专利名称：基于双层预测机制的无线传感器网络目标跟踪方法
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 (1)、由SN节点和CH节点分别对目标位置进行基于Bayes估计的微观预测和曲线运动方程的宏观预测，提高了跟踪精度。
(2)、基于曲线运动方程的跟踪算法，在两点外推的基础上，只增加一个历史点迹数据，以曲线代替了二点外推的折线轨迹，使得预测轨迹更加平滑；以沿当前时刻点迹的切线方向预测目标运动方向，并通过曲线积分求目标速率，这些措施具有两点外推通信量少、能耗低、无累计误差、不需要任何统计信息、不需要建立传感器测量模型等优势，同时提高了跟踪精度。
本发明双层预测机制计算简单，通信量少，具有较好的能量效率，同时有效提高了系统的跟踪精度，适合WSN目标跟踪应用。
图1为本发明跟踪方法流程图。
图2为本发明层次型WSN体系结构图。
其中空心圆代表传感器节点(SN)，实心圆代表簇首节点(CH)，虚线椭圆代表传感器节点簇。
图3为本发明弧长求解示意图。
具体实施例方式 下面结合附图对本发明作进一步的详细描述。
本发明所采用的层次型WSN中的节点可分为普通的传感器节点(Sensor Node，SN)和簇首节点(Cluster Head，CH)(层次型WSN的结构参见图1)。
本发明具体实施过程可分为4个步骤(参见图2) (1)SN节点计算目标位置。记时刻t目标位置为Xt，Xt＝(xt，yt)、传感器测量值为zt，Zt＝{z0，z1，...，zt}表示传感器的本地历史量测值。目标状态动态模型由状态转移概率p(Xt+1|Xt)给出；传感器测量模型由目标状态-量测值转移概率p(zt|Xt)给出。预测与更新计算公式如下 预测t时刻的状态估计p(Xt|Zt)被用来预测t+1时刻的状态 p(Xt+1|Zt)＝∫p(Xt+1|Xt)p(Xt|Zt)dXt (1) 实际场景中由于目标的运动速度和方向未知，假设速度均匀分布在
区间(其中vmax为目标最大运动速度)，目标运动方向均匀分布在
区间，因此，p(Xt+1|Xt)的分布就形成了以Xt为圆心，半径为vmax的圆盘。采用这种模型，预测置信分布p(Xt+1|Zt)可以就通过用后验置信度p(Xt|Zt)和均匀圆盘的核进行卷积得到，这种卷积正好反映了由于目标运动速度和方向的不确定性所带来的目标状态的不确定性的扩大。
更新更新阶段采用新的量测数据对先验分布密度进行修正，以获得针对当前状态的所需的后验分布密度，如公式2所示 其中C为规格化常数，C＝∫p(zt+1|Xt+1)p(Xt+1|Zt)dXt。
假定初始p(X0|Z0)＝p(X0)，也就是状态的先验分布是已知的，则概率分布函数p(xt+1|Zt+1)原则上可以同过式2和式3递归地对目标状态进行预测与更新来获得。
(2)CH节点计算目标位置的测量值。如果t+1时刻有N个节点探测到目标，这些节点按照式2计算出各自的目标位置的相对后验分布值，并发送到CH，CH按照式3求得目标的测量位置Xt+1，Xt+1，＝(xt+1，yt+1)，Xt+1表示该位置值是由这N个SN节点测量得到的目标位置。
其中p(Xt+1(j)|Zt+1(j))表示第j个传感器节点根据本地历史测量值Zt+1(j)得出t+1时刻目标位于Xt+1(j)的后验概率值，该值表示了目标处于Xt+1(j)的置信度。
(3)CH节点计算目标位置估计值。假设目标经过三点(xt-2，yt-2)、(xt-1，yt-1)、(xt，yt)(t≥3)，则用过该三点的二次曲线拟合目标的运动轨迹，拟合的轨迹方程如下 其中， 设过(xt，yt)点的切线斜率为k，则 曲线在(xt，yt)点的切线斜率为k就是目标在t时刻的运动方向。记自点(xt-2，yt-2)到点(xt，yt)的曲线弧长为s，则 其中， a＝(xt-2-xt-1)(xt-1-xt)(xt-xt-2) b＝2[(yt-1-yt)xt-2+(yt-yt-2)xt-1+(yt-2-yt-1)xt] 记目标在点(xt-2，yt-2)、(xt-1，yt-1)、(xt，yt)的时刻分别为tt-2、tt-1、tt(t≥3)，则目标运动的平均速率v为其中s如前所述。
