面向目标跟踪的无线传感器网络能耗优化研究.docx
- 文档编号:30688805
- 上传时间:2023-08-19
- 格式:DOCX
- 页数:36
- 大小:475.78KB
面向目标跟踪的无线传感器网络能耗优化研究.docx
《面向目标跟踪的无线传感器网络能耗优化研究.docx》由会员分享,可在线阅读,更多相关《面向目标跟踪的无线传感器网络能耗优化研究.docx(36页珍藏版)》请在冰豆网上搜索。
面向目标跟踪的无线传感器网络能耗优化研究
摘要
最近这些年越来越多的人对无线传感器在网络上的监测与监控应用的研究相当重视,由于这个系统具有低成本、低功耗、易于快速部署以及鲁棒性等优势,所以它在目标定位跟踪领域中具有非常特殊的应用价值。
本文研究的目的就是通过使用节点选择与协作完成目标跟踪,在保证跟踪精度的同时,尽可能的减小该网络里面的节点在追踪目标的过程中的能耗。
本篇论文所选用的跟踪算法是最近邻协作目标跟踪算法。
第一步,我们首先需要建立目标跟踪模型来确定节点运动的跟踪轨迹。
然后建立目标的观测模型以及节点的能量消耗模型,用来计算节点接受信息和发送信息所消耗的能量。
接着采用最近邻协作目标跟踪算法,当所要跟踪的目标进入监控区域后,多个传感器节点自动感知到目标,第一个监测到的目标就成为簇头节点。
该算法引入预测机制,根据目标的未来位置,基于最近邻协作准则选择下一时刻的簇头节点。
目标跟踪簇头节点在其附近邻居范围内选择任务节点观测目标位置,然后采用集中卡尔曼滤波算法完成目标的状态估计。
仿真结果表明:
通过在传感器网络里面选择合适的节点进行目标跟踪,可以大大减少能量消耗,而且跟踪精度也很高。
关键词:
无线传感器网络;目标跟踪;最近邻协作;卡尔曼滤波
ABSTRACT
Theuseofwirelesssensornetworkforsurveillanceandmonitoringinrecentyearshasdrawnattentionfrommanyresearchfields.Duetosuchadvantagesofwirelesssensornetworkaslowcost,lowpowerconsumption,easinesstobefastdeployedandrobustness,ithasuniqueapplicationvaluesinthefieldoftargetlocationandtracking.Thistopicoriginatesfromthepracticalapplicationofwirelesssensornetworktotargettracking.Sincewirelesssensornetworkresources,especiallynodeenergy,areseriouslyrestricted,wehereresearchthenodeschedulingpolicyandchooseappropriatenodestoparticipateintargettracking,toachievethegoalofoptimizingsystemenergyconsumptiononthepremiseofmeetingtherequirementsoftrackingprecision.Througharesearchonthistopic,we’vetrainedourcapacityforscientificresearchanddevelopedourabilityforthesolvingofpracticalengineeringproblemswithprofessionalknowledge.
Atpresent,sometargettrackingalgorithmscan’tgiveequalconsiderationtoprecisionandenergyconsumption,soweproposethedynamicnearestneighborcollaborativetargettrackingalgorithm.Thisalgorithmisdynamic,aimedatbuildingatarget-trackingclustertobetteradapttothereal-timechangeoftargetlocation,andwecanobtaintheoptimaltrackingprecisionbybuildingatarget-trackingcluster.Whenatargettobetrackedentersthemonitoringarea,multiplesensornodeswillclusterautomaticallyattheinitiallocationofleastsquaremethod’sinitialmovingtargetafterperceivingthetarget.Introduceapredictionmechanism,andselectclusternodesforthenextmomentbasedontheprincipleofnearestneighborcollaborationaccordingtotarget’sfuturelocation.Fortargettrackingclusternodes,tasknodesarechosenintheirneighborhoodtoobservetargetlocation,andthenintegratedKalmanfilteringisusedtoestimatethestatusoftarget.Thesimulationresultshowsthatthetargettrackingalgorithmadoptedbyushashightrackingprecision,andthatthesingle-hopcommunicationdistanceamongnodescanreduceenergyconsumptiongreatly.
