节点的候选集合Sk+1和Ck+1分别满足以下条件:
其中,ε∈[0,1]是一个自定义的参数,由于噪声的影响,被激活节点监测到的声强应不小于ε越大,表示候选集合Sk+1和Ck+1中候选节点的数目就越多;Ej≥EMEM_th和Ei≥ECH_th是为选择出符合能量要求的候选簇成员节点和候选簇头节点设置的能量硬门限,即节点的当前剩余能量值低于能量硬门限时,节点不能加入候选集合Sk+1和Ck+1;Ij和Ii分别表示节点i和节点j检测到的目标的声强,声强的衰减与距离成反比,节点i检测到的目标的声强可以表示为:
其中,gi表示第i个节点的增益系数,I表示目标辐射的声强,||Pi-T||表示第i个节点与目标之间的距离,α表示强度衰减系数;阈值Ith对应距离等于最大感知范围Rs时的声强,当节点检测到的声强超过阈值Ith,且节点的剩余能量超过设置的能量硬门限时,该节点检测到目标,并被激活加入候选集合Sk+1和Ck+1,其他的节点仍然保持在睡眠状态。
步骤S41中,为求基于最大似然估计的Fisher信息矩阵来设计效用函数作为簇成员节点选择的信息度量,根据S12中的观测模型,在给定目标位置(x,y,z)的条件下,k+1时刻第i个候选簇成员节点的测量值Mi,k+1的高斯概率模型可以表示为:
因此,若k+1时刻从簇成员候选集合Sk+1中选择Nk+1个簇节点参与目标的被动跟踪过程,则测量值集合Mk+1的联合概率密度函数P(Mk+1|x,y,z)表示为:
两边取对数,得其对数似然函数为:
基于最大似然估计的目标定位就是求目标位置坐标(x,y,z)的估计值,使联合概率密度函数P(Mk+1|x,y,z)最大。即:
基于最大似然估计的目标位置估计的误差协方差阵Rk+1的下界可以由最大似然估计Cramer-Rao下界确定,而最大似然估计的Cramer-Rao下界可以用如下的Fisher信息矩阵Jk+1的逆矩阵来表示:
因此,基于最大似然的目标位置估计的方差与Fisher信息矩阵Jk+1的关系满足:
其中trace(Jk+1)和det(Jk+1)分别是矩阵Jk+1的迹和行列式。
利用Fisher信息矩阵Jk+1构造传感器选择的效用函数:
其中,表示Nk+1个簇成员节点构成的集合,表示根据集合中传感器的位置和目标预测位置计算得到的Fisher信息矩阵。本发明假设所有传感器节点具有相同的测量噪声统计特性,即则传感器节点的选择度量可以简化为:
当然,上述说明并非是对本发明的限制,本发明也并不仅限于上述举例,本技术领域的普通技术人员在本发明的实质范围内所做出的变化、改型、添加或替换,也应属于本发明的保护范围。
Claims (9)
1.一种基于动态簇的水下多传感器协作被动跟踪方法,其特征在于,包括以下步骤:
步骤11、簇成员节点进行本地状态估计
在k时刻,选择的Nk个簇成员节点根据簇头节点CHk-1的融合状态预测值以及融合预测误差协方差Pk|k-1,分别使用无迹卡尔曼滤波获得目标在k时刻的本地状态估计以及相应的误差协方差Pi,k|k,并将本地状态估计以及相应的误差协方差Pi,k|k发送至k时刻的簇头节点CHk,其中1≤i≤Nk;
步骤12、簇头节点进行融合估计
簇头节点CHk作为融合中心,将根据各个簇成员节点的本地状态估计使用带反馈的基于分量按标量加权的线性最小方差融合准则对各个本地状态估计进行融合,得到目标在k时刻的融合状态估计和融合误差协方差Pk|k,并将融合结果以单跳或多跳的方式传递给水面基站,水面基站通过电磁波通信的方式将信息发送到岸基控制中心,用于下一步的决策与控制;
步骤13、预测
步骤14、簇成员节点的选择
步骤15、簇头节点的选择
2.根据权利要求1所述的基于动态簇的水下多传感器协作被动跟踪方法,其特征在于所述的步骤14和15中的簇成员节点候选集合Sk+1和簇头节点候选集合Ck+1,具体为:
簇成员节点候选集合Sk+1和簇头节点候选集合Ck+1分别满足以下条件:
其中,ε∈[0,1]是一个自定义的参数,由于噪声的影响,被激活节点监测到的声强应不小于ε越大,表示候选集合Sk+1和Ck+1中候选节点的数目就越多;Ej≥EMEM_th和Ei≥ECH_th是为选择出符合能量要求的候选簇成员节点和候选簇头节点设置的能量硬门限,即节点的当前剩余能量值低于能量硬门限时,节点不能加入候选集合Sk+1和Ck+1;Ij和Ii分别表示节点i和节点j检测到的目标的声强,声强的衰减与距离成反比,节点i检测到的目标的声强可以表示为:
其中,gi表示第i个节点的增益系数,I表示目标辐射的声强,||Pi-T||表示第i个节点与目标之间的距离,α表示强度衰减系数;阈值Ith对应距离等于最大感知范围Rs时的声强,当节点检测到的声强超过阈值Ith,且节点的剩余能量超过设置的能量硬门限时,该节点检测到目标,并被激活成为候选节点,其他的节点仍然保持在睡眠状态。
3.根据权利要求1所述的基于动态簇的水下多传感器协作被动跟踪方法,其特征在于所述的步骤14中的簇成员节点的选择,具体为:
S41、用于簇成员节点选择的目标函数由效用函数和成本函数两部分构成,具体表示为:
S42、效用函数是簇成员节点选择的信息度量,采用基于最大似然估计的Fisher信息矩阵Jk+1构造簇成员节点选择的效用函数:
其中,lbro为簇成员节点接收到簇头节点发布的广播信息的长度,表示接收长度为lbro的广播信息消耗的能量,lrep表示簇成员节点向簇头节点回复信息的长度,表示发送长度为lbro的回复信息消耗的能量,llocal表示簇成员节点向簇头节点发送的本地信息的长度,表示发送长度为llocal的信息消耗的能量,lfusion表示簇成员节点接收簇头节点发送的融合信息的长度,表示接收长度为lfusion的信息消耗的能量,etx和erx分别表示发送和接收模块运行时需要的能量,Pr为接收端要求的最低信号接收功率,A(dj)为抵抗水声信道的能量衰减需要的增幅系数;
α=10a/10
其中,f为频率,单位为KHz。
