WSN中基于自適應(yīng)預(yù)測(cè)聚類的多組群目標(biāo)的跟蹤方法

劉述木，楊建，黎遠(yuǎn)松

（1.四川工程職業(yè)技術(shù)學(xué)院，四川 德陽 618000；2.四川理工學(xué)院，四川 自貢 643000）

WSN中基于自適應(yīng)預(yù)測(cè)聚類的多組群目標(biāo)的跟蹤方法

劉述木1，楊建1，黎遠(yuǎn)松2

（1.四川工程職業(yè)技術(shù)學(xué)院，四川 德陽 618000；2.四川理工學(xué)院，四川 自貢 643000）

針對(duì)多傳感器目標(biāo)跟蹤中的能源使用和跟蹤精度之間的不平衡問題，提出了一種權(quán)衡網(wǎng)絡(luò)壽命和精度的方法，即基于自適應(yīng)預(yù)測(cè)聚類的多組群目標(biāo)跟蹤方法（APCMT），實(shí)現(xiàn)了同時(shí)跟蹤多個(gè)組群。首先進(jìn)行聚類，即捕捉組群行為屬性的改變，例如形成、合并以及分裂；然后選擇傳感器，激活對(duì)組群區(qū)域有貢獻(xiàn)的傳感器，并進(jìn)行組群跟蹤。仿真場景在1 000 m×1 000 m的正方形區(qū)域內(nèi)，隨機(jī)部署500個(gè)傳感器，與Kalman、效能節(jié)點(diǎn)選擇（EENS）方法以及改進(jìn)的動(dòng)態(tài)簇（IDC）方法相比，提出的方法在跟蹤精度方面更高。由于需要激活的傳感器更少、計(jì)算時(shí)間更短，網(wǎng)絡(luò)壽命得到了明顯的提升。

無線傳感器網(wǎng)絡(luò)；目標(biāo)跟蹤；多傳感器；預(yù)測(cè)聚類；多組群；跟蹤精度

1 引言

無線傳感器網(wǎng)絡(luò)（wireless sensor network，WSN）[1]是許多應(yīng)用程序重要的先決條件，例如航海、環(huán)境監(jiān)測(cè)以及野生動(dòng)物跟蹤等。這些系統(tǒng)必須具有高靈活性、高容錯(cuò)率、高傳感精度以及低成本等特點(diǎn)[2]。本文主要研究WSN的組群目標(biāo)跟蹤，在該應(yīng)用中，不同組群的目標(biāo)會(huì)一起移動(dòng)，傳感器用以估計(jì)組群的位置等信息，這在安防領(lǐng)域具有重要的應(yīng)用價(jià)值。

已有許多研究者對(duì)該領(lǐng)域進(jìn)行了研究。為了跟蹤和覆蓋所有相似目標(biāo)的區(qū)域，參考文獻(xiàn)[3]提出了一種使用二進(jìn)制傳感器網(wǎng)絡(luò)的區(qū)域組群目標(biāo)跟蹤方法。檢測(cè)組群區(qū)域是為了確定傳感器節(jié)點(diǎn)的子集，當(dāng)目標(biāo)出現(xiàn)在感知距離內(nèi)時(shí)，基于二進(jìn)制的傳感模型輸出為“1”。但在選擇過程中重疊區(qū)域缺乏識(shí)別信息，同時(shí)過度使用傳感器資源也會(huì)降低網(wǎng)絡(luò)壽命[4]。

另一種常用的方法是基于進(jìn)化圖的多組群同時(shí)跟蹤，進(jìn)化圖通過創(chuàng)造一幅連通分支圖來使組群的行為屬性模型化[5]。圖中的每個(gè)節(jié)點(diǎn)對(duì)應(yīng)一個(gè)目標(biāo)位置。當(dāng)位置和速度在一些距離判據(jù)內(nèi)下降時(shí)，目標(biāo)會(huì)存在于邊界位置。進(jìn)化圖模型促進(jìn)了新節(jié)點(diǎn)的整合、不存在節(jié)點(diǎn)的移除以及邊緣的更新。但是，在沒有處理精確度—壽命的權(quán)衡時(shí)，考慮主動(dòng)式傳感器的數(shù)量。因此，估計(jì)過程中傳感器收集的測(cè)量值沒有得到利用，浪費(fèi)了傳感器的能量。