设下一时刻tt+1目标的预测位置点为
则CH节点根据式7计算目标的宏观预测位置
其中Xt为tt时刻的目标位置，V是目标速度 式(8)中θ为t时刻目标运动方向与x轴夹角。
(4)CH节点计算最终的目标位置 CH节点用目标预测位置
按照式9去更新目标测量位置Xt+1，得到最后的目标跟踪位置Xt+1
其中α和1-α分别为目标位置的测量值和预测值的权值，0≤α≤1，α可由实验取值。α＝1时表示只将SN节点的测量值作为更新后的目标位置，而α＝0则表示将按照曲线运动方程计算出的目标位置作为更新后的目标位置。α的取值可采取多种方法，如可采取实验的方法确定，进行若干次模拟实验，考察目标轨迹上若干个点迹的测量位置、预测位置和真实位置的统计特性，如果真实位置更接近测量位置，则取α＞0.5，否则取α＜0.5。
根据本发明提出的跟踪方法进行解算，可以求得WSN中目标的运动参数。本发明充分考虑了利用WSN实现目标跟踪的技术特点，其跟踪方法考虑了WSN目标跟踪方法低复杂度、低通信量和低能耗的需求，经理论分析和仿真验证，本发明所述的定位跟踪方法能通过编制的定位软件，快速、准确地求解出目标的运动参数。
附曲线斜率k(式4)与弧长s(式5)求解 (1)式4的推导 假设目标经过三点(xt-2，yt-2)、(xt-1，yt-1)、(xt，yt)(t≥3)，则用过该三点的二次曲线拟合目标的运动轨迹，拟合的轨迹方程如下 则曲线在(x3，y3)点的切线斜率k为 (2)式5的推导 如图3所示，曲线在(xt，yt)点的切线方程为y＝k(x-xt)+yt。
图3中点(xt-2，yt-2)到点(xt，yt)的曲线长度s为 a＝(xt-2-xt-1)(xt-1-xt)(xt-xt-2) b＝2[(yt-1-yt)xt-2+(yt-yt-2)xt-1+(yt-2-yt-1)xt] 令 则有 本书名书中未作详细描述的内容属于本领域专业技术人员公知的现有技术。
权利要求
1.一种基于双层预测机制的传感器网络目标跟踪方法，传感器网络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，其具体步骤为
第一步骤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；
第二步骤由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；
第三步骤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，此预测值作为目标位置的估计值；
第四步骤用第二步骤计算得到的目标位置的观测值和第三步骤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。
2、根据权利要求1所述的基于曲线运动方程的目标位置计算方法，其特征是利用目标的三个历史点迹，进行二次曲线拟合，求出目标的曲线运动方程，然后通过求解经过最近三点的弧长和最后一点的曲线斜率，求目标运动速率的大小和方向，进而采用两点外推方法解算目标的宏观预测位置。
全文摘要
本发明涉及一种基于双层预测机制的传感器网络目标跟踪方法，传感器网络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，其具体步骤为SN节点采用Bayes估计方法进行目标位置的微观预测；CH节点融合SN节点的结果得到的目标位置的观测值；CH节点进行基于曲线运动方程的目标位置宏观预测，得到目标位置的估计值；CH节点将目标位置的观测值和估计值进行线性拟合，求解最后的目标跟踪位置。本发明充分考虑了利用WSN实现目标跟踪的技术特点，其跟踪方法考虑了WSN目标跟踪方法低复杂度、低通信量和低能耗的需求，经理论分析和仿真验证，本发明所述的定位跟踪方法能通过编制的定位软件，快速、准确地求解出目标的运动参数。
文档编号G01S5/12GK101339240SQ20081004896
公开日2009年1月7日 申请日期2008年8月26日 优先权日2008年8月26日
发明者忠 刘, 程远国, 李国徽, 彭鹏菲 申请人:中国人民解放军海军工程大学