CN109729498B - 一种基于维诺图的自适应节点选择的目标跟踪方法及系统 - Google Patents

一种基于维诺图的自适应节点选择的目标跟踪方法及系统 Download PDF

Info

Publication number
CN109729498B
CN109729498B CN201910143871.1A CN201910143871A CN109729498B CN 109729498 B CN109729498 B CN 109729498B CN 201910143871 A CN201910143871 A CN 201910143871A CN 109729498 B CN109729498 B CN 109729498B
Authority
CN
China
Prior art keywords
node
nodes
target
cluster head
energy
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
Application number
CN201910143871.1A
Other languages
English (en)
Other versions
CN109729498A (zh
Inventor
周非
董一璇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chongqing University of Post and Telecommunications
Original Assignee
Chongqing University of Post and Telecommunications
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Chongqing University of Post and Telecommunications filed Critical Chongqing University of Post and Telecommunications
Priority to CN201910143871.1A priority Critical patent/CN109729498B/zh
Publication of CN109729498A publication Critical patent/CN109729498A/zh
Application granted granted Critical
Publication of CN109729498B publication Critical patent/CN109729498B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Landscapes

  • Mobile Radio Communication Systems (AREA)

Abstract

本发明属于无线传感网络和目标跟踪技术应用领域，公开了一种基于维诺图的自适应节点选择的目标跟踪方法及系统，以Voronoi图作为网络模型，将网络中的节点进行分簇，簇内有激活节点、休眠节点和唯一的簇头节点。依据提出的节点选择算法对Voronoi图区域中的传感器节点进行部分激活，并且扩展卡尔曼滤波用于进行目标跟踪。实施本发明，能够使算法具有较低的能量消耗和较高的跟踪精度，可以实现降低传感器节点的能耗，延长网络的生命周期；大大改善了能量均衡问题，并且簇内节点通过贪婪算法与阈值的设定，有效降低激活节点的数量。