還有一種基于區(qū)域的跟蹤方法，以R樹結(jié)構(gòu)[6]為基礎(chǔ)組織傳感器，使之成為分層拓?fù)浣Y(jié)構(gòu)，如參考文獻(xiàn)[7]從檢測(cè)分組的所有傳感器中確定組群中的邊界傳感器，并且構(gòu)建一個(gè)相應(yīng)的頂點(diǎn)鏈來描述該區(qū)域。參考文獻(xiàn)[8]通過分—合算法以獲得組群區(qū)域的整體估計(jì)，組群的邊界劃分為封閉的小凸包，中心節(jié)點(diǎn)將會(huì)融合小凸包成為可以代表組群輪廓的大凸包，提出了能效節(jié)點(diǎn)選擇（energy-effective node selection，EENS）方法。

現(xiàn)有的目標(biāo)跟蹤中傳感器選擇的研究主要集中在跟蹤個(gè)體的軌跡。然而，在擁擠的組群中對(duì)每個(gè)個(gè)體指標(biāo)執(zhí)行傳感器選擇的代價(jià)非常大[9]。因此，組群目標(biāo)跟蹤的主要問題是組群傳感器的選擇。為此，本文提出了一種基于自適應(yīng)預(yù)測(cè)聚類組群跟蹤 （multi-group tracking of adaptive predictive clustering，APCMT）的方法，滿足組群目標(biāo)跟蹤的諸多特點(diǎn)，其主要貢獻(xiàn)總結(jié)如下：

·本文方法通過估算組群區(qū)域可以同時(shí)跟蹤多組群，每個(gè)區(qū)域代表一個(gè)覆蓋了所有預(yù)測(cè)的分組目標(biāo)的凸包，使用了傳感器能量參數(shù)，并選擇有貢獻(xiàn)的傳感器區(qū)域覆蓋需求；

·APCMT整合了移動(dòng)目標(biāo)的PCMT結(jié)構(gòu)[10]，從而可以實(shí)現(xiàn)捕捉組群的行為屬性，改變了傳遞個(gè)體行為屬性數(shù)據(jù)的方式，大大減少了通信代價(jià)和額外的處理操作。

2 模型與假設(shè)

2.1 網(wǎng)絡(luò)模型

本文的網(wǎng)絡(luò)模型是n個(gè)傳感器S={s1,s2,…,sn}在一個(gè)矩形區(qū)域內(nèi)的任意展開。每個(gè)傳感器都擁有給定的感知半徑Rs。本文采用了定能量的自適應(yīng)聚類層次結(jié)構(gòu)[11]算法作為路由算法和聚類算法來交換傳感器內(nèi)的數(shù)據(jù)，或?qū)y(cè)量數(shù)據(jù)從傳感器傳遞到遠(yuǎn)程基站（base station，BS）。Leach是一種分層次的基于聚類的路由算法，旨在統(tǒng)一分配網(wǎng)絡(luò)中傳感器節(jié)點(diǎn)消耗的能量，從而延長網(wǎng)絡(luò)壽命，即通過周期性循環(huán)符合條件節(jié)點(diǎn)中的簇頭來實(shí)現(xiàn)，簇頭收集聚群中的局部傳感測(cè)量并執(zhí)行局部數(shù)據(jù)算法來降低整體通信的開銷。

2.2 能量模型

本文假設(shè)節(jié)點(diǎn)初始化能量E相同，且每個(gè)傳感器si都知道自己當(dāng)前的剩余能量et(si)。傳感器通過測(cè)量目標(biāo)發(fā)射出的能量信號(hào)檢測(cè)出目標(biāo)，如磁場的角度方向。傳感器中的能量消耗通過感知單元、處理單元和通信單元表征。參考文獻(xiàn)[12]表明一個(gè)傳感器節(jié)點(diǎn)的感知單元能耗最低，可以忽略不計(jì)。此外，處理單元消耗的能量與通信單元消耗的能量相比，也相對(duì)較低。因此，本文假設(shè)只有每個(gè)節(jié)點(diǎn)的通信單元可以在活躍模式和休眠模式間切換。因此，每個(gè)傳感器可以感知環(huán)境。本文用Leach算法的能量耗散模型來計(jì)算一個(gè)節(jié)點(diǎn)在每個(gè)時(shí)間單元用于覆蓋目標(biāo)所使用的能量。Eelec表示無線電路所需能量，而Emp和Efs分別代表多路徑模式和自由空間模式的放大器能量。一個(gè)傳感器si在每個(gè)時(shí)間單元的能量消耗Ct(si)為：

