基于能量高效動態(tài)分簇的目標(biāo)跟蹤算法

陸 嫻,彭 勇

(江南大學(xué)物聯(lián)網(wǎng)工程學(xué)院,江蘇無錫214122)

基于能量高效動態(tài)分簇的目標(biāo)跟蹤算法

陸 嫻,彭 勇

(江南大學(xué)物聯(lián)網(wǎng)工程學(xué)院,江蘇無錫214122)

目標(biāo)跟蹤是無線傳感器網(wǎng)絡(luò)中的一項(xiàng)基本應(yīng)用,如何在保證高跟蹤精度的前提下降低網(wǎng)絡(luò)能耗、延長網(wǎng)絡(luò)生命周期是目標(biāo)跟蹤的核心問題。為此,提出一種基于能量高效動態(tài)分簇的目標(biāo)跟蹤算法。從最大限度節(jié)省能量的角度出發(fā),設(shè)計(jì)動態(tài)簇生成方法,利用無跡粒子濾波算法對目標(biāo)進(jìn)行跟蹤,預(yù)測下一時(shí)刻目標(biāo)的位置坐標(biāo),并根據(jù)預(yù)測結(jié)果給出簇頭更換策略。仿真結(jié)果表明,與PPF和DPF算法相比,該算法不僅具有較高的目標(biāo)跟蹤精度,而且能有效降低網(wǎng)絡(luò)能耗,延長網(wǎng)絡(luò)壽命。

無線傳感器網(wǎng)絡(luò);目標(biāo)跟蹤;無跡粒子濾波算法;動態(tài)分簇;接收信號強(qiáng)度指示模型;無跡卡爾曼濾波算法

1 概述

無線傳感器網(wǎng)絡(luò)(Wireless Sensor Network, WSN)由大量具有信息感知、采集、處理和無線通信能力的傳感器節(jié)點(diǎn)組成[1]。由于傳感器組成的網(wǎng)絡(luò)具有自組織性、魯棒性和隱蔽性等特點(diǎn),使得無線傳感網(wǎng)非常適合移動目標(biāo)的跟蹤,同時(shí)其也為目標(biāo)跟蹤技術(shù)提供了一種全新的解決方案和研究方向。

無線傳感器網(wǎng)絡(luò)有集中式和分布式 2種結(jié)構(gòu)[2-3]。集中式跟蹤[4]是全部參與目標(biāo)跟蹤的傳感器節(jié)點(diǎn)將局部量測信息傳送到計(jì)算中心,再由計(jì)算中心完成對目標(biāo)的狀態(tài)估計(jì);分布式跟蹤[5]是參與目標(biāo)跟蹤的傳感器節(jié)點(diǎn)之間相互交換和協(xié)調(diào)局部量測信息,并在本地完成對目標(biāo)的狀態(tài)估計(jì)。前者結(jié)構(gòu)簡單但易使單個(gè)節(jié)點(diǎn)能量耗盡,導(dǎo)致網(wǎng)絡(luò)節(jié)點(diǎn)分布不均勻而影響整個(gè)網(wǎng)絡(luò)的跟蹤性能;后者結(jié)構(gòu)復(fù)雜但能均衡網(wǎng)絡(luò)能耗,因此本文在分布式結(jié)構(gòu)的基礎(chǔ)上提出一種新的動態(tài)簇生成方法,從而降低網(wǎng)絡(luò)能耗。

在通常情況下,目標(biāo)跟蹤系統(tǒng)是非線性非高斯的,并且大部分傳統(tǒng)的目標(biāo)跟蹤算法存在對參數(shù)過于敏感的缺點(diǎn)[6-7],而粒子濾波不受線性化誤差和高斯噪聲假設(shè)的限制,適用于大多數(shù)環(huán)境下的狀態(tài)轉(zhuǎn)換或測量模型[8],因此粒子濾波算法應(yīng)用在目標(biāo)跟蹤中的思想應(yīng)運(yùn)而生。雖然粒子濾波算法適合處理非線性非高斯系統(tǒng)的狀態(tài)估計(jì)問題,但它存在著粒子退化的缺陷。針對粒子濾波的缺陷,目前處理較好的是無跡粒子濾波(Unscented Particle Filtering,UPF)算法,本文采用該算法來實(shí)現(xiàn)簇對目標(biāo)的跟蹤。