Description

一种基于维诺图的自适应节点选择的目标跟踪方法及系统
技术领域
本发明属于无线传感网络和目标跟踪技术应用领域，尤其涉及一种基于维诺图的自适应节点选择的目标跟踪方法及系统。
背景技术
目前，最接近的现有技术：
随着科学技术与计算机领域的迅速发展，无线传感器网络(Wireless SensorNetworks,WSN)也得到了迅速发展，并在野生动物监测、工业生产、军事环境、环境监测、卫生医疗等各个领域有着广泛的应用。WSN由大量具有传感、数据处理和无线通信组件及基站(Base Station,BS)的低功率、廉价传感器组成，WSN中每个传感器节点都能够计算、通信和处理数据。传感器节点依靠电池进行供电，没有蓄电功能，并且无法更换电池，而目标跟踪需要长时间运作，大量节点时刻保持工作状态，会消耗大量能量，当一部分节点能量耗尽，则会出现通信空洞和覆盖空洞等情况。
WSN中，目标跟踪是极其重要且经典的应用之一。室外的目标跟踪通常利用卫星进行勘测，但室内及其他偏远地区，卫星信号较弱，无法及时有效地对目标进行定位及跟踪，而传感器体积小、重量轻、可移动、便于部署、实时性强等特点，适合军事、环境监测、医疗等各个领域。
综上所述，现有技术存在的问题是：
(1)无线传感器网络中，往往由于传感器节点能量耗尽，导致整个网络低效操作，甚至出现节点空洞的情况。而且现有技术不能降低节点空洞和效率低下的情况发生。
(2)无线传感器网络中，簇头节点随机选择，可能会出现簇头节点分布不均匀或簇头节点的能量无法支撑网络对目标的跟踪。
(3)无线传感器网络中，跟踪目标的节点过多，会造成能量浪费和节点冗余现象，能量过度浪费后，网络中传感器节点无法进行跟踪工作，或者存留的节点较少，目标跟踪精度降低，甚至网络中出现节点空洞、目标丢失等现象。
解决上述技术问题的难度：
无线传感器网络为密集型网络，需要在大量的节点中寻找适合的节点作为簇头节点，对激活节点收集到的数据信息进行分析，如何设计一种算法找出合适的簇头节点并更新是本发明的难点之一；目标进入网络中，传感器内部分节点激活，对目标进行跟踪，如何在目标所在簇内激活一定数量的节点，是本发明的另一个难点。
解决上述技术问题的意义：
无线传感器网络属于密集型网络，网络中需要部署大量的传感器，一般采用较为廉价的传感器节点进行部署，若传感器节点出现小规模故障或能量不足等情况，直接会影响目标跟踪的精度，现有的传感器节点能量依靠电池供电，无法蓄电，节点能量耗尽时该节点无法继续工作，因此如何降低传感器节点的能耗问题是无线传感器网络中极为关键的一环。
发明内容
针对现有技术存在的问题，本发明提供了一种基于维诺图的自适应节点选择的目标跟踪方法及系统。主要利用维诺图为网络模型，扩展卡尔曼滤波为跟踪方式，通过对传感器节点进行选择和调度，对目标进行跟踪。
本发明是这样实现的，一种基于维诺图的自适应节点选择的目标跟踪方法包括：
初始状态下，所有传感器节点的能量均为饱和，簇头节点随机均匀分布在网络中；初始状态外，簇头节点根据阈值设定进行优先选择；
在网络中，将传感器节点利用维诺图进行分簇，每个簇中有且仅有一个簇头节点、多个簇内节点；
当网络中无目标进入时，所有节点处于休眠状态，能量消耗低；当网络中有目标进入时，目标当前所在维诺图的多边形区域中簇内节点根据节点选择方法进行部分激活，对目标进行监测；
目标所在维诺图的多边形区域中簇头节点将激活节点检测到的数据汇总处理；
利用扩展卡尔曼滤波对目标进行跟踪，目标进入下一时刻，直至目标走出该网络区域。
进一步，簇头的选择中，在观测区域中传感器节点随机部署，簇头节点负责计算位置坐标并收集该多边形内其他节点采集的感知信息；当目标处于中某一Voronoi多边形内时，多边形内的簇头节点然后选择剩余能量高、距离簇头节点近的传感器进行激活，剩余节点处于休眠状态；簇头节点与激活节点共同探测目标，激活节点将数据信息发送到簇头节点，簇头节点处理位置计算，则簇头节点与激活节点共同完成定位工作。
簇头节点的选择可以将传感器节点分为多个部分，当目标进入区域中，仅一个簇内节点对目标进行跟踪，可以大大降低传感器节点的能量消耗，并且合理地选择簇头节点使得保持能量均衡，尽可能延长网络使用寿命。
进一步，簇头的选择具体包括：根据Fisher信息矩阵的扩展卡尔曼滤波方法，计算当前簇中各节点的Fisher信息判据，获得信息度量，并自动选择第一个具有最小度量的节点作为簇头节点；
进一步，网络模型对传感器节点进行分簇中，Voronoi图根据K个不同的点，将平面分为K个区域，使多边形区域内任意一点到该点的距离均小于到其它多边形区域内点的距离。
