CN113613175B - 一种基于动态簇的无线传感器网络目标跟踪方法 - Google Patents
一种基于动态簇的无线传感器网络目标跟踪方法 Download PDFInfo
- Publication number
- CN113613175B CN113613175B CN202110836597.3A CN202110836597A CN113613175B CN 113613175 B CN113613175 B CN 113613175B CN 202110836597 A CN202110836597 A CN 202110836597A CN 113613175 B CN113613175 B CN 113613175B
- Authority
- CN
- China
- Prior art keywords
- node
- target
- cluster
- sensor
- nodes
- 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
- 238000000034 method Methods 0.000 title claims abstract description 55
- 239000011159 matrix material Substances 0.000 claims abstract description 33
- 238000005265 energy consumption Methods 0.000 claims abstract description 26
- 239000002245 particle Substances 0.000 claims abstract description 21
- 238000001914 filtration Methods 0.000 claims abstract description 7
- 238000004422 calculation algorithm Methods 0.000 claims description 63
- 241000854291 Dianthus carthusianorum Species 0.000 claims description 53
- 238000005259 measurement Methods 0.000 claims description 12
- 238000005070 sampling Methods 0.000 claims description 12
- 230000033001 locomotion Effects 0.000 claims description 11
- 238000012544 monitoring process Methods 0.000 claims description 6
- 230000002860 competitive effect Effects 0.000 claims description 2
- 229920002730 Poly(butyl cyanoacrylate) Polymers 0.000 description 16
- 230000008033 biological extinction Effects 0.000 description 9
- 238000004088 simulation Methods 0.000 description 5
- 239000000654 additive Substances 0.000 description 3
- 230000000996 additive effect Effects 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 230000003321 amplification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003199 nucleic acid amplification method Methods 0.000 description 2
- 230000008054 signal transmission Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- 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
- H04W40/04—Communication route or path selection, e.g. power-based or shortest path routing based on wireless node resources
- H04W40/10—Communication route or path selection, e.g. power-based or shortest path routing based on wireless node resources based on available power or energy
