苗 麗，元昌安，覃 曉

（1.廣西經(jīng)貿(mào)職業(yè)技術(shù)學(xué)院，南寧 530021；2.廣西教育學(xué)院，南寧 530021；3.南寧師范大學(xué)，南寧 530001）

0 引言

隨著傳感器技術(shù)的發(fā)展，微機電系統(tǒng)和無線通信極大地促進了現(xiàn)代無線傳感器網(wǎng)絡(luò)（Wireless Sensor Networks，WSNs）的出現(xiàn)和發(fā)展。WSNs 通常由大量體積小、低功率、低成本的傳感器節(jié)點組成，這些節(jié)點配備小容量、不可充電電池。WSNs 將人類、機器和環(huán)境之間的交互引入一個新的范式，WSNs 的快速發(fā)展促使其在許多領(lǐng)域得到應(yīng)用，如環(huán)境監(jiān)測、生物醫(yī)學(xué)健康監(jiān)測和軍事目標跟蹤和監(jiān)視等。目標跟蹤是WSNs 中最基本的應(yīng)用之一。它的目的是檢測目標的存在并對目標位置進行估計和持續(xù)跟蹤。為了提高目標跟蹤的精度，需要兩個以上的傳感器節(jié)點跟蹤一個目標，這就需要一個協(xié)調(diào)策略，同時，要實現(xiàn)高精度的跟蹤并保持能源效率是非常具有挑戰(zhàn)性的，通常存在傳感器節(jié)點能量有限，通信距離短，帶寬低，處理和存儲有限、大多數(shù)用于目標跟蹤應(yīng)用的WSNs 是密集的、稀疏的，并且部署復(fù)雜的環(huán)境中、相鄰的傳感器節(jié)點通常具有相似的數(shù)據(jù)、各種各樣的噪聲降低了目標的精度等問題。因此，如何盡可能地在降低能量消耗延長網(wǎng)絡(luò)生命周期的同時提高跟蹤精度是亟需解決的問題。

現(xiàn)有文獻中用于無線傳感器目標跟蹤的算法和協(xié)議，基本上分為基于樹的、基于預(yù)測的和基于簇的跟蹤協(xié)議。在基于樹的跟蹤方法中，移動目標被傳感器節(jié)點包圍，當(dāng)目標移動時，動態(tài)地配置樹來添加和刪除一些節(jié)點。文獻［5］中提出的基于動態(tài)前饋生成樹的跟蹤算法，在預(yù)測目標方向上形成前饋樹，目的是減少快速移動目標丟失的次數(shù)?；陬A(yù)測的方法，基于歷史數(shù)據(jù)來預(yù)測移動對象的下一個位置。文獻［4］提出了一個基于預(yù)測的能源節(jié)約方案，該方案包括預(yù)測模型、喚醒機制和恢復(fù)機制。文獻［6］中提出了一種擴展版本的KFs（EKFs）用于非線性目標跟蹤。

