一种分解式模糊聚类粒子滤波的WSN多目标跟踪方法

针对无线传感器网络环境下的多目标跟踪时近相距和轨迹交叉目标容易出现目标丢失和跟踪混淆的问题,提出一种分解式模糊聚类粒子滤波(DFCM—RPF)的多目标跟踪方法。把多传感器数据融合和多目标跟踪问题分解为单传感器数据融合和单目标跟踪问题,先对传感器节点量测用基于跟踪门限算法去除杂波,在各传感器节点的观测空间分别建立模糊聚类算法进行数据关联并最优融合,然后用正则化粒子滤波预测目标状态。仿真表明,DFCM—RPF算法与原FCM多目标跟踪方法相比,航迹关联正确率由85%提高到100%,目标预测位置的RMSE由4.437 7 m下降到1.307 3 m,DFCM—RPF算法体现了较好的跟踪性能,并集数据关联、数据融合和目标跟踪于一体,大大降低WSN多目标跟踪问题的复杂性和计算量。     

基于模糊自组织神经网络的多目标跟踪算法

分析了多目标跟踪问题的数据关联算法复杂性,研究了基于模糊C均值聚类算法的模糊自组织神经网络的特性及其在多目标跟踪中的应用,提出了将FKCN算法、自组织神经网络与数据关联、滤波相结合的跟踪算法．仿真结果表明本算法能在多目标环境下取得较好的跟踪效果．     

基于BQPSO的无线传感器网络节点调度算法

在多目标跟踪中,要求无线传感器网络在满足跟踪精度的前提下,最大限度地降低对传感器资源的使用。基于这一目的,适当选择节点避免共线度过高,并采用APIT实现精确定位,同时考虑跟踪簇总能耗设计节点调度目标函数,采用二进制量子粒子群优化算法解决传感器资源冲突问题。仿真结果表明:虽然基于BQPSO的节点调度算法比基于PSO的节点调度算法在能耗上增加了17.47%,但定位精度可以提高31.84%。算法在提高定位精度的同时最大限度地降低了对资源的使用,有效延长了无线传感器网络的工作寿命。     

无线传感器网络多目标跟踪中协同任务分配

采用动态联盟机制进行多目标跟踪协同任务分配,并对自组织动态联盟进行研究,重点探讨盟员选择机制;分析能量消耗情况,给出改进的能耗模型;介绍三点定位法原理,分析其定位精度,提出基于面积和法以限制节点选择,建立精度模型。将能耗模型与精度模型结合,构造出综合性能指标函数,指导盟员的选择,并运用遗传算法实现此选择。仿真试验结果表明:综合性能指标函数使能耗和精度2个指标都更趋优化,证明了运用遗传算法进行盟员选择的有效性。     

WSN中基于多目标优化的协同任务分配算法

对无线传感器网络目标跟踪中的协同任务分配机制进行了研究,针对一般任务分配算法中优化目标单一的缺陷,提出了一种基于多目标优化的任务分配算法.首先,建立了基于动态联盟的具有跟踪精度、系统能耗、负载均衡等多个目标参数的优化模型,并采用多目标进化算法NSGA-Ⅱ对模型进行求解;然后,提出了一种基于折中度的决策精选策略,从最优解集中决策出最终的任务分配方案.针对跟踪精度、能耗、负载均衡的仿真结果表明:所提算法可以对多个目标并行优化,较快收敛到全局最优解;与一般任务分配算法相比,该算法可获得更佳的调度结果.     

无线传感器网络中的移动式目标跟踪

针对传统无线传感器网络进行移动目标跟踪时能耗过高的问题,提出一种基于移动节点和固定节点协同工作的移动式目标跟踪算法.在传统的由固定节点组成的无线传感器网络中加入少量移动节点,对移动目标进行持续性跟踪.通过移动节点和普通固定节点之间的配合,提高监测质量和容错性,在满足既定监测质量要求的前提下,尽可能地减少参与监测的普通固定活跃节点的数量.仿真实验结果表明:所提出的跟踪方法可以有效地降低固定节点的能耗,延长网络生存期.     