进一步，簇内节点的激活的方法包括：
使用贪婪算法来选择和调度节点；设置节点个数t，若目标所在多边形内的普通节点剩余能量大于设置的能量阈值，列为候选节点，再根据能量大小排序，取能量最大的t个节点变为激活节点，对目标进行跟踪。
选择簇内部分节点对目标进行跟踪，可以减少对节点的能量消耗，降低节点冗余和能量浪费，合理地选择激活节点可以有效地延长网络的使用寿命。
进一步，簇头选取的方法具体包括：0时刻，网络中的传感器节点能量均为饱和，簇头节点Voronoi图中随机分布；其余时刻，簇头选择根据Fisher信息矩阵的扩展卡尔曼滤波方法，计算当前簇中各节点的Fisher信息判据，获得信息度量，并自动选择第一个具有最小度量的节点作为簇头节点；利用下式选择最大信息判决：
Figure GDA0002958051000000041
node为S*(k)中选出的使信息判决最小的节点；如果节点的剩余的能量值大于阈值，成为候选节点，否则将成为休眠节点；
Figure GDA0002958051000000042
其中，α代表控制阈值系数；将Voronoi图所有节点依次进行判断，将满足条件的簇头节点广播候选信息1，剩余节点在接收到信号后不参与候选簇头节点，并且状态设置为0。
进一步，簇内节点激活方法具体包括：
传感器节点i向节点j传输1b数据；公式中的能量消耗Ec(si,sj)是节点之间的传输能量消耗Et(si,sj)与节点j的接收能量消耗Er(sj)之和：
Er(sj)＝er；
Figure GDA0002958051000000043
Figure GDA0002958051000000044
设置节点个数阈值为3，若目标所在多边形内的普通节点剩余能量大于Ec(si,sk)，其列为候选节点，再根据能量大小排序，取能量最大的3个节点变为激活节点，对目标进行跟踪。
进一步，利用扩展卡尔曼滤波对进行目标跟踪；目标恒定速度运动，跟踪时刻tk时，状态变量为：
Figure GDA0002958051000000045
(xt(k),yt(k))代表目标的位置坐标，。
Figure GDA0002958051000000046
代表目标在X轴与Y轴方向在时间时tk的速度；对于目标的运动模型如下：
xk+1＝Fxk+Bwwk
T代表采样间隔，F及Bw代表动态转移矩阵：
Figure GDA0002958051000000051
wk表示加速度的零均值的动态高斯白噪声，协方差为：
Figure GDA0002958051000000052
假设无线传感器网络中分布的每一个节点都是同种类型的静态传感器；
Figure GDA0002958051000000053
为节点i在k时刻对目标的距离观测量；
Figure GDA0002958051000000054
为节点i和目标节点在k时刻的真实距离：
Figure GDA0002958051000000055
(xi,yi)代表无线传感器网络中节点i的坐标位置，(xt(k),yt(k))代表目标节点k时刻的位置；目标节点的观测模型为：
Figure GDA0002958051000000056
Figure GDA0002958051000000057
代表节点i的观测噪声，方差是
Figure GDA0002958051000000058
Nk代表k时刻所激活节点的数量。
本发明的另一目的在于提供一种实施所述的基于维诺图的自适应节点选择的目标跟踪方法的基于维诺图的自适应节点选择的目标跟踪控制系统。
本发明的另一目的在于提供一种搭载所述基于维诺图的自适应节点选择的目标跟踪控制系统的终端。
综上所述，本发明的优点及积极效果为：
本发明主要对如何降低传感器节点的能量消耗进行讨论。传感器节点大量进行目标跟踪，会造成节点冗余与能量的过度消耗，所以需要提出一种节点选择方法，降低能耗。
本发明在无线传感器网络中，选择能量较高的节点成为簇头，并且目标进入网络区域后，所在多边形区域中并非所有簇内节点均被激活，选择能量较高的三个簇内节点进行激活，并与簇头节点共同完成对目标的跟踪工作。其他节点处于休眠状态。由此可以实现降低传感器节点的能耗，延长网络的生命周期。
本发明在无线传感器网络中，当t＝3时，仿真20次，利用本文提出的贪婪算法对节点进行选择和未对节点进行选择时的剩余能量进行比较，如图9所示，对节点进行选择的能量剩余值比未对节点进行选择的能量剩余值高，利用本文提出的节点选择算法可以有效地降低能量损耗。
本发明在无线传感器网络中，选择簇内3个节点进行激活，由图10可知，当t＝4时，能量消耗最快；当t＝3时，能量消耗较慢；当t＝2时，能量消耗最慢；由图11得到，当激活节点阈值t＝3时的均方根误差最小，当t＝4时，激活节点过多，造成节点冗余，跟踪精度降低。综合考虑，当选择t＝3时，剩余能量较高时，精度较佳，对节点选择的效果较好。
本发明与现有技术相比的优点在于，利用Voronoi图将网络分为多个多边形区域，每个多边形中有一个簇头节点，本发明通过能量均衡调度准则有效的选择簇头节点，大大改善了能量均衡问题，并且簇内节点通过贪婪算法与阈值的设定，有效降低激活节点的数量，在保证一定跟踪精度的前提下，减少了节点的能量消耗，延长网络的使用寿命。
附图说明
图1是本发明实施例提供的基于维诺图的自适应节点选择的目标跟踪方法流程图。
图2是本发明实施例提供的Voronoi图。
图3是本发明实施例提供的网络模型图。
图4是本发明实施例提供的选择簇头节点流程图。
图5是本发明实施例提供的选择激活节点流程图。
图6是本发明实施例提供的目标跟踪效果图。
图7是本发明实施例提供的仿真结果的均方根误差RMSE。
图8是本发明实施例提供的最小二乘滤波(LEAST Square Filtering,LSF)和扩展卡尔曼滤波(Extended Kalman Filter,EKF)目标跟踪对比图。
图9是本发明实施例提供的当激活节点的阈值为t＝3时，进行节点选择和未进行节点选择时的剩余能量。
图10是本发明实施例提供的当激活节点的阈值为t＝2,3,4时，目标跟踪得到的均方根误差。
图11是本发明实施例提供的当激活节点的阈值为t＝2,3,4时，跟踪能量损耗的分析。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
无线传感器网络中，往往由于传感器节点能量耗尽，导致整个网络低效操作，甚至出现节点空洞的情况。而且现有技术不能降低节点空洞和效率低下的情况发生。
为解决上述问题，下面结合具体方案对本发明作详细描述。
如图1所示，本发明实施例提供的基于维诺图的自适应节点选择的目标跟踪方法包括：
初始状态下，所有传感器节点的能量均为饱和，即簇头节点随机均匀分布在网络中；其余状态下，簇头节点根据阈值设定进行优先选择。
在网络中，将传感器节点利用维诺图进行分簇，每个簇中有且仅有一个簇头节点、多个簇内节点。
当网络中无目标进入时，所有节点处于休眠状态，能量消耗较低；当网络中有目标进入时，目标当前所在维诺图的多边形区域中簇内节点根据节点选择方法进行部分激活，对目标进行监测。
目标所在维诺图的多边形区域中簇头节点将激活节点检测到的数据汇总处理。
利用扩展卡尔曼滤波对目标进行跟踪，目标进入下一时刻，返回步骤3)，直至目标走出该网络区域。
具体包括：
1)簇头的选择。
2)网络模型(图3所示)中利用Voronoi图对传感器节点进行分簇。
3)簇内节点的激活。
如图4所示，在本发明实施例中，步骤1)中，在观测区域中传感器节点随机部署，其中簇头节点主要负责计算位置坐标并收集该多边形内其他节点采集的感知信息。当目标处于中某一Voronoi多边形内时，该多边形内的簇头节点然后选择剩余能量较高、距离簇头节点较近的传感器进行激活，其余节点处于休眠状态。簇头节点与激活节点共同探测目标，激活节点将数据信息发送到簇头节点，簇头节点处理位置计算，则簇头节点与激活节点共同完成定位工作。
在本发明实施例中，步骤1)中，簇头的选择具体为：0时刻，网络中的传感器节点能量均为饱和，即簇头节点Voronoi图(图2所示)中是随机分布的。其余时刻，簇头选择遵循以下规则：本发明根据Fisher信息矩阵的扩展卡尔曼滤波方法，计算当前簇中各节点的Fisher信息判据，获得信息度量，并自动选择第一个具有最小度量的节点作为簇头节点。
在本发明实施例中，所述步骤2)中，使用的网络模型为Voronoi图，又称为泰森多边形。Voronoi图可以将网络划分为多个多边形，每个多边形中有一个簇头节点和若干个簇内节点。在网络中，Voronoi图根据K个不同的点，将平面分为K个区域，确保多边形区域内任意一点到该点的距离均小于到其它多边形区域内点的距离。Voronoi生成比较迅速，能够方便地适应环境变化等诸多特性，提出Voronoi对待定位区域进行划分等作用，以此提高定位精度与反应速度等。
如图5所示，在本发明实施例中，步骤3)中，很多目标跟踪没有考虑到跟踪目标的传感器节点过多造成的诸多问题，例如，传感器节点能量消耗过快、大量传感器节点同时进行跟踪，导致节点冗余，多度浪费。所以本发明设计了一种节点选择算法，降低传感器节点能耗，延长节点使用寿命。