為進(jìn)一步提高網(wǎng)絡(luò)能量利用率、延長網(wǎng)絡(luò)壽命,本文提出一種基于能量高效動態(tài)分簇的目標(biāo)跟蹤算法,設(shè)計(jì)動態(tài)簇生成方法和簇頭更換策略,從而在確保較高跟蹤精度的基礎(chǔ)上,降低整個(gè)網(wǎng)絡(luò)能耗。

2 模型與假設(shè)

2.1 網(wǎng)絡(luò)模型

由于無線網(wǎng)絡(luò)中的傳感器節(jié)點(diǎn)受到資源限制和環(huán)境噪聲的影響,因此為了更好模擬現(xiàn)實(shí)環(huán)境,本文采用了接收信號強(qiáng)度指示(Received Signal Strength Indications,RSSI)模型[9]。假設(shè)無線傳感器網(wǎng)絡(luò)中的傳感器節(jié)點(diǎn)是隨機(jī)部署在監(jiān)測區(qū)域內(nèi)的,并且每個(gè)傳感器節(jié)點(diǎn)都裝有接收信號強(qiáng)度指示器。感知節(jié)點(diǎn)可以通過接收的信號強(qiáng)度值來探測目標(biāo)并估計(jì)自身到目標(biāo)的距離。現(xiàn)假設(shè)運(yùn)動目標(biāo)在監(jiān)測區(qū)域內(nèi)運(yùn)動,則在k時(shí)刻第i個(gè)傳感器節(jié)點(diǎn)從目標(biāo)接收的信號強(qiáng)度為:

2.2 目標(biāo)運(yùn)動模型

目標(biāo)運(yùn)動模型是跟蹤算法的基礎(chǔ),跟蹤的目的是估計(jì)出目標(biāo)的狀態(tài)。對于無線傳感器網(wǎng)絡(luò)中的單目標(biāo)跟蹤,本文采用狀態(tài)空間模型來表示目標(biāo)運(yùn)動模型[9]:假設(shè)隨機(jī)部署N個(gè)傳感器節(jié)點(diǎn)在網(wǎng)絡(luò)中,每個(gè)節(jié)點(diǎn)的位置坐標(biāo)已知,為(xi,yi),i∈{1,2,…,N},則目標(biāo)運(yùn)動模型可以表示為:

其中,Xk為目標(biāo)在k時(shí)刻的狀態(tài)向量,Xk=(xk,yk,vx,k,vy,k)T;(xk,yk)為目標(biāo)在k時(shí)刻的位置坐標(biāo); (vx,k,vy,k)表示目標(biāo)在k時(shí)刻的速度;F為狀態(tài)轉(zhuǎn)移矩陣,即表示目標(biāo)在k時(shí)刻與k+1時(shí)刻的狀態(tài)轉(zhuǎn)換關(guān)系;wk為系統(tǒng)噪聲。

傳感器節(jié)點(diǎn)對目標(biāo)的觀測方程為:

其中,Zk為k時(shí)刻節(jié)點(diǎn)對目標(biāo)的觀測向量;H為觀測模型矩陣;vk表示觀測噪聲。

3 能量高效的動態(tài)分簇

3.1 新的動態(tài)簇生成方法

傳統(tǒng)網(wǎng)絡(luò)動態(tài)分簇的基本思想是[10]:當(dāng)多個(gè)感知節(jié)點(diǎn)檢測到運(yùn)動目標(biāo)時(shí),感知節(jié)點(diǎn)之間通過相互交換信息選取出離運(yùn)動目標(biāo)最近的節(jié)點(diǎn)作為簇頭,并以簇頭為中心,簇頭最大通信距離為半徑的范圍內(nèi)的所有感知節(jié)點(diǎn)組成一個(gè)簇。雖然傳統(tǒng)動態(tài)簇結(jié)構(gòu)可以降低網(wǎng)絡(luò)能耗,但并不是一種能量高效的方法,并沒有最大限度的節(jié)省網(wǎng)絡(luò)節(jié)點(diǎn)能量。傳統(tǒng)動態(tài)分簇方法易產(chǎn)生對運(yùn)動目標(biāo)跟蹤無實(shí)際貢獻(xiàn)的感知節(jié)點(diǎn)仍處于工作狀態(tài)而浪費(fèi)能量的問題,從而使得網(wǎng)絡(luò)能量利用率低,如圖1所示。其中,L為感知節(jié)點(diǎn)跟蹤目標(biāo)達(dá)到跟蹤精度要求的一個(gè)距離閾值;D為簇頭到運(yùn)動目標(biāo)的距離;R為簇頭節(jié)點(diǎn)最大的通信半徑,以簇頭為中心;R為半徑的圓內(nèi)所有的感知節(jié)點(diǎn)組成一個(gè)簇。

圖1 傳統(tǒng)動態(tài)分簇策略

可以看出,節(jié)點(diǎn)1～節(jié)點(diǎn)4到運(yùn)動目標(biāo)的距離超過了閾值L,這些節(jié)點(diǎn)實(shí)質(zhì)上對目標(biāo)的跟蹤無意義,甚至?xí)档透櫟木取墓?jié)省能量的角度出發(fā),這些節(jié)點(diǎn)也不應(yīng)該處于工作狀態(tài),浪費(fèi)能量。文獻(xiàn)[11-12]是通過設(shè)定閾值來降低能耗的,但閾值的選取本身就有難度,取得偏大或偏小都會影響跟蹤性能,針對以上問題,本文提出了新動態(tài)簇生成方法。

新動態(tài)簇生成方法使得對目標(biāo)跟蹤無實(shí)際貢獻(xiàn)的感知節(jié)點(diǎn)不被劃分在動態(tài)簇內(nèi),從而節(jié)省網(wǎng)絡(luò)能量。該方法設(shè)計(jì)思路如下:當(dāng)運(yùn)動目標(biāo)進(jìn)入監(jiān)測區(qū)域時(shí),多個(gè)感知節(jié)點(diǎn)均能檢測到運(yùn)動目標(biāo),感知節(jié)點(diǎn)間通過相互交換信息,選取出從運(yùn)動目標(biāo)接收的信號強(qiáng)度最大和次大的節(jié)點(diǎn)作為主簇頭和次簇頭,再分別以主簇頭和次簇頭為中心,感知節(jié)點(diǎn)的最大通信距離為半徑,作2個(gè)圓,最后使兩圓的相交區(qū)域內(nèi)的所有感知節(jié)點(diǎn)組成一個(gè)簇,如圖2所示。其中,S1為主簇頭從目標(biāo)接收的信號強(qiáng)度;S2為次簇頭從目標(biāo)接收的信號強(qiáng)度;R為網(wǎng)絡(luò)中感知節(jié)點(diǎn)的最大通信半徑;虛線表示的區(qū)域?yàn)橐許1,S2為中心,R為半徑的兩圓的交集,該區(qū)域內(nèi)的所有感知節(jié)點(diǎn)組成一個(gè)簇,該簇使得跟蹤節(jié)點(diǎn)只占所有能探測到目標(biāo)節(jié)點(diǎn)的一部分,從而減少了無貢獻(xiàn)節(jié)點(diǎn)的能耗和通信能量。

圖2 動態(tài)分簇方法示意圖

上述新的動態(tài)分簇方法從節(jié)省能量的角度避免了在目標(biāo)跟蹤過程中無實(shí)際意義的感知節(jié)點(diǎn)仍處于工作狀態(tài)的問題,生成了一個(gè)能量高效的動態(tài)簇結(jié)構(gòu)。該結(jié)構(gòu)使得跟蹤節(jié)點(diǎn)只占所有能探測到目標(biāo)節(jié)點(diǎn)的一部分,降低了跟蹤簇的能量消耗,從而提高了整個(gè)網(wǎng)絡(luò)的能量利用率,同時(shí)在一定程度上也提高了跟蹤精度。

3.2 簇頭更換策略

假設(shè)在時(shí)刻k,動態(tài)簇結(jié)構(gòu)為:

Cluster(k)={FCH(k),SCH(k),cn1,cn2,…,cnn}其中,FCH(k)為主簇頭;SCH(k)為次簇頭;其余節(jié)點(diǎn)為簇內(nèi)成員,當(dāng)簇結(jié)構(gòu)處于跟蹤狀態(tài)時(shí),次簇頭等同于普通簇成員。在目標(biāo)跟蹤時(shí),簇內(nèi)各成員節(jié)點(diǎn)分別利用UPF算法估計(jì)目標(biāo)的狀態(tài)信息,并把估計(jì)結(jié)果傳遞給主簇頭節(jié)點(diǎn),主簇頭對這些數(shù)據(jù)進(jìn)行融合,估計(jì)出目標(biāo)的位置坐標(biāo)和運(yùn)動速度等狀態(tài)信息,并預(yù)測出k+1時(shí)刻目標(biāo)的位置坐標(biāo),最后根據(jù)預(yù)測的位置值決定簇頭節(jié)點(diǎn)是否更換。

假設(shè)預(yù)測的目標(biāo)位置坐標(biāo)為Tk+1(Txk+1,Tyk+1),則根據(jù)以下規(guī)則來更新簇頭:

規(guī)則1 如果Tk+1既位于主簇頭的覆蓋范圍之內(nèi),又位于次簇頭的覆蓋范圍之內(nèi),則不更新主簇頭和次簇頭,仍在當(dāng)前簇內(nèi)對目標(biāo)進(jìn)行跟蹤。

規(guī)則2 如果Tk+1位于主簇頭的覆蓋范圍之外,則不考慮預(yù)測的目標(biāo)位置與次簇頭的關(guān)系,直接喚醒與k+1時(shí)刻目標(biāo)位置最近和第二近的節(jié)點(diǎn),作為新的主簇頭節(jié)點(diǎn)FCH(k+1)和次簇頭節(jié)點(diǎn)SCH(k+1),并按3.1節(jié)介紹的方法重新構(gòu)建簇結(jié)構(gòu),選擇新的簇成員節(jié)點(diǎn)。同時(shí)當(dāng)前主簇頭FCH(k)將當(dāng)前時(shí)刻的跟蹤參數(shù)傳遞給新的主簇頭節(jié)點(diǎn)FCH(k+1)。

規(guī)則3 如果Tk+1位于主簇頭的覆蓋范圍之內(nèi)但位于次簇頭的覆蓋范圍之外,則不更換主簇頭,但要更新次簇頭,以及重新構(gòu)建簇結(jié)構(gòu)。即喚醒在主簇頭覆蓋范圍內(nèi)離目標(biāo)位置最近的節(jié)點(diǎn)作為新的次簇頭節(jié)點(diǎn)SCH(k+1),并按3.1節(jié)介紹的方法生成新簇來更新當(dāng)前簇結(jié)構(gòu)。新的簇結(jié)構(gòu)在k+1時(shí)刻對目標(biāo)進(jìn)行跟蹤。

圖3給出了簇頭更換策略的具體情況,其中,圖3(a)表示規(guī)則1發(fā)生的情況;圖3(b)表示規(guī)則2發(fā)生,主次簇頭更換的情況;圖3(c)表示規(guī)則3發(fā)生,次簇頭更新的情況。

圖3 簇頭更換策略示意圖

本文給出的簇頭更換策略能隨著目標(biāo)的運(yùn)動,及時(shí)地更新簇頭和選擇新的簇成員節(jié)點(diǎn),從而能夠?qū)δ繕?biāo)進(jìn)行準(zhǔn)確、連續(xù)的跟蹤。

4 動態(tài)分簇目標(biāo)跟蹤算法

上文詳細(xì)論述了能量高效的動態(tài)分簇方法,本節(jié)重點(diǎn)介紹基于該方法的目標(biāo)跟蹤算法。由3.1節(jié)生成的動態(tài)簇采用UPF算法對目標(biāo)進(jìn)行跟蹤。UPF算法[13-14]利用無跡卡爾曼濾波(Unscented Kalman Filtering,UKF)算法[15]產(chǎn)生重要性分布函數(shù)來改進(jìn)粒子濾波,從而得到更為接近真實(shí)結(jié)果的后驗(yàn)概率分布。

假設(shè)k時(shí)刻分配到簇成員節(jié)點(diǎn)i上的粒子數(shù)目為N,Xj表示粒子j的狀態(tài)值,Wj為粒子j的權(quán)值,Zj表示粒子j的觀測值,則動態(tài)分簇目標(biāo)跟蹤算法具體實(shí)現(xiàn)流程如下:

(1)初始化

假設(shè)k=0時(shí)刻,目標(biāo)進(jìn)入傳感器網(wǎng)絡(luò),網(wǎng)絡(luò)中檢測到該目標(biāo)的感知節(jié)點(diǎn)通過相互交換信息選取出主簇頭和次簇頭,并按3.1節(jié)介紹的方法生成簇。在簇處于跟蹤狀態(tài)時(shí),次簇頭節(jié)點(diǎn)等同于普通簇成員節(jié)點(diǎn),探測目標(biāo)并將數(shù)據(jù)傳遞給主簇頭。假設(shè)當(dāng)前簇內(nèi)有n個(gè)成員節(jié)點(diǎn),主簇頭節(jié)點(diǎn)分配給每個(gè)成員節(jié)點(diǎn)的粒子數(shù)目為N,則有:

(2)粒子重要性采樣

從重要性分布函數(shù)中抽取粒子,即新樣本:

計(jì)算k時(shí)刻每個(gè)粒子的權(quán)值:

(3)成員節(jié)點(diǎn)狀態(tài)估計(jì)

第i個(gè)成員節(jié)點(diǎn)根據(jù)得到的新樣本的序列和樣本權(quán)值分別計(jì)算出N個(gè)樣本的加權(quán)和、協(xié)方差以及權(quán)值和:

(4)節(jié)點(diǎn)信息上傳

(5)重采樣

如果有效粒子數(shù)低于指定閾值時(shí),則重采樣粒子集,各成員節(jié)點(diǎn)收到重采樣消息后,獨(dú)立進(jìn)行采樣過程:

(6)簇頭節(jié)點(diǎn)數(shù)據(jù)融合

主簇頭將每個(gè)簇成員節(jié)點(diǎn)傳送來的狀態(tài)信息進(jìn)行融合處理:

(7)預(yù)測k+1時(shí)刻的目標(biāo)位置

主簇頭節(jié)點(diǎn)在完成數(shù)據(jù)融合后,計(jì)算k+1時(shí)刻目標(biāo)位置的預(yù)測值xk+1|k:

(8)簇的動態(tài)更新

主簇頭節(jié)點(diǎn)根據(jù)預(yù)測的目標(biāo)位置值xk+1|k和3.2節(jié)介紹的簇頭更換策略來判定簇是否需要更新。如果簇結(jié)構(gòu)不需要更新,轉(zhuǎn)到步驟(2)繼續(xù)在當(dāng)前簇內(nèi)對目標(biāo)進(jìn)行跟蹤,否則更換主次簇頭節(jié)點(diǎn)并在新建的簇結(jié)構(gòu)內(nèi)跟蹤目標(biāo)。同時(shí),當(dāng)前簇的主簇頭節(jié)點(diǎn)將狀態(tài)信息{xk,wk}傳送給新的主簇頭節(jié)點(diǎn),并解散簇,簇成員節(jié)點(diǎn)關(guān)閉通信模塊,轉(zhuǎn)入休眠狀態(tài),新的簇在下一時(shí)刻對目標(biāo)進(jìn)行跟蹤。

