论文部分内容阅读
无线传感器的经济、轻便、灵活等优点使得无线传感器网络被广泛的应用到人们的生活和生产中。对于无线传感器网络来说,其最重要的应用之一就是目标定位跟踪,当前实现更加精确的目标定位跟踪是无线传感器网络非常重要的研究方向。本论文主要针对无线传感器网络的目标跟踪进行研究。论文的主要工作如下:1.提出了基于轨迹预测融合的目标跟踪算法。传统的卡尔曼滤波算法由于过分依赖于人工事先对目标运动方程的估计,导致目标定位结果不稳定,考虑到之前迭代过程中已得到的目标的定位结果序列中包含着最接近目标真实轨迹的信息,基于这些轨迹信息可以预测出目标当前的状态信息,由此我们推导出基于前驱最优定位结果序列的轨迹预测方程。通过引入融合参数的概念,将基于轨迹预测得到目标定位结果分别与扩展卡尔曼滤波和极大似然卡尔曼滤波这两种经典的基于卡尔曼滤波的目标跟踪方法进行融合,由此得到两种基于轨迹预测融合的目标跟踪方法。实验表明,不管是在直线运动还是在圆周运动中,通过改变融合参数都可以提高对目标的定位准确性,同时,当目标运动噪声越小时,新的融合方法的定位精度提高的越明显,定位更准确,实验中引入融合思想并没有明显增加原算法的运行时间。2.提出了基于轨迹预测初定位的目标跟踪算法。考虑到卡尔曼滤波算法在处理目标定位跟踪问题时对目标运动方程的依赖主要是在其时间更新阶段,所以将卡尔曼滤波在时间更新阶段所得的预测结果与轨迹预测的结果通过引入融合参数进行融合,将该融合结果作为对于目标的初定位结果,将其输入至卡尔曼滤波的估计阶段继续进行滤波计算。分别在扩展卡尔曼滤波和极大似然卡尔曼滤波这两种经典的基于卡尔曼滤波的目标跟踪方法中引入基于轨迹预测初定位的方法,以此来实现目标的定位跟踪,实验表明,不管是对做直线运动还是圆周运动的目标进行跟踪,通过改变融合参数,加入轨迹预测作为初定位的新的方法相比于原方法在跟踪精度上都会有提高,同时运行时间并无明显增加。3.提出了基于Singer模型和轨迹预测模型的动态交互多模型的机动目标跟踪算法。现实中的目标运动普遍具有机动性,用单个模型很难描述其运动,我们利用轨迹预测方程所具有的动态性的特点,将轨迹预测方程作为一种动态的目标运动模型,将其与基于Singer模型的加速度模型联合起来对机动目标运动的线性特性和机动性进行描述,两个模型之间以概率的形式相互作用,这个概率可以通过计算来实时调整。我们分别在曲线机动和直线机动两种机动运动下利用新方法对目标进行定位跟踪实验,实验表明,所提出的这种改进的交互多模型方法不仅可以实现更加精确的目标定位,同时当发生传感器数据包丢失的突发情况时会自动进入数据包丢失处理来对目标位状态进行预测,不会跟丢目标。