假设簇成员节点候选集合Sk+1中共有NS个候选节点,将簇成员节点的选择问题归类为数学中的背包问题,用NS表示物品的种类,需要选择的簇成员节点数目Nk+1表示背包的容量,对应目标函数的取值表示所选物品的总价值,假设每种物品的重量wi=1,(1≤i≤NS),使用动态规划的方法来选择一个最优的簇成员节点组合实现目标函数的最大化,具体的求解过程如下:
步骤51、设计动态规划表;
步骤52、初始化动态规划表;
步骤53、递归求解最优解的值;
通过设定跟踪误差阈值Ψ0,根据融合预测协方差Pk+1|k的迹可以自适应地调整背包问题中的背包容量Nk+1,也就是参与运算的簇成员节点的数目,Nk+1的值可以在[Nmin,NS]内变化,具体过程为:
当tr(Pk+1|k)≤Ψ0,表示跟踪效果已经达到了预设的要求,可以在保障跟踪效果满足要求的前提下,适当减少选择的簇成员节点的数目;
当tr(Pk+1|k)>Ψ0,表示跟踪误差已经超过了预设的要求,要适当增加选择簇成员节点的数目,以改善目标跟踪效果。
5.根据权利要求4所述的基于动态簇的水下多传感器协作被动跟踪方法,其特征在于所述的步骤51中的设计动态规划表,具体为:
构造一个二维数组V∈(NS+1)×(Nk+1+1),数组元素V[i,j](0≤i≤NS,0≤j≤Nk+1)表示把前面i个物体装入载重量为j的背包所取得的最优价值,按照二维数组V构建如表1所示的动态规划表,表中的每一个元素V[i,j]都对应着一个决策序列和一个集合Pi,j,Pi,j初始为空集,决策序列N(:,i,j)表示与V(i,j)相对应的NS个候选簇成员节点的状态,选择为1,不选择为0,Pi,j用于保存决策序列N(:,i,j)中选择的簇成员节点,决策序列需满足以下两个约束条件:
(62)ni∈(0,1),1≤i≤NS;
表1动态规划表
综上,簇成员节点的选择问题可以归结为寻找一个集合Pi,j使目标函数V[i,j]达到最大的问题,即:
Pi,j=argmaxV[i,j]s.t.V[i,j]=Φ[Pi,j],Pi,j∈Sk+1,|Pi,j|=j。
7.根据权利要求4所述的基于动态簇的水下多传感器协作被动跟踪方法,其特征在于所述的步骤53中的递归求解最优解的值,具体为:
为选择出最优的节点组合,根据如下的动态规划函数和递归过程进行求解:
(81)当j<wi时,表示不选择第i个候选簇成员节点;
V[i,j]=V[i-1,j]=Φ[Pi-1,j]s.t.Pi-1,j∈Sk+1,|Pi-1,j|=j;
N(:,i,j)=N(:,i-1,j);
pi,j=pi-1,j;
(82)当j≥wi时,
若V[i,j]=V[i-1,j],表示不选择第i个候选簇成员节点,
N(:,i,j)=N(:,i-1,j);
Pi,j=Pi-1,j;
若V[i,j]=Φ[p(i-1,j-wi)∪Sk+1(i)],表示选择第i个候选簇成员节点,
令l=[0,…,0,1,0,…,0],其中l(i)=1;
当(i,j)=(NS,Nk+1)时,对应的集合Pi,j就是通过递归求解的最优节点的组合。
8.根据权利要求1所述的基于动态簇的水下多传感器协作被动跟踪方法,其特征在于所述的步骤15中的簇头节点的选择,具体为:k时刻的簇头节点为CHk,根据k时刻簇头节点对目标的融合状态预测值选择k+1时刻的簇头节点CHk+1,选择规则为:
其中,Ck+1和Sk+1分别表示k+1时刻簇头节点和簇成员节点的候选集合;dis(i,CHk)是候选簇头节点i与CHk之间的距离;Rc表示节点的通信距离;表示候选簇头节点i与集合中的簇成员节点j之间的距离;
其中,α,β和γ是调节三个分量的比率的参量,且满足α+β+γ=1;表示由簇头CHk到第i个候选簇头节点i的向量与由簇头CHk到目标预测位置的向量之间的余弦值,值越大,则候选簇头CHk+1的方向越靠近目标移动的方向;表示簇头节点CHk与候选簇头i节点之间的距离,距离越远,簇头交换的次数就越少,消耗能量越少;表示选择能量剩余较多的候选簇头节点作为下一时刻的簇头,是候选簇头节点本身具有的能量,簇头节点消耗的总能量表示为:
9.根据权利要求8所述的基于动态簇的水下多传感器协作被动跟踪方法,其特征在于所述的簇头节点的选择,具体为,竞选成功的簇头节点将其簇头标志位CH_Flag置1,并向周围的节点广播其成为簇头的信息,其它候选簇头节点接收信息后,将不再参与簇头的竞选,并将其簇头标志位CH_Flag置0;选择的簇成员节点在接收到消息时,记录簇头节点的信息,并将其簇成员标志位MEM_Flag置1,并向簇头节点回复一个信息,告诉簇头其是簇内成员。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811238641.5A CN109470235B (zh) | 2018-10-23 | 2018-10-23 | 一种基于动态簇的水下多传感器协作被动跟踪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811238641.5A CN109470235B (zh) | 2018-10-23 | 2018-10-23 | 一种基于动态簇的水下多传感器协作被动跟踪方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109470235A CN109470235A (zh) | 2019-03-15 |
CN109470235B true CN109470235B (zh) | 2020-05-22 |
Family
ID=65664304
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811238641.5A Active CN109470235B (zh) | 2018-10-23 | 2018-10-23 | 一种基于动态簇的水下多传感器协作被动跟踪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109470235B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN110730415B (zh) * | 2019-10-09 | 2020-09-01 | 浙江大学 | 一种基于分层海流模型的水下传感器节点定位方法 |