基于聚類的跟蹤方法中，網(wǎng)絡(luò)被分成稱為簇的小子集，一般分為靜態(tài)跟蹤和動態(tài)跟蹤兩種。在靜態(tài)方法中，簇是在網(wǎng)絡(luò)部署時靜態(tài)地構(gòu)建的。每個簇的屬性（例如簇的大小、它所覆蓋的區(qū)域以及它擁有的成員）是靜態(tài)的。文獻［7］（EET）通過提出一個事件驅(qū)動的睡眠機制來降低能量消耗。但是，該算法存在調(diào)度消息帶來的通信開銷大的問題。在文獻［8］（GSCTA）定義了所有成員節(jié)點及其相關(guān)的leader 節(jié)點。雖然這種預(yù)先構(gòu)建的簇為目標跟蹤帶來了簡單性，但由于不同簇中的節(jié)點無法相互協(xié)作，對成員關(guān)系的約束會導(dǎo)致容錯問題。在動態(tài)方法中，當(dāng)事件發(fā)生時就會觸發(fā)簇的構(gòu)造，并且簇的屬性沒有限制?，F(xiàn)有的基于動態(tài)簇的目標跟蹤方法可分為分布式預(yù)測跟蹤、自適應(yīng)動態(tài)簇跟蹤協(xié)議、動態(tài)簇頭選擇與條件再聚類、自適應(yīng)簇頭聚類算法。文獻［9］提出了一種基于節(jié)點和簇頭分離算法的運動目標分布式預(yù)測跟蹤協(xié)議，算法為了保證能源效率和可擴展性，基于需要選擇聚類形式。簇頭使用一個目標描述符來識別目標并預(yù)測它的下一個位置。文獻［10］提出了一種分布式的、可擴展的基于簇的無線傳感器網(wǎng)絡(luò)移動目標跟蹤協(xié)議，該協(xié)議選擇距離目標預(yù)測位置最近的傳感器節(jié)點作為簇頭。簇頭根據(jù)數(shù)據(jù)有用性和能量消耗相結(jié)合的最優(yōu)選擇函數(shù)，形成具有合適傳感器節(jié)點數(shù)的簇。文獻［11］允許每個傳感器節(jié)點根據(jù)數(shù)據(jù)檢測和傳輸將消耗的能量來確定自己的激勵。該激勵值表示當(dāng)新簇頭持續(xù)存在時，傳感器節(jié)點不考慮簇頭的輪數(shù)。當(dāng)前簇頭節(jié)點根據(jù)每個傳感器節(jié)點建議的激勵機制重新調(diào)度下一輪將使用的簇頭序列，從而減少能量消耗。自適應(yīng)簇頭聚類算法被提出，以解決資源約束和跟蹤精度之間的權(quán)衡，通過利用聚類架構(gòu)和可行的功率控制機制來實現(xiàn)。然而，自適應(yīng)簇頭聚類算法中主節(jié)點的選擇機制僅基于檢測傳感器節(jié)點與移動目標之間的距離，不考慮節(jié)點的能量以及節(jié)點到基站的距離。事實上，這可能會導(dǎo)致傳感器節(jié)點的提前死亡，從而降低網(wǎng)絡(luò)的生存期。該算法的另一個缺點是當(dāng)目標速度提高到10 m/s 以上時，隨著目標的快速移動，形成的簇頻繁地偏離目標，導(dǎo)致跟蹤誤差急劇增加。

針對這些問題，本文提出改進算法來優(yōu)化自適應(yīng)聚類算法。該算法首先采用動態(tài)聚類算法，通過考慮節(jié)點剩余能量、傳感器節(jié)點到匯聚的距離和傳感器節(jié)點到運動目標的距離3 個參數(shù)，最大限度地減少簇頭與基站之間的遠程通信，從而節(jié)約網(wǎng)絡(luò)能量，延長網(wǎng)絡(luò)壽命，降低目標漏失概率。在此基礎(chǔ)上，加入預(yù)測機制，采用線性預(yù)測的方法預(yù)測運動目標的下一個位置，繼而根據(jù)得到的預(yù)測誤差，改變集群的大小和形狀，從而減少參與跟蹤過程的傳感器節(jié)點數(shù)量，節(jié)約網(wǎng)絡(luò)能量，保持合理的跟蹤精度。仿真實驗對網(wǎng)絡(luò)能源消耗、跟蹤誤差和網(wǎng)絡(luò)壽命進行分析，實驗結(jié)果表明，與現(xiàn)有算法相比，該算法在考慮隨機運動速度的情況下仍能準確地跟蹤目標，且能耗更低，大大延長了網(wǎng)絡(luò)的生命周期，從而表明本文所提算法的有效性和可行性。

1 系統(tǒng)模型建立

1.1 無線電波能量和信道傳播模型

在本文中，假設(shè)使用與文獻［13］相同的無線電能量模型。傳感器無線電能量模型由微控制器處理、無線電發(fā)射和無線電接收組成。在發(fā)射機中，能量在運行無線電電子設(shè)備和功率放大器時消耗，在接收機中，能量在運行無線電電子設(shè)備時消耗。