其中，Erx(l)=lEelec是接收l bit信號(hào)消耗的能量，且Etx(l,d)=是將一個(gè)l bit數(shù)據(jù)信號(hào)發(fā)射到距離為d的另一個(gè)節(jié)點(diǎn)所用的能量。最后，收集到的跟蹤數(shù)據(jù)等于l bit，并且與覆蓋的組群數(shù)量成比例。

2.3 組群的結(jié)構(gòu)

通過了解組群的結(jié)構(gòu)Gt={G1,G2,…,GnG}來使目標(biāo)組群模型化，其中，nG表示真實(shí)組群的數(shù)量。每個(gè)組群Gta在時(shí)刻t∈T包含了任意數(shù)量的目標(biāo)Gta={set of target rj}?R，其中，R={r1,r2,…,rm}表示所有個(gè)體的集合?？紤]跟蹤軌道和測(cè)量模型，本文假設(shè)t時(shí)刻目標(biāo)rj的實(shí)際狀態(tài)是：

其中，xrj,t和yrj,t表示位置，和是 x、y軸上的速度，目標(biāo)的軌跡模型采用離散化[7]進(jìn)行數(shù)學(xué)建模。

其中，矩陣A是躍遷矩陣，q是方差為Q的零均值高斯噪聲。此外，傳感器通過測(cè)量目標(biāo)發(fā)射的能量信號(hào)Zrj,t來檢測(cè)目標(biāo)。測(cè)量模型作為傳感器平臺(tái)到目標(biāo)的方位角，即一個(gè)非線性模型。在t時(shí)刻，從目標(biāo)rj到位于(x(si),y(si))的傳感器si的方位角為：

其中，測(cè)量誤差w～N(0,Δθ)服從高斯白噪聲模型，其中，所有節(jié)點(diǎn)誤差的標(biāo)準(zhǔn)偏差Δθ都是各向同性的。一個(gè)組群中心的初始位置在區(qū)域中是隨機(jī)分布的，且組群的初始位置服從高斯分布。且一個(gè)組群的所有成員同時(shí)開始、分裂及合并等，在組群軌道中的任意時(shí)刻都可能隨機(jī)發(fā)生。

3 自適應(yīng)預(yù)測(cè)聚類法

自適應(yīng)預(yù)測(cè)聚類法是執(zhí)行群目標(biāo)跟蹤的步驟組合。為此，首先估計(jì)并形成組群，然后選擇組群，跟蹤各自的傳感器。圖1為自適應(yīng)預(yù)測(cè)聚類法的流程。

圖1 自適應(yīng)預(yù)測(cè)聚類法的流程

3.1 自適應(yīng)—PCMT

本文將參考文獻(xiàn) [10]提出的PCMT擴(kuò)展成一種自適應(yīng)—PCMT，延伸了取樣時(shí)間的設(shè)定，其中，取樣時(shí)間是指引發(fā)聚類結(jié)構(gòu)的時(shí)間。為了精確估計(jì)組群，自適應(yīng)—PCMT的設(shè)計(jì)專門用于組群目標(biāo)跟蹤的應(yīng)用程序。

設(shè)計(jì)PCMT結(jié)構(gòu)[10]通過加權(quán)關(guān)系圖發(fā)現(xiàn)目標(biāo)組群及其組成成員。當(dāng)目標(biāo)穿過網(wǎng)絡(luò)時(shí)，通過目標(biāo)的距離和運(yùn)動(dòng)方向估計(jì)可能的關(guān)系，目標(biāo)運(yùn)動(dòng)方向可以用于發(fā)現(xiàn)重疊組群。PCMT包括3個(gè)相關(guān)部分：數(shù)據(jù)收集、定位和聚類（如圖2所示）。在PCMT的數(shù)據(jù)收集階段，傳感器節(jié)點(diǎn)收集檢測(cè)到的目標(biāo)測(cè)量值，并將其傳送給BS；然后，基站利用定位算法來估計(jì)位置；最后，利用類成分法定位結(jié)果尋找各目標(biāo)組群。

圖 2 自適應(yīng)—PCMT結(jié)構(gòu)

自適應(yīng)—PCMT結(jié)構(gòu)包括一個(gè)PCMT的附加塊，是圖2中的凸包區(qū)域的預(yù)測(cè)估計(jì)。如果可以估計(jì)包含所有組群成員的區(qū)域，則可以跟蹤該目標(biāo)組群，考慮到組群結(jié)構(gòu)作為一個(gè)進(jìn)化圖，基站基于快速凸包算法為每個(gè)組群創(chuàng)造了一個(gè)凸包[8]。大部分情況下，快速凸包算法的復(fù)雜度為O(n lg n)。

