CN110191422B - 海洋水下传感器网络目标跟踪方法 - Google Patents

海洋水下传感器网络目标跟踪方法 Download PDF

Info

Publication number
CN110191422B
CN110191422B CN201910281222.8A CN201910281222A CN110191422B CN 110191422 B CN110191422 B CN 110191422B CN 201910281222 A CN201910281222 A CN 201910281222A CN 110191422 B CN110191422 B CN 110191422B
Authority
CN
China
Prior art keywords
target
representing
underwater
small area
moment
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
CN201910281222.8A
Other languages
English (en)
Other versions
CN110191422A (zh
Inventor
张颖
高灵君
张斌
王新珩
吴杰
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.)
Youcan Robotics Shanghai Co ltd
Original Assignee
Shanghai Maritime University
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 Shanghai Maritime University filed Critical Shanghai Maritime University
Priority to CN201910281222.8A priority Critical patent/CN110191422B/zh
Publication of CN110191422A publication Critical patent/CN110191422A/zh
Application granted granted Critical
Publication of CN110191422B publication Critical patent/CN110191422B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
    • H04W16/22—Traffic simulation tools or models
    • H04W16/225—Traffic simulation tools or models for indoor or short range network
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/02—Services making use of location information
    • H04W4/029—Location-based management or tracking services
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/30—Services specially adapted for particular environments, situations or purposes
    • H04W4/38—Services specially adapted for particular environments, situations or purposes for collecting sensor information
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W40/00—Communication routing or communication path finding
    • H04W40/02—Communication route or path selection, e.g. power-based or shortest path routing
    • H04W40/22—Communication route or path selection, e.g. power-based or shortest path routing using selective relaying for reaching a BTS [Base Transceiver Station] or an access point
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W84/00—Network topologies
    • H04W84/18—Self-organising networks, e.g. ad-hoc networks or sensor networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)
  • Testing Or Calibration Of Command Recording Devices (AREA)

Abstract

本发明提供一种具有较好跟踪精度和较小网络能耗的海洋水下传感器网络目标跟踪方法。包括5个步骤：步骤1：在监测区域内，均匀安装水声传感器，建立多个簇；步骤2：建立目标运动模型；步骤3：激活目标所在小区域内的簇头和传感器节点，其余传感器节点和簇头保持休眠状态；步骤4：应用粒子滤波算法跟踪定位水下目标；步骤5：判断目标是否驶离水下监测区域，如果是，则结束跟踪过程；如果不是，继续判断目标是否将要离开所在的小区域，如果目标将要离开目标所在的小区域，则当前目标所在小区域内的簇头将最后采样时刻的目标状态估计值和方差估计值传递给下一时刻激活的簇头节点，如果目标不离开当前小区域，进入下一时刻,转至步骤3。