在無線信道中，電磁波的傳播可以被建模為發(fā)射機和接收機之間距離的冪律函數(shù)。此外，接收功率隨著發(fā)射機和接收機之間距離的增加而減小。在模擬中，自由空間（視線直線）和多徑衰落（雙射線地面）信道模型的使用取決于發(fā)射和接收之間的距離。簡而言之，如果發(fā)射機和接收機之間的距離小于一定的交叉距離（dcrossover），則使用自由空間傳播模型（d衰減）；否則，采用雙射線地面?zhèn)鞑ツＰ停╠衰減）。因此，k 比特數(shù)據(jù)包傳輸距離d 所需的總能量計算如下：

1.2 系統(tǒng)假設(shè)

對于本文所提出的算法，對網(wǎng)絡(luò)模型的假設(shè)如下：1）無線傳感器網(wǎng)絡(luò)由大量的傳感器節(jié)點和簇節(jié)點構(gòu)成；2）傳感器節(jié)點均勻分布在固定長度距離的正方形網(wǎng)格上；3）所有傳感器節(jié)點具有相同的處理能力；4）簇節(jié)點位于無線傳感器網(wǎng)絡(luò)的中間；5）傳感器和基站是靜止的，傳感器節(jié)點知道它們的位置坐標；6）每個傳感器節(jié)點具有相同的傳感和通信能力，所有節(jié)點的時鐘是同步的；7）傳感器節(jié)點使用雙向鏈路在彼此之間和接收器之間中繼數(shù)據(jù)；8）目標的運動行為是隨機選擇的，每個傳感器節(jié)點一次只能檢測到一個目標。

2 本文提出的算法

2.1 改進的簇頭自適應(yīng)算法

為更有效、更精確地跟蹤移動目標，本文提出了改進的簇頭自適應(yīng)算法。該算法考慮了一個基于動態(tài)簇的架構(gòu)，其中簇是根據(jù)移動目標的存在而動態(tài)形成的。算法的操作分為兩組，一組低能量適應(yīng)聚類層。每一輪有兩個階段：建立階段和穩(wěn)定階段。在設(shè)置階段，根據(jù)選舉技術(shù)選擇簇頭，將在本節(jié)中進一步討論。在穩(wěn)態(tài)階段，簇中的每個成員節(jié)點將數(shù)據(jù)傳輸?shù)狡浯仡^，簇頭再將數(shù)據(jù)聚合并報告給基站。為了減少能量消耗，穩(wěn)態(tài)階段通常較長，然而，輪轉(zhuǎn)時間是由基站在網(wǎng)絡(luò)部署的初始時刻指定的。改進算法包括以下3 個階段：初始階段、目標跟蹤階段和主選階段。

2.1.1 初始階段

在此階段，傳感器節(jié)點均勻分布在網(wǎng)絡(luò)區(qū)域內(nèi)。在初始時刻，所有傳感器節(jié)點都處于睡眠狀態(tài)。它們只是定期喚醒并在短時間內(nèi)（設(shè)置時間）進行檢測。如果什么都沒有發(fā)生，那么它們將在另一段時間內(nèi)保持睡眠狀態(tài)。如果任何傳感器節(jié)點檢測到目標，則啟動目標跟蹤過程。