基于模糊聚类的异类多传感器数据关联算法

针对异类传感器观测空间不一致的问题，提出了基于模糊聚类的异类多传感器数据关联算法．该算法首先通过在不同传感器的观测空间上建立多目标运动状态的投影，将多传感器多目标关联问题分解为多个单传感器多目标的关联问题，再对单传感器采用模糊聚类的方法求解关联概率，实现了在密集杂波环境中多目标的数据关联和精确跟踪．该算法降低了多传感器多目标跟踪的复杂性和计算量，有效地解决了异类多传感器可用公共信息少的问题．仿真结果表明，该算法的跟踪误差要小于传统的联合概率数据关联算法，且具有更优越的跟踪性能．     

移动无线传感器网络中分布式重聚类算法研究

移动无线传感器网络中,节点的移动性影响着层次化聚类之后的网络结构,从而影响聚类内部节点间通信时的数据送达率与能耗.为了降低节点移动性的影响,本文提出了一种分布式重聚类算法.该算法基于已聚类网络,利用粒子滤波算法对节点当前位置进行估计,并结合移动模型预测下一时刻位置;处于聚类边界的非簇头节点周期性地评估自身是否需要重聚类,并在需要时通过与所属聚类及目标聚类的簇头节点通信,将自身重聚类到目标聚类中.仿真结果表明,在重聚类周期较小时,该算法能够使节点在移动过程中保持合理的通信距离,并在数据送达率与能耗方面优于现有的算法.     

模糊聚类学习算法在连续搅拌反应釜(CSTR)系统动态建模中的应用

针对化工生产过程中一类强非线性对象的动态建模问题,采用模糊最近邻聚类学习算法对这类对象中有代表性的ＣＳＴＲ系统进行了模拟动态建模．仿真结果表明效果良好,且从算法的简便性、收敛性及运算速度上来说,优于一般的模糊辨识和神经网络辨识算法．从模型简化的思想出发,文中还对传统算法进行了适当的改进,使模型和模型的泛化特性得到了进一步简化和加强     

无线传感器网络多目标跟踪数据融合

在基于无线传感器网络多目标跟踪数据融合系统研究的基础上，提出了改进的模糊聚类平均算法，并给出了相应的集中式数据融合整体方案．算法将每一批观测数据按照航迹估计位置的关联门限进行划分，然后分别对航迹和关联门限内的采集信息进行模糊关联，再把获得的最大关联度数据分配给各条航迹作为目标的实际位置．数据融合的思路是，删除所有关联门限内的数据，将剩余数据再进行航迹起始模块处理．模拟实验表明，所提算法可解决多目标跟踪的误跟、漏跟和振荡问题，数据融合方案既能保存有用信息，又能去除冗余数据，进而有效避免了漏跟和重复跟踪的问题．     

基于Kalman滤波的无线传感器网络多目标跟踪

设计无线传感器网络多目标跟踪系统,分析系统跟踪性能的影响因素,提出基于单点观测的扩展卡尔曼滤波(Extended Kalman Filter,EKF)算法和基于Kalman滤波算法预测功能的节点自适应调度策略,并引入多种事件辅助机制。实验结果表明,该算法和调度策略能够实现多目标实时跟踪,且具有减少计算量、缩短测量周期、降低能量消耗、提高跟踪精度等优点。     

一种基于改进动态联盟算法的多机器人协作捕猎方法

多机器人协作捕猎,不仅需要解决目标搜索、追赶和避障等基本问题,还需要设计最优任务分配机制,构建高效追捕联盟,以便快速地捕获猎物。综合考虑机器人和目标之间的各种相关属性,定义量化标准,构造辅助决策矩阵,建立动态联盟。然后将基于生物刺激神经网络的追赶策略用于联盟形成后的追捕过程中。仿真实验表明该算法具有较高的围捕效率。     