Description

海洋水下传感器网络目标跟踪方法
技术领域：
本发明涉及海洋水下目标跟踪，具体涉及一种基于海洋水下传感器网络目标跟踪方法。
背景技术：
海洋水下无线传感器网络是陆地传感器网络的延伸，同样具有自组织、广覆盖、高容错性以及高精度测量等固有优点以及组网成本低、构建灵活、方便等特点，使得其被广泛地应用到海洋生态环境监测、探测海洋资源以及海洋军事领域等。
海洋水下目标跟踪是水下无线传感器网络研究的一个典型领域，无论在军事还是民用领域都有广阔的应用前景。水下目标跟踪大多涉及非线性滤波问题，由于粒子滤波算法在解决非线性滤波问题上具有较好的性能，因此水下目标跟踪问题可采用粒子滤波算法予以解决。
在海洋水下目标跟踪的过程中，由于水下环境的复杂性和特殊性，目标跟踪过程中会存在：传感器节点所测量得到的数据存在冗余和错误信息；各个传感器节点距离目标的距离、方位等因素的不同，每个传感器节点的测量值对目标状态估计的贡献不同；各个传感器节点携带的电池能量有限，且电池难以及时更换等问题。因此，针对水下环境的复杂性和特殊性，研究相应的高跟踪精度的算法和能耗较低的跟踪系统具有重要现实意义。
发明内容：
本发明的目的在于提供一种具有较好跟踪精度和较小网络能耗的海洋水下传感器网络目标跟踪方法。所提出方法通过以下技术方案予以实现：
一种海洋水下传感器网络目标跟踪方法，包括以下步骤：
步骤1：在监测区域内，以密度ρ(个/m3)均匀地安装水声传感器。根据监测区域和目标的特性将监测区域均分为多个小区域，每一个小区域内的所有传感器节点组成一个簇，簇头部署在每个区域的中心位置，且簇内簇头和传感器节点之间采用一跳通信。
步骤2：在监测水域内建立三维坐标系以及目标运动模型，并给目标状态赋初值；
步骤3：目标运动过程中，激活目标所在小区域内的簇头和传感器节点，其余传感器节点和簇头保持休眠状态；
步骤4：应用基于Grubbs和改进的粒子滤波算法对水下目标进行跟踪定位，即预测目标在k时刻的位置坐标值。
步骤5：判断目标是否驶离水下监测区域，如果是，则结束跟踪过程；如果不是，继续判断目标是否将要离开目标所在的小区域，如果目标将要离开目标所在的小区域，则当前目标所在小区域内的簇头将最后采样时刻的目标状态估计值和方差估计值传递给下一时刻被激活的簇头节点，如果不是，则令k＝k+1,转至步骤3；
上述方案中，所述步骤4具体包括如下步骤：
步骤4.1：初始化；
步骤4.2：对于k＝1,2,...
步骤4.2.1：簇内传感器节点对目标进行观测，采用Grubbs准则对传感器节点获得的测量数据，进行分析检验，并剔除异常数据，经过Grubbs准则分析检验后，获得MS个独立测量数据；
步骤4.2.2：对于i＝1,2,...,N，有：
1)：在k时刻进行重要性采样；
2)：动态加权因子更新：
计算k时刻，传感器节点j的测量值
Figure GDA0002138500960000037
和目标状态Xk之间的互信息熵，根据传感器节点与目标状态之间的互信息熵，计算得到动态加权因子
Figure GDA0002138500960000031
3)：重要性权值更新：
Figure GDA0002138500960000032
4)：权值归一化：
Figure GDA0002138500960000033
步骤4.2.3：判断是否需要重采样，计算有效样本数
Figure GDA0002138500960000034
如果
Figure GDA0002138500960000035
则进行重采样；
步骤4.2.4：跟踪定位目标在k时刻的状态估计和方差估计更新：
Figure GDA0002138500960000036
与现有技术相比，本发明的优点在于：
1.水下传感器网络簇内的每个节点在不同位置对目标进行观测，由于水下环境的复杂性和特殊性，传感器节点获得的数据存在冗余和异常数据，采用Grubbs准则对所获得的数据进行分析检验，从而提高了测量数据对目标跟踪系统预测的准确度。
2.在目标跟踪过程中，由于传感器节点到目标的距离、方位等因素的不同，每个传感器节点的测量值对目标状态估计的贡献不同。因此在粒子滤波算法计算重要性权值的过程中，采用传感器节点获得的测量数据与目标状态信息之间的互信息熵作为动态加权因子，提高了目标跟踪系统的跟踪精度。
附图说明：
图1为本发明海洋水下传感器网络目标跟踪方法的海洋水下目标跟踪簇跟踪方法的流程示意图；
图2为本发明海洋水下传感器网络目标跟踪方法基于Grubbs和改进粒子滤波算法的流程示意图。
具体实施方式：
本发明海洋水下传感器网络目标跟踪方法涉及的目标跟踪系统，包括若干个水下跟踪小区域和水面基站。所述的水下目标跟踪小区域包括一个簇头和若干个普通传感节点，水下传感节点通过观测目标，得到目标的状态信息并传递给簇头，在簇头上运行基于Grubbs和改进粒子滤波的水下目标跟踪方法。当目标运动到所在小区域的边界时，将当前簇头最后采样时刻的目标状态估计值和方差估计值传递给下一时刻被激活的簇头节点；直至目标驶离水下监测区域。
一种海洋水下传感器网络目标跟踪方法的具体步骤如下：
步骤1：在监测区域内，以密度ρ(个/m3)均匀地安装水声传感器。根据监测区域和目标的特性将监测区域均分为多个小区域，每一个小区域内的所有传感器节点组成一个簇，簇头部署在每个区域的中心位置，且簇内簇头和传感器节点之间采用一跳通信。
步骤2：在监测水域内建立三维坐标系以及目标运动模型，并给目标状态赋初值；
建立目标的运动模型为匀速拐弯模型，目标运动方程为Xk＝F.Xk-1+Q.Wk-1，其中Xk表示运动目标在k时刻的状态，用向量表示为(xk,x,vk,x,yk,y,vk,y,zk,x,vk,z,ak,x,ak,y,ak,z)，其中xk,x，yk,y和zk,z分别表示目标k时刻的x轴、y轴和z轴的位置，vk,x，vk,y和vk,z分别表示目标k时刻x轴、y轴以及z轴的速度，ak,x，ak,y和ak,z分别表示目标k时刻x轴、y轴以及z轴的加速度，Wk-1表示系统噪声，假设是高斯的、具有零均值噪声，F表示状态转移矩阵，
Figure GDA0002138500960000051
Q表示过程噪声协方差矩阵，
Figure GDA0002138500960000052
其中T为采样间隔，ω为转弯速率，I3×3为单位矩阵。观测方程为
Figure GDA0002138500960000053
其中，
Figure GDA0002138500960000054
表示在k时刻第j个节点测量到的声音能量，(xk,yk,zk)代表目标k时刻的位置，(xj,yj,zj)代表第j个传感器节点的位置，Sk表示目标的源级声压，
Figure GDA0002138500960000055
表示测量噪声。
步骤3：目标运动过程中，激活目标所在小区域内的簇头和传感器节点，其余传感器节点和簇头保持休眠状态；
步骤4：应用基于Grubbs和改进的粒子滤波算法对水下目标进行跟踪定位，即预测目标在k时刻的位置坐标值。参照图2，具体步骤如下：
步骤4.1：初始化，k＝0,采样初始粒子集
Figure GDA0002138500960000056
步骤4.2：对于k＝1,2,...
步骤4.2.1：采用Grubbs准则对传感器节点测量得到的数据进行分析检验，并剔除异常数据，得到Ms个独立测量数据；
假设k时刻目标所在小区域的M个传感器节点测量得到的一组数据记为
Figure GDA0002138500960000061
该组数据均值为
Figure GDA0002138500960000062
方差为σk，其残余误差为
Figure GDA0002138500960000063