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W40/00—Communication routing or communication path finding
- H04W40/24—Connectivity information management, e.g. connectivity discovery or connectivity update
- H04W40/32—Connectivity information management, e.g. connectivity discovery or connectivity update for defining a routing cluster membership
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W52/00—Power management, e.g. TPC [Transmission Power Control], power saving or power classes
- H04W52/02—Power saving arrangements
- H04W52/0209—Power saving arrangements in terminal devices
-
- 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
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明提供一种基于动态簇的无线传感器网络目标跟踪方法。主要研究了目标跟踪过程中的传感器节点选择问题,所述方法包括:利用粒子滤波的方法对目标在下一时刻的位置进行预测;根据目标的预测位置、预测协方差矩阵和传感器节点的感知半径确定候选节点区域;在候选节点区域中综合考虑节点的剩余能量和PCRLB信息来选择固定数量的传感器节点组成动态簇对目标进行跟踪。本发明的方法不仅能降低跟踪误差,而且可以平衡各节点的能量消耗,延长网络生存期。
Description
技术领域
本发明涉及一种基于动态簇的能耗均衡的目标跟踪方法,属于无线传感器网络的技术领域也属于目标跟踪的技术领域。
背景技术
无线传感器网络(WSN)是由大量分布式的传感器节点组成的网络,可以应用在军事、环境、医疗、家居、交通等在内的很多领域。目标跟踪是WSN的典型应用之一,为了提高目标跟踪的精度,可以调用更多的传感器节点对目标进行跟踪,但更多传感器节点的调用会消耗过多的能量。
为减少系统的能量消耗,一种思路是在每个跟踪时刻只激活少量的传感器节点来跟踪目标。当限定每个跟踪时刻参与跟踪的传感器节点数目时,为了尽可能提高目标的跟踪精度,典型的算法思路是基于PCRLB的传感器节点选择算法,这类算法虽然考虑了传感器节点的拓扑结构,但没有考虑传感器节点的剩余能量。传感器节点的能量通常由电池供给,电池储能有限,不考虑节点剩余能量可能导致传感器节点的能量消耗不均,出现网络覆盖空洞的现象。此外,还有很多算法考虑了节点的剩余能量,但这类算法通常忽略了传感器节点的拓扑结构对目标跟踪精度的影响,也有可能出现被激活的传感器节点感知不到目标的情况,造成能量浪费。
发明内容
本申请发明针对WSN中的目标跟踪问题,提出了一种基于动态簇的WSN目标跟踪方法。其中,WSN由N个随机部署在一定区域的传感器节点和一个汇聚节点组成,汇聚节点可以与传感器节点相互通信。本发明首先根据目标的预测位置、预测协方差矩阵和传感器节点的感知半径来确定候选节点区域,避免了候选节点区域中被激活的传感器节点感知不到目标的情况,然后将节点的剩余能量和PCRLB信息综合考虑来选择固定数量的传感器节点组成动态簇对目标进行跟踪以确定目标的状态。
本发明的目的是这样实现的:步骤如下:
步骤一:建立目标的运动模型、传感器节点的量测模型和无线电能量消耗模型;
步骤二:目标在初始时刻进入无线传感器网络监测区域,汇聚节点利用先验信息选择簇头节点和簇成员节点组成动态簇;
步骤三:簇头节点接收簇成员节点的量测信息,利用粒子滤波的方法对目标在当前时刻的位置进行估计,并计算目标在下一时刻的预测位置和预测协方差矩阵,然后广播包含目标预测位置和预测协方差矩阵的消息来招募下一时刻的簇头节点和簇成员节点;
步骤四:每个接收到广播消息的传感器节点计算自身是否在目标预测位置的一定区域(候选节点区域)内,若在候选节点区域内则此传感器节点会向簇头节点发送包含自身位置和自身剩余能量信息的竞选报文;
步骤五:簇头节点接收竞选报文,并根据簇头和簇成员节点选择算法,确定下一时刻动态簇的簇头节点和簇成员节点;
步骤六:当前时刻的簇头节点向下一时刻的簇头节点发送簇头任命消息,并向下一时刻的簇成员节点发送簇成员任命消息,当前时刻的簇头节点和簇成员节点进入休眠状态;
步骤七:经过预设的时间间隔t后,下一时刻的簇头节点和簇成员节点正式成为簇头节点和簇成员节点,并开始感知目标;
步骤八:重复步骤三至步骤七直到跟踪结束。
本发明还包括这样一些结构特征:
1.步骤一中的目标运动模型可以表示为:
Xk+1=FkXk+Gkwk
其中,Fk、Xk和Gk可以表示为:
其中,Δtk是两个连续测量时间tk+1和tk之间的采样时间间隔,(x(k),y(k))是目标在在k时刻的位置,(vx(k),vy(k))是目标在k时刻由x轴速度和y轴速度组成的速度向量。wk=[wx,wy]T是高斯噪声序列,均值为0,协方差矩阵是Qw。wx和wy分别对应于x轴和y轴的加速度噪声,wx和wy互不相关,协方差矩阵Qw可表示为:
在量测模型方面,假设目标k+1时刻在传感器节点j的感知范围内,传感器节点j对它们之间距离的量测值可以表示为:
ξj(k+1)=hj(Xk+1)(1+γj(k+1))+nj(k+1)=hj(Xk+1)+vj(k+1)
其中:
式中,hj(Xk+1)表示k+1时刻节点j和目标之间的距离,γj(k+1)表示乘性噪声,服从均值为零,方差为的高斯分布,nj(k+1)表示加性噪声,服从均值为零,方差为/>的高斯分布,vj(k+1)表示节点j对目标进行测量时的观测噪声,其均值为零,方差为:
无线电能量消耗模型包含信号发射的能量消耗和信号接收的能量消耗。当发射节点和接收节点的距离为d时,发射kbit的数据包消耗的能量计算如下:
ETX(k,d)=Eelec×k+ε×k×d2
另一方面,接收节点接收kbit的数据包消耗的能量可以表示为:
ERX(k)=ERX-elec(k)=Eelec×k
其中,Eelec表示发射节点和接收节点在发射电路或接收电路上处理每bit消息所消耗的能量,ε是放大系数。
2.步骤三具体为:
目标在下一时刻的预测位置和预测协方差矩阵可以由粒子来直接计算,目标的预测位置可以表示为:
其中,Np表示粒子数,表示粒子的状态,目标的预测协方差矩阵可以表示为:
簇头节点的广播半径为:
其中,(xch,ych)表示簇头节点的位置,(xk+1|k,yk+1|k)表示预测的k+1时刻目标的位置,R为传感器节点的感知半径。
3.步骤四具体为:
首先构建3σ误差椭圆来确定目标的可能存在区域。将目标的预测协方差矩阵表示为:
其中,Pxx为x轴方向预测位置的方差,Pyy为y轴方向预测位置的方差,Pxy=Pyx为x轴方向预测位置和y轴方向预测位置的协方差。那么,3σ误差椭圆长半轴的长度a1、短半轴的长度b1和倾斜角β1分别可以表示为:
然后根据误差椭圆,来确定候选节点区域。为了保证误差椭圆在候选节点区域内所有传感器节点的感知范围内,考虑以误差椭圆圆弧上的任意一点为圆心,以感知半径R为半径作圆,所有圆的相交区域即为候选节点区域,这个候选节点区域为一个椭圆。候选节点区域椭圆长半轴长度a2、短半轴长度b2和倾斜角β2分别可以表示为:
那么,候选节点区域椭圆公式可以表示为:
其中:(xk+1|k,yk+1|k)为目标的预测位置。
4.步骤五具体为:目标在k+1时刻时,PCRLB信息可以表示为Jk+1,Jk+1可以表示为:
其中,表示先验FIM信息,可以根据/>得到,Pk+1表示目标的预测协方差矩阵。假设在k+1时刻有M个节点感知到目标,那么,矩阵/>可以表示为:
每个传感器节点所能提供的贡献值可以表示为:
其中,(xk+1,yk+1)为目标的预测位置,为传感器节点j的位置,/>为传感器节点j的量测噪声的方差。
为了在进行节点选择时考虑节点的剩余能量,可以将节点的剩余能量和最大能量的比值对每个节点所能提供的贡献值进行加权,则有:
其中,weight可以表示为:
其中,remain_engy表示节点的剩余能量,max_engy表示节点的最大能量。定义为节点剩余能量加权的/>若在跟踪过程中的每个采样点选择M个传感器节点,则有:
则剩余能量加权的PCRLB可以表示为:
根据delta准则,选择使得的delta值最大的传感器节点组合。在这M个传感器节点中,最接近M个传感器节点的质心的传感器节点担任簇头节点,其他M-1个传感器节点为簇成员节点。
与现有技术相比,本发明的有益效果是:
(1)根据目标的预测位置、预测协方差矩阵和传感器节点的感知半径确定候选节点区域的方法,避免了被激活的传感器节点感知不到目标的情况;
(2)将节点的PCRLB信息和节点的剩余能量结合,即充分考虑了传感器节点的拓扑结构又平衡了各传感器节点的能量消耗。
本发明申请的一种基于动态簇的目标跟踪方法能够有效降低跟踪误差,平衡节点的能量消耗,延长网络生存期。本发明适用于二维平面中基于WSN的单目标跟踪场景,其中,传感器节点可以测量到目标之间的距离。
本发明主要研究了WSN中基于动态簇的目标跟踪问题,所述方法包括:利用粒子滤波的方法对目标在下一时刻的位置进行预测,根据预测位置和预测协方差矩阵确定目标在下一时刻的椭圆区域,从而确定下一时刻的候选节点区域,在候选节点区域根据节点的剩余能量和PCRLB信息选择部分传感器节点组成动态簇对目标进行跟踪。本申请方法能够降低跟踪误差,平衡节点的能量消耗,延长网络生存期。
附图说明
图1是动态簇中的节点感知不到目标的情况;
图2是节点动态分簇的仿真结果场景图;
图3是传感器节点数目为500时,本方法与AASA算法、PBCA算法的能量消耗对比;
图4是传感器节点数目为500时,本方法与AASA算法、PBCA算法的节点消亡情况的比较;
图5a-c分别是传感器节点数目为500时,本方法与AASA算法、PBCA算法在不同跟踪次数时的平均定位误差比较曲线;
具体实施方式
下面结合附图与具体实施方式对本发明作进一步详细描述。
本发明的一种基于动态簇的目标跟踪方法,具体包括:
(1.1)建立目标的运动模型、传感器节点的量测模型和无线电能量消耗模型;
(1.2)目标在初始时刻进入无线传感器网络监测区域,汇聚节点利用先验信息选择簇头节点和簇成员节点组成动态簇;
(1.3)簇头节点接收簇成员节点的量测信息,利用粒子滤波的方法对目标在当前时刻的位置进行估计,并计算目标在下一时刻的预测位置和预测协方差矩阵,然后广播包含目标预测位置和预测协方差矩阵的消息来招募下一时刻的簇头节点和簇成员节点;
(1.4)每个接收到广播消息的传感器节点计算自身是否在目标预测位置的一定区域(候选节点区域)内,若在候选节点区域内则此传感器节点会向簇头节点发送包含自身位置和自身剩余能量信息的竞选报文;
(1.5)簇头节点接收竞选报文,并根据簇头和簇成员节点选择算法,确定下一时刻动态簇的簇头节点和簇成员节点;
(1.6)当前时刻的簇头节点向下一时刻的簇头节点发送簇头任命消息,并向下一时刻的簇成员节点发送簇成员任命消息,当前时刻的簇头节点和簇成员节点进入休眠状态;
(1.7)经过预设的时间间隔t后,下一时刻的簇头节点和簇成员节点正式成为簇头节点和簇成员节点,并开始感知目标;
(1.8)重复(1.1)至(1.7)直到跟踪结束。
所述方法特征(1.1)包括:
(2.1)在Lm×Wm的矩形监测区域随机部署N个传感器节点,所有节点的坐标已知,目标在监测区域进行多次CV运动。
(2.2)目标运动模型可以表示为:
Xk+1=FkXk+Gkwk
其中,Fk、Xk和Gk可以表示为:
其中,Δtk是两个连续测量时间tk+1和tk之间的采样时间间隔,(x(k),y(k))是目标在在k时刻的位置,(vx(k),vy(k))是目标在k时刻由x轴速度和y轴速度组成的速度向量。wk=[wx,wy]T是高斯噪声序列,均值为0,协方差矩阵是Qw。wx和wy分别对应于x轴和y轴的加速度噪声,wx和wy互不相关,协方差矩阵Qw可表示为:
(2.3)量测模型方面,假设目标k+1时刻在传感器节点的感知范围内,节点测量时有相同的噪声统计特性,传感器节点j对它们之间距离的量测值可以表示为:
ξj(k+1)=hj(Xk+1)(1+γj(k+1))+nj(k+1)=hj(Xk+1)+vj(k+1)
其中:
式中,hj(Xk+1)表示k+1时刻节点j和目标之间的距离,γj(k+1)表示乘性噪声,服从均值为零,方差为的高斯分布,nj(k+1)表示加性噪声服从均值为零,方差为/>的高斯分布,vj(k+1)表示节点j对目标进行测量时的观测噪声,其均值为零,方差为:
(2.4)无线电能量消耗模型包含信号发射的能量消耗和信号接收的能量消耗。当发射节点和接收节点的距离为d时,发射kbit的数据包消耗的能量计算如下:
ETX(k,d)=Eelec×k+ε×k×d2
另一方面,接收节点接收kbit的数据包消耗的能量可以表示为:
ERX(k)=ERX-elec(k)=Eelec×k
其中,Eelec表示发射节点和接收节点在发射电路或接收电路上处理每bit消息所消耗的能量,ε是放大系数。
所述方法特征(1.2)包括:
(3.1)先验信息包含初始状态和初始误差协方差矩阵等,初始状态包括目标的位移和速度信息。汇聚节点根据(1.4)的候选节点区域确定方法来确定候选节点区域,并根据(1.5)的簇头节点和簇成员节点选择算法来选择簇头和簇成员节点。
所述方法特征(1.3)包括:
(4.1)目标在下一时刻的预测位置和预测协方差矩阵可以由粒子来直接计算,目标的预测位置可以表示为:
式中,Np表示粒子数,表示粒子的状态,目标的预测协方差矩阵可以表示为:
(4.2)簇头节点的广播半径为:
其中,(xch,ych)表示簇头节点的位置,(xk+1|k,yk+1|k)表示预测的k+1时刻目标的位置,R为传感器节点的感知半径。
所述方法特征(1.4)包括:
(5.1)在目标跟踪过程中的每一个采样时刻,可以根据对目标的预测来选择下一时刻的动态簇的簇成员节点和簇头节点。由于预测误差的存在,预测位置和目标的真实位置总是有一定的偏差,当以目标的预测位置为圆心,以传感器节点的感知半径R为半径确定候选节点区域,在候选节点区域内选择传感器节点组成动态簇时,可能会出现簇中的传感器节点感知不到目标的情况。假设每个采样时刻选择3个传感器节点组成动态簇,某一采样时刻目标位置和其周围传感器节点的分布如图1所示,P为目标的预测位置,T为目标的真实位置,这一时刻选择A、B和C节点组成动态簇,但当目标到达时,B节点实际上并不能感知到目标。因此,为了防止这种情况的发生,需要对候选节点区域进行限制。
(5.2)可以根据目标在k+1时刻的预测位置和预测协方差矩阵构建3σ误差椭圆来对确定目标在k+1时刻的可能区域(PR)。目标在k+1时刻的预测协方差矩阵表示为:
其中,Pxx为x轴方向预测位置的方差,Pyy为y轴方向预测位置的方差,Pxy=Pyx为x轴方向预测位置和y轴方向预测位置的协方差。那么,3σ误差椭圆长半轴的长度a1、短半轴的长度b1和倾斜角β1分别可以表示为:
(5.3)更进一步,可以把误差椭圆作为切入点,来确定候选节点区域。为了保证误差椭圆区域在候选节点区域内所有传感器节点的感知范围内,考虑以误差椭圆圆弧上的任意一点为圆心,以感知半径R为半径作圆,所有圆的相交区域即为候选节点区域,这个候选节点区域为一个椭圆。候选节点区域椭圆长半轴长度a2、短半轴长度b2和倾斜角β2分别可以表示为:
那么,候选节点区域椭圆公式可以表示为:
其中:(xk+1|k,yk+1|k)为目标的预测位置。
所述方法特征(1.5)包括:
(6.1)目标在k+1时刻时,PCRLB信息可以表示为Jk+1,在基于PCRLB的节点选择算法中,根据delta准则,选择Jk+1的delta值最大的传感器节点组合,但PCRLB信息只与目标的预测位置、传感器节点的相对位置和传感器节点的量测噪声有关而跟传感器节点的剩余能量无关,当目标连续经过同一区域时,可能会持续选择相同的传感器节点,造成各个传感器节点的能量消耗不均衡,致使某些节点的能量过早耗尽,网络覆盖出现空洞的现象发生。为了平衡节点的能量消耗,在保证一定的跟踪质量的前提下,尽可能提高网络的生存期,可以将节点的剩余能量和PCRLB信息进行综合考虑。
(6.2)Jk+1可以表示为:
其中,表示先验FIM信息,可以根据/>得到,Pk+1表示目标的预测协方差矩阵。假设在k+1时刻有M个节点感知到目标,那么,矩阵/>可以表示为:
每个传感器节点所能提供的贡献值可以表示为:
其中,(xk+1,yk+1)为目标的预测位置,为传感器节点j的位置,/>为传感器节点j的量测噪声的方差。
(6.3)将节点的剩余能量和最大能量的比值对每个节点所能提供的贡献值进行加权,则有:
其中,weight可以表示为:
其中,remain_engy表示节点的剩余能量,max_engy表示节点的最大能量。定义为节点剩余能量加权的/>若在跟踪过程中的每个采样点选择M个传感器节点,则有:
则剩余能量加权的PCRLB可以表示为:
根据delta准则,可以选择使得的delta值最大的传感器节点组合。在这M个传感器节点中,最接近M个传感器节点的质心的传感器节点担任簇头节点,其他M-1个传感器节点为簇成员节点。
为更加清晰的说明所申请方法,本申请实施例通过仿真实验进行流程说明以及效果展示,但不限制本申请实施例的范围。实验条件为:在600m×500m的矩形区域随机放置N个传感器节点,所有节点的坐标已知且感知半径R为40m,采样间隔为1s,加性噪声的方差的为0.3,乘性噪声的方差为0.0001,为了保证节点分布均匀,限制节点之间的最小距离为15m。目标在监测区域进行多次CV运动,每次目标的初始运动状态为X0=[0;8;randn(0,150);6],randn(0,150)表示产生(0,150)之间的均匀分布随机数,目标运动的过程噪声的协方差矩阵为Qw=0.2I2×2。粒子滤波的粒子个数N=1000,粒子初始分布的方差为5,每个节点的初始能量为0.5j,目标跟踪的每个采样点选择3个传感器节点组成动态簇。假设节点每次计算的能量开销是5μj,节点之间信息交互时数据包的大小是1000bit,节点的感知能耗为50nj,在无线电能量模型中,Eelec=50nj/bit,ε=10pj/bit/m2。
节点动态分簇的仿真结果场景图如图2所示,仿真实验采用本发明所述的传感器节点选择算法来选择传感器节点,其中,方案1为本发明的椭圆候选节点区域设置,方案2为以预测位置为圆心,半径为传感器节点感知半径R的圆形候选节点区域设置。从图中可以看到,当以方案2确定候选节点区域时,在某条跟踪轨迹的第6个采样时刻,出现了被选中的传感器节点感知不到目标的情况,而以方案1确定候选节点区域时,被选中的传感器节点均能感知到目标,方案1有效解决了被选中的传感器节点感知不到目标的情况。
将本发明的算法命名为EWPCRLB算法。仿真实验和和Zheng提出来的AASA节点选择算法,以及F.Deldar提出来的PBCA节点选择算法进行对比。AASA节点选择算法的核心公式是:
其中,pch是簇头节点和上次预测的位置之间的距离,ech是簇头节点的剩余能量,ei是候选节点区域中传感器节点i的剩余能量,pi是候选传感器节点i和预测位置之间的距离,根据Zheng文献中的参数设置α为0.3。PBCA节点选择算法的核心公式是:
其中,distancei是候选节点区域中的传感器节点i和预测位置之间的距离,energyi是传感器节点i的剩余能量。
图3是传感器节点数目为500时WSN中节点总的能量消耗情况,可以看到,三种算法的能量消耗都随着跟踪次数的增加而增加。本发明提出的EWPCRLB算法的能量消耗略高于另外两种算法,原因是,AASA算法和PBCA算法仅将节点距目标预测位置之间的距离和节点的剩余能量两个因素作为选择条件,但本发明不仅考虑节点距预测位置的距离和节点的剩余能量,还考虑节点的相对位置关系,选中的节点之间可能相距比较远,造成了更大的通信开销。但总的来说,三种算法能量消耗差别不大。
图4是传感器节点数目为500时WSN中节点消亡情况的比较。可以看到,随着跟踪次数的增加,最先出现节点消亡的是PBCA算法,节点消亡出现最晚的是本发明提出的EWPCRLB算法。事实上,当跟踪次数达到434时,PBCA算法最早发生了节点消亡,当跟踪次数达到441时AASA算法开始出现节点消亡,当跟踪次数达到524时本发明的EWPCRLB算法才开始出现节点消亡。当跟踪次数达到468时,PBCA算法最早出现了目标丢失现象,当跟踪次数达到480时AASA算法出现目标丢失,当跟踪次数达到542时,本发明的EWPCRLB算法最后出现目标丢失。在本发明的EWPCRLB的能量消耗略高于其他两种算法的情况下(见图3),本发明的EWPCRLB算法仍具有更晚的节点消亡时间和更晚出现目标丢失现象,说明本发明的EWPCRLB算法更能平衡网络的能量消耗。定义网络生存期为首次出现目标丢失时的跟踪次数,本发明的EWPCRLB算法的网络生存期最长,其次是AASA算法,网络生存期最短的是PBCA算法。
图5a-c是三种算法在不同跟踪次数时的平均定位误差曲线,目标的每条运动轨迹的平均定位误差可以描述为:
其中,M表示采样点的个数。整个网络生存期内目标的所有运动轨迹的跟踪误差可以表示为:
其中,T表示跟踪轨迹的数目。可以看到,总体上本发明的EWPCRLB算法的平均定位误差小于AASA算法和PBCA算法,EWPCRLB算法的起伏程度也小于AASA算法和PBCA算法。实际上EWPCRLB算法的跟踪误差为0.5644,AASA算法的跟踪误差大小为0.5989,PBCA算法的跟踪误差为0.5965,相比AASA算法和PBCA算法,EWPCRLB算法的跟踪误差分别降低5.7%和5.4%。EWPCRLB算法平均定位误差的方差为0.0031,AASA算法平均定位误差的方差为0.0039,PBCA算法平均定位误差的方差为0.0038,EWPCRLB算法性能更加稳定。
覆盖区域内不同数量的传感器节点也会影响网络的生存期和跟踪误差。不同传感器数量时,不同算法出现首个节点消亡的时间、网络生存期和跟踪误差如下表1所示。从表1可以看出本发明的EWPCRLB算法在首个节点消亡时间、网络生存期、跟踪误差等方面的性能指标均优于AASA算法和PBCA算法。
表一
综上,本实施例的方法提出了一种基于动态簇的无线传感器网络目标跟踪方法。主要研究了目标跟踪过程中的传感器节点选择问题,所述方法包括:利用粒子滤波的方法对目标在下一时刻的位置进行预测;根据目标的预测位置、预测协方差矩阵和传感器节点的感知半径确定候选节点区域;在候选节点区域中综合考虑节点的剩余能量和PCRLB信息来选择固定数量的传感器节点组成动态簇对目标进行跟踪。所申请方法不仅能降低跟踪误差,而且可以平衡节点的能量消耗,延长网络生存期。
最后应说明的是,以上实施例仅用以描述本发明的技术方案而不是对本技术方法进行限制,本发明在应用上可以延伸为其他的修改、变化、应用和实施例,并且因此认为所有这样的修改、变化、应用、实施例都在本发明的精神和教导范围内。
Claims (4)
1.一种基于动态簇的无线传感器网络目标跟踪方法,其特征在于:步骤如下:
步骤一:建立目标的运动模型、传感器节点的量测模型和无线电能量消耗模型;
步骤二:目标在初始时刻进入无线传感器网络监测区域,汇聚节点利用先验信息选择簇头节点和簇成员节点组成动态簇;
步骤三:簇头节点接收簇成员节点的量测信息,利用粒子滤波的方法对目标在当前时刻的位置进行估计,并计算目标在下一时刻的预测位置和预测协方差矩阵,然后广播包含目标预测位置和预测协方差矩阵的消息来招募下一时刻的簇头节点和簇成员节点;
步骤四:每个接收到广播消息的传感器节点计算自身是否在目标预测位置的一定区域内,若在候选节点区域内则此传感器节点会向簇头节点发送包含自身位置和自身剩余能量信息的竞选报文;
步骤五:簇头节点接收竞选报文,并根据簇头和簇成员节点选择算法,确定下一时刻动态簇的簇头节点和簇成员节点;
步骤六:当前时刻的簇头节点向下一时刻的簇头节点发送簇头任命消息,并向下一时刻的簇成员节点发送簇成员任命消息,当前时刻的簇头节点和簇成员节点进入休眠状态;
步骤七:经过预设的时间间隔t后,下一时刻的簇头节点和簇成员节点正式成为簇头节点和簇成员节点,并开始感知目标;
步骤八:重复步骤三至步骤七直到跟踪结束。
2.根据权利要求1所述的一种基于动态簇的无线传感器器网络目标跟踪方法,其特征在于:步骤三具体为:
目标在下一时刻的预测位置和预测协方差矩阵可以由粒子来直接计算,目标的预测位置为:
其中,Np表示粒子数,表示粒子的状态,目标的预测协方差矩阵为:
簇头节点的广播半径为:
其中,(xch,ych)表示簇头节点的位置,(xk+1|k,yk+1|k)表示预测的k+1时刻目标的位置,R为传感器节点的感知半径。
3.根据权利要求2所述的一种基于动态簇的无线传感器器网络目标跟踪方法,其特征在于:步骤四具体为:
首先构建3σ误差椭圆来确定目标的可能存在区域;将目标的预测协方差矩阵表示为:
其中,Pxx为x轴方向预测位置的方差,Pyy为y轴方向预测位置的方差,Pxy=Pyx为x轴方向预测位置和y轴方向预测位置的协方差;3σ误差椭圆长半轴的长度a1、短半轴的长度b1和倾斜角β1分别为:
然后根据误差椭圆,来确定候选节点区域;候选节点区域椭圆长半轴长度a2、短半轴长度b2和倾斜角β2分别可以表示为:
候选节点区域椭圆公式为:
其中:(xk+1|k,yk+1|k)为目标的预测位置。
4.根据权利要求3所述的一种基于动态簇的无线传感器器网络目标跟踪方法,其特征在于:步骤五具体为:目标在k+1时刻时,PCRLB信息可以表示为Jk+1,Jk+1可以表示为:
其中,表示先验FIM信息,根据/>得到,Pk+1表示目标的预测协方差矩阵;假设在k+1时刻有M个节点感知到目标,则矩阵/>为:
每个传感器节点所能提供的贡献值为:
其中,(xk+1,yk+1)为目标的预测位置,/>为传感器节点j的位置,/>为传感器节点j的量测噪声的方差;
在进行节点选择时考虑节点的剩余能量,将节点的剩余能量和最大能量的比值对每个节点所能提供的贡献值进行加权,则有:
其中,weight为:
其中,remain_engy表示节点的剩余能量,max_engy表示节点的最大能量;定义为节点剩余能量加权的/>若在跟踪过程中的每个采样点选择M个传感器节点,则有:
则剩余能量加权的PCRLB为:
根据delta准则,选择使得的delta值最大的传感器节点组合;在这M个传感器节点中,最接近M个传感器节点的质心的传感器节点担任簇头节点,其他M-1个传感器节点为簇成员节点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110836597.3A CN113613175B (zh) | 2021-07-23 | 2021-07-23 | 一种基于动态簇的无线传感器网络目标跟踪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110836597.3A CN113613175B (zh) | 2021-07-23 | 2021-07-23 | 一种基于动态簇的无线传感器网络目标跟踪方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113613175A CN113613175A (zh) | 2021-11-05 |
CN113613175B true CN113613175B (zh) | 2023-10-13 |
Family
ID=78305257
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110836597.3A Active CN113613175B (zh) | 2021-07-23 | 2021-07-23 | 一种基于动态簇的无线传感器网络目标跟踪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113613175B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115278819B (zh) * | 2022-06-13 | 2024-06-07 | 中国科学院上海微系统与信息技术研究所 | 一种基于无线传感网的节点调度方法 |
CN116668993B (zh) * | 2023-07-24 | 2023-11-07 | 西安深信科创信息技术有限公司 | 车路协同自动驾驶感知方法及装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2007144570A1 (en) * | 2006-06-13 | 2007-12-21 | Bae Systems Plc | Improvements relating to target tracking |
CN102023571A (zh) * | 2010-09-30 | 2011-04-20 | 哈尔滨工程大学 | 探索任务下基于分簇的多机器人任务分配方法 |
KR20140075270A (ko) * | 2012-12-11 | 2014-06-19 | 국방과학연구소 | 타깃 추종 클러스터링 알고리즘 |
CN107453993A (zh) * | 2017-08-11 | 2017-12-08 | 长春理工大学 | 基于Fisher信息矩阵与SUKF的目标跟踪方法 |
CN109470235A (zh) * | 2018-10-23 | 2019-03-15 | 浙江大学 | 一种基于动态簇的水下多传感器协作被动跟踪方法 |
CN109729498A (zh) * | 2019-02-27 | 2019-05-07 | 重庆邮电大学 | 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 |
-
2021
- 2021-07-23 CN CN202110836597.3A patent/CN113613175B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2007144570A1 (en) * | 2006-06-13 | 2007-12-21 | Bae Systems Plc | Improvements relating to target tracking |
CN102023571A (zh) * | 2010-09-30 | 2011-04-20 | 哈尔滨工程大学 | 探索任务下基于分簇的多机器人任务分配方法 |
KR20140075270A (ko) * | 2012-12-11 | 2014-06-19 | 국방과학연구소 | 타깃 추종 클러스터링 알고리즘 |
CN107453993A (zh) * | 2017-08-11 | 2017-12-08 | 长春理工大学 | 基于Fisher信息矩阵与SUKF的目标跟踪方法 |
CN109470235A (zh) * | 2018-10-23 | 2019-03-15 | 浙江大学 | 一种基于动态簇的水下多传感器协作被动跟踪方法 |
CN109729498A (zh) * | 2019-02-27 | 2019-05-07 | 重庆邮电大学 | 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 |
Non-Patent Citations (1)
Title |
---|