為一個(gè)組群創(chuàng)建的凸包是覆蓋所有組群目標(biāo)的最小區(qū)域（minimum region，MR）。圖3給出了一個(gè)組群的例子，其中，組群的MR表示為實(shí)線多邊形。其中，黑三角代表在當(dāng)下未獲得任何測(cè)量結(jié)果時(shí)個(gè)體目標(biāo)的預(yù)測(cè)位置。貝葉斯結(jié)構(gòu)中的度量模型為，與噪聲離散Δθ有關(guān)，那么由于目標(biāo)定位中的誤差，MR可能并不是對(duì)區(qū)域的準(zhǔn)確估計(jì)。因此，由于定位誤差的存在，一個(gè)合理的做法是確定一個(gè)較大區(qū)域以包含定位誤差。本文將該較大區(qū)域定義為完整區(qū)域 （full region，F(xiàn)R），如圖3所示，將MR的邊界向外擴(kuò)張2Rs的距離，虛線包含的區(qū)域即FR。選擇2Rs的理由是假設(shè)感應(yīng)區(qū)域內(nèi)的每個(gè)部分都有至少有一個(gè)傳感器節(jié)點(diǎn)覆蓋。對(duì)于1個(gè)節(jié)點(diǎn)集合覆蓋的凸包區(qū)域，如果擴(kuò)展距離RC≥2Rs，通信的連通性就有了保證，根據(jù)參考文獻(xiàn)[13]中的接收估計(jì)誤差模型，目標(biāo)的位置離傳感器的距離在Rs范圍內(nèi)時(shí)，狀態(tài)估計(jì)中的誤差最高，即接收的信號(hào)最弱。

圖3 關(guān)于MR和FR凸包的預(yù)測(cè)估計(jì)示例

3.2 基于區(qū)域的傳感器選擇

本節(jié)提出了多組群的傳感器選擇算法，遵循第2.1節(jié)和2.2節(jié)的網(wǎng)絡(luò)和能量模型。由于組群的個(gè)體選擇傳感器的代價(jià)非常昂貴，因此選擇覆蓋FR的傳感器是一種合理有效的方法。本文提出的選擇方法是一種分散式方法。每個(gè)預(yù)計(jì)的FR都有一個(gè)簇頭節(jié)點(diǎn)和許多跟蹤節(jié)點(diǎn)，簇頭節(jié)點(diǎn)就是一個(gè)計(jì)算和通信中心并且負(fù)責(zé)選擇并激活跟蹤節(jié)點(diǎn)，跟蹤節(jié)點(diǎn)收集測(cè)量數(shù)據(jù)并將跟蹤信息發(fā)送給各自的頭節(jié)點(diǎn)。

頭節(jié)點(diǎn)的最優(yōu)選擇是使跟蹤節(jié)點(diǎn)和頭節(jié)點(diǎn)間的平均距離最小化的節(jié)點(diǎn)。因?yàn)楣?jié)省了給頭節(jié)點(diǎn)傳輸信息時(shí)跟蹤節(jié)點(diǎn)的能量，該能量與距離成正比。此外，頭節(jié)點(diǎn)應(yīng)當(dāng)利用較高剩余能量來執(zhí)行計(jì)算和通信任務(wù)。鑒于傳感器的可用集合表示要覆蓋預(yù)計(jì)的，每個(gè)節(jié)點(diǎn)的能量感知成本為：

其中，et(si)表示傳感器si的剩余能量，d(si,sj)表示可用集合兩個(gè)傳感器之間的歐氏距離，表示傳感器的可用集合的基數(shù)。

由于每個(gè)傳感器的感知距離都會(huì)與一個(gè)或多個(gè)相鄰傳感器的感知距離重疊，因此點(diǎn)p(xy)可能被一個(gè)或多個(gè)傳感器覆蓋。為了在保證更長的網(wǎng)絡(luò)壽命和FR的整個(gè)覆蓋區(qū)域的條件下減少主動(dòng)式傳感器的數(shù)量，本文引進(jìn)了覆蓋范圍感知成本度量來測(cè)量一個(gè)傳感器在覆蓋點(diǎn)p(xy)上的重要性。覆蓋范圍感知成本度量合并了覆蓋冗余Ctot(p(xy))，該覆蓋冗余可以從所有重疊傳感器中獲得。