对k时刻所有参与测量任务传感器节点得到的数据，进行标准化得到
Figure GDA0002138500960000064
Sk服从某一概率分布，设其概率分布密度函数为f(Zk),则
Figure GDA0002138500960000065
Figure GDA0002138500960000066
根据上述得到
Figure GDA0002138500960000067
其中，λα(M)一般称为Grubbs系数，通过查表可得到。α为给定的置信水平。由于α的取值很小，所以
Figure GDA0002138500960000068
是以很小概率α发生的，又因为k时刻参与测量任务的传感器节点不是很大，则认为不可能发生。
若
Figure GDA0002138500960000069
则认为是由粗大误差引起的，说明该传感器测量得到的数据
Figure GDA00021385009600000610
为异常值，并将其剔除。
步骤4.2.2：对于i＝1,2,...,N，有：
1)：重要性采样：从重要性概率密度函数中，任意采集N个粒子，
Figure GDA00021385009600000611
2)：更新动态加权因子：
计算k时刻，传感器节点j的测量值
Figure GDA00021385009600000612
和目标状态Xk之间的互信息：
Figure GDA00021385009600000613
其中，I(.)代表互信息熵，H(.)表示信息熵。
Figure GDA00021385009600000614
表示第i个预测粒子，且所有的粒子的权重均为1/N。更新重要性权值的动态加权因子
Figure GDA00021385009600000615
Figure GDA0002138500960000071
其中，
Figure GDA0002138500960000072
表示k时刻，传感器节点j与目标状态的互信息熵。
Figure GDA0002138500960000073
表示k时刻参与测量任务的传感器节点j的对应的权重。
3)：重要性权值更新：重要性概率密度函数满足q(Xk|Xk-1,Z1:k)＝p(Xk|Xk-1)，重要性权值计算公式为
Figure GDA0002138500960000074
粒子更新完后，由于每个粒子的权值为
Figure GDA0002138500960000075
重要性权值计算公式为
Figure GDA0002138500960000076
引入动态加权因子，重要性权值计算公式为
Figure GDA0002138500960000077
4)：权值归一化：
Figure GDA0002138500960000078
步骤4.2.3：判断是否需要重采样：计算有效样本数
Figure GDA0002138500960000079
设置一个合适的阈值Nth(一般阈值取
Figure GDA00021385009600000710
)，每次迭代时进行一次判断，如果
Figure GDA00021385009600000711
则进行重采样，生成新的粒子集合，重新定义粒子权值为1/N。
步骤4.2.4：跟踪定位目标在k时刻的状态估计和方差估计更新：
Figure GDA00021385009600000712
步骤5：判断目标是否驶离水下监测区域，如果是，则结束跟踪过程；如果不是，继续判断目标是否将要离开目标所在的小区域，如果目标将要离开目标所在的小区域，则当前目标所在小区域内的簇头将最后采样时刻的目标状态估计值和方差估计值传递给下一时刻被激活的簇头节点，如果如果目标没有将要离开当前k时刻所在的小区域，则令k＝k+1,转至步骤3。本发明海洋水下传感器网络目标跟踪方法的海洋水下目标跟踪簇跟踪方法的具体步骤如图1所示。

