专利名称：基于粒子群优化的传感器网络对机动目标的协同跟踪方法
技术领域：
本发明属于雷达技术领域，具体的说是一种自适应地选择传感器网络中的雷达对目标进行最优跟踪的方法。
背景技术：
对于传感器组网目标跟踪而言，参与跟踪的传感器越多，获得的关于目标的信息量就越大，进而可以获得越优的跟踪性能。但是，随着参与跟踪的传感器数量的增加，网络能耗也相应增大。在实际应用中，传感器网络的资源总量往往是受限的，当多个传感器均可实现目标跟踪时，需要选择代价最小，效果最佳的传感器或传感器组合进行跟踪。因此，如何优化目标跟踪精度与传感器网络能耗，提高资源有效利用率，为传感器网络决策出最佳传感器组合进行目标跟踪，是实现对目标高精度协同跟踪的一个关键问题。为了解决这个问题，现有技术有以下三种方法I. Christopher Μ. K.等人在“An information-based approach to sensormanagement in large dynamic networks [C].//Proceedings of the IEEE.U.S. : IEEE，2007，95 (5) :978-999. ”文献[I]中，以最大化先、后验概率密度函数间的信息增量为代价函数实现跟踪传感器的选择，提高了目标跟踪精度，但是该方法网络能耗较大，同时这种采用集中式的传感器选择算法，一旦某一传感器出现问题，会导致整个算法失效。2. LI Zhiming等人在“Sensor node deployment in wireless sensor networksbased on improved particle swarm optimization[C]. //Proceedings of 2009 IEEEInternational Conference on Applied Superconductivity and ElectromagneticDevices. Chengdu: IEEE, 2009:215-217. ”文献[2]中，采用粒子群优化对传感器网络中传感器进行优化部署，未考虑如目标检测、跟踪等具体探测行为，无法实时地对目标探测行为进行优化。3. WANG Xue 等人在 “Distributed energy optimization for targettracking in wireless sensor networks[J].IEEE Transactions on MobileComputing, 2009,9(1) :73-86. ”文献[3]中，考虑了跟踪性能与网络能耗的问题，但其以状态估计的协方差矩阵的迹来衡量跟踪效果，并以此作为传感器选择的标准。对于非线性、非高斯系统而言，状态估计的协方差矩阵无法精确表征后验概率密度函数，用其来衡量跟踪效果是不精确的，进而选择的跟踪传感器往往不是最佳的。
发明内容
本发明的目的在于克服已有方法的缺点，提供一种基于粒子群优化的传感器网络对机动目标的协同跟踪方法，以自适应地选择传感器网络中的雷达对目标进行最优跟踪，确保在非高斯非线性环境下目标跟踪精度的同时降低网络能耗，满足实际应用中对网络低能耗的要求。为实现上述目的，本发明的技术思路是采用粒子群优化算法对传感器网络中的动态传感器的位置进行最优化部署，用最优化部署的传感器组合对目标进行真实探测，并将探测结果进行融合。其具体实现步骤包括如下I. 一种基于粒子群优化的传感器网络对机动目标的协同跟踪方法，包括如下步骤I)根据目标当前的位置，采用粒子群优化算法对传感器网络中的动态传感器的位置进行重新部署；2)利用重新部署后的动态传感器和静态传感器对目标的预测位置进行预探测，获得关于目标位置的期望传感器观测值集合，其中，k为观测时间，j为传感器编号，N为动态传感器总数，M为静态传感器总数；3)将期望传感器观测值集合μ/￡—^中的Ν+Μ个观测值进行随机组合，形成N。个期
望传感器观测值组合，其中，.=Σ=Λ (1λ，q表示第q个传感器观测值，Ckv是从N+M个期望观测值中选择的第q个观测值的排列数；4)采用二值粒子群优化算法求取上述N。个期望传感器观测值组合中的最优传感器观测值组合(4a)在N。个期望传感器观测值组合中随机选择Np个传感器观测值组合，作为Np个粒子群位置向量集g⑴G，其中Y1 (t)为粒子群中第i个粒子在第t代的位置向量，
权利要求
