无线传感器网络中的分布式目标被动跟踪算法

为提高目标被动跟踪性能,并降低无线传感器网络（WSN）中的能量开销,提出了一种新的分布式信息粒子滤波（IPF）算法。根据目标的当前位置,将WSN中的结点动态组织成簇,建立分布式跟踪结构。利用信息扩展卡尔曼滤波器结合最新的观测量,产生粒子滤波的建议分布,详细推导了基于动态分簇结构的IPF具体实现步骤。建立机动目标跟踪的WSN仿真环境,比较了三种跟踪算法的性能和通信数据量。仿真结果表明,IPF具有较高的跟踪精度,与集中式粒子滤波算法的跟踪性能接近,而且降低了节点间的通信数据量。     

WSN中多跳均匀分簇路由算法的设计与仿真

针对传统LEACH协议的不足,提出一种改进的多跳均匀分簇路由（EMR：Equal-cluster-based Multi-hop Routing）算法。EMR算法从剩余节点中随机选择候选簇头,通过候选簇头的竞选半径和节点剩余能量来确定分布相对均匀的簇头,从而完成整个无线传感器网络的簇头确定,簇头之间采用以簇头节点剩余能量和链路传输代价的权值为依据的多跳路由协议。实验仿真结果表明,EMR算法相对LEACH协议、LEACH-E协议和MTE协议更有效地节省了节点的能耗,能显著地延长网络的存活时间。     

高密度无线传感器网络分簇定位算法

节点自身定位是无线传感器网络应用的支撑技术之一。提出了一种适用于大规模高密度无线传感器网络的分簇定位算法。首先定义了节点的势作为簇首选举依据,网络中节点间的距离由接收信号强度和通信半径的关系间接计算得到,各簇内的拓扑信息由簇首保存,簇首利用线性规划法实现簇内相对定位;随后从sink节点开始逐步进行簇间位置融合,最终实现全网的绝对定位。相比集中式的凸规划定位算法,所提算法计算复杂度低、通信量小、定位精度高,且不需要预先知道环境中的信号衰减因子,有一定的抗噪声干扰能力。仿真结果显示,在节点按均匀网格分布和均匀随机分布两种情况下,所提算法能取得较好的定位效果。     

非线性系统中多传感器滤波跟踪型数据融合算法的研究

在非线性系统中，常用的跟踪滤波算法是基于扩展的卡尔曼滤波算法的融合算法，但是这种融合算法的跟踪精度并不是很高。本文根据对滤波器跟踪型数据融合的研究，提出了基于转换测量值卡尔曼滤波算法的非线性系统中的数据融合方法。研究表明，在利用激光干涉仪进行目标跟踪时，这种基于融合算法的集中式融合算法的跟踪性能优于分布式融合算法，但是，从仿真结果可以看出，两种融合算法的差别不大，结果基本相同，因此，在非线性系统中，基于转换测量值卡尔曼滤波算法的分布融合算法可以重构集中式融合算法。     

无线传感器网络中分布式量化航迹稳健融合

针对无线传感器网络（wireless sensor network, WSN）中的通信带宽和节点能量约束,提出了一种新的分布式量化航迹稳健融合框架。首先,对局部状态估计的方差阵进行压缩处理,取其对角上确界矩阵;再对压缩后的方差阵和状态估计向量进行K 均值矢量量化,送往融合中心（fusion center, FC）。其次,针对局部估计的未知或者不完整相关性,提出了不依赖于相关性的稳健航迹融合方法--内椭球逼近法（inner ellipsoidal approximation, IEA）用于簇首（cluster head, CH）的融合估计。仿真结果证明所提出算法的有效性：跟踪精度方面非常接近已有文献中的结果,而所需通信带宽远低于已有方法;通信能量方面,相对于随机选取激活节点策略,采用目标导向的动态分簇策略节省最高可达42%的能量。     

基于SVM数据融合的实时粒子滤波算法

采用粒子滤波的目标跟踪算法在粒子数目较多时计算量大、实时性差,针对该问题提出了一种新的基于支持向量机数据融合的实时粒子滤波算法。该算法在估计窗实时粒子滤波的基础上,使用支持向量机融合窗内不同时刻粒子集,并根据融合的结果更新粒子权值,实现对目标状态的快速跟踪。相对于原算法采用最小化Kullback-Leibler距离来调整估计窗混合分布的权值,该方法的计算复杂度低、速度快,进一步提高了算法的实时性。对纯角度目标跟踪问题的仿真结果表明了该算法的可行性和有效性。     