整個(gè)算法的框架如圖4所示,其中,(Lx1,Ly1), (Lx2,Ly2)分別表示主簇頭、次簇頭的坐標(biāo)。

圖4 基于能量高效動態(tài)分簇的目標(biāo)跟蹤算法框架

5 仿真實(shí)驗(yàn)與結(jié)果分析

仿真實(shí)驗(yàn)中,仿真場景為在1 000 m×1 000 m的方形區(qū)域中隨機(jī)部署200個(gè)傳感器節(jié)點(diǎn)組成無線傳感網(wǎng),并假設(shè)網(wǎng)絡(luò)中的所有節(jié)點(diǎn)具有相同的功能和性能,節(jié)點(diǎn)的通信半徑為50 m。假設(shè)存在一目標(biāo)節(jié)點(diǎn),該目標(biāo)運(yùn)動符合2.2節(jié)介紹的模型,則目標(biāo)節(jié)點(diǎn)X軸方向上的運(yùn)動狀態(tài)為:

Y軸方向上的運(yùn)動狀態(tài)為:

其中,t為采樣間隔,取1 s;Xk-1′(t),Yk-1′(t)分別為X,Y方向上的狀態(tài)更新方程;a(t),v(t)分別表示加速度和速度;ω取0.02;αk-1,βk-1為運(yùn)動過程產(chǎn)生的噪聲,其中αk-1～N(0,10),βk-1～N(0,5)。目標(biāo)起始位置的狀態(tài)向量為[x0,y0]=[600,100],傳感器節(jié)點(diǎn)測量模型如 2.2節(jié)所述,測量噪聲vk服從N(0,1)分布。

利用Matlab仿真工具對本文算法、分布式粒子濾波(Distributed Particle Filtering,DPF)跟蹤算法以及并行粒子濾波(Parallel Particle Filtering,PPF)跟蹤算法[16]進(jìn)行仿真實(shí)驗(yàn)和對比。研究了目標(biāo)跟蹤過程中3種跟蹤算法在不同步長和傳感器節(jié)點(diǎn)個(gè)數(shù)下的跟蹤精度和網(wǎng)絡(luò)能耗,其中跟蹤精度用平均均方根誤差(Root Mean Square,RMS)[16]來描述。對于不同情況,本文分別進(jìn)行50次仿真,然后對仿真結(jié)果進(jìn)行統(tǒng)計(jì),取平均值作為最后的結(jié)果。節(jié)點(diǎn)分布和目標(biāo)軌跡如圖5所示。

圖5 節(jié)點(diǎn)分布和目標(biāo)軌跡

在不同步長下,本文提出的算法與DPF和PPF算法在x,y軸上的誤差對比如圖6所示。其中,圖6(a)表示x方向的誤差對比;圖6(b)為y方向的誤差對比?？梢钥闯?3種算法在x,y方向上的的估計(jì)誤差整體上隨著步長的增長而減小,但本文算法的估計(jì)誤差明顯小于其他2種算法。

圖6 位置估計(jì)誤差對比

圖7為3種算法的均方根誤差對比?？梢钥闯?DPF算法的RMS誤差值最大,本文算法的RMS誤差值最小。在目標(biāo)作直線運(yùn)動時(shí),本文提出的算法與PPF算法的RMS誤差相差不大,但在目標(biāo)轉(zhuǎn)彎處,本文算法的RMS明顯小于PPF算法,因而跟蹤精度更高。