Keywords:
wirelesssensornetwork;targettracking;nearestneighborcollaboration;Kalmanfiltering
面向目标跟踪的无线传感器网络能耗优化研究
1绪论
1.1研究背景与意义
无线传感器网络(WSN,WirelessSensorNetwork)因为其有下面几个优点而被广泛的使用,比如:
能够很快的部署、非常小的体积、很好的容错性、比较灵活等,同时在医疗、军事、救灾以及环境监测等领域都有在使用,其对许多的学术研究而言有着十分独特的意义。
从军事角度来讲,它非常适用于环境比较恶劣的情况,能够很好的获取到各种对军事有用的信息。
从环境科学角度来讲,因为无线传感器网络节点分布广泛而且随机分布,所以它能很方便的获取到那些随机的信息,例如,监控海洋的状况、空气的情况以及土壤的组成成分等。
从医学的角度来讲,传感器的节点能够帮助医生在任何情况下都能了解病人的情况,并且能够实现远程医治,这对于医学的发展而言是具有历史性的意义的。
从商业应用的角度来讲,无线传感器网络可以对监视商品流通、金融流通、环境秩序等任务起到重要的作用。
在社会生活方面,传感器节点可以凭借其定位与跟踪功能应用于救灾,例如,搜索掩埋人员、指挥人员安全退离火灾现场等。
无线传感器网络就是众多节点形成了一个多跳自组织网络,通过无线网络覆盖区域中获知信息,处理融合信息并发送信息到汇聚节点。
而在WSN中,节点除少数几个都是静止的,基本靠电池供电,由于更换电池来解决能源耗尽问题基本是不可能的,同时受到诸多因素影响,比如成本低廉、分布区域广、环境复杂等,在网络开发和设计中,节能是所有算法和协议必须考虑的,任何技术都要做到减少能耗和延长网络寿命。
目标跟踪问题在全世界范围里一直都是一个热门问题,它广泛的运用于军事和民用的各个领域。
SCR雷达跟踪器的历史可以追溯到1937年,那是在二次世界大战发生的前期。
我们研究它的原理可以发现它是依靠自身的探测器来实现不断地追踪和扫描的。
在无线传感器网络得到发展起来之前,是通过GPS室外定位来实现目标跟踪系统的。
实际情况受到各种因素的影响出现不适合于大范围的使用,比如说接收机自身的结构,GPS的追踪定位等。
目标跟踪对现代防御和海上空中交通管理系统的发展起决定性作用。
目标追踪它的基本问题主要为对目标的状态进行定位,它主要地依靠所观测得来的数据,只有获得了精准的观测数据,才能达到日常所说的最优状态。
在传统领域,对目标进行追踪就好比雷达系统的定位,一般是通过一定的监测站点和数据处理中心构成的,而且探测站点的资源充足和设备很高端,可以大面积的定位和监测目标。
在21世纪刚开始的时候,关于目标追踪的无线传感技术开始出现。
无线传感器依靠节点分布进行控制,且进行的监控是不受限制的,整个无线组成的信号系统就像是一个网络系统。
关于信息的收集和处理是通过节点控制实现的,它需要信号相互之间的配合。
无线传感器网络有很多实际的应用,很基本的一项就是来跟踪运动的目标。
因为传感器网络有快速部署,高隐蔽,高容错的特点,而且传感器节点体积小,价格低,所以传感器网络非常适合对运动目标进行跟踪。
比如双方交战中,我们可以对地方的坦克飞机等等的各种信息进行及时的跟踪,并且及时的将战场信息反馈给我方的指挥中心,那么对战局就会起到特别大的帮助。
但是无线传感器在进行目标跟踪时也会出现一些困难,比如:
传感器节点自身的能力有限,很难去计算、储存和监测数据,很多复杂的算法不能直接运用在传感器节点上。
而且传感器节点自身的电量储备也有限,不能总是处于工作状态;无线通信也容易受到外部环境的干扰,一般情况下节点是不工作的;关于目标追踪,无线传感器具有很大的适用性,因为他不受限制,在算法的可靠支撑下实现信息的处理和加工。
在人类的生产生活中,无线信号已经具有了广泛的用途,覆盖到很多个不同的学科。
广大的学者纷纷对此问题表示很大的关注,也得出了大量的研究结果。
1.2国内外发展状况
1.2.1无线传感器网络
在现今社会,关于无线传感技术的研究已经成为一大热门,它的综合性在于可以与许多其它的科学进行融合。
无线传感器技术可以微型传感器合作实时监测和采集各种感知对象的信息,通过随机自组织无线传感通讯网络将所感知对象的信息传送到观察者。
