学位论文 > 优秀研究生学位论文题录展示

基于非线性滤波的传感器网络目标跟踪方法研究

作　者: 宋华华
导　师: 蒋鹏
学　校: 杭州电子科技大学
专　业: 控制理论与控制工程
关键词: 传感器网络目标跟踪非线性滤波动态分簇路由优化
分类号: TP212.9
类　型: 硕士论文
年　份: 2012年
下　载: 4次
引　用: 0次
阅　读: 论文下载

内容摘要

无线传感器网络是21世纪最重要的技术之一,也是支持远程定位和跟踪移动目标的新兴平台。与全球定位系统等传统平台相比,无线传感器网络具有成本低、密度高、散布广、精度高等优势,能胜任复杂地形和无人值守等应用环境下的实时监测工作,在实现目标跟踪时具有明显的优势。对于传感器网络中的目标跟踪问题而言,大量无效或冗余信息将增加传感器网络节点间通信的负担,致使系统耗费在通信上的能量过多,严重影响整个网络的生命周期,同时实现跟踪的算法将被复杂化,这些问题对于目标跟踪系统中较为侧重的能量有效性和跟踪的精确性来说,都是致命的缺陷。此外,信息的采集、处理方式对系统资源的消耗也起关键性的作用,需顾及能量有效性等因素。因此,研究高精度、高能效的传感器网络目标跟踪方法具有十分重要的意义。针对实际应用环境中节点量测数据与目标状态之间呈现为非线性关系的特性,本文提出了三种基于非线性滤波的传感器网络目标跟踪方法：(1)基于动态分簇路由优化和分布式粒子滤波的传感器网络目标跟踪方法。该方法以动态分簇的方式将监测区域内随机部署的传感器节点划分为若干个簇,并对簇内成员节点与簇首节点之间、簇首节点与基站之间的通信路由进行优化,确保网络能耗的均衡分布,在此基础上,被激活的簇内成员节点并行地执行分布式粒子滤波算法实现目标跟踪。该方法能有效地降低传感器网络中节点的总能耗,且能在实现跟踪的同时保证目标跟踪的精度。(2)基于粒子群优化和M-H采样粒子滤波的传感器网络目标跟踪方法。该方法采用动态拓扑的网络结构和分布式的算法结构实现目标跟踪,将粒子群优化和Metropolis-Hasting采样引入到粒子滤波的重采样过程中抑制粒子退化,通过粒子间共享历史信息而降低单个粒子历史状态间的相关性,使各粒子能快速地收敛至最优分布,从而实现高精度的目标跟踪效果。(3)基于动态生成树和改进不敏卡尔曼滤波的传感器网络目标跟踪方法。该方法将传感器网络中被激活的节点构建成一种随目标运动而动态生成和调整的树型网络结构,将其作为执行目标跟踪算法的平台,利用粒子群优化技术对不敏卡尔曼滤波中状态向量概率密度函数的近似过程作了改进,优化了δ采样点的分布和收敛速度,从而加快目标跟踪方法的计算速度,同时,优化后δ采样点的分布更接近目标的真实状态,因而滤波的精度也更高。上述三种均是基于非线性滤波的传感器网络目标跟踪方法,将网络结构和非线性滤波方法相结合实现目标跟踪问题。本文通过设置具体的仿真算例考查了三种方法的性能表现,仿真结果表明,这三种方法均能在保证目标跟踪精度的同时,可效地降低了网络能耗。

全文目录

摘要  5-6
ABSTRACT  6-8
图表索引  8-11
第1章绪论  11-25
  1.1 研究目的与意义  11-12
  1.2 传感器网络目标跟踪方法的研究现状  12-18
    1.2.1 基于线性滤波的传感器网络目标跟踪方法  13-15
    1.2.2 基于非线性滤波的传感器网络目标跟踪方法  15-18
    1.2.3 传感器网络目标跟踪方法的性能指标  18
  1.3 传感器网络目标跟踪方法的发展趋势  18-19
  1.4 论文创新点  19-20
  1.5 论文内容安排  20-21
  参考文献  21-25
第2章基于动态分簇路由优化和分布式粒子滤波的传感器网络目标跟踪方法研究  25-44
  本章摘要  25
  2.1 引言  25-26
  2.2 目标模型与传感器感知模型  26-27
  2.3 动态分簇路由优化及分布式粒子滤波原理  27-32
    2.3.1 动态分簇路由优化  27-30
    2.3.2 分布式粒子滤波  30-32
  2.4 DCRO-DPF算法描述和流程图  32-34
  2.5 仿真算例  34-41
  2.6 结束语  41-42
  参考文献  42-44
第3章基于粒子群优化和M-H采样粒子滤波的传感器网络目标跟踪方法研究  44-63
  本章摘要  44
  3.1 引言  44-45
  3.2 系统模型  45-49
    3.2.1 目标模型  46
    3.2.2 感知模型  46-47
    3.2.3 动态拓扑结构  47-48
    3.2.4 能耗模型  48-49
  3.3 粒子群优化和M-H采样粒子滤波  49-52
    3.3.1 粒子群优化  49-50
    3.3.2 Metropolis-Hasting采样  50
    3.3.3 改进M-H采样的粒子滤波  50-52
  3.4 基于PSO-MHPF的传感器网络目标跟踪方法  52-54
  3.5 仿真算例  54-60
  3.6 结束语  60-61
  参考文献  61-63
第4章基于动态生成树和改进不敏卡尔曼滤波的传感器网络目标跟踪算法研究  63-79
  本章摘要  63
  4.1 引言  63-64
  4.2 算法原理  64-70
    4.2.1 系统模型  64-66
    4.2.2 动态生成树  66-67
    4.2.3 改进不敏卡尔曼滤波  67-70
  4.3 DST-IUKF算法描述和流程图  70-71
  4.4 仿真算例  71-76
  4.5 结束语  76-77
  参考文献  77-79
第5章总结与展望  79-82
第6章致谢  82-83
附录  83

基于非线性滤波的传感器网络目标跟踪方法研究

内容摘要

全文目录

相似论文