圖7 均方根誤差對比

圖8所示是不同傳感器節(jié)點(diǎn)個(gè)數(shù)下,不同算法的目標(biāo)跟蹤延遲時(shí)間對比。這幾種算法的跟蹤延遲時(shí)間均隨著節(jié)點(diǎn)個(gè)數(shù)的增加而增長,但由圖可見, DPF算法的反應(yīng)時(shí)間呈指數(shù)增長,本文算法和PPF算法的反應(yīng)時(shí)間呈線性增長。在同樣的節(jié)點(diǎn)個(gè)數(shù)下,本文算法的平均反應(yīng)時(shí)間是PPF算法的60%,是DPF算法的45%,因而節(jié)省了網(wǎng)絡(luò)能量,提高了能量使用率。

圖8 跟蹤延遲對比

圖9表示主簇頭節(jié)點(diǎn)在不同傳感器節(jié)點(diǎn)個(gè)數(shù)情況下的能量消耗對比?？梢钥闯?本文算法、DPF算法和PPF算法的主簇頭節(jié)點(diǎn)能量消耗均隨著節(jié)點(diǎn)個(gè)數(shù)增加而增多,但本文算法的簇頭能量消耗最少,這是由本文簇結(jié)構(gòu)算法所引起的,相比于DPF的簇結(jié)構(gòu),本文算法減少了簇頭與無貢獻(xiàn)節(jié)點(diǎn)的通信量。PPF的簇頭能耗與本文算法相差不大,是由其并行性所引起的。

圖9 主簇頭能量消耗對比

6 結(jié)束語

由于無線傳感器網(wǎng)絡(luò)中的傳感器節(jié)點(diǎn)能量有限并且部署隨機(jī),因此如何獲得高跟蹤精度并且在高精度的基礎(chǔ)上降低網(wǎng)絡(luò)能耗,提高能量的利用率是WSN中目標(biāo)跟蹤的核心問題。本文針對該問題提出了一種基于能量高效動態(tài)分簇的目標(biāo)跟蹤算法,從動態(tài)簇生成方法和簇頭更換策略2個(gè)方面對動態(tài)分簇算法進(jìn)行了描述,并結(jié)合無跡粒子濾波算法對目標(biāo)進(jìn)行跟蹤,從而提高了跟蹤精度,降低了整個(gè)網(wǎng)絡(luò)能耗。

[1] 王 殊,閻毓杰,胡富平,等.無線傳感器網(wǎng)絡(luò)的理論及應(yīng)用[M].北京:北京航空航天大學(xué)出版社,2007.

[2] Sheng X,Hu Y H.Distributed ParticleFiltersfor Wireless Sensor Network Target Tracking[C]//Proc.of 2005 IEEE InternationalConferenceon Acoustics, Speech,and Signal Processing.Philadelphia,USA:IEEE Press,2005:845-848.

[3] Chen Weipeng,Hou J C,Sha L.Dynamic Clustering for Acoustic Target Tracking in Wireless Sensor Networks [J].IEEE Transactions on Mobile Computing,2004, 3(3):258-271.

[4] Djuric P M,Vemula M,Bugallo M F.Target Tracking by Particle Filtering in Binary Sensor Networks[J]. IEEE Transactions on Signal Processing,2008,56(6): 2229-2237.

[5] 鄧克波,劉 中.基于無線傳感器網(wǎng)絡(luò)動態(tài)簇的目標(biāo)跟蹤[J].兵工學(xué)報(bào),2008,29(10):1197-1202.

[6] Baggio A,Langendoen K.Monte-Carlo Localization for MobileWirelessSensorNetworks[J].Ad Hoc Networks,2008,6(5):718-733.

[7] Míguez J,Artés-Rodríguez A.Particle Filtering Algorithms for Tracking a Maneuvering Target Using a Network of Wireless Dynamic Sensors[J].EURASIP Journal on Applied Signal Processing,2006,2006:1-16.

[8] 張軍輝.粒子濾波跟蹤算法研究[D].開封:河南大學(xué),2009.