Claims (1)

1.一种海洋水下传感器网络目标跟踪方法，其特征在于包括以下步骤：
步骤1：在监测区域内，以密度ρ，单位为个/m3，均匀地安装水声传感器；根据监测区域和目标的特性将监测区域均分为多个小区域，每一个小区域内的所有传感器节点组成一个簇，簇头部署在每个区域的中心位置，且簇内簇头和传感器节点之间采用一跳通信；
步骤2：在监测水域内建立三维坐标系以及目标运动模型，并给目标状态赋初值：
建立目标的运动模型为匀速拐弯模型，目标运动方程为Xk＝F.Xk-1+Q.Wk-1，其中Xk表示运动目标在k时刻的状态，用向量表示为(xk,x,vk,x,yk,y,vk,y,zk,x,vk,z,ak,x,ak,y,ak,z)，其中xk,x，yk,y和zk,z分别表示目标k时刻的x轴、y轴和z轴的位置，vk,x，vk,y和vk,z分别表示目标k时刻x轴、y轴以及z轴的速度，ak,x，ak,y和ak,z分别表示目标k时刻x轴、y轴以及z轴的加速度，Wk-1表示系统噪声，假设是高斯的、具有零均值噪声，F表示状态转移矩阵，
Figure FDA0002567195090000011
Q表示过程噪声协方差矩阵，
Figure FDA0002567195090000012
其中T为采样间隔，ω为转弯速率，I3×3为单位矩阵；观测方程为
Figure FDA0002567195090000013
其中，
Figure FDA0002567195090000014
表示在k时刻第j个节点测量到的声音能量，(xk,yk,zk)代表目标k时刻的位置，(xj,yj,zj)代表第j个传感器节点的位置，Sk表示目标的源级声压，
Figure FDA0002567195090000021
表示测量噪声；
步骤3：目标运动过程中，激活目标所在小区域内的簇头和传感器节点，其余传感器节点和簇头保持休眠状态；
步骤4：应用基于Grubbs和改进的粒子滤波算法对水下目标进行跟踪定位，即预测目标在k时刻的位置坐标值；具体步骤如下：
步骤4.1：初始化，k＝0,采样初始粒子集
Figure FDA0002567195090000022
其中N表示所有传感器节点的个数，
Figure FDA0002567195090000023
表示k时刻第i个传感器节点的目标状态，P(Xk)表示k时刻的目标概率密度分布函数；
步骤4.2：对于k＝1,2,...
步骤4.2.1：采用Grubbs准则对传感器节点测量得到的数据进行分析检验，并剔除异常数据，得到Ms个独立测量数据；
假设k时刻目标所在小区域的M个传感器节点测量得到的一组数据记为
Figure FDA0002567195090000024
该组数据均值为
Figure FDA0002567195090000025
方差为σk，其残余误差为
Figure FDA0002567195090000026
对k时刻所有参与测量任务传感器节点得到的数据，进行标准化得到
Figure FDA0002567195090000027
Sk服从某一概率分布，设其概率分布密度函数为f(Zk),则
Figure FDA0002567195090000028
根据上述得到
Figure FDA0002567195090000029
其中，λα(M)一般称为Grubbs系数，通过查表可得到；α为给定的置信水平；由于α的取值很小，所以
Figure FDA00025671950900000210
是以很小概率α发生的，又因为k时刻参与测量任务的传感器节点不是很大，则认为不可能发生；
若
Figure FDA00025671950900000211
则认为是由粗大误差引起的，说明该传感器测量得到的数据
Figure FDA00025671950900000212
为异常值，并将其剔除；
步骤4.2.2：对于i＝1,2,...,N，有：
1)：重要性采样：从重要性概率密度函数中，任意采集N个粒子，
Figure 3
；其中
Figure 4
表示采样过程中，Xk在
Figure FDA0002567195090000033
和Z1:k的约束下的重要性采样的建议分布函数，
Figure FDA0002567195090000034
表示0至k-1时刻第i个传感器节点的目标状态向量，Z1:k表示1至k时刻的观测向量；
2)：更新动态加权因子：
计算k时刻，传感器节点j的测量值
Figure FDA0002567195090000035
和目标状态Xk之间的互信息：
Figure FDA0002567195090000036
其中，I(.)代表互信息熵，H(.)表示信息熵；
Figure FDA0002567195090000037
表示第i个预测粒子，且所有的粒子的权重均为
Figure FDA0002567195090000038
更新重要性权值的动态加权因子
Figure FDA0002567195090000039
其中，
Figure FDA00025671950900000310
表示k时刻，传感器节点j与目标状态的互信息熵；
Figure FDA00025671950900000311
表示k时刻参与测量任务的传感器节点j的对应的权重；
3)：重要性权值更新：重要性概率密度函数满足q(Xk|Xk-1,Z1:k)＝p(Xk|Xk-1)，重要性权值计算公式为
Figure FDA00025671950900000312
粒子更新完后，由于每个粒子的权值为
Figure FDA00025671950900000313
重要性权值计算公式为：
Figure FDA00025671950900000314
引入动态加权因子，重要性权值计算公式为
Figure FDA00025671950900000315
4)：权值归一化：
Figure FDA00025671950900000316
步骤4.2.3：判断是否需要重采样：计算有效样本数
Figure FDA0002567195090000041
设置阈值Nth为
Figure FDA0002567195090000042
每次迭代时进行一次判断，如果
Figure FDA0002567195090000043
则进行重采样，生成新的粒子集合，重新定义粒子权值为1/N；
步骤4.2.4：跟踪定位目标在k时刻的状态估计和方差估计更新：
Figure FDA0002567195090000044
步骤5：判断目标是否驶离水下监测区域，如果是，则结束跟踪过程；如果不是，继续判断目标是否将要离开目标所在的小区域，如果目标将要离开目标所在的小区域，则当前目标所在小区域内的簇头将最后采样时刻的目标状态估计值和方差估计值传递给下一时刻被激活的簇头节点，如果目标没有将要离开当前k时刻所在的小区域，则令k＝k+1,转至步骤3。
CN201910281222.8A 2019-04-09 2019-04-09 海洋水下传感器网络目标跟踪方法 Active CN110191422B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910281222.8A CN110191422B (zh) 2019-04-09 2019-04-09 海洋水下传感器网络目标跟踪方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910281222.8A CN110191422B (zh) 2019-04-09 2019-04-09 海洋水下传感器网络目标跟踪方法