2.1.2 目標跟蹤階段

在這個階段，第1 個探測到目標的節(jié)點將使用多址訪問（CSMA）協(xié)議向網(wǎng)絡(luò)中其他節(jié)點或者更遠的節(jié)點廣播一條廣告消息。此消息使檢測目標的其他節(jié)點知道該節(jié)點被選為第1 輪的主節(jié)點，從而阻止這些節(jié)點發(fā)送其他廣告消息。因此，主節(jié)點發(fā)送請求信息給其他所有與主節(jié)點一跳距離的鄰居節(jié)點，將其作為從節(jié)點并直接形成一個簇。每個相鄰的傳感器節(jié)點發(fā)送1 個加入請求消息到主節(jié)點，其中包含位置信息，通知主節(jié)點將它作為從節(jié)點。簇形成后，主節(jié)點建立一個時分多址（TDMA）計劃，并相應(yīng)地發(fā)送給它的從節(jié)點，這一機制避免了發(fā)送消息的沖突。在所有從節(jié)點都知道TDMA 調(diào)度之后，每個檢測目標的從節(jié)點會找到它的剩余能量并使用到TOA 方法計算它到目標的距離。該數(shù)據(jù)在分配的TDMA 時隙通過從節(jié)點數(shù)據(jù)消息發(fā)送到主節(jié)點。另一方面，主節(jié)點在從節(jié)點消息中獲得數(shù)據(jù)且聚合自己的數(shù)據(jù)，從而計算探測傳感器節(jié)點與基站之間的距離。主協(xié)議基本維護3 個列表：第1 個列表包含目標到檢測傳感器節(jié)點的距離；第2 種包含檢測傳感器節(jié)點的剩余能量；第3 個包含所述檢測傳感器節(jié)點與接收節(jié)點之間的距離。主協(xié)議使用這些列表根據(jù)以下公式來查找權(quán)重最大的傳感器節(jié)點：

在weight表示檢測待選為主節(jié)點的傳感器節(jié)點的權(quán)重，E表示檢測傳感器節(jié)點的剩余能量，D表示檢測傳感器節(jié)點到基站的距離，D表示檢測傳感器節(jié)點到目標的距離。如果當(dāng)前的主節(jié)點仍然擁有最高的權(quán)值，那么在下一輪中它仍將是主節(jié)點，并重新分配相同的從節(jié)點。否則，必須選擇一個新的主節(jié)點。此外，在主節(jié)點中維護的第1個列表在定位算法中用于估計目標位置，稍后將對此進行討論。估計目標位置后，主節(jié)點將估計的目標位置記錄在目標存檔中，然后通過簇節(jié)點消息發(fā)送給基站。

2.1.3 主選舉階段

主節(jié)點的選擇非常重要，也就是說，它不僅僅影響目標跟蹤的精度，同時影響簇的能量效率。因此，整個網(wǎng)絡(luò)的生命周期可能會受到嚴重影響。在這個階段，主協(xié)議選擇擁有最高權(quán)值的節(jié)點作為新的主節(jié)點。當(dāng)前的主節(jié)點向新選擇的主節(jié)點發(fā)送一個MigrateMaster 消息，其中包含目標位置歷史記錄。然后由新的主節(jié)點執(zhí)行從節(jié)點邀請、目標定位以及向接收器發(fā)送目標位置等操作。

下面顯示了在選擇主節(jié)點時使用的參數(shù)的描述：

1）節(jié)點剩余能量。任何節(jié)點的剩余能量都是基于節(jié)點在發(fā)送和接收過程中消耗的能量。因此，每輪傳感器節(jié)點的平均能量計算公式如下：

主節(jié)點消耗更多的能量，因為它會傳送3 類信息，包括InviteSlave，SinkData 和MigrtateMaster。第1個用于邀請從服務(wù)器，第2 個用于向接收發(fā)送目標估計位置，最后一個用于將主節(jié)點遷移到新的主節(jié)點。另一方面，從節(jié)點傳輸兩種消息，即JoinRequest和slavedata。第1 個用于通知主節(jié)點，它將作為簇中的從節(jié)點，另一個用于向主節(jié)點發(fā)送從數(shù)據(jù)。據(jù)此，主節(jié)點和從節(jié)點兩類傳感器節(jié)點的剩余能量可以表示為：

其中，E和E分別表示主從節(jié)點的剩余能量，（n）表示從節(jié)點的數(shù)量，d、d和d分別表示主節(jié)點與從節(jié)點、接收器和新選出的主節(jié)點間的距離。

2）探測傳感器節(jié)點與匯聚節(jié)點之間的距離，利用歐幾里得距離公式：

其中，點（x，y）表示檢測傳感器節(jié)點的位置，（x，y）表示接收器的位置。

3）為了計算運動目標與檢測傳感器節(jié)點之間的距離，本文采用了TOA 方法。在本文提出的算法中，TOA 表示信號從檢測傳感器節(jié)點到運動目標的時間。因此，考慮到信號速度約為340 m/s，目標與探測傳感器節(jié)點的距離可直接根據(jù)式（11）計算：

在一些應(yīng)用中，可能會有障礙阻止傳感器節(jié)點和目標之間的直接視線。因此，TOA 的讀數(shù)可能受到影響。然而，在IAH 中所采用的定位算法與簇頭自適應(yīng)聚類算法相同，主要依賴于圖1 所示的圓交原理。定位算法利用式（11）的結(jié)果，結(jié)合檢測傳感器節(jié)點的位置，得到一組圓方程：

圖1 利用圓交求目標估計位置

在（a，b）的位置檢測傳感器節(jié)點，每個傳感器節(jié)點在網(wǎng)絡(luò)部署時知道它的位置，r是檢測傳感器節(jié)點和移動目標之間的距離，n 代表所需的檢測傳感器節(jié)點且數(shù)量必須至少有3 個。則求解這組方程，得到目標（x，y）的估計位置。

在本文所提算法中，傳感器節(jié)點一般按照圖2 所示的狀態(tài)轉(zhuǎn)換模型工作。根據(jù)簇頭自適應(yīng)頭算法的定義，每個傳感器節(jié)點應(yīng)該處于以下4 種狀態(tài)之一：主、從、監(jiān)聽或休眠。然而，在本文提出的算法中，除了接收和發(fā)送消息的能力之外，接收者或從者狀態(tài)還可以檢測到其范圍內(nèi)的目標。該傳感器處于偵聽狀態(tài)，可以檢測到其范圍內(nèi)的目標，而不是其從鄰近傳感器接收消息的能力。當(dāng)處于睡眠狀態(tài)時，傳感器無法檢測目標或接收任何消息。因此，這種狀態(tài)更省電。

圖2 算法中傳感器節(jié)點的狀態(tài)轉(zhuǎn)移模型

2.2 基于預(yù)測機制的的簇頭自適應(yīng)算法

目標的運動是不確定的但通常遵循一定的物理規(guī)律?；陬A(yù)測的方法能有助于優(yōu)化能量效率和跟蹤精度。因此，本文將基于預(yù)測的方法與2.1 節(jié)提出的自適應(yīng)算法相結(jié)合，以提高算法的性能?；陬A(yù)測的方法用于預(yù)測運動目標的下一個位置。利用了這一點，提出了一種節(jié)能的方法，在一定的誤差閾值的基礎(chǔ)上，可以有效地將形成的簇中激活的傳感器節(jié)點數(shù)量減少一半。除此之外，所提算法為簇頭的選擇公式增加了一個新的維度，包括節(jié)點與預(yù)測位置的距離。本文采用線性預(yù)測方法，這種機制使用目標的當(dāng)前和以前的位置來預(yù)測它的下一個位置。整個預(yù)測過程分為5 個步驟，這5 個步驟都是由主節(jié)點完成的。假設(shè)當(dāng)前目標位置為時刻（t），則

步驟1：根據(jù)當(dāng)前位置（x，y）和以前的位置（x，y）獲得當(dāng)前速度v 和方向θ，通過MigraMaster 消息發(fā)送，計算如下：

D表示預(yù)測位置和檢測節(jié)點之間的距離。

3 實驗與結(jié)果分析

3.1 參數(shù)設(shè)置

在Windows7 環(huán)境下的Intel core 2 Duo 2.20GHz和4 GB 內(nèi)存上進行仿真實驗。在本實驗中，（24×24）傳感器節(jié)點均勻分布在230 m×230 m 的二維正方形網(wǎng)格上。接收器位于位置（x=115，y=115），無線電電子能量設(shè)置為50 nj/bit，其中，無線電發(fā)射機能量設(shè)置為當(dāng)距離小于d時，值為10 pj/bit/m2，如果距離大于d時，值為0.001 3 pj/bit/m2。相鄰節(jié)點之間的定長距離設(shè)置為10 m。每個節(jié)點的感知范圍為10×√2 m。每個節(jié)點初始為0.5 j 的能量。在本文提出的第1 個算法（改進的簇頭自適應(yīng)算法）的仿真模型中，簇由8 個從節(jié)點和1 個位于集群中心的主節(jié)點組成。在第2 種改進的算法中（基于預(yù)測機制的的簇頭自適應(yīng)算法），簇由1 個主節(jié)點，位于簇的中心，通過一定誤差門限選擇4 個或者8 個從節(jié)點。在兩種算法中簇的形狀均為正方形，用于處理簇壓蓋或者主節(jié)點與從節(jié)點之間的通信距離。

實驗證明數(shù)據(jù)傳輸比數(shù)據(jù)處理和局部感知會消耗更多的能量。因此，在設(shè)計目標跟蹤算法時必須充分考慮。在本文提出的算法中，傳感器通過5個控制消息相互通信：InviteSlave、JointRequest、SlaveData、SinkData 和Migratemaster 消息。這些消息的格式基本上由以下5 個部分組成：頭部用于區(qū)分控制消息和可能的上層使用，距離讀數(shù)描述為被檢測目標到檢測節(jié)點的距離，目標位置歷史記錄讀取顯示主節(jié)點上先前接收到的目標位置的歷史記錄，預(yù)測讀數(shù)表示目標的預(yù)測位置，剩余能量部分表示從節(jié)點的剩余能量。最后，主ID、從ID 和接收ID 分別表示主、從和接收標識符。利用仿真實驗來評估本文算法的性能，主要使用3 個性能指標，包括能源消耗、網(wǎng)絡(luò)壽命和跟蹤誤差。它們的定義如下：

1）能量消耗：表示仿真開始后傳感器節(jié)點之間通信所消耗的總能量。

2）網(wǎng)絡(luò)生存期：它表示從最初部署到網(wǎng)絡(luò)中第1 個節(jié)點死亡的時間，以輪為單位計算。

3）跟蹤誤差：得到的估計位置與實際位置之間的歐氏距離的平均值，用于測量跟蹤誤差。

3.2 仿真結(jié)果及分析

本文使用多種場景來驗證所提算法的性能。首先，研究了增加傳感器密度對能量消耗的影響，增加傳感器密度意味著減少所使用的固定長度的距離。其次，研究了改變傳感器密度對跟蹤誤差的影響。第三，對比了不同的目標速度對跟蹤誤差的影響。第四，研究了擴大網(wǎng)絡(luò)規(guī)模對能耗的影響。最后，研究了當(dāng)初始能量變化時網(wǎng)絡(luò)的生命周期。將本文所提算法與文獻［12］所提簇頭自適應(yīng)算法進行比較，下文中Algorithm1 表示文獻［12］所提算法，Algorithm2 表示本文所提第1 種算法，Algorithm3 表示本文所提第2 種算法。

3.2.1 能量消耗與傳感器密度關(guān)系分析

圖3 給出了文獻［12］所提算法、本文所提算法1 和本文所提算法2 的能量消耗與傳感器密度的對比。在這個圖中，網(wǎng)絡(luò)中的傳感器密度從361 個節(jié)點到2 025 個節(jié)點不等。正如預(yù)期的那樣，所有算法的能量消耗都隨著環(huán)境密度的增加而增加，因為環(huán)境之間的距離越來越近，而形成環(huán)境變化趨勢的可能性也在增加。因此，檢測目標的傳感器數(shù)量增加，從而消耗更多的能量。相對于文獻［12］所提算法，本文所提第1 種算法的能耗降低了15%。實際上，這是由于在選擇主節(jié)點時采用了一種新的準則，主要有助于縮短主節(jié)點和匯聚節(jié)點之間的通信距離。為了滿足這個條件，每個從臺只向主節(jié)點發(fā)送1 條控制消息，這足以估計目標位置并選擇新的主臺。因此，交換的控制消息的數(shù)量保持在較低水平。如圖3 所示，在考慮所有密度值時，本文所提第2 種算法在能量消耗方面優(yōu)于其他所有算法。相對于本文所提第1 種算法和文獻［12］所提算法，本文所提第2 種算法的能耗分別降低了28%和43%。