式（7）測(cè)量了覆蓋點(diǎn)p(x,y)的傳感器數(shù)量，其中，傳感器必須滿足節(jié)點(diǎn)（可用集合覆蓋的）或者滿足可用集合傳感器si與覆蓋點(diǎn)p(x,y)間的歐式距離小于或等于Rs，式（6）中的范圍感知成本度量在考慮節(jié)點(diǎn)的剩余能量的情況下用最少的覆蓋冗余測(cè)量傳感器si，et(si)表示傳感器 si的剩余能量。

3.3 基于區(qū)域的移動(dòng)組群跟蹤

考慮第 2.3節(jié)的組群結(jié)構(gòu) Gt，組群∈Gt在t時(shí)刻的所有目標(biāo)成員的節(jié)點(diǎn)位置向量規(guī)定為即 ng是組群在 t時(shí)刻的大小。在貝葉斯框架下，通過估計(jì)先驗(yàn)和后驗(yàn)分布實(shí)現(xiàn)對(duì)移動(dòng)組群的循環(huán)跟蹤，該分布通過如下的預(yù)測(cè)和更新步驟實(shí)現(xiàn)。

預(yù)測(cè)：

更新：

3.4 凸包區(qū)域的預(yù)測(cè)映射

輸入 組群結(jié)構(gòu)以及凸包區(qū)域

對(duì)于每個(gè)組群

————在跟蹤節(jié)點(diǎn)——————

在t-1時(shí)刻處收集的測(cè)量數(shù)據(jù)；

做出關(guān)于目標(biāo)進(jìn)化的局部決定；

將局部決定發(fā)送給頭節(jié)點(diǎn)。

————在頭節(jié)點(diǎn)—————————

先驗(yàn)分布

如果決定=1

將決定發(fā)送給基站來執(zhí)行自適應(yīng)—PCMT和凸包區(qū)域的預(yù)測(cè)估計(jì)（第3.1節(jié)）

否則

對(duì)t時(shí)刻的預(yù)測(cè)組群狀態(tài)映射t-1時(shí)刻處的組群區(qū)域MR（第 3.4節(jié)）。

結(jié)束

————在頭節(jié)點(diǎn)/基站—————————

執(zhí)行預(yù)測(cè)區(qū)域FR的傳感器選擇（第3.2節(jié)）

結(jié)束

輸出 FR、估計(jì)組群結(jié)構(gòu)、傳感器的激活設(shè)置

4 仿真實(shí)驗(yàn)與性能評(píng)估

本節(jié)將提出的APCMT方法與參考文獻(xiàn) [4]提出的Kalman濾波方法、參考文獻(xiàn) [8]提出的效能節(jié)點(diǎn)選擇（EENS）方法以及參考文獻(xiàn)[9]提出的改進(jìn)的動(dòng)態(tài)簇（IDC）方法進(jìn)行比較。參考文獻(xiàn)[4]充分利用了Kalman濾波預(yù)測(cè)功能的節(jié)點(diǎn)自適應(yīng)調(diào)整策略，并引入了事件輔助機(jī)制，參考文獻(xiàn)[8]通過分—合算法以獲得對(duì)組群區(qū)域的整體估計(jì)，參考文獻(xiàn)[9]改進(jìn)了動(dòng)態(tài)簇組建過程的簇頭選取和簇成員征集過程。

4.1 仿真設(shè)置

仿真場景在1 000 m×1 000 m的方形區(qū)域內(nèi)，隨機(jī)部署500個(gè)傳感器，傳感器的傳輸范圍設(shè)置為Rs=250，每個(gè)節(jié)點(diǎn)在部署時(shí)的初始能量為E=10 J，對(duì)10個(gè)組群進(jìn)行了兩次仿真，每個(gè)組群包括由合成發(fā)生器產(chǎn)生的隨機(jī)數(shù)量的目標(biāo)。根據(jù)參考文獻(xiàn) [14]，本文設(shè)置的Rao-Blackwellized仿真參數(shù)和能量參數(shù)見表1。此外，選擇閾值 λ使得位于FR(α(rj)=1)之外且距離傳感器(d(si,rj))=Rs最遠(yuǎn)目標(biāo)的目標(biāo)進(jìn)化概率為0.4。由于目標(biāo)和節(jié)點(diǎn)之間的距離較長，節(jié)點(diǎn)接收到的信號(hào)很弱，給出的結(jié)果是100次仿真結(jié)果的平均值。

表1 估算參數(shù)和能量參數(shù)及其設(shè)置值

4.2 性能指標(biāo)

