無(wú)線傳感網(wǎng)絡(luò)中基于誤差橢圓的自適應(yīng)節(jié)點(diǎn) 選擇目標(biāo)跟蹤算法*

周 非,安康寧,范馨月,高建軍

(重慶郵電大學(xué)光通信與網(wǎng)絡(luò)重點(diǎn)實(shí)驗(yàn)室,重慶 400065)

項(xiàng)目來(lái)源:國(guó)家自然科學(xué)基金項(xiàng)目(61471077)

2017-04-26修改日期2017-06-12

無(wú)線傳感網(wǎng)絡(luò)中基于誤差橢圓的自適應(yīng)節(jié)點(diǎn) 選擇目標(biāo)跟蹤算法*

周 非*,安康寧,范馨月,高建軍

(重慶郵電大學(xué)光通信與網(wǎng)絡(luò)重點(diǎn)實(shí)驗(yàn)室,重慶 400065)

追蹤精度與傳感器節(jié)點(diǎn)能耗是無(wú)線傳感網(wǎng)絡(luò)WSN(Wireless Sensor Network)中主要考慮的兩個(gè)性能指標(biāo),現(xiàn)有的許多目標(biāo)追蹤算法在提高追蹤精度、降低傳感器節(jié)點(diǎn)能耗的同時(shí)缺乏對(duì)傳感器節(jié)點(diǎn)位置與數(shù)目的考慮。因此,提出一種基于誤差橢圓的自適應(yīng)節(jié)點(diǎn)選擇目標(biāo)追蹤算法,以誤差橢圓為基準(zhǔn)計(jì)算目標(biāo)最可能出現(xiàn)的區(qū)域,然后根據(jù)誤差判決調(diào)整區(qū)域內(nèi)所需激活的傳感器節(jié)點(diǎn)數(shù)量,完成對(duì)目標(biāo)的跟蹤。仿真結(jié)果表明,該算法可以在保證追蹤精度的同時(shí)有效降低激活傳感器節(jié)點(diǎn)數(shù)量。

無(wú)線傳感網(wǎng)絡(luò);目標(biāo)追蹤;誤差橢圓;誤差指示器;擴(kuò)展卡爾曼濾波

無(wú)線傳感網(wǎng)絡(luò)是一種新型的信息獲取及處理平臺(tái),由部署在監(jiān)測(cè)區(qū)域內(nèi)的大量傳感器節(jié)點(diǎn)組成,傳感器節(jié)點(diǎn)之間可以通過(guò)無(wú)線通信組成一個(gè)多跳的自組織網(wǎng)絡(luò)系統(tǒng)[1-2]?；跓o(wú)線傳感網(wǎng)絡(luò)的目標(biāo)跟蹤[3]系統(tǒng)具有部署方便、成本低且跟蹤精度高等優(yōu)點(diǎn),但傳感器節(jié)點(diǎn)能量有限且電池更換困難,因此選取最優(yōu)傳感器節(jié)點(diǎn)參與觀測(cè)能有效延長(zhǎng)無(wú)線傳感網(wǎng)絡(luò)系統(tǒng)的使用壽命。

