无线传感器网络节点分布式测量休眠和目标跟踪方法与流程

本发明属于无线传感网络领域，特别涉及了无线传感器网络节点分布式测量休眠和目标跟踪方法。

背景技术：

无线传感器网络是由大量自组织的传感器节点所构成的，每个传感器节点携带电池、无线收发装置、微型处理器，能够发送/接收数据并对数据进行处理，并能够通过节点之间的相互协作完成诸如智能监测、目标定位和跟踪等任务的复杂网络。

基于无线传感器网络技术的目标跟踪问题是无线传感器网络在实际中的一项重要应用。尽管无线传感器网络具有自组织、鲁棒性强、成本低等优点，但考虑到真实环境的复杂性、给定任务的难易程度以及网络的能量和带宽受限，使得传感器网络目标跟踪技术在跟踪误差和网络的能量消耗之间存在一定的矛盾。从一方面来说能够测量到目标的节点数目越多，网络的跟踪误差就越小(不考虑其他因素)，但是驱动节点测量所消耗的能量也就越多，这对于传感器网络来说是不利的。考虑到网络中节点所携带的能量是有限，总是希望传感器网络消耗的能量越少越好，从而在一定程度上延长网络的生命周期同时保证网络的稳定性。

目前在传感器网络目标跟踪精度和能量消耗之间进行权衡的技术主要可以分为以下几种方案：1、节点休眠技术。由于目标运动的动态性和节点的测量半径有限，导致节点在监测区域观测到目标成为一个局部事件。节点休眠技术正是利用了这个特点，将某一时刻网络中的节点分为跟踪节点、激活节点和休眠节点。只有靠近目标的节点处于激活状态执行测量和跟踪任务，其他节点则处于休眠节点。当休眠节点接收到来自跟踪节点的激活指令时将其从休眠状态中唤醒。和网络中所有节点都处于激活状态相比损失了一部分跟踪性能但是节省了网络的能量从而延长整个网络的生命周期。尽管该方案是一种简单有效的办法，但存在无法保证收敛性以及网络连通性的缺点。2、节点选择方法。该方法将最大化网络生命周期或最大化网络剩余能量作为目标从而转换成带约束的最优化问题，求解该优化问题则是从所有可能的节点集合中选择最优的节点集合。遗憾的是该问题的求解是np难的，基于节点选择的目标跟踪算法则是采用了贪心策略或是启发式方式来求解，而且求解该问题必须采用集中式的方法。3、聚类方法。基于动态聚类的传感器节点调度算法采用了一种贪婪策略能将多目标优化问题转换为单目标优化问题进而求得问题的局部最优解。首先选择能够满足一定跟踪误差要求所需要的最小的节点集合，被选中的节点处于激活状态，未被选中的节点令其进入休眠状态；然后在该节点集合中利用暴力搜索的方法选择通信能量消耗(和节点之间的距离成指数关系)最小的作为聚类头节点，聚类头节点负责接收其他节点的信息执行估计算法。该方法存在的问题是在确定头结点时需要节点集合内所有节点的信息，是一个集中式的策略；另外暴力搜索的方式需要额外的计算资源丰富的基站。

技术实现要素：

为了解决上述背景技术提出的技术问题，本发明旨在提供无线传感器网络节点分布式测量休眠和目标跟踪方法，克服现有技术存在的缺陷，在保证网络跟踪精度的同时，减少网络的能量消耗。

为了实现上述技术目的，本发明的技术方案为：

一种无线传感器网络节点分布式测量休眠和目标跟踪方法，包括以下步骤：

(1)根据需求及先验知识确定无线传感器网络中的节点数量，在目标运动区域内均匀部署节点；确定目标运动方程、节点通信半径和测量半径；对各节点的后验协方差矩阵和状态估计值进行初始化；

(2)每个节点接收邻居节点的后验协方差矩阵和状态估计值，各节点利用最小迹原则更新协同协方差和协同估计状态值；

(3)每个节点按照预设的事件触发条件判断是否对目标进行测量；

(4)如果节点测量目标，则利用测量信息和卡尔曼滤波更新后验协方差和后验状态估计；如果节点测量休眠，则利用预测值来更新后验协方差和状态估计值；各节点发送更新后的后验协方差和后验估计；