在本发明实施例中，步骤3)中，具体操作为：本发明使用贪婪算法来选择和调度节点。本发明中设置节点个数t，若目标所在多边形内的普通节点剩余能量大于设置的能量阈值，则将其列为候选节点，再根据能量大小排序，取其能量最大的t个节点变为激活节点，对目标进行跟踪。
下面结合具体实施例对本发明作进一步描述。
实施例：
本发明实施例提供的基于维诺图的自适应节点选择的目标跟踪方法包括：
1)簇头选取的方法：簇头节点要接收其他节点探测到的数据能量，并且对目标进行跟踪定位，能量消耗是最大的。对于无线传感器网络中，簇头节点进行合理并高效的选取，可以有效地平衡簇内能量消耗问题，也可以提高下一时刻跟踪精度。0时刻，网络中的传感器节点能量均为饱和，即簇头节点Voronoi图中是随机分布的。其余时刻，簇头选择遵循以下规则：本发明根据Fisher信息矩阵的扩展卡尔曼滤波方法，计算当前簇中各节点的Fisher信息判据，获得信息度量，并自动选择第一个具有最小度量的节点作为簇头节点。利用式(12)选择最大信息判决：
Figure GDA0002958051000000091
node为S*(k)中选出的使信息判决最小的节点。如果节点的剩余的能量值大于阈值，则将成为候选节点，否则将成为休眠节点。
Figure GDA0002958051000000092
其中，α代表控制阈值系数。将Voronoi图所有节点依次进行判断，将满足条件的簇头节点广播候选信息“1”，其余节点在接收到信号后不参与候选簇头节点，并且状态设置为“0”。
选择簇头节点的伪代码如下：
伪码：[Nd,C,Etot,node,enode,k]＝Greedy(Ns,Nd)
其中：Ns—集群中的节点集，Nd—期望得到的节点数。
输出：Nd—期望节点集合，C—新的候选节点集合，Etot—期望集合的总能量，node—当前时刻所选最后一个节点，enode—k时刻时该节点的剩余能量，η—阈值。
初始化候选节点：
C＝Ns；
Ncand＝0；
初始化目标函数：
Etot＝0；
随机选择一个候选节点i∈C；
当|Ncand|＜Nd时，
对于每个i∈C而言，如果enode＞η那么
Nd＝Nd+{i}；
|Ncand|＝Ncand+1；
结束，得到Nd＝Ncand。
2)簇内节点激活方法：当目标进入网络模型中时，目标所在多边形中的簇头节点感应到目标，并根据贪婪算法将簇内节点进行选择性激活。
本方法假设传感器节点i向节点j传输1b数据。公式中的能量消耗Ec(si,sj)是节点之间的传输能量消耗Et(si,sj)与节点j的接收能量消耗Er(sj)之和：
Er(sj)＝er
Figure GDA0002958051000000101
Figure GDA0002958051000000102
本方法中设置节点个数阈值为3，若目标所在多边形内的普通节点剩余能量大于Ec(si,sk)，则将其列为候选节点，再根据能量大小排序，取其能量最大的3个节点变为激活节点，对目标进行跟踪。
本发明在二维平面中单个目标的跟踪问题。利用扩展卡尔曼滤波对进行目标跟踪。目标恒定速度(constant velocity)运动，跟踪时刻tk时，状态变量为：
Figure GDA0002958051000000111
(xt(k),yt(k))代表目标的位置坐标，。
Figure GDA0002958051000000112
代表目标在X轴与Y轴方向在时间时tk的速度。对于目标的运动模型如下：
xk+1＝Fxk+Bwwk
T代表采样间隔，F及Bw代表动态转移矩阵：
Figure GDA0002958051000000113
wk表示加速度的零均值的动态高斯白噪声，其协方差为：
Figure GDA0002958051000000114
观测模型：假设无线传感器网络中分布的每一个节点都是同种类型的静态传感器。定义
Figure GDA0002958051000000115
为节点i在k时刻对目标的距离观测量。
Figure GDA0002958051000000116
为节点i和目标节点在k时刻的真实距离：
Figure GDA0002958051000000117
(xi,yi)代表无线传感器网络中节点i的坐标位置，(xt(k),yt(k))代表目标节点k时刻的位置。则目标节点的观测模型为：
Figure GDA0002958051000000118
Figure GDA0002958051000000119
代表节点i的观测噪声，其方差是
Figure GDA00029580510000001110
Nk代表k时刻所激活节点的数量。
下面结合实验仿真对本发明作进一步描述。