實(shí)驗(yàn)仿真的網(wǎng)絡(luò)壽命為T，定義為從傳感器網(wǎng)絡(luò)發(fā)射到第一個(gè)節(jié)點(diǎn)死亡之間的周期[15]。APCMT方法在跟蹤移動(dòng)組群中的性能方面是以網(wǎng)絡(luò)壽命的影響因子、跟蹤誤差以及處理時(shí)間指標(biāo)進(jìn)行評(píng)估。網(wǎng)絡(luò)壽命的影響因子包括主動(dòng)式傳感器的平均數(shù)量和在網(wǎng)絡(luò)壽命T處的能耗率。本文定義跟蹤誤差RMSEGa為組群Ga預(yù)測(cè)中心位置和實(shí)際中心位置間的預(yù)期距離。

將總跟蹤誤差RMSEtot定義為組群的總誤差，即：

4.3 仿真結(jié)果

4.3.1 APCMT方法的能量分析

首 先 對(duì) APCMT、Kalman[4]、EENS[8]和 IDC[9]4 種 方 法 影響網(wǎng)絡(luò)壽命的因子進(jìn)行比較。這些因子包括自助式傳感器的平均數(shù)量、能耗率以及單一完整的數(shù)據(jù)周期的處理時(shí)間。這里給出的結(jié)果是平均網(wǎng)絡(luò)壽命超過T。

圖4給出了不同組群密度情況下主動(dòng)式傳感器的平均數(shù)量。可以看出區(qū)域覆蓋傳感器選擇方法激活的傳感器數(shù)比其他方法少。由于式（5）中傳感器的選擇是為了在最小的覆蓋冗余下對(duì)預(yù)測(cè)組群提供全面覆蓋，APCMT使用了數(shù)量最少的主動(dòng)式傳感器，然而IDC[9]并不考慮覆蓋冗余而且覆蓋一個(gè)區(qū)域的可用傳感器都是激活傳感器。此外，其他方法對(duì)每個(gè)個(gè)體目標(biāo)執(zhí)行選擇算法。IDC[9]的頭節(jié)點(diǎn)選擇單一，即每個(gè)目標(biāo)都只用一個(gè)有著最大信息效用的激活傳感器，參考文獻(xiàn)[9]中兩個(gè)傳感器的設(shè)定可以更好地平衡精確度—壽命。最后，EENS[8]選擇了不同程度的傳感器，在大多數(shù)情況下大約有兩個(gè)傳感器處于激活狀態(tài)。

圖4 網(wǎng)絡(luò)壽命內(nèi)主動(dòng)式傳感器的平均數(shù)量

此外，由于組群中目標(biāo)移動(dòng)地非常接近，因此很難分 別 定 位 個(gè) 體 目 標(biāo) 。因 此 ，Kalman[4]、EENS[8]和 IDC[9]不能預(yù)計(jì)組群中目標(biāo)的精確數(shù)量，并且激活了更多傳感器。圖5給出了APCMT和其他方法的能耗率。APCMT通過激活更少數(shù)量的傳感器，分別比IDC和Kalman的能量消耗少了62%和55%，這與各方法選擇的傳感器數(shù)量有關(guān)。

圖5 網(wǎng)絡(luò)壽命內(nèi)的能耗率

對(duì)密集組群的節(jié)能跟蹤決定了需要將計(jì)算和處理時(shí)間最小化。圖6為所有方法處理時(shí)間的比較，結(jié)果顯示，APCMT的計(jì)算時(shí)間在所有情況下平緩地增長。然而，其他方法的計(jì)算時(shí)間會(huì)隨著組群數(shù)量的增加而增長明顯。例如，在擁擠的場景中，如10個(gè)組群，APCMT比其他方法運(yùn)行快4～6倍。這是由于選擇的是區(qū)域的傳感器而不是個(gè)體目標(biāo)的傳感器，因此計(jì)算時(shí)間得到明顯改善。此外，APCMT采用了定位算法來評(píng)估組群中心。EENS[8]的處理時(shí)間最佳，這是因?yàn)槠洳⒉贿m用任何貝葉斯結(jié)構(gòu)來計(jì)算分布，在收集傳感器測(cè)量值后，僅通過發(fā)現(xiàn)覆蓋目標(biāo)的凸包區(qū)域?qū)σ粋€(gè)組群進(jìn)行估計(jì)。