文獻(xiàn)[4]提出了一種基于預(yù)測(cè)機(jī)制的低功耗目標(biāo)追蹤算法,以角度為觀測(cè)量對(duì)目標(biāo)狀態(tài)進(jìn)行預(yù)測(cè),最后利用最小二乘估計(jì)(Least Square Estimation)完成對(duì)目標(biāo)的追蹤,但其算法十分簡(jiǎn)單,并未考慮其他約束,在現(xiàn)實(shí)生活中難以應(yīng)用。Wang等人[5]考慮乘性噪聲(Multiplicative Noise)對(duì)觀測(cè)量的影響,以極大似然估計(jì)(Maximum Likelihood Estimation)與牛頓-拉夫遜迭代方法(Newton-Raphson Iterative Method)完成對(duì)觀測(cè)量的預(yù)處理,最后進(jìn)行卡爾曼濾波(Kalman Filter)完成目標(biāo)追蹤。但其算法復(fù)雜度較高,計(jì)算量較大。Li 等人在文獻(xiàn)[6]中提出一種基于自適應(yīng)強(qiáng)跟蹤粒子濾波(Particle Filter)的目標(biāo)追蹤算法,通過(guò)每一時(shí)刻真實(shí)觀測(cè)值與預(yù)測(cè)觀測(cè)值之間的冗余使遺忘因子與軟化因子達(dá)到自適應(yīng)的狀態(tài)。該算法的缺點(diǎn)是樣本數(shù)量較多,計(jì)算量較大。Cheng等人在文獻(xiàn)[7]中對(duì)移動(dòng)節(jié)點(diǎn)的感知質(zhì)量與網(wǎng)絡(luò)覆蓋率進(jìn)行了分析,在擴(kuò)展卡爾曼(Extended Kalman Filter)的基礎(chǔ)上提出基于梯度的節(jié)點(diǎn)運(yùn)動(dòng)控制策略。文獻(xiàn)[8]提出一種自適應(yīng)節(jié)點(diǎn)選擇擴(kuò)展卡爾曼濾波算法,以DMR(Delta Measurement Residual)、目標(biāo)節(jié)點(diǎn)移動(dòng)速度以及追蹤時(shí)間為參考調(diào)整每一次所需觀測(cè)量的數(shù)目。文獻(xiàn)[9]中,未避免對(duì)系統(tǒng)噪聲等先驗(yàn)信息的依賴,作者提出一種基于粒子群有計(jì)劃地最小剩余定位算法,進(jìn)而采用數(shù)據(jù)擬合將非迭代算法轉(zhuǎn)換為迭代算法,完成對(duì)目標(biāo)的追蹤定位。Feng等人在文獻(xiàn)[10]中提出一種分布式無(wú)線傳感網(wǎng)絡(luò)的自適應(yīng)節(jié)點(diǎn)選擇方法,根據(jù)不同傳感器節(jié)點(diǎn)的空間相關(guān)性,利用聯(lián)合距離加權(quán)觀測(cè)量來(lái)估計(jì)觀測(cè)節(jié)點(diǎn)的信息效用,最后根據(jù)粒子濾波完成對(duì)目標(biāo)節(jié)點(diǎn)的追蹤。其算法復(fù)雜度較高,計(jì)算量較大。文獻(xiàn)[11]針對(duì)傳統(tǒng)容積卡爾曼濾波算法計(jì)算量大,求解空間維度高的缺點(diǎn),將無(wú)線傳感網(wǎng)絡(luò)對(duì)移動(dòng)機(jī)器人的觀測(cè)量/機(jī)器人自身對(duì)環(huán)境特征的觀測(cè)量以及機(jī)器人自身運(yùn)動(dòng)控制量進(jìn)行數(shù)據(jù)融合,并利用相關(guān)門限閾閥值對(duì)數(shù)據(jù)進(jìn)行處理,完成對(duì)機(jī)器人的定位。

本文內(nèi)容安排如下:第1部分針對(duì)目標(biāo)追蹤系統(tǒng)模型進(jìn)行描述,并闡述了目前目標(biāo)追蹤算法存在的問(wèn)題;第2部分針對(duì)現(xiàn)有目標(biāo)追蹤算法的不足,提出改進(jìn)方法;第3部分對(duì)本文提出的改進(jìn)算法進(jìn)行仿真分析;最后,對(duì)本文進(jìn)行總結(jié)。

1 系統(tǒng)模型及問(wèn)題描述

本文只考慮單個(gè)目標(biāo)節(jié)點(diǎn)在二維無(wú)線傳感網(wǎng)絡(luò)中的追蹤問(wèn)題,假設(shè)在無(wú)線傳感網(wǎng)中分布N個(gè)靜態(tài)傳感器節(jié)點(diǎn)和一個(gè)匯聚節(jié)點(diǎn)。匯聚節(jié)點(diǎn)控制靜態(tài)傳感器節(jié)點(diǎn)的狀態(tài),并且進(jìn)行相關(guān)數(shù)據(jù)的分析與處理。

1.1 目標(biāo)運(yùn)動(dòng)模型

目標(biāo)節(jié)點(diǎn)在二維平面內(nèi)以恒定速度(constant velocity)運(yùn)動(dòng),選取目標(biāo)節(jié)點(diǎn)的狀態(tài)變量[12]如式(1)所示:

(1)

xk+1=Fxk+Bwwk

(2)

T為采樣間隔,F及Bw為動(dòng)態(tài)轉(zhuǎn)移矩陣:

(3)

wk為動(dòng)態(tài)加速度噪聲,服從零均值正態(tài)分布,其協(xié)方差為:

(4)

1.2 觀測(cè)模型

(5)

(xi,yi)為傳感器節(jié)點(diǎn)i在無(wú)線傳感網(wǎng)中的位置,(xt(k),yt(k))為目標(biāo)節(jié)點(diǎn)k時(shí)刻的位置。則目標(biāo)節(jié)點(diǎn)的觀測(cè)模型[13]為:

(6)

1.3 問(wèn)題描述

無(wú)線傳感網(wǎng)絡(luò)中目標(biāo)追蹤所面臨的主要問(wèn)題有:①傳統(tǒng)方法中,傳感器節(jié)點(diǎn)持續(xù)保持觀測(cè)狀態(tài),造成節(jié)點(diǎn)能耗較大,縮短了無(wú)線傳感網(wǎng)絡(luò)生命周期;②未對(duì)傳感器節(jié)點(diǎn)的激活數(shù)量做具體分析,造成大量節(jié)點(diǎn)冗余;③選擇傳感器節(jié)點(diǎn)激活之前,缺乏對(duì)其位置的考慮;④大量的觀測(cè)量涌入?yún)R聚節(jié)點(diǎn),造成數(shù)據(jù)擁堵。

2 問(wèn)題解決方法

本節(jié)首先利用擴(kuò)展卡爾曼濾波對(duì)目標(biāo)節(jié)點(diǎn)的狀態(tài)進(jìn)行預(yù)測(cè),根據(jù)其預(yù)測(cè)狀態(tài)的不穩(wěn)定性構(gòu)建誤差橢圓,即為預(yù)測(cè)目標(biāo)節(jié)點(diǎn)最可能出現(xiàn)的區(qū)域,規(guī)劃候選節(jié)點(diǎn);然后依據(jù)誤差指示器,調(diào)整所需激活傳感器節(jié)點(diǎn)數(shù)目,完成目標(biāo)追蹤。

2.1 誤差橢圓

借助上述的目標(biāo)運(yùn)動(dòng)模型和觀測(cè)模型,應(yīng)用擴(kuò)展卡爾曼濾波[14-15]對(duì)目標(biāo)的狀態(tài)進(jìn)行預(yù)測(cè)。如式(7)所示:

(7)

因?yàn)槟繕?biāo)節(jié)點(diǎn)受到加速度噪聲的影響,所以擴(kuò)展卡爾曼濾波對(duì)目標(biāo)節(jié)點(diǎn)狀態(tài)的預(yù)測(cè)存在一定誤差,因此確定目標(biāo)節(jié)點(diǎn)預(yù)測(cè)狀態(tài)的不確定性可以保證節(jié)點(diǎn)對(duì)目標(biāo)節(jié)點(diǎn)持續(xù)進(jìn)行觀測(cè)。文獻(xiàn)[16]中,Zhou以預(yù)測(cè)協(xié)方差構(gòu)建3σ橢圓,對(duì)目標(biāo)預(yù)測(cè)狀態(tài)的不確定性進(jìn)行描述。

擴(kuò)展卡爾曼濾波對(duì)目標(biāo)節(jié)點(diǎn)進(jìn)行預(yù)測(cè)后,即可得到目標(biāo)節(jié)點(diǎn)的預(yù)測(cè)位置以及預(yù)測(cè)協(xié)方差,此時(shí)可以根據(jù)預(yù)測(cè)位置以及預(yù)測(cè)協(xié)方差確定目標(biāo)節(jié)點(diǎn)的可能區(qū)域[17]PR(probable region),目標(biāo)出現(xiàn)在可能區(qū)域的概率如式(8)所示:

(8)

(9)

當(dāng)PR所描述的區(qū)域?yàn)闄E圓時(shí),描述方程如式(10)所示[18]:

(10)

進(jìn)一步展開(kāi)為:

(11)

c是一個(gè)常量,與目標(biāo)節(jié)點(diǎn)出現(xiàn)在橢圓內(nèi)的概率Pe有關(guān),ρ為相關(guān)系數(shù)。式即為誤差橢圓(Error ellipse)[19],則目標(biāo)節(jié)點(diǎn)出現(xiàn)在誤差橢圓的概率如式(12)所示:

(12)

式中:Γ(·)為伽瑪函數(shù)。因?yàn)閜=2,所以式(12)結(jié)果如式(13)所示:

Pe=1-exp(-c2/2)

(13)

同時(shí)可得,c的表達(dá)式為:

(14)

此時(shí)的誤差橢圓是一個(gè)傾斜橢圓,其長(zhǎng)軸與短軸不能直接獲取,因此需要對(duì)誤差橢圓進(jìn)行旋轉(zhuǎn),使其成為標(biāo)準(zhǔn)橢圓。順時(shí)針旋轉(zhuǎn)角度如式(15)所示:

(15)

因?yàn)樾D(zhuǎn)后的橢圓與未經(jīng)旋轉(zhuǎn)的橢圓形狀相同,因此可通過(guò)旋轉(zhuǎn)后的誤差橢圓,求得其長(zhǎng)軸與短軸。其長(zhǎng)軸為:

(16)

短軸為:

(17)

由式(16)和(17)可得,誤差橢圓的主半軸與c呈正相關(guān),其大小可以根據(jù)c進(jìn)行調(diào)節(jié)。c隨著Pe的變化而改變誤差橢圓的大小。

誤差橢圓體現(xiàn)了擴(kuò)展卡爾曼對(duì)目標(biāo)節(jié)點(diǎn)位置預(yù)測(cè)的不確定性,目標(biāo)節(jié)點(diǎn)會(huì)以較高的概率出現(xiàn)在誤差橢圓內(nèi)。因此誤差橢圓內(nèi)的傳感器節(jié)點(diǎn)會(huì)以更高的概率觀測(cè)到目標(biāo)節(jié)點(diǎn)。綜上以誤差橢圓為界限,設(shè)誤差橢圓內(nèi)的傳感器節(jié)點(diǎn)為候選節(jié)點(diǎn),完成對(duì)節(jié)點(diǎn)位置的規(guī)劃。每次對(duì)目標(biāo)節(jié)點(diǎn)進(jìn)行觀測(cè)時(shí),僅對(duì)候選節(jié)點(diǎn)進(jìn)行選擇性激活,而誤差橢圓外的傳感器節(jié)點(diǎn)保持休眠狀態(tài)。同時(shí)在確定Pe后,誤差橢圓的大小與所在位置會(huì)隨著目標(biāo)節(jié)點(diǎn)狀態(tài)而改變,所圈定的候選節(jié)點(diǎn)也隨之改變,這一過(guò)程由匯聚節(jié)點(diǎn)進(jìn)行處理。

2.2 誤差指示器

由于誤差橢圓內(nèi)的候選節(jié)點(diǎn)數(shù)目較多,激活所有候選節(jié)點(diǎn)進(jìn)行觀測(cè)會(huì)造成不必要的能量浪費(fèi),同時(shí),受噪聲干擾目標(biāo)節(jié)點(diǎn)在不同時(shí)刻所表現(xiàn)出的非線性程度不同,如果目標(biāo)節(jié)點(diǎn)本時(shí)刻運(yùn)動(dòng)近似線性運(yùn)動(dòng)時(shí),僅需很少的觀測(cè)量即可完成對(duì)目標(biāo)節(jié)點(diǎn)狀態(tài)的修正;如果目標(biāo)節(jié)點(diǎn)本時(shí)刻運(yùn)動(dòng)非線性程度較高,則需要更多的傳感器節(jié)點(diǎn)對(duì)目標(biāo)節(jié)點(diǎn)進(jìn)行觀測(cè),修正目標(biāo)節(jié)點(diǎn)狀態(tài)。因此,需要根據(jù)目標(biāo)節(jié)點(diǎn)不同時(shí)刻所需觀測(cè)量的不同,靈活的調(diào)整激活候選節(jié)點(diǎn)的數(shù)目能有效節(jié)省傳感器節(jié)點(diǎn)的能量,延長(zhǎng)無(wú)線傳感網(wǎng)絡(luò)的生命周期。

誤差指示器(Error indicator)根據(jù)目標(biāo)真實(shí)位置與預(yù)測(cè)位置之間誤差的大小增加或減少激活節(jié)點(diǎn)的數(shù)目。但是位置誤差往往不能直接獲取,需要通過(guò)與位置誤差相關(guān)的變量進(jìn)行指示。常用的誤差指示器[8]有協(xié)方差矩陣指示器PI(covariancematrix P Indicator),幾何精度因子GDOP(Geometric Dilution Of Precision),平均測(cè)量殘差MR(average Measurement Residual),預(yù)測(cè)與校正之間距離DPC(Distance between Prediction and Correction)。

本文所用誤差指示器為平均測(cè)量殘差MR(average Measurement Residual)。MR與位置誤差的斯皮爾曼等級(jí)相關(guān)系數(shù)更大,接近強(qiáng)相關(guān)性,且MR容易獲取。MR具體表達(dá)式如式(18)所示:

(18)

SNk為當(dāng)前時(shí)刻所需激活候選節(jié)點(diǎn)的數(shù)目,Hi為觀測(cè)矩陣。

為避免激活傳感器節(jié)點(diǎn)數(shù)目劇增或者驟減,定義誤差指示器在k時(shí)刻的決策公式如式(19)所示:

(19)

式中:DVk=|MRk-MRk-1|,Φu為上閾值,Φl為下閾值。

如果DVk僅簡(jiǎn)單設(shè)定為MRk,則有可能因測(cè)量噪聲的影響使MRk一直保持較高的值,致使需要激活的傳感器節(jié)點(diǎn)數(shù)目持續(xù)增加,造成傳感器節(jié)點(diǎn)能量的浪費(fèi)。如果DVk設(shè)定為|MRk-MRk-1|,則可以減少測(cè)量噪聲對(duì)DVk的影響,需要激活的傳感器節(jié)點(diǎn)數(shù)目增減也更加平穩(wěn)。

當(dāng)DVk達(dá)到預(yù)設(shè)上限值Φu時(shí),即目標(biāo)估計(jì)位置與目標(biāo)真實(shí)位置之間差距過(guò)大,需要激活更多的傳感器節(jié)點(diǎn)對(duì)目標(biāo)進(jìn)行觀測(cè),此時(shí)在上一時(shí)刻選擇激活候選節(jié)點(diǎn)數(shù)目的基礎(chǔ)上加1。當(dāng)DVk達(dá)到下限值Φl時(shí),即目標(biāo)估計(jì)位置與真實(shí)位置之間誤差很小,為節(jié)省傳感器節(jié)點(diǎn)能量,在上一時(shí)刻選擇激活候選節(jié)點(diǎn)數(shù)目的基礎(chǔ)上減1。

當(dāng)激活候選節(jié)點(diǎn)數(shù)目確定后,激活相應(yīng)數(shù)目的候選節(jié)點(diǎn),根據(jù)所激活候選節(jié)點(diǎn)提供的觀測(cè)量即可進(jìn)行擴(kuò)展卡爾曼濾波的修正階段,完成對(duì)目標(biāo)節(jié)點(diǎn)預(yù)測(cè)狀態(tài)的更新。如公式所示:

(20)

本文所提出的改進(jìn)算法流程如下:

輸入:x0|0P0|0SN0

輸出:xk|k

1.Fork=1 tondo;

3.構(gòu)建誤差橢圓,規(guī)劃候選節(jié)點(diǎn)

4.If DVk>Φuthen

5.SNk=SNk-1+1

6.Else if DVk<Φlthen

7.SNk=SNk-1-1

8.Else

9.SNk=SNk-1

10.End if

12.End for

首先根據(jù)擴(kuò)展卡爾曼濾波對(duì)目標(biāo)節(jié)點(diǎn)進(jìn)行狀態(tài)預(yù)測(cè),通過(guò)式(11)與式(13)確定誤差橢圓的大小;以誤差橢圓為界限,挑選出候選節(jié)點(diǎn);然后根據(jù)式(19)確定本時(shí)刻所需激活節(jié)點(diǎn)的數(shù)目,最后激活候選節(jié)點(diǎn),完成卡爾曼濾波的修正過(guò)程。

3 仿真分析

3.1 追蹤精度分析

本節(jié)主要分析誤差指示器對(duì)追蹤精度的影響。在有無(wú)誤差指示器判決的情況下,分別進(jìn)行仿真分析,初始激活節(jié)點(diǎn)數(shù)目分別設(shè)置為1,2,3,4,5,Φu=1.5,Φl=0.5,即DV上限為步長(zhǎng)的30%,下限為步長(zhǎng)的10%。跟蹤精度設(shè)為累計(jì)均方誤差:

(21)

圖1為本文所提出的算法,無(wú)誤差指示器判決的算法以及基于最小二乘[20]的目標(biāo)追蹤3種算法的累計(jì)誤差對(duì)比。前兩者都是基于誤差橢圓的目標(biāo)追蹤算法。其中k=15,M=100。從圖中可看出隨著激活節(jié)點(diǎn)的增加,誤差逐漸降低。但存在誤差指示器判決的時(shí)候目標(biāo)追蹤累計(jì)均方誤差基本保持不變,因?yàn)檎`差指示器能夠及時(shí)的調(diào)節(jié)激活節(jié)點(diǎn)的數(shù)目,無(wú)論初始激活節(jié)點(diǎn)數(shù)目為多少,都可以在追蹤過(guò)程中對(duì)激活節(jié)點(diǎn)數(shù)目進(jìn)行修正,既可以滿足精度的需要,又能減少激活節(jié)點(diǎn)數(shù)目,節(jié)省傳感器能量?；谧钚《说哪繕?biāo)追蹤算法在激活節(jié)點(diǎn)數(shù)目較少時(shí),因觀測(cè)量較少累計(jì)誤差較大,當(dāng)激活節(jié)點(diǎn)數(shù)目為4時(shí),達(dá)到其算法理論最優(yōu)值,與本文所提出的基于誤差橢圓但無(wú)誤差指示器的追蹤算法精度基本一致。

圖1 累計(jì)誤差分析

圖2是初始激活節(jié)點(diǎn)為1,k=15的目標(biāo)追蹤誤差對(duì)比圖。根據(jù)圖2分析可得:當(dāng)無(wú)誤差指示器判決時(shí),目標(biāo)追蹤算法累計(jì)均方誤差為23.8,整個(gè)過(guò)程中的激活節(jié)點(diǎn)數(shù)目始終為1;當(dāng)存在誤差指示器判決時(shí),目標(biāo)追蹤算法累計(jì)均方誤差為12.9,整個(gè)過(guò)程中平均激活節(jié)點(diǎn)數(shù)目為1.8個(gè)。雖然存在誤差判決機(jī)制的情況下平均激活節(jié)點(diǎn)數(shù)目較無(wú)誤差判決多0.8個(gè),但是精度提升了45%。而且可以從圖1中看出,存在誤差判決的情況下,累計(jì)均方誤差基本維持在12.5左右;而無(wú)誤差判決的情況下,累計(jì)均方誤差最小為13.9。表明本文所提出改進(jìn)算法的有效性。

圖2 X軸、Y軸誤差分析

3.2 激活節(jié)點(diǎn)數(shù)目分析

本節(jié)主要分析誤差指示器的閾值與激活節(jié)點(diǎn)數(shù)目的關(guān)系。圖3為在Φu為1.5,Φl,為0.5,初始節(jié)點(diǎn)分別為1,2,3,4,5的條件下對(duì)目標(biāo)追蹤進(jìn)行帶有誤差值時(shí)判決的仿真。

從圖3中可以得出,雖然初始激活候選節(jié)點(diǎn)數(shù)目不同,但是隨著仿真的進(jìn)行,激活候選節(jié)點(diǎn)數(shù)目變化趨于一致。平均激活節(jié)點(diǎn)數(shù)目分別為1.8,1.9,1.7,2.4,3.2.,后兩項(xiàng)平均激活候選節(jié)點(diǎn)數(shù)目較大是因?yàn)槌跏技せ罟?jié)點(diǎn)數(shù)較大,且k較小,如果k足夠大,平均節(jié)點(diǎn)激活數(shù)應(yīng)接近一致。

圖3 激活節(jié)點(diǎn)數(shù)目變化

圖4與圖5針對(duì)Φu與Φl進(jìn)行分析,取k等于15,初始激活節(jié)點(diǎn)數(shù)目為1。圖4中Φi固定為0.5。隨著Φu的增大,誤差指示器靈敏度越來(lái)越低,對(duì)DV值的變化越來(lái)越不敏感,造成激活節(jié)點(diǎn)數(shù)量改變的遲緩,累計(jì)誤差增大。圖5中Φu固定為1.5。隨著Φl的減少,同樣會(huì)造成誤差指示器靈敏度降低。當(dāng)Φl為步長(zhǎng)的1%時(shí),激活節(jié)點(diǎn)數(shù)目幾乎不會(huì)減少,因?yàn)榇藭r(shí)要求DV值小于0.05,這在觀測(cè)噪聲的干擾下很難實(shí)現(xiàn)。

圖4 DV上限分析

圖5 DV下限分析

因此,靈活的選取的Φu與Φl才能使誤差指示器起到更好的指示作用,及時(shí)增加或減少激活節(jié)點(diǎn)的數(shù)目,節(jié)省節(jié)點(diǎn)的能量,進(jìn)而延長(zhǎng)無(wú)線傳感網(wǎng)絡(luò)的生命周期。

4 結(jié)論

本文提出一種基于誤差橢圓與誤差指示器判決的改進(jìn)目標(biāo)追蹤算法。通過(guò)EKF構(gòu)建誤差橢圓,以誤差橢圓圈定候選節(jié)點(diǎn),然后根據(jù)誤差指示器對(duì)激活節(jié)點(diǎn)數(shù)目進(jìn)行調(diào)節(jié)。本文提出的改進(jìn)算法仍有不足之處:沒(méi)有針對(duì)候選節(jié)點(diǎn)對(duì)追蹤貢獻(xiàn)度進(jìn)行考慮,只是隨機(jī)選取節(jié)點(diǎn)數(shù)目;同時(shí)并沒(méi)有考慮到在稀疏無(wú)線傳感網(wǎng)絡(luò)中,誤差橢圓內(nèi)不存在候選節(jié)點(diǎn)的情況。今后將針對(duì)上述幾個(gè)缺陷進(jìn)行改進(jìn)。

[1] Yick J,Mukherjee B,Ghosal D. Wireless Sensor Network Survey[J]. Computer Networks the International Journal of Computer and Telecommunications Networking,2008,52(12):2292-2330.

[2] Han G,Xu H,Duong T Q,et al. Localization Algorithms of Wireless Sensor Networks:A Survey[J]. Telecommunication Systems,2013,52(4):1-18.

[3] Patwari N,Ash J N,Kyperountas S,et al. Locating the Nodes[J]. IEEE Signal Processing Magazine,2005,22(4):54-69.

[4] Mirsadeghi M. Mahani a Low Power Prediction Mechanism for WSN-Based Object Tracking[J]. Procedia Technology,2014,17:692-698.

[5] Wang X,Fu M,Zhang H. Target Tracking in Wireless Sensor Networks Based on the Combination of KF and MLE Using Distance Measurements[J]. IEEE Transactions on Mobile Computing,2012,11(4):567-576.

[6] Li J,Zhao R,Chen J,et al. Target Tracking Algorithm Based on Adaptive Strong Tracking Particle Filter[J]. IET Science Measurement and Technology,2016,10(7):704-710.

[7] Cheng P,Cao X,Bai J,et al. On Optimizing Sensing Quality with Guaranteed Coverage in Autonomous Mobile Sensor Networks[J]. Computer Communications,2012,35(9):1107-1114.

[8] Robles J J,Cardenas-Mansilla G,Lehnert R. Adaptive Selection of Anchors in the Extended Kalman Filter Tracking Algorithm[C]//2014 Positioning,Navigation and Communication(WPNC). IEEE Press,2014:1-7.

[9] Xu N,Zhang Y,Zhang D,et al. Moving Target Tracking in Three Dimensional Space with Wireless Sensor Network[J]. Wireless Personal Communications,2016(2016):1-11.

[10] Feng J,Zhao H,Lian B. Efficient and Adaptive Node Selection for Target Tracking in Wireless Sensor Network[J]. Journal of Sensors,2016(2016):1-9.

[11] 陳曉飛,凌有鑄,陳孟元. WSNs環(huán)境下基于高斯混合容積卡爾曼濾波的移動(dòng)機(jī)器人定位算法[J]. 傳感技術(shù)學(xué)報(bào),2017,30(1):133-138.

[12] Li X R,Jilkov V P. Survey of Maneuvering Target Tracking. Part I. Dynamic Models[J]. IEEE Transactions on Aerospace and Electronic Systems,2003,39(4):1333-1364.

[13] Li X R,Jilkov V P. A Survey of Maneuvering Target Tracking-Part Ⅲ:Measurement Models[J]. Proceedings of SPIE—The International Society for Optical Engineering,2001,4473(4):423-446.

[14] Faragher R. Understanding the Basis of the Kalman Filter Via a Simple and Intuitive Derivation[Lecture Notes][J]. IEEE Signal Processing Magazine,2012,29(5):128-132.

[15] Welch G,Bishop G. An Introduction to the Kalmanfilter[J]. University of North Carolina at Chapel Hill,2006,8(7):127-132.

[16] Zhou K,Roumeliotis S I. Optimal Motion Strategies for Range-Only Constrained Multisensor Target Tracking[J]. IEEE Transactions on Robotics,2008,24(5):1168-1185.

[17] Chan Y T,Chan F,Read W,et al. Probable Regions for Emitter Localization[C]//IEEE Military Communications Conference,Milcom. IEEE,2015:222-227.

[18] Qi Y,Cheng P,Bai J,et al. Energy-Efficient Target Tracking by Mobile Sensors with Limited Sensing Range[J]. IEEE Transactions on Industrial Electronics,2016,63(11):6949-6961.

[19] Paradowski L R. Uncertainty Ellipses and their Application to Interval Estimation of Emitter Position[J]. IEEE Transactions on Aerospace and Electronic Systems,1997,33(1):126-133.

[20] Mauro C,Pierfrancesco L,Matteo S. A Weighted Least Squares Approach for Multi-Target Doppler-Only Localization[C]//2013 IEEE Radar Conference(RADAR). IEEE Press,2013:1-6.

TargetTrackinginWirelessSensorNetworkBasedonErrorEllipseandAdaptiveSelectionofNodes*

ZHOUFei*,ANKangning,FANXinyue,GAOJianjun

(Chongqing Key Laboratory of Optical Communication and Networks,Chongqing University of Posts and Telecommunications,Chongqing 40065,China)

In the Wireless Sensor Network,tracking accuracy and energy consumption of nodes are two main performance indicators.Although many target tracking algorithms improved the tracking accuracy and reduced the energy consumption of the sensor nodes,few of them considered the distribution number and position of sensor nodes.Therefore,a target tracking algorithm based on error ellipse and adaptive selection of nodes is proposed. Firstly,proposed algorithm calculates the most possible region for target based on error ellipse. Then determines the number of sensor nodes by using the error indicator.Finally,activating the sensor nodes to complete the target tracking. The simulations demonstrate that proposed algorithm can effectively reduce the number of activated sensor nodes in the premise high tracking accuracy.

wireless sensor network;target tracking;error ellipse;error indicator;extended Kalman filter

TP393

A

1004-1699(2017)10-1548-06

10.3969/j.issn.1004-1699.2017.10.016

周非(1977-),男,湖北浠水人,博士,重慶郵電大學(xué)教授,主要研究方向?yàn)闊o(wú)線定位,信號(hào)處理,信息安全,圖像處理,zhoufei@cqupt.edu.cn;

安康寧(1992-),男,河北石家莊人,重慶郵電大學(xué)碩士研究生,主要研究方向?yàn)闊o(wú)線傳感網(wǎng)絡(luò),ankangning@163.com;

范馨月(1979-),女,四川犍為人,碩士,重慶郵電大學(xué)副教授,主要研究方向?yàn)檎J(rèn)知無(wú)線電,信號(hào)處理,圖像處理;

高建軍(1990-),男,山西朔州人,重慶郵電大學(xué)碩士研究生,主要研究方向?yàn)闊o(wú)線傳感網(wǎng)絡(luò)。