由大量的无线传感器节点组成的无线传感器网络已经成为下一代“计算无处不在”的关键技术。
有很多人认为,这项技术的重要性可以与因特尔技术相比较。
美国的商业周刊和MTT技术经过了权威认证,在当今世界的影响力研究中,无线传感器技术经历了长足的发展,此技术已然成为一项热门,成为改变人们生活的10大技术之一。
上世纪90年代后期传感器网络才开始被人们所认知。
传感器技术被运用于人类生活的方方面面,许多国家都对此课题感兴趣,包括他们的军工业和信息产业。
我们尤其以美国为例,美国作为当今世界的超级大国,他们认为在未来的10大新技术中,无线传感器技术无疑成为改变当今世界的一大技术。
关于无线传感器技术,国防军事部门对此尤为重视,甚至将此列为重点发展课题。
在国防军事工业中,甚至还把发展信息技术作为推动军事事业发展的重要目标,在网络研究的项目中,还把国防军事工业列为其中的重点,美国军方对此很是用心,智能传感器的通信目标就是由他们在01年提出来的,已被批准为2001年财年科技攻关目标。
美国军方甚至在01-05这五年间制定了海军协同作战计划,他们的目标要达到的效果为面对反巡航导弹都要将其击落。
2002年的民用领域中,英特尔作为美国的著名企业也着手发展自己的微型传感器网络计划,自此开始,关于英特尔技术的发展开始进行规模化的研究阶段,同时它所涉及到的领域是非常广泛的,包括海底调查研究、监测环境、森林消防星际探索、医学诊断等。
伯克利实验室与大西洋大学的相关研究人员都开始研究此类领域,实际研究的课题选择岛屿环境。
他们研究观察了许多野生物种的生长情况,同时可以去监测他们和了解他们的生活环境。
此类研究随着时间的推移也受到了英日意的关注。
学术界对此研究从关注开始一直不断,同时研究了其相关的感知技术,由此取得了一些初步的研究成果。
中国对传感器技术的研究起步的时间同西方比起来差不多,1999年第一次正式的出现在中国科学院的研究报告中,把对传感器的研究作为这个领域提出的五大重要项目之一。
传感器在民用的领域,涉及到人们生活的方方面面,例如城市公共安全,公共卫生,城市交通,城市环境监控等等。
国内从事传感器应用的企业发展的都非常快。
比如上海电气科学研究院主要从事智能交通相关的工作,已经承担了上海环线智能交通工程的任务。
国内研究机构,如中国科学院,国防科技,清华大学,电子科学与技术,浙江大学,哈尔滨工业大学的研究人员已经开始进行跟踪传感器网络的研究。
1.2.2跟踪目标
关于无线传感的网络技术(WSN)目标跟踪问题一直是研究的热点,以往的研究多为对单目标进行跟踪。
Mechitovķ通过使用二进制检测协同跟踪的思想,所追踪的目标不管在该技术内还是外,目标的准确位置可以从传感器的合作当中得到,网络控制的基础是各个目标的节点,实现的前提是节点与节点之间可以相互确定其位置,ZhaoF等利用信息驱动协作跟踪的思想,如采用传感器节点的检测信息,并接收其他节点的信息来检测目标可能轨迹,唤醒在下一刻参与跟踪活动的适当的传感器节点,因为有适当的预测机制,可有效地减少节点之间的通信,从而节省节点有限的能源资源和通信资源。
目前的目标跟踪算法主要是针对单一目标不同环境下的跟踪,今后我们所要进一步研究的是怎么样去进行多个目标的跟踪,如何用最低的能耗去获得最多的信息,并且提高跟踪精度和使网络的使用寿命得到加长。
关于目标的追踪这是一个长久的话题,现在信息技术的快速发展,其技术深入到人们的生产和生活的各个领域,因此引起了广泛关注各个国家的学者,为了解决在目标跟踪领域的问题,许多国家和地区投入了大量的人力和财力资源,深入研究,推动目标跟踪算法,使它得到快速发展。
Wax早在1955年,提出了目标跟踪的理论,Sittler在1964年提出的目标跟踪和目标运动路径最优的数据贝叶斯理论的相关概念,从而提高目标跟踪算法的可行性,奠定了后来目标跟踪的理论基础。
在70年代,雅各布和Singer在卡尔曼滤波算法和相关的数学理论引入目标跟踪算法,使目标跟踪技术在此期间的发展一直很快速,许多科学家在运动目标跟踪和相关数据等等的各方面有许多的算法被提出,比较典型的算法是分层融合滤波。
90年代后,ChengXRL,KirubarajanT,MoriS等一些目标跟踪领域的学者为均值迁移理论,多假设跟踪,变结构多模型的概率,目标融合的分布做出了巨大贡献,在这一领域推动了时代的进步,尤其是在1995年,Chen对Meanshift理论进行了完善,定义了核函数功能,针对不同的采样点的偏移,使用不同的统计特性,并提出的加权系数,使得不同的样本点的权值是不一样的,大大地增强了运动的及时性和目标跟踪精度。
在此之后,直到今天,在目标跟踪领域,均值漂移算法及其改进算法一直是学术界研究的热点。
进入21世纪,DoucetA,GordonN,GodsllSJ,MaskellS等研究人员在进行目标追踪时,将对粒子进行过滤的研究融入其中,对非线性的研究可以通过粒子过滤器来完成,进而实现对高斯分布的相关了解,但该微粒过滤器仍然具有很多需要提高的方面,鉴于颗粒的滤波目标跟踪算法研究的相关领域已经收到了研究者的广泛关注。
国内目标跟踪领域起步相对国外滞后,但近年来,越来越多的高校和科研院所的研究目标跟踪,并取得了很好的成绩,其中包括清华大学,吉林大学,华中科技大学,哈尔滨工程大学,上海交通大学,国防科技大学计算机技术研究所,中国科学院等。
2基本理论原理
2.1跟踪目标模型的建立
要想达到对我们研究的课题的研究,必须进行相关的模型建立,通常的模型为二阶匀速(CV)模型、三阶匀加速(CA)模型,除此之外,常见的模型研究还有半马尔可夫模型、Singer模型,要想达到对目标的准确地预测,必须对目标的相关的模型进行针对性的研究。
如何建模呢?
这就要求我们进行相关的坐标建立,最基础的是建立好合适的坐标系,只有这样,才能达到良好的追踪效果,节省时间和成本。
我们采用目标运动的模型的定义为简单的CV(恒定速度)或CA(匀加速运动),机动被视为随机干扰,它的大小反映在过程噪声的协方差矩阵。
首先,模型也是最简单,也是最经常看到的,它们的数学表达式如下:
CV模型:
··············(2.1)
CA模型:
··············(2.2)
式依照物理概念,
分别表示目标所处的位置、速度及加速度,α2的方差为ω(t),均值为零高斯白噪声。
如果事先知道目标运动的机动特性,即知道目标运动可变加速度特性,目标模式应该是:
···················(2.3)
··················(2.4)
CV及CV在以上所建立的模型中都表示线性模型,这样建立的模型对于整个系统来说,简化了相关的模型。
关于
(t)此类机动模型的建立这个问题是比较复杂的。
2.2观测传感器模型的建立
如果传感器i对应的检测区域显示为一个半径为R的圆形域,其原点坐标为(xsi,ysi),类型主要有振动传感器、声音传感器和电磁场传感器等。
如果被检测的目标在传感器的感应区域内,其目标节点可以相应的用r(k)进行表示。
观测方程如下所示(基于节点i):
··········(2.5)
上述方程中,i的观测值r(k)用
表示,vi(k)~(0,Ri(k))他们的数学期望为0。
如果在某一时刻有观测的节点,系统方程可以表示为:
················(2.6)
2.3卡尔曼滤波算法
2.3.1卡尔曼滤波理论概述
想要实现传统过滤方法必须要求有用信号与噪声具有不同频带。
在20世纪的40年代,N.维纳和A.H.柯尔莫哥罗夫在滤波理论之中引进了信号和噪声的统计性质,假设该信号和噪声是固定的工艺条件下,使用最优化方法对信号真值进行估计,实现滤波,这在理论上做到和传统的滤波算法想结合,我们称之为维纳滤波。
这种方法需要的信号和噪声,必须基于平稳工艺条件。
上世纪60年代初,卡尔曼(R.E.Kalman)和布塞(R.S.Bucy)发表了一篇名叫《线性滤波和预测理论的新成果》的论文,对滤波算法的发展非常重要,本文提出了一种新的线性滤波和预测理论,后来我们把它叫做卡尔曼滤波器。
它必须要求在线性状态空间条件上对有噪声的输入和测量信号进行处理,由此来获取系统状态或真实信号。
这种理论表现在时间域上,它的基本概念就是在线性系统的状态空间里,通过它所获得的观测值来求系统的最优估计。
卡尔曼滤波器不需要很多假设比如说:
条件信号和噪声都是一个非常稳定的过程。
对于每个时刻的系统扰动和观察误差(就是噪声),只要对他们的统计性质作出一些假设,通过处理包含噪声的观测信号,可以在平均意义上,获得误差最小真正信号的估计值。
