CN110426671B - Wsn中基于模型概率实时修正的imm目标跟踪方法及装置 - Google Patents

Abstract

发明公开了一种WSN中基于模型概率实时修正的IMM目标跟踪方法法及装置，该方法包括：首先在监控区域上收集RSSI建立无线电指纹库，然后利用支持向量回归算法训练得到观测模型。其次，引入模糊神经网络，在模型输出阶段自适应地调整测量误差协方差矩阵。最后，根据IMM子模型中连续时间点之间的模型概率的比值，对Markov转移概率进行修正。实施本发明，能够使算法在实时性、跟踪精度方面具有良好的性能。

Description

WSN中基于模型概率实时修正的IMM目标跟踪方法及装置

技术领域

本发明属于无线传感网络(Wireless Sensor Network,WSN)和目标跟踪技术应用领域，具体涉及一种WSN中基于模型概率实时修正的IMM目标跟踪方法及装置。

背景技术

近年来，无线传感器网络在不同领域收到广泛的关注，其中一个特别重要的应用就是利用WSNs跟踪移动目标。无线传感器网络由分布在空间中大量的廉价传感器节点组成，节点之间通过无线链路进行通信，其主要优点是成本低、易于部署、容错性高。

机动目标跟踪技术是目前无线传感器网络研究的热点之一。该技术利用传感器在网络中广播的信号对目标进行状态估计。通常传感器的测量可以考虑如下的方式：接受信号强度指示(RSSI)、到达时间差(TDOA)和到达时间(TOA)等。文献[2]的研究表明TOA与TDOA与其它方式相比具有更高的定位精度。但其系统内参与跟踪的各个基站必须保持严格同步，否者不同基站之间的时间偏差会给TOA、TDOA的测量带来较大的误差。并且实现这些技术需要较高的硬件成本，从而限制了它们在实际中的应用。与这些技术不同，基于RSSI的技术可以实现可接受的性能，且无需额外的硬件支持受到广泛的关注。基于RSSI的无线电指纹识别的传感器定位已经得到了广泛的应用。在基于指纹的识别中，主要有最近邻算法,神经网络,以及回归算法。

在机动目标跟踪中，IMM算法因其具有复杂度低，在工程上易于实施的优点得到了广泛的应用。该方法使用两个或者更多的模型来描述目标运动过程中可能的状态，最后通过模型概率加权融合得到系统状态估计。可见，如果能够提升模型概率模型概率的精确度，在一定程度上可以提升跟踪精度。现有的提升模型概率精度的算法主要集中于对Markov转移概率矩阵进行自适应更新。文献“臧荣春,崔平远.马尔可夫参数自适应IFIMM算法研究.电子学报,2006”提出了一种针对两个模型的Markov参数自适应IFIMM算法，该方法通过定义的误差压缩率之比来自适应调节Markov概率转移矩阵，可以快速地实现模型之间的切换，但该方法只适用两模型的系统，具有一定的局限性。在针对这个问题，文献“戴定成,姚敏立,等.改进的马尔可夫参数自适应IMM算法.电子学报,2017”推导了IFIMM算法自适应调节模型切换矩阵的必要条件，重新定义的模型误差压缩率之比的特性，并将两模型条件下的自适应调节必要条件推广到了多模型中。文献“许登荣,程水英,包守亮.自适应转移概率交互式多模型跟踪算法.电子学报,2017”提出一种AIMM算法，该算法依据模型似然函数值对Markov转移概率进行实时修正的方法，这种方法能增强匹配模型的作用，削弱不匹配模型的影响。但是当目标机动由非匹配模式转向匹配模式时，具有较大的峰值误差。文献“B.Han,H.Huang,L.Lei,C.Huang and Z.Zhang,"An Improved IMM Algorithm Based onSTSRCKF for Maneuvering Target Tracking,"in IEEE Access.”提出一种IIMM算法，该算法利用两个连续时间点之间的概率差对Markov转移概率进行自适应调整，一定程度上提高了模型的切换速度，但没有考虑模型之间相互切换的情况。

发明内容

鉴于以上所述现有技术的缺点，本发明的目的在于提供一种WSN中基于模型概率实时修正的IMM目标跟踪方法及装置，用于解决传统的IMM算法采用固定测量噪声协方差矩阵和SMarkov转移概率矩阵导致模型切换缓慢，跟踪精度下降的问题。

为实现上述目的及其他相关目的，本发明提供一种WSN中基于模型概率实时修正的IMM目标跟踪方法，其中无线传感器网络WSN由N_s个随机分布在监控区域位置已知的锚节点组成，运动目标携带一个信号接收器，在运动过程中接收由N_s个锚节点发送的信号，所述监控区域中具有一处理器，该处理器能与无线传感器网络WSN中的传感器相互通信，其特征在于，所述跟踪方法包括：

步骤S1、构建RSSI指纹库，根据所述RSSI指纹库以及SVR算法得到观测方程；

步骤S2、由目标上一时刻目标的状态估计

和上一时刻每个滤波器的模型的概率μ_i(k-1)，计算当前时刻交互作用各滤波器输入的混合状态估计和协方差；

步骤S3、将所述混合状态估计和协方差，输入到相应的滤波器计算，得到对应的状态估计值

以及残差v_j(k)和残差协方差S_j(k)；

步骤S4、更新滤波器的模型的概率；

步骤S5、基于模型的概率，对每个滤波器的输出结果进行加权合并，得到总的状态估计和

和总的协方差估计P(k|k)；

步骤S6、对测量噪声协方差矩阵进行修正；

步骤S7、根据IMM子模型中连续时间点之间的模型概率的比值，对Markov转移概率进行修正，将修正后的值反馈至步骤S2。

可选地，所述构建RSSI指纹库，根据所述RSSI指纹库以及SVR算法得到观测方程，包括：

在监控区域中选取个参考点，其位置记为p_l，l∈{1,...,N_p}，测量所有所述参考点的RSSI，记为

则RSSI指纹库为(ρ_l,p_l)，在k时刻目标节点接收到的由锚节点发射信号的RSSI，记为

根据所收集到的位置指纹信息，利用SVR构建一个输入为ρ(k)，输出为传感器节点位置p_l的函数ψ(·)，则因此传感器的观测模型为：

z(k)＝ψ(ρ(k))+n(k)

其中，n(k)为传感器测量噪声。

可选地，所述由目标上一时刻目标的状态估计

和上一时刻每个滤波器的模型的概率μ_i(k-1)，计算当前时刻交互作用各滤波器输入的混合状态估计和协方差，包括：

计算模型i到模型j的混合概率μ_ij(k-1|k-1),

式中，μ_i(k-1)为模型i在k-1时刻的概率，p_ij表示Markov概率转移矩阵，

根据目标上一时刻目标的状态估计

和混合概率μ_ij(k-1|k-1)计算混合状态估计

根据状态估计

和混合状态估计

以及混合概率μ_ij(k-1|k-1)计算协方差为P_oj(k-1|k-1)，

可选地，利用下式对测量噪声协方差矩阵进行修正，

R_k(j,j)＝R_k-1(j,j)+ΔR_i

R_k(j,j)表示k时刻观测噪声协方差矩阵第j行第j列的元素，R_k-1(j,j)表示k-1时刻观测噪声协方差矩阵第j行第j列的元素。

可选地，采用下式对Markov转移概率进行修正，

其中，γ为比例系数，λ_i表示模型i连续时间点之间的模型概率的比值，λ_j表示模型j连续时间点之间的模型概率的比值；

采用下式对修正后的Markov转移概率进行归一化，

可选地，判断修正后的Markov概率转移矩阵是否满足p_i,i＞0.5,i＝1,…,m，如果满足，则更新转移概率，反之，则不更新。

为实现上述目的及其他相关目的，本发明还提供一种WSN中基于模型概率实时修正的IMM目标跟踪装置，其中无线传感器网络WSN由N_s个随机分布在监控区域位置已知的锚节点组成，运动目标携带一个信号接收器，在运动过程中接收由N_s个锚节点发送的信号，所述监控区域中具有一处理器，该处理器能与无线传感器网络WSN中的传感器相互通信，所述跟踪装置包括：

观测方程构建模块，用于构建RSSI指纹库，根据所述RSSI指纹库以及SVR算法得到观测方程；

状态变量及协方差计算模块，由目标上一时刻目标的状态估计

和上一时刻每个滤波器的模型的概率μ_i(k-1)，计算当前时刻交互作用各滤波器输入的混合状态估计和协方差；

第一估计模块，用于将混合状态估计和协方差，输入到相应的滤波器计算，得到对应的状态估计值

以及残差v_j(k)和残差协方差S_j(k)；

更新模块，用于更新滤波器的模型的概率；

第二估计模块，用于基于模型的概率，对每个滤波器的输出结果进行加权合并，得到总的状态估计和

和总的协方差估计P(k|k)；

第一修正模块，用于对测量噪声协方差矩阵进行修正；

第二修正模块，用于根据IMM子模型中连续时间点之间的模型概率的比值，对Markov转移概率进行修正。

可选地，利用下式对测量噪声协方差矩阵进行修正，

R_k(j,j)＝R_k-1(j,j)+ΔR_i

R_k(j,j)表示k时刻观测噪声协方差矩阵第j行第j列的元素，R_k-1(j,j)表示k-1时刻观测噪声协方差矩阵第j行第j列的元素。

可选地，采用下式对Markov转移概率进行修正，

其中，γ为比例系数，λ_i表示模型i连续时间点之间的模型概率的比值，λ_j表示模型j连续时间点之间的模型概率的比值；

采用下式对修正后的Markov转移概率进行归一化，

可选地，判断修正后的Markov概率转移矩阵是否满足p_i,i＞0.5,i＝1,…,m；

如果满足，则更新转移概率，反之，则不更新。

如上所述，本发明的一种WSN中基于模型概率实时修正的IMM目标跟踪方法及装置，具有以下有益效果：

(1)本发明无需测量噪声协方差矩阵和Markov转移概率矩阵的先验信息，只需要给定一个初始值，在迭代过程中分别利用模糊神经网络和提出的Markov转移概率修正方式对测量噪声协方差矩阵和Markov转移概率矩阵进行实时修正，这使得该算法可以增大匹配模型的作用，减小非匹配模型的影响。

(2)当目标的运动状态突然发生变化时，本发明可以快速地切换至与目标运动状态最接近的模型，并且能快速地收敛，从而提升算法的跟踪精度和算法的稳定性；

(3)仿真结果表明，本发明方法与传统的IMM、AIMM和IIMM相比具有较高的跟踪精度。

附图说明

图1是本发明一实施例无线传感网络组成结构图；

图2是本发明一实施例提出的FNN-AIMM算法流程图；

图3是本发明一实施例提供的输入输出隶属度函数图；

图4是本发明一实施例提供的模糊神经网络结构图；

图5是本发明一实施例和其他三种方法使用模拟数据得到的跟踪效果示意图；

图6是本发明一实施例和其他三种方法得到位置和速度均方根误差RMSE；

图7是某次运行中本发明一实施例和其他三种方法模型概率变化曲线图；

图8是真实的实验环境场景图；

图9是本发明一实施例和其他三种方法使用真实数据得到的跟踪效果示意图；

图10是本发明一实施例和其他三种方法使用真实数据得到单次运行的位置偏差。

具体实施方式

以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。

需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。

图1无线传感网络组成结构图。假定WSN由N_s个随机分布在监控区域位置已知的锚节点组成，记为s_i,i∈{1,…,N_s}。所有的锚节点以相同的初始功率在网络中周期性地广播信号。运动目标携带一个信号接收器，在运动过程中接收由N_s个锚节点发送的信号。在监控区域中配备一个处理器。处理器通常位于监控区域的中心，并假设具有足够的通信范围，且能与网络中的传感器相互通信。

图2为本发明的流程示意图。假设IMM算法采用m个运动模型，每个模型对应的模型概率记为μ_j(k)，Markov概率转移矩阵表示为P＝{p_ij,i,j＝1,…,m}。参照图2，本发明的具体实现过程如下：

步骤S1，构建RSSI指纹库，根据所述RSSI指纹库以及SVR算法得到观测方程。

具体地，该步骤包括：

1a)在监控区域中选取个参考点，其位置记为p_l，l∈{1,…,N_p}。在每个参考点放置可以接收到锚节点信号的传感器，并在这些位置测量它们的RSSI，记为

由此可以得到无线电指纹库(ρ_l,p_l)。在k时刻目标节点接收到的由锚节点发射信号的RSSI，位置指纹信息记为

1b)根据所收集到的位置指纹信息，本实施例利用SVR构建一个输入为ρ(k)，输出为传感器节点位置p_l的函数ψ(·)。因此传感器的观测模型如式(1)所示

z(k)＝ψ(ρ(k))+n(k)                  (1)

其中，n(k)为传感器测量噪声，假设n(k)N(0,R)。

步骤2，输入交互。由目标上一时刻目标目标的状态估计

和上一时刻每个滤波器的模型概率μ_i(k-1)，计算当前时刻交互作用各滤波器输入的混合状态估计和协方差。具体地，该步骤包括：

2a)计算模型i到模型j的混合概率μ_ij(k-1|k-1)：

式中，μ_i(k-1)为模型i在k-1时刻的概率，p_ij表示Markov概率转移矩阵，

2b)根据目标上一时刻目标的状态估计

和混合概率μ_ij(k-1|k-1)计算混合状态估计

步骤3，模型条件滤波。将上一步得到混合状态估计和协方差，送入相应的滤波器计算，可得到对应的状态估计值

以及新息v_j(k)和残差协方差S_j(k)。

步骤4，更新滤波器的模型的概率。假定模型j的新息v_j(k)服从高斯分布，则似然函数Λ_j(k)为：

式中，v_j(k)＝z(k)-HX_j(k|k-1)，S_j(k)＝HP_j(k|k-1)H^T+R。H，X_j(k|k-1)分别为观测矩阵和扩展卡尔曼滤波最终的输出。

模型j的后验概率为

步骤5，基于模型的概率，对每个滤波器的输出结果进行加权合并，得到总的状态估计和

和总的协方差估计P(k|k)。

步骤6，引入FNN，对测量噪声协方差矩阵进行修正。具体实施步骤如下：

6a)确定模糊输入量

由公式(9)可得IMM算法输出的系统残差为

系统残差协方差矩阵的理论值为

T(k)＝HP(k|k)H^T+R                    (10)

系统残差协方差矩阵的统计值为

式中，N为移动估计窗口的大小，k₀＝k-N+1。

理论协方差矩阵和实际协方差矩阵之间的差定义为

D_i＝T(k)-E(k)                 (12)

从式(9)～(12)可知，当测量噪声协方差矩阵R主对角线元素增加或者较少时，矩阵D_i主对角线的元素也作相应的变化。输入输出语言变量定义如下：

D_i:负(N),零(Z),正(P)

ΔR_i:减小(D),不变(M),增加(I)

6b)制定模糊规则、确定输入输出隶属度函数

由此可定义如下的模糊系统的规则，使得理论协方差与统计残差协方差之间的差异最小：

if diag(D_i)＝0,then ΔR_i＝0

if diag(D_i)＞0，then ΔR_i＜0

if diag(D_i)＞0，then ΔR_i＞0

D_i，ΔR的隶属度函数如图3所示

本实施例采用T-S模糊神经网络来构建D_i与ΔR之间的模糊推理机，网络每个神经元的输出如图4所示。

6c)训练隶属度函数的参数

给定数据集{(D₁,ΔR₁),(D₂,ΔR₂),…,(D_k,ΔR_k)}，定义网络输出残差为

式中，

为给定输入D₁下模糊神经网络的输出。隶属度函数的参数可由梯度下降算法学习得到，即

式中，λ＞0为学习速率，m为迭代次数。

6d)解模糊

根据最大-最小原则进行解模糊，可得到网络的最终输出为

式中，I^-1(α₁)、M^-1(α₂)和D^-1(α₃)表示其对应的反函数，α1,α2,α3分别表示图3(a)隶属度函数的输出。

因此，在每次迭代中观测噪声协方差矩阵R可根据式(16)自适应调整

R_i(j,j)＝R_i-1(j,j)+ΔR_i                    (16)

R_k(j,j)表示k时刻观测噪声协方差矩阵第j行第j列的元素，R_k-1(j,j)表示k-1时刻观测噪声协方差矩阵第j行第j列的元素。

6e)将网络输出反馈至步骤3

步骤7，根据IMM子模型中连续时间点之间的模型概率的比值，对Markov转移概率进行修正。具体实施步骤如下：

假设k-1时刻模型j的概率为μ_j(k-1)，模型i切换至模型j的转移概率为p_ij(k-1)，k时刻模型i和模型j的概率分别为μ_i(k)、μ_j(k)。

7a)Markov转移概率修正如下

式中，γ为比例系数，其值的选取视情况而定。λ_i表示模型i连续时间点之间的模型概率的比值，λ_j表示模型j连续时间点之间的模型概率的比值。

7b)考虑到k时刻某一模型向其它模型切换的概率为1，因此需对式(18)进行归一化，即

7c)增加限定条件。实验中发现，尽管根据式(17),(18)能够自适应调节Markov概率转移矩阵，并且满足

的条件。但这并不能保证调整以后的Markov概率转移矩阵满足强对角占优。这与Markov概率转移矩阵的物理含义显然是矛盾的。因此，在算法迭代过程中，判断自适应调整后的Markov概率转移矩阵是否满足:

p_i,i＞0.5,i＝1,…,m                    (19)

如果满足，则更新转移概率，反之，则不更新。

7d)将更新后的Markov概率转移矩阵反馈至步骤2。

本发明的效果可以模拟场景和真实场景测得的数据进行仿真进一步说明。在第一部分中，模拟场景中的RSSI值由Okumura-Hata模型；在第二部分中，利用传感器CC2530构建一个无线传感网络对目标进行跟踪。

(1)利用模拟数据对提出的方法进行分析

假定目标在100m*100m的监控区域内移动，其中监控区域由16个锚节点组成，选取100个参考点构建无线电指纹库。RSSI由Okumura-Hata模型产生

ρ_si,Pl＝ρ₀-10n_plog₁₀||s_i-p_l||+ε_i,l                 (20)

式中，

表示的是在p_l处接收到由锚节点s_i传来的功率；ρ₀为传感器的初始发射功率，假设为100dbm；n_p为路径损耗系数，假设为4；ε_i,l为影响RSSI测量的噪声，假设均值0方差为1dbm的高斯白噪声。

假定目标的初始状态为X(0)＝[20 1 10 0 0]^T，0初始协方差矩阵为P(0)＝10^-2I，其中I为单位矩阵。采用CV模型和两个加速度噪声不同的CA模型进行建模，对于CA模型，其过程噪声协方差矩阵为Q_CV＝diag(0.01,0.01)；对于CA模型，其噪声协方差矩阵分别为Q_CA1＝diag(0.1,0.1)，Q_CA2＝diag(1,1)。仿真采样间隔T＝1s，仿真时间t＝260s。目标实际运动过程如表1和表2所示。

表1 CV运动

表2 CA运动

给定训练数据集{(D₁,ΔR₁),(D₂,ΔR₂),…,(D_k,ΔR_k)}，其中k＝1000。FNN初始隶属度函数D_i，ΔR的参数为a＝5,b＝1.5,c＝0.5,d＝0.1。梯度下降算法中的学习速率λ＝0.1，迭代次数m＝2000，训练后得到的参数为a＝4.192,b＝1.3,c＝0.411,d＝0.095，根据这些参数，新的隶属度函数形状如图4所示

在IMM算法中，控制模型切换速度的比例系数γ＝0.8，Markov概率转移矩阵主对角线的阈值Th＝0.5，初始Markov概率转移矩阵及各模型的初始概率为

图5表示的是使用四种的方法得到的跟踪结果，分别是标准的IMM算法、AIMM和IIMM。可以看出，相比标准的IMM算法，本实施例所提出的算法对机动目标具有较高的跟踪精度，具体表现在当目标实施机动时具有较低的峰值误差，并且能快速收敛。

图7表示的是使用四种方法Monte Carlo仿真500次的均方根误差曲线，同时对各算法观测时间内平均均方根误差，峰值误差进行了统计，结果如表3所示。

表3 RMSE均值对比

图8为某次实验中各算法的模型概率变化曲线。仿真结果表明，3种时变转移概率算法的跟踪性相比标准的IMM算法都有不同程度的提升。但相对来说，本实施例方法拥有更好的跟踪性能，具体表现在:

具有较高的跟踪精度。从图7和表3可以看出，无论是位置均方根误差还是速度均方根，在绝大多数数情况下，本实施例方法的误差都是最小的，跟踪精度较标准的IMM算法有大幅度提升，且AIMM和IIMM。在峰值误差方面，优势同样明显，位置峰值误差远小于其他方法，速度峰值误差略大于IIMM。说明本实施例的方法能够对目标进行全面自适应的跟踪，具有良好的适应性。

模型切换更加迅速、准确，优势模型体现更加明显。从图8可以看出，本实施例提出的方法在增强匹配模型的作用，削弱非匹配模型的影响方面优于其他三种方法。完成模型切换的时间只有9.6s左右，且在切换后能快速收敛，匹配模型的概率最高可以达到99.6％。模型概率变化与目标真实的模式变化十分接近。尤其当目标短时间内实施机动时，如50～54s、115～117s、220～222s，可以迅速对模型概率进行调整。因此，本实施例算法在模型概率估计方面，本实施例方法拥有较大的优势，远好于其他三种方法。

(2)利用真实数据对提出的方法进行分析

为了进一步评估所提出的方法的性能，选用如图9所示的会议室作为实验环境获取RSSI。在6m×4m的会议室布置4个静止的传感器节点，和一个移动的目标节点，传感器的型号为CC2530。目标节点约每0.1秒向外广播信息。离线阶段选取24个参考点构建无线电指纹库。

目标节点的初始状态为X(0)＝[0.6 0.3 0 0 0 0]^T，CV模型过程噪声Q_CV＝diag(0.3,0.3)，CA模型的过程噪声分别为Q_CA1＝diag(0.5,0.3)、Q_CA2＝diag(0.1,0.1)。

图10表示的是所给出的方法与其他方法的跟踪结果和对应的位置偏差。并对平均跟踪误差进行统计，结果如表4所示。

表4 平均跟踪误差

从中图10以及表4可以看出，所提出的方法在跟踪精度上优于其他三种方法。尤其是当目标运动状态发生突变时，本实施例所给出的方法能够增大匹配模型的作用，减小非匹配模型的影响。

本发明提出一种具有模型概率实时修正的IMM机动目标跟踪算法。有效克服传统IMM算法观测噪声协方差矩阵和Markov概率转移矩阵先验已知的限制，有效提升了模型切换的速度和准确性。仿真结果表明，本发明方法提高了对机动目标的跟踪精度，较好地解决了由于目标运动状态突然实施机动时导致跟踪精度下降的问题，具有良好自适应能力。

本实施例还提供一种WSN中基于模型概率实时修正的IMM目标跟踪装置，其中无线传感器网络WSN由N_s个随机分布在监控区域位置已知的锚节点组成，运动目标携带一个信号接收器，在运动过程中接收由N_s个锚节点发送的信号，所述监控区域中具有一处理器，该处理器能与无线传感器网络WSN中的传感器相互通信，所述跟踪装置包括：

观测方程构建模块，用于构建RSSI指纹库，根据所述RSSI指纹库以及SVR算法得到观测方程；

状态变量及协方差计算模块，由目标上一时刻目标的状态估计

和上一时刻每个滤波器的模型的概率μ_i(k-1)，计算当前时刻交互作用各滤波器输入的混合状态估计和协方差；

第一估计模块，用于将混合状态估计和协方差，输入到相应的滤波器计算，得到对应的状态估计值

以及残差v_j(k)和残差协方差S_j(k)；

更新模块，用于更新滤波器的模型的概率；

第二估计模块，用于基于模型的概率，对每个滤波器的输出结果进行加权合并，得到总的状态估计和

和总的协方差估计P(k|k)；

第一修正模块，用于对测量噪声协方差矩阵进行修正；

第二修正模块，用于根据IMM子模型中连续时间点之间的模型概率的比值，对Markov转移概率进行修正。

在一些实施例中，利用下式对测量噪声协方差矩阵进行修正，

R_k(j,j)＝R_k-1(j,j)+ΔR_i

R_k(j,j)表示k时刻观测噪声协方差矩阵第j行第j列的元素，R_k-1(j,j)表示k-1时刻观测噪声协方差矩阵第j行第j列的元素。

在一些实施例中，采用下式对Markov转移概率进行修正，

其中，γ为比例系数，λ_i表示模型i连续时间点之间的模型概率的比值，λ_j表示模型j连续时间点之间的模型概率的比值；

采用下式对修正后的Markov转移概率进行归一化，

在一些实施例中，判断修正后的Markov概率转移矩阵是否满足p_i,i＞0.5,i＝1,…,m；

如果满足，则更新转移概率，反之，则不更新。

由于装置部分的实施例与方法部分的实施例相互对应，因此装置部分的实施例的内容请参见方法部分的实施例的描述，这里暂不赘述。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

在本发明所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器((RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。

上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。

Claims (10)

1.一种WSN中基于模型概率实时修正的IMM目标跟踪方法，其中无线传感器网络WSN由N_s个随机分布在监控区域位置已知的锚节点组成，运动目标携带一个信号接收器，在运动过程中接收由N_s个锚节点发送的信号，所述监控区域中具有一处理器，该处理器能与无线传感器网络WSN中的传感器相互通信，其特征在于，所述跟踪方法包括：

步骤S1、构建RSSI指纹库，根据所述RSSI指纹库以及SVR算法得到观测方程；

步骤S2、由目标上一时刻目标的状态估计

和上一时刻每个滤波器的模型的概率μ_i(k-1)，计算当前时刻交互作用各滤波器输入的混合状态估计和协方差；

步骤S3、将所述混合状态估计和协方差，输入到相应的滤波器计算，得到对应的状态估计值

以及残差v_j(k)和残差协方差S_j(k)；

步骤S4、更新滤波器的模型的概率；

步骤S5、基于模型的概率，对每个滤波器的输出结果进行加权合并，得到总的状态估计和

和总的协方差估计P(k|k)；

步骤S6、对测量噪声协方差矩阵进行修正，具体实施步骤如下：

6a)确定模糊输入量；

IMM算法输出的系统残差为

系统残差协方差矩阵的理论值为

T(k)＝HP(k|k)H^T+R

系统残差协方差矩阵的统计值为

式中，N为移动估计窗口的大小，k₀＝k-N+1；

理论协方差矩阵和实际协方差矩阵之间的差定义为

D_i＝T(k)-E(k)

从上述公式可知，当测量噪声协方差矩阵R主对角线元素增加或者较少时，矩阵D_i主对角线的元素也作相应的变化；输入输出语言变量定义如下：

D_i:负(N),零(Z),正(P)

ΔR_i:减小(D),不变(M),增加(I)

6b)制定模糊规则、确定输入输出隶属度函数；

由此可定义如下的模糊系统的规则，使得理论协方差与统计残差协方差之间的差异最小：

if diag(D_i)＝0,then ΔR_i＝0

if diag(D_i)＞0,then ΔR_i＜0

if diag(D_i)＜0,then ΔR_i＞0

6c)训练隶属度函数的参数；

给定数据集{(D₁,ΔR₁),(D₂,ΔR₂),…,(D_k,ΔR_k)}，定义网络输出残差为

式中，

为给定输入D₁下模糊神经网络的输出；隶属度函数的参数可由梯度下降算法学习得到，即

式中，λ＞0为学习速率，m为迭代次数，θ表示隶属度；

6d)解模糊；

根据最大-最小原则进行解模糊，可得到网络的最终输出为

式中，I^-1(α₁)、M^-1(α₂)和D^-1(α₃)表示其对应的反函数，α1,α2,α3分别表示隶属度函数的输出；

因此，在每次迭代中观测噪声协方差矩阵R自适应调整

R_i(j,j)＝R_i-1(j,j)+ΔR_j

R_k(j,j)表示k时刻观测噪声协方差矩阵第j行第j列的元素，R_k-1(j,j)表示k-1时刻观测噪声协方差矩阵第j行第j列的元素；

6e)将网络输出反馈至步骤3；

步骤S7、根据IMM子模型中连续时间点之间的模型概率的比值，对Markov转移概率进行修正，将修正后的值反馈至步骤S2，具体实施步骤如下：

假设k-1时刻模型j的概率为μ_j(k-1)，模型i切换至模型j的转移概率为p_ij(k-1)，k时刻模型i和模型j的概率分别为μ_i(k)、μ_j(k)；

7a)Markov转移概率修正如下

式中，γ为比例系数，其值的选取视情况而定；λ_i表示模型i连续时间点之间的模型概率的比值，λ_j表示模型j连续时间点之间的模型概率的比值；

7b)考虑到k时刻某一模型向其它模型切换的概率为1，归一化为

7c)增加限定条件，在算法迭代过程中，判断自适应调整后的Markov概率转移矩阵是否满足:

p_i,i＞0.5,i＝1,…,m

如果满足，则更新转移概率，反之，则不更新；

7d)将更新后的Markov概率转移矩阵反馈至步骤2。

2.根据权利要求1所述的一种WSN中基于模型概率实时修正的IMM目标跟踪方法，其特征在于，所述构建RSSI指纹库，根据所述RSSI指纹库以及SVR算法得到观测方程，包括：

在监控区域中选取个参考点，其位置记为p_l，l∈{1,...,N_p}，测量所有所述参考点的RSSI，记为

则RSSI指纹库为(ρ_l,p_l)，在k时刻目标节点接收到的由锚节点发射信号的RSSI，位置指纹信息记为

根据所收集到的位置指纹信息，利用SVR构建一个输入为ρ(k)，输出为传感器节点位置p_l的函数ψ(·)，则因此传感器的观测模型为：

z(k)＝ψ(ρ(k))+n(k)

其中，n(k)为传感器测量噪声。

3.根据权利要求2所述的一种WSN中基于模型概率实时修正的IMM目标跟踪方法，其特征在于，所述由目标上一时刻目标的状态估计

和上一时刻每个滤波器的模型的概率μ_i(k-1)，计算当前时刻交互作用各滤波器输入的混合状态估计和协方差，包括：

计算模型i到模型j的混合概率μ_ij(k-1|k-1),

式中，μ_i(k-1)为模型i在k-1时刻的概率，p_ij表示Markov概率转移矩阵，

根据目标上一时刻目标的状态估计

和混合概率μ_ij(k-1|k-1)计算混合状态估计

根据状态估计

和混合状态估计

以及混合概率μ_ij(k-1|k-1)计算协方差为P_oj(k-1|k-1)，

4.根据权利要求3所述的一种WSN中基于模型概率实时修正的IMM目标跟踪方法，其特征在于，利用下式对测量噪声协方差矩阵进行修正，

R_k(j,j)＝R_k-1(j,j)+ΔR_j

R_k(j,j)表示k时刻观测噪声协方差矩阵第j行第j列的元素，R_k-1(j,j)表示k-1时刻观测噪声协方差矩阵第j行第j列的元素。

5.根据权利要求4所述的一种WSN中基于模型概率实时修正的IMM目标跟踪方法，其特征在于，采用下式对Markov转移概率进行修正，

其中，γ为比例系数，λ_i表示模型i连续时间点之间的模型概率的比值，λ_j表示模型j连续时间点之间的模型概率的比值；

采用下式对修正后的Markov转移概率进行归一化，

6.根据权利要求5所述的一种WSN中基于模型概率实时修正的IMM目标跟踪方法，其特征在于，

判断修正后的Markov概率转移矩阵是否满足p_i,i＞0.5,i＝1,…,m

如果满足，则更新转移概率，反之，则不更新。

7.一种WSN中基于模型概率实时修正的IMM目标跟踪装置，其中无线传感器网络WSN由N_s个随机分布在监控区域位置已知的锚节点组成，运动目标携带一个信号接收器，在运动过程中接收由N_s个锚节点发送的信号，所述监控区域中具有一处理器，该处理器能与无线传感器网络WSN中的传感器相互通信，其特征在于，所述跟踪装置包括：

