论文部分内容阅读
由于无线传感器网络(WSN)的特点,基于WSN的多目标跟踪研究一直是目标跟踪领域研究的热点问题。本文针对基于WSN多目标跟踪的任务分配和跟踪算法进行了研究,主要的研究内容如下:针对多目标跟踪在目标接近或相遇时节点任务分配竞争冲突的问题,提出了一种基于Q学习的多目标跟踪节点协同任务分配算法。算法在多目标相遇或相近时刻,打破了传统的N个目标必须构建N个簇的思想,优选选取能够同时探测到多个目标的节点组成单个簇,负责跟踪接近或相遇状态的多个目标,同时采用Q学习方法,得出最佳的合簇时机,利用兼顾能耗与精度的综合性能指标,确定簇首与簇成员,最后根据目标特征标签分离目标信息,实现多目标跟踪的协同任务分配。仿真结果表明,算法可以对多目标接近或相遇情形的节点任务分配进行优化,具有降低系统能耗延长网络生命周期的优点。针对概率假设密度多目标跟踪算法中存在的杂波强度未知的问题,提出一种基于熵惩罚的EM未知杂波估计的PHD(Probability Hypothesis Density)多目标跟踪算法。首先采用有限混合模型对未知杂波密度建模,其次分别对混合权重及缺失参数施加熵惩罚因子,然后通过自适应动态系数调节,使得混合模型低权值分量加速消亡,减少了算法迭代次数,且算法对初始参数不敏感。仿真结果表明,该算法在杂波强度未知的环境下,具有精度高,跟踪稳定的优势,提高了PHD滤波器在多目标跟踪中的性能。针对拓展目标跟踪研究中杂波强度未知的问题,提出拓展目标杂波PHD算法,算法利用有限混合模型实现对杂波概率假设密度的估计,采用Dirichlet分布得到混合权重的在线估计,仿真验证算法可以有效的执行杂波环境下的拓展目标跟踪。搭建了基于WSN的目标跟踪平台,包括超声波六元阵列传感器网络与监控终端软件平台两部分。前者实现了传感器异步数据采集以及无线组网数据传输功能;后者既能根据采集数据计算目标运动轨迹,又能够进行不同参数下目标跟踪算法的性能研究。软件平台测试表明,该平台初步地达到了目标跟踪的目的。