CN112130155B (zh) * | 2020-09-29 | 2022-10-21 | 中国船舶重工集团公司第七二四研究所 | 一种导航声纳灰度图像时变增强方法 |
CN112529941B (zh) * | 2020-12-17 | 2021-08-31 | 深圳市普汇智联科技有限公司 | 一种基于深度轨迹预测的多目标跟踪方法及系统 |
CN113613175B (zh) * | 2021-07-23 | 2023-10-13 | 哈尔滨工程大学 | 一种基于动态簇的无线传感器网络目标跟踪方法 |
CN114234982B (zh) * | 2021-12-20 | 2024-04-16 | 中南大学 | 基于方位角定位的三维轨迹规划方法、系统、设备及介质 |
CN116068884B (zh) * | 2023-03-14 | 2023-06-09 | 天津大学 | 应用于探测设备的自适应悬停控制方法及电子设备 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH11109024A (ja) * | 1997-10-07 | 1999-04-23 | Nec Corp | 周波数分析装置及び水中目標類別装置 |
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 |
CN102830402A (zh) * | 2012-09-10 | 2012-12-19 | 江苏科技大学 | 水下传感器网络目标跟踪系统及方法 |
CN103645487A (zh) * | 2013-12-06 | 2014-03-19 | 江苏科技大学 | 水下多目标跟踪方法 |
CN106231547A (zh) * | 2016-07-19 | 2016-12-14 | 河海大学 | 基于动态分簇的移动目标追踪方法 |
CN107368086A (zh) * | 2017-07-04 | 2017-11-21 | 哈尔滨工程大学 | 基于探测威胁域的无人潜航器路径规划装置及方法 |
CN107548029A (zh) * | 2017-08-21 | 2018-01-05 | 河海大学常州校区 | 一种基于海水分层的水下传感网络中auv数据收集方法 |
CN108303891A (zh) * | 2018-02-11 | 2018-07-20 | 浙江大学 | 基于不确定海流扰动下的多auv分布式协同跟踪控制方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101355390B (zh) * | 2008-08-12 | 2011-08-10 | 武汉大学 | 水下传感器网络高时间分辨率数据虚拟簇收集方法 |
CN102546323B (zh) * | 2010-12-14 | 2014-05-07 | 中国科学院声学研究所 | 一种基于水声和无线电混合信道的对等网络的实现方法 |
-
2018
- 2018-10-23 CN CN201811238641.5A patent/CN109470235B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH11109024A (ja) * | 1997-10-07 | 1999-04-23 | Nec Corp | 周波数分析装置及び水中目標類別装置 |
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 |
CN102830402A (zh) * | 2012-09-10 | 2012-12-19 | 江苏科技大学 | 水下传感器网络目标跟踪系统及方法 |
CN103645487A (zh) * | 2013-12-06 | 2014-03-19 | 江苏科技大学 | 水下多目标跟踪方法 |
CN106231547A (zh) * | 2016-07-19 | 2016-12-14 | 河海大学 | 基于动态分簇的移动目标追踪方法 |
CN107368086A (zh) * | 2017-07-04 | 2017-11-21 | 哈尔滨工程大学 | 基于探测威胁域的无人潜航器路径规划装置及方法 |
CN107548029A (zh) * | 2017-08-21 | 2018-01-05 | 河海大学常州校区 | 一种基于海水分层的水下传感网络中auv数据收集方法 |
CN108303891A (zh) * | 2018-02-11 | 2018-07-20 | 浙江大学 | 基于不确定海流扰动下的多auv分布式协同跟踪控制方法 |
Non-Patent Citations (2)
Title |
---|
Delay-Estimation-Based Asynchronous Particle Filtering for Passive Target Tracking in Underwater Wireless Sensor Networks;Meiqin Liu; Lijia Zhao; Senlin Zhang;《第36届中国控制会议论文集》;20170726;全文 * |
水下无线传感网中基于能量效率的簇路由;冯光辉等;《计算机工程与设计》;20180331;第39卷(第3期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN109470235A (zh) | 2019-03-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109470235B (zh) | 一种基于动态簇的水下多传感器协作被动跟踪方法 | |