无线传感器网络CMR路由协议的改进;严国强;王福豹;刘琴;段渭军;;科学技术与工程(第13期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113613175A (zh) | 2021-11-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113613175B (zh) | 一种基于动态簇的无线传感器网络目标跟踪方法 | |
US7812718B1 (en) | Distributed position estimation for wireless sensor networks | |
Wang et al. | Bidding protocols for deploying mobile sensors | |
Gou et al. | An energy balancing LEACH algorithm for wireless sensor networks | |
Yu et al. | An energy-efficient chain-based routing protocol in wireless sensor network | |
CN107453993B (zh) | 基于Fisher信息矩阵与SUKF的目标跟踪方法 | |
CN108848449A (zh) | 基于DV-Hop改进的无线传感器网络节点定位算法 | |
Rahama et al. | A routing protocol for improving energy efficiency in wireless sensor networks | |
Hussain et al. | Base station assisted hierarchical cluster-based routing | |
Mansura et al. | Multi-energy threshold-based routing protocol for wireless sensor networks | |
Jerbi et al. | A novel clustering algorithm for coverage a large scale in WSN | |
Vincent et al. | A new method for distributing power usage across a sensor network | |
Nugraha et al. | The comparative analysis Between LEACH and DEEC based on the number of nodes and the range of coverage area | |
CN108684066B (zh) | 基于K-medoids的无线传感器网络分簇方法 | |
Moussaoui et al. | A novel clustering algorithm for efficient energy saving in wireless sensor networks | |
AbdelSalam et al. | A lightweight skeleton construction algorithm for self-organizing sensor networks | |
Lu et al. | Hierarchical ring-based data gathering for dense wireless sensor networks | |
CN108513332B (zh) | 一种分簇路由方法及系统 | |
Khedo et al. | MiSense hierarchical cluster-based routing algorithm (MiCRA) for wireless sensor networks | |
Bhavana et al. | Spatial correlation based clustering algorithm for random and uniform topology in WSNs | |
Mohindra et al. | Weighted multipath energy-aware clustered stable routing protocol for mobile ad hoc networks | |
Jia et al. | An energy-balanced self-deployment algorithm based on virtual force for mobile sensor networks | |
Dass et al. | Node localization in uwsn using auv with anchor-free optimal path planning model | |
Rezaee et al. | Energy efficient clustering in IOT-based wireless sensor networks using whale optimization algorithm | |
CN114125984B (zh) | 一种高效机会路由方法及装置 |
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 |