基于粒子滤波的无线传感器网络目标跟踪算法的研究

论文摘要

随着通信技术、嵌入式技术、微机电系统、传感器技术的迅速发展,具有一定感知能力、计算能力和通信能力的无线传感器开始出现,其应用受到业界的广泛关注。目标跟踪被广泛应用于军事、民用各个方面,如监控、导航、障碍规避系统等。它的主要目的是确定目标的位置,个数,运动方向等。随着无线传感器的发展,基于无线传感器网络实现目标跟踪成为了一个研究热点。本文针对无线传感器网络中的目标跟踪问题,引入了粒子滤波算法。在解决目标跟踪这种非线性非高斯噪声问题中,粒子滤波算法具有很好的表现。在总结现有滤波理论的基础上深入研究了一种改进型粒子滤波算法。本文同时将目标跟踪的问题模型化,并将该新型滤波算法应用其中,给出了目标跟踪的算法。本文的主要内容包括:首先,对现有的目标跟踪算法进行概要介绍和分析比照,为无线传感器的目标跟踪问题选取在非线性非高斯噪声问题中表现良好的粒子滤波算法。其次,针对现有粒子滤波算法进行了系统的分析,讨论了粒子滤波存在的问题及解决方案,并结合已有成果深入研究了一种性能更优的改进型混合卡尔曼粒子滤波算法。再次将改进型混合卡尔曼粒子滤波器应用到无线传感器网络的目标跟踪的问题中,并结合期望后验分布的熵、核表示、裂核等算法,实现了在无线传感器网络中,对机动目标较高精度的跟踪。基于无线传感器网络的目标跟踪应用具有很大的潜力,有待进一步的研究和探索。在本文的结尾部分,对基于无线传感器网络的目标跟踪进行了总结和展望。

论文目录

• 中文摘要
• ABSTRACT
• 第一章 绪论
• 1.1 目标跟踪问题
• 1.1.1 目标跟踪问题概况
• 1.1.2 目标跟踪问题研究现状
• 1.2 无线传感器网络概述
• 1.2.1 无线传感器网络的概念
• 1.2.2 无线传感器网络的特点
• 1.3 无线传感器网络目标追踪问题的研究
• 1.3.1 无线传感器网络目标追踪面临的问题
• 1.3.2 无线传感器网络目标跟踪问题研究现状
• 1.4 本文研究内容与安排
• 第二章 目标跟踪方法基础
• 2.1 系统动态模型描述
• 2.2 非线性动态系统的滤波理论与算法
• 2.2.1 基本kalman 滤波器和扩展kalman 滤波器（EKF）
• 2.2.2 无迹卡尔曼滤波（UKF）
• 2.2.3 Bayes 滤波
• 2.3 非参数化描述
• 2.3.1 传统Bayes 估计面临的挑战与解决的新思路
• 2.3.2 格型滤波（Grid-Based Filter）
• 2.4 基于随机采样的过程估计理论
• 2.4.1 蒙特卡罗方法
• 2.4.2 蒙特卡罗积分
• 2.5 小结
• 第三章 改进型粒子滤波算法的研究
• 3.1 算法提出依据
• 3.1.1 状态空间表示和粒子滤波器
• 3.1.2 贝叶斯重要性采样（Bayesian Importance Sampling（BIS））
• 3.1.3 序列重要性采样（Sequential Importance Sampling（SIS））
• 3.1.4 退化和退化消除技术
• 3.1.5 基本粒子滤波算法的描述
• 3.2 改进型混合卡尔曼粒子滤波算法（MKPF）
• 3.2.1 重要性密度函数的选择
• 3.2.2 重采样
• 3.2.3 改进型MKPF 算法实现
• 3.3 改进型MKPF 算法仿真
• 3.4 小结
• 第四章 改进型粒子滤波算法在无线传感器网络中的应用
• 4.1 目标动态模型
• 4.2 序列蒙特卡罗数据融合
• 4.3 期望后验分布的熵
• 4.4 后验概率分布的核表示
• 4.5 裂核
• 4.6 算法流程
• 4.7 目标跟踪算法的仿真
• 4.8 小结
• 第五章 总结与展望
• 5.1 总结
• 5.2 进一步工作的展望
• 参考文献
• 发表论文和科研情况说明
• 致谢