圖3 算法的能量消耗與傳感器密度的對比

3.2.2 跟蹤誤差與傳感器密度關(guān)系

在此情況下，通過仿真研究了傳感器密度對跟蹤誤差的影響。圖4 給出了文獻［12］所提算法、本文所提算法1 和本文所提算法2 的跟蹤誤差與傳感器密度的變化關(guān)系圖。由跟蹤誤差的結(jié)果可以清楚地看到，文獻［12］所提算法在目標低速運動（0 ～10 m/s）的約束下，跟蹤誤差取得了有趣的結(jié)果。事實上，主選過程只取決于目標的檢測。隨著目標移動的越來越快，形成的簇經(jīng)常會錯過目標，這反過來會導(dǎo)致罕見的簇形成，從而觸發(fā)跟蹤誤差的急劇增加。另一方面，本文所提算法1 和本文所提算法2的跟蹤誤差（與門限45°）算法是穩(wěn)定的。換句話說，目標速度的任何提高都不會對跟蹤誤差產(chǎn)生太大的影響，因為選擇新節(jié)點采用了一種新的程序，如前所述，其中組合了多個參數(shù)，并相應(yīng)地考慮了這些參數(shù)的最高權(quán)重。因此，降低了目標丟失的概率，從而提高了跟蹤精度。本文提出的算法對目標速度在［10 m/s～16 m/s］范圍內(nèi)的跟蹤誤差提高了近52%。隨著傳感器密度的增加，傳感器之間的距離越來越近，所以所有算法的跟蹤誤差都比較小，并且表現(xiàn)出相似的行為。這使得對目標的定位更加準確，從而使得動態(tài)形成的簇偏離目標的概率越來越低。

圖4 算法的跟蹤誤差與傳感器密度的對比

3.2.3 跟蹤錯誤與目標速度的對比

圖5 描述了所有可比較算法提高目標速度對比。

圖5 算法的跟蹤誤差與目標速度對比

3.2.4 能源消耗與網(wǎng)絡(luò)大小的對比

圖6 描述了在考慮上述所有算法的情況下，增加網(wǎng)絡(luò)規(guī)模對能耗的影響。網(wǎng)絡(luò)中傳感器節(jié)點密度保持不變（0.011 5 sensor/m2），而網(wǎng)絡(luò)大小從（100 m×100 m）到（350 m×350 m）不等。首先，所有算法都具有遞增行為，隨著網(wǎng)絡(luò)規(guī)模的增大，傳感器節(jié)點之間的距離越來越遠，數(shù)據(jù)傳輸?shù)木嚯x也越來越遠，從而導(dǎo)致了大量能量的消耗。其次，本文所提兩種算法的性能優(yōu)于自適應(yīng)頭算法。因為主節(jié)點的選擇過程得到了改進，這充分有助于在與基站通信時保持使用自由空間模型而不是多徑衰落信道。最后，可以進一步觀察到，本文所提第2 種算法在閥值為45°時，在能源消耗方面優(yōu)于所有其他算法，分別減少了27%和40%。

圖6 算法的能耗與網(wǎng)絡(luò)維數(shù)對比

3.2.5 網(wǎng)絡(luò)生命周期與初始能量

圖7 描述了在網(wǎng)絡(luò)生命周期中使用不同初始能量的結(jié)果。正如預(yù)期的那樣，隨著初始能量的增加，所有算法都趨向于擁有更長的生命周期。事實上，增加傳感器節(jié)點的初始能量可以使其工作時間更長，從而使網(wǎng)絡(luò)壽命更長。結(jié)果表明，本文所提算法的網(wǎng)絡(luò)生存期比文獻［12］所提算法的網(wǎng)絡(luò)生存期要高。這是由于選擇方法縮短了主節(jié)點和接收節(jié)點之間的通信距離。這樣，在主傳輸期間消耗的能量就減少了，從而使網(wǎng)絡(luò)的生命周期更長。這種新的選擇方法不僅縮短了通信距離，而且通過將傳感器節(jié)點的剩余能量作為參數(shù)插入到選擇準則中來平衡傳感器節(jié)點的能量消耗。因此，主節(jié)點在網(wǎng)絡(luò)中的大多數(shù)傳感器節(jié)點之間進行旋轉(zhuǎn)。換句話說，不會頻繁地選擇同一個主節(jié)點。事實上，這可以降低傳感器節(jié)點早死的可能性，從而增加網(wǎng)絡(luò)的生命周期。同時隨著初始能量的增加，本文提出的算法比文獻［12］所提算法的輪數(shù)急劇增加，直到第1 個節(jié)點死亡為止。這是合理的，因為它提供了更高的能源效率。從圖7 中可以明顯看出，本文提出的算法的網(wǎng)絡(luò)壽命比文獻［12］所提算法至少提高了70%。

圖7 網(wǎng)絡(luò)生命周期與節(jié)點初始能量的關(guān)系

綜上，本文所提出的算法通過優(yōu)化主節(jié)點的選擇和減少參與跟蹤過程的傳感器節(jié)點的數(shù)量，達到了更好的能效和跟蹤質(zhì)量。具體來說，第1 種算法增強了主節(jié)點的選擇機制，考慮了節(jié)點剩余能量、傳感器節(jié)點到匯聚的距離和傳感器節(jié)點到運動目標的距離3 個參數(shù)。在第2 種算法中，采用了一種基本影響主選舉過程和激活傳感器數(shù)量的預(yù)測方法。換句話說，主節(jié)點的選擇受1 個附加參數(shù)的影響超過了前面3 個描述節(jié)點與預(yù)測位置的距離的參數(shù)。根據(jù)所采用的誤差閾值，參與簇形成的傳感器數(shù)量可能會下降到4 個菱形（而不是8 個）。在能量效率和跟蹤質(zhì)量方面表明，在考慮不同網(wǎng)絡(luò)密度、目標速度和網(wǎng)絡(luò)維數(shù)的情況下，本文提出的算法取得了令人滿意的性能，大大優(yōu)于文獻［12］所提算法。此外，目標速度的增加對兩種算法的跟蹤誤差影響不大，而在自適應(yīng)頭聚類算法中，當(dāng)目標速度增加超過10 m/s 時，跟蹤誤差急劇增加。本文提出的算法保證了網(wǎng)絡(luò)的可擴展性，因為即使網(wǎng)絡(luò)規(guī)模越來越大，它們也能很好地執(zhí)行。

4 結(jié)論

本文針對無線傳感器網(wǎng)絡(luò)目標跟蹤中跟蹤精度與傳感器節(jié)能問題進行研究，提出了基于預(yù)測的自適應(yīng)頭聚類算法，該算法首先采用動態(tài)聚類算法，通過考慮節(jié)點剩余能量、傳感器節(jié)點到匯聚的距離和傳感器節(jié)點到運動目標的距離3 個參數(shù)，最大限度地減少簇頭與簇sink 之間的遠程通信，從而節(jié)約網(wǎng)絡(luò)能量，延長網(wǎng)絡(luò)壽命，降低目標漏失概率。在此基礎(chǔ)上，加入預(yù)測機制，采用線性預(yù)測的方法預(yù)測運動目標的下一個位置，繼而根據(jù)得到的預(yù)測誤差，改變集群的大小和形狀，從而減少參與跟蹤過程的傳感器節(jié)點數(shù)量，節(jié)約網(wǎng)絡(luò)能量，保持合理的跟蹤精度。仿真實驗對網(wǎng)絡(luò)能源消耗、跟蹤誤差和網(wǎng)絡(luò)壽命進行分析，實驗結(jié)果表明，與現(xiàn)有算法相比，該算法在考慮隨機運動速度的情況下仍能準確地跟蹤目標，且能耗更低，大大延長了網(wǎng)絡(luò)的生命周期，從而表明本文所提算法的有效性和可行性。