圖6 網(wǎng)絡(luò)壽命內(nèi)處理時(shí)間的對(duì)比

4.3.2 跟蹤誤差（估計(jì)精度）

本節(jié)比較上述4種方法的估計(jì)精度，通過對(duì)分組目標(biāo)的個(gè)體估計(jì)誤差取平均值進(jìn)行評(píng)估。

圖7顯示了所有方法的總跟蹤誤差RMSEtot，發(fā)現(xiàn)APCMT比其他方法能達(dá)到更好的精確度。另一方面，在擁擠場景下，對(duì)個(gè)體目標(biāo)使用 Kalman[4]、EENS[8]或者 IDC[9]方法的性能較差的原因是分組目標(biāo)移動(dòng)得十分靠近，因此，在對(duì)不確定性進(jìn)行模式化時(shí)個(gè)體狀態(tài)估計(jì)便不準(zhǔn)確?？傮w來說，APCMT顯示出了較好的頑健性，且可以很好地對(duì)組群狀態(tài)的不確定性進(jìn)行模式化。

圖7 不同數(shù)量組群間總誤差的對(duì)比（RMSEtot）

5 結(jié)束語

本文提出了一種自適應(yīng)—PCMT結(jié)構(gòu)的多傳感器組群跟蹤方法來執(zhí)行聚類和發(fā)現(xiàn)目標(biāo)組群，選擇那些有助于增加網(wǎng)絡(luò)壽命且對(duì)組群的預(yù)計(jì)區(qū)域提供整體覆蓋的傳感器。具有上述特征的多傳感器組群跟蹤方法在預(yù)計(jì)精確度上比其他方法提高了50%～80%。此外，該方法顯示出優(yōu)越的計(jì)算時(shí)間，且由于需要激活更少的傳感器，所以在網(wǎng)絡(luò)壽命上有重要改善。

未來的工作將集中在通過重新定位來補(bǔ)償由節(jié)點(diǎn)故障導(dǎo)致的覆蓋空洞，這需要適當(dāng)?shù)匾苿?dòng)節(jié)點(diǎn)選擇和運(yùn)動(dòng)策略，如傳感器—目標(biāo)分配以及傳感器移動(dòng)方向。此外，還需要考慮環(huán)境中的障礙物等。

[1]張希偉,戴海鵬,徐力杰,等.無線傳感器網(wǎng)絡(luò)中移動(dòng)協(xié)助的數(shù)據(jù)收集策略[J].軟件學(xué)報(bào),2013,37(2):198-214.ZHANG X W,DAI H P,XU L J,et al.Mobility-assisted data gathering strategies in WSNs[J].Journal of Software,2013,37(2):198-214.

[2]趙建軍,王懷宇,趙澤陽,等.WSN中基于多分辨率和壓縮感知的數(shù)據(jù)融合方案[J].電信科學(xué),2014,30(9):92-99.ZHAO J J,WANG H Y,ZHAO Z Y,et al.Data aggregation scheme based on multi-resolution and compressive sensing in wireless sensor network[J].Telecommunications Science,2014,30(9):92-99.

[3]CAO D,JIN B,DAS S K,et al.On collaborative tracking of a target group using binary proximity sensors[J].Journal of Parallel&Distributed Computing,2010,70(8):825-838.

[4]夏候凱順,嚴(yán)娟,葉小朋,等.基于Kalman濾波的無線傳感器網(wǎng)絡(luò)多目標(biāo)跟蹤[J].中山大學(xué)學(xué)報(bào)(自然科學(xué)版),2014,32(2):18-22.XIAHOU K S,YAN J,YE X P,et al.Multi-target tracking based on kalman filterand WSN [J].Acta Scientiarum Naturalium Universitatis Sunyatseni,2014,32(2):18-22.

[5]GNING A,MIHAYLOVA L,MASKELL S,et al.Group object structure and state estimation with evolving networks and Monte Carlo methods[J].IEEE Transactions on Signal Processing,2011,59(4):1383-1396.

[6]張明波,陸鋒,申排偉,等.R樹家族的演變和發(fā)展 [J].計(jì)算機(jī)學(xué)報(bào),2005,28(3):289-300.ZHANG M B,LU F,SHEN P W,et al.The evolvement and progress of R-tree family[J].Chinese Journal of Computers,2005,28(3):289-300.

[7]AVCIB,TRAJCEVSKIG,SCHEUERMANNP.Managing evolving shapes in sensor networks[C]//The 26th International Conference on Scientific and Statistical Database Management,June 30-July 2,2014,Aalborg,Denmark.New York:ACM Press,2014:1-12.