(5)重复步骤(2)-(4)，直到跟踪时间结束。

进一步地，在步骤(2)中，协同协方差和协同估计状态值的更新公式如下：

上式中，和分别为更新后的第i个节点的协同协方差和协同估计状态值，pind(k-1|k-1)和分别为第ind个节点的后验协方差矩阵和状态估计值，ni为第i个节点的通信邻居节点，tr为迹运算。

进一步地，在步骤(3)中，所述预设的事件触发条件如下：

上式中，bi(k)表示第k个采样时刻第i个节点是否触发测量的标志，bi(k)＝1表示触发测量，bi(k)＝0表示不触发测量，pi表示第i个节点自身的坐标位置，表示第i个节点对目标位置的预测值，δi(k)表示第i个节点对目标位置的预测误差，ds表示测量半径，ji1(k)和ji0(k)分别为第k个采样时刻第i个节点测量和不测量所对应的性能函数值：

其中，为第i个节点的协同协方差，f为系统矩阵，q(k)为过程噪声的协方差矩阵，hi是第i个节点的测量矩阵，ri(k)为测量噪声的协方差矩阵，e为节点的测量能量消耗，w为加权值。

进一步地，在步骤(4)中，如果节点测量目标并能获得测量信息，按下式更新后验协方差和后验状态估计：

上式中，pi(k|k)和分别为更新的后验协方差和后验状态估计。

进一步地，在步骤(4)中，如果节点测量休眠或者节点测量目标但未能获得测量信息，按下式更新后验协方差和后验状态估计：

上式中，pi(k|k)和分别为更新的后验协方差和后验状态估计。

进一步地，节点的测量休眠是完全自主判断的，节点的目标跟踪是完全分布式的。

采用上述技术方案带来的有益效果：

本发明能够在节点测量和通信半径受限的无线传感器网络以及整个网络通信和测量情况未知的情况下，完全分布式地、自主地确定是否跟踪目标并实现了完全分布式的估计目标状态并对目标进行跟踪。通过对事件触发测量和全触发测量的实验比较，结果表明本发明能够在保证跟踪系统性能的条件下，显著减少系统能耗，从而延长网络生命周期保证网络稳定性。

附图说明

图1是本发明的方法流程图；

图2是实施例中目标运动轨迹图；

图3是事件触发下的节点触发率散点图；

图4是全触发下的节点触发率散点图；

图5是事件触发下和全触发下消耗能量比较图；

图6是事件触发下和全触发下性能比较图。

具体实施方式

以下将结合附图，对本发明的技术方案进行详细说明。

假设跟踪目标的运动方程为：

x(k+1)＝fx(k)+w(k)，k＝1，2，...(i)

其中，x(k)＝[px(k),vx(k),py(k),vy(k)]^t是跟踪目标的状态向量，分别代表第k个采样时刻运动目标在水平方向x以及垂直方向y上的位置和速度，f是系统矩阵，w(k)是运动目标的过程噪声，假设为零均值的高斯白噪声，协方差矩阵为q(k)。节点的测量方程为：

yi(k)＝bi(k)*(hix(k)+vi(k))(2)

其中，bi(k)代表k时刻第i个节点是否测量，如果节点i测量目标，bi(k)＝1；否则，bi(k)＝0。hi是节点i的测量矩阵，vi(k)是节点i的测量噪声，假设符合零均值的高斯白噪声，协方差矩阵为ri(k)。

系统优化问题的性能目标函数定义为：

其中，jj(k)为第k个采样时刻节点j的目标函数值，n为总的节点个数，t为总的采样时间。基于事件触发测量策略，每个节点的目标函数jj(.)的定义如下：

jj(pj，e，bj(k)，k)＝(1-bj(k))tr(pj0(k))+bj(k)tr(pj1(k))+bj(k)we，j＝1，2，...n(4)

其中，bj(k)∈{0,1}表示第k个采样时刻传感器节点j是否触发测量，bj(k)＝0代表不触发，bj(k)＝1表示触发；tr(.)为矩阵求迹运算，pj0(k)和pj1(k)分别代表不触发和触发条件下的节点j在时刻k的协方差矩阵的更新值pj(k|k)，是利用卡尔曼滤波算法得到的，具体见下式：

e代表节点的测量能量消耗，w为加权值。

不难看出上述式(4)中的前两项代表跟踪误差预测项，后一项则代表了节点的能量消耗。如果节点j触发了测量，则jj(pj,e,bj(k),k)＝tr(pj1(k))+we；否则，jj(pj,e,bj(k),k)＝tr(pj0(k))。需要注意的是跟踪误差预测项可能与真实误差不同。如果节点j触发了测量，并且能测量到目标，则pj1(k)即为真实的协方差；如果节点j触发了测量，但仍无法测量到目标，则真实的协方差为pj0(k)；如果节点j不触发测量，则真实的协方差也为pj0(k)。

