無線傳感器網(wǎng)絡(luò)的目標(biāo)跟蹤能量優(yōu)化策略*

莫磊 胥布工

(華南理工大學(xué)自動化科學(xué)與工程學(xué)院，廣東廣州510640)

無線傳感器網(wǎng)絡(luò)(WSN)是由大量傳感器節(jié)點通過無線通信技術(shù)自組織構(gòu)成的網(wǎng)絡(luò)，它集成了傳感器、計算機、通信與信號處理等多個領(lǐng)域的技術(shù).其目的是感知、采集和處理網(wǎng)絡(luò)覆蓋范圍內(nèi)感知對象的信息，是以數(shù)據(jù)處理為中心的系統(tǒng).為了獲取精確的信息，在監(jiān)控區(qū)域內(nèi)通常部署大量傳感器節(jié)點.隨著傳感器節(jié)點個數(shù)的不斷增多，傳統(tǒng)的集中式算法已經(jīng)不能滿足當(dāng)前需要.因為傳感器節(jié)點的資源十分有限，由單個節(jié)點承擔(dān)所有任務(wù)容易造成節(jié)點的過早衰竭，形成路由空洞，所以必須采用高效的協(xié)同算法.無線傳感器節(jié)點大多部署在環(huán)境復(fù)雜的區(qū)域，通常采用電池供電，能量供應(yīng)十分有限，因此如何合理、高效地利用現(xiàn)有資源來最大化網(wǎng)絡(luò)節(jié)點的生命周期一直是研究的熱點，而能量模型的建立與優(yōu)化是進行能效分析的關(guān)鍵因素［1-5］.

針對WSN，人們已經(jīng)提出了許多的能量模型，文獻［2］中根據(jù)電磁場能量擴散理論和電路能量消耗理論，推導(dǎo)出傳感器網(wǎng)絡(luò)中普通節(jié)點、匯聚節(jié)點和簇首節(jié)點的能量模型.文獻［3］中通過實驗數(shù)據(jù)分析了具有通信和計算能力的節(jié)點在固定模態(tài)下的能量消耗及壽命.文獻［4］中提出了基于功率控制管理的MSN能量模型，通過對無線功率的動態(tài)分配及采用不同的休眠機制來提高能效.文獻［5］中提出了一些降低網(wǎng)絡(luò)能耗的策略，如選擇高能效的調(diào)度算法、低功耗的處理器和傳感器或高容量的電池等.但上述能量模型大多是基于網(wǎng)絡(luò)拓撲結(jié)構(gòu)、路由協(xié)議能耗的優(yōu)化策略或單個能耗部件固定狀態(tài)而建立的，極少考慮硬件底層及狀態(tài)轉(zhuǎn)換機制的耗能情況，模型較為粗略.為此，文中從無線傳感器節(jié)點的整體角度出發(fā)，對節(jié)點的各主要能耗部件的工作狀態(tài)及轉(zhuǎn)換關(guān)系進行了分析和建模，優(yōu)化節(jié)點的調(diào)度跟蹤算法，以減少節(jié)點間的數(shù)據(jù)通信量，達到降低節(jié)點整體能耗、延長網(wǎng)絡(luò)壽命的目的.

1 實驗平臺的構(gòu)建

現(xiàn)有WSN定位跟蹤研究主要集中在跟蹤算法的理論性分析上［6］，為了能對WSN定位跟蹤算法的實際性能進行測試、分析及優(yōu)化，縮小理論與實際之間的差距，文中設(shè)計并構(gòu)建了一套WSN目標(biāo)跟蹤實驗物理平臺，該平臺的架構(gòu)如圖1所示.

圖1 實驗平臺架構(gòu)Fig.1 Structure of test bed

該實驗平臺主要由硬件和軟件兩部分組成，其中硬件部分包括:(1)由Micaz節(jié)點、SRF08超聲波傳感器、GH718被動紅外傳感器(PIR)和7.2V鋰電池組成的無線傳感器節(jié)點;(2)由Micaz節(jié)點與MIB510網(wǎng)關(guān)組成的無線數(shù)據(jù)收發(fā)基站;(3)用戶端電腦.軟件部分包括用Labview開發(fā)的上層監(jiān)控系統(tǒng)和實現(xiàn)調(diào)度算法的下層節(jié)點NesC嵌入式程序.