ZigBee网络中基于节点移动性的路由选择策略

为了提高ZigBee网络的路由效率,降低节点能耗,提出一种基于节点移动性的路由选择策略.ZigBee网络同时支持基于地址分配的分层路由和基于路由请求的路由方法.该策略根据网络中节点移动性的变化,自适应选择路由方法.节点通过自身邻居参数改变识别位置变化,避免了网络中额外的数据传输流量.经仿真测试,相对于原有的单一方法路由方案,基于节点移动性的路由选择策略具有更高的路由效率,提升了ZigBee网络的路由性能.     

能量有效的无线传感器网络节点选择

基于能量信息的目标定位模型,提出了一种能量有效的本地节点选择方案,通过合理地选择处于工作状态的传感器节点以减少网络的能量消耗.该方案中,节点根据相邻时刻接收到的目标信号能量变化独立决定其工作状态,减少了与相邻节点及中心节点的信息交换.仿真结果表明:应用该文提出的节点选择方法有效减少了网络的能量消耗,且能够准确地对目标进行定位与跟踪.     

无线传感器网络中节省能量的地理路由

针对高动态无线传感器网络中路由信息不易保持,以及传感器节点能量受限的问题,提出了一种不保存网络拓扑结构并节省能量的地理路由算法。每个节点发送数据前发送本节点的位置信息,邻居节点根据该位置信息和基站的位置、发送接收数据消耗的电路能量和传播损耗,计算虚拟中继节点的位置。邻居节点根据本节点、目的节点以及虚拟中继节点的位置决定是否参与竞争,成为中继节点。仿真结果表明,该分布式算法比BLR算法节省能量,并具有更低的丢包率,更适于拓扑快速变化的无线网络。     

Ad Hoc 网络动态时隙分配的混合 MAC 协议研究与仿真

针对 Ad Hoc 网络的节点具有移动性,信道具有多跳共享性的特点,提出动态时隙分配的混合媒体接入控制（media access control,MAC）协议,协议包括时隙分配和时隙竞争2个阶段。在时隙分配阶段,采用静态分配和动态调整相结合的方式,在为每个节点分配固有时隙的基础上,将不共享信道的节点时隙动态地分配给通信节点;在时隙竞争阶段,通过在子帧中设置不同优先级,在不参与通信节点的主时隙中,数据传输子帧被分成实时业务竞争阶段和非实时业务竞争阶段,竞争成功的节点在这个时隙传输数据,提高优先业务节点的接入概率。采用 NS2网络模拟软件进行仿真,结果表明,所提混合 MAC 协议提高了系统的分组投递率,降低了实时业务的平均时延,协议能够充分利用信道空间复用性,减少竞争,提高接入效率,适合 Ad Hoc 网络。     

改进的神经网络最近邻聚类学习算法及其应用

提出了一种改进的RBF(Radial Basis Functions，径向基函数)神经网络最近邻聚类学习算法。并将其应用于股市预测问题。模拟结果表明，改进算法的拟合效果与拟合误差均明显好于常规最近邻聚类学习算法，可以较大幅度提高RBF神经网络的预测性能。     

Multi-objective optimization sensor node scheduling for target tracking in wireless sensor network

Target tracking in wireless sensor network usually schedules a subset of sensor nodes to constitute a tasking cluster to collaboratively track a target.For the goals of saving energy consumption,prolonging network lifetime and improving tracking accuracy,sensor node scheduling for target tracking is indeed a multi-objective optimization problem.In this paper,a multi-objective optimization sensor node scheduling algorithm is proposed.It employs the unscented Kalman filtering algorithm for target state estimation and establishes tracking accuracy index,predicts the energy consumption of candidate sensor nodes,analyzes the relationship between network lifetime and remaining energy balance so as to construct energy efficiency index.Simulation results show that,compared with the existing sensor node scheduling,our proposed algorithm can achieve superior tracking accuracy and energy efficiency.