因此,在卡尔曼滤波理论出现之后,通信联络系统,电力系统,航空航天,环境保护,工业发展等许多部门都得到应用,而且都取得了非常良好的结果。
与经典的理论相比较,对比后我们发现卡尔曼滤波理论应用的实际范围将更加广泛。
因为它补充了时空概念,由此诞生了我们今天熟知的现代控制理论。
它的优点还在于所提供的算法在计算机上可方便实施。
目标状态估计算法是解决最优估计,它有储存信息量小、计算量小、实时性好的好处。
在实际的应用中,物理系统的运动过程可被视为一个状态转变的过程中,卡尔曼滤波器在对物理系统的教学建模过程里引入状态空间理论。
其基本思想是,为了噪声和系统信息的状态空间建立一个观测方程,只使用信号之前一个的估计值和。
最近的观察可以线性下偏最小方差估计准则作出最佳估计信号的当前值。
下图所示的是卡尔曼滤波计算计算回路和更新回路。
给定了最初设定的值
和
,并且在K时刻的量测
,就可以层层推进的计算得出K时刻的状态估计值
(k=1,2...)。
图2.1卡尔曼滤波的计算回路和更新回路
2.32卡尔曼滤波理论的基本公式
系统的状态方程为:
·····················(2.7)
相关方程为:
·····················(2.8)
表示的是n维向量,对应在k时刻下的状态,
表示在k时刻的转移矩阵,其状态阶数为
,
表示n维状态下的过程噪声,并且
···············(2.9)
上式中,
表示m维向量,为k时刻测量所得的向量,
表示
阶量测矩阵,V(k)同上,符合高斯白噪,且为m维向量;
···············(2.10)
另外,假设
与
是相互独立的,即
······················(2.11)
假设己知k时刻状态的滤波值
和协方差矩阵
,得到状态预测值:
··················(2.12)
预测协方差矩阵:
···············(2.13)
量测预测值:
················(2.14)
新息协方差矩阵:
··········(2.15)
增广矩阵:
··············2.16)
状态滤波值:
·····(2.17)
滤波协方差矩阵:
········(2.18)
以上相关的数据在卡尔曼滤波器下测得后,可将现得数据与原始估测数据进行比较,利用系统状态方程,根据上面所提到的层层推进公式,可以计算出新的储量估值。
3.节点选择方法
3.1最近邻节点选择
最近邻节点选择是一种最简单的节点选择方法,它的基本思想是通过选择与目标预测位置距离最近的节点作为工作节点,对目标进行观测从而实现目标跟踪。
假设二维平面内目标观测区域中存在N个节点,采用欧式距离rj度量节点i与目标位置之间的距离,具体计算公式如下:
················(3.1)
其中xsi是传感器节点i在x轴上的坐标,ysi是传感器节点i在y轴上的坐标,
是k+1时刻目标在x轴上的预测位置,
是k+1时刻目标在y轴上的预测位置。
在各个节点中选出具有最小的ri的节点,将其观测数据作为卡尔曼滤波的输入变量,完成滤波更新,实现对目标运动状态的估计。
3.2最近邻协作节点选择
3.2.1簇头节点选择理论
随着当今科技的不断的发展,通信技术和嵌入式计算技术也不得很快的发展,无线传感器网络(WSN)在很对领域都得到了广泛的应用,如国土防御,保护环境和对目标进行追踪。
对于无线传感器网络,当节点出现多跳情况时,需要对相关的节点进行感知。
在此过程中,关于节点的接收和发送要花费较多的时间和精力,原始数据如果被汇集到相关的网络中,是否达到汇聚点这一问题,原始数据的用户对此是不关心的。
要想实现对原始数据的利用目标,网络无效的数据要最大限度的去减少,此时分簇的方法被提出。
依照分簇的数据,通过簇头来承担相关的数据研究,从而实现数据的预处理,所以它的能量消耗率会比簇中的其他节点更高。
因此,怎么样去选择合理的动态簇头节点,就会对网络的吞吐量和它消耗的能量以及它的生存时间长短都构成了重大的影响。
节点如果产
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 面向 目标 跟踪 无线 传感器 网络 能耗 优化 研究