本发明在CPU Inter Core i3-6100@3.7GHz、内存8GB、Matlab R2016b仿真平台下，对所提出的算法进行模拟仿真。
实验仿真场景设计如下：具有200m×200m的正方形区域中随机分布M＝1200个传感器节点。其中簇头节点的阈值为η＝200。节点可以获取自身的位置坐标。假设初始目标节点状态x0|0＝[30,30,5,5]，P0|0＝10·I4。目标节点也会收到噪声和加速度的干扰，该协方差为Q＝0.1·I4。每个节点的观测噪声
Figure GDA0002958051000000121
采样间隔为T＝1s，采样时长k＝20。激活候选节点的个数不超过5，最小不超过1。
假设节点的感知范围非常大，足以探测维诺图中目标。在模型中，节点的密度较大，避免Voronoi图多边形中候选节点数量小于所需激活节点数量的情况。检测该算法的指标主要有两种，即跟踪精度和跟踪能耗。跟踪精度由均方根误差(Root Mean SquareError,RMSE)来描述；根据下式提出的能量消耗模型用来表示跟踪时的能量消耗，通过实际参与跟踪的节点数量，即激活节点数量和节点之间的距离来测量。RMSE定义为：
Figure GDA0002958051000000122
其中，M代表每次模拟实验中误差的样本总量；(xk,yk)代表k时刻目标的真实位置；
Figure GDA0002958051000000123
表示算法估计位置。
当簇头节点个数m＝200时，Voronoi图性质中，若节点位置确定，则Voronoi图是唯一的。图6是当目标的采样时长k＝20时，节点对目标进行跟踪的仿真效果图。图7显示了传感器节点对目标进行跟踪的RMSE。将最小二乘法(LEAST Square Filtering,LSF)与本文的EKF的均方根误差进行比较，从图8可以看出，EKF对目标跟踪的效果更好，精度更高。当t＝3时，仿真20次，利用本文提出的贪婪算法对节点进行选择和未对节点进行选择时的剩余能量进行比较，如图9所示，对节点进行选择的能量剩余值比未对节点进行选择的能量剩余值高，利用本文提出的节点选择算法可以有效地降低能量损耗。图10和图11为激活节点的阈值t＝2,3,4时，传感器节点的能耗进行分析和精度进行分析。由图11可知，当t＝4时，能量消耗最快；当t＝3时，能量消耗较慢；当t＝2时，能量消耗最慢；精度由均方根误差判断，由图10可知，t＝3时的均方根误差最小，当t＝4时，激活节点过多，造成节点冗余，跟踪精度降低。综合考虑，剩余能量和均方根误差考虑，选择t＝3时，对节点选择的效果最佳。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种基于维诺图的自适应节点选择的目标跟踪方法，其特征在于，所述基于维诺图的自适应节点选择的目标跟踪方法包括：
初始状态下，所有传感器节点的能量均为饱和，簇头节点随机均匀分布在网络中；初始状态外，簇头节点根据阈值设定进行优先选择；
在网络中，将传感器节点利用维诺图进行分簇，每个簇中有且仅有一个簇头节点、多个簇内节点；
当网络中无目标进入时，所有节点处于休眠状态，能量消耗低；当网络中有目标进入时，目标当前所在维诺图的多边形区域中簇内节点根据节点选择方法进行部分激活，对目标进行监测；
目标所在维诺图的多边形区域中簇头节点将激活节点检测到的数据汇总处理；
利用扩展卡尔曼滤波对目标进行跟踪，目标进入下一时刻，直至目标走出该网络区域；
簇内节点的激活方法包括：
使用贪婪算法来选择和调度节点；设置节点个数t，若目标所在多边形内的普通节点剩余能量大于设置的能量阈值，列为候选节点，再根据能量大小排序，取能量最大的t个节点变为激活节点，如果剩余能量相同，则选择距离簇头节点较近的候选节点激活，对目标进行跟踪；
使用贪婪算法来选择和调度节点；设置节点个数t，若目标所在多边形内的普通节点剩余能量大于设置的能量阈值，列为候选节点，再根据能量大小排序，取能量最大的t个节点变为激活节点，对目标进行跟踪；
簇头选取的方法具体包括：0时刻，网络中的传感器节点能量均为饱和，簇头节点Voronoi图中随机分布；其余时刻，簇头选择根据Fisher信息矩阵的扩展卡尔曼滤波方法，计算当前簇中各节点的Fisher信息判据，获得信息度量，并自动选择第一个具有最大度量的节点作为簇头节点；利用下式选择最大信息判决：
Figure FDA0002958050990000021
node为S*(k)中选出的使信息判决最大的节点；如果节点的剩余的能量值大于阈值，成为候选节点，否则将成为休眠节点；
Figure FDA0002958050990000022