1.一种基于粒子群优化的传感器网络对机动目标的协同跟踪方法，包括如下步骤 1)根据目标当前的位置，采用粒子群优化算法对传感器网络中的动态传感器的位置进行重新部署； 2)利用重新部署后的动态传感器和静态传感器对目标的预测位置进行预探测，获得关于目标位置的期望传感器观测值集合，其中，k为观测时间，j为传感器编号，N为动态传感器总数，M为静态传感器总数； 3)将期望传感器观测值集合中的N+M个观测值进行随机组合，形成N。个期望传感器观测值组合，其中，乂，q表示第q个传感器观测值，是从N+M个期望观测值中选择的第q个观测值的排列数； 4)采用二值粒子群优化算法求取上述N。个期望传感器观测值组合中的最优传感器观测值组合 (4a)在N。个期望传感器观测值组合中随机选择Np个传感器观测值组合，作为Np个粒子群位置向量集丨其中t(t)为粒子群中第i个粒子在第t代的位置向量，ΥΑ = \}(φ = 12,··,2ΝΓ}，J;'⑴为粒子i在第t代的位置向量YJt)的第I个分量,.Q/)代表一个传感器选择向量,乂'W = I代表该位置上对应的传感器观测值被选择，XW=O代表该位置上对应的传感器观测值未被选择； (4b)求取Np个粒子群位置向量集+{)·:(/)}=的适应度函数值F :p = \E^Da 其中，Etl为网络能耗门限，Da为当前选择的粒子所代表的期望观测值组合的R6nyi信息增量，Dtl为R6nyi信息增量门限，ES为当前选择的粒子所代表的期望观测值组合的R6nyi信息增量； (4c)令上述Np个适应度函数值中最小值所对应的粒子为全局最优粒子，利用全局最优粒子对当前代粒子进行变异，获取下一代新粒子； (4d)返回步骤(4b)，直至到达迭代次数的最大值，获得全局最优传感器观测值组合； 5)用最优观测值组合所对应的传感器组合对目标进行真实跟踪探测，并将跟踪结果进行融合，得到k+Ι时刻目标状态估计的融合值
2.根据权利要求I所述的基于粒子群优化的传感器网络对机动目标的协同跟踪方法，其特征在于步骤I)所述的采用粒子群优化算法对传感器网络中的动态传感器的位置进行重新部署，按如下步骤进行 (Ia)根据传感器探测覆盖率与传感器能耗，计算粒子群位置向量集中Np个粒子的适应度函数值，其中Xi⑴为粒子群中第i个粒子在第t代的位置向量，Xl(I) = ^itW = 12,-,2N, }，χ:( 为粒子i在第t代的位置向量Xi (t)的第I个分量，Nc为期望传感器组合数目； (Ib)根据上述Np个适应度函数值，以适应度函数值最小为准则选择出第i个粒子的局部最优位置向量…/仆)，…，/fW]和所有粒子的全局最优位置Pk ⑴::::[翁)’…劇》…，/)，(f)\ ； (Ic)利用上述Pi (t)、pg(t)和Xi⑴计算粒子i在第t+i代的速度向量η'( + 1): V; (/ + I) = ω· V11 (r) + c, ·/; -{pi (/)-jf; (/)) + ·2 ->'2 · (ps ( ~-χ' (O) 其中，ω为惯性权重因子，V 是粒子i在第t代的速度向量的第I个分量,C1和C2为Hooke常数，!^和巧为
内均匀分布的随机数，W⑴为Pi (t)的第I个分量是粒子i在第t代的位置向量的第I个分量，Pi(/)为pg(t)的第I个分量； (Id)利用粒子i在第t+Ι代的速度向量V;'(/ + I)获取粒子i在第t+i代的位置Λ';' X1i (/ + I) = χ； (f)+v' (i + 1)； (Ie)返回步骤(la)，直至达到迭代的最大次数，得到传感器网络中动态传感器低能耗高覆盖率部署的位置。
3.根据权利要求I所述的一种基于粒子群优化的传感器网络对机动目标的协同跟踪方法，其特征在于步骤(4c)所述的利用全局最优粒子对当前代粒子进行变异，通过如下公式进行 Iexchange^}'] (/)) rand <2χ--0,5 ζ, . %1 + ^ i
ν! (f)rand >2χ-；--0.5 , WIl+ e**' 其中.v/(/ + I)为第t+1代的位置向量Yi (t+1)的第I个分量，rand表不[O, I]内均勻分布的随机数，exchange ( ·)表示O, I取反运算，.#)为粒子i在第t代的位置向量YiU)的第I个分量i;+'M “力+1)为粒子i在第t+Ι代的速度向量。
全文摘要
本发明公开了一种基于粒子群优化的传感器网络对机动目标的协同跟踪方法。其实现步骤是(1)根据目标当前的位置，采用粒子群优化算法对传感器网络中的传感器位置进行重新部署；(2)利用重新部署后的传感器对目标的预测位置进行预探测，获得关于目标位置的期望的传感器观测值集合；(3)将期望传感器观测值集合中观测值随机分成NC个期望传感器观测值组合；(4)采用二值粒子群优化算法求取上述NC个期望传感器观测值组合中的最优传感器观测值组合；(5)用最优观测值组合所对目标进行真实跟踪探测，并将跟踪结果进行融合。本发明能在非高斯非线性环境下保证目标跟踪精度，降低网络能耗，可用于传感器网络对机动目标的协同跟踪。
文档编号G01S13/66GK102967857SQ20121050134
公开日2013年3月13日 申请日期2012年11月28日 优先权日2012年11月28日
发明者刘峥, 刘钦, 陈熠, 谢荣, 刘韵佛 申请人:西安电子科技大学