亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        基于PCRLB的目標跟蹤節(jié)點選擇算法

        2017-10-23 02:21:55龐小雙王邢波
        計算機技術與發(fā)展 2017年10期
        關鍵詞:方根濾波無線

        龐小雙,王邢波

        (南京郵電大學 自動化學院,江蘇 南京 210023)

        基于PCRLB的目標跟蹤節(jié)點選擇算法

        龐小雙,王邢波

        (南京郵電大學 自動化學院,江蘇 南京 210023)

        針對能量、帶寬、存儲等資源限制的無線傳感器網絡下的目標跟蹤問題,提出了基于擴展H∞濾波的后驗-克拉美羅下界(PCRLB)傳感器節(jié)點的選擇算法。該算法可隨時間動態(tài)選擇一個最優(yōu)傳感器集合并將均方根誤差(RMSE)作為優(yōu)化目標跟蹤的性能。無線傳感器網絡中對于非線性、非高斯的動態(tài)系統(tǒng),采用蒙特卡羅方法計算基于狀態(tài)估計誤差的一步向前Cramer-Rao下界,利用擴展H∞濾波器對目標狀態(tài)和PCRLB進行逼近估計,并以此作為傳感器節(jié)點選擇標準以實現傳感器的在線選擇?;贛atlab工具箱的計算機仿真結果表明,相對于隨機傳感器節(jié)點選擇算法和基于最近鄰的傳感器節(jié)點選擇算法,基于后驗-克拉美羅下界的目標跟蹤傳感器觀測節(jié)點選擇算法具有更好的有效性和優(yōu)越性。

        目標跟蹤;節(jié)點選擇;均方根誤差;后驗-克拉美羅下界;擴展H∞濾波;無線傳感器網絡

        1 概 述

        近年來,隨著傳感器技術、無線通信技術、低功耗技術和嵌入式操作系統(tǒng)技術的不斷發(fā)展,人們發(fā)現可以將傳感器模塊、數據采集模塊、信息處理模塊和無線通信模塊等集成在一個體積很小的器件上,即傳感器,并利用電池供電。無線傳感器網絡是由大量低成本、低功耗的傳感器以自組織和多跳的方式構成的無線網絡,WSN中的傳感器通過無線通信的方式進行信息之間的傳遞,能夠協(xié)作地感知、采集、處理和傳輸網絡區(qū)域內被感知對象的信息,并最終把這些有用的信息發(fā)送給需要信息的用戶。所以WSN被廣泛應用于軍事、智能交通、環(huán)境監(jiān)控和醫(yī)療衛(wèi)生等多個領域,但是其中目標跟蹤是無線傳感器網絡最具代表性的應用之一[1-4]。由于WSN的能量、帶寬、存儲等資源的限制,為了充分發(fā)揮WSN的優(yōu)勢,必須在條件允許下,動態(tài)地選擇一組最優(yōu)的傳感器節(jié)點參與目標跟蹤,在滿足跟蹤性能要求的同時盡可能降低WSN的能量消耗。在目標跟蹤過程中,為了盡可能準確地跟蹤機動目標運動軌跡,就必須選擇較多的傳感器節(jié)點的信息,但是大量傳感器的參與必然造成能量消耗的增加。那么選擇一個最優(yōu)的傳感器節(jié)點集合在跟蹤精度和能量消耗之間進行折中就變得至關重要。而傳感器節(jié)點選擇算法也稱為傳感器節(jié)點調度方法[5-7],可以在網絡的能量消耗和目標的跟蹤精度之間進行權衡。

        傳感器節(jié)點選擇問題在各種應用中出現。例如,文獻[8]提出了基于熵的傳感器選擇方法。隨機傳感器節(jié)點選擇算法介紹了傳感器調度和傳感器覆蓋率[9]。趙峰等[10]在傳感器協(xié)作網絡中提供了一種信息驅動傳感器選擇策略。更多的傳感器網絡選擇方法在文獻[11]用信息論的方法作為傳感器的選擇標準,例如基于信息熵、相對熵以及馬氏距離等信息度量方法作為傳感器選擇的目標函數。Kalman濾波算法中經常使用基于估計誤差協(xié)方差矩陣以及它的跡或行列式的信息度量方法進行傳感器選擇,例如Kaplan等[12]提出了全局傳感器節(jié)點選擇方法,并通過最小化期望后驗濾波均方誤差來選擇最合適的傳感器節(jié)點集合。

        在系統(tǒng)信息模型和噪聲統(tǒng)計特性已知的前提下,卡爾曼濾波技術能提供較好的估計結果。自20世紀60年代誕生以來,卡爾曼濾波在航天與航空領域都取得了巨大的成功。但在20世紀70年代,人們嘗試將Kalman濾波運用到更普通的工業(yè)運用中,但很快就暴露出卡爾曼濾波潛在的假設與工業(yè)狀態(tài)估計問題之間存在嚴重的不匹配問題。在該問題中,系統(tǒng)的精確模型和噪聲的統(tǒng)計特性都很難獲取。在此背景下,急需開發(fā)出一項能應對建模誤差和噪聲不確定性的擴展和濾波技術,于是相關研究的重點轉向適用于這類問題的具有“魯棒性”的濾波器。盡管可以設計基于卡爾曼濾波的魯棒濾波器,但這僅是對現有方法的修正,而H∞濾波是專門為魯棒性設計的。在外部擾動信號統(tǒng)計特性未知和系統(tǒng)模型存在參數不確定性的情況下,H∞濾波算法比Kalman濾波算法具有更好的魯棒性,因此近幾十年里H∞濾波問題得到了人們的特別關注[13]。除了能量有界外,H∞濾波對外部擾動信號的統(tǒng)計特性不做任何假設,只是使最壞擾動情況下的估計誤差最小。

        后驗-克拉美羅下界(PCRLB)是目標狀態(tài)估計誤差下界,是傳感器觀測節(jié)點的最佳估計效果。不僅如此,它還表示目標跟蹤過程中的一個性能邊界。因此,將其作為傳感器觀測節(jié)點的管理準則是合理且可行的。由于該管理準則與濾波器的誤差有關,因此可以將表示X方向位置和Y方向位置的PCRLB矩陣的跡應用于擴展H∞濾波,并以此作為傳感器觀測節(jié)點選擇的管理準則。據此提出了基于PCRLB的目標跟蹤的傳感器觀測節(jié)點選擇算法。

        2 系統(tǒng)模型

        2.1目標運動模型

        為簡單起見,只考慮二維X-Y平面內的單目標跟蹤問題。這里假設目標做近似勻速直線運動,速度為v,目標在k時刻的位置為s(k),那么經過采樣時間T目標位置發(fā)生變化。目標運動過程中受到的隨機擾動為wk,可以將系統(tǒng)表示為:

        xk+1=Fkxk+Gkwk

        (1)

        其中,Fk為系統(tǒng)的狀態(tài)轉移矩陣;Gk為過程噪聲矩陣;xk表示運動系統(tǒng)的狀態(tài)向量,包括x方向的位置、y方向的位置、x方向的速度和y方向的速度,狀態(tài)向量可以表示為:

        xk=[x(k),y(k),vx(k),vy(k)]

        (2)

        其中,wk、vk是噪聲項,這些噪聲可能是隨機的,且統(tǒng)計特性未知,也可能是確定的,均值可能非零。

        2.2傳感器節(jié)點測量模型

        根據運動量測值(如方位、頻率、距離等)對目標進行跟蹤,是目標運動分析領域中的一個經典問題,在很多應用場合可以獲得較為精確的距離信息。例如,在水下彈道測量系統(tǒng)中,水聽器測量脈沖到達時刻獲得待測目標的距離,可以采用多傳感器對目標進行純距離跟蹤定位。因此,研究僅利用距離信息進行目標跟蹤具有十分重要的作用。令hi表示tk時刻運動目標真實位置與傳感器節(jié)點i之間的真實距離,則hi表示為:

        (3)

        其中,(xi,yi)表示傳感器節(jié)點i的位置坐標;(x(k),y(k))表示tk時刻運動目標未知位置坐標。

        (4)

        3 基于擴展H∞濾波的無線傳感器網絡目標跟蹤

        yk=h(xk)+vk

        (5)

        H∞濾波問題的目標是估計狀態(tài)的線性組合,換言之,想要估計zk,其表達式為:

        zk=Lkxk

        (6)

        J=

        (7)

        (8)

        其中,γ是用戶指定的性能邊界,重新整理方程后得到:

        (9)

        基于擴展H∞濾波的目標狀態(tài)估計過程主要分為兩步:

        1)狀態(tài)預測:利用系統(tǒng)的目標運動模型預測下一時刻系統(tǒng)的狀態(tài)。

        (1)一步向前推算狀態(tài)預測。

        (10)

        (2)一步向前推算誤差協(xié)方差。

        (11)

        2)狀態(tài)修正。

        (1)計算Kalman增益。

        (12)

        (2)由觀測向量更新估計。

        (13)

        (3)更新誤差協(xié)方差。

        (14)

        其中

        (15)

        擴展H∞濾波非常類似于傳統(tǒng)的擴展卡爾曼濾波算法的形式,主要區(qū)別在于方程中不定協(xié)方差和黎卡提微分方程的出現。

        3.1目標跟蹤Cramer-Rao下界

        (16)

        (17)

        Tichavsky等[14]提出一種遞歸方法來計算一般多維離散非線性濾波后Cramer-Rao下界Jk的問題。估計基于k時刻之前(包括k時刻)量測值條件下的z1:k,那么k+1時刻的目標狀態(tài)估計xk+1的Fisher信息矩陣計算如下:

        (18)

        3.2類似Fisher信息矩陣

        (19)

        (20)

        可以通過降低隨機參數Cramer-Rao下界來提高參數估計精度。Pk|k的公式可以改寫成下列類似Fisher信息矩陣的形式:

        Jf,k=Jp,k+Jl,k+Jz,k

        (21)

        (22)

        Jk=

        (23)

        (24)

        根據一步向前后驗Cramer-Rao下界的狀態(tài)估計方法對目標進行狀態(tài)估計。

        3.3基于PCRLB的傳感器節(jié)點選擇方法

        傳感器節(jié)點選擇算法的最終目的就是可以隨時間動態(tài)地選擇一個最優(yōu)的傳感器集合優(yōu)化均方根誤差(RMSE),準確估計出目標的運動軌跡,而PCRLB矩陣又是直接與目標位置估計誤差的均方根誤差有關,所以定義一個目標函數,選擇一種方法來尋找最小化期望均方根位置誤差,依據后驗費舍爾信息矩陣[15-16]表示如下:

        (25)

        (26)

        (27)

        (28)

        那么,由式(27)、(28)可以看出,該算法對信息矩陣的運算可以轉化為對矩陣行列式的計算,大大減少了計算量,降低了復雜度。只需在候選傳感器集合中選擇一個可以使信息度量C'最大的子集S,表達式如下:

        (29)

        4 仿 真

        利用Matlab,分別對基于隨機傳感器選擇、基于目標預測位置最近鄰的傳感器選擇和基于擴展H∞濾波的PCRLB這三種方法進行仿真,比較各種方法的跟蹤精度和能量消耗。

        4.1仿真結果

        P0|0=I4

        其中,I4表示4*4的單位陣。Monte Carlo仿真次數為100。

        利用擴展H∞濾波得到的代數Riccati方程的迭代計算依賴于標量γ和矩陣L的選取。L的選取影響到算法的計算復雜度,因此,需選擇一個使Riccati方程計算復雜度最小的L參與跟蹤過程,L=[1,1,1,1]。其中代數Riccati方程的γ值可以通過反復的仿真實驗來近似確定。如圖1所示,采用不同的γ值:γ2=2,γ2=10,γ2=100,如圖2和圖3所示,對由不同的γ值得到的X方向和Y方向的均方根誤差進行比較,最后選擇γ2=100。

        圖1 目標運動的真實軌跡和利用不同的γ得到的估計軌跡

        圖2 X方向的均方根誤差

        圖3 Y方向的均方根誤差

        4.2與其他傳感器節(jié)點選擇算法的比較

        (2)最近鄰節(jié)點選擇方法:當目標進入監(jiān)測區(qū)域后,多個傳感器節(jié)點感知到運動目標?;谀繕祟A測位置最近鄰方法選擇下一時刻的簇集頭節(jié)點。目標跟蹤內的簇集頭節(jié)點選擇與其位置范圍內最近的節(jié)點作為任務節(jié)點觀測目標位置,并采用擴展H∞濾波完成目標的狀態(tài)估計。

        在以下實驗中,單個目標從位置(1.0,1.0)開始運動,傳感器進行實時跟蹤。過程噪聲wk對應的目標的噪聲加速度,也被認為是一個未知的有界擾動能量。

        圖4顯示了利用這三種算法得到的跟蹤結果,分別描述了這三種傳感器選擇方法各自的目標運動軌跡。

        圖4 目標的真實軌跡和利用不同的傳感器節(jié)點選擇算法得到的估計軌跡

        進行多次實驗后取平均值,依據仿真結果,可以看出基于擴展H∞濾波的PCRLB傳感器節(jié)點選擇算法相對于隨機分布的節(jié)點選擇算法和KNN傳感器選擇算法,得到的目標運動軌跡最接近于真實的目標估計,具有較高的目標跟蹤精度。這是因為PCRLB傳感器節(jié)點選擇算法是以已經獲得的真實測量信息為前提,并且利用的信息是目標運動軌跡的真實信息,因此能選擇更好的傳感器節(jié)點進行目標跟蹤,獲得最優(yōu)的傳感器性能,充分發(fā)揮傳感器網絡的優(yōu)勢。

        仿真實驗還進一步利用目標位置估計誤差的RMSE來評價這些算法的性能。位置均方根誤差是指目標真實的和估計的X、Y方向的均方根誤差。該值是一個標量,如果目標真實位置與估計位置重合,其值為0;如果目標的估計位置偏離真實位置,其值增大。在比較各種濾波算法的性能時,該值越小,表明算法的濾波精度越高。位置均方根誤差定義如下:

        (30)

        其中,N為濾波過程中的采樣次數;x、y分別表示目標位置在X方向的分量和Y方向的分量。

        圖5和圖6分別顯示了這三種算法在X方向和Y方向的RMSE。

        圖5 不同目標跟蹤傳感器節(jié)點選擇方法在X方向上的均方根誤差比較

        圖6 不同目標跟蹤傳感器節(jié)點選擇方法在Y方向上的均方根誤差比較

        可以看出,基于PCRLB的傳感器節(jié)點選擇算法能選擇一組最優(yōu)的傳感器觀測節(jié)點集合,獲得更精準的目標跟蹤估計,而且估計出的狀態(tài)具有較小的均方根誤差。在計算過程中為了避免涉入有矩陣的計算,增加算法的復雜度,將其轉化為標量對矩陣行列式的計算。傳感器節(jié)點選擇算法必須在跟蹤精度和能量消耗之間進行權衡。

        5 結束語

        目標跟蹤傳感器選擇問題的任務是用由N個傳感器節(jié)點組成的無線傳感器網絡對一個運動目標進行實時跟蹤,但是為了減少網絡的能量消耗和成本,只需要從這N個傳感器節(jié)點中選擇出M個進行目標跟蹤。PCRLB給出了目標狀態(tài)估計的一步向前預測均方根誤差下界,對傳感器網絡下的目標跟蹤問題,提出一種基于擴展H∞濾波的后驗-克拉美羅下界的傳感器選擇方法。對于資源受限的無線傳感器網絡,通過對觀測數據的量化處理和傳感器節(jié)點選擇,激活一組最優(yōu)的傳感器節(jié)點集合參與目標跟蹤,權衡網絡能量消耗和跟蹤精度,有限管理網絡資源。后續(xù)的研究可以將該方法應用到多目標跟蹤傳感器選擇和分布式選擇方法中。

        [1] 孫利民,李建中,陳 渝,等.無線傳感器網絡[M].北京:清華大學出版社,2005.

        [2] 官 理.無線傳感器網絡及其應用研究[J].電腦與電信,2008(2):13-14.

        [3] 劉 博.無線傳感網絡中的目標跟蹤技術[J].中興通訊技術,2008(1):48-50.

        [4] 孫曉艷.無線傳感器網絡目標跟蹤問題研究[D].西安:西安電子科技大學,2011.

        [5] 康 波,柯 欣,孫利民,等.無線傳感器網絡中的調度算法研究[J].計算機科學,2008,35(2):47-51.

        [6] 胡湘華,楊學軍.傳感網節(jié)點調度方法綜述[J].計算機工程與科學,2008,30(3):93-96.

        [7] 李 叢.無線傳感器網絡中基于節(jié)點協(xié)作的目標跟蹤算法研究[D].長沙:中南大學,2011.

        [8] Wang H,Yao K,Pottie G,et al.Entropy-based sensor selection heuristic for target localization[C]//Proceedings of the 3rd international symposium on information processing in sensor networks.[s.l.]:ACM,2004:36-45.

        [9] Gupta V,Chung T H,Hassibi B,et al.On a stochastic sensor selection algorithm with applications in sensor scheduling and sensor coverage[J].Automatica,2006,42(2):251-260.

        [10] Zhao F,Shin J,Reich J.Information-driven dynamic sensor collaboration[J].IEEE Signal Processing Magazine,2002,19(2):61-72.

        [11] Zhao F,Guibas L J.Wireless sensor networks:an information processing approach[M].San Francisco,CA,USA:Morgan Kaufmann,2004.

        [12] Kaplan L M.Global node selection for localization in a distributed sensor network[J].IEEE Transactions on Aerospace and Electronic Systems,2006,42(1):113-135.

        [13] Simon D.Optimal state estimation:Kalman,H∞and nonlinear approaches[M].Hoboken,NJ:John Wiley &Sons,2006.

        [14] Tichavsky P,Muravchik C H,Nehorai A.Posterior Cramér-Rao bounds for discrete-time nonlinear filtering[J].IEEE Transactions on Signal Processing,1998,46(5):1386-1396.

        [15] Zuo L,Niu R,Varshney P K.Posterior CRLB based sensor selection for target tracking in sensor networks[C]//International conference on acoustics, speech and signal processing.[s.l.]:IEEE,2007.

        [16] Mohammadi A,Asif A.Consensus-based distributed dynamic sensor selection in decentralised sensor networks using the posterior Cramér-Rao lower bound[J].Signal Processing,2015,108:558-575.

        SensorSelectionAlgorithmforTargetTrackingwithPCRLB

        PANG Xiao-shuang,WANG Xing-bo

        (College of Automation,Nanjing University of Posts and Telecommunications,Nanjing 210023,China)

        For target tracking problems limited by resources like energy,bandwidth and storage under wireless sensor networks,a kind of sensor selection algorithm of Posterior Cramer-Rao Lower Bound (PCRLB) based on the extendedH∞filter is proposed,which can select an optimal sensor set dynamically with time and optimize tracking performance in terms of Root Mean Square Error (RMSE).Monte Carlo method is adopted to compute one-step look-ahead CRLB on the state estimation error in a nonlinear,possibly non-Gaussian and dynamic system with extendedH∞filter for approximate estimation of target state and PCRLB which are presented as the sensor selection criterion to realize the sensor options online.Simulation results with Matlab toolbox show that it has owned better effectiveness and superiority than stochastic sensor node selection algorithm and sensor node selection algorithm based on nearest neighbor.

        target tracking;sensor selection;RMSE;PCRLB;extendedH∞filter;wireless sensor network

        TP301.6

        A

        1673-629X(2017)10-0054-06

        2016-10-08

        2017-01-17 < class="emphasis_bold">網絡出版時間

        時間:2017-07-11

        國家自然科學基金杰出青年基金(60825304);國家“973”重點基礎研究發(fā)展計劃項目(2009cb320600)

        龐小雙(1991-),女,碩士研究生,研究方向為無線傳感器網絡、目標跟蹤;王邢波,博士,講師,碩士生導師,研究方向為無線傳感器網絡、目標跟蹤、機器人控制。

        http://kns.cnki.net/kcms/detail/61.1450.TP.20170711.1455.046.html

        10.3969/j.issn.1673-629X.2017.10.012

        猜你喜歡
        方根濾波無線
        方根拓展探究
        《無線互聯科技》征稿詞(2021)
        無線追蹤3
        基于ARM的無線WiFi插排的設計
        電子制作(2018年23期)2018-12-26 01:01:08
        均方根嵌入式容積粒子PHD 多目標跟蹤方法
        自動化學報(2017年2期)2017-04-04 05:14:28
        ADF7021-N在無線尋呼發(fā)射系統(tǒng)中的應用
        電子制作(2016年15期)2017-01-15 13:39:03
        揭開心算方根之謎
        RTS平滑濾波在事后姿態(tài)確定中的應用
        基于線性正則變換的 LMS 自適應濾波
        遙測遙控(2015年2期)2015-04-23 08:15:18
        數學魔術
        亚洲日本一区二区在线观看| 精品日本一区二区视频| 亚洲va中文字幕无码| 国产freesexvideos中国麻豆| 成人影院羞羞的视频免费观看| 人妻中出精品久久久一区二| 免费a级毛片出奶水| 亚洲成av人在线观看网址| 91久久精品美女高潮喷白浆| 一区二区三无码| 国产欧美VA欧美VA香蕉在| 天天躁日日躁狠狠躁欧美老妇| 中文字幕女优av在线| 亚洲av第二区国产精品| 久久天天躁狠狠躁夜夜中文字幕| 久久久久久久性潮| 国产黄色三级三级三级看三级 | 国产98色在线 | 国产| 与最丰满美女老师爱爱视频 | 亚洲AⅤ男人的天堂在线观看| 中文字幕无线码中文字幕| 亚洲国产精品久久人人爱| 精品无码av无码专区| 国产一品二品三区在线观看| av在线免费播放网站| 久久精品免费无码区| 精品香蕉久久久午夜福利| 国产人妻精品无码av在线| 免费a级毛片18禁网站免费| 久久亚洲乱码中文字幕熟女| 青春草在线观看免费视频| 中文字幕第一页亚洲观看 | 99热高清亚洲无码| 久久精品中文字幕极品| 成人性生交大片免费看r| 少妇愉情理伦片丰满丰满午夜| 成人免费看aa片| 久久久99精品免费视频| 婷婷丁香开心五月综合| 亚洲一区二区三区av天堂| 国产午夜精品久久久久|