其中，α代表控制阈值系数；将Voronoi图所有节点依次进行判断，将满足条件的簇头节点广播候选信息1，剩余节点在接收到信号后不参与候选簇头节点，并且状态设置为0。
2.如权利要求1所述的基于维诺图的自适应节点选择的目标跟踪方法，其特征在于，簇头的选择中，在观测区域中传感器节点随机部署，簇头节点负责计算位置坐标并收集该多边形内其他节点采集的感知信息；当目标处于中某一Voronoi多边形内时，多边形内的簇头节点然后选择剩余能量高、距离簇头节点近的传感器进行激活，剩余节点处于休眠状态；簇头节点与激活节点共同探测目标，激活节点将数据信息发送到簇头节点，簇头节点处理位置计算，则簇头节点与激活节点共同完成定位工作。
3.如权利要求1所述的基于维诺图的自适应节点选择的目标跟踪方法，其特征在于，簇头的选择具体包括：根据Fisher信息矩阵的扩展卡尔曼滤波方法，计算当前簇中各节点的Fisher信息判据，获得信息度量，并自动选择第一个具有最小度量的节点作为簇头节点；
4.如权利要求1所述的基于维诺图的自适应节点选择的目标跟踪方法，其特征在于，网络模型对传感器节点进行分簇中，Voronoi图根据K个不同的点，将平面分为K个区域，使多边形区域内任意一点到该点的距离均小于到其它多边形区域内点的距离。
5.如权利要求1所述的基于维诺图的自适应节点选择的目标跟踪方法，其特征在于，簇内节点激活方法具体包括：
传感器节点i向节点j传输1b数据；公式中的能量消耗Ec(si,sj)是节点之间的传输能量消耗Et(si,sj)与节点j的接收能量消耗Er(sj)之和：
Er(sj)＝er；
Figure FDA0002958050990000038
Figure FDA0002958050990000031
设置节点个数阈值为3，若目标所在多边形内的普通节点剩余能量大于Ec(si,sk)，其列为候选节点，再根据能量大小排序，取能量最大的3个节点变为激活节点，对目标进行跟踪。
6.如权利要求5所述的基于维诺图的自适应节点选择的目标跟踪方法，其特征在于，
利用扩展卡尔曼滤波对进行目标跟踪；目标恒定速度运动，跟踪时刻tk时，状态变量为：
Figure FDA0002958050990000032
(xt(k),yt(k))代表目标的位置坐标，
Figure FDA0002958050990000033
代表目标在X轴与Y轴方向在时间时tk的速度；对于目标的运动模型如下：
xk+1＝Fxk+Bwwk
T代表采样间隔，F及Bw代表动态转移矩阵：
Figure FDA0002958050990000034
wk表示加速度的零均值的动态高斯白噪声，协方差为：
Figure FDA0002958050990000035
假设无线传感器网络中分布的每一个节点都是同种类型的静态传感器；
Figure FDA0002958050990000036
为节点i在k时刻对目标的距离观测量；
Figure FDA0002958050990000037
为节点i和目标节点在k时刻的真实距离：
Figure FDA0002958050990000041
(xi,yi)代表无线传感器网络中节点i的坐标位置，(xt(k),yt(k))代表目标节点k时刻的位置；目标节点的观测模型为：
Figure FDA0002958050990000042
Figure FDA0002958050990000043
代表节点i的观测噪声，方差是
Figure FDA0002958050990000044
Nk代表k时刻所激活节点的数量。
7.一种实施权利要求1所述的基于维诺图的自适应节点选择的目标跟踪方法的基于维诺图的自适应节点选择的目标跟踪控制系统。
8.一种搭载权利要求7所述基于维诺图的自适应节点选择的目标跟踪控制系统的终端。
CN201910143871.1A 2019-02-27 2019-02-27 一种基于维诺图的自适应节点选择的目标跟踪方法及系统 Active CN109729498B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910143871.1A CN109729498B (zh) 2019-02-27 2019-02-27 一种基于维诺图的自适应节点选择的目标跟踪方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910143871.1A CN109729498B (zh) 2019-02-27 2019-02-27 一种基于维诺图的自适应节点选择的目标跟踪方法及系统