SRF08超聲波傳感器與Micaz節(jié)點間通過MDA100CB數(shù)據(jù)采集板來連接.基站與用戶端通過RS232接口相連，用戶端電腦可以接收傳感器節(jié)點發(fā)送上來的數(shù)據(jù)，實時顯示目標(biāo)的狀態(tài)信息.SRF08超聲波傳感器的探測范圍為一個約60°的扇形，處于監(jiān)控區(qū)域中心位置的節(jié)點安裝6個SRF08超聲波傳感器，4個角上的節(jié)點安裝2個，其余位置的節(jié)點安裝3個.節(jié)點的測距模式為多傳感器同時觸發(fā)，從中選取最小的測量值作為目標(biāo)測距值.為了減少節(jié)點間的相互干擾，節(jié)點應(yīng)均勻分布，且超聲波傳感器的探測距離要與節(jié)點間距相互配合.

PIR可以感應(yīng)目標(biāo)的存在，僅讓目標(biāo)附近的超聲波傳感器處于工作狀態(tài)，而且PIR不會主動向外發(fā)射能量，所以自身的能耗極小，能夠很好地節(jié)省節(jié)點能量.GH718 PIR的感應(yīng)角為110°，有效距離為2m，安裝位置和個數(shù)與超聲波傳感器一一對應(yīng)，兩者之間通過觸發(fā)控制電路連接.

2 能量優(yōu)化策略

2.1 動態(tài)分簇

在跟蹤過程中，為了節(jié)省節(jié)點能量，形成有效的跟蹤組管理機制，文中采用了喚醒/休眠方法，即根據(jù)目標(biāo)當(dāng)前的位置進行節(jié)點動態(tài)分簇:隨著目標(biāo)的不斷移動，目標(biāo)附近的節(jié)點自發(fā)地形成動態(tài)跟蹤簇，負責(zé)目標(biāo)的檢測與跟蹤，而遠離目標(biāo)的節(jié)點則進入休眠狀態(tài)，跟蹤過程如圖2所示.

圖2 移動目標(biāo)跟蹤過程示意圖Fig.2 Schematic diagram of tracking process ofmoving target

節(jié)點動態(tài)分簇算法描述如下:

Dt滿足為節(jié)點間距，在實際平臺中D=1.2m，Dt=1.5m.節(jié)點的狀態(tài)信息包括節(jié)點標(biāo)識號id和節(jié)點坐標(biāo)(x，y).每個節(jié)點的簇隊列表包括了簇內(nèi)節(jié)點的個數(shù)以及各節(jié)點的標(biāo)識號.每啟動一個節(jié)點更新一次簇隊列表，待全部節(jié)點啟動完畢后，每個節(jié)點都形成了自己的簇隊列表，從而建立了整個網(wǎng)絡(luò)的簇隊列表.通過上述動態(tài)分簇，每個簇在每輪的跟蹤過程中都有其相應(yīng)的活躍期與休眠期，既能節(jié)約節(jié)點能量，又能有效地減少簇內(nèi)節(jié)點間的信道干擾.

2.2 能量模型

從該平臺的硬件結(jié)構(gòu)來看，耗能部件包括:Micaz節(jié)點、SRF08超聲波傳感器和GH718PIR.其中Micaz節(jié)點的主要耗能部件包括微處理器(CPU)、無線通信模塊(CC2420)、數(shù)據(jù)采集板(MDA100)和存儲單元(EEPROM)，各部件的每個狀態(tài)組合在一起形成了整個節(jié)點的狀態(tài).能量模型的精確程度取決于納入計算范圍的部件種類、工作流程及執(zhí)行時間.

建立能量模型的基本思路是在節(jié)點跟蹤過程中，根據(jù)源代碼的實際執(zhí)行情況決定操作哪些耗能部件，針對工作的耗能部件，通過程序流程計算該部件的工作時間，再乘以相應(yīng)工作模式下的功率得出該部件在這個工作任務(wù)過程的能耗，把工作任務(wù)所調(diào)用的所有部件的能耗累加起來就得到節(jié)點為完成這個工作任務(wù)的總能耗.在文獻［7-8］的基礎(chǔ)上，文中建立的無線傳感器節(jié)點各部件的工作狀態(tài)及能耗模型參數(shù)如表1所示.其中SRF08超聲波傳感器的測距持續(xù)時間為65ms.

表1 傳感器節(jié)點的能耗Table 1 Energy consumption of sensor nodes

結(jié)合實際平臺，根據(jù)納入功耗計算的部件，文中建立的功率矩陣是一個6×3的矩陣:

2.3 能量均衡協(xié)同調(diào)度算法

相對于集中式算法，分布式協(xié)同算法由于采用了模塊化計算與控制，數(shù)據(jù)傳輸?shù)拈_銷、丟包和時延更小，因而更適合于無線傳感器網(wǎng)絡(luò).節(jié)點間的協(xié)同工作可降低單節(jié)點失敗的風(fēng)險，縮短跟蹤采樣周期，具有良好的擴展性和可靠性.

由于傳感器節(jié)點的計算、存儲和通信能力都是十分有限的，復(fù)雜的調(diào)度算法難以在由資源有限的節(jié)點組成的實際平臺中實現(xiàn).所以文中提出了一種易于在實際平臺中實現(xiàn)的能量均衡協(xié)同調(diào)度算法，把復(fù)雜的跟蹤問題分解為可以運行在資源有限的傳感器節(jié)點上的子任務(wù).

在擴展卡爾曼濾波器(EKF)預(yù)測方程中，第k步的目標(biāo)狀態(tài)誤差協(xié)方差矩陣為式中:狀態(tài)估計誤差為數(shù)學(xué)期望函數(shù);目標(biāo)狀態(tài)的最小均方估計誤差，即

也就是說，目標(biāo)狀態(tài)估計誤差協(xié)方差矩陣的跡表示了跟蹤精度.因此，誤差協(xié)方差矩陣的跡越大表示跟蹤精度越差，反之表示跟蹤精度越好.

作為任務(wù)節(jié)點的簇首節(jié)點會觸發(fā)超聲波測距，根據(jù)上一時刻的目標(biāo)狀態(tài)和當(dāng)前節(jié)點的測量值，通過EKF更新目標(biāo)的狀態(tài)信息并把該信息廣播出去，用戶端電腦可以接收并顯示相應(yīng)的運動軌跡.

當(dāng)簇首節(jié)點廣播目標(biāo)狀態(tài)信息后，會啟動一個等待返回信息定時器，如果在規(guī)定的時間tw內(nèi)沒有收到簇內(nèi)節(jié)點返回信息J(k)，則認為其它節(jié)點的綜合性能指標(biāo)太差，自己仍然作為下一時刻的任務(wù)節(jié)點.簇內(nèi)節(jié)點的延時返回時間tr與綜合指標(biāo)的大小J(k)成正比，即tr=KJ(k)，表明最先返回信息的是簇內(nèi)綜合指標(biāo)最好的節(jié)點.簇首節(jié)點接收到第一個返回信息后立即廣播停止命令，使得其余節(jié)點停止當(dāng)前任務(wù)并處于休眠狀態(tài)，然后比較自己的和接收到的綜合指標(biāo)，從中選取最優(yōu)的作為下一時刻的任務(wù)節(jié)點.這種分布式協(xié)同算法能夠很好地處理簇內(nèi)節(jié)點信息不足或冗余的情況，減少單節(jié)點失效的風(fēng)險，提高系統(tǒng)的可靠性及執(zhí)行效率.

文中在節(jié)點調(diào)度策略中加入了能量模塊，在保證跟蹤精度的同時考慮了節(jié)點的剩余能量，均衡節(jié)點間的能量消耗，避免由于同一節(jié)點多次作為簇首而造成該節(jié)點的過早衰竭，形成路由空洞.傳感器節(jié)點調(diào)度的綜合性能指標(biāo)為

式中:α為跡權(quán)重因子;θ為能量匹配因子，用于使能量與跡的大小處于同一數(shù)量級上;EL(·)為節(jié)點的剩余能量.α的值取決于實際系統(tǒng)的性能指標(biāo)要求，文中取α=0.5.

