[发明专利]基于双层预测机制的无线传感器网络目标跟踪方法

说明书

技术领域

本发明属于无线传感器网络目标跟踪技术领域，特别是一种基于双层预测机制的传感器网络目标跟踪方法。

背景技术

随着微电子机械系统、计算机、通信、自动控制和人工智能等学科的飞速发展和日益成熟，出现了一种新型的测控网络——无线传感器网络(Wireless Sensor Network，WSN)。WSN综合了传感器技术、嵌入式计算技术、分布式信息处理技术和无线通信与网络技术，节点之间通过Ad-hoc等方式形成一个多跳自组织网络系统，能够协作地感知、采集和处理网络覆盖区域中监测对象和各种环境信息，并传送到需要这些信息的用户。

与独立的卫星和地面雷达跟踪系统相比，WSN在目标定位与跟踪方面具有部署快捷方便、系统健壮性好、跟踪更有效、跟踪更隐蔽等优势，同时也带来了一些挑战，如，没有中心机制、节点资源受限等特征要求必须采用分布式的、低时间和空间复杂度、低通信量和低能耗的跟踪算法，传统的目标跟踪算法不适合WSN目标跟踪应用。

目前，国际上对WSN的目标跟踪算法主要集中在Bayes滤波、Kalman滤波、扩展Kalman滤波和粒子滤波等算法，这些算法试图通过目标过去和当前的状态信息估计出目标未来可能的状态。

卡尔曼滤波(Kalman Filter，KF)通过建立目标运动模型和系统测量模型，对目标的预测与更新位置进行反复迭代运算来实现目标跟踪。WSN中目标的动态模型非线性且噪声也非高斯，而且KF是一种集中式算法，因此KF不适合WSN。

扩展卡尔曼滤波(Extended Kalman Filter，EKF)试图将非线性系统线性化，需要对测量方程进行线性化近似，无法避免线性化误差。此外，EKF需要较为准确的目标运动模型，模型越精确，预测的精度就越高，但实际上，模型总是近似的，这种近似的结果不仅造成精度上的损失，而且会使估计误差累计放大。同时EKF需要集中式运算且速度较慢。

粒子滤波方法可以很好地解决非线性非高斯滤波问题。但是粒子滤波需要复杂的迭代过程，计算量大且要求存储大量的粒子数据，适合于集中式系统，不适合在单个节点资源有限的分布式WSN系统上运行。

贝叶斯估计的主要任务是尝试构造状态的后验概率分布密度函数(PDF)，预测阶段使用系统模型对间隔一个测量时间的下一点的状态PDF进行预测；更新阶段则利用最新的测量值去修正预测的PDF。贝叶斯估计序贯式的处理方式适合WSN低计算复杂度需求。但该方法同时依赖于先验分布和测量值，因此在先验分布选取上要逼近实际，这样才能获得比较理想的估计。

两点外推是一种简单的目标状态的估计与预测方法，其基本思想是将当前提取到的目标点迹作为目标当前位置，利用当前及前一时刻目标的两个点迹数据，确定目标的状态并预测下一点的目标状态。这种方法的精度只与当前及前一时刻点迹数据的精度有关，是一种精度较低的方法。但这种方法对目标状态噪声和系统测量噪声的统计特性毫无要求，计算简单，不需要存储大量的历史数据，无累计误差，具有较好的能量效率。

从上述分析可以看出：简单的两点外推方法尽管精度较差，但计算量和存储量小，计算简单且无累计误差。Bayes估计也不失为WSN目标跟踪的一种可行的方法，但由于目标运动模型和系统测量模型的误差，以及先验分布的不准确影响了其跟踪精度。

发明内容

针对背景技术中存在的问题和WSN对目标跟踪算法的分布式、低复杂度、低通信量和低能耗的应用要求和WSN中目标跟踪的特点，本发明的目的在于提供一种基于双层预测机制的传感器网络目标跟踪方法。

为了实现上述目的，本发明基于层次型无线传感器网络，该传感器网络由SN节点和CH节点组成，所采用的技术方案包括如下步骤：

(1)、SN进行基于Bayes估计的目标位置微观预测与更新计算，得到目标位置的微观预测值；

(2)、由CH对本簇内节点的微观预测值进行融合后形成目标位置的观测值；

(3)、CH根据最近的三个目标点迹数据进行曲线拟合，得到目标运动曲线方程，然后根据该曲线方程和最后一个点迹数据，计算目标运动速度的大小和方向，并据此采用简单的两点外推方法进一步预测目标在下一时刻的位置(宏观预测)，此预测值作为目标位置的估计值；

(4)、用第(2)步计算得到的目标位置的估计值和第(3)步计算得到的目标位置的估计值进行线性拟合，结果作为目标位置的最终结果。

本发明具有的有益效果是：