Publications (2)

Publication Number Publication Date
CN109729498A CN109729498A (zh) 2019-05-07
CN109729498B true CN109729498B (zh) 2021-10-22

Family

ID=66300845

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910143871.1A Active CN109729498B (zh) 2019-02-27 2019-02-27 一种基于维诺图的自适应节点选择的目标跟踪方法及系统

Country Status (1)

Country Link
CN (1) CN109729498B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110426671B (zh) * 2019-07-04 2023-05-12 重庆邮电大学 Wsn中基于模型概率实时修正的imm目标跟踪方法及装置
CN112423309B (zh) * 2019-08-21 2023-06-27 科航（苏州）信息科技有限公司 通信节点自动部署装置
CN113324563B (zh) * 2021-04-19 2022-12-02 陕西师范大学 一种用于多传感器多目标跟踪的自适应传感器管理方法
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
CN114727373B (zh) * 2022-03-08 2024-04-23 中国科学院上海微系统与信息技术研究所 一种基于容错的wsn目标跟踪休眠调度方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103619033A (zh) * 2013-12-04 2014-03-05 安徽理工大学 基于贪心路径的移动sink节点数据收集方法
CN106888433A (zh) * 2017-02-27 2017-06-23 南京邮电大学 一种基于泰森多边形的相同服务请求位置隐私保护方法
CN108924746A (zh) * 2018-07-13 2018-11-30 广东工业大学 一种基于ue密度的基站控制方法、装置

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103108385B (zh) * 2011-11-09 2017-09-22 上海无线通信研究中心 控制网络区域内的网络节点的方法及系统
CN105050169B (zh) * 2015-06-24 2018-09-11 国家电网公司 一种无线传感器执行器网络分簇方法
CN105898789B (zh) * 2016-05-20 2019-04-30 南京邮电大学 一种无线传感器网络数据聚合方法
US10242087B2 (en) * 2017-05-12 2019-03-26 International Business Machines Corporation Cluster evaluation in unsupervised learning of continuous data
CN108430088B (zh) * 2018-05-17 2023-09-05 广西大学 一种无线传感网络系统及其节点唤醒方法
CN108770036B (zh) * 2018-06-20 2020-10-02 中国联合网络通信集团有限公司 簇头间通信方法及无线传感网络路由装置

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103619033A (zh) * 2013-12-04 2014-03-05 安徽理工大学 基于贪心路径的移动sink节点数据收集方法
CN106888433A (zh) * 2017-02-27 2017-06-23 南京邮电大学 一种基于泰森多边形的相同服务请求位置隐私保护方法
CN108924746A (zh) * 2018-07-13 2018-11-30 广东工业大学 一种基于ue密度的基站控制方法、装置

Also Published As

Publication number Publication date
CN109729498A (zh) 2019-05-07

Similar Documents

Publication Publication Date Title
CN109729498B (zh) 一种基于维诺图的自适应节点选择的目标跟踪方法及系统
Zhao et al. Collaborative signal and information processing: an information-directed approach
CN113131985B (zh) 一种基于信息年龄最优路径规划的多无人机数据收集方法
CN102638863A (zh) 一种无线传感器网络中的移动目标跟踪方法
CN110989352A (zh) 一种基于蒙特卡洛树搜索算法的群体机器人协同搜索方法
CN113115342B (zh) 一种虚拟力导向麻雀搜索算法的WSNs部署方法及系统
Zhang et al. Energy‐efficient adaptive dynamic sensor scheduling for target monitoring in wireless sensor networks
CN112633314B (zh) 一种基于多层采样的主动学习溯源攻击方法
CN109379780A (zh) 基于自适应差分进化算法的无线传感器网络定位方法
Ahmad et al. EEAC: An energy efficient adaptive cluster based target tracking in wireless sensor networks
Saoudi et al. Energy-efficient data mining techniques for emergency detection in wireless sensor networks
Harb et al. Energy efficient data collection in periodic sensor networks using spatio-temporal node correlation
CN103260238A (zh) 无线传感器网络中基于速度采样区的移动节点定位方法
Braga et al. Coordinated efficient buoys data collection in large complex coastal environments using UAVs
Stanković et al. A classification and comparison of data mining algorithms for wireless sensor networks
Ghosh et al. Multiobjective optimization and sensor correlation framework for IoT data validation
Yeow et al. A novel target movement model and energy efficient target tracking in sensor networks
CN114531665B (zh) 一种基于莱维飞行的无线传感器网络节点分簇方法及系统
Zhang et al. Optimising rendezvous-based data collection for target tracking in WSNs with mobile elements
Sun et al. Optimizing Energy-Efficiency in UAV-assisted Wireless Sensor Networks with Reinforcement Learning PPO2 Algorithm
Lv et al. A node coverage algorithm for a wireless-sensor-network-based water resources monitoring system
Lv et al. A localization scheme based on Improving Dynamic Population Monte Carlo Localization method for large‐scale mobile wireless aquaculture sensor networks
Voigtmann et al. A survey to location-based context prediction
Hassani et al. Tracking of a rotating object in a wireless sensor network using fuzzy based adaptive IMM filter
Mathur et al. Energy-efficient deployment of distributed mobile sensor networks using fuzzy logic systems

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