本发明的目标是设计节点测量激活策略和分布式协同卡尔曼滤波算法使得性能指标(4)越小越好。

基于上述设计目标，如图1所示，本发明的具体步骤如下：

步骤1：初始化节点和目标跟踪网络包括节点的数目和位置；确定目标运动方程、节点的测量半径和通信半径；节点的后验协方差矩阵和状态估计值。

步骤2：节点接收邻居节点的后验协方差矩阵和状态估计值，按照最小迹原则更新协同协方差矩阵和协同状态估计值

步骤3：每个节点按照事件触发条件判断是否对目标进行测量，由bi(k)标识。触发条件如下：

其中，表示第i个节点对目标位置的预测值，取自中对应的位置向量，在本实施例中，表示矩阵中第1、第2个向量，

δi(k)表示第i个节点对目标位置的预测误差，取自预测协方差矩阵中对应位置部分矩阵的迹的1/2次方值，在本实施例中，表示矩阵pi(k|k-1)的第1个和第3个对角元素之和，

步骤4：更新后验协方差矩阵pi(k|k)和后验状态估计值并发送给邻居节点。如果节点触发测量，即bi(k)＝1，并能获得测量信息，则利用测量信息和卡尔曼滤波更新后验协方差和状态估计：

如果节点测量休眠，即bi(k)＝0，或者节点触发测量但无法获得目标测量信息，则利用预测值更新后验协方差和后验状态估计

步骤5：重复上述步骤2-4，直到跟踪时间结束。

下文通过实施例来说明本发明。

1)参数设置

根据目标运动区域的大小确定传感器节点的数目n，按照网格型网络在运动区域内部署节点。假设节点之间的最小距离为dmin，测量半径设计为1.5dmin，节点之间的通信半径rc>2rs，根据通信半径建立节点之间的邻接关系。

2)初始化

如图2所示，以目标在运动区域内做匀速直线运动为例，系统矩阵δt为采样时间间隔设置δt＝1(s)，测量矩阵过程噪声的协方差矩阵q＝deltawdiag([0.5,1,0.5,1]),deltaw＝1e-3，测量噪声的协方差矩阵初始化每个节点的状态估计值初始化每个节点的协方差矩阵初始化每个节点测量值yi(0)＝[0,0]^t,i＝1,2,…n。

3)数据包发送和接收

第k个采样时刻(k>0)，每个节点i,i＝1,2,…n将自身信息包括状态估计值和协方差矩阵发送给邻居节点，同时接收邻居节点j∈ni发送的信息

4)基于最小迹原则的一致性信息融合

每个节点i,i＝1,2,…n，在接收到的邻居节点信息中，找出协方差矩阵迹最小的节点，节点i就根据此节点更新协同协方差矩阵(5)和状态估计值(6)。

5)事件触发条件的判断

在进行网络通信之后，每个节点根据测量激活条件(7)进行判断，得到每个节点的触发标志位bi(k)，其中式(4)中的能量消耗项的加权值w＝300(也可根据实际情况进行调整)，测量能量消耗e根据实际情况设置，本实验假设e＝es*bs,es＝5e-5,bs＝1024。对于测量激活节点i，获得k时刻的测量值yi(k)。

6)状态估计值和协方差矩阵的更新

在判断每个节点的测量状态bi(k)之后，按照式(8)和(9)所描述的分布式估计算法更新每个节点i的后验状态估计值和后验协方差矩阵pi(k|k)。

7)重复上述步骤3)—6)。

对比事件触发下的节点测量和全触发下的节点测量，图3和图4分别为事件触发下和全触发下节点触发率随采样时间变化的散点图，其中横轴表示采样时间点，纵轴表示节点触发率(百分比)。图5为两种情况下网络消耗的累计能量随采样时间变化的关系，虚线对应事件触发下的测量能量消耗随采样时间的变化关系，实线对应全触发下测量能量消耗随时间的变化关系。图6为两种情况下目标函数值(包含跟踪误差和能量消耗)随采样时间的变化情况，虚线对应事件触发下的目标函数值，实线对应全触发情况下的目标函数值。

实施例仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明保护范围之内。