Publications (2)

Publication Number Publication Date
CN110191422A CN110191422A (zh) 2019-08-30
CN110191422B true CN110191422B (zh) 2020-09-04

Family

ID=67714079

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910281222.8A Active CN110191422B (zh) 2019-04-09 2019-04-09 海洋水下传感器网络目标跟踪方法

Country Status (1)

Country Link
CN (1) CN110191422B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110972077B (zh) * 2019-12-04 2020-10-02 燕山大学 一种面向迭代状态伪造攻击下的水下目标定位方法
CN114096010B (zh) * 2021-11-01 2024-05-07 江苏科技大学 一种面向监测的水下传感器网络能量持续管理方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5777948A (en) * 1996-11-12 1998-07-07 The United States Of America As Represented By The Secretary Of The Navy Method and apparatus for preforming mutations in a genetic algorithm-based underwater target tracking system
CN101631272A (zh) * 2009-08-19 2010-01-20 长讯通信服务有限公司 基于粒子滤波无线传感器网络目标预测跟踪方法
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
CN102914308A (zh) * 2012-10-24 2013-02-06 南京航空航天大学 一种基于新息正交性的抗野值联邦滤波方法
CN103152791A (zh) * 2013-01-29 2013-06-12 浙江大学 一种基于水下无线传感器网络的目标跟踪方法
CN103645487A (zh) * 2013-12-06 2014-03-19 江苏科技大学 水下多目标跟踪方法
CN105242275A (zh) * 2015-09-29 2016-01-13 燕山大学 基于一致性估计与休眠调度的水下目标协同追踪方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6724916B1 (en) * 2000-01-05 2004-04-20 The United States Of America As Represented By The Secretary Of The Navy Composite hough transform for multitarget multisensor tracking
CN103152819B (zh) * 2013-01-29 2015-08-19 浙江大学 一种基于水下无线传感器网络的弱目标跟踪方法
CN103096444B (zh) * 2013-01-29 2016-08-10 浙江大学 一种基于传感器节点策略选择的水下无线传感器网络目标跟踪方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5777948A (en) * 1996-11-12 1998-07-07 The United States Of America As Represented By The Secretary Of The Navy Method and apparatus for preforming mutations in a genetic algorithm-based underwater target tracking system
CN101631272A (zh) * 2009-08-19 2010-01-20 长讯通信服务有限公司 基于粒子滤波无线传感器网络目标预测跟踪方法
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
CN102914308A (zh) * 2012-10-24 2013-02-06 南京航空航天大学 一种基于新息正交性的抗野值联邦滤波方法
CN103152791A (zh) * 2013-01-29 2013-06-12 浙江大学 一种基于水下无线传感器网络的目标跟踪方法
CN103645487A (zh) * 2013-12-06 2014-03-19 江苏科技大学 水下多目标跟踪方法
CN105242275A (zh) * 2015-09-29 2016-01-13 燕山大学 基于一致性估计与休眠调度的水下目标协同追踪方法

Non-Patent Citations (8)

* Cited by examiner, † Cited by third party
Title
" Target tracking based on a distributed particle filter in underwater sensor networks";Huang Y, Liang W;《wireless communications & mobile computing》;20020808;全文 *
"An accurate prediction method for moving target localization and tracking in wireless sensor networks";Ahmadi H , Viani F , Bouallegue R .;《Ad hoc networks》;20180331;全文 *
"Mutual-information based weighted fusion for target tracking in underwater wireless sensor networks";Duo Zhang,Mei-qin Liu;《Frontiers of Information Technology & Electronic Engineering 》;20180419;全文 *
"基于无线传感器网络的目标跟踪技术研究";于春娣;《中国优秀硕士学位论文全文数据库 信息科技辑》;20140615;全文 *
"基于无线传感器网络的目标跟踪系统中的算法研究";刘昕;《中国博士学位论文全文数据库 信息科技辑》;20120115;全文 *
"面向目标跟踪的信息反馈融合方法研究";申屠晗;《中国博士学位论文全文数据库 信息科技辑》;20140815;全文 *
James Hare;Shalabh Gupta."Distributed smart sensor scheduling for underwater target tracking".《2014 Oceans - St. John"s 》.2014, *
Lei Fei;Zhang Xinying."Underwater Target Tracking".《2012 7th International Conference on Computer Science & Education (ICCSE) 》.2012, *

Also Published As

Publication number Publication date
CN110191422A (zh) 2019-08-30

Similar Documents

Publication Publication Date Title
CN105491661B (zh) 基于改进的Kalman滤波算法的室内定位系统及方法
CN110954132B (zh) Grnn辅助自适应卡尔曼滤波进行导航故障识别的方法
CN104090262B (zh) 一种基于多采样率多模型融合估计的移动目标跟踪方法
CN109581281B (zh) 基于到达时间差和到达频率差的移动目标定位方法
CN110191422B (zh) 海洋水下传感器网络目标跟踪方法
CN105676181A (zh) 基于分布式传感器能量比的水下运动目标扩展卡尔曼滤波跟踪方法
Zhang et al. Sensor-networked underwater target tracking based on grubbs criterion and improved particle filter algorithm
Cheng et al. Node selection algorithm for underwater acoustic sensor network based on particle swarm optimization
CN115342814B (zh) 一种基于多传感器数据融合的无人船定位方法
CN103152820B (zh) 一种无线传感器网络声源目标迭代定位方法
CN116908777A (zh) 基于显式通信带标签伯努利的多机器人随机组网协同导航方法
CN112040405A (zh) 一种基于核极限学习机与粒子滤波的室内定位方法
CN117036400A (zh) 基于混合高斯模型模糊聚类数据关联的多目标群跟踪方法
CN101960322A (zh) 在三维空间中基于使用声音传感器的粒子滤波器的物体跟踪方法
CN114339595B (zh) 一种基于多模型预测的超宽带动态反演定位方法
CN109803234B (zh) 基于权值重要度约束的无监督融合定位方法
CN117278991A (zh) 一种基于信任分布式集员滤波的目标跟踪方法及相关装置
CN108834043B (zh) 基于先验知识的压缩感知多目标无源定位方法
CN114710744B (zh) 一种深度融合WiFi测距与PDR推算的室内定位方法
CN115052245A (zh) 基于深度学习的无人机辅助无线传感器网络节点定位方法
CN115469314A (zh) 一种均匀圆环阵稳健水下目标方位跟踪方法及系统
CN115022964A (zh) 一种基于图信号的室内定位无线电地图重构方法和系统
CN104467742A (zh) 基于高斯混合模型的传感器网络分布式一致性粒子滤波器
CN111487583A (zh) 一种数据融合下移动目标无线增强定位方法
Zhang et al. A Weighted Fusion Algorithm for Multi-Sensors

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
TR01 Transfer of patent right

Effective date of registration: 20220628

Address after: 201306 building C, No. 888, Huanhu West 2nd Road, Lingang New District, China (Shanghai) pilot Free Trade Zone, Pudong New Area, Shanghai

Patentee after: YOUCAN ROBOTICS (SHANGHAI) CO.,LTD.

Address before: 201306 1550 Harbour Road, Lingang New Town, Pudong New Area, Shanghai

Patentee before: Shanghai Maritime University

TR01 Transfer of patent right