[8]CORPORATION H P.An energy-efficientnode selection algorithm in bearings-only target tracking sensor networks[J].International Journal of Distributed Sensor Networks,2014,41(1):118-121.

[9]崔亞峰.無線傳感器網(wǎng)絡(luò)目標(biāo)跟蹤算法的研究 [D].太原:太原理工大學(xué),2015.CUIY F.Research targettrackingalgorithm ofwireless sensor networks [D]. Taiyuan: Taiyuan University of Technology,2015.

[10]ARMAGHANI F R,GONDAL I,KAMRUZZAMAN J,et al.Dynamic clusters graph for detecting moving targets using WSNs[C]//IEEE 38th Vehicular Technology Conference,Sept 3-6,2012,Quebec City,QC,Canada.New Jersey:IEEE Press,2012:1-5.

[11]徐翠.復(fù)雜網(wǎng)絡(luò)中基于數(shù)據(jù)場的自適應(yīng)聚類算法研究[D].武漢:華中師范大學(xué),2014.XU C.Research on adaptive clustering algorithm based on data field in complex network[D].Wuhan:Central China Normal University,2014.

[12]張軍強(qiáng),王汝傳,黃海平.基于分簇的無線多媒體傳感器網(wǎng)絡(luò)數(shù)據(jù)聚合方案研究[J].電子與信息學(xué)報(bào),2014,35(1):8-14.ZHANG J Q,WANG R C,HUANG H P.Researchon cluster-based data aggregation for wireless multimedia sensor networks[J].Journal of Electronics&Information Technology,2014,35(1):8-14.

[13]ZHAO W,HAN Y,WU H,et al.Weighted distance based sensor selection for target tracking in wireless sensor networks[J].IEEE Signal Processing Letters,2009,16(8):647-650.

[14]張萬里,何金剛,趙紅梅.改進(jìn)的Rao-Blackwellized粒子濾波算法在目標(biāo)跟蹤中的應(yīng)用 [J].四川兵工學(xué)報(bào),2014,36(7):82-86.ZHANG W L,HE J G,ZHAO H M.Target track based on improved Rao-Blackwellized particle filter algorithm[J].Journal of Sichuan Ordnance,2014,36(7):82-86.

[15]楊小軍.基于性能邊界和量化數(shù)據(jù)的 WSN目標(biāo)跟蹤傳感器選擇算法[J].電子學(xué)報(bào),2014,42(6):1081-1085.YANG X J.Sensor selection for target tracking in wireless sensor networks based on performance bounds and quantized data[J].Acta Electronica Sinica,2014,42(6):1081-1085.

Multi-group target tracking method based on adaptive predictive clustering in WSN

LIU Shumu1,YANG Jian1,LI Yuansong2
1.Sichuan Engineering Vocational Technical College,Deyang 618000,China 2.Sichuan University of Science&Engineering,Zigong 643000,China

Aiming at the imbalance between energy using and tracking accuracy in multi-sensor target tracking,a method of trade-off network lifetime and accuracy was proposed.It was a multi-group target tracking method based on adaptive predictive clustering (APCMT),realizing the simultaneous tracking of multiple groups.Firstly,cluster was realized,which was to capture the changes of group behavior attributes,such as forming,mergering and spliting.Then,sensors were selected,which were expected to contribute to the group area sensor activation,and the sensors were used for group tracking.Scene simulation was in a square area of 1 000 m×1 000 m with 500 randomly deployed sensors.The effectiveness of the proposed method was verified by the simulation results.Compared with Kalman,energy-effective node selection (EENS)method and the improved dynamic cluster (IDC)method,the tracking precision of proposed method was higher.And because of the number of activate sensors was less,the computational time was less,the network lifetime had been improved significantly.

wireless sensor network,target tracking,multi-sensor,predictive clustering,multi-group,tracking accuracy

TP393

A

10.11959/j.issn.1000-0801.2016128

2016-03-04；

2016-04-08

劉 述 木 （1978-），男 ，四 川 工 程 職 業(yè) 技 術(shù) 學(xué)院工程師，主要研究方向?yàn)閃SN、智能算法等。

楊建（1979-），男，四川工程職業(yè)技術(shù)學(xué)院工程師，主要研究方向?yàn)閃SN、計(jì)算機(jī)應(yīng)用等。

黎遠(yuǎn)松（1970-），男，四川理工學(xué)院副教授，主要研究方向?yàn)閃SN、物聯(lián)網(wǎng)等。