Ullah et al. | Localization and detection of targets in underwater wireless sensor using distance and angle based algorithms | |
Lv et al. | Artificial intelligence in underwater digital twins sensor networks | |
Erol-Kantarci et al. | A survey of architectures and localization techniques for underwater acoustic sensor networks | |
Su et al. | Localization and data collection in AUV-aided underwater sensor networks: Challenges and opportunities | |
Kumari et al. | Localization in three-dimensional wireless sensor networks: a survey | |
CN102869090B (zh) | 一种基于auv协助的水下无线传感器网络定位方法 | |
Han et al. | A multi-node cooperative bearing-only target passive tracking algorithm via UWSNs | |
CN107708133B (zh) | 基于网格划分的水下无线传感器网络多维优化节点部署方法 | |
CN103002575A (zh) | 基于粒子群算法的水下无线传感器网络节点定位方法 | |
Su et al. | Unmanned-surface-vehicle-aided maritime data collection using deep reinforcement learning | |
Wen et al. | Intelligent multi-AUG ocean data collection scheme in maritime wireless communication network | |
Wang et al. | Task scheduling for distributed auv network target hunting and searching: An energy-efficient aoi-aware dmappo approach | |
Wang et al. | UWSNs positioning technology based on iterative optimization and data position correction | |
CN110167124B (zh) | 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 | |
Hossain et al. | Three dimensional (3D) underwater sensor network architectures for intruder localization using EM wave | |
CN112654001A (zh) | 面向多无人艇协同控制的混合通信网络架构、管理方法及通信质量评价 | |
Ullah et al. | A stable and reliable short-path routing scheme for efficient acoustic wireless sensor networks (AWSNs) | |
Fan et al. | A time-varying acoustic channel-aware topology control mechanism for cooperative underwater sonar detection network | |
Lv et al. | An improved localization scheme based on PMCL method for large-scale mobile wireless aquaculture sensor networks | |
Basit et al. | A review of routing protocols for underwater wireless sensor networks | |
Mishachandar et al. | A review on underwater acoustic sensor networks: Perspective of internet of things | |
Mythrehee et al. | A cross layer UWSN architecture for marine environment monitoring | |
AbdelSalam et al. | A lightweight skeleton construction algorithm for self-organizing sensor networks | |
Liu et al. | Computationally efficient target-node geometry selection for target tracking in UWSNs |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |