专利名称:水下传感器网络目标跟踪系统及方法
技术领域:
本发明涉及一种传感器网络系统,特别涉及一种水下传感器网络目标跟踪系统及方法,属于水下传感器网络信息处理技术领域。
背景技术:
海洋占了地球三分之二的表面积,对人类的生存和发展有着至关重要的意义。目前人类对海洋的了解和开发还只是初级阶段,怎样更深入地认识海洋,更合理的使用海洋资源是一件意义深远的事情。随着陆上无线传感器网络的不断成熟和发展,水下传感器网络作为陆上无线传感器网络向水下的延伸也不断发展。水下传感器网络提供了一个更全面和深刻认识和使用海洋资源的途径。水下被动目标跟踪无论在民事还是军事方面都有广阔的应用前景。被动跟踪只能利用目标的方位信息,传统的单站水下目标跟踪方法受到系统可观测性的限制,要想保证滤波收敛,载体的运动阶数必须高于目标运动阶数。在跟踪时,往往需要载体机动,制定机动策略,使算法复杂度增加,因此水下传感器网络需要解决这一 技术问题,提闻跟踪精度和跟踪稳定性。由于和陆上传感器网络所面临环境不同,从通信方式到网络协议、拓扑结构等,水下传感器网络有着自己的特点,已有的陆上传感器网络技术不能照搬到水下传感器网络。水声通信的低速率、高误码率、低带宽、高时延以及水下环境复杂可变带来的不可靠性限制了水下传感器网络技术的发展。目前,面向水下传感器网络的的应用还不够成熟,大多数都停留在理论阶段,离实际应用还有一定距离。基于水下传感器网络的被动目标跟踪更是如此。水下传感器网络的被动目标跟踪属于非线性状态估计问题,实际环境中的噪声也多不符合高斯假设,上世纪90年代发展起来粒子滤波算法作为非线性非高斯问题目前的最合理解法在目标跟踪方面得到广泛应用。但是粒子滤波存在粒子退化问题,为了解决这个问题往往采用优选重要性密度函数和重采样的方法。优选重要性密度函数使重要性函数包含了更多的后验信息可以提高滤波精度,更快的跟踪目标状态变化。采用EKF (扩展卡尔曼滤波)或者UKF (无迹卡尔曼滤波)产生重要性密度函数的建议分布是常用的优选重要性密度函数的方法,其中UKF计算相对于简单,且在同阶的情况下能达到更高的精度。现有技术中,各种改进的粒子滤波算法对这些问题有所考虑,但是没有结合水下长时延的环境。水下传感器网络采用声通信的方式带来了信号延时的问题,由于声波在水中的传播速度低,信号时延大,时延带来的误差使得多个传感器测的数据不是目标同一时刻的信息,增大了跟踪误差。并且大多水下传感器网络目标跟踪滤波算法多假设目标运动方程的系统噪声为强度始终不变的高斯白噪声,不能很好地反映目标实际运动,尤其当目标机动时,这种噪声假设偏差更大,使滤波误差增大。大多数的算法研究也停留在二维平面范围内,没有考虑实际三维情况,和实际有一定差距。因此,针对水下特殊环境研究相适应的高精度的算法和相应的实用性强的应用系统是水下传感器网络目标跟踪的发展方向
发明内容
本发明的目的在于提供一种水下传感器网络目标跟踪系统及方法,该系统能耗较低,通信量较小,实用性较强。在跟踪方法上以修正时延自适应UKF_PF算法克服水下声信号长时延带来的问题,以适应了水下环境,且能够自动适应目标机动,提高跟踪精度。本发明的目的通过以下技术方案予以实现一种水下传感器网络目标跟踪系统,包括陆上网络部分和水域网络部分。所述水域网络部分包括多个水下目标跟踪簇I和一个水面处理中心2 ;所述每个水下目标跟踪簇I包括多个水下传感器节点3和一个簇头节点4,所述水下传感器节点3采集水下目标的辐射噪声,得到目标方位信息并将这些信息传递给簇头节点4 ;所述簇头节点4,接收水下传感器节点3传送过来的目标方位信息,估计目标状态并将目标状态信息上传至水面处理中心2 ;所述簇头节点4还适时对簇内的水下传感器节点3的工作状态进行调整,并向其它簇头节点传递目标的状态信息以便用于下一时刻的状态估计。所述水面处理中心2,融合水下各个簇头节点传送来的局部航迹信息,形成对目标状态的整体估计,并将目标状态有关信息发送给陆上网络部分。所述陆上网络部分包括一个岸边基站5和多个远程指控中心6。所述岸边基站5,用于接收水面处理中心2传递来的目标状态信息并进行显示,并将目标状态有关信息连接至网络。所述远程指挥中心6,用于通过网络远程查看目标的各种状态信息,以服务于更高