观测方程构建模块，用于构建RSSI指纹库，根据所述RSSI指纹库以及SVR算法得到观测方程；

状态变量及协方差计算模块，由目标上一时刻目标的状态估计

和上一时刻每个滤波器的模型的概率μ_i(k-1)，计算当前时刻交互作用各滤波器输入的混合状态估计和协方差；

第一估计模块，用于将混合状态估计和协方差，输入到相应的滤波器计算，得到对应的状态估计值

以及残差v_j(k)和残差协方差S_j(k)；

更新模块，用于更新滤波器的模型的概率；

第二估计模块，用于基于模型的概率，对每个滤波器的输出结果进行加权合并，得到总的状态估计和

和总的协方差估计P(k|k)；

第一修正模块，用于对测量噪声协方差矩阵进行修正，具体实施步骤如下：

6a)确定模糊输入量；

IMM算法输出的系统残差为

系统残差协方差矩阵的理论值为

T(k)＝HP(k|k)H^T+R

系统残差协方差矩阵的统计值为

式中，N为移动估计窗口的大小，k₀＝k-N+1；

理论协方差矩阵和实际协方差矩阵之间的差定义为

D_i＝T(k)-E(k)

从上述公式可知，当测量噪声协方差矩阵R主对角线元素增加或者较少时，矩阵D_i主对角线的元素也作相应的变化；输入输出语言变量定义如下：

D_i:负(N),零(Z),正(P)

ΔR_i:减小(D),不变(M),增加(I)

6b)制定模糊规则、确定输入输出隶属度函数；

由此可定义如下的模糊系统的规则，使得理论协方差与统计残差协方差之间的差异最小：

if diag(D_i)＝0,then ΔR_i＝0

if diag(D_i)＞0,then ΔR_i＜0

if diag(D_i)＜0,then ΔR_i＞0

6c)训练隶属度函数的参数；

给定数据集{(D₁,ΔR₁),(D₂,ΔR₂),…,(D_k,ΔR_k)}，定义网络输出残差为

式中，

为给定输入D₁下模糊神经网络的输出；隶属度函数的参数可由梯度下降算法学习得到，即

式中，λ＞0为学习速率，m为迭代次数，θ表示隶属度；

6d)解模糊；

根据最大-最小原则进行解模糊，可得到网络的最终输出为

式中，I^-1(α₁)、M^-1(α₂)和D^-1(α₃)表示其对应的反函数，α1,α2,α3分别表示隶属度函数的输出；

因此，在每次迭代中观测噪声协方差矩阵R自适应调整

R_i(j,j)＝R_i-1(j,j)+ΔR_j

R_k(j,j)表示k时刻观测噪声协方差矩阵第j行第j列的元素，R_k-1(j,j)表示k-1时刻观测噪声协方差矩阵第j行第j列的元素；

6e)将网络输出反馈至步骤3；

第二修正模块，用于根据IMM子模型中连续时间点之间的模型概率的比值，对Markov转移概率进行修正，具体实施步骤如下：

假设k-1时刻模型j的概率为μ_j(k-1)，模型i切换至模型j的转移概率为p_ij(k-1)，k时刻模型i和模型j的概率分别为μ_i(k)、μ_j(k)；

7a)Markov转移概率修正如下

式中，γ为比例系数，其值的选取视情况而定；λ_i表示模型i连续时间点之间的模型概率的比值，λ_j表示模型j连续时间点之间的模型概率的比值；

7b)考虑到k时刻某一模型向其它模型切换的概率为1，归一化为

7c)增加限定条件，在算法迭代过程中，判断自适应调整后的Markov概率转移矩阵是否满足:

p_i,i＞0.5,i＝1,…,m

如果满足，则更新转移概率，反之，则不更新；

7d)将更新后的Markov概率转移矩阵反馈至步骤2。

8.根据权利要求7所述的一种WSN中基于模型概率实时修正的IMM目标跟踪装置，其特征在于，利用下式对测量噪声协方差矩阵进行修正，

R_k(j,j)＝R_k-1(j,j)+ΔR_j

R_k(j,j)表示k时刻观测噪声协方差矩阵第j行第j列的元素，R_k-1(j,j)表示k-1时刻观测噪声协方差矩阵第j行第j列的元素。

9.根据权利要求8所述的一种WSN中基于模型概率实时修正的IMM目标跟踪装置，其特征在于，采用下式对Markov转移概率进行修正，

其中，γ为比例系数，λ_i表示模型i连续时间点之间的模型概率的比值，λ_j表示模型j连续时间点之间的模型概率的比值；

采用下式对修正后的Markov转移概率进行归一化，

10.根据权利要求9所述的一种WSN中基于模型概率实时修正的IMM目标跟踪装置，其特征在于，

判断修正后的Markov概率转移矩阵是否满足p_i,i＞0.5,i＝1,…,m；

如果满足，则更新转移概率，反之，则不更新。

Images