基于节点通信度的信息加权一致性滤波

协同目标跟踪是无人机集群等多传感器网络的典型应用。在分布式传感器网络目标跟踪过程中,目标状态估计的一致性直接影响到跟踪有效性。针对目标跟踪过程中网络节点之间一致性迭代次数受限的问题,提出了一种基于节点通信度的信息加权一致性滤波算法,设计了用节点通信度来充分衡量传感器节点在网络中的通信拓扑状况,并构建了非对称一致性权值的选取机制,可在复杂拓扑结构网络中实现快速一致性跟踪。典型目标跟踪场景仿真验证表明,所提算法相比经典的信息加权一致性滤波算法,目标跟踪的不一致程度降低了20%以上,有效提升了分布式跟踪的一致性速度。     

基于节点通信度的信息加权一致性滤波

协同目标跟踪是无人机集群等多传感器网络的典型应用。在分布式传感器网络目标跟踪过程中,目标状态估计的一致性直接影响到跟踪有效性。针对目标跟踪过程中网络节点之间一致性迭代次数受限的问题,提出了一种基于节点通信度的信息加权一致性滤波算法,设计了用节点通信度来充分衡量传感器节点在网络中的通信拓扑状况,并构建了非对称一致性权值的选取机制,可在复杂拓扑结构网络中实现快速一致性跟踪。典型目标跟踪场景仿真验证表明,所提算法相比经典的信息加权一致性滤波算法,目标跟踪的不一致程度降低了20%以上,有效提升了分布式跟踪的一致性速度。     

多传感器优化部署下的机动目标协同跟踪算法

针对资源有限的传感器网络中目标动态跟踪问题,提出了一种能够自适应选择跟踪传感器的机动目标协同跟踪算法。首先,采用粒子群优化算法优化传感器网络能耗与有效覆盖率,进行传感器位置部署;然后,以最大化候选传感器的Rényi信息增量与最小化传感器间信息传递能耗为适应度函数,采用二进制粒子群优化算法自适应选择最佳跟踪传感器组;最后,利用交互多模型粒子滤波对机动目标位置进行估计并进行分布式融合。仿真结果表明,与现有方法相比,该方法可在非高斯非线性环境下自适应选择最优跟踪传感器,显著提高目标跟踪精度,降低网络能耗。     

基于MCMC无味粒子滤波的目标跟踪算法

针对传统粒子滤波目标跟踪算法存在粒子退化的问题,提出了基于马尔可夫链-蒙特卡罗(Markovchain Monte Carlo,MCMC)无味粒子滤波的目标跟踪算法.该算法采用无味卡尔曼滤波(unscented Kalmanfilter,UKF)生成粒子滤波的提议分布,来代替传统粒子滤波算法采用状态转移先验概率作为粒子滤波的提议分布,以改善滤波效果,然后在无味粒子滤波的基础上融合了典型的MCMC抽样算法(Metropolis Hastings,MH),从而可以减少传统粒子滤波未考虑当前量测对状态的估计作用所带来的影响.融合后的算法将当前量测信息融入到滤波过程中,并使采样粒子更加多样化.实验结果表明,该算法较传统方法在跟踪精度方面有显著的提高.     

基于分群粒子群优化的传感器调度方法

对面向目标跟踪任务的多传感器多任务调度问题进行研究。考虑到探测目标的运动特性,采用扩展卡尔曼滤波法实施目标跟踪,以成功调度任务的综合优先权、目标跟踪精度以及传感器网络的能源消耗为指标,建立了多传感器多任务调度的混合整数规划模型。提出一种基于分群机制的分群粒子群算法对模型进行求解,该方法通过粒子分群,提高对问题域的全局搜索能力,避免算法过快收敛和发生早熟。实验结果表明,该方法用于传感器调度问题,具有较好的求解性能。     

RKP based secure tracking in wireless sensor networks

To enhancing the wireless sensor network＇s security in target tracking and locating application, this article proposes a tracking cluster based mobile cluster distributed group rekeying protocol （MCDGR）. Based on the given sensitivity, sensors can locate the moving object in the monitored area and form a tracking cluster around it. This tracking cluster can follow the target logically, process data on the target and report to the sink node, and thus achieve the tracking function. We introduce a multi-path reinforcement scheme, q-composition scheme and one-way cryptographic hash function based random key predistribution algorithm （RKP）, which can guarantee a high accuracy and security and a low energy consumption on the same time in large-scale sensor networks.     

基于模糊测度的多特征融合鲁棒粒子滤波跟踪

针对基于单一颜色特征的粒子滤波跟踪算法易受光照变化、部分遮挡及相似干扰物的影响,而利用多特征融合的粒子滤波方法存在各特征权值、跟踪模板及窗口大小自适应选取问题,提出了一种基于模糊测度的多特征融合鲁棒粒子滤波跟踪算法。采用颜色及边缘方向直方图来描述目标量测模型,通过分别计算这两类特征在候选目标与参考目标之间的Bhattacharyya距离来确定其各自特征的模糊测度,通过查取模糊规则表来自适应地确定两类特征的权重;将连续帧的多特征联合模板更新机制用于对初始目标模板的更新;针对目标发生尺度变化造成跟踪窗口难以自适应的问题,通过引入粒子离散度实现了跟踪窗尺寸的自适应调整。实验结果表明:所提出的跟踪算法位置平均误差小于8个像素,相比于传统方法可以有效克服光照、部分遮挡以及相似目标干扰等影响,具有较高的跟踪精度及较强的鲁棒性。     

基于辐射能量缩减约束的双机雷达协同目标跟踪方法

辐射能量减缩是提高机载雷达射频隐身性能的有效途径。针对目标跟踪过程中辐射能量的减缩量约束, 首先通过分析双机雷达协同的目标回波信噪比, 分别从双机与目标距离比和目标雷达散射截面积推导了其对雷达总辐射能量减缩值的贡献; 然后针对雷达目标跟踪过程中的采样间隔算法, 分析了基于滤波残差的递推法与其他两种方法的目标跟踪精度与仿真计算效率; 最后利用交互式多模型卡尔曼滤波算法与基于滤波残差的递推采样间隔法仿真, 验证了目标跟踪过程中双机雷达辐射能量的减缩量, 并仿真了有源无源协同目标跟踪对双机雷达总辐射能量减缩值的贡献。实验结果表明，本文设计的跟踪策略具有更佳的隐身性能。     

基于椭圆RHM的扩展目标伯努利滤波算法

与传统点目标跟踪不同,扩展目标跟踪既要估计目标的运动状态,还需估计目标的扩展状态,包括目标的形状、大小、方向等信息。针对扩展目标跟踪中存在的扩展状态估计不准确和非线性问题,提出一种基于随机超曲面模型(random hypersurface model, RHM)的扩展目标伯努利滤波算法。该算法首先采用RHM对目标量测源建模;然后,在扩展目标伯努利滤波框架下,实现对单扩展目标运动状态和扩展状态的实时估计;最后,引入Gamma分布以提高量测率估计的准确性。此外,为了降低计算复杂度,在量测更新中采用距离划分来减少所有可能的划分总数。实验结果表明,所提滤波算法在估计目标运动状态、扩展状态和量测率等方面优于现有的滤波算法,并且可用于实际视频跟踪场景。     

角闪烁噪声下的高斯和容积卡尔曼滤波算法

开展角闪烁噪声下的目标跟踪问题研究对提高传感器的探测性能具有重要意义,其中角闪烁噪声具有的非高斯特性是一个长期困扰研究者的难点。针对该问题,首先通过理论分析指出了容积粒子滤波(cubature particle filter,CPF)在角闪烁噪声下的性能缺陷。其次,基于高斯和滤波(Gaussian sum filter,GSF)框架和容积卡尔曼滤波(cubature Kalman filter,CKF)算法,提出了适用于角闪烁下的高斯和容积卡尔曼滤波(Gaussian sum cubature Kalman filter,GSCKF)算法,该算法将目标后验概率密度用高斯密度加权求和近似,通过多路并行的CKF实现状态预测与量测更新,同时利用模型降阶算法限制高斯分量数目的增长,能应用于非线性、非高斯条件的状态估计。最后,设计了仿真实验对GSCKF和CPF的跟踪精度、鲁棒性和计算复杂度进行了对比。     

基于概率数据关联与粒子滤波的多目标跟踪算法

提出一种基于概率数据关联和改进粒子滤波的多目标跟踪算法。该方法在分析关联区域内有效量测基础上,利用量测与目标预测位置的统计距离计算关联概率;然后,对粒子滤波器进行改进,将目标的最新量测和状态的高斯逼近组合在一起,对每个粒子采用类似于卡尔曼滤波的方式产生高斯建议分布。以比提高目标状态的估计精度;最后,将所有有效量测的估计结果按照关联概率进行咖权,从而实现多目标跟踪。仿真结果表明,该算法用于复杂环境下的多目标跟踪精度较高,不仅降低了关联概率的计算难度,而且可以准确地进行数据关联,具有一定的工程应用价值。