无线传感器网络中目标跟踪算法的研究与改进

论文摘要

基于传感器网络的目标跟踪具有广阔的应用前景,在诸如野生动植物、医学研究以及军事情报收集、地震救援等领域都具有十分重大的意义。本文的研究目标就是使得我们在这些应用中能准确地掌握跟踪目标的实时位置,以及在节点能量有限的前提下延长传感器网络生命周期。本文的主要工作如下:(1)分别对基于二进制传感器网络模型以及基于精确定位传感器网络模型两种体系结构下的跟踪算法进行了分析和研究。(2)围绕两种不同体系结构下的典型跟踪算法OccamTrack以及基于分簇的预测跟踪算法机制的不足展开,从传感器网络的结构特点、目标跟踪精确度、能量消耗的角度分析了算法存在的不足并提出了可行的改进方法。(3)运用粒子滤波的思想,针对二进制传感器网络模型的特点和几何特性,对OccamTrack算法进行了研究和改进,提出一种新的基于粒子滤波的几何处理算法。(4)针对基于精确定位分簇WSN模型下的目标跟踪算法,利用分布式贝叶斯估计改进了簇头节点上的预测机制,并提出了跟踪失败的恢复跟踪机制。(5)搭建仿真平台和编写仿真程序,分别对上述两种算法改进进行了仿真和详细的结果对比分析,从仿真结果看出,两种改进算法在目标跟踪的精确度、能量消耗的角度上优于原有算法。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 传感器网络目标跟踪研究的背景与意义
• 1.2 国内外研究现状
• 1.2.1 无线传感器网络目标跟踪研究发展阶段
• 1.2.2 无线传感器网络目标定位系统和算法的分类
• 1.2.2.1 集中式算法与分布式算法
• 1.2.2.2 以节点为中心与以位置为中心
• 1.2.3 典型的目标定位系统与算法
• 1.2.3.1 基于二进制探测的目标跟踪算法
• 1.2.3.2 基于精确定位的跟踪算法
• 1.2.3.3 事件驱动的协作跟踪算法
• 1.2.3.4 基于粒子滤波的跟踪算法
• 1.3 本文的研究重点和组织方式
• 第二章 WSN 目标跟踪现有算法存在的不足
• 2.1 二进制传感器网络模型下的跟踪算法分析
• 2.1.1 二进制传感器网络模型
• 2.1.1.1 模型的假设
• 2.1.1.2 模型的限制条件
• 2.1.2 Occam Track 算法分析
• 2.2 基于精确定位WSN 模型下的跟踪算法分析
• 2.2.1 SN（Sensor Node）节点的预测机制
• 2.2.2 CH（Cluster Head）节点的预测机制
• 2.3 本章小结
• 第三章 基于二进制WSN 模型的目标跟踪算法改进
• 3.1 二进制传感器网络模型特点
• 3.2 OCCAMTRACK 算法的改进
• 3.2.1 粒子滤波的基本理论
• 3.2.1.1 数据融合的主要方法
• 3.2.1.2 估计理论
• 3.2.1.3 滤波算法
• 3.2.2 基于Occam Track 的粒子滤波算法分析
• 3.2.3 基于粒子滤波的几何处理算法
• 3.3 本章小结
• 第四章 基于精确定位WSN 的目标跟踪算法改进
• 4.1 WSN 的分簇模型
• 4.2 分布式贝叶斯估计算法
• 4.2.1 非线性贝叶斯跟踪
• 4.2.2 动态目标跟踪中的贝叶斯方法
• 4.3 预测跟踪算法的运行机制
• 4.3.1 CH（Cluster Head）节点上的改进机制
• 4.3.2 非参数化分布表示
• 4.4 跟踪丢失的恢复机制
• 4.5 本章小结
• 第五章 仿真实验与结果分析
• 5.1 仿真环境搭建
• 5.2 基于二进制传感器网络模型的跟踪算法仿真
• 5.3 基于精确定位WSN 的跟踪算法仿真
• 5.3.1 贝叶斯递归的算法流程
• 5.3.2 分布式贝叶斯算法的仿真结果及分析
• 5.4 本章小结
• 第六章 总结与展望
• 6.1 论文的主要工作及贡献
• 6.2 对下一步工作的思考
• 参考文献
• 致谢
• 在学期间的研究成果及发表的学术论文