一层的应用。一种水下传感器网络目标跟踪系统的水下簇头节点对目标状态的估计方法,该方法为修正时延自适应UKF_PF算法,包括如下步骤(I)初始化,建立目标运动模型并给目标状态赋初值建立目标的运动模型为匀速模型,将目标的加速度假设为过程噪声,并引入噪声权系数来反映目标机动或环境变化带来的过程噪声强度的变化,设目标加速度为零均值高斯分布,目标运动方程为X(k+l)=AX(k) + r (k)Bw(k),观测方程为,Z (k) =H (X (k)) +V (k),其中 X (k) = [x (k) y (k) z (k) vx (k) vy (k) vz (k) ]T 为目标 k 时刻的状态,X (k)、y (k)、z (k)为目标k时刻的位置坐标,vx (k)、vy (k)、vz (k)为k时刻目标在X、y、z轴的速度;Z (k) = [ Θ工(k),…,Θ N (k)]为k时刻簇内η个传感器节点的
测量值
权利要求
1.一种水下传感器网络目标跟踪系统,其特征在于,包括陆上网络部分和水域网络部分;所述水域网络部分包括多个水下目标跟踪簇(I)和一个水面处理中心(2);所述每个水下目标跟踪簇(I)包括多个水下传感器节点(3)和一个簇头节点(4),所述水下传感器节点(3)采集水下目标的辐射噪声,得到目标方位信息并将这些信息传递给簇头节点(4);所述簇头节点(4),接收水下传感器节点(3)传送过来的目标方位信息,估计目标状态并将目标状态信息上传至水面处理中心(2);所述簇头节点(4)还对簇内的水下传感器节点(3)的工作状态进行调整,并向其它簇头节点传递目标的状态信息以便用于下一时刻的状态估计;所述水面处理中心(2),融合水下各个簇头节点传送来的局部航迹信息,形成对目标状态的整体估计,并将目标状态有关信息发送给陆上网络部分;所述陆上网络部分包括一个岸边基站(5)和多个远程指控中心(6);所述岸边基站(5),用于接收水面处理中心(2)传递来的目标状态信息并进行显示,并将目标状态有关信息连接至网络;所述远程指挥中心(6),用于通过网络远程查看目标的各种状态信息,以服务于更高一层的应用。
2.如权利要求I所述的水下传感器网络目标跟踪系统的水下簇头节点对目标状态的估计方法,该方法为修正时延自适应UKF_PF算法,其特征在于,包括如下步骤 (I)初始化,建立目标运动模型并给目标状态赋初值 建立目标的运动模型为匀速模型,将目标的加速度假设为过程噪声,并引入噪声权系数来反映目标机动或环境变化带来的过程噪声强度的变化,设目标加速度为零均值高斯分布,目标运动方程为X(k+l)=AX(k) + r (k)Bw(k),观测方程为,Z (k) =H (X (k)) +V (k),其中 X (k) = [x (k) y (k) z (k) vx (k) vy (k) vz (k) ]T 为目标 k 时刻的状态,X (k)、y (k)、z (k)为目标k时刻的位置坐标,vx (k)、vy (k)、vz (k)为k时刻目标在X、y、z轴的速度;Z (k) = [ Θ工(k),…,Θ N (k)]为k时刻簇内η个传感器节点的测量值
全文摘要
本发明公开了一种水下传感器网络目标跟踪系统和方法。系统包括陆上网络和水域网络,水域网络包括多个水下目标跟踪簇和一个水面处理中心,水下目标跟踪簇包括若干水下传感器节点和一个簇头节点。本发明在修正各个传感器节点所采集信号时延的基础上结合自适应UKF和PF对目标状态进行跟踪。修正时延降低了因传感器节点同一时刻采集的信号不同源所造成的跟踪误差,使跟踪更可靠;自适应UKF自动根据目标机动情况调整系统噪声加权系数以更贴切的描述目标实际运动状态,克服了目标运动模型在目标机动时有失准确性的缺点,并为粒子滤波提供了包含更多后验信息的重要性函数,减轻了粒子退化,提高了跟踪精度。
文档编号G01S15/66GK102830402SQ20121033067
公开日2012年12月19日 申请日期2012年9月10日 优先权日2012年9月10日
发明者曾庆军, 张冬运, 王彪, 章飞, 陈伟 申请人:江苏科技大学