[9] Teng Jing,Snoussi H,Zhou Rong,et al.Distributed Variational Filtering for Simultaneous Sensor Localization and Target Tracking in Wireless Sensor Networks[J].IEEE Transactions on Vehicular Technology,2012,61(5):2305-2318.

[10] 李 迅,李洪峻.基于簇結(jié)構(gòu)的無線傳感器網(wǎng)絡(luò)移動目標(biāo)精確跟蹤[J].傳感技術(shù)學(xué)報(bào),2009,22(12): 1813-1817.

[11] 劉立陽,張金成,吳中林.基于分布式動態(tài)簇結(jié)構(gòu)的WSN自適應(yīng)目標(biāo)跟蹤算法[J].傳感技術(shù)學(xué)報(bào),2012, 25(1):111-113.

[12] 林金朝,李國軍,周曉娜,等.基于動態(tài)能量管理的無線傳感網(wǎng)絡(luò)動目標(biāo)定位跟蹤方法[J].通信學(xué)報(bào), 2010,31(12):91-93.

[13] Payne O,Marrs A.An Unscented Particle Filter for GMTI Tracking[C]//Proc.of 2004 IEEE Aerospace Conference.[S.l.]:IEEE Press,2004:1869-1875.

[14] Rui Yong,Chen Yunqiang.BetterProposalDistributions:Object Tracking Using Unscented Particle Filter [C]//Proc.of 2001 IEEE Computer Society Conference on Computer Vision and Pattern Recognition.[S.l.]: IEEE Press,2001:786-793.

[15] Angrisani L,Baccigalupi A,Meriel-lo R S L.On the Use of Unscented Kalman Filter for Improving UItrasonic Timeof-flight Measurement[C]//Proc.of Instrumentation and Measurement Technology Conference.Ottawa,Canada: [s.n.]:17-19.

[16] 屈劍鋒,柴 毅,郭茂耘.無線傳感器網(wǎng)絡(luò)下的并行粒子濾波目標(biāo)跟蹤算法[J].電子科技大學(xué)學(xué)報(bào),2011, 40(2):232-233.

編輯 金胡考

Target Tracking Algorithm Based on Energy-efficient Dynamic Clustering

LU Xian,PENG Yong
(School of Internet of Things Engineering,Jiangnan University,Wuxi 214122,China)

Target tracking is a basic application in Wireless Sensor Network(WSN).It is a core problem to make a high tracking precision with low energy consumption and prolong the network’s life cycle.Aiming at this problem,a target tracking algorithm based on energy-efficient dynamic clustering is proposed.It firstly presents a new method of generating the dynamic cluster from the view of greatly saving energy.Then,the generated cluster structure uses the Unscented Particle Filtering(UPF)algorithm to track the target and predict the location coordinates in next moment. Finally,according to the predicted results,this paper puts forward a cluster head replaced policy.Simulation results show that,compared with PPF algorithm and DPF algorithm,this algorithm not only has higher target tracking precision,but also effectively reduces the network energy consumption and extends the network lifetime.

Wireless Sensor Network(WSN);target tracking;Unscented Particle Filtering(UPF)algorithm;dynamic clustering;

Signal Strength Indications(RSSI)model;Unscented Kalman Filtering(UKF)algorithm

1000-3428(2014)10-0098-06

A

TP393

10.3969/j.issn.1000-3428.2014.10.019

江蘇省交通運(yùn)輸廳基金資助項(xiàng)目(2012X08-2)。

陸 嫻(1988-),女,碩士研究生,主研方向:WSN目標(biāo)定位與跟蹤;彭 勇,副教授。

2013-10-08

2013-11-28E-mail:youmeiluxian@163.com

中文引用格式:陸 嫻,彭 勇.基于能量高效動態(tài)分簇的目標(biāo)跟蹤算法[J].計(jì)算機(jī)工程,2014,40(10):98-103,108.

英文引用格式:Lu Xian,Peng Yong.Target Tracking Algorithm Based on Energy-efficient Dynamic Clustering[J]. Computer Engineering,2014,40(10):98-103,108.