能量均衡協(xié)同調(diào)度算法描述如下:

在該調(diào)度算法中，tw與tr的相互配合是算法能否順利實現(xiàn)的關(guān)鍵.若簇內(nèi)各節(jié)點的tr相差不大，則多個返回信息會同時發(fā)送回簇首節(jié)點，造成任務(wù)流程的突然中斷.若tw和tr過長，則會增大節(jié)點的采樣周期，當(dāng)移動目標(biāo)速度突變或轉(zhuǎn)向過快時，容易造成跟蹤目標(biāo)的丟失.為了建立與功率矩陣對應(yīng)的時間矩陣，計算節(jié)點的能耗及剩余能量，需要詳細分析算法的時序流程及部件間的工作狀態(tài)轉(zhuǎn)換.

節(jié)點的硬件特性是確定時序流程的關(guān)鍵因素.Micaz通信模塊的數(shù)據(jù)發(fā)送速率為250 kb/s.在數(shù)據(jù)發(fā)送前，TinyOS會有一個信道偵聽過程，持續(xù)時間約為8.200ms［9］.EEPROM的讀取時間約為0.565ms，寫入時間約為12.900ms.執(zhí)行一次EKF算法的時間約為8.500ms［9］.超聲波測量值的采樣周期要與探測范圍相互配合，在實驗平臺中設(shè)置為70ms，根據(jù)各部件工作參數(shù)及調(diào)度算法流程，可以得到調(diào)度算法的時序分析如圖3所示.

圖3 調(diào)度算法的時序流程圖(單位:ms)Fig.3 Flowchart of sequence of scheduling algorithm(Unit:ms)

通過平臺實驗數(shù)據(jù)可知tr(P)通常處于15～25之間，通過仿真實驗可得EL的大概分布，通過設(shè)置K及θ使tr約為15～25ms.根據(jù)tr設(shè)置簇首節(jié)點的tw為80ms，則傳感器節(jié)點的采樣周期Ts約為130～220ms.由于文中實驗平臺是一個變采樣周期系統(tǒng)，且通過硬件特性會引入一些隨機誤差，如丟包、時延、測量噪聲等，所以該平臺對移動目標(biāo)速度的大小及形式有一定的要求.

根據(jù)協(xié)同調(diào)度算法時序及與平臺對應(yīng)的功率矩陣，文中建立了一個6×3的時間矩陣T:

式中，tc_a和tc_i分別為處理器模塊在工作和空閑模式下的工作時間，tr_t、tr_r和tr_i分別為無線發(fā)送模塊在發(fā)送、接收和空閑模式下的工作時間，te_r和te_w分別為存儲模塊在讀取和寫入模式下的工作時間，tm為數(shù)據(jù)采集板的工作時間，ts_a和ts_i分別為超聲波傳感器在工作和空閑模式下的工作時間，tp為被動紅外傳感器的工作時間.

在目標(biāo)跟蹤過程中，節(jié)點按照其工作狀態(tài)可分3種:(1)簇首節(jié)點，負責(zé)目標(biāo)的檢測;(2)簇內(nèi)節(jié)點，參與跟蹤任務(wù)的計算與通信;(3)簇外節(jié)點，處于休眠狀態(tài).各類節(jié)點能耗部件的工作時間是不一樣的，所以相應(yīng)的時間矩陣也不同，簇首、簇內(nèi)成員和簇外節(jié)點的時間矩陣分別為

所以節(jié)點在完成第l次計算周期的耗能Enl為

則節(jié)點的剩余能量為

式中，Eini為節(jié)點的初始能量為節(jié)點消耗的能量.根據(jù)節(jié)點類型，計算相應(yīng)的功率矩陣和時間矩陣，就可以得到無線傳感器網(wǎng)絡(luò)內(nèi)節(jié)點的剩余能量.

2.4 數(shù)據(jù)量化算法

在無線傳感器網(wǎng)絡(luò)節(jié)點中，通信模塊消耗了大量的能量［10］，從圖3中可知，數(shù)據(jù)通信量主要集中在簇首節(jié)點向簇內(nèi)節(jié)點發(fā)送目標(biāo)狀態(tài)信息時，所發(fā)送的信息體中包含了16 b的發(fā)送信息節(jié)點標(biāo)識號id、16b的接收節(jié)點的地址信息add、8 b的接收節(jié)點所要執(zhí)行的命令代碼cmd、128 b的目標(biāo)狀態(tài)信息和512 b狀態(tài)誤差協(xié)方差矩陣，其中X和P所含的數(shù)據(jù)量最大.因為發(fā)送的比特數(shù)越多，耗時和耗能就越大，為了節(jié)省通信能耗，延長網(wǎng)絡(luò)壽命，提高數(shù)據(jù)傳輸?shù)膶崟r性，文中使用二維坐標(biāo)量化器和壓縮卡爾曼濾波算法(CKF)來對狀態(tài)X和矩陣P進行量化處理.

Gersho等［11］已經(jīng)證明了最優(yōu)的二維均勻量化器是六邊形量化器，但對于追蹤問題，需要對目標(biāo)位置信息進行實時處理.結(jié)合菱形量化器易于實現(xiàn)和數(shù)據(jù)量化實時性高的特點，文中在文獻［12］的基礎(chǔ)上設(shè)計了一種帶預(yù)量化的六邊形均勻量化器，其結(jié)構(gòu)如圖4所示.其中f(x)為一個非線性變換，其作用是把以六邊形劃分的平面區(qū)域映射為相對應(yīng)的菱形區(qū)域，表達式為

式中:n為搜索系數(shù)，由x和量化器采樣步數(shù)Δ決定.

圖4 二維坐標(biāo)量化器的結(jié)構(gòu)Fig.4 Structure of two-dimension quantizer

通過以上算法，可以用量化坐標(biāo)信息索引號(i，j)來代替目標(biāo)坐標(biāo)(x(k)，y(k))，而對于目標(biāo)速度(vx(k)，vy(k))，可以使用相同的方法進行量化，所以量化信息中包含了坐標(biāo)信息索引號和式(9)對角線上的元素.經(jīng)過數(shù)據(jù)量化算法處理后，目標(biāo)狀態(tài)信息量由原來的128b壓縮為32 b，而且只需發(fā)送4個32b的浮點型數(shù)據(jù)就可以代替原來由16個32 b的浮點型數(shù)據(jù)組成的矩陣，減少了節(jié)點間的數(shù)據(jù)通信量，節(jié)省了通信能耗，提高了數(shù)據(jù)傳輸?shù)膶崟r性.

3 實驗及結(jié)果分析

構(gòu)建的WSN跟蹤平臺部署在一個3.6m×3.6m的方形區(qū)域內(nèi)，其中均勻分布的16個傳感器節(jié)點作為位置已知的固定節(jié)點，節(jié)點間距為1.2m，以Mobile-Robots公司的AmigoBot應(yīng)用型機器人作為移動跟蹤目標(biāo)，機器人的運動軌跡為“2”字型，速度約為0.35 m/s.上層Labview監(jiān)控系統(tǒng)可實時顯示接收到的傳感器節(jié)點監(jiān)測數(shù)據(jù)，即移動目標(biāo)機器人的狀態(tài)信息，并將其保存在Excel表格中，通過Matlab7.0讀取這些數(shù)據(jù)并對其進行分析.移動目標(biāo)運動軌跡如圖5所示.從圖5可知:在目標(biāo)起步處，由于速度突變，采樣點間隔變化較大;在轉(zhuǎn)彎處，由于運動變向，偏離了系統(tǒng)的常速率模型，跟蹤誤差較大，但平臺采用的EKF跟蹤算法通過引入實際測量值來校正誤差，所以在隨后的過程中誤差逐漸減小.

為進一步分析文中算法的跟蹤性能、誤差和能耗，使用Matlab7.0進行仿真，仿真參數(shù)設(shè)置如下:監(jiān)測區(qū)域12m×12m，N=121，超聲波傳感器測距范圍Ds=1.6m，Dt=1.5m，Micaz節(jié)點電壓Vm=3.3V，超聲波、被動紅外傳感器電壓Vs=Vp=5V，節(jié)點的Eini=8000mJ.調(diào)度算法的跟蹤效果見圖6.

圖5 移動目標(biāo)的狀態(tài)信息Fig.5 Statemessages ofmoving target

圖6 文中調(diào)度算法的跟蹤效果Fig.6 Tracking effects of proposed scheduling algorithm

圖7給出了傳感器節(jié)點的剩余能量分布圖.從圖7(a)可知，在使用PIR前，傳感器節(jié)點的剩余能量主要分為4個等級，剩余能量約為7950、7930和7880mJ的節(jié)點上分別安裝了2、3和6個超聲波傳感器，這3種節(jié)點屬于簇外節(jié)點，在目標(biāo)跟蹤過程中沒有被調(diào)度使用過，各能耗部件均處于休眠狀態(tài);其余節(jié)點屬于成簇節(jié)點，參與了目標(biāo)的檢測與跟蹤，調(diào)用了相應(yīng)的能耗部件，而其中的簇首節(jié)點承擔(dān)了大部分的檢測和通信任務(wù)，所以剩余能量是最少的.

對于沒有成簇的節(jié)點來說，由于相互間沒有通信和計算，數(shù)據(jù)無需壓縮量化，節(jié)點的工作狀態(tài)及能耗都是一樣的，從圖7(a)中可知有無量化器的簇外節(jié)點的剩余能量是一樣的.對于簇內(nèi)節(jié)點來說，量化器的引入減少了數(shù)據(jù)通信量，提高了節(jié)點的剩余能量，特別是對于發(fā)送信息較多的簇首節(jié)點，如圖7(b)所示.經(jīng)過數(shù)據(jù)量化后，數(shù)據(jù)通信量由原來的680b減少為200 b，發(fā)送時間由原來的2.6ms減少為0.7ms，平均剩余能量由原來的7842mJ上升為7850m J，簇首節(jié)點的剩余能量分布如圖8所示.

圖7 傳感器節(jié)點的剩余能量分布Fig.7 Distribution of left energy of sensor nodes

圖8 簇首節(jié)點的剩余能量Fig.8 Left energy of cluster-head nodes

從圖7(a)中可知，使用PIR后，簇外節(jié)點的剩余能量約為7980m J，這是因為簇外節(jié)點遠離目標(biāo)，超聲波傳感器在PIR的控制下處于關(guān)斷狀態(tài)，其余部件均處于空閑狀態(tài).只有在目標(biāo)周圍的成簇節(jié)點才會消耗較多的能量，但由于使用了PIR，無論是簇首還是簇內(nèi)成員，都減少了觸發(fā)超聲波和可用超聲波的個數(shù)，經(jīng)過一次跟蹤任務(wù)后，使用最小跡調(diào)度算法的節(jié)點平均剩余能量約為7893mJ，而使用文中調(diào)度算法和PIR后節(jié)點的平均剩余能量可提高到7980mJ.

數(shù)據(jù)量化算法的使用會引入量化誤差，平均跟蹤誤差由原來的1.565%變?yōu)?.111%，跟蹤誤差比較如圖9所示.實驗及仿真結(jié)果表明，使用文中調(diào)度算法可均衡節(jié)點間的能量消耗，減少數(shù)據(jù)通信量，且該算法實現(xiàn)簡單，可運用到實際跟蹤系統(tǒng)中去.

圖9 兩種調(diào)度算法的跟蹤誤差比較Fig.9 Comparison of tracking errors between two scheduling algorithms

4 結(jié)語

為了滿足目標(biāo)跟蹤性能指標(biāo)，延長網(wǎng)絡(luò)壽命，文中提出了基于能量優(yōu)化的協(xié)同調(diào)度跟蹤算法，該算法易于在資源有限的實際平臺中實現(xiàn).在節(jié)點調(diào)度過程中，簇內(nèi)節(jié)點都承擔(dān)了跟蹤任務(wù)，減少了簇頭節(jié)點的數(shù)據(jù)存儲量和計算量，提高了目標(biāo)跟蹤的實時性和可靠性.該調(diào)度算法綜合考慮了跟蹤誤差和剩余能量，均衡了節(jié)點間的能耗.在節(jié)點通信過程中，使用了量化器對數(shù)據(jù)進行壓縮量化，減少節(jié)點的通訊能耗，同時采用了雙重喚醒/休眠機制來提高節(jié)點的剩余能量.因此，文中調(diào)度算法能有效地節(jié)省網(wǎng)絡(luò)能耗，避免因節(jié)點過快衰竭造成的測距不準(zhǔn)而形成路由空洞，盡可能地延長了傳感器網(wǎng)絡(luò)的壽命.

［1］曾明，危阜勝，陳冠升，等.面向目標(biāo)跟蹤的WSN協(xié)同調(diào)度策略及拓撲控制［J］.華南理工大學(xué)學(xué)報:自然科學(xué)版，2010，38(6):60-65.Zeng Ming，Wei Fu-sheng，Chen Guan-sheng，et al.Collaborative scheduling strategy and topology control for target tracking in wireless sensor networks［J］.Journal of South China University of Technology:Natural Science Edition，2010，38(6):60-65.

［2］楊余旺，于繼明，趙煒，等.單跳無線傳感器網(wǎng)絡(luò)能量分析計算［J］.南京理工大學(xué)學(xué)報:自然科學(xué)版，2007，31(1):81-84.Yang Yu-wang，Yu Ji-ming，Zhao Wei，et al.Energy analysis and computation of single-hop wireless sensor networks［J］.Journal of Nanjing University of Science and Technology:Natural Science Edition，2007，31(1):81-84.

［3］Healy M，Newe T，Lewis E.Power management in operating systems for wireless sensor nodes［C］∥Proceedings of IEEE Sensors Applications Symposium.San Diego:IEEE，2007.

［4］Qun S.Powermanagement in networked sensor radios network energy model［C］∥Proceedings of IEEE Sensors Applications Symposium.San Diego:IEEE，2007.

［5］Rhee S，Seetharam D，Liu S.Techniques for minimizing power consumption in low data rate wireless sensor networks［C］∥Proceedings ofWireless Communications and Networking Conference.Cambridge:IEEE，2004:1727-1731.

［6］Savarese C，Rabaey J，Beutel J.Location in distributed adhoc wireless sensor networks［C］∥Proceedings of IEEE International Conference on Acoustics，Speech，and Signal Processing.Salt Lake City:IEEE，2001:2037-2040.

［7］Victor S，Mark H，Borrong C，et al.Simulating the power consumption of large-scale sensor network applications［C］∥Proceedings of the 2nd International Conference on Embedded Networked Sensor Systems.Baltimore:ACM，2004:1163-1174.

［8］Texas Instruments Inc.Chipcon AS smartRF CC2420 preliminary datasheet［DB/OL］.(2004-06-09)［2010-10-08］.http:∥focus.ti.com/analog/docs/enggresdetail.tsp?familyId=367＆genContentId=3573.

［9］Yue K T，Xiao W D，Xie L H.A wireless sensor network target tracking system with distribute competition based sensor scheduling［C］∥Proceedings of International Conference on Intelligent Sensors，Sensor Networks and Information Processing.Melbourne:IEEE，2007:636-642.

［10］Deborah E.Wireless sensor networks tutorial part IV:sensor network protocols［C］∥Proceedings of the ACM Mobile Computing and Networking.Atlanta:ACM，2002:23-28.

［11］Gersho M，Gray R M.Vector quantization and signal compression［M］.Boston:Kluwer Academic Publishers，1991:333-337.

［12］Kerry D R，Neal C G.The design of two-dimensional quantizers using prequantization［J］.IEEE Transactions on Information Theory，1982，28(2):232-239.

［13］Lin JY，Xie L H，Xiao W D.Target tracking in wireless sensor networks using compressed Kalman filter［J］.International Journal of Sensor Networks，2009，6(3):251-262.